摘 要：精確地預(yù)測(cè)光伏發(fā)電功率是保證電力系統(tǒng)穩(wěn)定運(yùn)行的關(guān)鍵。為改善光伏發(fā)電功率的預(yù)測(cè)的準(zhǔn)確性，通過(guò)引入人工大猩猩部隊(duì)優(yōu)化（artificial gorilla troops optimizer，GTO）算法和變分模態(tài)分解（variational mode decomposition，VMD），提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）和門(mén)控循環(huán)單元（gated recurrent unit，GRU）神經(jīng)網(wǎng)絡(luò)的組合預(yù)測(cè)模型（GTO-VMD-CNN-GRU）。研究基于皮爾遜相關(guān)系數(shù)的氣象特征量提取方法，獲取特征重要性并作為模型輸入，針對(duì)VMD和模型參數(shù)手動(dòng)設(shè)置的復(fù)雜性和不確定性，利用GTO對(duì)變分模態(tài)分解數(shù)量和懲罰因子進(jìn)行尋優(yōu)來(lái)確定最優(yōu)組合，并對(duì)CNN-GRU模型主要超參數(shù)進(jìn)行尋優(yōu)。對(duì)光伏輸出功率的預(yù)測(cè)進(jìn)行分析，結(jié)果表明，GTO-VMD-CNN-GRU預(yù)測(cè)模型能有效提升光伏輸出功率預(yù)測(cè)精度，再通過(guò)與其他4種方法的預(yù)測(cè)效果比較，發(fā)現(xiàn)所提方法各項(xiàng)誤差指標(biāo)表現(xiàn)最好，因此，優(yōu)化后的模型可靠性更強(qiáng)。

關(guān)鍵詞：門(mén)控循環(huán)單元；變分模態(tài)分解；算術(shù)優(yōu)化算法；光伏發(fā)電功率預(yù)測(cè)

中圖分類(lèi)號(hào)：TM615

文獻(xiàn)標(biāo)志碼：A

A PV power generation prediction based on the VMD-CNN-GRU model optimized by GTO

CHEN Xiaomeng ZHU Zongjiu XU Yuanyuan

（1. College of Electrical and Information Engineering，Anhui University of Science and Technology，

Huainan 232001， China; 2. Sungrow Power Supply Co.， Ltd.， Hefei 231200， China）

Abstract： Accurate prediction of photovoltaic （PV） power is the key to ensuring the stable operation of the power system. To improve the accuracy of PV power prediction， by introducing an artificial gorilla troops optimizer （GTO） algorithm and variational mode decomposition （VMD）， a combined prediction model （GTO-VMD-CNN-GRU） based on convolutional neural networks （CNN） and gated recurrent unit （GRU） neural networks was proposed. In this study， the quantitative meteorological feature extraction method based on Pearsons correlation coefficient was used to obtain feature importances for use as model inputs. To address the complexity and uncertainty of manual settings of VMD and model parameters， GTO was used to optimize the number of VMD and penalty factors to determine the optimal combination， and the main hyperparameters of the CNN-GRU model was optimized. By analyzing the predictions of PV output power， the results show that the CTO-VMD-CNN-GRU prediction model effectively improves the accuracy of PV output power predictions. By comparing the prediction effects with those of the other four methods， it was found that the proposed method performed the best in every error index. Therefore， the optimized model is more reliable.

