基于VMD-BiLSTM-WOA的短期風(fēng)電功率預(yù)測

史加榮, 王雙馨

(西安建筑科技大學(xué) 理學(xué)院, 陜西 西安 710055)

0 引言

隨著全球經(jīng)濟(jì)的快速發(fā)展及化石能源的嚴(yán)重消耗,作為一種清潔可再生的風(fēng)能源在新能源的開發(fā)利用中有著重要的研究意義[1].風(fēng)能具有環(huán)保綠色的優(yōu)點,但是由于風(fēng)力發(fā)電受各種因素的影響,會呈現(xiàn)出隨機(jī)性、間歇性和波動性的特點,從而給大規(guī)模風(fēng)力發(fā)電并網(wǎng)帶來了巨大的挑戰(zhàn)[2,3].因此,準(zhǔn)確高效的風(fēng)電功率預(yù)測對實現(xiàn)電力系統(tǒng)的平穩(wěn)運行具有重要的意義[4].

目前,國內(nèi)外的風(fēng)電功率預(yù)測技術(shù)越來越完善,已經(jīng)提出了各種預(yù)測方法.這些方法通常包括物理方法、統(tǒng)計方法、機(jī)器學(xué)習(xí)方法以及混合預(yù)測方法.物理方法需要考慮到地形、氣象因素等對模型的影響,還需要進(jìn)行準(zhǔn)確的大氣物理特性和風(fēng)電場特性的描述,計算難度和成本很高,不易得到準(zhǔn)確的預(yù)測[5].統(tǒng)計方法通過歷史時間序列變量之間的線性關(guān)系來建立模型,克服了傳統(tǒng)物理方法的缺點,但是在氣象要素之間的非線性關(guān)系處理方面還存在問題[6].機(jī)器學(xué)習(xí)方法能夠更好地處理非線性時間序列數(shù)據(jù),主要包括人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,ANN)、支持向量機(jī)(Support Vector Machine,SVM)和極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)等,不足之處在于單個的機(jī)器學(xué)習(xí)算法容易發(fā)生過擬合和局部優(yōu)化問題[7].

隨著預(yù)測技術(shù)的持續(xù)發(fā)展,對預(yù)測精度的要求也越來越高.單一模型具有簡而易行的優(yōu)點,但其預(yù)測能力有限,往往導(dǎo)致魯棒性低,適用性弱,故混合預(yù)測模型逐漸顯示出它的優(yōu)勢.混合模型主要包括兩類:數(shù)據(jù)分解和權(quán)重系數(shù).前者先將數(shù)據(jù)分解為不同分量,再根據(jù)算法的不同特點分別預(yù)測各分量,最后將其疊加.后者對若干單一模型分配一定的權(quán)重系數(shù),并進(jìn)行組合,其中權(quán)重系數(shù)的確定方式有熵值法、優(yōu)化算法等[8].Li等[9]采用孤立森林算法檢測異常數(shù)據(jù),并利用改進(jìn)的天鷹優(yōu)化算法優(yōu)化LSTM模型參數(shù),從而建立風(fēng)電功率預(yù)測的IAO-LSTM模型.趙征等[10]提出了一種基于VMD的CNN-BiLSTM的超短期風(fēng)電功率多步區(qū)間預(yù)測方法,以改進(jìn)覆蓋寬度準(zhǔn)則為目標(biāo)函數(shù)對區(qū)間進(jìn)行優(yōu)化,得到給定置信水平下的預(yù)測區(qū)間,有效提高了風(fēng)電功率的區(qū)間預(yù)測精度.韋權(quán)等[11]提出了一種基于SSA-VMD-SE-KELM和蒙特卡洛法的風(fēng)電功率區(qū)間預(yù)測模型,采用麻雀搜索算法(Sparrow Search Algorithm,SSA)優(yōu)化變分模態(tài)分解(VMD),通過計算樣本熵(Sample Entropy,SE)對分解序列進(jìn)行重構(gòu),再分別建立核極限學(xué)習(xí)機(jī)(Kernel Extreme Learning Machine,KELM)點預(yù)測模型,最后使用蒙特卡洛法隨機(jī)抽樣得到對應(yīng)置信度下的預(yù)測區(qū)間.

