李詩(shī)洋,劉闖

(國(guó)網(wǎng)湖北省電力有限公司荊門(mén)供電公司,湖北 荊門(mén) 448000)

0 引 言

隨著溫室效應(yīng)的加劇,煤、石油等化石能源的不斷開(kāi)發(fā),傳統(tǒng)能源正在走向枯竭,尋找化石能源的替代品已迫在眉睫[1]。風(fēng)是一種可再生能源,具有廣闊的開(kāi)發(fā)前景,但風(fēng)速變化具有很大的間歇性和隨機(jī)性,導(dǎo)致風(fēng)電并網(wǎng)會(huì)給電力系統(tǒng)造成很大沖擊[2-3]。因此,研究風(fēng)速的變化規(guī)律,準(zhǔn)確預(yù)測(cè)風(fēng)速,對(duì)于提高風(fēng)電利用率、減少化石能源消耗和降低發(fā)電成本,具有深遠(yuǎn)意義。

針對(duì)短期風(fēng)速預(yù)測(cè),國(guó)內(nèi)外專(zhuān)家進(jìn)行了大量研究,并基于統(tǒng)計(jì)法和物理法提出了一些短期風(fēng)速預(yù)測(cè)方法,但由于風(fēng)速變化的規(guī)律性很弱,導(dǎo)致這些方法的預(yù)測(cè)精度并不高[4-5]。隨著人工智能的推廣,許多基于智能算法的短期預(yù)測(cè)方法被提出來(lái)。文獻(xiàn)[6]首先采用變分模態(tài)分解法(variational mode decomposition,VMD)對(duì)原始風(fēng)速序列進(jìn)行分解,然后采用改進(jìn)食肉植物算法(improved carnivorous plants algorithm,ICPA)優(yōu)化最小二乘支持向量機(jī)(least squares support vector machine,LSSVM)的參數(shù),建立了基于VMD-ICPA-LSSVM的短期風(fēng)速預(yù)測(cè)模型,最后對(duì)模型進(jìn)行誤差修正,提出了一種短期風(fēng)速組合預(yù)測(cè)方法。文獻(xiàn)[7]對(duì)原始風(fēng)速數(shù)據(jù)進(jìn)行VMD分解,采用改進(jìn)粒子群算法(improved particle swarm optimization,IPSO)對(duì)LSSVM的兩個(gè)參數(shù)進(jìn)行優(yōu)化,提出了一種新型短期風(fēng)速預(yù)測(cè)方法。文獻(xiàn)[8]為了解決BP神經(jīng)網(wǎng)絡(luò)選取不當(dāng)?shù)膯?wèn)題,采用麻雀搜索算法(sparrow search algorithm,SSA)對(duì)BP神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化,提出了一種基于SSA算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測(cè)方法。研究表明,風(fēng)速受風(fēng)向、溫度和氣壓等因素的影響較大[9],現(xiàn)有風(fēng)速預(yù)測(cè)方法更注重與對(duì)風(fēng)速數(shù)據(jù)內(nèi)部規(guī)律的挖掘,而忽略了其影響因素的作用。

基于此,本文以風(fēng)速、風(fēng)向、溫度和氣壓為特征量,采用禿鷹搜索算法(bald eagle search,BES)尋找長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)(long short term memory,LSTM)的最優(yōu)超參數(shù),建立基于BES-LSTM短期風(fēng)速預(yù)測(cè)模型,采用實(shí)際風(fēng)速監(jiān)測(cè)數(shù)據(jù)對(duì)模型的正確性和有效性進(jìn)行驗(yàn)證。

1 長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)

LSTM是在遞歸神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上通過(guò)改進(jìn)得到的[10],它在循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)上增加了三個(gè)門(mén)控單元,分別是輸入門(mén)、遺忘門(mén)、輸出門(mén)。輸入門(mén)用于讀取輸入數(shù)據(jù)。遺忘門(mén)的作用是篩選并保留重要數(shù)據(jù)信息,并阻斷無(wú)用信息的傳遞。輸出門(mén)負(fù)責(zé)將處理過(guò)的數(shù)據(jù)繼續(xù)向后傳遞。門(mén)控單元解決了RNN在訓(xùn)練過(guò)程中的爆炸缺陷和梯度消失問(wèn)題。LSTM具有獨(dú)特的記憶單元和門(mén)控單元,這些單元能夠有效處理長(zhǎng)時(shí)間數(shù)據(jù)序列,解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)依賴(lài)輸入序列的問(wèn)題,圖1所示為L(zhǎng)STM的結(jié)構(gòu)單元,LSTM的計(jì)算原理可參考文獻(xiàn)[10]。