Key words： gated recurrent unit （GRU）; variational model decomposition （VMD）; arithmetic optimization algorithms; photovoltaic （PV） power prediction

各國(guó)政府和組織都在鼓勵(lì)生產(chǎn)可再生能源的新方法[1]。產(chǎn)生清潔和可再生能源的最普及的手段之一是使用太陽(yáng)能[2]。“雙碳”目標(biāo)的提出，給以太陽(yáng)能為代表的清潔能源行業(yè)提供了嶄新的發(fā)展機(jī)會(huì)，但受天氣、環(huán)境等因素影響，導(dǎo)致其產(chǎn)生巨大的波動(dòng)和隨機(jī)性[3]。因此，考慮氣象變化的光伏發(fā)電功率預(yù)測(cè)問(wèn)題就成了一個(gè)重要的研究課題。

目前，針對(duì)光伏短期發(fā)電功率預(yù)測(cè)研究主要集中在預(yù)測(cè)算法上［4］，通常采用的方法有支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)等。與傳統(tǒng)物理建模相比，人工智能技術(shù)在處理高維非線性問(wèn)題以及模型的參數(shù)上展現(xiàn)出顯著優(yōu)勢(shì)［5］。文獻(xiàn)［6］用云遺傳算法（cloud genetic algorithm，CGA）優(yōu)化反向傳播（back propagation，BP）神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，不僅提高了預(yù)測(cè)的精度，同時(shí)也克服了預(yù)測(cè)時(shí)間長(zhǎng)和局部收斂等問(wèn)題。文獻(xiàn)［7］提出使用集合經(jīng)驗(yàn)?zāi)B(tài)分解（ensemble empirical mode decomposition，EEMD）對(duì)歷史功率數(shù)據(jù)進(jìn)行分解，找出其歷史數(shù)據(jù)特征并利用卷積循環(huán)神經(jīng)網(wǎng)絡(luò)（convolutional recurrent neural network，CRNN）模型進(jìn)行發(fā)電功率預(yù)測(cè)，降低了輸入特征過(guò)多對(duì)預(yù)測(cè)效果帶來(lái)的影響。文獻(xiàn)［8］采用變分模態(tài)分解（variational mode decomposition，VMD） 方法，通過(guò)對(duì)數(shù)據(jù)平穩(wěn)化處理獲得多個(gè)有規(guī)律的子序列，并對(duì)其構(gòu)建核極限學(xué)習(xí)機(jī)（kernel extreme learning machine，KELM）模型，采用改進(jìn)的麻雀搜索算法（improved sparrow search algorithm，ISSA）方法優(yōu)化 KELM 重要參數(shù)，提高了分解的自適應(yīng)能力和分解效率。但其依賴(lài)于人工，這使參數(shù)難以精準(zhǔn)確定，從而影響最優(yōu)值的獲取，因此需優(yōu)化算法的尋優(yōu)。

通過(guò)以上分析，針對(duì)VMD和多數(shù)模型超參數(shù)的設(shè)置存在精度偏低的問(wèn)題，本文首先利用皮爾遜相關(guān)系數(shù)法對(duì)基本數(shù)據(jù)進(jìn)行篩選，去除與光伏發(fā)電功率相關(guān)性較低的特征；利用VMD技術(shù)將不同影響特征分解成多個(gè)模態(tài)分量，為避免模態(tài)分量之間的頻率混淆，通過(guò)引入人工大猩猩部隊(duì)優(yōu)化（artificial gorilla troops optimizer，GTO）算法對(duì)VMD的關(guān)鍵參數(shù)懲罰因子和分解數(shù)量進(jìn)行尋優(yōu)；然后，針對(duì)分解后的各分量建立起卷積神經(jīng)網(wǎng)絡(luò)-門(mén)控循環(huán)單元（convolutional neural networks-gated recurrent unit，CNN-GRU）模型，在此基礎(chǔ)上，利用GTO尋優(yōu)并確定各超參數(shù)的最優(yōu)解，利用上述模型對(duì)各個(gè)子序列分量進(jìn)行預(yù)測(cè)，各子序列相加得到最終結(jié)果。將上述方法與和門(mén)控循環(huán)單元（gated recurrent unit，GRU）、CNN-GRU、經(jīng)驗(yàn)?zāi)B(tài)分解-卷積神經(jīng)網(wǎng)絡(luò)-門(mén)控循環(huán)單元（empirical mode decomposition-convolutional neural networks-gated recurrent unit，EMD-CNN-GRU）、VMD-CNN-GRU 模型進(jìn)行對(duì)比。仿真實(shí)驗(yàn)表明，本文提出的模型在預(yù)測(cè)精度方面優(yōu)于傳統(tǒng)算法，誤差更低，驗(yàn)證了模型的有效性。

