收稿日期：2022-04-26

基金項(xiàng)目：新疆維吾爾自治區(qū)自然科學(xué)基金（2019D01C079）

通信作者：高丙朋（1979—），男，博士、副教授，主要從事新能源供熱控制系統(tǒng)優(yōu)化方面的研究。155258792@qq.com

DOI：10.19912/j.0254-0096.tynxb.2022-0581 文章編號(hào)：0254-0096（2023）08-0292-09

摘 要：針對(duì)光伏發(fā)電系統(tǒng)預(yù)測(cè)精度不高等問(wèn)題，建立以門(mén)控循環(huán)單元（GRU）為基礎(chǔ)的預(yù)測(cè)模型。使用社交網(wǎng)絡(luò)搜索算法（social network search）和注意力機(jī)制（attention）相結(jié)合對(duì)構(gòu)建的門(mén)控循環(huán)單元進(jìn)行參數(shù)優(yōu)化，采用K-均值對(duì)天氣類(lèi)型進(jìn)行劃分，提出材料生成算法（material generation）對(duì)變分模態(tài)分解中的模態(tài)分解數(shù)量和懲罰因子進(jìn)行尋優(yōu)來(lái)確定最佳組合，實(shí)現(xiàn)對(duì)初始數(shù)據(jù)的分解操作。利用社交網(wǎng)絡(luò)搜索算法超參數(shù)優(yōu)化后的門(mén)控循環(huán)單元對(duì)時(shí)序特征進(jìn)行提取，引入注意力機(jī)制對(duì)時(shí)序輸入中重要信息的關(guān)注進(jìn)行加強(qiáng)。選用新疆某光伏電站2021年運(yùn)行數(shù)據(jù)進(jìn)行分析，仿真結(jié)果表明：所提出的MGA-VMD-SNS-Attention-GRU預(yù)測(cè)模型能有效提升光伏輸出功率預(yù)測(cè)精度。與SVR、Elman模型相比，平均MAPE分別降低8.14%和8.59%。

關(guān)鍵詞：光伏發(fā)電；功率預(yù)測(cè)；門(mén)控循環(huán)單元；變分模態(tài)分解；注意力機(jī)制

中圖分類(lèi)號(hào)：TM615"""""""""""""""""""""""" 文獻(xiàn)標(biāo)志碼：A

0 引 言

中國(guó)為發(fā)展低碳經(jīng)濟(jì)于“十四五”開(kāi)局之年提出“碳達(dá)峰”和“碳中和”目標(biāo)，雙碳目標(biāo)的提出意味著以光伏發(fā)電為主的可再生能源將面臨新的發(fā)展及機(jī)遇［1］。然而，由于光伏出力的隨機(jī)波動(dòng)性和難預(yù)測(cè)性對(duì)并網(wǎng)后的電力系統(tǒng)安全穩(wěn)定運(yùn)行造成威脅［2］。因而，準(zhǔn)確的光伏功率預(yù)測(cè)對(duì)系統(tǒng)的穩(wěn)定運(yùn)行就顯得尤為重要［3］。

隨著預(yù)測(cè)研究的不斷探索，國(guó)內(nèi)外在光伏預(yù)測(cè)領(lǐng)域都已取得一定的成果。光伏功率預(yù)測(cè)按預(yù)測(cè)方法一般分為兩類(lèi)，第一類(lèi)是通過(guò)預(yù)測(cè)輻照度進(jìn)而預(yù)測(cè)功率或基于物理模型進(jìn)行功率預(yù)測(cè)的間接法，第二類(lèi)是基于歷史功率數(shù)據(jù)及氣象信息建立預(yù)測(cè)模型的直接法。間接法由于其復(fù)雜性和實(shí)際應(yīng)用難，從而使用較少，相比之下利用人工智能技術(shù)對(duì)光伏功率直接預(yù)測(cè)的方法正在被廣泛應(yīng)用。傳統(tǒng)的直接預(yù)測(cè)方法有神經(jīng)網(wǎng)絡(luò)［4］、支持向量機(jī)［5］、深度置信網(wǎng)絡(luò)［6］、時(shí)間序列法［7］等。文獻(xiàn)［8］提出改進(jìn)Elman網(wǎng)絡(luò)對(duì)光伏功率進(jìn)行預(yù)測(cè)。為增強(qiáng)神經(jīng)網(wǎng)絡(luò)性能，文獻(xiàn)［9］對(duì)粒子群算法進(jìn)行改進(jìn)優(yōu)化Elman參數(shù)，使預(yù)測(cè)精度得到提升。針對(duì)光伏功率變化非平穩(wěn)性非線(xiàn)性特點(diǎn)，可采用數(shù)據(jù)分解有效降低功率序列的非平穩(wěn)性。文獻(xiàn)［10］通過(guò)EMD算法對(duì)功率進(jìn)行分解，降低數(shù)據(jù)波動(dòng)性，但易出現(xiàn)模態(tài)混疊的問(wèn)題。文獻(xiàn)［11-12］利用變分模態(tài)分（variational mode decomposition，VMD），解相比于EMD能有效降低在特征提取階段中模態(tài)混疊的情況。文獻(xiàn)［13］利用變分模態(tài)分解對(duì)信號(hào)進(jìn)行分解，但算法中兩個(gè)參數(shù)需人為確定，難取到最優(yōu)解，所以需優(yōu)化算法的尋優(yōu)。近年隨著深度學(xué)習(xí)方法的發(fā)展，多種深度學(xué)習(xí)模型也應(yīng)用在預(yù)測(cè)領(lǐng)域。文獻(xiàn)［14-17］采用深度學(xué)習(xí)模型中長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)和門(mén)控循環(huán)單元對(duì)功率進(jìn)行預(yù)測(cè)，得到較好效果，但對(duì)較為重要的信息缺乏關(guān)注。文獻(xiàn)［18］使用麻雀算法對(duì)GRU中的超參數(shù)進(jìn)行尋優(yōu)，避免人工選取的不確定性?？山柚⒁饬C(jī)制通過(guò)重分配輸入權(quán)重，突出有效信息特征，使得在長(zhǎng)時(shí)間序列訓(xùn)練中不會(huì)被影響［19］。

