基于VMD-DBN 模型的短期風速預測

朱麗娟，胡 威

(新疆理工學院,新疆 阿克蘇 843000)

1 引言

風電出力的隨機波動性強，預測難度大，風電預測偏差增大了維護電網穩定所需的旋轉備用費用，誤差過大甚至會引起“脫網”等安全事故，電力調度部門往往“談風色變”。隨著國家碳達峰與碳中和戰略的推進，風電等可再生能源在電網中的滲透率會大幅上升，提升風速的預測精度非常必要。

近年來學者們提出了多種源荷短期預測方法，包括神經網絡[1, 2]、支持向量機[3, 4]和深度學習理論[5, 6]等。在可再生能源出力預測方面[7,8]：文獻[9]提出了一種基于改進分位數的日前概率PV 功率預測方法，該文利用卷積神經網絡挖掘影響光伏功率預測的深層特征因素；文獻[10]設定預測誤差服從Beta 分布，利用粒子群算法優化Beta 分布中的參數，求出最小概率區間；文獻[11～13]提出采用極限學習機實現風電概率區間預測，但是該方法在風電功率影響因素波動較大的時候，會出現預測區間寬度較大的情況；文獻[14]提出采用長短期記憶網絡實現風電功率的點預測，并基于該網絡生成一組風電功率預測誤差數據集，采用漸進積分均方誤差準則的窗寬優化方法實現非參數核密度的估計，求出不同置信度下的風電功率波動區間；文獻[15]將VMD 和 GRU 相結合，構建風電功率點預測模型，得到風電功率的點預測值及誤差分布情況，統計并分析誤差集，將其劃分為多個子區段，采用 NKDE 算法對不同的子區段分別構建概率區間預測模型，得到概率密度曲線，重組各子區段的預測結果，得到風電功率的概率預測區間。

基于以上研究基礎，本文提出了VMD-DBN 的風速預測方法，并通過西北某地實際數據驗證本方法的有效性。

2 方法與理論

2.1 變分模態分解

VMD 是一種完全非遞歸的模態變分方法，其避免了EMD 分解法固有的模態混疊問題。uk由式(1)求得。

(1)

式(1)中：f為原始信號，{uk}與{ωk}分別為第k個模態分量與頻率中心。

用增廣Lagrange函數求解式(1)，得下式。

(2)

用交替方向乘子法(ADMM)求(2)式，有：

(3)

(4)

2.2 深度信念神經網絡

DBN 主要由多個受限玻爾茲曼機(restricted Boltzmann machine，RBM)堆疊而成，見圖1所示。RBM 的能量函數為：

(5)

式(5)中，vi和hj為節點的狀態；ai和bj為節點偏置；wij層間權值。

根據上式，可得層間的概率密度公式為

(6)

圖1 DBN

3 VMD-DBN組合預測模型

本文提出的VMD-DBN見圖2所示，具體步驟為：

(1)用VMD 分解原始風速序列，獲取若干IMF分量。

(2)構建各IMF 分量對應的DBN 模型。

(3)從預測第一個時刻開始，做多步滾動預測，疊加并得到最終風速值。

(4)選用均方根誤差( RMSE )、平均相對誤差均值( MAPE )指標評估預測模型性能。

(7)

(8)

圖2 VMD-DBN 組合預測模型

4 實驗與結果分析

4.1 實驗數據分析

取西北某地風電場1月份風速數據為樣本，風速數據分辨率為15 min，用1月份2976 個數據作為樣本總體，其中前2880個數據為訓練數據，2881～2976這個區間的數據為測試樣本，即96個數據為1月31日的風速測試數據，風電數據參見圖3所示。用方法對樣本序列分解時，VMD 參數設置懲罰參數為2000，分解量值設置為4，其它參量均取默認值，分解結果見圖4所示。

圖3 風速原始數據

從圖4可知，IMF1 的數據量值最大，但頻率較低，其他三列頻率逐漸增大，但數值逐漸減小，在對風速數據進行預測時，對預測精度起主導作用的用IMF1 分量。

圖4 VMD 分解結果

4.2 實驗結果分析

VMD-DBN 模型與DBN 模型設置一致的DBN 模型參數。DBN 設置兩個RBM層，隱層數量分別為20、50，運算周期為300代，學習率為0.02。各部分參量確定后，為驗證本模型的性能，將DBN 方法與常見的LSTM 、ELM 與BP 方法做了對比分析。其他方法的參數設置分別為：ELM 的結構參數設置為102-35-1，最大迭代次數為500，激活函數為sig ；BP 用單隱層，結構參數為102-55-1，學習率為0.01，最大迭代次數為500；LSTM 的隱層設置為2，時間步長設置為20，學習率設置為0.05。為讓實驗結果變得更加有說服力，考慮神經網絡模型預測結果的不穩定性，各方法的實驗結果均取平均值，實驗次數為15次，結果見圖6與表1所示。通過DBN分別與LSTM、ELM與BP方法做對比分析，實驗結果得出：其RMSE 分別下降了0.1047、0.2486、0.2856；其MAPE 分別下降了2.8261%、5.9003%、7.227%，結果表明：DBN 方法的預測效果要優于LSTM 、ELM、BP等方法，其中BP 模型的預測效果最差，LSTM 模型的預測效果較好，但LSTM方法的預測速度最差，ELM 、LSTM 與BP 神經網絡的預測穩定性方面也不如DBN 方法。

表1 不同方法的誤差指標

為驗證本文所提VMD-DBN 方法的效果，用該方法與DBN 方法做對比分析。先用VMD 方法獲取4個分量，見圖4所示，然后分別建立相應的DBN 模型預測4個分量，預測結果見圖5所示，通過疊加各預測分量值，得到最終的預測結果參見圖6所示。通過圖6可看出，本文方法在差值方面以及預測波形相似度方面均優于DBN 方法，驗證了本文的組合模型比單一模型有較好的預測性能。

圖5 各分量預測結果

圖6 不同組合方法預測結果

5 結論與討論

為提升風速預測精度,提出預測模型，通過實驗分析，得出以下結論：①方法在預測精度以及穩定性方面要比LSTM、EIM與BP方法好。②VMD-DBN組合模型比單一DBN方法預測效果好。從整個預測過程看，VMD變量IMF1所占比重最大，但預測誤差稍大，需要進一步提升IMF1分量的預測精度，并且實驗中VMD參量用的是經驗值與默認值，下一步工作需要研究自適應預測信號特征的VMD方法。