摘 要：風電集群大規(guī)模并網(wǎng)和跨季節(jié)使用產(chǎn)生的不確定性對風電功率預測播報的準確度提出更高的要求。為提高風電功率預測的準確度，提出一種基于帝王蝶優(yōu)化算法（MBO）的卷積神經(jīng)網(wǎng)絡（CNN）-門控循環(huán)單元（GRU）-梯度提升學習（LightGBM）復合風電功率預測模型。首先，分別建立CNN-GRU和LightGBM的風電功率預測模型，利用方差倒數(shù)法將兩個模型加權組合為CNN-GRU-LightGBM復合模型；為優(yōu)化模型中的連續(xù)參數(shù)，使用MBO對模型進行超參數(shù)優(yōu)化。最后，選取珠海某海上風電場的短期風電功率數(shù)據(jù)對所提方法與已有預測方法進行對比，實驗結果表明，該模型結合了CNN-GRU、LightGBM等模型的優(yōu)點，預測誤差更小，預測精度更高，擁有更強的季節(jié)普適性。

關鍵詞：風電功率預測；卷積神經(jīng)網(wǎng)絡；門控循環(huán)單元；梯度提升學習；帝王蝶算法

中圖分類號：TW614 """""""""" """"""""文獻標志碼：A

0 引 言

隨著“雙碳”戰(zhàn)略的提出，中國亟需加快能源系統(tǒng)的低碳轉型，推動可再生能源的高速度高質量發(fā)展。風電作為可再生能源的重要組成部分，截至2022年，中國風力發(fā)電裝機容量達到3.6億kW，同比增長11.2%，容量總和約占全國發(fā)電機裝機總量的14%，連續(xù)多年裝機規(guī)模穩(wěn)居全球首位［1-2］。風能的時空隨機性導致風力發(fā)電穩(wěn)定性差、波動明顯，進而對其并網(wǎng)帶來極大的困難，因此，提升風功率預測的準確性是必要的。

受當?shù)丨h(huán)境、季節(jié)、氣象及機組運行參數(shù)等因素影響，風功率具有很強的隨機波動性并兼有季節(jié)變化性，不同時空的風資源分布下，風功率特性差異也較為明顯，為提高風力發(fā)電功率預測的準確性，文獻［3］提出物理、統(tǒng)計和復合3種模型預測風力發(fā)電功率。通過對比分析，物理模型和統(tǒng)計模型的預測結果準確性不高，學習性差，難以適應實際情況，而復合模型適應性強，效率高，預測誤差?。?］。所以復合模型逐漸成為風電預測的主要研究方向。

復合模型指優(yōu)化算法與預測模型相結合。目前主要的預測模型有卷積神經(jīng)網(wǎng)絡（convolutional neural network， CNN）［5］、隨機森林（random forest，RF）［6］、長短期記憶網(wǎng)絡（long short-term memory，LSTM）［7］、梯度提升學習（light gradient boosting machine，LightGBM）［8］等。主要的優(yōu)化算法有：粒子群算法（particle swarm optimization，PSO）［9］、遺傳算法（genetic algorithm，GA）［10］、帝王蝶優(yōu)化算法（monarch butterfly optimization，MBO）［11］等。文獻［12］對近年來光伏發(fā)電功率短期預測領域的研究進行了全面的綜述，并深入分析了各種氣象因素與光伏發(fā)電功率之間的相關性；文獻［13］綜述了常用的4種統(tǒng)計模型在短期風能預測方面的研究進展；文獻［14］使用了小波數(shù)據(jù)分解技術來預測短期和長期風力發(fā)電量，利用粒子群優(yōu)化算法來調(diào)整卷積神經(jīng)網(wǎng)絡的權重，并通過特征選擇技術來選擇輸入特征；文獻［15］使用門控循環(huán)單元（gated recurrent unit，GRU）來進行短期風力發(fā)電預測，加入注意力機制來獲得關鍵輸入變量，使用網(wǎng)絡搜索算法選擇GRU的超參數(shù)，但該方法計算量大，結構復雜，并不是最佳的參數(shù)選取方法；文獻［16］建立CNN-GRU模型進行風力發(fā)電功率預測，首先使用CNN提取數(shù)據(jù)集的特征，然后將提取的特征輸入到GRU網(wǎng)絡得到預測結果；文獻［17］提出VMD-LSTM-LightGBM模型進行電力預測，首先使用VMD將輸入數(shù)據(jù)分解成不同尺度的特征模態(tài)分量，使用具有強特征提取能力的算法對這些分量進行預測，將每個特征模態(tài)分量分別輸入到LSTM模型并整合進行預測；文獻［18］分別構建基于CNN-LSTM的模型和lightGBM模型，用于進行超短期風電功率的預測，然后加權建立CNN-LSTM-lightGBM復合模型，提升處理復雜特征的能力，但超參數(shù)優(yōu)化有待提升；文獻［19］將基于時空注意力機制的BiLSTM與LightGBM組合，用BiLSTM捕捉時序特征，進行特征合并后訓練LightGBM，但該方法于長時依賴特征的解析能力較弱。文獻［20］建立一種由自適應噪聲的完全集成經(jīng)驗模式分解（complete ensemble empirical mode decomposition with adaptive noise，CEEMDAN）、MBO和LSTM組成的框架來預測風力發(fā)電功率，首先利用CEEMDAN提取出時間序列數(shù)據(jù)中的固有模式函數(shù)，然后利用MBO優(yōu)化LSTM模型，最后將固有模式函數(shù)輸入LSTM模型進行預測，但該方法的預測結果具有一定的隨機性。

