高金蘭, 李 豪, 段玉波, 王宏建

(東北石油大學(xué) 電氣信息工程學(xué)院, 黑龍江 大慶 163318)

0 引 言

據(jù)中國(guó)可再生能源學(xué)會(huì)風(fēng)能專業(yè)委員會(huì)(CWEA: Chinese Wind Energy Association)的數(shù)據(jù)統(tǒng)計(jì), 截至2018年末, 我國(guó)成為全球首個(gè)風(fēng)電裝機(jī)容量超過(guò)200 GW的國(guó)家。近年來(lái)風(fēng)力發(fā)電發(fā)展迅速, 但由于受到氣象及地形等因素的影響, 風(fēng)電場(chǎng)出力具有很強(qiáng)的波動(dòng)性。風(fēng)電大規(guī)模的并網(wǎng)也給電力電網(wǎng)的穩(wěn)定性帶來(lái)了挑戰(zhàn)。通過(guò)對(duì)風(fēng)電場(chǎng)的歷史數(shù)據(jù)進(jìn)行分析, 獲取未來(lái)短時(shí)間內(nèi)風(fēng)電場(chǎng)出力的變化趨勢(shì), 能為電網(wǎng)的調(diào)度計(jì)劃提供依據(jù), 提高電網(wǎng)運(yùn)行的安全性、 穩(wěn)定性和可靠性[1]； 同時(shí)根據(jù)國(guó)家能源局統(tǒng)計(jì)顯示, 我國(guó)2018年全年棄風(fēng)電量達(dá)到9.972×1016J, 而利用這些電量可以減少30 Gkg二氧化碳的排放。因此, 風(fēng)電功率預(yù)測(cè)問(wèn)題如果無(wú)法得到解決, 將影響風(fēng)電并網(wǎng), 造成能源浪費(fèi), 使我國(guó)政府為節(jié)能減排所作的努力大打折扣。

近年來(lái), 對(duì)風(fēng)電場(chǎng)短期輸出功率進(jìn)行預(yù)測(cè)成為學(xué)者們研究的焦點(diǎn), 越來(lái)越多的新理論新方法也相繼被提出。長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM： Long Short-Term Memory)模型在處理時(shí)序數(shù)據(jù)的特征信息時(shí)有很好的效果。3個(gè)門式結(jié)構(gòu)的加入使LSTM神經(jīng)網(wǎng)絡(luò)在處理問(wèn)題時(shí)能選擇性忘記其中一部分不關(guān)鍵信息而把一些重要的信息關(guān)聯(lián)在一起, 從而記憶起更長(zhǎng)的序列。同時(shí)這種結(jié)構(gòu)也解決了傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN： Recurrent Neural Network)處理問(wèn)題時(shí)梯度消失以及梯度爆炸的問(wèn)題[2-3]。文獻(xiàn)[4]提出了利用長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)建立模型進(jìn)行風(fēng)電的功率預(yù)測(cè), 與傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)方法相比, 該模型在風(fēng)功率預(yù)測(cè)過(guò)程中解決了處理時(shí)序問(wèn)題時(shí)所產(chǎn)生的長(zhǎng)期依賴性問(wèn)題。文獻(xiàn)[5]采用通過(guò)建立門控循環(huán)單元(GRU: Gated Recurrent Unit)網(wǎng)絡(luò)預(yù)測(cè)模型實(shí)現(xiàn)短期風(fēng)電功率預(yù)測(cè), 該方法具有訓(xùn)練速度更快、 系統(tǒng)占用內(nèi)存更少的優(yōu)點(diǎn)。文獻(xiàn)[6]引入BiLSTM(Bi-directional Long Short-Term Memory)算法建立模型對(duì)風(fēng)電場(chǎng)輸出功率進(jìn)行預(yù)測(cè), 該方法憑借雙向循環(huán)結(jié)構(gòu), 有效減少了陷入局部最優(yōu)情況的發(fā)生。

