史加榮, 王雙馨

(西安建筑科技大學(xué) 理學(xué)院, 陜西 西安 710055)

0 引言

隨著全球經(jīng)濟(jì)的快速發(fā)展及化石能源的嚴(yán)重消耗,作為一種清潔可再生的風(fēng)能源在新能源的開發(fā)利用中有著重要的研究意義[1].風(fēng)能具有環(huán)保綠色的優(yōu)點(diǎn),但是由于風(fēng)力發(fā)電受各種因素的影響,會呈現(xiàn)出隨機(jī)性、間歇性和波動性的特點(diǎn),從而給大規(guī)模風(fēng)力發(fā)電并網(wǎng)帶來了巨大的挑戰(zhàn)[2,3].因此,準(zhǔn)確高效的風(fēng)電功率預(yù)測對實(shí)現(xiàn)電力系統(tǒng)的平穩(wěn)運(yùn)行具有重要的意義[4].

目前,國內(nèi)外的風(fēng)電功率預(yù)測技術(shù)越來越完善,已經(jīng)提出了各種預(yù)測方法.這些方法通常包括物理方法、統(tǒng)計(jì)方法、機(jī)器學(xué)習(xí)方法以及混合預(yù)測方法.物理方法需要考慮到地形、氣象因素等對模型的影響,還需要進(jìn)行準(zhǔn)確的大氣物理特性和風(fēng)電場特性的描述,計(jì)算難度和成本很高,不易得到準(zhǔn)確的預(yù)測[5].統(tǒng)計(jì)方法通過歷史時(shí)間序列變量之間的線性關(guān)系來建立模型,克服了傳統(tǒng)物理方法的缺點(diǎn),但是在氣象要素之間的非線性關(guān)系處理方面還存在問題[6].機(jī)器學(xué)習(xí)方法能夠更好地處理非線性時(shí)間序列數(shù)據(jù),主要包括人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,ANN)、支持向量機(jī)(Support Vector Machine,SVM)和極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)等,不足之處在于單個的機(jī)器學(xué)習(xí)算法容易發(fā)生過擬合和局部優(yōu)化問題[7].

隨著預(yù)測技術(shù)的持續(xù)發(fā)展,對預(yù)測精度的要求也越來越高.單一模型具有簡而易行的優(yōu)點(diǎn),但其預(yù)測能力有限,往往導(dǎo)致魯棒性低,適用性弱,故混合預(yù)測模型逐漸顯示出它的優(yōu)勢.混合模型主要包括兩類:數(shù)據(jù)分解和權(quán)重系數(shù).前者先將數(shù)據(jù)分解為不同分量,再根據(jù)算法的不同特點(diǎn)分別預(yù)測各分量,最后將其疊加.后者對若干單一模型分配一定的權(quán)重系數(shù),并進(jìn)行組合,其中權(quán)重系數(shù)的確定方式有熵值法、優(yōu)化算法等[8].Li等[9]采用孤立森林算法檢測異常數(shù)據(jù),并利用改進(jìn)的天鷹優(yōu)化算法優(yōu)化LSTM模型參數(shù),從而建立風(fēng)電功率預(yù)測的IAO-LSTM模型.趙征等[10]提出了一種基于VMD的CNN-BiLSTM的超短期風(fēng)電功率多步區(qū)間預(yù)測方法,以改進(jìn)覆蓋寬度準(zhǔn)則為目標(biāo)函數(shù)對區(qū)間進(jìn)行優(yōu)化,得到給定置信水平下的預(yù)測區(qū)間,有效提高了風(fēng)電功率的區(qū)間預(yù)測精度.韋權(quán)等[11]提出了一種基于SSA-VMD-SE-KELM和蒙特卡洛法的風(fēng)電功率區(qū)間預(yù)測模型,采用麻雀搜索算法(Sparrow Search Algorithm,SSA)優(yōu)化變分模態(tài)分解(VMD),通過計(jì)算樣本熵(Sample Entropy,SE)對分解序列進(jìn)行重構(gòu),再分別建立核極限學(xué)習(xí)機(jī)(Kernel Extreme Learning Machine,KELM)點(diǎn)預(yù)測模型,最后使用蒙特卡洛法隨機(jī)抽樣得到對應(yīng)置信度下的預(yù)測區(qū)間.

