基于改進(jìn)LSTM的風(fēng)電功率預(yù)測
2023-04-29 00:00:00任文鳳李卿安廣斌
無線互聯(lián)科技 2023年10期
摘要：針對(duì)當(dāng)前風(fēng)電功率預(yù)測精度不高、預(yù)測結(jié)果滯后等問題，文章提出用VMD結(jié)合DNN和BiLSTM的方法來預(yù)測超短期風(fēng)電功率。將風(fēng)電功率用VMD算法分解為K個(gè)固有模態(tài)分量，將分解得到的分量轉(zhuǎn)化為有監(jiān)督學(xué)習(xí)數(shù)據(jù)，對(duì)不同IMF分量分別建立DNN和BiLSTM神經(jīng)網(wǎng)絡(luò)預(yù)測模型，對(duì)預(yù)測信號(hào)進(jìn)行重構(gòu)，獲得最終誤差，并與單模型預(yù)測方法進(jìn)行對(duì)比。
關(guān)鍵詞：風(fēng)電功率預(yù)測；VMD；BiLSTM神經(jīng)網(wǎng)絡(luò)；DNN神經(jīng)網(wǎng)絡(luò)
中圖分類號(hào)：TP311
文獻(xiàn)標(biāo)志碼：A
0 引言
隨著能源需求的增加，風(fēng)能因其低碳、可再生等優(yōu)點(diǎn)，受到人們的廣泛關(guān)注［1］。而隨機(jī)性強(qiáng)、時(shí)斷時(shí)續(xù)的風(fēng)電，則會(huì)對(duì)電網(wǎng)安全穩(wěn)定造成嚴(yán)重危害。風(fēng)電功率預(yù)測是解決風(fēng)電功率隨機(jī)性的關(guān)鍵手段之一，近年來，基于混合模型的風(fēng)電功率預(yù)測研究已經(jīng)成為熱門［2］。
郝雙［3］采用Bootstrap和極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）對(duì)風(fēng)電功率進(jìn)行預(yù)測，模型結(jié)構(gòu)簡單，預(yù)測準(zhǔn)確性高，但是，其在建立模型時(shí)假設(shè)風(fēng)電功率預(yù)測誤差服從正態(tài)分布，而實(shí)際情況需要進(jìn)一步驗(yàn)證。吳美林［4］引入深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks，DNN）與隨機(jī)森林（Random Forest，RF）對(duì)風(fēng)電功率進(jìn)行預(yù)測，并與SVM，ARMA進(jìn)行對(duì)比，證明RF-DNN能更好地?cái)M合風(fēng)電功率。王若恒［5］采用同時(shí)使用長短期記憶的神經(jīng)網(wǎng)絡(luò)（Long Short Term Memory，LSTM）和變分模態(tài)分解（Variational Mode Decomposition，VMD）的方法，VMD可以消除模態(tài)混疊，但是網(wǎng)絡(luò)簡單導(dǎo)致精度不夠。劉凱［6］提出了天氣狀況與雙向長短期記憶（Bi-directional Long Short-Term Memory，BiLSTM）相結(jié)合的方法，整體預(yù)測效果很好，但是特征值維度太高，導(dǎo)致預(yù)測速度慢。
基于以上，本文提出了將VMD，DNN，BiLSTM相結(jié)合的風(fēng)電功率預(yù)測方法。采用VMD將非周期性的風(fēng)電功率曲線分解為多個(gè)相對(duì)短時(shí)周期的曲線，并分別建立DNN或BiLSTM預(yù)測模型，并疊加預(yù)測結(jié)果。為了驗(yàn)證所提出方法的有效性，根據(jù)我國某風(fēng)電場的實(shí)際情況，用深度學(xué)習(xí)框架Keras對(duì)其進(jìn)行訓(xùn)練與實(shí)現(xiàn)。
1 風(fēng)電功率預(yù)測
1.1 風(fēng)電功率預(yù)測系統(tǒng)框架
風(fēng)電功率預(yù)測的系統(tǒng)框架如圖1所示，包括模型訓(xùn)練、預(yù)測推理兩部分。
（1）模型訓(xùn)練部分。對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，之后VMD分解，得到分量后，使用算法進(jìn)行迭代優(yōu)化出模型。
（2）預(yù)測推理部分。未知數(shù)據(jù)進(jìn)行分解后，對(duì)分量放在模型中進(jìn)行預(yù)測，得到預(yù)測結(jié)果。
1.2 風(fēng)電功率預(yù)測誤差分析
