摘要：為獲取風電功率的時間細節(jié)特征，提高風電功率預測精度，本文提出基于MIC-IVMD-LSTM的風電功率預測模型。首先，使用最大互信息數算法選取特征參數，選擇最大互信息系數前三的風速、風向和氣壓作為在后續(xù)預測過程中輸入的特征變量，降低特征維度。其次，使用改進的變分模態(tài)分解（Variational Modal Decomposition，VMD）分解風電功率序列，獲取最佳的模態(tài)分解數。最后，使用LSTM模型進行超短期風電功率預測。實例分析表明，基于MIC-IVMD-LSTM的風電功率預測模型能夠有效提高風電功率預測精度，為電網調度提供科學依據。

關鍵詞：風電功率預測；最大互信息系數；改進的VMD；LSTM

中圖分類號：TM614""""""""" 文獻標志碼：A

隨著清潔能源快速發(fā)展，風力發(fā)電已經成為可再生能源的重要組成部分。由于風的特點是具有隨機性，因此發(fā)電功率預測準確率低，影響電力供需平衡。提高風電功率預測的準確性，為電網調度提供科學依據，對促進我國能源產業(yè)發(fā)展意義重大[1-3]。

為應對風力發(fā)電的隨機性、非平穩(wěn)性特點，提高預測準確性，本文提出一種結合最大互信息系數（Maximal"""""" Information Coefficient，MIC）[1]、改進的變分模態(tài)分解（Improved variational mode decomposition，IVMD）和長短期記憶網絡（Long Short-Term Memory，LSTM）[2-3]的風電功率預測組合模型。

1模型原理

1.1IVMD算法

變分模態(tài)分解（Variational Modal Decomposition，VMD）將原始風電功率序列從低頻向高頻方向分解[2-3]，低頻本征模態(tài)分量（Intrinsic Mode Function，IMF）序列更容易反映數據的總體趨勢，當IMF頻率最大時，對應的包絡峰度也最大。因此，需要確定最佳的分解層數K，使分解的IMF序列的包絡峰度最大。假設VMD的分解層數為K，每個IMF的包絡線的計算過程如公式（1）所示。

式中：xtki為經過希爾伯特變換后得到的絕對值；為沖激響應；i為第i個IMF；k為分解IMF個數；xtik（t）為當分解層數為k時的第i個IMF（i）。

對每個IMF的包絡線來說，可以計算其包絡峰度即包絡線的曲率。第i個IMF（i）的包絡峰度如公式（2）所示。

（2）

式中：E為求期望；μ為求平均值；σ為求標準差；ek（i）為第i個IMF（i）的包絡峰度；μ（xtki）為xtki的平均值；σ（xtki）為xtki的標準偏差；E（xtki-μ（xtki））4為xtki的四階中心矩。

尋找最佳的VMD分解層數K，確定最大包絡峰度的全局最值的步驟如下。

步驟一：根據公式（1）計算每個IMF的包絡線。

步驟二：根據公式（2）在每個IMF的包絡線上尋找局部最大值點eki（i=1，2，…，k），得到局部最大包絡峰度，如公式（3）所示。

步驟三：找到每個IMF包絡線的局部最大值，記錄這些局部最大包絡峰度ekkmax（k=2，…，k）。

步驟四：計算最大包絡峰度的全局最大值，即找到所有IMF包絡線的局部最大值中的最大值，如公式（4）所示。

步驟五：繪制最大包絡峰度隨K變化的趨勢圖。橫坐標為K，縱坐標為最大包絡峰度的全局最大值。觀察趨勢圖，可以找到最大包絡峰度的全局最大值所對應的K即為最優(yōu)的VMD最大分解層數。

1.2LSTM

LSTM是一種特殊的循環(huán)神經網絡（Recurrent Neural Network，RNN），其作用是解決傳統(tǒng)RNN在處理長序列數據過程中出現的梯度消失和梯度爆炸問題[3-5]。與傳統(tǒng)的RNN相比，LSTM的記憶能力和長期依賴性更好。當處理時間序列數據時，LSTM網絡能夠更好地挖掘數據中的潛在規(guī)律，捕捉更長時間跨度的依賴關系。