1 模型原理

1.1 人工大猩猩部隊(duì)優(yōu)化算法

人工大猩猩部隊(duì)優(yōu)化算法是由JOGHATAIE等[9]提出的一種新型元啟發(fā)式優(yōu)化算法，其靈感來(lái)自于大自然中大猩猩部隊(duì)的社群智慧，通過(guò)模擬大猩猩全體的生活行為來(lái)進(jìn)行尋優(yōu)。

1.1.1 探索階段

1.1.2 開(kāi)發(fā)階段

1.2 CNN－GRU 混合神經(jīng)網(wǎng)絡(luò)模型

CNN和GRU為兩種常用的時(shí)序數(shù)據(jù)預(yù)測(cè)模型。CNN-GRU模型的基本結(jié)構(gòu)是將CNN和GRU兩個(gè)模型串聯(lián)起來(lái)。在CNN-GRU結(jié)構(gòu)中，CNN用于從輸入的數(shù)據(jù)中提取空間特征，將CNN提取的特征輸入GRU模型中進(jìn)行時(shí)序建模，從而進(jìn)行有效的序列學(xué)習(xí)。

基于CNN-GRU神經(jīng)網(wǎng)絡(luò)的混合預(yù)測(cè)模型主要由卷積層、池化層、Dropout層、GRU層和全連接層構(gòu)成，其大致結(jié)構(gòu)如圖1所示。

在原始數(shù)據(jù)輸入后，首先利用卷積層操作進(jìn)行特征提取，卷積層可以包含多個(gè)卷積核，每個(gè)卷積核負(fù)責(zé)提取不同的特征，挖掘數(shù)據(jù)之間的相關(guān)性；池化層主要對(duì)卷積層的輸出進(jìn)行下采樣，對(duì)參數(shù)數(shù)量進(jìn)行壓縮，進(jìn)一步降低原始數(shù)據(jù)維度，提取主要特征；Dropout層引入按特定概率隨機(jī)選擇的神經(jīng)元，主要用于防止過(guò)擬合；隨后進(jìn)入GRU層捕捉序列中的長(zhǎng)期依賴(lài)關(guān)系；最后通過(guò)將GRU層的輸出連接到全連接層，將數(shù)據(jù)轉(zhuǎn)為單維結(jié)構(gòu)，經(jīng)過(guò)反歸一化得到輸出結(jié)果。

CNN-GRU模型的優(yōu)點(diǎn)在于，卷積層可以有效地提取局部特征，而GRU層可以捕捉序列中的長(zhǎng)期依賴(lài)關(guān)系。這種結(jié)合可以在處理序列數(shù)據(jù)時(shí)更好地保留空間信息和時(shí)間信息。

1.2.1 CNN基本原理

CNN是一種能完成大規(guī)模圖像數(shù)據(jù)處理的前向神經(jīng)網(wǎng)絡(luò)，它包含了卷積層、池化層、全連接層以及輸出層。卷積層在CNN中扮演高效提取特征的角色，專(zhuān)注于捕捉輸入時(shí)間序列的非線性局部特性，池化層負(fù)責(zé)壓縮這些提取出的特征，生成更重要的特征信息[10]。

