基于改進粒子群的季節(jié)性風(fēng)電出力場景預(yù)測

孫理昊

（北京科東電力控制系統(tǒng)有限責(zé)任公司通訊與安全分公司網(wǎng)絡(luò)安全集成部 北京市 100192）

在可持續(xù)，綠色發(fā)展的前提下，風(fēng)能作為一種的可再生的清潔能源，在電網(wǎng)中所占的比重逐年上升。然而，風(fēng)能具有很強的隨機性、地域性、波動性以及不確定性，這對風(fēng)電大規(guī)模并網(wǎng)提出了巨大挑戰(zhàn)。在能源發(fā)展新形勢下，為降低風(fēng)電并網(wǎng)對配電網(wǎng)的不良影響，加強其接入電網(wǎng)的積極作用，要對風(fēng)電接入配電網(wǎng)時的出力預(yù)測進行研究。

目前，新能源并網(wǎng)已經(jīng)成文國內(nèi)外研究的熱點。為了對風(fēng)速預(yù)測，文獻和文獻采用極限學(xué)習(xí)機（HELM）、差分進化算法（DE）的對LSTM 中的隱藏層數(shù)量進行優(yōu)化以保持學(xué)習(xí)性能和模型復(fù)雜性之間的平衡。Altan A等人基于長短時記憶（LSTM）網(wǎng)絡(luò)和灰太狼優(yōu)化器（GWO）分解方法，提出了一種新的混合WSF 非線性，根據(jù)從土耳其馬爾馬拉地區(qū)五個風(fēng)電場收集的數(shù)據(jù)，采用了開發(fā)的非線性混合模型，預(yù)測精度上優(yōu)于單一預(yù)測模型。Habib A為了提高短期風(fēng)電預(yù)測精度，利用奇異譜分析將原始風(fēng)電功率序列分解為趨勢分量和波動分量。然后利用最小二乘支持向量機（LSSVM）對趨勢分量進行預(yù)測，利用深度置信網(wǎng)絡(luò)（DBN）對波動分量進行預(yù)測，研究表明，所提出的組合模型為短期風(fēng)電預(yù)測提供了一種有希望且有效的替代方案。Neshat M一種新的基于復(fù)合深度學(xué)習(xí)的進化方法，用于準(zhǔn)確預(yù)測風(fēng)力發(fā)電廠的發(fā)電量，該算法由自適應(yīng)差分進化（SaDE）算法和作為超參數(shù)優(yōu)化器的正弦-余弦優(yōu)化方法組成，然后與稱為長短時記憶（LSTM）的遞歸神經(jīng)網(wǎng)絡(luò)（RNN）相結(jié)合。取得的預(yù)測結(jié)果支持了所提出的混合模型在準(zhǔn)確預(yù)測和計算運行時間方面的優(yōu)勢。

為了提升季節(jié)性風(fēng)電出力場景預(yù)測準(zhǔn)確性和可靠性，減少風(fēng)電并網(wǎng)對電網(wǎng)狀態(tài)的影響?；谏疃葘W(xué)習(xí)網(wǎng)絡(luò)模型，以不同季節(jié)下的典型風(fēng)電場景為前提，對其短期的功率進行預(yù)測。本文首先對數(shù)據(jù)進行處理，使得效率和性能得到提升，其次介紹風(fēng)電預(yù)測模型的結(jié)構(gòu)，最后采用智能算法對LSTM模型進行改進，對比分析了LSTM、PSO-LSTM 和IPSOLSTM 預(yù)測模型，實驗表明，改進的粒子群算法具有最好的預(yù)測精度和可靠性，且采用深度學(xué)習(xí)網(wǎng)絡(luò)預(yù)測處理模型有利于優(yōu)化經(jīng)濟調(diào)度的流程和方案以及負(fù)荷增減決策的規(guī)劃和制定。

1 數(shù)據(jù)集處理

在采集數(shù)據(jù)時由于各種突發(fā)狀況和采集誤差等原因，在采集的數(shù)據(jù)中可能會出現(xiàn)數(shù)據(jù)缺失異常的情況。因此，若依據(jù)采集的原始數(shù)據(jù)建立預(yù)測模型進行分析則會導(dǎo)致結(jié)果精度低甚至錯誤的結(jié)論。為了能夠提高模型的準(zhǔn)確率和有效性，需要對采集的原始數(shù)據(jù)進行對應(yīng)的處理，以保證其準(zhǔn)確性和完備性。