圖1 LSTM結(jié)構(gòu)單元。

2 禿鷹搜索算法

2.1 BES算法基本原理

BES算法由馬來(lái)西亞數(shù)學(xué)家 H.A.Alsattar[11]提出,其基本原理是對(duì)自然界中禿鷹捕食獵物過(guò)程的模擬。BES算法的尋優(yōu)主要分為選擇搜索空間、搜索獵物和俯沖3個(gè)階段。經(jīng)過(guò)3個(gè)階段,禿鷹種群逐漸向獵物靠攏,最終捕獲獵物,即算法找到全局最優(yōu)解在整個(gè)尋優(yōu)過(guò)程中,禿鷹的運(yùn)動(dòng)軌跡始終圍繞一個(gè)中心點(diǎn),并以該點(diǎn)為基礎(chǔ)展開(kāi)搜索,BES算法的優(yōu)化原理可參考文獻(xiàn)[11]。

2.2 BES算法性能測(cè)試

相比粒子群算法[12](particle swarm optimization,PSO)和遺傳算法[13](genetic algorithm,GA)等傳統(tǒng)優(yōu)化算法,BES算法的魯棒性好,全局搜索性能更強(qiáng)。為此,采用表1中的三個(gè)測(cè)試函數(shù)對(duì)BES算法、PSO算法和GA算法的優(yōu)化性能進(jìn)行驗(yàn)證。在表1中,函數(shù)f1、f2和f3分別為多維單峰函數(shù)、多維多峰函數(shù)和低維多峰函數(shù),利用這些函數(shù)可以對(duì)算法的全局搜索性能和局部?jī)?yōu)化性能進(jìn)行充分測(cè)試。

設(shè)測(cè)試函數(shù)的空間維度均為30,BES算法、PSO算法和GA算法的種群容量均為30,最大迭代次數(shù)均為500。利用三種優(yōu)化算法分別對(duì)測(cè)試函數(shù)進(jìn)行30次尋優(yōu),三種算法的平均收斂曲線如圖2所示。

(a)函數(shù)f1。

(b)函數(shù)f2。

(c)函數(shù)f3圖2 收斂曲線對(duì)比。

對(duì)比圖2可知,相比PSO算法和GA算法,BES算法的收斂時(shí)的迭代次數(shù)更少,優(yōu)化函數(shù)f1、f2時(shí)的最小適應(yīng)度值更優(yōu),優(yōu)化函數(shù)f3時(shí)的最大適應(yīng)度值更優(yōu),具有更高的收斂精度。

3 基于BES-LSTM的短期風(fēng)速預(yù)測(cè)模型

研究表明,風(fēng)速變化具有混沌時(shí)間特性且受到風(fēng)向、氣壓和溫度等氣象因素的影響[14]。LSTM的訓(xùn)練效果受其隱含層單元數(shù)量、正則化系數(shù)和初始學(xué)習(xí)率三個(gè)超參數(shù)的影響較大,為了提高LSTM的學(xué)習(xí)能力,提高短期風(fēng)速預(yù)測(cè)精度,采用BES算法對(duì)LSTM的三個(gè)超參數(shù)進(jìn)行尋優(yōu),建立基于BES-LSTM的短期風(fēng)速預(yù)測(cè)模型,圖3所示為BES-LSTM模型的流程,主要建模步驟如下:

圖3 BES-LSTM模型流程。

1)確定訓(xùn)練樣本。考慮到風(fēng)速變化的時(shí)間特性及氣象因素的影響,將前3個(gè)時(shí)刻的風(fēng)速和當(dāng)前時(shí)刻的氣象因素作為短期風(fēng)速的特征量,具體如下:

vt=f(vt-1,vt-2,vt-3,dvt,pt,Tt)

(1)

式中:vt、vt-1、vt-2和vt-3為當(dāng)前時(shí)刻、t-1時(shí)刻、t-2時(shí)刻和t-3時(shí)刻風(fēng)速,dv、pt和Tt為當(dāng)前時(shí)刻風(fēng)向、氣壓和溫度。

表1 測(cè)試函數(shù)

2)劃分訓(xùn)練樣本并歸一化。將樣本數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集,并全部歸一化,公式如下:

(2)

3)初始化BES算法的相關(guān)參數(shù),設(shè)置禿鷹種群容量為30,最大迭代次數(shù)均為500。構(gòu)建LSTM短期風(fēng)速預(yù)測(cè)模型,隨機(jī)生成一個(gè)禿鷹種群,將LSTM的隱含層單元數(shù)量、正則化系數(shù)和初始學(xué)習(xí)率組成BES算法的優(yōu)化目標(biāo),確定各參數(shù)的尋優(yōu)范圍。

4)選擇搜索空間。利用式(9)更新禿鷹位置并計(jì)算適應(yīng)度值,適應(yīng)度值的計(jì)算公式為

(3)

5)搜索獵物,并更新禿鷹位置,計(jì)算禿鷹個(gè)體適應(yīng)度值并確定當(dāng)前最優(yōu)位置。

6)俯沖抓捕獵物,并更新種群位置,通過(guò)比較適應(yīng)度值優(yōu)劣確定當(dāng)前最優(yōu)解。

7)判斷LSTM的輸出結(jié)果是否滿足精度要求或者算法已經(jīng)達(dá)到最大迭代次數(shù),若是則輸出最優(yōu)超參數(shù),否則,返回步驟(4)。