風電功率序列具有隨機性、間歇性、非平穩(wěn)性和長依賴性等特點，因此使用LSTM進行風電功率預測。LSTM的基本結構如圖1所示。

遺忘門處理上一個傳遞信號，它的輸出與t時刻的輸入Xt和前一個時刻的隱藏狀態(tài)Ht-1有統(tǒng)計學意義，遺忘門Ft的計算過程如公式（5）所示。

式中：Wf、Uf為激活函數的權重參數；bf為偏置項。

輸入門將決策向量It與候選記憶細胞的信息向量Ct的對應元素相乘，決定t時刻的記憶細胞Ct中保留多少當前時刻的信息Xt。It與Ct的計算過程如公式（6）、公式（7）所示。

式中：Wi、Ui為輸入門中σ函數權重；bi為輸入門中對應偏置項；Wc、Uc為tanh函數權重；bc為對應偏置項。

Ct的計算過程如公式（8）所示。

式中：Ct-1為前一個時刻的記憶細胞狀態(tài)。

輸出門的作用是確定Ct輸出至細胞的隱藏狀態(tài)Ht中的比重。Ht和Ct的決策向量Ot計算過程如公式（9）、公式（10）所示。

式中：Wo、Uo為輸出門中σ激活函數的權值參數；bo為偏置項。

2MIC-IVMD-LSTM短期風電功率預測模型設計

本文使用基于MIC-IVMD-LSTM的組合模型進行風電功率預測，模型整體架構如圖2所示。

風電功率預測有以下6個步驟。1）對氣候數據及功率數據進行數據預處理，采用插值法處理功率異常點，提高數據質量。2）選取氣候特征數據序列作為參數。使用MIC算法計算風速度與風電功率、風向與風電功率、溫度與風電功率、濕度與風電功率、氣壓與風電功率的最大互信息系數，根據計算結果選取在后續(xù)預測過程中的特征變量。3）采用改進的IVMD方法分解風電功率序列。由于風電功率具有隨機性、間歇性、非平穩(wěn)和波動性強的特點，因此采用IVMD進行分析，獲取最佳的K以進行模態(tài)分解，進一步獲取風電功率在時間上的細節(jié)特征。4）基于MIC-IVMD-LSTM進行風電功率預測。使用選取的風電氣候特征分量與分解后的模態(tài)分別進行重構，輸入LSTM模型進行訓練預測。5）疊加預測結果。將風電功率的每個模態(tài)預測結果進行疊加求和，得到風電功率的最終預測值。6）誤差評測。使用平均絕對百分比誤差（Mean Absolute Percentage Error，MAPE）、平均絕對誤差（Mean Absolute Error，MAE）和均方根誤差（Root Mean Squard Error，RMSE）評價指標分析預測結果[6]，并對模型效果進行評判。

3實例分析

為驗證文中所提模型的優(yōu)越性，采用Python3.9進行編程。選取真實風力發(fā)電數據預測數據集一號風機的數據，以15min為1個采樣點，共計34589個采樣點，包括風速、風向、溫度、濕度、氣壓和真實功率等。本文劃分前70%的數據用于訓練模型，后30%的數據用于測試。原始功率序列如圖3所示。

3.1特征選取

利用最大互信息系數法分析風電數據集中氣象屬性與風電功率之間的相關性，互信息系數見表1。由表1可知，風速與風電功率之間的相關性最強，風向和氣壓作為次要因素也可能對風電功率的預測有一定的影響。選擇風速、風向和氣壓作為后續(xù)風電功率在預測過程中的輸入特征變量，有助于建立更準確的風電功率預測模型。

3.2基于IVMD的風電功率分解結果

采用IVMD算法對風電功率序列進行模態(tài)分解，當K取不同值時，不同分解層數對應的最大包絡峰度值見表2。

根據表2數據繪制最大包絡峰度隨K變化的趨勢，如圖4所示。

觀察趨勢圖，可以找到最大包絡峰度的全局最大值所對應的分解層數K=6。IVMD的輸入參數（見表3）設定如下：懲罰因子為α，噪聲容忍度為τ，直流分量參數為DC，收斂容忍準則為tol，初始化中心頻率參數為init。