1.2.2 GRU神經(jīng)網(wǎng)絡(luò)原理

2.1 GTO算法優(yōu)化VMD

變分模態(tài)分解需要預(yù)先設(shè)定模態(tài)個(gè)數(shù)K及懲罰因子α，其設(shè)定值將直接影響到分解效果。K的數(shù)值太大，容易引起信號(hào)的過(guò)度分解和信息冗余，反之，會(huì)欠分解；而α的數(shù)值太大，又會(huì)損失波段的信息，太小又會(huì)產(chǎn)生多余的信息。因此，需要確定一個(gè)最佳的參數(shù)組合[K，α]，采用GTO來(lái)優(yōu)化VMD參數(shù)，并將其用來(lái)求解。包絡(luò)熵代表原始信號(hào)的稀疏特性，若IMF中噪聲多且特征信息少，包絡(luò)熵值較大，反之則較小，因此，選擇以包絡(luò)熵極小值作為適應(yīng)度函數(shù)。具體步驟如下：

1）設(shè)置種群大小和最大迭代次數(shù)等參數(shù)，初始化大猩猩的位置及其適應(yīng)度函數(shù)。

2）計(jì)算大猩猩的適應(yīng)度值。

3）更新適應(yīng)度值及其對(duì)應(yīng)的大猩猩位置。

4）計(jì)算大猩猩個(gè)體的適應(yīng)度值，如果此時(shí)GX的適應(yīng)度值比X的適應(yīng)度值好，則進(jìn)行替換，同時(shí)更新銀背大猩猩的位置（最好個(gè)體位置）。

5）重復(fù)步驟（3）和步驟（4），達(dá)到最終停止標(biāo)準(zhǔn)，輸出最優(yōu)適應(yīng)度值和最優(yōu)的大猩猩個(gè)體，確定最優(yōu)參數(shù)組合。

2.2 構(gòu)建模型流程

基于GTO優(yōu)化的VMD-CNN-GRU的預(yù)測(cè)流程圖見(jiàn)圖2。具體步驟如下：

1）首先對(duì)數(shù)據(jù)進(jìn)行缺失值識(shí)別，插補(bǔ)缺失值，并對(duì)數(shù)據(jù)進(jìn)行歸一化處理，然后將其作為所提出模型的訓(xùn)練集、驗(yàn)證集和測(cè)試集。

2）對(duì)數(shù)據(jù)進(jìn)行Pearson相關(guān)性分析處理，篩選出較重要的特征。

3）采用GTO 算法對(duì)VMD進(jìn)行調(diào)參，確定參數(shù)值，得到若干IMF分量。

4）將分量輸入利用GTO 優(yōu)化參數(shù)的CNN-GRU模型。

5）將各預(yù)測(cè)值分量值相加，計(jì)算其與真實(shí)值之間的誤差，通過(guò)誤差指標(biāo)對(duì)模型進(jìn)行誤差分析。

2.3 評(píng)價(jià)標(biāo)準(zhǔn)

3 算例分析

3.1 配置與數(shù)據(jù)集

本文仿真模型的搭建基于MATLAB R2023a版本，訓(xùn)練環(huán)境的硬件配置如表1所示。

數(shù)據(jù)集采用澳大利亞（DKASC）光伏發(fā)電站集群中心2022年4月實(shí)時(shí)監(jiān)測(cè)的氣象和功率數(shù)據(jù)［13］，共8 640組，其中包括風(fēng)速、天氣溫度、天氣相對(duì)濕度、總水平輻射、散射輻射、風(fēng)向和有功功率的7組數(shù)據(jù)，訓(xùn)練集、驗(yàn)證集和測(cè)試集比例按照8∶1∶1劃分，時(shí)間間隔為5 min。

3.2 特征選擇

光伏電站的輸出功率受氣象因素的影響很大，而其原始數(shù)據(jù)往往有較多維數(shù)，對(duì)此，基于皮爾遜相關(guān)系數(shù)計(jì)算各氣象因素與發(fā)電功率的相關(guān)系數(shù)，并篩選出主要的影響因素[12]。為了更加直觀地顯示分析結(jié)果，繪制了各相關(guān)系數(shù)的熱力圖，如圖3所示。