本文將針對(duì)變分模態(tài)分解參數(shù)難以確定的問(wèn)題，采用材料生成算法［20］對(duì)參數(shù)進(jìn)行優(yōu)化，在GRU神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上引入注意力機(jī)制，并使用社交網(wǎng)絡(luò)搜索算法［21］對(duì)門(mén)控循環(huán)單元的多個(gè)參數(shù)進(jìn)行尋優(yōu)，從而構(gòu)建MGA-VMD-SNS-Attention-GRU光伏功率預(yù)測(cè)模型，在與多個(gè)經(jīng)典預(yù)測(cè)模型實(shí)驗(yàn)對(duì)比后，得出本文所提出方法的預(yù)測(cè)精度明顯更高。

1 數(shù)據(jù)處理

1.1 K-均值聚類(lèi)分析

光伏電站發(fā)電功率與天氣情況有極大的聯(lián)系，K-均值算法可利用天氣數(shù)據(jù)間的相似性將天氣類(lèi)型進(jìn)行聚類(lèi)劃分，提取均值、標(biāo)準(zhǔn)差、峰度、偏度、變異系數(shù)構(gòu)成特征矩陣，形成具有一定規(guī)律性的訓(xùn)練樣本。其計(jì)算步驟如下：

1）由于將天氣類(lèi)型劃分為3類(lèi)（晴天、多云、雨天），所以對(duì)算法中聚類(lèi)的簇?cái)?shù)[k]設(shè)定為3。在樣本集中選定3個(gè)樣本作為初始的聚類(lèi)中心點(diǎn)。

2）計(jì)算其他樣本與聚類(lèi)中心點(diǎn)的歐式距離，然后將該點(diǎn)劃分在其中心點(diǎn)所在簇中。

3）重新計(jì)算簇心，作為下一次聚類(lèi)中心點(diǎn)。

4）重復(fù)步驟2）～步驟3），當(dāng)樣本點(diǎn)不再發(fā)生變化或達(dá)到最大迭代次數(shù)則終止。

1.2 變分模態(tài)分解

VMD是一種自適應(yīng)、完全非遞歸的模態(tài)變分和信號(hào)分解技術(shù)。將原始非平穩(wěn)信號(hào)分解為數(shù)個(gè)分布在中心頻率帶寬的模態(tài)分量，分解后的信號(hào)更平穩(wěn)，能使網(wǎng)絡(luò)更好地把握變化特征。其約束變分模型為：

[minuk，ωkk=1K?tδt+jπtukte-jωkt22s.t. k=1Kuk=f，" k=1，2， …， K]""" （1）

式中：[uk=u1，u2，…，uk]——VMD分解得到的[k]個(gè)[IMF]分量；[ωk=ω1，ω2，…，ωk]——[k]個(gè)[IMF]分量的中心頻率；[K]——分解總數(shù)；[δt]——狄拉克分布。

通過(guò)引入懲罰因子[α]和拉格朗日算子[λ]將約束變分優(yōu)化模型式（2）利用交替方向乘子算法不斷地更新，求解出[k]個(gè)模態(tài)分解為止。

[Luk，ωk，λ=αk=1K?tδt+jπtukte-jωkt22+"""""""""""""""""""""""""""""" xt-k=1Kukt22+λt， ft-k=1Kukt]"""""" （2）

在算法模型中，模態(tài)分解數(shù)量[k]和懲罰因子α決定著分解的性能。分解的數(shù)量較多或較少會(huì)出現(xiàn)過(guò)分解或欠分解的情況，懲罰因子設(shè)置不合理時(shí)，[IMF]分量無(wú)法處在合適帶寬。因此，本文提出采用材料生成算法優(yōu)化確定變分模態(tài)分解算法參數(shù)組合。

1.3 材料生成算法

材料生成算法是2021年提出的一種元啟發(fā)式優(yōu)化算法，算法主要概念是基于化學(xué)原理，即借助在材料生成過(guò)程中不同物質(zhì)相互融合的能力，從而生成具有更高功能性更高能量水平的新材料。在此算法中，依靠材料化學(xué)的3個(gè)概念（化合物、化合反應(yīng)、化學(xué)穩(wěn)定性），完成優(yōu)化工作。針對(duì)主要概念進(jìn)行數(shù)學(xué)模型表達(dá)。