綜上，復合模型在時序預測任務中取得了良好效果，但在準確性和普適性方面有待提高。因此本文提出一種基于帝王蝶優(yōu)化算法的CNN-GRU-lightGBM模型短期風電功率預測方法。首先，分別構建CNN-GRU模型和LightGBM模型，并利用方差倒數(shù)法對它們的預測結果進行加權組合，建立CNN-GRU-lightGBM復合模型；針對模型參數(shù)使用MBO進行超參數(shù)優(yōu)化，進一步提高預測精度。實驗結果表明，該方法比其他風電功率預測方法誤差更小，預測精度更高，普適性更強。

1 CNN-GRU-LightGBM復合模型

1.1 CNN-GRU預測模型

1.1.1 CNN模型

如圖1所示，CNN包括輸入層、卷積層、池化層、全連接層和輸出層。首先，數(shù)據(jù)集通過輸入層導入，其次，通過卷積層與池化層進行特征篩選，加快計算速度［19］。然后，將得到的特征傳遞到全連接層進行特征組合，全連接層的作用在于整合不同來源的特征信息，進一步提取深層次的特征表示。通過這種方式，模型能學習到數(shù)據(jù)中的隱含信息，在全連接層完成特征組合后，數(shù)據(jù)最終會傳遞到輸出層。輸出層負責將組合后的特征轉換為模型預測的結果。通過這種方式，可獲取數(shù)據(jù)的內(nèi)在規(guī)律，從而實現(xiàn)高效穩(wěn)定的預測。

1.1.2 GRU模型

GRU是循環(huán)神經(jīng)網(wǎng)絡（recurrent neural network，RNN）的變體，專用于處理序列數(shù)據(jù)。相比于LSTM，GRU結構簡單，訓練效率高。

GRU包含一個重置門[rt]和一個更新門[zt]。重置門的主要功能是前一狀態(tài)信息[ht-1]與當前序列[xt]輸入的集合，重置門的值越小，前一狀態(tài)的信息越少對當前狀態(tài)的貢獻就越小。這有助于模型關注當前的輸入，忽略之前不相關或過時的信息。更新門負責調(diào)節(jié)前一時刻狀態(tài)信息對當前狀態(tài)的影響程度，更新門的值越大，表示前一時刻狀態(tài)信息對當前狀態(tài)產(chǎn)生的影響越大。這允許模型在需要時保留重要的歷史信息，以支持對序列數(shù)據(jù)的長期依賴建模。重置門和更新門通過控制信息的流動，幫助GRU靈活地處理時間序列中的依賴關系，從而實現(xiàn)更準確的預測。

GRU組件的計算公式為［21］：

[zt=σ（Wz×[ht-1，xt]）] （1）

[rt=σ（Wr×[ht-1，xt]）] "（2）

[h～t=tanh（W×[rt×ht-1，xt]）] （3）

[ht=（1-zt）×ht-1+zt×h～t] "（4）

式中：[x=（x1，x2，…，xt）]——全連接層的輸出；[ht]——時間[t]的隱含狀態(tài)；[W]——權重矩陣；[σ]、[tanh]——兩個激活函數(shù)，即：

[σ=11+e-x] "（5）

[tanh=ex-e-xex+e-x] （6）

圖2為GRU的結構。

1.1.3 CNN-GRU模型

CNN-GRU模型的結構如圖3所示。在輸入特征中，用風速、風向和室外溫度表示天氣信息。風向的信息用風向的正弦值和余弦值表示。本文在CNN的全連接層后面添加了GRU層，然后添加輸出層。CNN在充分提取數(shù)據(jù)集的隱含特征的同時，有效減少了模型參數(shù)。GRU只需重置門和更新們，更新門控制前一時刻的狀態(tài)信息，解決了遞歸神經(jīng)網(wǎng)絡依賴性長的問題。然后輸出預測結果。這樣充分發(fā)揮了CNN、GRU兩個模型的優(yōu)勢，但也增加了模型設計和參數(shù)調(diào)優(yōu)的難度。

