鄒邦杰,劉國(guó)巍

(安徽理工大學(xué) 電氣與信息工程學(xué)院,安徽 淮南 232001)

0 引言

隨著光伏發(fā)電站電網(wǎng)電源結(jié)構(gòu)比重的增加,光伏功率預(yù)測(cè)系統(tǒng)對(duì)于并網(wǎng)而言就變得尤為重要。光伏數(shù)據(jù)受天氣影響較大,具有波動(dòng)性與難預(yù)測(cè)性,高精度的光伏預(yù)測(cè)系統(tǒng)能夠有效地幫助電網(wǎng)調(diào)度部門做好各類電源的調(diào)度計(jì)劃[1]。

光伏功率預(yù)測(cè)方法有很多種,近年來(lái)具有短期記憶的RNN(Recurrent Neural Network)與CNN逐漸成為預(yù)測(cè)課題的研究熱點(diǎn)[2-3]。其中,由于RNN存在梯度爆炸與梯度消失,很少使用。其優(yōu)化模型LSTM(Long Short-Term Memory)與GRU(Gate Recurrent Unit)由于解決了梯度爆炸與梯度消失的問(wèn)題,因此常作為預(yù)測(cè)模型。朱喬木等[4]利用LSTM預(yù)測(cè)風(fēng)電場(chǎng)的功率取得了不錯(cuò)的效果,證明LSTM在預(yù)測(cè)問(wèn)題方面有很好的研究?jī)r(jià)值。楊春熙等[5]利用GRU有效地提取了太陽(yáng)輻照度的特征,實(shí)驗(yàn)表明相較于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò),GRU具有更好的效果。李多等[6-8]采用了分解算法中常用的經(jīng)驗(yàn)?zāi)B(tài)分解與變分模態(tài)分解算法對(duì)功率進(jìn)行分解,使得模型精度再一次提升。但是經(jīng)驗(yàn)?zāi)B(tài)分解存在頻率混淆與魯棒性弱的問(wèn)題,變分模態(tài)分解方法中需要人為設(shè)定分解模態(tài)數(shù)。目前,光伏序列分解算法存在待分解信號(hào)的自適應(yīng)設(shè)置問(wèn)題與魯棒性問(wèn)題。

針對(duì)目前光伏序列分解算法的自適應(yīng)與魯棒性問(wèn)題,辛幾何優(yōu)化算法具有很好的魯棒性與分解能力,比常用的分解方法更加優(yōu)越,并且在機(jī)械故障診斷中取得了不錯(cuò)的效果[9]。本文提出了基于辛幾何模態(tài)分解算法的CNN-BiGRU光伏功率預(yù)測(cè)模型,使用辛幾何分解算法將歷史光伏數(shù)據(jù)進(jìn)行模態(tài)分解,再結(jié)合天氣數(shù)據(jù)輸入CNN-BiGRU模型進(jìn)行預(yù)測(cè),最后將每個(gè)模態(tài)的預(yù)測(cè)結(jié)果進(jìn)行疊加得到最終預(yù)測(cè)結(jié)果。

1 辛幾何模態(tài)分解的原理

1.1 相空間重構(gòu)

由Takens 定理的嵌入式思想可得,對(duì)于一個(gè)一維混沌時(shí)間序列x=(x1，x2，...,xn)(n表示此混沌時(shí)間序列的長(zhǎng)度)可以通過(guò)確定延時(shí)時(shí)間τ與嵌入維數(shù)d,將其拓展為n-(d-1)τ個(gè)d維向量,由此可以構(gòu)造x的軌跡矩陣:

(1)

其中,F=n-(d-1)τ。

1.2 辛幾何相似變換與矩陣重構(gòu)

基于得到的軌跡矩陣,本文構(gòu)造了辛幾何矩陣。首先通過(guò)協(xié)方差矩陣A進(jìn)一步構(gòu)造哈密頓矩陣M。

A=XTX

(2)

由辛幾何原理可知,哈密頓矩陣M還不足以構(gòu)造辛幾何矩陣,由此對(duì)哈密頓矩陣進(jìn)行進(jìn)一步處理得到另一個(gè)哈密頓矩陣W,然后構(gòu)建包含辛幾何矩陣G的等式。

W=M2

(3)

現(xiàn)在通過(guò)辛幾何相似變換獲得G。設(shè)置一個(gè) Householder 矩陣Q,并且構(gòu)造矩陣H。

(4)

經(jīng)證明,G可以由H所代替。通過(guò)辛幾何變換Q保持了原始信號(hào)的特征,矩陣Q可以通過(guò)對(duì)A2的QR分解獲取。

獲取了辛幾何正交矩陣Q,接下來(lái)開(kāi)始構(gòu)造重構(gòu)矩陣Z。

Zi=QiSi(i=1,2,3,...,d)

Z=Z1+Z2+Z3+...+Zd

(5)

其中,Zi為F*d單分量重構(gòu)矩陣。

1.3 對(duì)角平均

采用對(duì)角平均化將Zi轉(zhuǎn)換為n長(zhǎng)度的一維原始單分量信號(hào)。

(6)