目前存在的關(guān)于采用模態(tài)分解和深度時間序列預(yù)測模型的混合模型,在進(jìn)行混合的過程中大多使用網(wǎng)格搜索即通過搜索模型的經(jīng)驗取值來進(jìn)行參數(shù)優(yōu)化,或者采用梯度下降等方法來優(yōu)化參數(shù).在使用這些方法優(yōu)化參數(shù)的過程中,有一定的局限性并且復(fù)雜耗時.例如,網(wǎng)格搜索方法存在隨機(jī)性,一般更適用于搜索較少的超參數(shù),由于需要對所有組合情況進(jìn)行討論,故相對耗時;而梯度下降等方法是基于梯度的,極易受限于局部極值點,一般適用于樣本量相對較少的情況.因此文章采用新型的群體智能優(yōu)化算法對神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行全面的優(yōu)化,其中鯨魚優(yōu)化算法結(jié)構(gòu)簡單、收斂速度快、收斂精度高以及跳出局部最優(yōu)解能力強(qiáng)等特點更適合于優(yōu)化超參數(shù)較多的情況.鯨魚優(yōu)化算法(WOA)是通過模擬生物界中座頭鯨獨特的捕食行為而衍生出的一種用于全局尋優(yōu)的方法.相較于其它同類方法,它的優(yōu)勢在于較少的模型參數(shù)、簡單易于實現(xiàn)的操作以及較高的求解精度[12].鯨魚優(yōu)化算法一經(jīng)提出,就成為群體智能優(yōu)化算法新的研究熱點,現(xiàn)已在負(fù)載預(yù)測、路徑規(guī)劃設(shè)計、圖像分割等領(lǐng)域中得到了廣泛的應(yīng)用,為這些領(lǐng)域中的優(yōu)化問題提供了幫助.模型中參數(shù)的選擇對于充分發(fā)揮模型的各項優(yōu)勢來說具有重要的意義,且權(quán)重系數(shù)對組合預(yù)測的精度有重要影響,故混合模型是有效的,能夠提高預(yù)測的魯棒性和適用性.

文章提出了一種基于VMD-BiLSTM-WOA模型的短期風(fēng)電功率預(yù)測方法.首先使用變分模態(tài)分解(VMD)將原始風(fēng)電功率序列進(jìn)行分解,得到多個子模態(tài),降低序列的復(fù)雜度;接著利用鯨魚優(yōu)化算法對雙向長短期記憶神經(jīng)網(wǎng)絡(luò)(BiLSTM)的學(xué)習(xí)率、節(jié)點數(shù)等6個參數(shù)進(jìn)行優(yōu)化,根據(jù)各模態(tài)分別建立模型;最后,對各個模型的預(yù)測結(jié)果進(jìn)行求和重構(gòu),得到最終的預(yù)測結(jié)果.

1 模型原理

1.1 變分模態(tài)分解

VMD算法是一種自適應(yīng)完全非遞歸的分解方法,通過將信號分解為有限帶寬的k個本征模態(tài)函數(shù)(Intrinsic Mode Function,IMF),再提取相應(yīng)IMF的中心頻率,使得模態(tài)uk圍繞中心頻率波動[13].它主要分為兩個過程,即構(gòu)造和解決變分問題,作用在于通過變分理論框架對待處理的信號求出最優(yōu)分解,并確定每個分解模態(tài)的中心頻率[14].在求解每個模態(tài)和中心頻率時,VMD的變分問題可以寫成:

(1)

式(1)中:uk是第k個有限帶寬的IMF;ωk是模態(tài)的中心頻率;f(t)是原始輸入信號;“*”表示卷積;δ(t)為狄拉克函數(shù);j為虛數(shù)單位.通過引入懲罰因子α和拉格朗日乘數(shù)λ(t),將約束變量問題轉(zhuǎn)化為無約束變量問題,則相應(yīng)的增廣拉格朗日函數(shù)為:

(2)

為了消掉卷積運算,對式(2)作傅里葉變換,得:

(3)

(4)

(5)

(6)

式(4)～(6)中:n是迭代次數(shù).