1.2 lightGBM預測模型

LightGBM是一種基于梯度提升決策樹（gradient boosting decision tree，GBDT）的機器學習框架。相較于傳統(tǒng)的GBDT算法，LightGBM在擬合殘差樹前采用了基于梯度的單邊采樣（gradient-based one-side sampling，GOSS）算法剔除權重較小的特征數(shù)據(jù)，減少數(shù)據(jù)量，采用互斥特征捆綁（exclusive feature bundling，EFB）算法，實現(xiàn)了特征捆綁，減少了特征數(shù)量。LightGBM模型相較于Xgboost（eXtreme gradient boosting，XGboost）主要改進是用基于直方圖的算法來找到最佳分割點，并采用基于Leaf-wise策略限制深度。直方圖算法的最大優(yōu)點在于：在迭代過程中，無需額外存儲預排序的結構。這一特點使得算法能直接保存特征離散化后的值，有效避免了傳統(tǒng)算法中可能需要的復雜排序操作，顯著減少了計算量并大幅降低內(nèi)存使用量［22］。圖4展示了直方圖構建過程。首先，將一維特征空間劃分為多個連續(xù)的區(qū)域，每個這樣的區(qū)域被稱為一個bin（包）。通過這種方式將整個特征空間組合成一個直方圖的形式，這個直方圖在LightGBM算法中起到了關鍵的作用，每個bin都存儲了兩種核心信息，一種是該bin內(nèi)的樣本實例數(shù)量，這有助于了解數(shù)據(jù)在該特征值范圍內(nèi)的分布密集程度；另一種是該樣本實例的梯度總和，這反映樣本在模型訓練過程中對損失函數(shù)的影響程度。對于擁有多維特征的數(shù)據(jù)集，LightGBM通過遍歷多個直方圖來找到最佳的特征分割點，以便在構建決策樹時進行節(jié)點分裂。Leaf-wise策略可不斷從每次分裂中選取最佳葉子，如圖5所示，該策略在每次迭代中，算法都會優(yōu)先選擇當前增益最大的葉子節(jié)點進行分裂。這樣有效的減少了節(jié)點分裂的次數(shù)，從而顯著提升了算法的效率，通過優(yōu)先分裂增益最大的節(jié)點，能避免采用復雜的分層策略可能帶來的不必要內(nèi)存和計算資源的消耗，使算法更高效，更加合理的利用資源。同時，為防止決策樹過深導致的過擬合問題，Leaf-wise策略還會對決策樹的深度進行限制。這樣，LightGBM在保持模型性

能的同時，也增強了其穩(wěn)定性和泛化能力。相比于Xgboost，LightGBM的訓練速度快近10倍，內(nèi)存占用率只有XGBoost的1/6，且準確率有所提升。

1.3 CNN-GRU-LightGBM模型

CNN-GRU模型通過結合CNN和GRU的優(yōu)勢，提高了特征提取能力和預測性能，但計算復雜性數(shù)據(jù)和參數(shù)調(diào)優(yōu)的難度較大且對長期依賴關系的捕捉能力有限。LightGBM模型具有快速高效、處理復雜特征和準確性的優(yōu)勢，但對噪聲敏感并需更多的內(nèi)存。但將兩個模型相結合，CNN提取的空間特征提供了數(shù)據(jù)的局部信息和模式，GRU提取的時序特征揭示了數(shù)據(jù)的時間依賴關系，而LightGBM則進一步增強了這些特征的表達能力和預測能力。缺點互補，進一步利用非線性學習來捕捉更高層次、更復雜的關系，提高模型整體性能。采用方差倒數(shù)法［23］對模型CNN-CRU和LightGBM的預測結果進行加權組合成CNN-GRU-LightGBM模型。

方差倒數(shù)法的原理為：根據(jù)每個預測模型結果的誤差平方和來判斷該模型的精度，模型的準確性越低，它在組合預測中的重要性也會降低，表達函數(shù)為：

[wi=Qi-1i=1kS-1i] "（7）

式中：[Qi]——預測值與實際值差值的平方和：

[Qi=t-1nyt-yt（i）2] （8）

CNN-GRU-LightGBM模型預測算法流程包含了多個重要步驟，這些步驟有助于提取關鍵信息、降低維度、處理復雜特征，以及模型訓練和調(diào)優(yōu)，預測步驟如下：

1）為獲得更多的有效信息，提高模型的泛化性和準確性，先用CNN-GRU模型提取輸入數(shù)據(jù)的特征，其中CNN層負責從原始風電數(shù)據(jù)中提取空間特征，對關鍵信息重點關注，GRU層則負責進一步處理這些提取出來的特征，捕捉時間序列中的長期依賴關系。降低維度，減少計算復雜性。