1.3.1 候選解矩陣的構(gòu)建

[M1M2?Mi?Mn=P11P21…Pj1…Pd1P12P22…Pj2…Pd2??????P1iP2i…Pji…Pdi??????P1nP2n…Pjn…Pdni=1，2，…，nj=1，2，…，d]"""""" （3）

式中：[M]——候選解矩陣；[P]——候選解；[d]——每種材料中元素的數(shù)量；[n]——候選解決方案的材料數(shù)量。

1.3.2 化合物

對(duì)每個(gè)[P]使用連續(xù)概率分布來(lái)配置化合物，該化合物被視為新的[P]。

[Pknew=Pr1r2±e-，k=1，2，…，d] （4）

式中：[Pr1r2]——[M]中隨機(jī)選擇的[P]；[r1]和[r2]——[1，n]和[1，d]區(qū)間內(nèi)均勻分布隨機(jī)整數(shù)；[e-]——數(shù)學(xué)模型中用正態(tài)高斯分布表示的模擬電子丟失、獲得或共享過(guò)程的概率分量。[Pknew]為新材料，將其作為新的備選方案[Mnew1]：

[Mnew1=P1newP2new…Pknew…Pdnew]"""""" （5）

隨機(jī)選擇初始元素[Pr1r2]的概率如下：

[fPknewμ，σ2=12πσ2?e-x-μ22σ2]" （6）

式中：[μ]——隨機(jī)[PPr1r2]平均值、中值或期望；[σ]——標(biāo)準(zhǔn)差；[σ2]——方差；[e]——自然基。

1.3.3 化學(xué)反應(yīng)模型

確定一個(gè)與初始材料數(shù)量有關(guān)的隨機(jī)正整數(shù)[l]，然后生成[l]個(gè)隨機(jī)正整數(shù)[mj]以選定材料具體位置，以及計(jì)算不同材料參與不同反應(yīng)過(guò)程中的參與因子[v]。

[Mnew2=m=1lvm?Mmm=1lvm，" j=1，2，…，l] （7）

式中：[Mnew2]——產(chǎn)生的新材料；[vm]——第[m]個(gè)材料的高斯分布；[Mm]——初始[M]中隨機(jī)選擇第[m]個(gè)材料。

1.3.4 化學(xué)穩(wěn)定性

材料穩(wěn)定性由質(zhì)量確定，穩(wěn)定性最高和最低的材料等同于候選方案中的最佳和最差適應(yīng)值。

[M=M1M2?Mi?MnMnew1Mnew2，" i=1，2，…，n]" （8）

將較差適應(yīng)度初始材料替換為較優(yōu)適應(yīng)度新材料。

1.4 材料生成算法優(yōu)化VMD

鑒于材料生成算法在多項(xiàng)基準(zhǔn)測(cè)試中取得優(yōu)異成績(jī)的表現(xiàn)，將其應(yīng)用于對(duì)VMD中模態(tài)分解數(shù)量和懲罰因子的尋優(yōu)，具體步驟如下：

1）確定算法參數(shù)，初始化材料位置及適應(yīng)度函數(shù)。

2）計(jì)算初始材料的適應(yīng)度。

3）根據(jù)化合物概念式（4）生成新材料，根據(jù)化學(xué)反應(yīng)概念式（7）生成新材料。

4）根據(jù)化學(xué)穩(wěn)定性概念計(jì)算新材料適應(yīng)度值。

5）將適應(yīng)度優(yōu)的新材料對(duì)舊材料進(jìn)行替換，生成新的候選解矩陣。

6）重復(fù)步驟3）～步驟5），直到滿(mǎn)足終止標(biāo)準(zhǔn)，從而確定最優(yōu)參數(shù)組合。

2 參數(shù)優(yōu)化的GRU

2.1 社交網(wǎng)絡(luò)搜索算法

社交網(wǎng)絡(luò)搜索算法（SNS）是2021年提出的一種模擬人類(lèi)作為社交網(wǎng)絡(luò)用戶(hù)在表達(dá)意見(jiàn)時(shí)的決策模式，每個(gè)用戶(hù)在網(wǎng)絡(luò)上分享自己的想法來(lái)影響其他用戶(hù)的觀點(diǎn)，從而獲得更多關(guān)注的模型。有4種決策模式，包括模仿、對(duì)話(huà)、爭(zhēng)論、創(chuàng)新。4種決策模式皆為社交網(wǎng)絡(luò)中用戶(hù)的真實(shí)行為，并模擬用戶(hù)如何受到影響，以及如何激勵(lì)用戶(hù)分享新觀點(diǎn)。4種行為的數(shù)學(xué)表達(dá)為：

2.1.1 行為1：模仿

模仿意味著其他用戶(hù)的觀點(diǎn)有吸引力，并產(chǎn)生模仿行為，在這種模式下新的解決方案是根據(jù)模仿空間生成的，該空間由沖擊半徑[R]和人氣半徑[r]創(chuàng)建。