VMD算法的整個過程如下[15]:

(3)重復(fù)第二步,直到滿足收斂條件

(7)

式(7)中:ε>0為給定精度.

1.2 雙向長短期記憶神經(jīng)網(wǎng)絡(luò)

1.2.1 長短期記憶神經(jīng)網(wǎng)絡(luò)

對于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)而言,連接是建立在層與層之間的,而相同層的神經(jīng)元之間不存在傳遞關(guān)系.在時間序列問題的處理過程中,只依賴傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)達(dá)不到很好的效果,因此,循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)通過設(shè)計循環(huán)來解決神經(jīng)元之間的連接關(guān)系[16].RNN與序列處理有緊密的關(guān)系,它能夠?qū)崿F(xiàn)信息間的循環(huán),預(yù)測時會考慮當(dāng)前和先前的輸入信息.但由于RNN對數(shù)據(jù)有依賴性,容易發(fā)生梯度爆炸或梯度消失,因此Hochreiter等[17]提出了長短期記憶網(wǎng)絡(luò)(LSTM),克服了其在處理長序列時的缺點.它們的不同之處在于LSTM通過設(shè)計“門”結(jié)構(gòu)來控制元胞狀態(tài)的信息,主要由輸入、遺忘和輸出門構(gòu)成.這種“門”結(jié)構(gòu)可以有效地篩選出長時間步長數(shù)據(jù)的特征,從而很好地解決RNN梯度消失的問題[18].這三個門分別有其各自的作用,即輸入門確定當(dāng)前信息的保留,遺忘門確定先前信息的保留以丟棄無用的狀態(tài)信息,輸出門則是確定更新后狀態(tài)信息的保留.

LSTM的結(jié)構(gòu)如圖1所示,其中xt是當(dāng)前的輸入,ht是t時刻的隱藏層向量,Ct是t時刻的元胞狀態(tài),yt是最終輸出.用W和b分別代表權(quán)重矩陣和偏置向量.遺忘門ft、輸入門it和輸出門Ot的計算公式分別為:

圖1 LSTM結(jié)構(gòu)

ft=σ(Wf·[ht-1,xt]+bf)

(8)

it=σ(Wi·[ht-1,xt]+bi)

(9)

Ot=σ(Wo·[ht-1,xt]+bo)

(10)

式(8)～(10)中:σ(·)表示sigmoid激活函數(shù),[ ]表示將兩個向量拼接成一個向量.

在時刻t,元胞狀態(tài)Ct的更新公式為:

(11)

(12)

隱藏層向量的更新公式為:

ht=Ot⊙tanh(Ct)

(13)

式(13)中:⊙表示Hadamard積,tanh(·)表示雙曲正切激活函數(shù).

最終的輸出yt表示為:

yt=σ(Wy·ht+by)

(14)

1.2.2 雙向長短期記憶神經(jīng)網(wǎng)絡(luò)

雙向長短期記憶神經(jīng)網(wǎng)絡(luò)是由Grave等在2005年提出的,它通過給LSTM的結(jié)構(gòu)加了一層反向傳播的LSTM,從而將其命名為BiLSTM[19],其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示.與LSTM網(wǎng)絡(luò)的不同之處在于BiLSTM的前向和后向的LSTM層都連接著輸入和輸出層,也就是序列能夠同時對前向后向的隱藏層信息進(jìn)行深入挖掘,且兩個方向都具有單獨的隱藏層.在特定的時間步長上,每個隱藏層都能夠捕獲前向和后向的信息,從而提取更全面的特征以提高預(yù)測的性能[20,21].