由圖3可知，總水平輻射、散射輻射、天氣溫度、天氣相對(duì)濕度、風(fēng)速和風(fēng)向的相關(guān)性系數(shù)依次為0.995 3、0.493 2、0.472 2、-0.460 4、0.048 6和 -0.039 0，為保證模型的運(yùn)行速度，選取前三個(gè)相關(guān)性較強(qiáng)的特征作為輸入。

3.3 模型仿真

3.3.1 參數(shù)設(shè)置

設(shè)置GTO算法大猩猩中種群規(guī)模為10；最大迭代次數(shù)為350；設(shè)置變量數(shù)量為2。對(duì)VMD參數(shù)進(jìn)行尋優(yōu)時(shí)，分解個(gè)數(shù)k搜索范圍［2，9］；懲罰因子α搜索范圍為［100，3 000］，以包絡(luò)熵極小值作為適應(yīng)度函數(shù)。優(yōu)化后確定最佳參數(shù)組合為［8，1 450］。

設(shè)置優(yōu)化算法種群數(shù)為2，進(jìn)化數(shù)為2，迭代次數(shù)為350，CNN層數(shù)為2，卷積核數(shù)量為32，GRU層的隱藏神經(jīng)元個(gè)數(shù)為32，學(xué)習(xí)率設(shè)為0.001，但在使用CNN-GRU模型進(jìn)行預(yù)測(cè)時(shí)，不同的參數(shù)會(huì)直接影響最后的預(yù)測(cè)結(jié)果，其中卷積層的特征圖數(shù)量、隱藏層神經(jīng)元個(gè)數(shù)以及步長(zhǎng)等往往需要大量的嘗試才能找出合適的參數(shù)，主觀性和不確定性較強(qiáng)，因此，對(duì)其進(jìn)行參數(shù)尋優(yōu)。其搜索范圍依次為［1，50］，［1，100］，［1，3］，尋優(yōu)后最佳參數(shù)組合為［8，49，1］，選擇最小均方根誤差為適應(yīng)度函數(shù)。

3.3.2 分解結(jié)果

將尋優(yōu)結(jié)果k=8，α=1 450輸入，得到的優(yōu)化前后的信號(hào)分解對(duì)比圖（圖4和圖5）。

從圖4和圖5可以看出，在經(jīng)過(guò)參數(shù)尋優(yōu)之前IMF2與IMF3產(chǎn)生了模態(tài)混疊，而圖5的分解信號(hào)波動(dòng)頻率更加均衡，各相鄰分量之間復(fù)雜度差異更大，基本不存在模態(tài)之間的混疊現(xiàn)象，能更好地反映信號(hào)的瞬時(shí)數(shù)值。

3.3.3 結(jié)果分析與對(duì)比

為驗(yàn)證本文提出的GTO-VMD-CNN-GRU方法的有效性，將本文提出的模型與單一GRU、CNN-GRU、EMD-CNN-GRU、VMD-CNN-GRU模型進(jìn)行對(duì)比，圖6至圖10分別為幾個(gè)模型的驗(yàn)證效果圖。由這幾個(gè)測(cè)試結(jié)果圖可知，基于GTO優(yōu)化的VMD-CNN-GRU模型的真實(shí)值與預(yù)測(cè)值擬合程度最高。

4 結(jié)論

本文提出一種基于GTO-VMD-CNN-GRU的光伏發(fā)電功率預(yù)測(cè)模型。利用CNN的部分結(jié)構(gòu)進(jìn)行卷積、池化操作，完成特征提取部分，將重構(gòu)數(shù)據(jù)輸入GRU網(wǎng)絡(luò)中，構(gòu)建CNN-GRU模型。針對(duì)VMD及組合模型參數(shù)手動(dòng)配置參數(shù)困難、效率較慢的問(wèn)題，選擇一種效果較好的新型元啟發(fā)式優(yōu)化算法GTO對(duì)參數(shù)進(jìn)行尋優(yōu)，并通過(guò)仿真對(duì)算法優(yōu)化的效果進(jìn)行了證明。