目前存在的關(guān)于采用模態(tài)分解和深度時(shí)間序列預(yù)測模型的混合模型,在進(jìn)行混合的過程中大多使用網(wǎng)格搜索即通過搜索模型的經(jīng)驗(yàn)取值來進(jìn)行參數(shù)優(yōu)化,或者采用梯度下降等方法來優(yōu)化參數(shù).在使用這些方法優(yōu)化參數(shù)的過程中,有一定的局限性并且復(fù)雜耗時(shí).例如,網(wǎng)格搜索方法存在隨機(jī)性,一般更適用于搜索較少的超參數(shù),由于需要對所有組合情況進(jìn)行討論,故相對耗時(shí);而梯度下降等方法是基于梯度的,極易受限于局部極值點(diǎn),一般適用于樣本量相對較少的情況.因此文章采用新型的群體智能優(yōu)化算法對神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行全面的優(yōu)化,其中鯨魚優(yōu)化算法結(jié)構(gòu)簡單、收斂速度快、收斂精度高以及跳出局部最優(yōu)解能力強(qiáng)等特點(diǎn)更適合于優(yōu)化超參數(shù)較多的情況.鯨魚優(yōu)化算法(WOA)是通過模擬生物界中座頭鯨獨(dú)特的捕食行為而衍生出的一種用于全局尋優(yōu)的方法.相較于其它同類方法,它的優(yōu)勢在于較少的模型參數(shù)、簡單易于實(shí)現(xiàn)的操作以及較高的求解精度[12].鯨魚優(yōu)化算法一經(jīng)提出,就成為群體智能優(yōu)化算法新的研究熱點(diǎn),現(xiàn)已在負(fù)載預(yù)測、路徑規(guī)劃設(shè)計(jì)、圖像分割等領(lǐng)域中得到了廣泛的應(yīng)用,為這些領(lǐng)域中的優(yōu)化問題提供了幫助.模型中參數(shù)的選擇對于充分發(fā)揮模型的各項(xiàng)優(yōu)勢來說具有重要的意義,且權(quán)重系數(shù)對組合預(yù)測的精度有重要影響,故混合模型是有效的,能夠提高預(yù)測的魯棒性和適用性.

文章提出了一種基于VMD-BiLSTM-WOA模型的短期風(fēng)電功率預(yù)測方法.首先使用變分模態(tài)分解(VMD)將原始風(fēng)電功率序列進(jìn)行分解,得到多個子模態(tài),降低序列的復(fù)雜度;接著利用鯨魚優(yōu)化算法對雙向長短期記憶神經(jīng)網(wǎng)絡(luò)(BiLSTM)的學(xué)習(xí)率、節(jié)點(diǎn)數(shù)等6個參數(shù)進(jìn)行優(yōu)化,根據(jù)各模態(tài)分別建立模型;最后,對各個模型的預(yù)測結(jié)果進(jìn)行求和重構(gòu),得到最終的預(yù)測結(jié)果.

1 模型原理

1.1 變分模態(tài)分解

VMD算法是一種自適應(yīng)完全非遞歸的分解方法,通過將信號分解為有限帶寬的k個本征模態(tài)函數(shù)(Intrinsic Mode Function,IMF),再提取相應(yīng)IMF的中心頻率,使得模態(tài)uk圍繞中心頻率波動[13].它主要分為兩個過程,即構(gòu)造和解決變分問題,作用在于通過變分理論框架對待處理的信號求出最優(yōu)分解,并確定每個分解模態(tài)的中心頻率[14].在求解每個模態(tài)和中心頻率時(shí),VMD的變分問題可以寫成:

(1)

式(1)中:uk是第k個有限帶寬的IMF;ωk是模態(tài)的中心頻率;f(t)是原始輸入信號;“*”表示卷積;δ(t)為狄拉克函數(shù);j為虛數(shù)單位.通過引入懲罰因子α和拉格朗日乘數(shù)λ(t),將約束變量問題轉(zhuǎn)化為無約束變量問題,則相應(yīng)的增廣拉格朗日函數(shù)為:

(2)

為了消掉卷積運(yùn)算,對式(2)作傅里葉變換,得:

(3)

(4)

(5)

(6)

式(4)～(6)中:n是迭代次數(shù).