對于不同的狀況采取不同的手段。對于缺失的數(shù)據(jù)可以采用直接刪除然后利用插值補充；而對異常值的處理一般可以分為兩步，首先根據(jù)對應(yīng)的檢測算法找出異常點，然后根據(jù)實際使用進一步對異常值處理。常用的異常檢測方法有：聚類分析法、支持向量機異常檢測、孤立森林異常檢測、高斯異常檢測等。為了更加快速簡單的處理異常值，本文把異常的數(shù)據(jù)處理成錯誤或者丟失的數(shù)據(jù)，利用缺失數(shù)據(jù)的一般處理方法整改；然而異常值并不是缺失值，可能含有對系統(tǒng)有用的信息，直接刪除會導(dǎo)致數(shù)據(jù)不完備。因此，在此處利用插值法補充。

在對原數(shù)據(jù)處理完畢后，首先對數(shù)據(jù)進行集成，然后把數(shù)據(jù)按最小-最大歸一化的方法進行變換，變換公式如式（1）：

式中：P, P'分別為風(fēng)電功率和歸一化后風(fēng)電功率，P,P分別表示風(fēng)電功率的最大和最小值。

對于風(fēng)電數(shù)據(jù)這種大規(guī)模數(shù)據(jù)庫進行數(shù)據(jù)分析需要耗費大量的資源和時間。本文利用數(shù)據(jù)規(guī)約技術(shù)，能夠從原有龐大的風(fēng)電數(shù)據(jù)集中得到一個保持原有數(shù)據(jù)集完整性的精簡數(shù)據(jù)集。此方法提升了效率和性能，并且經(jīng)計算的結(jié)果與原數(shù)據(jù)基本相同。

數(shù)據(jù)經(jīng)過歸一化規(guī)范后，在預(yù)測時還需要恢復(fù)成原數(shù)據(jù)，為了從[0,1]空間映射到實際空間。本文中利用式（2）所示的規(guī)約函數(shù)進行還原：

式中：P是恢復(fù)后的風(fēng)電功率預(yù)測值，p'是還原前的風(fēng)電功率預(yù)測值。

2 改進粒子群的風(fēng)電出力預(yù)測模型

本研究利用改進粒子群算法(Improved particle swarm optimization, IPSO)算法對LSTM 的時間步長、隱藏層單元數(shù)和批處理大小進行優(yōu)化。在進行優(yōu)化之前，需要對算法進行初始化操作，包括：粒子數(shù)、維度以及粒子速度和位置等，并根據(jù)各粒子的位置建立LSTM 預(yù)測模型，采用平均絕對百分比誤差(Mean Absolute Percent Error, MAPE)作為適應(yīng)度函數(shù)。在訓(xùn)練改進粒子群的LSTM 模型時，在本文中，抽出3/5 的數(shù)據(jù)集用來訓(xùn)練IPSO-LSTM 預(yù)測模型，2/5 的數(shù)據(jù)集用來驗證訓(xùn)練的效果，剩余1/5 的數(shù)據(jù)集則用來測試。采用Adam 算法對LSTM 模型進行訓(xùn)練，損失函數(shù)采用均方誤差(Mean Square Error, MSE)。IPSO-LSTM 結(jié)構(gòu)示意圖如圖1 所示。

圖1：IPSO-LSTM 結(jié)構(gòu)示意圖

神經(jīng)網(wǎng)絡(luò)的特征提取層(隱藏層)單元的取值在[10,60]動態(tài)變化，時間步長的大小保證在區(qū)間[1,35]內(nèi),批處理大小的范圍為[1,50]。粒子群粒子的種群大小為100，最大的迭代次數(shù)為300。IPSO 優(yōu)化LSTM 預(yù)測模型的流程圖如圖2所示。

圖2：IPSO 優(yōu)化LSTM 模型流程圖

步驟一：初始化LSTM 網(wǎng)絡(luò)結(jié)構(gòu)的隱藏層數(shù)量、時間步長、批處理大?。徊⒏鶕?jù)LSTM 超參數(shù)的設(shè)置，對改進的粒子群進行初始化操作。

步驟二：抽出3/5 的數(shù)據(jù)集對LSTM 網(wǎng)絡(luò)進行訓(xùn)練，利用測試樣本計算預(yù)測誤差，并將誤差實時更新到IPSO。

步驟三：利用式（3），計算各粒子的適應(yīng)度值，并對種群最優(yōu)和個體最優(yōu)的數(shù)值進行更新。根據(jù)公式（4）、公式（5）更新粒子的慣性權(quán)重值和加速因子值，以避免陷入局部最優(yōu)，進而影響優(yōu)化結(jié)果。