[Xinew=Xj+rand-1，1×RR=rand0，1×r，r=Xj-Xi] （9）

式中：[Xj]、[Xi]——隨機(jī)選擇的第[j]、[i]個(gè)用戶(hù)的向量[i≠j]。

2.1.2 行為2：對(duì)話(huà)

在社交網(wǎng)絡(luò)中，用戶(hù)之間交流并根據(jù)自己的喜好從對(duì)話(huà)中獲益。在這種行為下，用戶(hù)相互學(xué)習(xí)并在討論中得出新的觀點(diǎn)。

[Xinew=Xk+GG=rand0，1×D， D=signfi-fj×Xj-Xi]""" （10）

式中：[Xk]、[Xi]——兩個(gè)隨機(jī)向量[i≠j≠k]；[G]——聊天的效果；[D]——用戶(hù)之間觀點(diǎn)的差異；[sign]——功能符號(hào)，用來(lái)確定移動(dòng)的位置；[fi]、[fj]——[Xi]和[Xj]的目標(biāo)函數(shù)。

2.1.3 行為3：爭(zhēng)論

用戶(hù)對(duì)事件解釋自己的看法，并對(duì)自己的看法進(jìn)行辯護(hù)。在這種情形下用戶(hù)會(huì)看到其他人的觀點(diǎn)并可能被影響。[Nr]決定參與爭(zhēng)論的用戶(hù)的數(shù)量。

[Xinew=Xi+rand0，1×M-A×XiM=tNrXtNr， A=1+roundrand]"" （11）

式中：[Nr]——介于1和[Nuser]（總體大?。┲g的正整數(shù)；[A]——允許因子，表示用戶(hù)在爭(zhēng)論時(shí)是否堅(jiān)持自己的觀點(diǎn)；[round]——取整。

2.1.4 行為4：創(chuàng)新

用戶(hù)在網(wǎng)絡(luò)上分享新想法，對(duì)于事件改變其中的一個(gè)觀點(diǎn)，主體的概念可能也會(huì)發(fā)生變化，從而實(shí)現(xiàn)新的觀點(diǎn)。

[Xinew=x1，x2，…，xdinew，…，xSxdinew=t×xdj+1-t×ndnew， ndnew=ld+rand1×ud+ldt=rand2]""""" （12）

式中：S——問(wèn)題變量的數(shù)量；[xdj]——另一個(gè)用戶(hù)；[ndnew]——所選維度的新想法；[ud]、[ld]——第[d]變量的最大值和最小值；[rand1]、[rand2]——區(qū)間［0，1］中的隨機(jī)數(shù)。

2.2 注意力機(jī)制

對(duì)于長(zhǎng)時(shí)間序列數(shù)據(jù)，在使用循環(huán)神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中，難免會(huì)隨時(shí)間的推移導(dǎo)致較早時(shí)間信息的神經(jīng)元狀態(tài)所占權(quán)重越來(lái)越小，使網(wǎng)絡(luò)也難以提取較早時(shí)間信息的特征，從而導(dǎo)致信息遺忘。而注意力機(jī)制是通過(guò)借鑒人腦注意力模式，使關(guān)鍵信息的注意程度得以加強(qiáng)來(lái)提升關(guān)鍵信息對(duì)網(wǎng)絡(luò)訓(xùn)練的貢獻(xiàn)，從而提高訓(xùn)練精度。注意力機(jī)制通過(guò)對(duì)輸入的模型特征賦予不同的權(quán)重，突出更關(guān)鍵的影響因素，幫助模型做出更準(zhǔn)確的判斷。注意力機(jī)制結(jié)構(gòu)如圖1所示。

圖1中[x1，x2，…，xt]為輸入，[h1，h2，…，ht]為輸入對(duì)應(yīng)的隱藏層狀態(tài)，[wt]為權(quán)重序列，[st]為最終輸出的狀態(tài)，[ct]為中間向量。

注意力機(jī)制數(shù)學(xué)原理為：

[ui=VTutanhWuhi+Uuhi]""""" （13）

[αi=softmaxui=expuii=1nexpui， i=1nαi=1]""""" （14）

[C=i=1nαihi] （15）

式中：[ui]——注意力概率分布值；[U]、[V]、[W]——權(quán)重系數(shù)；[αi]——當(dāng)前注意力權(quán)重矩陣；[C]——中間向量矩陣。

2.3 門(mén)控循環(huán)單元

門(mén)控循環(huán)單元（GRU）神經(jīng)網(wǎng)絡(luò)由Cho Kyunghyun等于2014年提出。作為長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）的變體，在保留了LSTM輸入數(shù)據(jù)長(zhǎng)時(shí)間記憶能力的同時(shí)解決了RNN長(zhǎng)序列訓(xùn)練過(guò)程中存在梯度消失和梯度爆炸的問(wèn)題。通過(guò)將遺忘門(mén)與輸入門(mén)組合為更新門(mén)，將輸出單元與單元狀態(tài)合并為一個(gè)狀態(tài)參數(shù)，從而相比于LSTM有如下優(yōu)點(diǎn)：模型參數(shù)減少，降低過(guò)擬合現(xiàn)象的發(fā)生，減少運(yùn)算時(shí)間，提升運(yùn)算效率。GRU網(wǎng)絡(luò)結(jié)構(gòu)圖如圖2所示。