深度學(xué)習(xí)的快速發(fā)展為風(fēng)電場(chǎng)的功率預(yù)測(cè)提供了更多的思路和方法。GRU神經(jīng)網(wǎng)絡(luò)是LSTM神經(jīng)網(wǎng)絡(luò)的一個(gè)變體, GRU保持了LSTM的預(yù)測(cè)效果, 且結(jié)構(gòu)更加簡(jiǎn)單, 此外通過(guò)堆疊的設(shè)計(jì)能增加網(wǎng)絡(luò)的深度, 提升模型預(yù)測(cè)的準(zhǔn)確度。Stacking算法是一種集成算法, 可通過(guò)聚合多個(gè)回歸模型提升預(yù)測(cè)精度[7]。筆者在GRU模型的基礎(chǔ)上建立多個(gè)多層GRU作為第1級(jí)預(yù)測(cè)模型, 然后再以GRU為基礎(chǔ)建立第2級(jí)預(yù)測(cè)模型, 最終在Stacking集成框架下對(duì)二者進(jìn)行融合, 利用其實(shí)現(xiàn)風(fēng)電場(chǎng)短期功率預(yù)測(cè)。筆者將Stacking集成融合模型引入風(fēng)電場(chǎng)短期功率預(yù)測(cè)領(lǐng)域, 并探索該模型在風(fēng)電場(chǎng)短期功率預(yù)測(cè)中的可行性。

1 算法理論

1.1 GRU神經(jīng)網(wǎng)絡(luò)

LSTM神經(jīng)網(wǎng)絡(luò)因?yàn)楠?dú)有的門式結(jié)構(gòu), 使其被廣泛應(yīng)用于時(shí)間序列預(yù)測(cè)任務(wù)。然而因其復(fù)雜的內(nèi)部結(jié)構(gòu), LSTM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練通常需花費(fèi)很長(zhǎng)時(shí)間。GRU是由Chung等[8]提出的LSTM的一種變體, 它較LSTM的結(jié)構(gòu)更加簡(jiǎn)單, 并且在保留LSTM性能的前提下其訓(xùn)練速度也更快。GRU的結(jié)構(gòu)如圖1所示。

圖1 GRU的單元結(jié)構(gòu)Fig.1 GRU unit structure

GRU將LSTM單元結(jié)構(gòu)中的遺忘門和輸入門合并成了一個(gè)重置門, 因此GRU單元相比LSTM單元結(jié)構(gòu)只有兩個(gè)門, 分別是重置門和更新門, 既圖中的rt和zt。重置門有助于捕捉時(shí)間序列的短期依賴關(guān)系, 更新門有助于捕捉時(shí)間序列的長(zhǎng)期依賴關(guān)系[9], GRU的前向傳播公式如下

rt=σ(Wr·[hbt-1,xbt]+br)

(1)

zt=σ(Wz·[ht-1,xt]+bz)

(2)

(3)

(4)

1.2 多層GRU模型

為提升預(yù)測(cè)模型對(duì)時(shí)間序列信息的提取能力, 筆者在此引入了多層GRU神經(jīng)網(wǎng)絡(luò)模型。通過(guò)搭建多層GRU神經(jīng)網(wǎng)絡(luò), 使單個(gè)GRU單元的輸出不僅到達(dá)本層的下一個(gè)GRU單元, 而且到達(dá)下一個(gè)堆疊層的GRU單元, 從而增加了網(wǎng)絡(luò)深度, 提高運(yùn)算效率, 最終獲得更好的準(zhǔn)確性。多層GRU模型的結(jié)構(gòu)如圖2所示。

圖2 多層GRU模型的結(jié)構(gòu)圖Fig.2 Structure diagram of a multilayer GRU model

在多層GRU模型中特征信息的提取部分由3層堆疊的GRU層完成, 而預(yù)測(cè)回歸部分則由全連接層完成。圖2中每個(gè)節(jié)點(diǎn)代表一個(gè)GRU單元, 對(duì)于時(shí)間序列T的特征序列{x1,x2,…,xT}, 輸入到第1層GRU網(wǎng)絡(luò){a1,a2,…,aT}, 從低維的時(shí)間層面分析數(shù)據(jù)的時(shí)序關(guān)系, 之后令第1層的輸出進(jìn)入第2層GRU{b1,b2,…,bT}以及第3層GRU{c1,c2,…,cT}, 2、 3層的特征信息處理包含了上一層的學(xué)習(xí)輸出以及高維的時(shí)間關(guān)系。最后利用全連接層將特征樣本進(jìn)行映射得最終的預(yù)測(cè)值, 模型的訓(xùn)練利用Adam優(yōu)化算法調(diào)整每個(gè)GRU單元的權(quán)重以及偏置向量, 經(jīng)幾個(gè)循環(huán)迭代后, GRU的輸出值在訓(xùn)練集上逐漸接近真實(shí)值, 得到最終的多層GRU預(yù)測(cè)模型。