圖2 BiLSTM結(jié)構(gòu)

1.3 鯨魚優(yōu)化算法

WOA是一種基于鯨魚氣泡網(wǎng)捕食行為推演尋求全局優(yōu)化的群體智能算法.氣泡網(wǎng)捕食行為結(jié)合了縮小包圍圈和螺旋捕食的局部優(yōu)化能力以及隨機(jī)搜索獵物的全局優(yōu)化能力[22].文章通過WOA來優(yōu)化BiLSTM的相關(guān)參數(shù).鯨魚需要依靠群體合作的方式來探索區(qū)域才能夠更快、更準(zhǔn)確地找到最佳地點.根據(jù)其捕食的特點,WOA算法尋優(yōu)主要包括以下兩個階段[23].

1.3.1 氣泡網(wǎng)捕食

在氣泡網(wǎng)捕食階段,鯨魚位置更新的方式包括收縮包圍和螺旋捕食兩種.

(1)收縮包圍

在鯨魚狩獵時,會通過逐漸縮小整個群體的包圍圈來接近當(dāng)前群體中最接近獵物的鯨魚,從而實現(xiàn)包圍獵物.計算公式如下:

(15)

式(15)中:Xi(t)是第t次迭代時第i條鯨魚的位置;X*(t)是第t次迭代時的最佳鯨魚位置;|·|表示絕對值操作,即對每個分量取絕對值;隨機(jī)向量r1和r2的各分量獨立同分布于U(0,1),U(0,1)表示區(qū)間(0,1)上的均勻分布;向量b的各分量均為2-2t/tmax,tmax是最大迭代次數(shù).設(shè):

B=2b⊙r2-b

(16)

收縮包圍機(jī)制是通過減小式(16)中b的值來實現(xiàn)的,B的波動范圍也通過b降低,即B是區(qū)間(-b,b)內(nèi)的隨機(jī)值.本文設(shè)置b=1.

(2)螺旋捕食

鯨魚在捕食獵物時,呈螺旋狀向上來接近目標(biāo),用公式來描述鯨魚與獵物位置之間的螺旋移動如下:

(17)

式(17)中:常數(shù)h用來改變螺旋線的形狀,隨機(jī)向量l的各分量獨立同分布于U(0,1),Cq是螺旋更新時鯨魚與獵物間的距離.

鯨魚在捕獲獵物的過程中是在收縮包圍的同時螺旋搜索.為了更好地模擬這兩種捕食行為,將閾值p設(shè)置為0.5,即通過判斷概率值來決定鯨魚狩獵時采用哪種捕食行為.

1.3.2 隨機(jī)搜索

鯨魚在搜索獵物時具有一定的隨機(jī)性能夠提高其整體搜索能力,同時還能增加搜索的范圍.這一過程是根據(jù)鯨魚彼此間的位置進(jìn)行隨機(jī)搜索,即部分非最優(yōu)位置的鯨魚進(jìn)行位置更新.隨機(jī)搜索的位置更新公式表示為:

(18)

式(18)中:Xrand(t)是第t次迭代中鯨魚群中隨機(jī)一個鯨魚的位置;隨機(jī)向量r3的各分量獨立同分布于U(0,1),隨機(jī)向量B按(16)式定義.

鯨魚優(yōu)化算法是由上述的兩個階段共同組成的.記向量B的第j個分量為Bj,當(dāng)|Bj|<1,p<0.5時,通過包圍獵物來進(jìn)行位置更新;當(dāng)|Bj|<1,p≥0.5時,根據(jù)螺旋搜索來更新位置;當(dāng)|Bj|≥1時,通過隨機(jī)搜索來更新位置.WOA的整個原理就是通過模擬鯨魚捕獵的行為來實現(xiàn)全局搜索的過程.

2 VMD-BiLSTM-WOA模型的構(gòu)建

文章所構(gòu)建的VMD-BiLSTM-WOA模型主要包括四個步驟.