2）提取的特征通常是高維的，為減少計算復雜性、提高模型泛化能力和避免過擬合風險，需降低特征的維度。因此對特征進行相關性分析。最終選取對風電功率影響較大的風速、風向、環(huán)境溫度3個特征，其中為更有效地表示風向的周期性和方向性信息，將風向拆分為風向正弦和風向余弦兩部分。

3）將特征輸入到LightGBM模型中進行進一步的預測，LightGBM將根據(jù)這些特征構建樹模型，利用前面兩層提取和處理過的特征進行回歸預測。LightGBM的高效性和準確性使得模型能在保證性能的同時，降低計算復雜度，提高預測速度。

4）但該模型需合理的選擇模型的結構和超參數(shù)，并在訓練過程中進行優(yōu)化。為解決這個缺點，需加入優(yōu)化算法來對模型進行調(diào)優(yōu)。CNN-GRU-LightGBM模型預測模型算法流程圖如圖6所示。

2 基于帝王蝶算法的參數(shù)調(diào)優(yōu)

帝王蝶優(yōu)化算法相對于其他優(yōu)化算法，帝王蝶優(yōu)化算法具有更強的全局搜素能力、魯棒性和自適應性。采用了多種群協(xié)同進化的策略，不同種群之間通過信息共享和交叉，能共同協(xié)作，共同尋找全局最優(yōu)解。此外，帝王蝶優(yōu)化算法還結合了局部搜索策略，在全局搜索的基礎上，算法會對當前搜索到的較優(yōu)解進行局部精細搜索，以進一步提高解的精度［24］。

2.1 帝王蝶優(yōu)化算法

MBO算法在中模擬了大自然中的帝王蝶遷徙行為，由于其快速收斂、高準確性和易于實施的特點，在動態(tài)車輛路徑問題、測試分類和能源管理等許多應用中得到了成功應用［25］。該算法基于兩個相同大小的子種群：子種群1和子種群"因此有兩種策略：遷移算子和蝴蝶調(diào)整算子。

遷移算子可改善子種群之間的通訊，在子種群1中，每個蝴蝶[i]的行為都受到其他蝴蝶的影響，影響大小為[p]。[k]維度上的子種群1數(shù)學模型為：

[xt+1i，k=xtr1，k， "r≤pxtr2，k， "其他] （9）

式中：[r=R×p]；[xt+1i，k]——[t+1]次迭代中，用[xi]的第[k]個元素表示帝王蝶[i]的位置；[R]——［0，1］范圍內(nèi)的隨機實數(shù)；[p]——遷移周期。

蝴蝶調(diào)整算子：通過使用蝴蝶調(diào)整算子，可更新帝王蝶的位置信息。對于帝王蝶[j]的所有元素，新個體可用數(shù)學方式表示為：

[xt+1j，k=xtb，k， ""R≤pxtr3，k， "Rgt;pxt+1j，k+α×（dxk-0.5） ， "Brlt;R且Rgt;p] "（10）

式中：[xtb，k]——[xb]的第[k]個元素用于識別子種群中的最優(yōu)帝王蝶；[r3]—— 一組整數(shù)索引；[Br]——蝴蝶調(diào)整率。帝王蝶[j]的行走步長[dx]和加權因子的計算公式為：

[dx=Levy（xtj）//α=Smax/t2] （11）

式中：[Smax]——最大行走步長。

2.2 目標函數(shù)

該方法的目標是通過更新組合模型的權重和超參數(shù)，最小化Huber損失函數(shù)，從而提高預測準確性。本文選擇Huber損失函數(shù)是因為它對輸入數(shù)據(jù)的異常值具有魯棒性。該函數(shù)的數(shù)學表示為：

[Lδ（y，y）=12（y-y）2， "|y-y|≤δδ|y-y|-12δ2， "其他] （12）

式中：[δ]——控制在均方誤差（MSE）和平均絕對誤差（MAE）之間切換的機制，是一個正實數(shù)。

該優(yōu)化算法的停止準則是100次迭代次數(shù)。達到最大迭代次數(shù)后，程序將停止并輸出組合模型的最佳超參數(shù)。數(shù)學表達式為[Imaxlt;100]。