1.3 Stacking算法

在預(yù)測(cè)模型中, 筆者的目標(biāo)是訓(xùn)練出在各個(gè)方面都穩(wěn)定且性能良好的模型, 但實(shí)際情況通常并不理想, 有時(shí)只能獲得具有某些偏好的模型。集成學(xué)習(xí)通過(guò)組合幾種模型以提高預(yù)測(cè)能力, Stacking算法是集成算法中最為典型的一種[12]。Stacking算法的集成學(xué)習(xí)方式如圖3所示。

圖3 Stacking算法的集成學(xué)習(xí)方式Fig.3 Integrated learning method of Stacking algorithm

Stacking集成學(xué)習(xí)算法首先將原始訓(xùn)練集劃分為若干子訓(xùn)練集, 之后通過(guò)各子集訓(xùn)練初學(xué)習(xí)器, 將初學(xué)習(xí)器的學(xué)習(xí)結(jié)果作為輸入使第2級(jí)的元學(xué)習(xí)器進(jìn)行學(xué)習(xí), 第2級(jí)的元學(xué)習(xí)器能發(fā)現(xiàn)并且糾正第1級(jí)初學(xué)習(xí)器中的預(yù)測(cè)誤差, 提升整體的預(yù)測(cè)效果。其算法表示如下。

輸入： 訓(xùn)練集D=(x1,y1),…,(xm,ym), 其中xi∈Rn,yi∈{-1,+1}； 初級(jí)學(xué)習(xí)算法ζt,t=1,2,…,T； 次級(jí)學(xué)習(xí)算法ξ。

2)初始化次級(jí)訓(xùn)練集：D′=?。

5) 訓(xùn)練次級(jí)學(xué)習(xí)器：h′=ξ(D′)。

2 基于Stacking算法融合多個(gè)多層GRU的預(yù)測(cè)模型

2.1 基于Stacking集成融合多層GRU模型分析

筆者在Stacking的集成學(xué)習(xí)框架下融合多個(gè)GRU預(yù)測(cè)模型, 在Stacking融合模型的第1級(jí)中選擇3個(gè)多層GRU預(yù)測(cè)模型, 模型的第2級(jí)選用單層GRU模型糾正第1級(jí)中3個(gè)多層GRU模型的預(yù)測(cè)偏差, 并防止過(guò)擬合情況產(chǎn)生。基于Stacking集成融合多層GRU模型的整體結(jié)構(gòu)如圖4所示。

圖4 Stacking集成融合多個(gè)GRU模型Fig.4 Stacking integration integrates multiple GRU models

首先利用交叉法, 將原始數(shù)據(jù)集劃分為3個(gè)子數(shù)據(jù)集, 并確保每個(gè)數(shù)據(jù)集相互獨(dú)立, 對(duì)第1級(jí)的每個(gè)3層GRU預(yù)測(cè)模型, 用兩個(gè)子數(shù)據(jù)集作為訓(xùn)練集, 另外一個(gè)子數(shù)據(jù)集作為驗(yàn)證集。第1級(jí)中的3個(gè)不同的3層GRU預(yù)測(cè)模型都可生成一個(gè)預(yù)測(cè)結(jié)果, 將這3個(gè)預(yù)測(cè)結(jié)果重新合并為新的數(shù)據(jù)集。之后再利用第2級(jí)的GRU預(yù)測(cè)模型對(duì)新生成的數(shù)據(jù)集進(jìn)行學(xué)習(xí), 生成最終的預(yù)測(cè)結(jié)果。模型經(jīng)過(guò)反向傳播訓(xùn)練調(diào)整GRU單元的權(quán)重以及偏置向量, 最終生成Stacking集成融合的多層GRU預(yù)測(cè)模型。Stacking框架中的每個(gè)模型的訓(xùn)練方式統(tǒng)一采用Adam算法進(jìn)行優(yōu)化, Adam是一種自適應(yīng)學(xué)習(xí)率的方法, 它利用梯度的1階矩估計(jì)和2階矩估計(jì)動(dòng)態(tài)調(diào)整GRU模型中每個(gè)參數(shù)的學(xué)習(xí)率。Adam算法優(yōu)化GRU模型的過(guò)程為