步驟一：收集歷史風(fēng)電功率數(shù)據(jù),刪除數(shù)據(jù)集中大段連續(xù)缺失的數(shù)據(jù),對剩余數(shù)據(jù)使用前后均值方法進(jìn)行補全.

步驟二：使用VMD對預(yù)處理后的風(fēng)電功率數(shù)據(jù)進(jìn)行分解,利用中心頻率法來選取最佳的模態(tài)分解個數(shù),得到多個IMF分量,從而降低風(fēng)電功率數(shù)據(jù)的復(fù)雜度和非平穩(wěn)性.

步驟三：訓(xùn)練BiLSTM-WOA模型.對每個IMF分量進(jìn)行歸一化處理,并將其劃分為訓(xùn)練集和測試集,使用WOA算法優(yōu)化BiLSTM的6個參數(shù),即包括學(xué)習(xí)率、迭代輪數(shù)(epochs)、批大小(batchsize)以及隱藏層和全連接層的節(jié)點數(shù).

步驟四：確定每個模型的最佳參數(shù)后,將測試集數(shù)據(jù)輸入到訓(xùn)練的BiLSTM-WOA模型中,再將預(yù)測值進(jìn)行反歸一化處理,并疊加以獲得最終的風(fēng)電功率預(yù)測值.

圖3顯示了BiLSTM-WOA組合模型的原理,即利用WOA算法對BiLSTM的參數(shù)取值進(jìn)行優(yōu)化,提高BiLSTM的全局尋優(yōu)能力.圖4顯示了所提混合模型進(jìn)行風(fēng)電功率預(yù)測的具體流程圖.

圖3 BiLSTM-WOA組合模型

圖4 VMD-BiLSTM-WOA混合預(yù)測模型流程圖

3 實例驗證

3.1 數(shù)據(jù)描述和參數(shù)設(shè)置

文章的數(shù)據(jù)來源于Sotavento風(fēng)電場(https://www.sotaventogalicia.com/en/technical-area/real-time-data/historical/),該風(fēng)電場位于西班牙加利西亞省,由24臺不同型號的風(fēng)力渦輪機(jī)組成,風(fēng)電場的裝機(jī)容量為17.56 MW.選取2021年9月份的4 320條風(fēng)電功率數(shù)據(jù),采樣的時間間隔是10 min.由于大段連續(xù)缺失的數(shù)據(jù)缺少參照值,填充不當(dāng)可能會影響預(yù)測效果,故直接刪除這部分?jǐn)?shù)據(jù).剩余的4 252條數(shù)據(jù)集中還存在少數(shù)缺失值,采用前后均值填充的方法對其進(jìn)行補全,補全后的風(fēng)電功率數(shù)據(jù)如圖5所示.

圖5 風(fēng)電功率序列

表1 各IMF分量的中心頻率

圖6 VMD的結(jié)果

對風(fēng)電功率數(shù)據(jù)分解后的各個模態(tài)分量分別進(jìn)行歸一化處理,再將其劃分為訓(xùn)練和測試集,它們分別占總數(shù)據(jù)集的90%和10%.在使用WOA算法優(yōu)化BiLSTM模型參數(shù)前,需要對模型的參數(shù)進(jìn)行初始設(shè)置,從而對比說明優(yōu)化的有效性.BiLSTM和WOA具體的參數(shù)初始化設(shè)置如表2所示.分別采用Adam優(yōu)化器,將均方誤差(MSE)作為BiLSTM的損失函數(shù).結(jié)合公式(15)～(18)及圖3對BiLSTM的6個參數(shù)進(jìn)行優(yōu)化,得到較優(yōu)的網(wǎng)絡(luò)參數(shù).