GRU計(jì)算流程為：

[rt=σWrxt+Urht-1]""""" （16）

[zt=σWzxt+Uzht-1]"""" （17）

[ht=tanhWhxt+r1?Uhht-1]"""" （18）

[ht=zt?ht+1-zt?ht-1]"""""" （19）

式中：[rt]——重置門(mén)值；[σ]——Sigmoid函數(shù)將輸出置于［0，1］；[Wr、][Ur、][Wz、][Uz、][Wh、][Uh]——可訓(xùn)練的參數(shù)向量；[zt]——更新門(mén)值；[ht]——輸入與上層值[xt]的和；[ht]——隱藏層輸出。

2.4 社交網(wǎng)絡(luò)搜索算法優(yōu)化GRU

社交網(wǎng)絡(luò)搜索算法結(jié)構(gòu)簡(jiǎn)單，設(shè)置參數(shù)少，能充分考慮到每個(gè)個(gè)體的相互聯(lián)系，由于其強(qiáng)隨機(jī)性，所以能具有更好的種群多樣性，將其應(yīng)用于對(duì)門(mén)控循環(huán)單元中多個(gè)超參數(shù)進(jìn)行尋優(yōu)，具體步驟如下：

1）確定算法參數(shù)，初始化用戶(hù)設(shè)置及適應(yīng)度函數(shù)。

2）計(jì)算每個(gè)網(wǎng)絡(luò)用戶(hù)觀點(diǎn)的適應(yīng)度。

3）網(wǎng)絡(luò)用戶(hù)根據(jù)式（9）～式（12）隨機(jī)選擇一種行為更新觀點(diǎn)。

4）根據(jù)懲罰函數(shù)限制新觀點(diǎn)。

5）計(jì)算此用戶(hù)行為下新觀點(diǎn)的適應(yīng)度。

6）用戶(hù)新觀點(diǎn)優(yōu)于舊觀點(diǎn)適應(yīng)度時(shí)，用新觀點(diǎn)將其替換。

7）重復(fù)步驟3）～步驟6），直到滿(mǎn)足終止標(biāo)準(zhǔn)，從而確定最優(yōu)參數(shù)組合。

3 預(yù)測(cè)模型

由于各種因素產(chǎn)生的數(shù)據(jù)缺失、異常情況均采用前后時(shí)刻均值處理，通過(guò)K-均值算法將所有數(shù)據(jù)分為晴天、多云、雨天3類(lèi)。分別將3種天氣類(lèi)型的功率數(shù)據(jù)使用MGA-VMD算法進(jìn)行數(shù)據(jù)分解。然后建立SNS-Attention-GRU深度神經(jīng)網(wǎng)絡(luò)，將溫度、輻照度等數(shù)據(jù)作為輸入，將分解后的功率數(shù)據(jù)分別作為輸出進(jìn)行預(yù)測(cè)，將分解的分量預(yù)測(cè)值進(jìn)行疊加得到預(yù)測(cè)結(jié)果并進(jìn)行評(píng)價(jià)。預(yù)測(cè)模型流程如圖3所示。

4 算例分析

本文選用新疆某20 MW光伏電站的數(shù)據(jù)為研究對(duì)象來(lái)驗(yàn)證本文模型準(zhǔn)確性，選取2021年3月1日—2021年10月31日的氣象數(shù)據(jù)及功率數(shù)據(jù)，其中氣象數(shù)據(jù)包括溫度、總輻射、相對(duì)濕度等6組數(shù)據(jù)。選取時(shí)間為09：00—20：00，時(shí)間間隔為15 min。

4.1 數(shù)據(jù)集及數(shù)據(jù)預(yù)處理

選取前80%的數(shù)據(jù)作為訓(xùn)練樣本，選取后20%的數(shù)據(jù)為測(cè)試樣本。由于各數(shù)據(jù)之間量綱不同，所以對(duì)數(shù)據(jù)采用式（20）進(jìn)行歸一化處理。

[X*=X-XminXmax-Xmin]""" （20）

4.2 評(píng)價(jià)指標(biāo)

本文采用平均絕對(duì)誤差（[MAE]）、平均平方根誤差（[RMSE]）和平均絕對(duì)誤差率（[MAPE]） 3種指標(biāo)對(duì)模型的效果進(jìn)行評(píng)價(jià)，其計(jì)算公式分別為：

[eMAE=1ni=1nyi-yi]"""" （21）

[eRMSE=1ni=1nyi-yi2] （22）

[eMAPE=100%ni=1nyi-yiyi]"""""" （23）

式中：[n]——預(yù)測(cè)結(jié)果的數(shù)目；[yi]——實(shí)際值；[yi]——模型預(yù)測(cè)值。

為驗(yàn)證本文提出模型，將另選6組預(yù)測(cè)模型進(jìn)行誤差對(duì)比分析。

4.3 參數(shù)優(yōu)化結(jié)果

對(duì)MGA參數(shù)設(shè)置如下：材料數(shù)量為10；最大迭代次數(shù)為20；設(shè)置變量數(shù)量為2；[α]搜索范圍為［100，3000］；[k]搜索范圍為［3，10］，以樣本熵作為適應(yīng)度函數(shù)。優(yōu)化后確定[k、α]最佳參數(shù)組合為［7，2000］。