通常, 訓(xùn)練任何基于學(xué)習(xí)的模型, 最終的訓(xùn)練過(guò)程都可看作是一個(gè)優(yōu)化問(wèn)題。使損失函數(shù)最小化是序列預(yù)測(cè)任務(wù)中重要的一步。損失函數(shù)

(11)

2.2 Stacking集成融合模型的風(fēng)電場(chǎng)短期功率預(yù)測(cè)流程

Stacking集成融合模型的風(fēng)電場(chǎng)短期功率預(yù)測(cè)步驟如下。

首先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。風(fēng)力發(fā)電輸出功率的歷史數(shù)據(jù)由于設(shè)備監(jiān)測(cè)、 風(fēng)機(jī)檢修等原因, 導(dǎo)致獲取的數(shù)據(jù)有缺失, 如風(fēng)電場(chǎng)在有風(fēng)正常運(yùn)行過(guò)程中輸出功率是不可能為零的, 這時(shí)如果數(shù)據(jù)中出現(xiàn)了0即為數(shù)據(jù)缺失。目前針對(duì)風(fēng)功率數(shù)據(jù)集缺失數(shù)據(jù)處理的方法有很多, 如刪除法、 加權(quán)調(diào)整法, 筆者采用滑動(dòng)平均法對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理。

其次對(duì)歸一化的數(shù)據(jù)集Xm進(jìn)行處理構(gòu)建輸入數(shù)據(jù)。對(duì)時(shí)間序列數(shù)據(jù)集, 以指定步長(zhǎng)L為截取單位將數(shù)據(jù)集分割成多個(gè)片段, 建立訓(xùn)練樣本XT={Xj|(n-1)l+1≤j≤nl},T∈{1,2,3,…,p}, 其中p表示分割成的片數(shù), 將分割成的片數(shù)建立輸入層作為模型的輸入, 利用風(fēng)電場(chǎng)歷史數(shù)據(jù)劃分的訓(xùn)練樣本集對(duì)Stacking融合模型進(jìn)行訓(xùn)練。

最后將風(fēng)電場(chǎng)功率的預(yù)測(cè)樣本的特征數(shù)據(jù)輸入至Stacking融合模型, 數(shù)據(jù)將依次進(jìn)行第1級(jí)多層GRU模型以及第2級(jí)GRU模型的處理。第1級(jí)模型中的多層GRU模型能深度提取風(fēng)電場(chǎng)歷史數(shù)據(jù)的特征信息, 第2級(jí)GRU模型能糾正第1級(jí)中多個(gè)GRU模型的預(yù)測(cè)偏差, Stacking融合模型將匯總兩級(jí)模型的輸出結(jié)果, 得到最終風(fēng)電場(chǎng)的功率輸出值。

Stacking融合模型的預(yù)測(cè)流程如圖5所示。

圖5 Stacking融合模型的預(yù)測(cè)流程Fig.5 The prediction process of the Stacking fusion model

2.3 算法評(píng)價(jià)指標(biāo)

在回歸類預(yù)測(cè)問(wèn)題中經(jīng)常采用平均絕對(duì)誤差(MAE： Mean Absolute Error)、 均方差(MSE： Mean Squared Error)、 決定系數(shù)(R2)、 平均絕對(duì)百分比誤差(MAPE： Mean Absolute Percentage Error)進(jìn)行預(yù)測(cè)評(píng)價(jià), 其計(jì)算公式分別如下

