李詩洋,劉闖

(國網湖北省電力有限公司荊門供電公司,湖北 荊門 448000)

0 引 言

隨著溫室效應的加劇,煤、石油等化石能源的不斷開發(fā),傳統(tǒng)能源正在走向枯竭,尋找化石能源的替代品已迫在眉睫[1]。風是一種可再生能源,具有廣闊的開發(fā)前景,但風速變化具有很大的間歇性和隨機性,導致風電并網會給電力系統(tǒng)造成很大沖擊[2-3]。因此,研究風速的變化規(guī)律,準確預測風速,對于提高風電利用率、減少化石能源消耗和降低發(fā)電成本,具有深遠意義。

針對短期風速預測,國內外專家進行了大量研究,并基于統(tǒng)計法和物理法提出了一些短期風速預測方法,但由于風速變化的規(guī)律性很弱,導致這些方法的預測精度并不高[4-5]。隨著人工智能的推廣,許多基于智能算法的短期預測方法被提出來。文獻[6]首先采用變分模態(tài)分解法(variational mode decomposition,VMD)對原始風速序列進行分解,然后采用改進食肉植物算法(improved carnivorous plants algorithm,ICPA)優(yōu)化最小二乘支持向量機(least squares support vector machine,LSSVM)的參數(shù),建立了基于VMD-ICPA-LSSVM的短期風速預測模型,最后對模型進行誤差修正,提出了一種短期風速組合預測方法。文獻[7]對原始風速數(shù)據(jù)進行VMD分解,采用改進粒子群算法(improved particle swarm optimization,IPSO)對LSSVM的兩個參數(shù)進行優(yōu)化,提出了一種新型短期風速預測方法。文獻[8]為了解決BP神經網絡選取不當?shù)膯栴},采用麻雀搜索算法(sparrow search algorithm,SSA)對BP神經網絡參數(shù)進行優(yōu)化,提出了一種基于SSA算法優(yōu)化BP神經網絡的短期風速預測方法。研究表明,風速受風向、溫度和氣壓等因素的影響較大[9],現(xiàn)有風速預測方法更注重與對風速數(shù)據(jù)內部規(guī)律的挖掘,而忽略了其影響因素的作用。

基于此,本文以風速、風向、溫度和氣壓為特征量,采用禿鷹搜索算法(bald eagle search,BES)尋找長短時記憶神經網絡(long short term memory,LSTM)的最優(yōu)超參數(shù),建立基于BES-LSTM短期風速預測模型,采用實際風速監(jiān)測數(shù)據(jù)對模型的正確性和有效性進行驗證。

1 長短時記憶神經網絡

LSTM是在遞歸神經網絡的基礎上通過改進得到的[10],它在循環(huán)神經網絡(recurrent neural network,RNN)上增加了三個門控單元,分別是輸入門、遺忘門、輸出門。輸入門用于讀取輸入數(shù)據(jù)。遺忘門的作用是篩選并保留重要數(shù)據(jù)信息,并阻斷無用信息的傳遞。輸出門負責將處理過的數(shù)據(jù)繼續(xù)向后傳遞。門控單元解決了RNN在訓練過程中的爆炸缺陷和梯度消失問題。LSTM具有獨特的記憶單元和門控單元,這些單元能夠有效處理長時間數(shù)據(jù)序列,解決了傳統(tǒng)神經網絡依賴輸入序列的問題,圖1所示為LSTM的結構單元,LSTM的計算原理可參考文獻[10]。

圖1 LSTM結構單元。

2 禿鷹搜索算法

2.1 BES算法基本原理

BES算法由馬來西亞數(shù)學家 H.A.Alsattar[11]提出,其基本原理是對自然界中禿鷹捕食獵物過程的模擬。BES算法的尋優(yōu)主要分為選擇搜索空間、搜索獵物和俯沖3個階段。經過3個階段,禿鷹種群逐漸向獵物靠攏,最終捕獲獵物,即算法找到全局最優(yōu)解在整個尋優(yōu)過程中,禿鷹的運動軌跡始終圍繞一個中心點,并以該點為基礎展開搜索,BES算法的優(yōu)化原理可參考文獻[11]。

2.2 BES算法性能測試

相比粒子群算法[12](particle swarm optimization,PSO)和遺傳算法[13](genetic algorithm,GA)等傳統(tǒng)優(yōu)化算法,BES算法的魯棒性好,全局搜索性能更強。為此,采用表1中的三個測試函數(shù)對BES算法、PSO算法和GA算法的優(yōu)化性能進行驗證。在表1中,函數(shù)f1、f2和f3分別為多維單峰函數(shù)、多維多峰函數(shù)和低維多峰函數(shù),利用這些函數(shù)可以對算法的全局搜索性能和局部優(yōu)化性能進行充分測試。

設測試函數(shù)的空間維度均為30,BES算法、PSO算法和GA算法的種群容量均為30,最大迭代次數(shù)均為500。利用三種優(yōu)化算法分別對測試函數(shù)進行30次尋優(yōu),三種算法的平均收斂曲線如圖2所示。

(a)函數(shù)f1。

(b)函數(shù)f2。

(c)函數(shù)f3圖2 收斂曲線對比。

對比圖2可知,相比PSO算法和GA算法,BES算法的收斂時的迭代次數(shù)更少,優(yōu)化函數(shù)f1、f2時的最小適應度值更優(yōu),優(yōu)化函數(shù)f3時的最大適應度值更優(yōu),具有更高的收斂精度。