VMD算法的整個過程如下[15]:

(3)重復(fù)第二步,直到滿足收斂條件

(7)

式(7)中:ε>0為給定精度.

1.2 雙向長短期記憶神經(jīng)網(wǎng)絡(luò)

1.2.1 長短期記憶神經(jīng)網(wǎng)絡(luò)

對于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)而言,連接是建立在層與層之間的,而相同層的神經(jīng)元之間不存在傳遞關(guān)系.在時(shí)間序列問題的處理過程中,只依賴傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)達(dá)不到很好的效果,因此,循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)通過設(shè)計(jì)循環(huán)來解決神經(jīng)元之間的連接關(guān)系[16].RNN與序列處理有緊密的關(guān)系,它能夠?qū)崿F(xiàn)信息間的循環(huán),預(yù)測時(shí)會考慮當(dāng)前和先前的輸入信息.但由于RNN對數(shù)據(jù)有依賴性,容易發(fā)生梯度爆炸或梯度消失,因此Hochreiter等[17]提出了長短期記憶網(wǎng)絡(luò)(LSTM),克服了其在處理長序列時(shí)的缺點(diǎn).它們的不同之處在于LSTM通過設(shè)計(jì)“門”結(jié)構(gòu)來控制元胞狀態(tài)的信息,主要由輸入、遺忘和輸出門構(gòu)成.這種“門”結(jié)構(gòu)可以有效地篩選出長時(shí)間步長數(shù)據(jù)的特征,從而很好地解決RNN梯度消失的問題[18].這三個門分別有其各自的作用,即輸入門確定當(dāng)前信息的保留,遺忘門確定先前信息的保留以丟棄無用的狀態(tài)信息,輸出門則是確定更新后狀態(tài)信息的保留.

LSTM的結(jié)構(gòu)如圖1所示,其中xt是當(dāng)前的輸入,ht是t時(shí)刻的隱藏層向量,Ct是t時(shí)刻的元胞狀態(tài),yt是最終輸出.用W和b分別代表權(quán)重矩陣和偏置向量.遺忘門ft、輸入門it和輸出門Ot的計(jì)算公式分別為:

圖1 LSTM結(jié)構(gòu)

ft=σ(Wf·[ht-1,xt]+bf)

(8)

it=σ(Wi·[ht-1,xt]+bi)

(9)

Ot=σ(Wo·[ht-1,xt]+bo)

(10)

式(8)～(10)中:σ(·)表示sigmoid激活函數(shù),[ ]表示將兩個向量拼接成一個向量.

在時(shí)刻t,元胞狀態(tài)Ct的更新公式為:

(11)

(12)

隱藏層向量的更新公式為:

ht=Ot⊙tanh(Ct)

(13)

式(13)中:⊙表示Hadamard積,tanh(·)表示雙曲正切激活函數(shù).

最終的輸出yt表示為:

yt=σ(Wy·ht+by)

(14)

1.2.2 雙向長短期記憶神經(jīng)網(wǎng)絡(luò)

雙向長短期記憶神經(jīng)網(wǎng)絡(luò)是由Grave等在2005年提出的,它通過給LSTM的結(jié)構(gòu)加了一層反向傳播的LSTM,從而將其命名為BiLSTM[19],其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示.與LSTM網(wǎng)絡(luò)的不同之處在于BiLSTM的前向和后向的LSTM層都連接著輸入和輸出層,也就是序列能夠同時(shí)對前向后向的隱藏層信息進(jìn)行深入挖掘,且兩個方向都具有單獨(dú)的隱藏層.在特定的時(shí)間步長上,每個隱藏層都能夠捕獲前向和后向的信息,從而提取更全面的特征以提高預(yù)測的性能[20,21].