3 仿真分析

實(shí)驗(yàn)數(shù)據(jù)來(lái)自寧夏太陽(yáng)山發(fā)電場(chǎng)2017年全年的發(fā)電數(shù)據(jù)。采樣分辨率為15 min, 每日的采樣點(diǎn)為96個(gè)時(shí)刻。實(shí)驗(yàn)以Stacking融合模型進(jìn)行建模實(shí)現(xiàn)風(fēng)電場(chǎng)短期功率預(yù)測(cè), 同時(shí)分別以LSTM、 多層GRU、 XGBoost及Stacking融合模型進(jìn)行風(fēng)電場(chǎng)功率預(yù)測(cè)實(shí)驗(yàn), 并對(duì)幾組模型的預(yù)測(cè)效果進(jìn)行比較分析。實(shí)驗(yàn)應(yīng)用的軟件平臺(tái)為Python3.7, 運(yùn)行環(huán)境為Keras以及谷歌第2代人工智能學(xué)習(xí)系統(tǒng)TensorFlow, 利用的Python庫(kù)為Pandas庫(kù)、 Matplotlib庫(kù)和Numpy庫(kù)等。

3.1 實(shí)驗(yàn)參數(shù)設(shè)置及模型架構(gòu)

Stacking融合模型的具體參數(shù)設(shè)置如表1所示。

表1 Stacking融合模型中參數(shù)的設(shè)置

Stacking融合模型中第1級(jí)的3個(gè)多層GRU模型采用3+1結(jié)構(gòu)(3層GRU和1層全連接層)。第1級(jí)模型中的3個(gè)多層GRU中每層的激活函數(shù)選擇tanh, 第1個(gè)3層GRU模型中每層的細(xì)胞個(gè)數(shù)選為64, 第2個(gè)3層GRU模型中每層的細(xì)胞個(gè)數(shù)選為128, 第3個(gè)3層GRU模型中每層的細(xì)胞個(gè)數(shù)選為256； 第2級(jí)單層GRU模型的細(xì)胞個(gè)數(shù)選為128, 激活函數(shù)tanh。每個(gè)GRU模型的全連接層細(xì)胞個(gè)數(shù)為1, 激活函數(shù)選擇Linear。網(wǎng)絡(luò)的優(yōu)化器選擇Adam, 損失函數(shù)采用均方誤差。

3.2 模型訓(xùn)練

衡量模型的好壞最重要的一個(gè)因素就是其損失值。通過(guò)風(fēng)電場(chǎng)歷史數(shù)據(jù)構(gòu)建訓(xùn)練集對(duì)模型進(jìn)行訓(xùn)練, Stacking融合模型的損失函數(shù)曲線如圖6所示。

圖6中的損失值都是經(jīng)過(guò)50次迭代訓(xùn)練, 使用訓(xùn)練集與驗(yàn)證集測(cè)試模型的損失值, 損失值越小、 越平穩(wěn)代表當(dāng)前模型訓(xùn)練得越好。

圖6 訓(xùn)練集與驗(yàn)證集損失值對(duì)比曲線 圖7 晴天發(fā)電功率預(yù)測(cè)對(duì)比曲線 Fig.6 Comparison curve of loss between Fig.7 Comparison curve of power training set and validation set generation forecast on sunny days

3.3 實(shí)驗(yàn)對(duì)比

為研究所采用模型的預(yù)測(cè)性能, 首先選用晴天和雨天作為兩種測(cè)試對(duì)象, 將Stacking融合模型的預(yù)測(cè)結(jié)果與單層LSTM模型、 多層GRU模型結(jié)果以及真實(shí)值做對(duì)比。

針對(duì)預(yù)測(cè)日為晴天, 從2017年8月24日12時(shí)起, 利用以上3組模型對(duì)未來(lái)35 h的風(fēng)電場(chǎng)輸出功率進(jìn)行預(yù)測(cè), 結(jié)果如圖7所示。

由圖7可看出, 基于Stacking融合模型預(yù)測(cè)得到的風(fēng)電場(chǎng)輸出功率曲線與真實(shí)的輸出功率相比較, 曲線變化趨勢(shì)基本相同。在風(fēng)電場(chǎng)輸出功率比較平緩時(shí), 各個(gè)模型的預(yù)測(cè)效果差別不大, 但當(dāng)風(fēng)電場(chǎng)的輸出功率變化比較大時(shí), Stacking融合模型的預(yù)測(cè)曲線更接近真實(shí)值。