其中,d*=min(F,d),m*= max(F,d),至此將原始信號(hào)x轉(zhuǎn)換為d組長(zhǎng)度為n的序列之和。

2 SGMD-CNN-BiGRU

由于辛幾何模態(tài)分解在處理復(fù)雜信號(hào)方面具有良好的分解性能,且能夠使原始時(shí)間序列的本質(zhì)保持不變,具有較強(qiáng)的魯棒性。因此,本文選用辛幾何分解進(jìn)行光伏發(fā)電功率的分解。光伏數(shù)據(jù)不僅僅與過(guò)去的數(shù)據(jù)有關(guān),還有可能與未來(lái)數(shù)據(jù)有關(guān)。與LSTM相比,GRU的參數(shù)和計(jì)算時(shí)間都得到減少,同時(shí)為了充分挖掘光伏數(shù)據(jù)的前后關(guān)聯(lián)信息與特征提取,本文使用CNN-BiGRU。綜上所述,本文提出SGMD-CNN-BiGRU光伏功率預(yù)測(cè)模型。

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證模型的實(shí)用性與通用性,本文選取2組不同范圍的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。第一組選取1個(gè)月數(shù)據(jù)使用前80%的數(shù)據(jù)進(jìn)行訓(xùn)練,后20%進(jìn)行預(yù)測(cè)用來(lái)驗(yàn)證該模型在短期范圍的預(yù)測(cè)能力,同時(shí)設(shè)置對(duì)比實(shí)驗(yàn);第二組使用全年范圍的數(shù)據(jù),前80%的數(shù)據(jù)進(jìn)行訓(xùn)練,后20%進(jìn)行預(yù)測(cè)用來(lái)實(shí)驗(yàn)驗(yàn)證該模型在中長(zhǎng)期范圍的預(yù)測(cè)能力。

3.1 模型評(píng)價(jià)指標(biāo)

本文采取的SGMD-CNN-BiGRU模型預(yù)測(cè)光伏發(fā)電功率本質(zhì)上屬于回歸預(yù)測(cè),因此本文所采取的評(píng)價(jià)指標(biāo)使用回歸預(yù)測(cè)評(píng)價(jià)指標(biāo):平均絕對(duì)百分比誤差(MAPE)、均方根誤差(RMSE)、平均絕對(duì)誤差(MAE)與確定系數(shù)(R2)。具體計(jì)算公式如下:

(7)

3.2 對(duì)比實(shí)驗(yàn)與結(jié)果分析

為了有效地驗(yàn)證本文所提出的SGMD-CNN-BiGRU模型的精度,本文使用EarlyStopping函數(shù)對(duì)目前損失進(jìn)行檢測(cè)防止過(guò)擬合,SGMD-CNN-BiGRU的短期預(yù)測(cè)結(jié)果與中長(zhǎng)期預(yù)測(cè)結(jié)構(gòu)如表1所示。

表1 不同預(yù)測(cè)范圍評(píng)價(jià)指標(biāo)

從短期預(yù)測(cè)與中長(zhǎng)期預(yù)測(cè)的實(shí)驗(yàn)結(jié)果可以得出,本文所提出的基于辛幾何模態(tài)分解的CNN-BiGRU模型在不同范圍內(nèi)的預(yù)測(cè)均具有非常高的擬合精度,驗(yàn)證了模型的通用性。

為了驗(yàn)證模型的優(yōu)越性,本文設(shè)置對(duì)比實(shí)驗(yàn),將模型與CNN-BiGRU、CNN-GRU、GRU在短期預(yù)測(cè)范圍進(jìn)行對(duì)比,性能評(píng)價(jià)如表2所示。

表2 不同模型短期預(yù)測(cè)評(píng)價(jià)標(biāo)準(zhǔn)對(duì)比

通過(guò)實(shí)驗(yàn)了解到引入CNN做特征提取與降維可以大幅度提高GRU模型的預(yù)測(cè)精度,引入未來(lái)元素之后精度也有了較為明顯的提升,之后將歷史功率使用辛幾何分解后輸入模型,使得精度再一次提升。由此表明,本文所采取的辛幾何分解算法對(duì)提高模型預(yù)測(cè)光伏發(fā)電功率的精度有著顯著的效果。

4 結(jié)語(yǔ)

本文提出使用辛幾何分解方法分解光伏歷史數(shù)據(jù)可以充分挖掘歷史發(fā)電功率的信息。實(shí)驗(yàn)證明所使用的辛幾何分解算法可以有效提高模型的預(yù)測(cè)精度。基于辛幾何模態(tài)分解的CNN-BiGRU模型可以有效地在短期與中長(zhǎng)期預(yù)測(cè)光伏電站的發(fā)電功率,同時(shí)也證明辛幾何分解在光伏功率預(yù)測(cè)上具有一定的研究?jī)r(jià)值。后續(xù)可以繼續(xù)探究改進(jìn)辛幾何分解算法在光伏功率預(yù)測(cè)上的應(yīng)用。