基于NGWO 的光伏信息設備的狀態預測?

王靖程 王金明 敖 海 李國慶 姚玲玲 陳 倉

（1.西安熱工院研究有限公司 西安 710054）（2.華能金昌光伏發電有限公司 金昌 737199）（3.華能新能源股份有限公司 北京 100036）

1 引言

光伏信息設備的狀態預測對光伏系統的正常運轉和實時準確監控及管理起到了重要作用。它是指根據信息設備的CPU 使用率、內存使用率、磁盤使用率和溫度的歷史數據，來推測一段時間后設備的負載狀態信息。

目前，對信息設備負載狀態的預測方法主要有兩大類。一類是基于統計學知識的方法，如時間序列方法［1～3］、回歸分析法［4］和灰色模型預測法［5］。但隨著許多系統規模的變大，設備狀態數據也隨之海量增長并且復雜多變，這類方法已經不能保證這種多維非線性不平穩時間序列的預測精度。另一類方法則適用于高維度、非線性時間序列的建模分析，如支持向量機（support vector machine，SVM）［6］、人工神經網絡［7］等。SVM 能夠找到全局最優解，但操作比較復雜，其參數選取需要一定的先驗知識，參數的合適與否決定著預測結果的優劣，致使模型的泛化能力較弱。人工神經網絡自適應、自學習能力較強，不需要先驗知識，而且由于其實現簡單，目前在設備狀態預測領域中已得到了廣泛的應用。循環神經網絡（recurrent neural network，RNN）是一種引入了定向循環的人工神經網絡，能夠處理那些輸入輸出之間前后具有關聯的問題［8］。

但循環神經網絡在處理長時間的時間序列時存在梯度消散的現象［9］，文獻［10］提出了長短期記憶（long-term and short-term memory，LSTM）神經網絡，該網絡是RNN 的一個變種，能夠處理循環神經網絡梯度消散的問題，在時間序列預測領域取得了很好的成績［11～14］。但傳統的LSTM 是利用隨時間反向傳播算法（backpropagation through time，BPTT）［15］來確定網絡參數的，該算法時間復雜度高且易陷于局部最優。

基于上述分析，本文提出一種用小生境灰狼優化（niche grey wolf optimization，NGWO）算法改進的長短期記憶神經網絡預測光伏信息設備狀態的方法。實驗結果表明，該方法提高了對信息設備狀態預測的精度。

2 理論基礎

2.1 LSTM神經網絡

LSTM作為RNN的一個變種，在RNN模塊的基礎上引入了記憶單元狀態，解決了RNN 存在的問題。LSTM 有三個特殊的門：遺忘門、輸入門、以及輸出門。LSTM神經網絡通過對于這三個門的參數及權重調整，來解決循環神經網絡難以處理長時依賴序列的問題。其重復模塊的內部結構如圖1所示。

圖1 LSTM結構示意圖

遺忘門負責選取從單元狀態中移除的信息，計算公式為

輸入門負責新信息的輸入，計算公式為

式（1）～（7）中，t∈{1 ，2，3…l} ，激活函數選取sig?mod函數。

根據上述公式計算可求得系統的輸出，接著采用隨時間反向傳播算法，修正網絡中的參數并最終確定。LSTM在時間序列預測領域取得了很好的成績。但其在確定參數的時候采用的是BPTT 算法，該算法時間復雜度較高且容易收斂于局部最優解。

2.2 基本灰狼優化算法

灰狼優化（grey wolf optimization，GWO）算法［16］是一種根據狼群群體智能，基于狼群的社會等級制度和捕食行為而提出的群體智能優化算法。狼群中存在嚴格的社會等級制度，社會等級層次從上到下依次是α，β，δ和ω共4層，狼群算法建立了一個狼群中的狼和潛在解對應的模型［17］。α狼代表當前位置最好的狼（當前最優解），是捕獵過程中的領導者；其次是β和δ，捕獵過程中他們會協助α狼對狼群進行管理和決策；其他的狼被定義為ω，根據α，β，δ三只狼的位置更新自己的位置。圍捕結束后位置最好的狼將對應于我們所尋找的最優解。

相比于粒子群優化算法［18］、蟻群優化算法［19］、遺傳算法［20］，灰狼優化算法在函數優化方面有著結構簡單、易于操作等優點，但在搜索最優的過程中，因為群體多樣性較差，所以會較易進入局部最優的狀態。基于上述分析，在灰狼優化算法的基礎上，引入小生境技術，提出利用小生境灰狼優化（NG?WO）算法來優化LSTM的設備狀態預測方法。