圖2 BiLSTM結(jié)構(gòu)

1.3 鯨魚優(yōu)化算法

WOA是一種基于鯨魚氣泡網(wǎng)捕食行為推演尋求全局優(yōu)化的群體智能算法.氣泡網(wǎng)捕食行為結(jié)合了縮小包圍圈和螺旋捕食的局部優(yōu)化能力以及隨機(jī)搜索獵物的全局優(yōu)化能力[22].文章通過WOA來優(yōu)化BiLSTM的相關(guān)參數(shù).鯨魚需要依靠群體合作的方式來探索區(qū)域才能夠更快、更準(zhǔn)確地找到最佳地點(diǎn).根據(jù)其捕食的特點(diǎn),WOA算法尋優(yōu)主要包括以下兩個階段[23].

1.3.1 氣泡網(wǎng)捕食

在氣泡網(wǎng)捕食階段,鯨魚位置更新的方式包括收縮包圍和螺旋捕食兩種.

(1)收縮包圍

在鯨魚狩獵時(shí),會通過逐漸縮小整個群體的包圍圈來接近當(dāng)前群體中最接近獵物的鯨魚,從而實(shí)現(xiàn)包圍獵物.計(jì)算公式如下:

(15)

式(15)中:Xi(t)是第t次迭代時(shí)第i條鯨魚的位置;X*(t)是第t次迭代時(shí)的最佳鯨魚位置;|·|表示絕對值操作,即對每個分量取絕對值;隨機(jī)向量r1和r2的各分量獨(dú)立同分布于U(0,1),U(0,1)表示區(qū)間(0,1)上的均勻分布;向量b的各分量均為2-2t/tmax,tmax是最大迭代次數(shù).設(shè):

B=2b⊙r2-b

(16)

收縮包圍機(jī)制是通過減小式(16)中b的值來實(shí)現(xiàn)的,B的波動范圍也通過b降低,即B是區(qū)間(-b,b)內(nèi)的隨機(jī)值.本文設(shè)置b=1.

(2)螺旋捕食

鯨魚在捕食獵物時(shí),呈螺旋狀向上來接近目標(biāo),用公式來描述鯨魚與獵物位置之間的螺旋移動如下:

(17)

式(17)中:常數(shù)h用來改變螺旋線的形狀,隨機(jī)向量l的各分量獨(dú)立同分布于U(0,1),Cq是螺旋更新時(shí)鯨魚與獵物間的距離.

鯨魚在捕獲獵物的過程中是在收縮包圍的同時(shí)螺旋搜索.為了更好地模擬這兩種捕食行為,將閾值p設(shè)置為0.5,即通過判斷概率值來決定鯨魚狩獵時(shí)采用哪種捕食行為.

1.3.2 隨機(jī)搜索

鯨魚在搜索獵物時(shí)具有一定的隨機(jī)性能夠提高其整體搜索能力,同時(shí)還能增加搜索的范圍.這一過程是根據(jù)鯨魚彼此間的位置進(jìn)行隨機(jī)搜索,即部分非最優(yōu)位置的鯨魚進(jìn)行位置更新.隨機(jī)搜索的位置更新公式表示為:

(18)

式(18)中:Xrand(t)是第t次迭代中鯨魚群中隨機(jī)一個鯨魚的位置;隨機(jī)向量r3的各分量獨(dú)立同分布于U(0,1),隨機(jī)向量B按(16)式定義.

鯨魚優(yōu)化算法是由上述的兩個階段共同組成的.記向量B的第j個分量為Bj,當(dāng)|Bj|<1,p<0.5時(shí),通過包圍獵物來進(jìn)行位置更新;當(dāng)|Bj|<1,p≥0.5時(shí),根據(jù)螺旋搜索來更新位置;當(dāng)|Bj|≥1時(shí),通過隨機(jī)搜索來更新位置.WOA的整個原理就是通過模擬鯨魚捕獵的行為來實(shí)現(xiàn)全局搜索的過程.

2 VMD-BiLSTM-WOA模型的構(gòu)建

文章所構(gòu)建的VMD-BiLSTM-WOA模型主要包括四個步驟.

