基于改進LSTM的風電功率預測
2023-04-29 00:00:00任文鳳李卿安廣斌
無線互聯科技 2023年10期
摘要：針對當前風電功率預測精度不高、預測結果滯后等問題，文章提出用VMD結合DNN和BiLSTM的方法來預測超短期風電功率。將風電功率用VMD算法分解為K個固有模態分量，將分解得到的分量轉化為有監督學習數據，對不同IMF分量分別建立DNN和BiLSTM神經網絡預測模型，對預測信號進行重構，獲得最終誤差，并與單模型預測方法進行對比。
關鍵詞：風電功率預測；VMD；BiLSTM神經網絡；DNN神經網絡
中圖分類號：TP311
文獻標志碼：A
0 引言
隨著能源需求的增加，風能因其低碳、可再生等優點，受到人們的廣泛關注［1］。而隨機性強、時斷時續的風電，則會對電網安全穩定造成嚴重危害。風電功率預測是解決風電功率隨機性的關鍵手段之一，近年來，基于混合模型的風電功率預測研究已經成為熱門［2］。
郝雙［3］采用Bootstrap和極限學習機（Extreme Learning Machine，ELM）對風電功率進行預測，模型結構簡單，預測準確性高，但是，其在建立模型時假設風電功率預測誤差服從正態分布，而實際情況需要進一步驗證。吳美林［4］引入深度神經網絡（Deep Neural Networks，DNN）與隨機森林（Random Forest，RF）對風電功率進行預測，并與SVM，ARMA進行對比，證明RF-DNN能更好地擬合風電功率。王若恒［5］采用同時使用長短期記憶的神經網絡（Long Short Term Memory，LSTM）和變分模態分解（Variational Mode Decomposition，VMD）的方法，VMD可以消除模態混疊，但是網絡簡單導致精度不夠。劉凱［6］提出了天氣狀況與雙向長短期記憶（Bi-directional Long Short-Term Memory，BiLSTM）相結合的方法，整體預測效果很好，但是特征值維度太高，導致預測速度慢。
基于以上，本文提出了將VMD，DNN，BiLSTM相結合的風電功率預測方法。采用VMD將非周期性的風電功率曲線分解為多個相對短時周期的曲線，并分別建立DNN或BiLSTM預測模型，并疊加預測結果。為了驗證所提出方法的有效性，根據我國某風電場的實際情況，用深度學習框架Keras對其進行訓練與實現。
1 風電功率預測
1.1 風電功率預測系統框架
風電功率預測的系統框架如圖1所示，包括模型訓練、預測推理兩部分。
（1）模型訓練部分。對原始數據進行預處理，之后VMD分解，得到分量后，使用算法進行迭代優化出模型。
（2）預測推理部分。未知數據進行分解后，對分量放在模型中進行預測，得到預測結果。
1.2 風電功率預測誤差分析
均方誤差（MSE）、均方根誤差（RMSE）、平均絕對誤差（MAE）和平均絕對百分比誤差（MAPE）的計算公式如下［7］。
式中，N表示預測樣本個數；ft表示對第t個樣本的預測值；ht表示第t個樣本的實際值。
2 時間序列數據分解方法
2.1 變分模態分解原理
VMD是2014年Dragomiretskiy等［8］提出的一種新的自適應信號處理方法，可以將一個波動性較強的信號分解為K個規律較明顯的信號。原始風電信號f（t）可以分解為K個IMF分量，uk（t）的表達式如下：
uk（t）=Ak（t）cos［φk（t）］（5）
式中，φk（t）為uk（t）的相位，Ak（t）為uk（t）的瞬時幅值。
2.2 變分模態分解的參數選取
2.2.1 分解尺度K的選取
VMD在分解信號時，需要預設K值，K值決定著能否準確提取出信號的有用信息，通過對比不同K值時的均方誤差、代碼運行時間、各IMF的頻譜，從而拿到對于本類數據比較合適的K值。
K取不同值時的均方誤差和代碼耗費時間如表1所示，各IMF及其頻譜如圖2所示。
K=5時，幾乎沒有模態混疊，但200～600 Hz頻段內沒有數據信息。K=7時，頻段信息均勻分布，且幾乎沒有模態混疊。K=9時，原始數據的模態成分發生了混疊，信號過分解。
根據3個維度綜合判斷，K= 7時，能夠有效獲得數據分解結果。
2.2.2 懲罰因子α的選取