3 基于BES-LSTM的短期風速預測模型

研究表明,風速變化具有混沌時間特性且受到風向、氣壓和溫度等氣象因素的影響[14]。LSTM的訓練效果受其隱含層單元數(shù)量、正則化系數(shù)和初始學習率三個超參數(shù)的影響較大,為了提高LSTM的學習能力,提高短期風速預測精度,采用BES算法對LSTM的三個超參數(shù)進行尋優(yōu),建立基于BES-LSTM的短期風速預測模型,圖3所示為BES-LSTM模型的流程,主要建模步驟如下:

圖3 BES-LSTM模型流程。

1)確定訓練樣本。考慮到風速變化的時間特性及氣象因素的影響,將前3個時刻的風速和當前時刻的氣象因素作為短期風速的特征量,具體如下:

vt=f(vt-1,vt-2,vt-3,dvt,pt,Tt)

(1)

式中:vt、vt-1、vt-2和vt-3為當前時刻、t-1時刻、t-2時刻和t-3時刻風速,dv、pt和Tt為當前時刻風向、氣壓和溫度。

表1 測試函數(shù)

2)劃分訓練樣本并歸一化。將樣本數(shù)據(jù)劃分為訓練集和測試集,并全部歸一化,公式如下:

(2)

3)初始化BES算法的相關參數(shù),設置禿鷹種群容量為30,最大迭代次數(shù)均為500。構建LSTM短期風速預測模型,隨機生成一個禿鷹種群,將LSTM的隱含層單元數(shù)量、正則化系數(shù)和初始學習率組成BES算法的優(yōu)化目標,確定各參數(shù)的尋優(yōu)范圍。

4)選擇搜索空間。利用式(9)更新禿鷹位置并計算適應度值,適應度值的計算公式為

(3)

5)搜索獵物,并更新禿鷹位置,計算禿鷹個體適應度值并確定當前最優(yōu)位置。

6)俯沖抓捕獵物,并更新種群位置,通過比較適應度值優(yōu)劣確定當前最優(yōu)解。

7)判斷LSTM的輸出結果是否滿足精度要求或者算法已經達到最大迭代次數(shù),若是則輸出最優(yōu)超參數(shù),否則,返回步驟(4)。

8)將最優(yōu)超參數(shù)賦給LSTM,對測試集進行短期風速預測。

4 仿真分析

采用某風電場連續(xù)5天的風速數(shù)據(jù)和氣象數(shù)據(jù)組成訓練樣本進行仿真分析,數(shù)據(jù)采樣頻率為10 min/次,在連續(xù)的時間序列上共選取了600組樣本數(shù)據(jù)。根據(jù)建模需要,將600組樣本數(shù)據(jù)劃分為訓練集和測試集,其樣本容量分別為540組和60組,其中測試集部分樣本數(shù)據(jù)如表2所示。

表2 測試集部分樣本數(shù)據(jù)

表2(續(xù))

根據(jù)式(1)確定模型輸入量,進行仿真分析,利用訓練集中的540組樣本數(shù)據(jù)進行訓練,采用BES算法對LSTM的隱含層單元數(shù)量、正則化系數(shù)和初始學習率三個超參數(shù)進行優(yōu)化,BES算法的尋優(yōu)結果如表3所示。

表3 BES算法的尋優(yōu)結果

將三個超參數(shù)的尋優(yōu)結果賦給LSTM,利用BES-LSTM模型對測試集中60組樣本數(shù)據(jù)的風速進行預測。為了對比分析,采用文獻[15]中的PSO-LSSVM短期風速模型和文獻[16]中的SSA-ELM短期風速預測模型對測試集樣本進行預測,BES-LSTM模型、PSO-LSSVM模型和SSA-ELM模型的風速預測結果及絕對誤差如圖4和圖5所示,對比圖4和圖5中的數(shù)據(jù)可知,BES-LSTM模型的預測結果更接近實際值,絕對誤差波動更小。

圖4 風速預測結果。

圖5 各模型預測結果的絕對誤差。

為了對三種風速預測模型的預測效果進行綜合評價,采用方均根誤差、平均相對誤差和可決系數(shù)三種指標對短期風速預測結果進行評價,它們的計算公式依次為

(23)

(24)

(25)

三種模型預測結果的誤差指標如表4所示。由表4可知,BES-LSTM模型預測結果的方均根誤差、平均相對誤差和可決系數(shù)分別為0.182、3.742%和0.992,各項指標均優(yōu)于PSO-LSSVM模型和SSA-ELM模型,可見基于BES-LSTM的短期風速預測方法的預測效果更好,具有一定的工程推廣意義。

表4 三種模型預測結果的誤差指標

5 結 論

本文考慮了風速時間特性及氣象因素對風速的影響,選取過去時刻風速和氣象因素作為短期風速的特征量,采用BES算法對LSTM的隱含層單元數(shù)量、正則化系數(shù)和初始學習率三個超參數(shù)進行優(yōu)化,建立基于BES-LSTM的短期風速預測模型。采用實際風電場相關數(shù)據(jù)進行仿真分析,并與其他風速預測方法進行對比,結果表明,本文所提BES-LSTM模型在進行短期風速預測時的擬合程度更高、波動性更小、預測精度更高,驗證了本文短期風速預測方法的正確性和有效性。