對(duì)SNS參數(shù)設(shè)置如下：用戶(hù)數(shù)量為10；最大迭代次數(shù)為10；對(duì)學(xué)習(xí)率[l]、輸入批量[b]、訓(xùn)練次數(shù)[k]、隱含層節(jié)點(diǎn)數(shù)量[m]進(jìn)行尋優(yōu)。[l]、[b]、[k]、[m]搜索范圍分別為［10-4，10-2］、［64，256］、［10，200］、［1，100］，以最小均方差作為適應(yīng)度函數(shù)。優(yōu)化結(jié)果如表1所示。

4.4 天氣聚類(lèi)及數(shù)據(jù)分解

利用K-均值算法對(duì)數(shù)據(jù)進(jìn)行聚類(lèi)，得到晴天類(lèi)型111天、多云類(lèi)型71天、雨天類(lèi)型49天。圖4分別為對(duì)3種天氣類(lèi)型下使用MGA-VMD算法分解得到的功率分量，并由低頻至高頻進(jìn)行排列。各功率分量將作為預(yù)測(cè)模型中的輸出序列，其對(duì)應(yīng)的天氣數(shù)據(jù)作為預(yù)測(cè)模型的輸入序列，分別預(yù)測(cè)后進(jìn)行疊加得到預(yù)測(cè)結(jié)果。

4.5 結(jié)果分析

針對(duì)數(shù)據(jù)集中晴天、多云、雨天3種天氣情況，設(shè)置BP神經(jīng)網(wǎng)絡(luò)、GRU、Attention-GRU、SNS-Attention-GRU、MGA-VMD-SNS-Attention-GRU這5種預(yù)測(cè)模型在保持參數(shù)不變的情況下進(jìn)行對(duì)比來(lái)驗(yàn)證本文提出模型的有效性，并對(duì)每種天氣類(lèi)型選取3天進(jìn)行可視化分析，如圖5～圖7所示。

由圖5可看出，晴天輻射較強(qiáng)，輸出功率普遍較大且波動(dòng)較平緩，各預(yù)測(cè)模型的預(yù)測(cè)效果都較好，與真實(shí)值相差不大，晴天條件下輸出功率易被預(yù)測(cè)，有利于電力調(diào)度部門(mén)制定調(diào)度計(jì)劃。

圖6所示的多云條件整體功率較高，但由于云層不斷變化導(dǎo)致輻照度也隨之大幅變化，從而功率變化劇烈，預(yù)測(cè)精度降低，但本文所提模型優(yōu)于其他模型，在實(shí)際中調(diào)度部門(mén)可根據(jù)預(yù)測(cè)結(jié)果制定合適調(diào)度計(jì)劃以最大化光伏發(fā)電利用效率。

圖7是在雨天條件下，在此條件下整體功率都較低且變化更劇烈，所有模型預(yù)測(cè)精度對(duì)比晴天都大為降低，本文所提模型能在突變時(shí)刻較好地預(yù)測(cè)變化趨勢(shì)，預(yù)測(cè)功率值還有所差距，但效果仍?xún)?yōu)于對(duì)比模型，在此條件下平均功率低，功率變化劇烈導(dǎo)致調(diào)度部門(mén)難以制定調(diào)度計(jì)劃，電站可根據(jù)預(yù)測(cè)結(jié)果自行消納或結(jié)合當(dāng)?shù)匦枨蠛侠砉┠堋?/p>

利用3種評(píng)價(jià)指標(biāo)[MAPE]、[RMSE]、[MAE]對(duì)3種天氣類(lèi)型下BP、SVR、Elman、GRU、Attention-GRU、SNS-Attention-GRU、MGA-VMD-SNS-Attention-GRU預(yù)測(cè)模型預(yù)測(cè)效果，計(jì)算誤差得出評(píng)價(jià)結(jié)果如表2所示。

由表2可知在晴天條件下預(yù)測(cè)效果都較好，但本文模型相比于BP、GRU、Attention-CRU、SNS-Attention-GRU這4種對(duì)比模型，[MAPE]分別減少3.55%、3.27%、2.46%、0.94%；[MAE]分別減少4.51、3.58、2.76、1.17 MW；[RMSE]分別減少4.57、3.50、2.63、1.03 MW。同樣在另兩種天氣條件下，雖然功率預(yù)測(cè)誤差各不相同，但在同樣數(shù)據(jù)下本文提出模型對(duì)比其他模型均有較好的預(yù)測(cè)結(jié)果，預(yù)測(cè)精度更高。與非同類(lèi)模型對(duì)比驗(yàn)證了基礎(chǔ)模型GRU的優(yōu)勢(shì)，采用多種方法對(duì)基礎(chǔ)模型加以改進(jìn)，結(jié)果證明在改進(jìn)后預(yù)測(cè)精度也在持續(xù)提升。相比于文獻(xiàn)［7］的晴天、多云、雨天這3種天氣條件下[MAE]分別降低4.89、4.48、3.50 MW；相比于文獻(xiàn)［19］，晴天和陰天天氣條件下MAPE分別降低27.97%、22.97%，在雨天條件下高2.98%。經(jīng)過(guò)與同類(lèi)文獻(xiàn)中不同預(yù)測(cè)模型預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，證明本文所提模型的預(yù)測(cè)能力具有較大優(yōu)勢(shì)。