在預(yù)測(cè)日為晴天時(shí), 各模型的性能評(píng)估指標(biāo)如表2所示。

表2 晴天Stacking融合模型與其他模型的性能評(píng)估指標(biāo)

在晴天的35 h的預(yù)測(cè)過(guò)程中, 由表2可看出, 單層LSTM的決定系數(shù)為0.90, 多層GRU的決定系數(shù)為0.97, Stacking融合模型擁有最高的判定系數(shù)0.98, Stacking融合模型預(yù)測(cè)的平均絕對(duì)誤差相比較單層LSTM模型和多層GRU模型分別降低了2.66和0.90, 均方差指標(biāo)相比較前兩者也分別降低了39.39和12.51, 展示了其有效的風(fēng)電場(chǎng)短期功率預(yù)測(cè)能力。

針對(duì)預(yù)測(cè)日為雨天, 從2017年8月7日0時(shí)起, 利用3組模型對(duì)未來(lái)35 h的風(fēng)電場(chǎng)輸出功率進(jìn)行預(yù)測(cè), 預(yù)測(cè)對(duì)比曲線如圖8所示。

圖8 雨天發(fā)電功率預(yù)測(cè)對(duì)比曲線Fig.8 Comparison curve of powerforecast in rainy days

雨天的風(fēng)速等氣象條件頻繁劇烈變化, 導(dǎo)致風(fēng)力發(fā)電功率劇烈波動(dòng)產(chǎn)生多個(gè)尖峰, 可以看出在風(fēng)電場(chǎng)輸出功率激增時(shí), 多層GRU預(yù)測(cè)模型和Stacking融合模型表現(xiàn)更好, 這是因?yàn)閱螌拥腖STM對(duì)風(fēng)電場(chǎng)歷史序列的時(shí)序數(shù)據(jù)特征捕捉能力有限, 而多層的GRU模型的設(shè)計(jì)提升了時(shí)序特征模型的記憶和計(jì)算能力。此外因?yàn)镾tacking集成融合的模型能糾正單個(gè)模型的預(yù)測(cè)偏差, 因此其相比較單一的多層GRU模型預(yù)測(cè)準(zhǔn)確性更高。利用Stacking融合模型與其他模型的性能評(píng)估指標(biāo)如表3所示。

表3 雨天Stacking融合模型與其他模型的性能評(píng)估指標(biāo)

在雨天的35 h的預(yù)測(cè)中, Stacking融合預(yù)測(cè)模型的決定系數(shù)為0.96,此外, 筆者還將Stacking融合模型與XGBoost模型做了對(duì)比。XGBoost模型同樣屬于集成算法, 其本質(zhì)是利用Boosting算法集成多個(gè)相關(guān)聯(lián)的決策樹, 在利用兩種算法進(jìn)行預(yù)測(cè)時(shí), 選用預(yù)測(cè)日為2017年8月10日, 從14時(shí)起, 預(yù)測(cè)未來(lái)6 h的風(fēng)電場(chǎng)輸出功率變化情況, 預(yù)測(cè)誤差對(duì)比曲線如圖9所示。

圖9 Stacking融合模型與XGBoost模型預(yù)測(cè)誤差對(duì)比曲線Fig.9 Comparison curve of prediction error between Stacking fusion model and XGBoost model