式中：N 為驗證數(shù)據(jù)集大小，y為原驗證數(shù)據(jù)值，y是預(yù)測的驗證數(shù)據(jù)；ω, ω為權(quán)重的最大值和最小值；c, c為加速度因子的起始值和終止值，其中c表示第一個，c表示第二個；t 是當(dāng)前的迭代次數(shù)，T 是迭代的總次數(shù)。

步驟四：根據(jù)式（6）和式（7）分別對IPSO 算法中的粒子的速度和位置更新。

步驟五：是否滿足要求，當(dāng)滿足要求時，輸出最優(yōu)的參數(shù)值；若不滿足停止條件時，則返回步驟三，繼續(xù)執(zhí)行操作，直到迭代至最大次數(shù)。

3 實驗結(jié)果分析

為了證明IPSO-LSTM 風(fēng)電功率預(yù)測模型的準(zhǔn)確性與可靠性。另外選取了LSTM 預(yù)測模型、粒子群優(yōu)化的(PSOLSTM)預(yù)測模型作為對比對象。在春夏秋冬四個季節(jié)的前提下，選取風(fēng)電功率出力的典型場景進行計算和分析。四季典型出力場景預(yù)測如圖3 所示。

圖3：四季典型出力場景預(yù)測

從圖3 中可以看出，四個季節(jié)的風(fēng)力發(fā)電功率出力都存在很大的峰谷差。通過圖中預(yù)測曲線擬合效果，可以發(fā)現(xiàn)各模型對風(fēng)電功率數(shù)據(jù)預(yù)測的趨勢相差不大，但是LSTM 在峰值處具有較大的偏差，擬合效果較差；而IPSO-LSTM 風(fēng)電功率預(yù)測模型具有最高的準(zhǔn)確性；PSO-LSTM 和GA-LSTM模型對風(fēng)電功率預(yù)測數(shù)據(jù)的擬合效果相當(dāng)，比傳統(tǒng)的LSTM擬合程度要好很多。

根據(jù)上述分析可知，針對季節(jié)性的風(fēng)電功率預(yù)測，基于深度學(xué)習(xí)網(wǎng)絡(luò)模型的預(yù)測方法有較為理想的預(yù)測效果，并且使用PSO、GA 等算法優(yōu)化后的深度學(xué)習(xí)網(wǎng)絡(luò)模型會進一步提升預(yù)測精度。然而僅僅通過擬合曲線比較預(yù)測效果具有一定局限性，因此，本文采用定量分析的方法，通過數(shù)值量化風(fēng)電功率的預(yù)測誤差。采用均方根誤差(Root Mean Squared Error, RMSE)指標(biāo)、MAE 指標(biāo)和MAPE 指標(biāo)三個指標(biāo)作為預(yù)測模型的評價指標(biāo)。

根據(jù)不同風(fēng)電功率預(yù)測模型在四個季節(jié)的誤差，對四個季節(jié)的誤差進行加權(quán)平均 計算，并將計算的結(jié)果作為每個模型的最終誤差結(jié)果值，不同模型在3 種評價指標(biāo)下的誤差值如表1 所示。

表1：LSTM 模型預(yù)測結(jié)果

從表1 中可以看出，針對RMSE 模型評價指標(biāo)，IPSOLSTM 均方根誤差為0.34，比LSTM 和PSO-LSTM 分別降低了74.4%和34.6%。針對MAE 模型評價指標(biāo)，IPSOLSTM 比其他兩種方法分別降低了73.2%、37.5%。同樣的，針對MAPE 模型評價指標(biāo)，IPSO-LSTM 則分別降低了1.82%和1.5。通過以上分析，可以得到：改進的粒子群算法優(yōu)化LSTM 模型預(yù)測誤差最小，精確度最大，并且改進的粒子群算法比起其他為改進的算法具有較大的提升；此外，雖然使用不改進的優(yōu)化算法能提高預(yù)測的精確率，但是在要求預(yù)測精度的場景內(nèi)，則不能使用，進一步顯現(xiàn)了改進算法的優(yōu)勢。

4 結(jié)論

本文采用深度學(xué)習(xí)網(wǎng)絡(luò)模型對不同季節(jié)性下典型場景風(fēng)電功率的短期預(yù)測，對比分析了LSTM、PSO-LSTM 和IPSO-LSTM 預(yù)測模型在準(zhǔn)確性和可靠性方面差別。結(jié)果表明：IPSO-LSTM 預(yù)測模型具有最小的預(yù)測誤差和最高的可靠性，且采用深度學(xué)習(xí)網(wǎng)絡(luò)預(yù)測處理模型有利于經(jīng)濟負(fù)荷調(diào)度計劃和負(fù)荷增減決策的制定。