為了便于觀察，截取3190個采樣點，對風電功率序列進行IVMD分解，分解結果如圖5所示。

由圖5可知，IVMD分解后各個子序列之間的模態(tài)頻率差異明顯，有效地避免了模態(tài)混疊和端點效應問題。使用IVMD分解將原始功率序列分解成多個IMF子序列（IMF1～IMF6）。對這些子序列進行重構，將各個子序列的相應位置上的值相加，得到新的重構子序列，將其用于分量預測。將各個重構子序列的預測結果進行疊加，以獲得最終的預測結果。這種方法充分利用了IVMD分解后的多個子序列，從而提高了預測的準確性和穩(wěn)定性。

3.3MIC-IVMD-LSTM模型預測結果

使用優(yōu)化后的模型對風電功率進行預測，與真實功率對比，預測效果如圖6所示。

由圖6可知，MIC-IVMD-LSTM模型的預測功率值與實際功率值擬合效果較好。為了進一步驗證MIC-IVMD-LSTM模型的預測性能，將其與其他預測模型進行對比，各模型預測誤差對比見表4。

由表4可知，3個模型的回歸平方和與總平方和之間的比例R2_score都比較接近1，這說明回歸線的預測能力較強。從誤差測評角度分析，單一模型的預測效果最差，使用VMD分解后再預測，與單一LSTM模型相比，VMD-LSTM模型的RMSE、MAE和MAPE分別降低了32.64%、19.24%和51.60%，組合VMD-LSTM模型預測效果更好。因為VMD可以提取風電功率序列中的不穩(wěn)定性信號且VMD具有自適應特點，所以魯棒性更好。使用最大互信息數算法選取特征參數后，再使用改進后的IVMD分解模態(tài)，改進的模型MIC-IVMD-LSTM的預測效果進一步提升。與VMD-LSTM模型相比，使用MIC-IVMD-LSTM模型預測誤差，其RMSE、MAE和MAPE分別降低了31.30%、28.53%和49.79%。利用最大互信息數算法選取對功率影響最大的3個氣候特征參數進行預測，同時使用改進的VMD分解算法獲取最佳模態(tài)分解數，不僅能夠提取風電功率序列中的時間細節(jié)特征，而且避免了信號混疊及過擬合現象，優(yōu)化了模型的學習數據以及參數，提升了預測效果。

4結論

風電功率具有隨機性、間歇性、非平穩(wěn)性和波動性強等特點，本文提出一種根據氣候數據進行風電功率預測的方法，基于MIC-IVMD-LSTM超短期風電功率預測模型。該模型使用最大互信息數算法選取特征參數后，降低了數據冗余，再使用改進后的VMD分解模態(tài)，獲取最佳的模態(tài)分解數，提取風電功率的深層特征，將子序列與特征MIC選取的特征變量輸入LSTM中進行訓練。模型預測效果圖和各模型

預測誤差對比情況表明，與LSTM、VMD-LSTM模型相比，本文模型預測誤差較小，預測效果明顯提升。

參考文獻

[1]許越，李強，崔暉. 基于MIC-EEMD-改進Informer的含高比例清潔能源與儲能的電力市場短期電價多步預測[J]. 電網技術，2024，48（3）：949-958.

[2]劉新宇，蒲欣雨，李繼方，等. 基于貝葉斯優(yōu)化的VMD-GRU短期風電功率預測[J]. 電力系統(tǒng)保護與控制，2023，51（21）：158-165.

[3]肖烈禧，張玉，周輝，等. 基于IAOA-VMD-LSTM的超短期風電功率預測[J]. 太陽能學報，2023，44（11）：239-246.

[4]劉舒，姚尚坤，周敏，等. 基于ICEEMDAN-TA-LSTM模型的主動配電網短期運行態(tài)勢預測 [J]. 電力科學與技術學報，2023，38（6）：175-186.

[5] 盛強 . 基于小波變換和 CNN-LSTM 的風電功率 Stacking 集成預測模型 [D]. 北京 ：華北電力大學， 2022.

[6] 馬偉，謝麗蓉，馬蘭，等 . 短期風電功率預測誤差及出力波動的概率建模 [J]. 太陽能學報，2023，44（11）：361-366.

通信作者 ：陳?。?987-），男，湖南衡陽人，本科，湖南交通工程學院教師，研究方向為人工智能。

電子郵箱 ：353701007@qq.com。