均方誤差（MSE）、均方根誤差（RMSE）、平均絕對(duì)誤差（MAE）和平均絕對(duì)百分比誤差（MAPE）的計(jì)算公式如下［7］。
式中，N表示預(yù)測樣本個(gè)數(shù)；ft表示對(duì)第t個(gè)樣本的預(yù)測值；ht表示第t個(gè)樣本的實(shí)際值。
2 時(shí)間序列數(shù)據(jù)分解方法
2.1 變分模態(tài)分解原理
VMD是2014年Dragomiretskiy等［8］提出的一種新的自適應(yīng)信號(hào)處理方法，可以將一個(gè)波動(dòng)性較強(qiáng)的信號(hào)分解為K個(gè)規(guī)律較明顯的信號(hào)。原始風(fēng)電信號(hào)f（t）可以分解為K個(gè)IMF分量，uk（t）的表達(dá)式如下：
uk（t）=Ak（t）cos［φk（t）］（5）
式中，φk（t）為uk（t）的相位，Ak（t）為uk（t）的瞬時(shí)幅值。
2.2 變分模態(tài)分解的參數(shù)選取
2.2.1 分解尺度K的選取
VMD在分解信號(hào)時(shí)，需要預(yù)設(shè)K值，K值決定著能否準(zhǔn)確提取出信號(hào)的有用信息，通過對(duì)比不同K值時(shí)的均方誤差、代碼運(yùn)行時(shí)間、各IMF的頻譜，從而拿到對(duì)于本類數(shù)據(jù)比較合適的K值。
K取不同值時(shí)的均方誤差和代碼耗費(fèi)時(shí)間如表1所示，各IMF及其頻譜如圖2所示。
K=5時(shí)，幾乎沒有模態(tài)混疊，但200～600 Hz頻段內(nèi)沒有數(shù)據(jù)信息。K=7時(shí)，頻段信息均勻分布，且?guī)缀鯖]有模態(tài)混疊。K=9時(shí)，原始數(shù)據(jù)的模態(tài)成分發(fā)生了混疊，信號(hào)過分解。
根據(jù)3個(gè)維度綜合判斷，K= 7時(shí)，能夠有效獲得數(shù)據(jù)分解結(jié)果。
2.2.2 懲罰因子α的選取
α也是一個(gè)超參數(shù)，主要影響IMF的帶寬、頻率以及收斂速度，同樣使用分解后各IMF進(jìn)行信號(hào)重構(gòu)后，與原始數(shù)據(jù)的均方誤差、分解代碼運(yùn)行時(shí)間、分解后各IMF的頻譜3個(gè)維度進(jìn)行α的選取。
α取不同值時(shí)的均方誤差和代碼耗費(fèi)時(shí)間如表2所示，各個(gè)IMF頻譜如圖3所示。
當(dāng)α=400～800時(shí)，IMF3～7的重疊區(qū)域過大，發(fā)生模態(tài)混疊。當(dāng)α=1 600～3 200時(shí)，各分量平均占據(jù)了0～1 000 Hz頻段，幾乎沒有發(fā)生模態(tài)混疊。隨著α的增大，以中心頻率為中心，兩邊的頻率衰減變快。
根據(jù)3個(gè)維度的綜合情況判斷，α=1 600～3 200時(shí)，能夠有效獲得數(shù)據(jù)分解結(jié)果，但α=1 600時(shí)的誤差要小于α=3 200時(shí)的誤差，所以α選擇1 600。
3 神經(jīng)網(wǎng)絡(luò)預(yù)測模型
3.1 深度學(xué)習(xí)預(yù)測模型
DNN的神經(jīng)元是全連接結(jié)構(gòu)［9］，具有豐富的參數(shù)量，能夠?qū)W習(xí)輸入和輸出之間的復(fù)雜映射。
循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks，RNN）是一個(gè)隨著時(shí)間推移，重復(fù)發(fā)生的結(jié)構(gòu)，其短期記憶能力有限。
LSTM神經(jīng)網(wǎng)絡(luò)由Hochreiter和Schmidhuber提出［10］，可以充分利用時(shí)間序列數(shù)據(jù)，還彌補(bǔ)了RNN梯度消失、梯度爆炸以及缺乏長期記憶能力的缺點(diǎn)。
BiLSTM將前向LSTM與后向LSTM的輸出結(jié)果進(jìn)行拼接作為新網(wǎng)絡(luò)的輸出［11］，包含輸入層的前向和后向數(shù)據(jù)特征，可以實(shí)現(xiàn)更加精準(zhǔn)的預(yù)測。
3.2 有監(jiān)督數(shù)據(jù)類型轉(zhuǎn)換
風(fēng)電數(shù)據(jù)是連續(xù)、基于時(shí)間的，將原始數(shù)據(jù)進(jìn)行預(yù)處理和VMD分解后，得到多個(gè)IMF分量，這類分量擁有“數(shù)據(jù)”類別，但沒有“標(biāo)簽”類別，而有監(jiān)督學(xué)習(xí)的預(yù)測方法兩者都需要具備，所以需要將無監(jiān)督學(xué)習(xí)數(shù)據(jù)轉(zhuǎn)換為有監(jiān)督學(xué)習(xí)數(shù)據(jù)，之后用監(jiān)督學(xué)習(xí)對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練。