由圖9可看出, Stacking融合模型的預(yù)測(cè)誤差更小, 性能相比傳統(tǒng)的XGBoost集成模型更優(yōu)秀。

綜合上面的幾組對(duì)比實(shí)驗(yàn)可見(jiàn), 在風(fēng)電場(chǎng)輸出功率比較平緩時(shí), 相比較于傳統(tǒng)的XGBoost、 單個(gè)單層LSTM模型、 單個(gè)多層GRU模型, Stacking融合模型預(yù)測(cè)精度略好于上述3種預(yù)測(cè)模型。但當(dāng)風(fēng)電場(chǎng)的輸出功率劇烈變化時(shí), Stacking融合模型預(yù)測(cè)效果有明顯的提升且穩(wěn)定性更好。從理論上可分析Stacking融合模型優(yōu)于其他模型的原因： 首先, 因?yàn)镾tacking融合模型能有效減小單一預(yù)測(cè)模型在處理未知樣本時(shí)泛化性能不佳的現(xiàn)象； 其次, 從模型的訓(xùn)練角度講, 采用梯度下降法進(jìn)行訓(xùn)練的神經(jīng)網(wǎng)絡(luò)容易收斂到誤差曲面的局部最優(yōu)點(diǎn), Stacking融合模型通過(guò)第2級(jí)GRU模型對(duì)第1級(jí)模型進(jìn)行結(jié)合, 能減少第1級(jí)模型中的單個(gè)模型優(yōu)化過(guò)程中陷入局部最優(yōu)點(diǎn)的風(fēng)險(xiǎn)。此外, 筆者采用的Stacking融合模型中第1級(jí)的3層GRU模型, 得益于其復(fù)雜的記憶網(wǎng)絡(luò), 能在更深層次對(duì)風(fēng)電場(chǎng)歷史數(shù)據(jù)進(jìn)行抽象表達(dá), 促進(jìn)模型對(duì)于高維時(shí)間序列特征的捕捉。

為進(jìn)一步驗(yàn)證Stacking融合模型預(yù)測(cè)的穩(wěn)定性, 筆者對(duì)該地區(qū)風(fēng)電場(chǎng)八月第1周的輸出功率進(jìn)行預(yù)測(cè), 結(jié)果如表4所示。

表4 一周內(nèi)5種模型預(yù)測(cè)誤差統(tǒng)計(jì)

與其他預(yù)測(cè)模型相比, 筆者所提出的Stacking融合模型一周內(nèi)所預(yù)測(cè)的平均絕對(duì)百分比誤差最小, 并且可以看出, 在一周的預(yù)測(cè)任務(wù)中其表現(xiàn)出了穩(wěn)定的預(yù)測(cè)能力。

此外, 為測(cè)試Stacking融合模型在不同月份預(yù)測(cè)效果的差異, 筆者選取了8月～12月下旬作為測(cè)試集, 進(jìn)行實(shí)驗(yàn)對(duì)比分析。表5給出了各個(gè)月份的風(fēng)資源變化情況以及Stacking融合模型預(yù)測(cè)的平均絕對(duì)百分比誤差指標(biāo)。

表5 8月～12月風(fēng)資源變化及Stacking融合模型的預(yù)測(cè)誤差指標(biāo)

在5個(gè)月的統(tǒng)計(jì)中可看出, Stacking融合模型表現(xiàn)出較為出色的預(yù)測(cè)能力。11月和12月相比較前3個(gè)月風(fēng)速更高, 風(fēng)電場(chǎng)所發(fā)出的功率也明顯變多。原因是本地風(fēng)速具有明顯的季節(jié)變化特征, 冬春季最大, 秋夏季最小。此外, 由于春冬兩季的風(fēng)功率波動(dòng)也更為頻繁且劇烈, 因此Stacking融合模型的平均絕對(duì)百分比誤差在11月、 12月的預(yù)測(cè)誤差略微高于前3個(gè)月。

4 結(jié) 語(yǔ)

筆者借鑒了深度學(xué)習(xí)領(lǐng)域中的前沿算法和技術(shù), 在深度學(xué)習(xí)的基礎(chǔ)上提出了基于Stacking融合多個(gè)不同GRU模型的風(fēng)電場(chǎng)短期功率預(yù)測(cè)方法, 第1級(jí)中3個(gè)多層GRU模型能深度提取風(fēng)電場(chǎng)歷史序列中的特征信息, 因此在風(fēng)電場(chǎng)輸出功率波動(dòng)比較大時(shí)有更好的預(yù)測(cè)能力, 第2級(jí)的GRU模型能糾正第1級(jí)模型的預(yù)測(cè)偏差, 使整個(gè)融合模型的預(yù)測(cè)泛化能力得以增強(qiáng)。筆者以寧夏太陽(yáng)山風(fēng)電場(chǎng)為例, 建立Stacking融合模型的短期風(fēng)電場(chǎng)功率預(yù)測(cè)模型, 仿真結(jié)果表明該模型有更好的預(yù)測(cè)精度。