MBO優(yōu)化模型步驟如下：

1）初始化帝王蝶優(yōu)化算法，設置帝王蝶算法的參數(shù)及模型參數(shù)。

2）設置組合模型的待優(yōu)化參數(shù)范圍，優(yōu)化目標函數(shù)在當前位置的取值。

3）根據(jù)遷移比例和遷移周期，利用遷移算子更新種群中每個個體的位置。每個個體的新位置受其他個體位置的影響。

4）利用蝴蝶調(diào)整算子對種群中的個體位置進行微小調(diào)整。

5）根據(jù)當前種群中的最優(yōu)個體，更新全局最優(yōu)解。

6）檢查是否滿足停止迭代的條件，如是否達到最大迭代次數(shù)或達到預設的適應度閾值。

7）如果未滿足預設的終止條件，則返回第3）步繼續(xù)迭代，重復執(zhí)行3）～7）步，直到滿足終止條件為止。

總體預測流程如圖7所示。

3 結果與分析

3.1 數(shù)據(jù)處理

本文數(shù)據(jù)源自珠海某海上風電場實際運行數(shù)據(jù)。風電數(shù)據(jù)采樣周期為1 h（每天24個采樣點）。該數(shù)據(jù)內(nèi)含部分缺失值和故障數(shù)據(jù)，需進行數(shù)據(jù)篩選、清洗和填補。首先檢測偏離正常觀測值的異常值，并將其從數(shù)據(jù)中刪除。使用基于決策樹的隔離林算法［26］用于檢測風電測量中偏離總體模式的數(shù)據(jù)點。該方法為風力發(fā)電預測中最有效的算法之一。隔離林中的異常值部分被確定10%，它保留90%的正常數(shù)據(jù)。然后進行數(shù)據(jù)填補，使用一種基于改進隨機森林算法的缺失功率數(shù)據(jù)填充方法［27］，該方法利用電力數(shù)據(jù)的水平和垂直方向是基于時間序列的特征，在隨機森林填充缺失數(shù)據(jù)的方法的基礎上，先使用矩陣組合，將所有數(shù)據(jù)整合到一個矩陣中，然后對這個矩陣的缺失處用線性插值法進行數(shù)據(jù)填充，公式為：

[Y=Y1+（Y2-Y1）（X-X1）X2-X1] （13）

式中：[Y2gt;Y1]，[X2gt;Xgt;X1]。

獲得了準確、連續(xù)、全面的填充結果。最后進行矩陣轉置操作，用來滿足數(shù)據(jù)輸入的格式需求。這樣便解決了大量電力缺失數(shù)據(jù)填充的問題。風速數(shù)據(jù)處理前后的比較如圖8，圖9所示。異常數(shù)據(jù)和缺失數(shù)據(jù)得到了有效的清洗與填補，處理后的數(shù)據(jù)分布特點更為集中，且更加貼近標準的風速-功率曲線。然后對處理后的數(shù)據(jù)進行歸一化處理，計算公式為：

[xnew=x-xminxmax-xmin] "（14）

式中：[mmax]——數(shù)據(jù)的最大值；[mmin]——數(shù)據(jù)的最小值。

3.2 特征值選擇

本文以熱力圖的方式表達所有輸入特征與有功功率的相關系數(shù)。如圖10所示。

其中1表示完全線性正相關，0表示無線性相關，?1表示完全線性負相關。如圖10可知，風速和風電有功功率具有強相關性，大氣溫度與風向對風電功率也有較強的影響，所以本文主要考慮了風速、風向與溫度這3個特征。

3.3 性能評估指標

本文設計的組合模型使用平均絕對誤差（MAE）、均方根誤差（RMSE）、決定系數(shù)（[R2]）和平均絕對誤差比率（MAPE）4個度量函數(shù)進行量化。

RMSE是測量模型預測值和觀測值之間差異的最常用函數(shù)之一，可定義為：

[ERMSE=k=1nypk-ytk2n] （15）

MAE是絕對誤差損失的估計值，可定義為：

[EMAE=1nk=1n|ypk-ytk|] （16）

R2表示模型的擬合效果，可定義為：

[R2=1-k=1nyp-yt2k=1nyt-yt2] （17）

MAPE表示預測值與真實值的偏差，可定義為：

[EMAPE=1nk=1nyt-ypyt×100%] （18）

式中：[yp]——預測值；[yt]——真實值。其中RMSE、MAE、MAPE越小，說明預測精度越高。[R2]越接近"代表模型擬合效果越好。

3.4 預測結果分析

本文分別建立LSTM，LightGBM，CNN-GRU，未進行參數(shù)優(yōu)化的CNN-GRU-LightGBM，分別用鯨魚優(yōu)化算法（whale optimization algorithm，WOA）和MBO優(yōu)化過的CNN-GRU-LightGBM多個復合模型進行對比分析來驗證本文模型在短期風速預測上的優(yōu)越性。風電功率受季節(jié)影響較大，本文選取春夏秋冬4個季節(jié)中的代表日作為預測對象，并展示在這些特定日期下相應的預測效果。多個模型對4個代表日的預測結果已經(jīng)過了反歸一化處理。然后將4個模型的預測值與實際值繪制在圖11中。表1展示了4個季節(jié)代表日預測風電功率大小的基本參數(shù)。表2展示多個模型的評價指標對比結果。通過表1可知，4個季節(jié)風電功率差距較大，其中冬季和春季風速較大，風電出功功率較大，但波動性也大，功率最大最小值差額也較大，屬于風電功率上升期和高峰期。夏季秋季相對風電功率比較小，比較穩(wěn)定，屬于下降期和低谷期。