步驟一：收集歷史風(fēng)電功率數(shù)據(jù),刪除數(shù)據(jù)集中大段連續(xù)缺失的數(shù)據(jù),對剩余數(shù)據(jù)使用前后均值方法進(jìn)行補(bǔ)全.

步驟二：使用VMD對預(yù)處理后的風(fēng)電功率數(shù)據(jù)進(jìn)行分解,利用中心頻率法來選取最佳的模態(tài)分解個數(shù),得到多個IMF分量,從而降低風(fēng)電功率數(shù)據(jù)的復(fù)雜度和非平穩(wěn)性.

步驟三：訓(xùn)練BiLSTM-WOA模型.對每個IMF分量進(jìn)行歸一化處理,并將其劃分為訓(xùn)練集和測試集,使用WOA算法優(yōu)化BiLSTM的6個參數(shù),即包括學(xué)習(xí)率、迭代輪數(shù)(epochs)、批大小(batchsize)以及隱藏層和全連接層的節(jié)點(diǎn)數(shù).

步驟四：確定每個模型的最佳參數(shù)后,將測試集數(shù)據(jù)輸入到訓(xùn)練的BiLSTM-WOA模型中,再將預(yù)測值進(jìn)行反歸一化處理,并疊加以獲得最終的風(fēng)電功率預(yù)測值.

圖3顯示了BiLSTM-WOA組合模型的原理,即利用WOA算法對BiLSTM的參數(shù)取值進(jìn)行優(yōu)化,提高BiLSTM的全局尋優(yōu)能力.圖4顯示了所提混合模型進(jìn)行風(fēng)電功率預(yù)測的具體流程圖.

圖3 BiLSTM-WOA組合模型

圖4 VMD-BiLSTM-WOA混合預(yù)測模型流程圖

3 實(shí)例驗(yàn)證

3.1 數(shù)據(jù)描述和參數(shù)設(shè)置

文章的數(shù)據(jù)來源于Sotavento風(fēng)電場(https://www.sotaventogalicia.com/en/technical-area/real-time-data/historical/),該風(fēng)電場位于西班牙加利西亞省,由24臺不同型號的風(fēng)力渦輪機(jī)組成,風(fēng)電場的裝機(jī)容量為17.56 MW.選取2021年9月份的4 320條風(fēng)電功率數(shù)據(jù),采樣的時(shí)間間隔是10 min.由于大段連續(xù)缺失的數(shù)據(jù)缺少參照值,填充不當(dāng)可能會影響預(yù)測效果,故直接刪除這部分?jǐn)?shù)據(jù).剩余的4 252條數(shù)據(jù)集中還存在少數(shù)缺失值,采用前后均值填充的方法對其進(jìn)行補(bǔ)全,補(bǔ)全后的風(fēng)電功率數(shù)據(jù)如圖5所示.

圖5 風(fēng)電功率序列

表1 各IMF分量的中心頻率

圖6 VMD的結(jié)果

對風(fēng)電功率數(shù)據(jù)分解后的各個模態(tài)分量分別進(jìn)行歸一化處理,再將其劃分為訓(xùn)練和測試集,它們分別占總數(shù)據(jù)集的90%和10%.在使用WOA算法優(yōu)化BiLSTM模型參數(shù)前,需要對模型的參數(shù)進(jìn)行初始設(shè)置,從而對比說明優(yōu)化的有效性.BiLSTM和WOA具體的參數(shù)初始化設(shè)置如表2所示.分別采用Adam優(yōu)化器,將均方誤差(MSE)作為BiLSTM的損失函數(shù).結(jié)合公式(15)～(18)及圖3對BiLSTM的6個參數(shù)進(jìn)行優(yōu)化,得到較優(yōu)的網(wǎng)絡(luò)參數(shù).