表2 BiLSTM和WOA模型的參數(shù)設(shè)置

3.2 評價指標(biāo)

為了驗證所提模型的性能,需要對預(yù)測結(jié)果進(jìn)行評估,并與其他類型模型的結(jié)果進(jìn)行比較.采用四種不同的指標(biāo)來衡量誤差,分別是平均絕對百分比誤差(MAPE)、均方根誤差(RMSE)、平均絕對誤差(MAE)以及相關(guān)系數(shù)(R2).它們的計算公式為:

(19)

(20)

(21)

(22)

小丁自從上次在倉庫被逮事件后，對甲洛洛更客氣，更關(guān)照了，而且很多時候，有事沒事跑到甲洛洛處坐坐，有時還偷偷在懷里藏一瓶江津白酒或幾包紅芙蓉?zé)?，放到甲洛洛床頭。甲洛洛很欣慰，總是對小?。汉⒆?，別給我拿東西了，我們之間沒必要這么客套。有時看著小丁唉聲嘆氣，甲洛洛又不忍心：過不下去就別糟踐自己了。

對于這四個評價指標(biāo),MAPE、RMSE、MAE的值越小,說明模型的預(yù)測性能越好;當(dāng)R2的值越接近于1時,模型取得較好的預(yù)測性能.

3.3 結(jié)果分析

為了驗證所提出模型的預(yù)測精度,在所收集的風(fēng)電功率數(shù)據(jù)上進(jìn)行實驗.將文章提出的VMD-BiLSTM-WOA模型與其他5種單一模型和5種混合模型進(jìn)行比較,以說明所提模型的優(yōu)越性以及改進(jìn)策略的有效性[24,25].用于比較的10種模型如下:BP、LSTM、BiLSTM、GRU、BiGRU、LSTM-WOA、BiLSTM-WOA、GRU-WOA、BiGRU-WOA和VMD-BiGRU-WOA.LSTM、GRU與BiGRU模型的參數(shù)與先前BiLSTM的參數(shù)設(shè)置相同,BP模型的參數(shù)設(shè)置如表3所示.

表3 BP模型參數(shù)設(shè)置

由于分解后的風(fēng)電功率序列有低頻和高頻之分,因此需要對每個子模態(tài)的模型分別進(jìn)行參數(shù)優(yōu)化,找到最優(yōu)的參數(shù)來訓(xùn)練模型.采用WOA算法對每個BiLSTM的參數(shù)進(jìn)行優(yōu)化,結(jié)果如表4所示.

表4 各子模型參數(shù)優(yōu)化結(jié)果

預(yù)測時,將測試集代入到訓(xùn)練好的BiLSTM-WOA模型中,得到的預(yù)測結(jié)果與實際值的比較如圖7所示.從圖7可以看出,預(yù)測值與實際值的風(fēng)電功率曲線幾乎重合,這說明經(jīng)過分解再進(jìn)行參數(shù)優(yōu)化后的模型的預(yù)測效果非常好.

圖7 VMD-BiLSTM-WOA預(yù)測結(jié)果

為了評估不同模型的預(yù)測性能,使用四個常用的評價指標(biāo)對實驗結(jié)果進(jìn)行分析,而這些評價指標(biāo)能夠有效地說明預(yù)測值與真實值之間的偏差.各模型預(yù)測結(jié)果對比如表5所示,圖8以柱狀圖的形式可視化評價指標(biāo),不同模型間預(yù)測結(jié)果的比較如圖9所示.

表5 不同模型的預(yù)測誤差評估

圖8 各模型評價指標(biāo)匯總圖

圖9 部分模型預(yù)測結(jié)果比較

(1) 文章所提出的VMD-BiLSTM-WOA模型具有最小的MAPE、RMSE和MAE和最大的R2值,它們分別都達(dá)到了14.68%、0.025 kW、0.011 9 kW以及0.997 6;BP效果相對最差,它的MAPE是34.56%,RMSE是0.085 3 kW,MAE是0.058 1 kW,R2是0.971 9.

(2) 通過對BP、LSTM、GRU、BiGRU以及BiLSTM五種單一模型預(yù)測結(jié)果的比較,可以得出BiLSTM模型具有更好的預(yù)測性能,GRU和LSTM的結(jié)果相差不大.