5 結(jié) 論

本文提出一種基于材料生成算法優(yōu)化VMD與社交網(wǎng)絡(luò)搜索算法優(yōu)化結(jié)合注意力機(jī)制的GRU模型，對(duì)光伏輸出功率進(jìn)行預(yù)測(cè)。采用材料生成算法對(duì)變分模態(tài)分解中的模態(tài)分解數(shù)量和懲罰因子進(jìn)行尋優(yōu)，從而對(duì)輸出功率進(jìn)行分解來(lái)降低功率數(shù)據(jù)自身的不平穩(wěn)性，實(shí)驗(yàn)證明對(duì)數(shù)據(jù)進(jìn)行分解是可行有效的。在網(wǎng)絡(luò)模型中提出社交網(wǎng)絡(luò)搜索算法對(duì)GRU中的訓(xùn)練參數(shù)進(jìn)行優(yōu)化，并添加注意力機(jī)制降低模型復(fù)雜度使得對(duì)關(guān)鍵信息能有效處理。經(jīng)驗(yàn)證，所提出的預(yù)測(cè)模型在多種天氣條件下的預(yù)測(cè)精度上均優(yōu)于其他常規(guī)模型，具有較好的理論研究?jī)r(jià)值。

［參考文獻(xiàn)］

［1］"""" 譚顯東， 劉俊， 徐志成， 等. “雙碳”目標(biāo)下“十四五”電力供需形勢(shì)［J］. 中國(guó)電力， 2021， 54（5）： 1-6.

TAN X D， LIU J， XU Z C，et al. Power supply and demand" balance" during" the" 14th" five-year" plan" period under the goal of carbon emission peak and carbon neutrality［J］. Electric power， 2021， 54（5）： 1-6.

［2］"""" 陳煒， 艾欣， 吳濤， 等. 光伏并網(wǎng)發(fā)電系統(tǒng)對(duì)電網(wǎng)的影響研究綜述［J］. 電力自動(dòng)化設(shè)備， 2013， 33（2）： 26-32，39.

CHEN W， AI X， WU T， et al. Influence of grid-connected photovoltaic system on power network［J］. Electric power automation equipment， 2013， 33（2）： 26-32，39.

［3］"""" 賴(lài)昌偉， 黎靜華， 陳博， 等. 光伏發(fā)電出力預(yù)測(cè)技術(shù)研究綜述［J］. 電工技術(shù)學(xué)報(bào)， 2019， 34（6）： 1201-1217.

LAI C W， LI J H， CHEN B， et al. Review of photovoltaic power output" prediction technology［J］. Transactions of China Electrotechnical Society， 2019， 34（6）： 1201-1217.

［4］"""" 丁明， 王磊， 畢銳. 基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電系統(tǒng)輸出功率短期預(yù)測(cè)模型［J］. 電力系統(tǒng)保護(hù)與控制， 2012， 40（11）： 93-99，148.

DING M， WANG L， BI R. A short-term prediction model to forecast output power of photovoltaic system based on improved BP neural network［J］. Power system protection and control， 2012， 40（11）： 93-99，148.

［5］"""" VANDEVENTER W， JAMEI E， THIRUNAVUKKARASU G S， et al. Short-term PV power forecasting using hybrid GASVM technique［J］. Renewable energy， 2019， 140： 367-379.

［6］"""" LIU L， LIU F， ZHENG Y L. A novel ultra-short-term PV power forecasting method based on DBN-based Takagi-Sugeno fuzzy model［J］. Energies， 2021， 14（20）： 6447.

［7］"""" 趙濱濱， 王瑩， 王彬， 等. 基于ARIMA時(shí)間序列的分布式光伏系統(tǒng)輸出功率預(yù)測(cè)方法研究［J］. 可再生能源， 2019， 37（6）： 820-823.

ZHAO B B， WANG Y， WANG B， et al. Photovoltaic power prediction in distribution network based on ARIMA model time series［J］. Renewable energy resources， 2019， 37（6）： 820-823.

［8］"""" 李練兵， 張佳， 韓靖楠， 等. 基于Elman算法的光伏陣列的短期功率預(yù)測(cè)研究［J］. 太陽(yáng)能學(xué)報(bào)， 2017， 38（6）： 1560-1566.

LI L B， ZHANG J， HAN J N， et al. Short-term power forecast research of PV array based on Elman algorithm［J］. Acta energiae solaris sinica， 2017， 38（6）： 1560-1566.

［9］"""" 王超， 劉世明. 基于相似日原理和CPSO-Elman模型的光伏電站短期功率預(yù)測(cè)［J］. 能源與環(huán)保， 2022， 44（2）： 208-214.

WANG C， LIU S M. Shortterm power prediction of photovoltaic power station based on similar day principle and""" CPSO-Elman""" model［J］."" China""" energy""" and environmental""" protection， 2022， 44（2）： 208-214.