表2 BiLSTM和WOA模型的參數(shù)設(shè)置

3.2 評價(jià)指標(biāo)

為了驗(yàn)證所提模型的性能,需要對預(yù)測結(jié)果進(jìn)行評估,并與其他類型模型的結(jié)果進(jìn)行比較.采用四種不同的指標(biāo)來衡量誤差,分別是平均絕對百分比誤差(MAPE)、均方根誤差(RMSE)、平均絕對誤差(MAE)以及相關(guān)系數(shù)(R2).它們的計(jì)算公式為:

(19)

(20)

(21)

(22)

小丁自從上次在倉庫被逮事件后，對甲洛洛更客氣，更關(guān)照了，而且很多時(shí)候，有事沒事跑到甲洛洛處坐坐，有時(shí)還偷偷在懷里藏一瓶江津白酒或幾包紅芙蓉?zé)?，放到甲洛洛床頭。甲洛洛很欣慰，總是對小丁：孩子，別給我拿東西了，我們之間沒必要這么客套。有時(shí)看著小丁唉聲嘆氣，甲洛洛又不忍心：過不下去就別糟踐自己了。

對于這四個評價(jià)指標(biāo),MAPE、RMSE、MAE的值越小,說明模型的預(yù)測性能越好;當(dāng)R2的值越接近于1時(shí),模型取得較好的預(yù)測性能.

3.3 結(jié)果分析

為了驗(yàn)證所提出模型的預(yù)測精度,在所收集的風(fēng)電功率數(shù)據(jù)上進(jìn)行實(shí)驗(yàn).將文章提出的VMD-BiLSTM-WOA模型與其他5種單一模型和5種混合模型進(jìn)行比較,以說明所提模型的優(yōu)越性以及改進(jìn)策略的有效性[24,25].用于比較的10種模型如下:BP、LSTM、BiLSTM、GRU、BiGRU、LSTM-WOA、BiLSTM-WOA、GRU-WOA、BiGRU-WOA和VMD-BiGRU-WOA.LSTM、GRU與BiGRU模型的參數(shù)與先前BiLSTM的參數(shù)設(shè)置相同,BP模型的參數(shù)設(shè)置如表3所示.

表3 BP模型參數(shù)設(shè)置

由于分解后的風(fēng)電功率序列有低頻和高頻之分,因此需要對每個子模態(tài)的模型分別進(jìn)行參數(shù)優(yōu)化,找到最優(yōu)的參數(shù)來訓(xùn)練模型.采用WOA算法對每個BiLSTM的參數(shù)進(jìn)行優(yōu)化,結(jié)果如表4所示.

表4 各子模型參數(shù)優(yōu)化結(jié)果

預(yù)測時(shí),將測試集代入到訓(xùn)練好的BiLSTM-WOA模型中,得到的預(yù)測結(jié)果與實(shí)際值的比較如圖7所示.從圖7可以看出,預(yù)測值與實(shí)際值的風(fēng)電功率曲線幾乎重合,這說明經(jīng)過分解再進(jìn)行參數(shù)優(yōu)化后的模型的預(yù)測效果非常好.

圖7 VMD-BiLSTM-WOA預(yù)測結(jié)果

為了評估不同模型的預(yù)測性能,使用四個常用的評價(jià)指標(biāo)對實(shí)驗(yàn)結(jié)果進(jìn)行分析,而這些評價(jià)指標(biāo)能夠有效地說明預(yù)測值與真實(shí)值之間的偏差.各模型預(yù)測結(jié)果對比如表5所示,圖8以柱狀圖的形式可視化評價(jià)指標(biāo),不同模型間預(yù)測結(jié)果的比較如圖9所示.

表5 不同模型的預(yù)測誤差評估

圖8 各模型評價(jià)指標(biāo)匯總圖

圖9 部分模型預(yù)測結(jié)果比較

(1) 文章所提出的VMD-BiLSTM-WOA模型具有最小的MAPE、RMSE和MAE和最大的R2值,它們分別都達(dá)到了14.68%、0.025 kW、0.011 9 kW以及0.997 6;BP效果相對最差,它的MAPE是34.56%,RMSE是0.085 3 kW,MAE是0.058 1 kW,R2是0.971 9.

(2) 通過對BP、LSTM、GRU、BiGRU以及BiLSTM五種單一模型預(yù)測結(jié)果的比較,可以得出BiLSTM模型具有更好的預(yù)測性能,GRU和LSTM的結(jié)果相差不大.