選擇A01風(fēng)機(jī)的前2 000個(gè)數(shù)據(jù)，經(jīng)過預(yù)處理、歸一化和分解，并通過有監(jiān)督數(shù)據(jù)轉(zhuǎn)換后，得到1 994組有監(jiān)督學(xué)習(xí)數(shù)據(jù)，數(shù)據(jù)轉(zhuǎn)換后，得到7組［1 994，6］的矩陣，以75%作為訓(xùn)練集，20%作為驗(yàn)證集，5%作為測試集，來實(shí)現(xiàn)對(duì)預(yù)測模型進(jìn)行訓(xùn)練，檢驗(yàn)神經(jīng)網(wǎng)絡(luò)優(yōu)劣的目的。
4 仿真分析
4.1 神經(jīng)網(wǎng)絡(luò)仿真
分別建立DNN，LSTM，BiLSTM預(yù)測模型，3種模型測試集的預(yù)測結(jié)果如圖4所示，模型訓(xùn)練網(wǎng)絡(luò)超參數(shù)的選取及得到的測試集誤差如表3所示。
根據(jù)預(yù)測的結(jié)果重合度和測試集的誤差可見：相對(duì)于LSTM，DNN和BiLSTM可以更好地實(shí)現(xiàn)風(fēng)力發(fā)電的功率預(yù)測。
4.2 VMD的優(yōu)勢(shì)
為了驗(yàn)證VMD的效果，對(duì)DNN，BiLSTM，VMD-DNN，VMD-BiLSTM進(jìn)行了仿真對(duì)比，對(duì)比結(jié)果如圖5所示，各個(gè)模型得到的RMSE和MAE如表4所示。
由圖5和表4可以得出，VMD-DNN和VMD-BiLSTM的預(yù)測結(jié)果，相對(duì)于直接對(duì)風(fēng)電數(shù)據(jù)進(jìn)行DNN和BiLSTM預(yù)測來說，準(zhǔn)確度有了明顯提高。
4.3 不同預(yù)測模型的對(duì)比
評(píng)估DNN和BiLSTM兩種神經(jīng)網(wǎng)絡(luò)在不同IMF分量的表現(xiàn)，需要將通過VMD分解得到的IMF分量分別建立相應(yīng)的預(yù)測模型進(jìn)行比較，如表5所示DNN和BiLSTM在不同IMF分量的誤差。
從表5來看，DNN對(duì)IMF1—4推理效果相對(duì)較好，BiLSTM對(duì)IMF5—7推理效果相對(duì)較好。為了更好地實(shí)現(xiàn)風(fēng)電功率預(yù)測，采用對(duì)IMF1—4建立DNN預(yù)測模型，對(duì)IMF5—7建立BiLSTM預(yù)測模型的方式。通過與VMD-DNN以及VMD-BiLSTM模型進(jìn)行對(duì)比，可評(píng)估VMD-DNN-BiLSTM的性能，如圖6所示為3種模型單步預(yù)測的結(jié)果，如表6所示是模型的單步預(yù)測誤差。
4.4 滾動(dòng)多步預(yù)測
以上進(jìn)行的都是單步預(yù)測，在實(shí)際應(yīng)用中，需要得到多個(gè)時(shí)刻的預(yù)測值，進(jìn)行多步預(yù)測。每步間隔為15 min，3種模型多步預(yù)測的誤差結(jié)果如表7所示。
進(jìn)行滾動(dòng)的多步預(yù)測可以實(shí)現(xiàn)對(duì)長時(shí)間數(shù)據(jù)的預(yù)測，但會(huì)產(chǎn)生累積誤差，預(yù)測越長的時(shí)間，誤差也會(huì)隨之增大。與VMD-DNN和VMD-BiLSTM相比，VMD-DNN-BiLSTM在單步預(yù)測時(shí)RMSE和MAE與另外兩種方法相近，滾動(dòng)步數(shù)的增多的時(shí)候能夠從誤差中看出VMD-DNN-BiLSTM的優(yōu)勢(shì)。
5 結(jié)語
結(jié)果表明，VMD-DNN-BiLSTM可在一定程度上提高預(yù)測精度。
用VMD算法分解風(fēng)電數(shù)據(jù)，減少了風(fēng)電數(shù)據(jù)的特征，降低了預(yù)測難度；同時(shí)，可以減少神經(jīng)網(wǎng)絡(luò)參數(shù)，降低網(wǎng)絡(luò)深度，提高預(yù)測速度。
對(duì)不同神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果進(jìn)行了對(duì)比：DNN通過全連接來拼接數(shù)據(jù)，擬合能力較強(qiáng)；LSTM能夠有效利用歷史風(fēng)電序列信息，并且通過選取合適的參數(shù)使模型的預(yù)測精度更高；BiLSTM能更充分地利用時(shí)間序列，提高預(yù)測精度。