(3) 通過比較LSTM-WOA、GRU-WOA、BiGRU-WOA和BiLSTM-WOA,可以發(fā)現(xiàn)使用智能算法WOA優(yōu)化模型參數(shù)以后的效果整體上比未優(yōu)化的單一模型的性能有所提高.尤其是對BiLSTM參數(shù)優(yōu)化以后的效果十分顯著,MAPE下降了約5.33%,RMSE下降了約0.008 kW,MAE下降了約0.004 kW,R2提高了約0.002.這些結(jié)果充分說明了WOA算法能夠?qū)δＰ偷膮?shù)進(jìn)行優(yōu)化,同時也說明了WOA算法的有效性.

(4) 在添加了VMD之后,基于WOA優(yōu)化的BiGRU和BiLSTM的整體性能都有所提升,說明風(fēng)電功率數(shù)據(jù)經(jīng)過信號分解技術(shù)能夠更好地處理其中的噪聲,從而進(jìn)一步提高預(yù)測精度.相對于VMD-BiGRU-WOA,本文所提出模型性能更優(yōu),其中MAPE下降了約1.5%,MAE下降了約0.005 kW.從整體上來看經(jīng)過分解和優(yōu)化處理以后,BiLSTM和BiGRU的預(yù)測性能都有提升.

(5) 通過分析圖9,可以看出文章所提模型VMD-BiLSTM-WOA與真實測量值是最接近的,這說明所提出的改進(jìn)策略是有效的.

綜上所述,單獨使用WOA對BiLSTM的參數(shù)進(jìn)行優(yōu)化,能夠提高BiLSTM的預(yù)測效果,克服人工調(diào)參難以找到較優(yōu)解的問題,且降低BiLSTM的隨機(jī)性.若再同時結(jié)合VMD,BiLSTM的預(yù)測性能提升更加明顯,這是由于VMD具有自適應(yīng)和完全非遞歸的特點,從而降低了數(shù)據(jù)的復(fù)雜度,使得后續(xù)的預(yù)測誤差更小.從上述結(jié)論可以看出:本文所提出的混合深度學(xué)習(xí)模型是有效的,能夠很好地提升預(yù)測結(jié)果的準(zhǔn)確性,顯著降低風(fēng)電功率的預(yù)測誤差.

4 結(jié)論

文章提出了一種用于短期風(fēng)電功率預(yù)測的VMD-BiLSTM-WOA混合模型.在整個預(yù)測過程中,使用VMD對風(fēng)電功率進(jìn)行分解,從而降低了時間序列復(fù)雜度,且消除了模態(tài)混疊現(xiàn)象.對每個子模態(tài),分別建立BiLSTM模型,同時使用WOA算法對學(xué)習(xí)率、隱層節(jié)點數(shù)等6個參數(shù)進(jìn)行優(yōu)化.基于所優(yōu)化的參數(shù)來確立各模態(tài)的BiLSTM模型,最后對預(yù)測結(jié)果進(jìn)行求和重構(gòu),有效地提高了模型的預(yù)測性能.

為了驗證所提混合模型的有效性,使用MAPE、RMSE、MAE和R2作為預(yù)測精度的評價指標(biāo),對比了單一模型和混合模型的預(yù)測結(jié)果.結(jié)果表明,文章提出的混合模型的各項指標(biāo)都優(yōu)于其他預(yù)測模型,能夠達(dá)到相對較好的風(fēng)電功率預(yù)測效果,為有效提高電網(wǎng)運行增加了可靠性.影響風(fēng)電功率預(yù)測準(zhǔn)確性的因素有很多,包括風(fēng)速、風(fēng)向、空氣密度、風(fēng)電場裝機(jī)容量等.未來的研究可以考慮在預(yù)測中添加適當(dāng)?shù)臍庀笠?進(jìn)一步說明氣象要素對風(fēng)電功率預(yù)測的影響.