如圖11和表2所示，傳統(tǒng)的LSTM模型存在顯著的不足，預測誤差最大，對波動的敏感性相對較低，明顯的波動數(shù)據(jù)會對LSTM模型的預測性能產(chǎn)生非常負面的影響，產(chǎn)生較大的誤差甚至出現(xiàn)明顯的時延，這意味著，在復雜多變的應用場景中，單一的LSTM模型可能無法提供穩(wěn)定且準確的預測結果。

LightGBM模型和CNN-GRU模型各自也有有較大的缺陷，明顯的波動數(shù)據(jù)也會對單一的LightGBM模型產(chǎn)生一定的負面影響，特別在功率波動較強的季節(jié)，其預測效果會大打折扣，而CNN-GRU的預測結果也難以讓人滿意，精確無法滿足需求。

CNN-GRU-LightGBM復合模型可有效降低誤差，相較于LightGBM模型，4個典型日的MAE分別降低了29.3%、8.8%、16.5%、24.3%，RMSE分別降低了82.5%、12.5%、28.8%、24.3%，MAPE分別降低了20%、20.3%、28.2%、14.9%；對比CNN-GRU模型，4個典型日MAE分別降低了15.8%、9.9%、12%、17.9%，RMSE分別降低了37.8%、16.9%、10.6%、17.9%，MAPE分別降低了23.4%、14.5%、28.3%、18.1%。雖然精度有所提升，但仍受季節(jié)影響大，難以到達最優(yōu)效果。

引入優(yōu)化算法后，模型的誤差進一步的降低，相比于WOA優(yōu)化算法，MBO與該復合模型更匹配，用MBO優(yōu)化過的CNN-GRU-LightGBM復合模型比WOA優(yōu)化過的復合模型預測結果誤差更小，4個典型日的RMSE分別降低了17.4%、20.3%、5%、17.4%，MAPE分別降低了27.1%、4.2%、8.1%、10%，且R2更接近"擬合效果更好。

綜上，本文提出的MBO-CNN-GRU-LightGBM模型不僅具有高準確性，還展現(xiàn)出了較強的季節(jié)普適性。這種模型能更有效地應對數(shù)據(jù)波動，為實際應用提供了更為可靠和穩(wěn)定的預測結果。

4 結 論

為提高風功率預測的精度，提出CNN-GRU-LightGBM復合模型并用帝王蝶優(yōu)化算法對其參數(shù)進行優(yōu)化的方法。本文使用珠海某海上風電場實際運行數(shù)據(jù)驗證了模型的有效性并得到以下結論：

1）選取合適、相關性強的特征值并進行數(shù)據(jù)處理可減少模型的復雜度，減少模型的訓練時間和計算資源消耗，幫助模型提取有用信息，提高預測效率，增強模型泛化能力與預測準確性。

2）相比較于單一的預測模型，合適的模型進行組合可缺點互補，提高模型的魯棒性與可解釋性，減小預測誤差，提高整體預測性能。

3）采用方差倒數(shù)法構建了CNN-GRU-lightGBM組合模型，根據(jù)子模型預測精度的高低賦予不同的加權系數(shù)，合理利用兩個子模型的優(yōu)點，揚長避短，新模型具有高準確性、高靈活性以及較好的可解釋性等優(yōu)點，獲得更加準確的預測結果。

4）用帝王蝶優(yōu)化算法優(yōu)化CNN-GRU-lightGBM模型的超參數(shù)，使該模型具有高效性、魯棒性、自適應和全局搜索能力強等優(yōu)點，解決了該模型調(diào)優(yōu)困難的問題，獲得的預測結果比未優(yōu)化過的模型RMSE分別降低了17.4%、20.3%、5%、17.4%，預測精度高，季節(jié)普適性強，但模型對計算資源需求高。

［參考文獻］

［1］ 《中國能源發(fā)展報告2022》： 我國能源綠色低碳轉型加快推進［J］. 經(jīng)濟導刊， 2022（7）： 6.

China energy development report 2022： accelerating the green and low carbon transformation of energy in China［J］. Economic journal， 2022（7）： 6.