3 NGWO-LSTM預測模型

小生境（Niche）是指特定環境下的一種生存環境，在進化過程中，生物總是傾向與自己習性相像的個體一起生活，進而產生后代［21］。在每一代進化前，小生境技術依據個體間的距離將群體分成多個小生境群體，再在不同小群體之間配對產生下一代。利用小生境技術對灰狼優化算法進行優化，首先通過傳統GWO 算法算出每個個體的適應度值，給定一個小生境半徑，當個體間的距離小于該值時，比較這些個體的適應度值，接著對適應度值較低的個體施加懲罰，以提高搜索全局最優的能力。

小生境灰狼群優化算法具有計算較為簡單、能夠收斂到全局最優的優點。所以本文利用基于小生境灰狼優化算法的LSTM 模型（NGWO-LSTM）來對光伏系統信息設備的狀態參數進行預測，通過NGWO 算法來優化LSTM 的網絡參數，將LSTM 對時序數據的強大處理能力與NGWO 算法的高效優化能力相結合，使得能夠高效、精確地對設備的狀態進行預測。

NGWO-LSTM 模型的網絡結構和傳統LSTM的網絡結構相同，如圖2。從LSTM 的相關計算公式可以得到我們需要確定的參數（矩陣）有13 個，分 別 是wfx∈Rhidden×lookback，wfh∈Rhidden×hidden，bf∈Rhidden×1，wix∈Rhidden×lookback，wih∈Rhidden×hidden，bi∈Rhidden×1，wcx∈Rhidden×lookback，wch∈Rhidden×hidden，bc∈Rhidden×1，wox∈Rhidden×lookback，woh∈Rhidden×hidden，bo∈Rhidden×1，wyh∈Rpredstep×hidden。

圖2 CPU使用率預測的實驗結果對比圖

其中，hidden為隱藏層單元的個數；lookback為時間步，表示當前的輸入與前陸續多少步的輸入有直接聯系；predstep表示預測未來多少步的輸出。

因為NGWO 算法中的每只狼都是一個潛在解，所以每只狼的位置要能表示出這13 個參數（矩陣），故狼的位置的長度為

假設搜索空間是M維的，也即狼的位置的長度為M，那么灰狼i的位置可以用一個矢量來表示Xi=(Xi1，Xi2，…，XiM)T。假設狼群中有N只狼，則整個狼群可表示為X=(X1，X2，…，XN)。

個體間的距離選用歐式距離來衡量，對于M維搜索空間，灰狼i的位置為Xi=(Xi1，Xi2，…XiM)T，灰狼j的位置為Xj=(Xj1，Xj2，…XjM)T，于是灰狼i和灰狼j的距離為

若該距離小于給出的指定參數小生境半徑σshare，即dij＜σshare，則將它們納入到小生境群體。

適應度函數值是評價種群中灰狼個體好壞程度的一個標準，它是基于目標函數構造的，灰狼的適應度值越大，則更有機會作為α狼。

我們的目標是使模型給出的預測值與實際值相比偏差盡可能地小，所以可選取最小化為目標函數。其中為實際值，yt為模型的輸出值，T為所預測的時間序列的長度。故NGWO算法的適應度函數可設置為

NGWO 算法改進的LSTM 時間序列預測模型步驟如下：

步驟一：確定LSTM 神經網絡中hidden、look?back 和predstep 的值，并將輸入（X）重構為LSTM 預期的3D格式，即［Samples，Timesteps，Features］。

步驟二：確定小生境灰狼優化算法的維度M，群體中的灰狼個體數N、最大迭代次數tmax、小生境半徑σshare和懲罰函數penalty。

步驟三：初始化灰狼群體，通過隨機方法產生每只灰狼的位置Xi，j～U(lj，uj)(1 ≤i≤N，1 ≤j≤M)，其中U是隨機分布函數，lj、uj表示搜索區間的搜索上界和下界。

步驟四：對每個灰狼個體進行下列操作：

1）將每個灰狼個體Xi分解成LSTM的參數；

2）代入樣本數據，根據上述參數計算LSTM 神經網絡的輸出值y；

3）根據式（10）計算灰狼Xi的適應度值fi。

步驟五：比較每個灰狼的適應度值，將適應度值前三的灰狼個體的位置分別記為Xα、Xβ、Xδ，并將適應度值最好的Xα作為LSTM 網絡參數的最優解。

步驟六：更新剩余個體ω的位置。在更新灰狼i的位置時，先分別計算出灰狼i和狼α，β，δ之間的距離，距離計算公式如下：

式中，Dα、Dβ、Dδ分別代表灰狼i距狼α，β，δ的距離；Xα、Xβ、Xδ分別表示狼α，β，δ的位置；Xi(t)表示狼i在第t 代的位置；r1為0～1 之間的隨機數。

