楊靖萍,徐建平,李 峰

(1.國網浙江省電力有限公司金華供電公司,浙江 金華 321000;2.北京眾智新能科技有限公司,北京 100080)

0 引言

隨著全球氣候惡化和資源枯竭的日益嚴重,風能、太陽能等可再生能源得到了廣泛的重視,風能具有可再生、綠色清潔等優(yōu)勢,成為近年來中國發(fā)展最快的產業(yè)之一[1]。但是,風能具有高度間歇性、隨機性和波動性的特點,給電力的并網和調度帶來極大挑戰(zhàn)[23]。進行準確、可靠的風速預測是提高風電利用率、保障電網安全和穩(wěn)定的關鍵。

風速變化是多種因素共同造成的,但是,至今沒有一種固定的風速預測方法,因此,許多風速預測方法被提出并不斷改進和提高。目前國內外對風速預測的方法主要可以分為2種:物理方法和統(tǒng)計方法[4]。物理方法是基于物理特征數據進行預測的方法,最常用的是數值天氣預報方法(NWP)。文獻[5]提出了一種基于NWP的方法來預測極端情況下的風速,并用中國南海的數據進行驗證。物理方法有很好的預測性和可解釋性,但是計算復雜,不適合在短期風速預測中運用[6]。統(tǒng)計方法則是基于歷史數據建立過去和未來之間的關系來進行預測,建模簡單且能在短期風速預測中取得較高的預測精度,被廣泛用于短期風速預測[7]。文獻[8]用改進的自回歸移動平均模型(ARMA)進行風速預測,結果明顯優(yōu)于傳統(tǒng)的ARMA模型。隨著人工智能的發(fā)展和社會對預測要求的提高,神經網絡、數據預處理技術、優(yōu)化算法等逐漸被用在風速預測中,并且極大地提高了風速預測的準確性。文獻[9]將數據預處理技術和神經網絡結合,結果證實混合模型的預測效果優(yōu)于單個神經網絡,遠好于ARIMA等模型。文獻[10]利用帝國競爭優(yōu)化算法對支持向量機(SVM)的參數進行優(yōu)化,構造的混合模型的預測誤差遠小于未經優(yōu)化的SVM和其他神經網絡?；旌项A測方法在短期風速預測中具有顯著優(yōu)勢,因此本文利用混合預測模型對短期風速進行預測。

本文提出一個混合預測模型,首先用VMD算法對原始風速時間序列進行分解和重構,去除噪聲,再用MOPSO對ESN的參數進行優(yōu)化,使預測結果能夠同時滿足高準確性和穩(wěn)定性的要求。最后用時間間隔為10 min的風速數據對提出的混合模型VMD-MOPSO-ESN預測效果進行驗證。結果表明,本文提出的混合預測模型在短期風速預測中具有很好地預測表現,優(yōu)于對比模型。

1 理論基礎

1.1 變分模態(tài)分解

變分模態(tài)分解是K.Dragomiretskiy和D.zosso提出的一種基于模態(tài)分解和重構的數據預處理方法[11]。其中,VMD的原理可以表述如下:

a.利用Hilbert變化計算模態(tài)函數mn(s)的邊際譜,并求得單側頻譜;

b.混疊模態(tài)函數mn(s)對應的中心角頻率cn的指數項,調制各模態(tài)頻譜到基頻帶;

c.借助高斯平滑函數對數據進行解調,以此來確定每個模態(tài)分量的寬度。

可以轉化成求解有約束的變分問題,表示為:

式中:f(s)為原始數據;mn為分解后的模態(tài)分量;cn為中心角頻率;*為卷積。

1.2 多目標粒子群優(yōu)化

多目標粒子群優(yōu)化是在單目標粒子群優(yōu)化(PSO)的基礎上,同時滿足多個約束條件實現多個優(yōu)化目標的方法。

1.2.1 粒子群優(yōu)化算法

PSO是一種模擬鳥類導航和覓食行為的隨機進化算法,是Kennedy等人在2002年首次提出[12]。PSO算法的原理可以表示如下。

a.在D維空間中創(chuàng)建n個粒子,粒子i的速度和位置可表示為:

b.計算目標函數,確定最佳函數值以及對應的粒子的最佳位置。

c.根據步驟b,更新粒子速度和位置,假設Xgbest和Xibest表示空間中所有粒子的最佳位置和粒子i的最佳位置,粒子速度和位置更新可表示如下:

式中:和為粒子在第t次迭代后的速度和位置;c1和c2為加速因子;r1和r2為[0,1]內的隨機數。

d.重復進行步驟b和c,直到找到最優(yōu)解。

1.2.2 多目標粒子群優(yōu)化算法

同時實現多個目標的最優(yōu)化問題就是多目標優(yōu)化,可以表示成:

通常情況下,多個目標之間會存在沖突,所以沒有同時讓所有目標達到最優(yōu)的解,多目標優(yōu)化最后得到是帕累托解。

Coello等人首先提出MOPSO算法[13],現在MOPSO已經被用在各個領域解決多目標優(yōu)化問題,MOPSO算法的一般步驟為:

a.初始化粒子群,設置粒子的個數、速度、位置等,設定初始權重系數、加速因子等參數;

b.計算粒子的適應度,并找到外部存檔集;

c.確定最優(yōu)粒子,并更新粒子的速度和位置;

d.產生新的非支配解并與之前的進行比較,更新非支配解和外部存檔集,計算粒子的適應度;

e.判斷有沒有完成所有迭代,如果完成,則結束運行,獲得結果,如果沒有完成,則返回步驟c繼續(xù)運行,直到完成所有迭代。

1.3 回聲狀態(tài)神經網絡

回聲狀態(tài)神經網絡是Jaeper(2001)提出的由輸入層、動態(tài)儲備池和輸出層組成的網絡[14]。其中,ESN的隱含層是由大量隨機稀疏連接的神經元組成,具有短時記憶功能[15]。t時刻ESN的輸入層、儲備池和輸出層可以表示如下:

金安區(qū)各部分地形不一，變化較大，總體呈現南高北低的狀態(tài)。不同的地形部位對日照時數、溫濕度和太陽輻射強度均有影響。

儲備池內部的連接方程,即狀態(tài)更新方程為:

儲備池與輸出層的連接方程,即輸出方程為:

式中:f為儲備池內部的激活函數;fout為輸出層激活函數;W為儲備池內部神經元之間的權值;Win為輸入層與儲備池之間的權值;Wout為儲備池到輸出層的權值;Wback為輸出層到儲備池的權值。

2 短期風速預測模型

2.1 模型建立

本文建立的混合預測模型VMD-MOPSOESN的建立過程可總結為。

a.數據預處理:VMD算法把10 min風速序列進行分解,生成若干個子序列,篩選去掉無用信息,將剩下的子序列進行合并。對合并后的數據進行數據集劃分,把數據按4∶1的比例構造成訓練集和測試集,用歸一化方法對數據進行標準化,使之都集中在[0,1]之間。

b.多目標優(yōu)化:為了提高ESN預測的準確性和可靠性,用MOPSO對ESN的參數進行優(yōu)化,對ESN的儲備池規(guī)模、連接率和譜半徑進行優(yōu)化,設置的2個優(yōu)化目標分別表征預測準確性和穩(wěn)定性,表示如下

式中:為第i次迭代產生的預測值;fi為對應的真實值;n為迭代次數。每一次迭代都可以計算得到2個適應度函數,通過不斷更新迭代,找到最小的目標函數值,保留此時的參數即為所求的最優(yōu)參數。用優(yōu)化結果對ESN參數進行更新,用于風速預測能夠確保預測結果的準確性和穩(wěn)定性。

c.數據預測:先用訓練數據對ESN進行訓練,通過多目標優(yōu)化找到最優(yōu)參數,再用最優(yōu)參數下的ESN對測試數據進行預測,得到預測值,用評價指標對預測結果進行評估。

2.2 模型特點

本文提出的混合預測模型結合多種方法的優(yōu)勢,VMD有效提取原始數據中的有效信息,減小噪聲干擾;ESN能夠大大提高運算效率,縮短運算時間;MOGWO尋找最優(yōu)ESN參數,同時提高預測的準確性和穩(wěn)定性?；旌喜呗越Y合3種方法優(yōu)勢,大大提高預測性能。但是相對于單個模型,混合模型預測能力增強的同時計算復雜度也隨之加大。

3 實例分析

3.1 數據描述

為了驗證提出的混合模型在短期風速預測中的優(yōu)秀表現,本文選擇浙江省東白山風電場的風速數據(時間間隔為10 min)進行實驗驗證。共選擇2 880個數據,按4∶1的比例劃分訓練集和測試集。數據的統(tǒng)計特征可表示為表1,圖1是風速數據變化,由圖1可以發(fā)現風速數據不穩(wěn)定且是非線性的。

表1 實驗數據統(tǒng)計 m/s

圖1 10 min風速數據變化

3.2 評價指標

為了對模型的預測效果進行科學全面的評價,本文基于5個指標進行評估。平均誤差AE和均方根誤差RMSE是評估模型預測誤差的指標,指標的值越小表示預測誤差越小;平均絕對百分誤差MAPE是對預測效果的表征,數值越小,預測效果越好;皮爾森相關系數r和協(xié)議指數指標IA是對預測值和真實值之間關系的衡量,r越接近1,真實值與預測值的相關性越強,IA越大,預測值越接近真實值。

3.3 結果分析

為了驗證提出的混合模型在短期風速預測中的良好性能,本文分別用VMD-MOPSO-ESN,MOPSO-ESN,ESN,ELM,BPNN和ENN模型對同一組風速數據進行預測,對預測結果進行比較分析。為了使預測結果更加可靠,對所有模型分別進行50次實驗,最后結果取50次實驗的平均值。實驗結果如表2所示。

表2 風速預測評價實驗結果

從實驗結果可以看到,提出的混合模型VMD-MOPSO-ESN在短期風速預測中具有明顯優(yōu)勢,其次是優(yōu)化后的模型MOPSO-ESN,并且二者遠好于單一的神經網絡模型。從表2可以看出,VMD-MOPSO-ESN的MAPE為3.882%小于MOPSO-ESN的MAPE值4.247%,說明VMD能夠有效提取數據中的有效信息,減輕噪聲干擾;ESN的MAPE值為6.22%,大于MOPSOESN的MAPE值,IA指標也具有相同的規(guī)律,說明優(yōu)化算法可以幫助達到更好的預測效果。對于單個神經網絡模型,ESN預測最準確,BPNN效果最差,但各個單個模型之間差不大。

4 結論

準確可靠的短期風速預測對保障電力系統(tǒng)穩(wěn)定和安全,促進可再生能源開發(fā)利用具有重要意義。本文在數據預處理和多目標優(yōu)化的基礎上提出混合模型VMD-MOPSO-ESN對10 min風速數據進行預測。VMD把原始風速數據分解成若干個子序列,提取有用信息并重組成新的序列,MOPSO對ESN的參數進行優(yōu)化,構造最優(yōu)的神經網絡進行風速預測。通過實驗可以證明,本文提出的混合模型能夠發(fā)揮數據預處理和優(yōu)化算法的優(yōu)勢提高預測能力,在短期風速預測上具有良好表現。