α也是一個超參數，主要影響IMF的帶寬、頻率以及收斂速度，同樣使用分解后各IMF進行信號重構后，與原始數據的均方誤差、分解代碼運行時間、分解后各IMF的頻譜3個維度進行α的選取。
α取不同值時的均方誤差和代碼耗費時間如表2所示，各個IMF頻譜如圖3所示。
當α=400～800時，IMF3～7的重疊區域過大，發生模態混疊。當α=1 600～3 200時，各分量平均占據了0～1 000 Hz頻段，幾乎沒有發生模態混疊。隨著α的增大，以中心頻率為中心，兩邊的頻率衰減變快。
根據3個維度的綜合情況判斷，α=1 600～3 200時，能夠有效獲得數據分解結果，但α=1 600時的誤差要小于α=3 200時的誤差，所以α選擇1 600。
3 神經網絡預測模型
3.1 深度學習預測模型
DNN的神經元是全連接結構［9］，具有豐富的參數量，能夠學習輸入和輸出之間的復雜映射。
循環神經網絡（Recurrent Neural Networks，RNN）是一個隨著時間推移，重復發生的結構，其短期記憶能力有限。
LSTM神經網絡由Hochreiter和Schmidhuber提出［10］，可以充分利用時間序列數據，還彌補了RNN梯度消失、梯度爆炸以及缺乏長期記憶能力的缺點。
BiLSTM將前向LSTM與后向LSTM的輸出結果進行拼接作為新網絡的輸出［11］，包含輸入層的前向和后向數據特征，可以實現更加精準的預測。
3.2 有監督數據類型轉換
風電數據是連續、基于時間的，將原始數據進行預處理和VMD分解后，得到多個IMF分量，這類分量擁有“數據”類別，但沒有“標簽”類別，而有監督學習的預測方法兩者都需要具備，所以需要將無監督學習數據轉換為有監督學習數據，之后用監督學習對數據進行訓練。
選擇A01風機的前2 000個數據，經過預處理、歸一化和分解，并通過有監督數據轉換后，得到1 994組有監督學習數據，數據轉換后，得到7組［1 994，6］的矩陣，以75%作為訓練集，20%作為驗證集，5%作為測試集，來實現對預測模型進行訓練，檢驗神經網絡優劣的目的。
4 仿真分析
4.1 神經網絡仿真
分別建立DNN，LSTM，BiLSTM預測模型，3種模型測試集的預測結果如圖4所示，模型訓練網絡超參數的選取及得到的測試集誤差如表3所示。
根據預測的結果重合度和測試集的誤差可見：相對于LSTM，DNN和BiLSTM可以更好地實現風力發電的功率預測。
4.2 VMD的優勢
為了驗證VMD的效果，對DNN，BiLSTM，VMD-DNN，VMD-BiLSTM進行了仿真對比，對比結果如圖5所示，各個模型得到的RMSE和MAE如表4所示。
由圖5和表4可以得出，VMD-DNN和VMD-BiLSTM的預測結果，相對于直接對風電數據進行DNN和BiLSTM預測來說，準確度有了明顯提高。
4.3 不同預測模型的對比
評估DNN和BiLSTM兩種神經網絡在不同IMF分量的表現，需要將通過VMD分解得到的IMF分量分別建立相應的預測模型進行比較，如表5所示DNN和BiLSTM在不同IMF分量的誤差。
從表5來看，DNN對IMF1—4推理效果相對較好，BiLSTM對IMF5—7推理效果相對較好。為了更好地實現風電功率預測，采用對IMF1—4建立DNN預測模型，對IMF5—7建立BiLSTM預測模型的方式。通過與VMD-DNN以及VMD-BiLSTM模型進行對比，可評估VMD-DNN-BiLSTM的性能，如圖6所示為3種模型單步預測的結果，如表6所示是模型的單步預測誤差。
4.4 滾動多步預測
以上進行的都是單步預測，在實際應用中，需要得到多個時刻的預測值，進行多步預測。每步間隔為15 min，3種模型多步預測的誤差結果如表7所示。
進行滾動的多步預測可以實現對長時間數據的預測，但會產生累積誤差，預測越長的時間，誤差也會隨之增大。與VMD-DNN和VMD-BiLSTM相比，VMD-DNN-BiLSTM在單步預測時RMSE和MAE與另外兩種方法相近，滾動步數的增多的時候能夠從誤差中看出VMD-DNN-BiLSTM的優勢。
5 結語
結果表明，VMD-DNN-BiLSTM可在一定程度上提高預測精度。