［10］""" 李多， 董海鷹， 楊立霞. 基于EMD與ELM的光伏電站短期功率預(yù)測(cè)［J］. 可再生能源， 2016， 34（2）： 173-177.

LI D， DONG H Y， YANG L X. The short-term power forecasting of photovoltaic plant based on EMD-ELM［J］. Renewable energy resources， 2016， 34（2）： 173-177.

［11］""" 鄭小霞， 陳廣寧， 任浩翰， 等. 基于改進(jìn)VMD和深度置信網(wǎng)絡(luò)的風(fēng)機(jī)易損部件故障預(yù)警［J］. 振動(dòng)與沖擊， 2019， 38（8）： 153-160，179.

ZHENG X X， CHEN G N， REN H H， et al. Fault detection of vulnerable units of wind turbine based on improved VMD and DBN［J］. Journal of vibration and shock， 2019， 38（8）： 153-160，179.

［12］""" 向玲， 李京蓄， 王朋鶴， 等. 基于VMD-FIG和參數(shù)優(yōu)化GRU的風(fēng)速多步區(qū)間預(yù)測(cè)［J］. 太陽(yáng)能學(xué)報(bào)， 2021， 42（10）： 237-242.

XIANG L， LI J X， WANG P H， et al. Wind speed multistep interval forecasting based on VMD-FIG and parameter-optimized"" GRU［J］."" Acta"" energiae"" solaris sinica， 2021， 42（10）： 237-242.

［13］""" 高金蘭， 李豪， 鄧蒙. 基于GAVMD-SGRU模型的風(fēng)電場(chǎng)短期功率預(yù)測(cè)［J］. 吉林大學(xué)學(xué)報(bào)（信息科學(xué)版）， 2021， 39（6）： 647-655.

GAO J L， LI H， DENG M. Short term power prediction of wind farm based on GAVMD-SGRU model［J］. Journal of Jilin University（information science edition）， 2021， 39（6）： 647-655.

［14］""" SHARMA N， MANGLA M， YADAV S， et al. A sequential ensemble model for photovoltaic power forecasting［J］." Computers"" amp;"" electrical"" engineering， 2021， 96： 107484.

［15］""" LIU S Y， HAO X G， MENG Z J， et al. Application of SRNN-GRU in photovoltaic power forecasting［J］. E3S web of conferences， 2021， 256： 02001.

［16］""" 劉擘龍， 張宏立， 王聰， 等. 基于序列到序列和注意力機(jī)制的超短期風(fēng)速預(yù)測(cè)［J］. 太陽(yáng)能學(xué)報(bào)， 2021， 42（9）： 286-294.

LIU B L， ZHANG H L， WANG C， et al. Ultra-short-term wind speed prediction based on sequence-to-sequence and attention" mechanism［J］." Acta" energiae" solaris" sinica， 2021， 42（9）： 286-294.

［17］""" 譚海旺， 楊啟亮， 邢建春， 等. 基于XGBoost-LSTM組合模型的光伏發(fā)電功率預(yù)測(cè)［J］. 太陽(yáng)能學(xué)報(bào)， 2022， 43（8）： 75-81.

TAN H W， YANG Q L， XING J C， et al. Photovoltaic power prediction based on combined XGBoost-LSTM model［J］. Acta energiae solaris sinica， 2022， 43（8）： 75-81.

［18］""" 劉可真， 阮俊梟， 趙現(xiàn)平， 等. 基于麻雀搜索優(yōu)化的Attention-GRU短期負(fù)荷預(yù)測(cè)方法［J］. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)， 2022， 34（4）： 99-106.

LIU K Z， RUAN J X， ZHAO X P， et al. Short-term load forecasting method based on sparrow search optimized Attention-GRU［J］. Proceedings of the CSU-EPSA， 2022， 34（4）： 99-106.

［19］""" 劉國(guó)海， 孫文卿， 吳振飛， 等. 基于Attention-GRU的短期光伏發(fā)電功率預(yù)測(cè)［J］. 太陽(yáng)能學(xué)報(bào)， 2022， 43（2）： 226-232.

LIU G H， SUN W Q， WU Z F， et al. Short-term photovoltaic power forecasting based on Attention-GRU model［J］. Acta energiae solaris sinica， 2022， 43（2）： 226-232.

［20］""" TALATAHARI S， AZIZI M， GANDOMI A H. Material generation algorithm： a novel metaheuristic algorithm for optimization"" of"" engineering"" problems［J］."" Processes， 2021， 9（5）： 859.

［21］""" BAYZIDI H， TALATAHARI S， SARAEE M，et al. Social network search for solving engineering optimization problems［J］.""""""" Computational""""""" intelligence""""""" and neuroscience， 2021， 2021： 8548639.

SHORT-TERM PV POWER FORECASTING BASED ON IMPROVED

VMD AND SNS-ATTENTION-GRU

Li Hongyang，Gao Bingpeng

（School of Electrical Engineering， Xinjiang University， Urumqi 830049， China）

Keywords：photovoltaic power generation； power forecasting； gated cycle unit； variational mode decomposition； attention mechanism