(3) 通過比較LSTM-WOA、GRU-WOA、BiGRU-WOA和BiLSTM-WOA,可以發(fā)現(xiàn)使用智能算法WOA優(yōu)化模型參數(shù)以后的效果整體上比未優(yōu)化的單一模型的性能有所提高.尤其是對BiLSTM參數(shù)優(yōu)化以后的效果十分顯著,MAPE下降了約5.33%,RMSE下降了約0.008 kW,MAE下降了約0.004 kW,R2提高了約0.002.這些結(jié)果充分說明了WOA算法能夠?qū)δＰ偷膮?shù)進(jìn)行優(yōu)化,同時(shí)也說明了WOA算法的有效性.

(4) 在添加了VMD之后,基于WOA優(yōu)化的BiGRU和BiLSTM的整體性能都有所提升,說明風(fēng)電功率數(shù)據(jù)經(jīng)過信號分解技術(shù)能夠更好地處理其中的噪聲,從而進(jìn)一步提高預(yù)測精度.相對于VMD-BiGRU-WOA,本文所提出模型性能更優(yōu),其中MAPE下降了約1.5%,MAE下降了約0.005 kW.從整體上來看經(jīng)過分解和優(yōu)化處理以后,BiLSTM和BiGRU的預(yù)測性能都有提升.

(5) 通過分析圖9,可以看出文章所提模型VMD-BiLSTM-WOA與真實(shí)測量值是最接近的,這說明所提出的改進(jìn)策略是有效的.

綜上所述,單獨(dú)使用WOA對BiLSTM的參數(shù)進(jìn)行優(yōu)化,能夠提高BiLSTM的預(yù)測效果,克服人工調(diào)參難以找到較優(yōu)解的問題,且降低BiLSTM的隨機(jī)性.若再同時(shí)結(jié)合VMD,BiLSTM的預(yù)測性能提升更加明顯,這是由于VMD具有自適應(yīng)和完全非遞歸的特點(diǎn),從而降低了數(shù)據(jù)的復(fù)雜度,使得后續(xù)的預(yù)測誤差更小.從上述結(jié)論可以看出:本文所提出的混合深度學(xué)習(xí)模型是有效的,能夠很好地提升預(yù)測結(jié)果的準(zhǔn)確性,顯著降低風(fēng)電功率的預(yù)測誤差.

4 結(jié)論

文章提出了一種用于短期風(fēng)電功率預(yù)測的VMD-BiLSTM-WOA混合模型.在整個預(yù)測過程中,使用VMD對風(fēng)電功率進(jìn)行分解,從而降低了時(shí)間序列復(fù)雜度,且消除了模態(tài)混疊現(xiàn)象.對每個子模態(tài),分別建立BiLSTM模型,同時(shí)使用WOA算法對學(xué)習(xí)率、隱層節(jié)點(diǎn)數(shù)等6個參數(shù)進(jìn)行優(yōu)化.基于所優(yōu)化的參數(shù)來確立各模態(tài)的BiLSTM模型,最后對預(yù)測結(jié)果進(jìn)行求和重構(gòu),有效地提高了模型的預(yù)測性能.

為了驗(yàn)證所提混合模型的有效性,使用MAPE、RMSE、MAE和R2作為預(yù)測精度的評價(jià)指標(biāo),對比了單一模型和混合模型的預(yù)測結(jié)果.結(jié)果表明,文章提出的混合模型的各項(xiàng)指標(biāo)都優(yōu)于其他預(yù)測模型,能夠達(dá)到相對較好的風(fēng)電功率預(yù)測效果,為有效提高電網(wǎng)運(yùn)行增加了可靠性.影響風(fēng)電功率預(yù)測準(zhǔn)確性的因素有很多,包括風(fēng)速、風(fēng)向、空氣密度、風(fēng)電場裝機(jī)容量等.未來的研究可以考慮在預(yù)測中添加適當(dāng)?shù)臍庀笠?進(jìn)一步說明氣象要素對風(fēng)電功率預(yù)測的影響.