8)將最優(yōu)超參數(shù)賦給LSTM,對(duì)測(cè)試集進(jìn)行短期風(fēng)速預(yù)測(cè)。

4 仿真分析

采用某風(fēng)電場(chǎng)連續(xù)5天的風(fēng)速數(shù)據(jù)和氣象數(shù)據(jù)組成訓(xùn)練樣本進(jìn)行仿真分析,數(shù)據(jù)采樣頻率為10 min/次,在連續(xù)的時(shí)間序列上共選取了600組樣本數(shù)據(jù)。根據(jù)建模需要,將600組樣本數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集,其樣本容量分別為540組和60組,其中測(cè)試集部分樣本數(shù)據(jù)如表2所示。

表2 測(cè)試集部分樣本數(shù)據(jù)

表2(續(xù))

根據(jù)式(1)確定模型輸入量,進(jìn)行仿真分析,利用訓(xùn)練集中的540組樣本數(shù)據(jù)進(jìn)行訓(xùn)練,采用BES算法對(duì)LSTM的隱含層單元數(shù)量、正則化系數(shù)和初始學(xué)習(xí)率三個(gè)超參數(shù)進(jìn)行優(yōu)化,BES算法的尋優(yōu)結(jié)果如表3所示。

表3 BES算法的尋優(yōu)結(jié)果

將三個(gè)超參數(shù)的尋優(yōu)結(jié)果賦給LSTM,利用BES-LSTM模型對(duì)測(cè)試集中60組樣本數(shù)據(jù)的風(fēng)速進(jìn)行預(yù)測(cè)。為了對(duì)比分析,采用文獻(xiàn)[15]中的PSO-LSSVM短期風(fēng)速模型和文獻(xiàn)[16]中的SSA-ELM短期風(fēng)速預(yù)測(cè)模型對(duì)測(cè)試集樣本進(jìn)行預(yù)測(cè),BES-LSTM模型、PSO-LSSVM模型和SSA-ELM模型的風(fēng)速預(yù)測(cè)結(jié)果及絕對(duì)誤差如圖4和圖5所示,對(duì)比圖4和圖5中的數(shù)據(jù)可知,BES-LSTM模型的預(yù)測(cè)結(jié)果更接近實(shí)際值,絕對(duì)誤差波動(dòng)更小。

圖4 風(fēng)速預(yù)測(cè)結(jié)果。

圖5 各模型預(yù)測(cè)結(jié)果的絕對(duì)誤差。

為了對(duì)三種風(fēng)速預(yù)測(cè)模型的預(yù)測(cè)效果進(jìn)行綜合評(píng)價(jià),采用方均根誤差、平均相對(duì)誤差和可決系數(shù)三種指標(biāo)對(duì)短期風(fēng)速預(yù)測(cè)結(jié)果進(jìn)行評(píng)價(jià),它們的計(jì)算公式依次為

(23)

(24)

(25)

三種模型預(yù)測(cè)結(jié)果的誤差指標(biāo)如表4所示。由表4可知,BES-LSTM模型預(yù)測(cè)結(jié)果的方均根誤差、平均相對(duì)誤差和可決系數(shù)分別為0.182、3.742%和0.992,各項(xiàng)指標(biāo)均優(yōu)于PSO-LSSVM模型和SSA-ELM模型,可見(jiàn)基于BES-LSTM的短期風(fēng)速預(yù)測(cè)方法的預(yù)測(cè)效果更好,具有一定的工程推廣意義。

表4 三種模型預(yù)測(cè)結(jié)果的誤差指標(biāo)

5 結(jié) 論

本文考慮了風(fēng)速時(shí)間特性及氣象因素對(duì)風(fēng)速的影響,選取過(guò)去時(shí)刻風(fēng)速和氣象因素作為短期風(fēng)速的特征量,采用BES算法對(duì)LSTM的隱含層單元數(shù)量、正則化系數(shù)和初始學(xué)習(xí)率三個(gè)超參數(shù)進(jìn)行優(yōu)化,建立基于BES-LSTM的短期風(fēng)速預(yù)測(cè)模型。采用實(shí)際風(fēng)電場(chǎng)相關(guān)數(shù)據(jù)進(jìn)行仿真分析,并與其他風(fēng)速預(yù)測(cè)方法進(jìn)行對(duì)比,結(jié)果表明,本文所提BES-LSTM模型在進(jìn)行短期風(fēng)速預(yù)測(cè)時(shí)的擬合程度更高、波動(dòng)性更小、預(yù)測(cè)精度更高,驗(yàn)證了本文短期風(fēng)速預(yù)測(cè)方法的正確性和有效性。