在得到灰狼i距位置最好的三只狼的距離后，狼i就需要向這三只狼移動，以更新自己位置，計算公式如下：

式中，分別是狼i朝α，β，δ狼移動的矢量；Xi(t+1)是更新后的最終位置；r2是［0，1］間的隨機數；α是收斂因子，其計算公式為α=2-，t是當前迭代次數，tmax是最大的迭代次數。可以發現，迭代因子α隨著迭代次數的增加從2 線性遞減到0，所以Ak的絕對值有兩種可能：1 ＜ |Ak|≤2 或 |Ak|≤1。若1 ＜ |Ak|≤2，則該狼會遠離當前位置較好的狼；若≤1，則會向位置較好的狼靠攏。

步驟七：按照式（9）計算灰狼個體間的距離，當dij＜σshare時，比較灰狼i和灰狼j適應度值的大小，對適應度度值較小的灰狼施加懲罰函數。即若dij＜σshare，min(fi，fj)=penalty（penalty函數的懲罰力度根據所求函數解的大小來決定）。

步驟八：若t大于tmax，則終止算法并輸出最優解Xα；否則返回步驟四。

最后獲得的Xα即為LSTM 網絡參數對應的最優解，之后，便可以將訓練好的模型運用于測試。

4 實驗及結果分析

為了驗證基于小生境灰狼優化（NGWO）算法的長短期記憶（LSTM）神經網絡在光伏信息設備狀態預測中的精度和泛化能力，本文使用LS-SVM、BP神經網絡和原始LSTM 作為參比方法，與本文的NGWO-LSTM預測模型進行比較。

實驗采用的數據來自甘肅某光伏電站的信息設備的歷史狀態數據，其數據記錄間隔為5min。在使用各個預測方法進行預測之前，需對數據進行預處理，剔除掉明顯的異常點，然后對數據進行歸一化處理，并將數據集劃分為訓練集和測試集。本文選取2017 年10 月1 日至2 日的一共560 組有效采樣數據，將前400組數據劃分為訓練集，將后160組數據劃分為測試集。在數據集中，每組數據包括CPU使用率、內存使用率、磁盤使用率和主板溫度4個值。

4.1 實驗參數設置

NGWO-LSTM 的種群規模N=30，最大迭代次數tmax=400，小生境半徑σshare=0.5，LSTM 神經網絡的隱藏層層數為1，隱藏層節點數為8，激活函數均使用sigmood 函數。傳統LSTM 的網絡結構和改進的LSTM 的相同，迭代50次。最小二乘支持向量機LS-SVM 的正則參數γ=3000，平方帶寬δ2=1000。BP神經網絡的隱藏層數為1，隱藏層節點數為8，最大迭代次數為500，學習率為0.02。采用Matlab 對本文提出的預測方法及對比方法進行仿真實驗，衡量預測精度的指標采用絕對平均百分比誤差（MAPE）、絕對平均誤差（MAE）和均方根誤差（RMSE），計算公式如式（14）～（16）所示。

其中，y(t)表示預測的序列值，y?(t)表示實際序列值。

4.2 實驗結果分析

利用Matlab實現各種預測方法，實驗結果如表1～4和圖3（以CPU使用率為例）所示。

表1 CPU使用率預測實驗結果對比

表2 內存使用率預測實驗結果對比

表3 磁盤使用率預測實驗結果對比

表4 主板溫度實驗結果對比

從表1～4 和圖3 可以看到，NGWO-LSTM 的預測效果要明顯優于其他幾種預測方法，其預測值更接近實際值，設備狀態的各個屬性值預測結果如圖4 所示。體現了小生境灰狼算法和長短期記憶神經網絡結合的優勢，長短期記憶神經網絡因其自身結構本身十分適合對前后有關聯的時序數據進行處理，小生境灰狼算法則對其網絡參數的確定過程進行優化，使其能夠快速收斂和尋找全局最優。以CPU 為例進行具體說明，NGWO-LSTM 預測的結果的MAE 相比于傳統LSTM、LS-SVM 和BP 神經網絡分別降低了0.8885、1.7799 和5.4442，體現出NG?WO 算法在優化參數上的優勢，減小了算法陷入局部最優的概率，能更好地自適應調整優化LSTM 神經網絡的連接權值和閾值。此外，NGWO-LSTM 預測結果的RMSE 也都比其他預測方法的要低，說明該方法泛化能力較強，具有很好的穩定性，波動較小。

圖3 NGWO-LSTM 設備狀態預測圖

5 結語

本文利用小生境灰狼優化（NGWO）算法優化長短期記憶（LSTM）神經網絡來對光伏信息設備狀態進行預測。該方法利用小生境灰狼優化算法對LSTM 的網絡參數進行優化，將NGWO 算法的快速收斂、全局搜索尋優能力和LSTM 對時間序列數據強大的處理能力相結合，提高了LSTM 對時間序列數據的預測精度。 實驗結果表明，該方法能夠很好地把握光伏信息設備狀態的變化規律，具有較好的預測精度和泛化能力，對設備的狀態監控、評估及異常告警具有重要作用。