VMD，DNN和BiLSTM互相借助有利優(yōu)勢(shì)。相對(duì)于直接對(duì)原始風(fēng)電功率數(shù)據(jù)進(jìn)行預(yù)測，借助VMD算法的分解方法，可以解決預(yù)測滯后問題，進(jìn)一步提高整個(gè)預(yù)測模型的準(zhǔn)確率。
參考文獻(xiàn)
［1］葉林，朱倩雯，趙永寧.超短期風(fēng)電功率預(yù)測的自適應(yīng)指數(shù)動(dòng)態(tài)優(yōu)選組合模型［J］.電力系統(tǒng)自動(dòng)化，2015（20）：12-18.
［2］楊茂，董駿城.基于混合分布模型的風(fēng)電功率波動(dòng)特性研究［J］.中國電機(jī)工程學(xué)報(bào)，2016（1）：69-78.
［3］郝雙.基于B-ELM模型的風(fēng)電場短期功率區(qū)間預(yù)測方法研究［D］.沈陽：沈陽工業(yè)大學(xué)，2019.
［4］吳美林.基于DNN與隨機(jī)森林特征信息選擇的風(fēng)電功率預(yù)測研究［D］.西安：西安理工大學(xué)，2020.
［5］王若恒.基于LSTM的風(fēng)電功率區(qū)間預(yù)測研究［D］.武漢：華中科技大學(xué)，2018.
［6］劉凱.基于LSTM的風(fēng)機(jī)發(fā)電量預(yù)測研究［D］.蘭州：蘭州理工大學(xué)，2019.
［7］凡航，張雪敏，梅生偉，等.基于時(shí)空神經(jīng)網(wǎng)絡(luò)的風(fēng)電場超短期風(fēng)速預(yù)測模型［J］.電力系統(tǒng)自動(dòng)化，2021（1）：28-35.
［8］DRAGOMIRETSKIY K，ZOSSO D.Variational mode decomposition［J］.IEEE Tran on Signal Processing，2014（3）：531-544.
［9］胥小波，聶小明.基于多層感知器神經(jīng)網(wǎng)絡(luò)的WebShell檢測方法［J］.通信技術(shù)，2018（4）：895-900.
［10］王志遠(yuǎn)，王守相，陳海文，等.考慮空間相關(guān)性采用LSTM神經(jīng)網(wǎng)絡(luò)的光伏出力短期預(yù)測方法［J］.電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2020（5）：83-90.
［11］邢恩愷.基于改進(jìn)VMD預(yù)處理與雙向LSTM的風(fēng)電功率預(yù)測研究［D］.吉林：東北電力大學(xué)，2019.
（編輯 沈 強(qiáng)）
Wind power prediction based on improved LSTM
Ren Wenfeng， Li Qing， An Guangbin
（Yenching Institute of Technology， Langfang 065201， China）
Abstract： Aiming at the problems of low prediction accuracy and lagging prediction results of current wind power， a method combining VMD with DNN and BiLSTM is proposed to predict ultra short-term wind power. The wind power is decomposed into K natural mode components by VMD algorithm， and the decomposed components are transformed into supervised learning data. The DNN and BiLSTM neural network prediction models are established for different IMF components， and the prediction signals are reconstructed to obtain the final error， which is compared with the single model prediction method.
Key words： wind power forecasting; VMD; BiLSTM neural network; DNN neural network