用VMD算法分解風電數據，減少了風電數據的特征，降低了預測難度；同時，可以減少神經網絡參數，降低網絡深度，提高預測速度。
對不同神經網絡的預測結果進行了對比：DNN通過全連接來拼接數據，擬合能力較強；LSTM能夠有效利用歷史風電序列信息，并且通過選取合適的參數使模型的預測精度更高；BiLSTM能更充分地利用時間序列，提高預測精度。
VMD，DNN和BiLSTM互相借助有利優勢。相對于直接對原始風電功率數據進行預測，借助VMD算法的分解方法，可以解決預測滯后問題，進一步提高整個預測模型的準確率。
參考文獻
［1］葉林，朱倩雯，趙永寧.超短期風電功率預測的自適應指數動態優選組合模型［J］.電力系統自動化，2015（20）：12-18.
［2］楊茂，董駿城.基于混合分布模型的風電功率波動特性研究［J］.中國電機工程學報，2016（1）：69-78.
［3］郝雙.基于B-ELM模型的風電場短期功率區間預測方法研究［D］.沈陽：沈陽工業大學，2019.
［4］吳美林.基于DNN與隨機森林特征信息選擇的風電功率預測研究［D］.西安：西安理工大學，2020.
［5］王若恒.基于LSTM的風電功率區間預測研究［D］.武漢：華中科技大學，2018.
［6］劉凱.基于LSTM的風機發電量預測研究［D］.蘭州：蘭州理工大學，2019.
［7］凡航，張雪敏，梅生偉，等.基于時空神經網絡的風電場超短期風速預測模型［J］.電力系統自動化，2021（1）：28-35.
［8］DRAGOMIRETSKIY K，ZOSSO D.Variational mode decomposition［J］.IEEE Tran on Signal Processing，2014（3）：531-544.
［9］胥小波，聶小明.基于多層感知器神經網絡的WebShell檢測方法［J］.通信技術，2018（4）：895-900.
［10］王志遠，王守相，陳海文，等.考慮空間相關性采用LSTM神經網絡的光伏出力短期預測方法［J］.電力系統及其自動化學報，2020（5）：83-90.
［11］邢恩愷.基于改進VMD預處理與雙向LSTM的風電功率預測研究［D］.吉林：東北電力大學，2019.
（編輯 沈 強）
Wind power prediction based on improved LSTM
Ren Wenfeng， Li Qing， An Guangbin
（Yenching Institute of Technology， Langfang 065201， China）
Abstract： Aiming at the problems of low prediction accuracy and lagging prediction results of current wind power， a method combining VMD with DNN and BiLSTM is proposed to predict ultra short-term wind power. The wind power is decomposed into K natural mode components by VMD algorithm， and the decomposed components are transformed into supervised learning data. The DNN and BiLSTM neural network prediction models are established for different IMF components， and the prediction signals are reconstructed to obtain the final error， which is compared with the single model prediction method.
Key words： wind power forecasting; VMD; BiLSTM neural network; DNN neural network