［2］ 中電建協(xié)發(fā)布《中國電力建設行業(yè)年度發(fā)展報告2022》［J］. 中國電力企業(yè)管理， 2022（27）： 8.

China electric power construction association released the Annual development report of China electric power construction "industry "2022［J］. "China "electric "power enterprise management， 2022（27）： 8.

［3］ HOSSAIN M A， CHAKRABORTTY R K， ELSAWAH S， et al. Very short-term forecasting of wind power generation using hybrid deep learning model［J］. Journal of cleaner production， 202""296： 126564.

［4］ CHEN N Y， QIAN Z， NABNEY I T， et al. Wind power forecasts using Gaussian processes and numerical weather prediction［J］. IEEE transactions on power systems， 2014， 29（2）： 656-665.

［5］ 查雯婷， 楊帆， 陳波， 等. 基于CNN的區(qū)域風功率預測方法［J］. 計算機仿真， 202""38（5）： 318-323.

ZHA W T， YANG F， CHEN B， et al. A regional wind power prediction method based on CNN［J］. Computer simulation， 202""38（5）： 318-323.

［6］ 李焱， 賈雅君， 李磊， 等. 基于隨機森林算法的短期電力負荷預測［J］. 電力系統(tǒng)保護與控制， 2020， 48（21）： 117-124.

LI Y， JIA Y J， LI L， et al. Short term power load forecasting based on a stochastic forest algorithm［J］. Power system protection and control， 2020， 48（21）： 117-124.

［7］ 韓朋， 張曉琳， 張飛， 等. 基于AM-LSTM模型的超短期風電功率預測［J］. 科學技術與工程， 2020， 20（21）： 8594-8600.

HAN P， ZHANG X L， ZHANG F， et al. Ultra-short-term wind power prediction based on AM-LSTM model［J］. Science technology and engineering， 2020， 20（21）： 8594-8600.

［8］ 徐磊， 吳鵬， 徐明生， 等. 基于卷積神經(jīng)網(wǎng)絡與LightGBM的短期風電功率預測方法［J］. 水電能源科學， 202""39（2）： 209-21""199.

XU L， WU P， XU M S， et al. Short-term wind power prediction based on convolution neural network and LightGBM algorithm［J］. Water resources and power， 202""39（2）： 209-21""199.

［9］ 徐巖， 向益鋒， 馬天祥. 基于粒子群算法優(yōu)化參數(shù)的VMD-GRU短期電力負荷預測模型［J］. 華北電力大學學報（自然科學版）， 2023， 50（1）： 38-47.

XU Y， XIANG Y F， MA T X. VMD-GRU short-term power load forecasting model based on optimized parameters of partical swarm algorithm［J］. Journal of North China Electric Power University（natural science edition）， 2023， 50（1）： 38-47.

［10］ LING S H， LEUNG F H F， LAM H K， et al. A novel genetic-algorithm-based neural network for short-term load forecasting［J］. IEEE transactions on industrial electronics， 2003， 50（4）： 793-799.

［11］ WANG G G， ZHAO X C， DEB S. A novel monarch butterfly optimization with greedy strategy and self-adaptive［C］//2015 Second International Conference on Soft Computing and Machine Intelligence （ISCMI）. Hong Kong， China， 2015： 45-50.

［12］ 趙澤妮， 云斯寧， 賈凌云， 等. 基于統(tǒng)計模型的短期風能預測方法研究進展［J］. 太陽能學報， 202""43（11）： 224-234.

ZHAO Z N， YUN S N， JIA L Y， et al. Recent progress in short-term forecasting of wind energy based on statistical models［J］. Acta energiae solaris sinica， 202""43（11）： 224-234.

［13］ 賈凌云， 云斯寧， 趙澤妮， 等. 神經(jīng)網(wǎng)絡短期光伏發(fā)電預測的應用研究進展［J］. 太陽能學報， 202""43（12）： 88-97.

JIA L Y， YUN S N， ZHAO Z N， et al. Recent progress of short-term forecasting of photovoltaic generation based on artificial neural networks［J］. Acta energiae solaris sinica， 202""43（12）： 88-97.

［14］ ABEDINIA O， BAGHERI M， NADERI M S， et al. A new combinatory approach for wind power forecasting［J］. IEEE systems journal， 2020， 14（3）： 4614-4625.

［15］ NIU Z W， YU Z Y， TANG W H， et al. Wind power forecasting using attention-based gated recurrent unit network［J］. Energy， 2020， 196： 117081.

［16］ HUAI N N， DONG L， WANG L J， et al. Short-term wind speed prediction based on CNN_GRU model［C］//2019 Chinese Control and Decision Conference （CCDC）. Nanchang， China， 2019： 2243-2247.