本文對(duì)比了本模型與其他4種模型在4個(gè)誤差指標(biāo)的效果，結(jié)果表明，對(duì)原始數(shù)據(jù)分解之后，依然存在誤差比未分解更大的情況，因此，參數(shù)尋優(yōu)是非常有必要的，實(shí)驗(yàn)證明了該模型的有效性。

參考文獻(xiàn)

[1]VINE E. Breaking down the silos： the integration of energy efficiency， renewable energy， demand response and climate change[J]. Energy Efficiency， 2008， 1（1）： 49-63.

[2]OSPINA J， NEWAZ A， FARUQUE M O. Forecasting of PV plant output using hybrid wavelet-based LSTM-DNN structure model[J]. IET Renewable Power Generation， 2019， 13（7）： 1087-1095.

[3]GRADITI G， FERLITO S， ADINOLFI G， et al. Energy yield estimation of thin-film photovoltaic plants by using physical approach and artificial neural networks[J]. Sol Energy， 2016， 130： 232-343.

[4]鄧韋斯， 戴仲覆， 王皓懷， 等. 基于WNN的光伏功率超短期預(yù)測(cè)研究[J]. 機(jī)械與電子， 2023， 41（12）： 15-19.

[5]葉林， 路朋， 趙永寧， 等. 含風(fēng)電電力系統(tǒng)有功功率模型預(yù)測(cè)控制方法綜述[J]. 中國(guó)電機(jī)工程學(xué)報(bào)， 2021， 41（18）： 6181-6198.

[6]朱秋璇， 阿不都瓦依提. 基于CGA-BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)測(cè)[J]. 計(jì)算機(jī)仿真， 2022， 39（10）： 113-117.

[7]張飛， 張志偉， 萬(wàn)樂(lè)斐， 等. 基于EEMD-GRNN方法的光伏電站短期出力預(yù)測(cè)[J]. 太陽(yáng)能學(xué)報(bào)， 2020， 41（12）： 103-109.

[8]商立群， 李洪波， 侯亞?wèn)|， 等. 基于VMD-ISSA-KELM的短期光伏發(fā)電功率預(yù)測(cè)[J]. 電力系統(tǒng)保護(hù)與控制， 2022， 50（21）： 138-148.

[9]JOGHATAIE A A， GULLIVER T A. A multi-agent krill herd algorithm[C]//2021 IEEE Canadian Conference on Electrical and Computer Engineering （CCECE）. September 12-17， 2021， Canada. IEEE， 2021： 1-6.

[10]任東方， 馬家慶， 何志琴， 等. 基于AVMD-CNN-GRU-Attention的超短期風(fēng)功率預(yù)測(cè)研究[J/OL]. 太陽(yáng)能學(xué)報(bào)： 1-8[2024-03-12]. https：//doi.org/10.19912/j.0254-0096.tynxb.2023-0146.

[11]吳勇， 高昕， 郭灝陽(yáng)， 等. 基于優(yōu)化的VMD-CNN-LSTM模型的光伏功率預(yù)測(cè)[J]. 邵陽(yáng)學(xué)院學(xué)報(bào)（自然科學(xué)版）， 2022， 19（6）： 9-17.

[12]高巖， 吳漢斌， 張紀(jì)欣， 等. 基于組合深度學(xué)習(xí)的光伏功率日前概率預(yù)測(cè)模型[J/OL]. 中國(guó)電力： 1-11[2024-03-12]. http：//kns.cnki.net/kcms/detail/11.3265.TM.20231117.1324.002.html.

[13]張馳， 朱宗玖. 基于誤差修正的短期光伏功率預(yù)測(cè)［J］. 科學(xué)技術(shù)與工程， 2023， 23（27）： 11664-11672.