［17］ 張未， 余成波， 王士彬， 等. 基于VMD-LSTM-LightGBM的多特征短期電力負荷預測［J］. 南方電網(wǎng)技術， 2023， 17（2）： 74-81.

ZHANG W， YU C B， WANG S B， et al. Multi-featured short-term power load forecasting based on VMD-LSTM-LightGBM［J］. Southern power system technology， 2023， 17（2）： 74-81.

［18］ 王愈軒， 劉爾佳， 黃永章. 基于CNN-LSTM-lightGBM組合的超短期風電功率預測方法［J］. 科學技術與工程， 202""22（36）： 16067-16074.

WANG Y X， LIU E J， HUANG Y Z. An ultra-short-term wind power prediction method based on CNN-LSTM-lightGBM combination［J］. Science technology and engineering， 202""22（36）： 16067-16074.

［19］ 閆琳琦， 王振雷. 基于STA-BiLSTM-LightGBM組合模型的多步預測軟測量建模［J］. 化工學報， 2023， 74（8）： 3407-3418.

YAN L Q， WANG Z L. Multi-step predictive soft sensor modeling based on STA-BiLSTM-LightGBM combined model［J］. CIESC journal， 2023， 74（8）： 3407-3418.

［20］ HOSSAIN M A， GRAY E M， ISLAM M R， et al. Forecasting very short-term wind power generation using deep learning， optimization and data decomposition techniques［C］//2021 24th International Conference on Electrical Machines and Systems （ICEMS）. Gyeongju， Korea， 2021： 323-327.

［21］ MONTAHA S， AZAM S， RAFID A K M R H， et al. TimeDistributed-CNN-LSTM： a hybrid approach combining CNN and LSTM to classify brain tumor on 3D MRI scans performing ablation study［J］. IEEE access， 202""10： 60039-60059.

［22］ WANG Y Y， CHEN J， CHEN X Q， et al. Short-term load forecasting for industrial customers based on TCN-LightGBM［J］. IEEE transactions on power systems， 202""36（3）： 1984-1997.

［23］ 黨存祿， 楊海蘭， 武文成. 基于LSTM和CatBoost組合模型的短期負荷預測［J］. 電氣工程學報， 202""16（3）： 62-69.

DANG C L， YANG H L， WU W C. Short-term load forecasting based on LSTM and CatBoost combined model［J］. Journal of electrical engineering， 202""16（3）： 62-69.

［24］ HOSSAIN M A， GRAY E， LU J W， et al. Optimized forecasting model to improve the accuracy of very short-term "wind "power "prediction［J］. IEEE "transactions "on industrial informatics， 2023， 19（10）： 10145-10159.

［25］ WANG G G， DEB S， CUI Z H. Monarch butterfly optimization［J］. ""Neural ""computing ""and ""applications， 2019， 31（7）： 1995-2014.

［26］ LIN Z， LIU X L， COLLU M. Wind power prediction based on high-frequency SCADA data along with isolation forest and ""deep ""learning ""neural ""networks［J］. "International journal of electrical power and energy systems， 2020， 118： 105835.

［27］ DENG W， GUO Y X， LIU J， et al. A missing power data filling method based on improved random forest algorithm［J］. Chinese journal of electrical engineering， 2019， 5（4）： 33-39.

SHORT TERM WIND POWER PREDICTION USING CNN-GRU-LightGBM MODEL BASED ON EMPEROR BUTTERFLY ALGORITHM

Xiang Yang"Liu Yajuan"Sun Zhiwei"Zhang Xiaoning"Lu Jianmou1

（1. School of Control and Accounting， North China Electric Power University， Beijing 102206， China；

2. Beijing Huairou Laboratory， Beijing 101400， China）

Abstract：Uncertainties arising from large-scale grid integration and cross-seasonal use of wind power clusters place higher demands on the accuracy of wind power prediction. To improve the accuracy of wind power prediction， a Convolutional Neural Networks （CNN） Gated Recurrent Unit （GRU） -LightGBM Gradient Boosting Machine （LightGBM） composite wind power prediction model based on Monarch Butterfly Optimization （MBO） algorithm is proposed. Firstly， establish wind power prediction models for CNN-GRU and LightGBM respectively， and use the reciprocal variance method to weight and combine the two models into a CNN-GRU LightGBM composite model； To optimize the continuous parameters in the model， MBO is used to perform hyperparameter optimization on the model. Finally， short-term wind power data from an offshore wind farm in Zhuhai was selected to compare the proposed method with existing prediction methods. The experimental results showed that the model combined the advantages of models such as CNN-GRU and LightGBM， resulting in smaller prediction errors， higher prediction accuracy， and stronger seasonal universality.

Keywords：wind power forecast； convolutional neural networks； gated circulation unit ； gradient boosting learning； monarch butterfly algorithm