基于VMD-RL-LSTM的短期風(fēng)功率預(yù)測(cè)

谷學(xué)靜,陳洪磊,孫澤賢,張 怡

(1. 華北理工大學(xué)電氣工程學(xué)院,河北 唐山 063210;2. 唐山市數(shù)字媒體工程技術(shù)研究中心,河北 唐山 063000)

1 引言

風(fēng)能作為一種清潔的可再生能源,具有無(wú)污染、清潔性、資源充足的特點(diǎn),在世界能源領(lǐng)域占有越來(lái)越多重要的比例[1]。精確的風(fēng)功率預(yù)測(cè)可以降低電網(wǎng)的旋轉(zhuǎn)備用容量,有利于降低其運(yùn)行成本及風(fēng)電對(duì)電網(wǎng)的負(fù)面影響[4]。

風(fēng)功率預(yù)測(cè)的方法主要包括三大類:物理方法、統(tǒng)計(jì)方法及兩種方法組合的方法[5],數(shù)值天氣預(yù)報(bào)模型(NWP)是物理方法之一,此方法利用氣象實(shí)況條件來(lái)進(jìn)行預(yù)測(cè),但是因?yàn)樘鞖忸A(yù)報(bào)數(shù)據(jù)更新頻率低、數(shù)值氣象模型復(fù)雜,一般不用于短期風(fēng)功率預(yù)測(cè)[6]。研究歷史風(fēng)電功率數(shù)據(jù)的規(guī)律一般使用統(tǒng)計(jì)方法,建立非線性間映射關(guān)系,從而使時(shí)間序列預(yù)測(cè)歷史風(fēng)力數(shù)據(jù)得到實(shí)現(xiàn)。由于機(jī)器學(xué)習(xí)、強(qiáng)化學(xué)習(xí)和深度學(xué)習(xí)近年來(lái)的快速發(fā)展,機(jī)器學(xué)習(xí)、強(qiáng)化學(xué)習(xí)和深度學(xué)習(xí)[9]模型比以前的模型得到了更精確的結(jié)果。支持向量機(jī)(SVM)[11]和人工神經(jīng)網(wǎng)絡(luò)(ANN)[14]這兩者都有非線性的特點(diǎn),成為常用的機(jī)器學(xué)習(xí)預(yù)測(cè)模型。強(qiáng)化學(xué)習(xí)可以通過“試錯(cuò)”的外部環(huán)境找到最佳的實(shí)施策略[18],并加強(qiáng)學(xué)習(xí)將其應(yīng)用于需求響應(yīng),形成一個(gè)完整的決策感知系統(tǒng),能夠有效地幫助確保問題的答案以可靠性和準(zhǔn)確性為導(dǎo)向。隨著深度學(xué)習(xí)的發(fā)展,長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)不僅可以挖掘輸出變量與相關(guān)輸入變量之間的時(shí)空相關(guān)性,而且在復(fù)雜時(shí)間序列預(yù)測(cè)領(lǐng)域也得到了極大的發(fā)展[19]。目前,結(jié)合機(jī)器學(xué)習(xí)/深度學(xué)習(xí)技術(shù)的混合模型已經(jīng)被證明是更為可靠的預(yù)測(cè)模型。

張東英等[20]對(duì)風(fēng)電功率概率預(yù)測(cè)的定義預(yù)測(cè)方法和控制策略進(jìn)行了綜述;Wang等提出了將經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)算法應(yīng)用于風(fēng)速預(yù)測(cè)模型[21];當(dāng)一個(gè)單一的模型預(yù)測(cè)風(fēng)速時(shí),它往往存在精度差的問題,越來(lái)越多的研究者開始研究組合模型。文獻(xiàn)[22]通過構(gòu)建CEEMDAN、VMD和AdaBoost的RT-ELM混合模型,能夠有效解決風(fēng)速時(shí)間序列的非線性問題,從而提高預(yù)測(cè)的準(zhǔn)確性。王靜等提出了基于CEEMD和GWO的超短期風(fēng)速預(yù)測(cè),兩種方法的結(jié)合能夠有效改變支持向量回歸機(jī)參數(shù)的預(yù)測(cè)模型,進(jìn)而得到優(yōu)化[23]。文獻(xiàn)[24]推薦了一種利用LSTM網(wǎng)絡(luò)進(jìn)行超短期風(fēng)功率預(yù)測(cè),考慮多個(gè)不同NWP數(shù)據(jù)的輸入,預(yù)測(cè)精度高于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)。為了改進(jìn)LSTM存在泛化能力差、容易造成過擬合等問題,李艷等提出了一種CNN-LSTM網(wǎng)絡(luò)模型進(jìn)行風(fēng)電功率預(yù)測(cè)[25],利用CNN提取序列特征的能力有效提取子集,在刪除干擾內(nèi)存的數(shù)據(jù)后在LSTM上輸入數(shù)據(jù),進(jìn)而較長(zhǎng)的記憶信息能夠得到保留,解決梯度彌散問題。

通過對(duì)文獻(xiàn)的分析得出以下結(jié)論。分析表明,數(shù)據(jù)分解技術(shù)的應(yīng)用有效降低樣本噪聲干擾并顯著提高模型的預(yù)測(cè)性能。總體而言,在風(fēng)功率預(yù)測(cè)方面,混合模型比單一模型預(yù)測(cè)更加可靠、有效。

本文提出了一種基于變分模態(tài)分解(VMD)、強(qiáng)化學(xué)習(xí)(RL)參數(shù)尋優(yōu)和長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(LSTM)的短期風(fēng)功率預(yù)測(cè)方法。變分模態(tài)分解不僅能夠消噪,還可以將原始信號(hào)的核心成分進(jìn)行保留,分解后的效果較好。強(qiáng)化學(xué)習(xí)方法可以從實(shí)際系統(tǒng)的學(xué)習(xí)體會(huì)和經(jīng)驗(yàn)中進(jìn)行調(diào)整策略,這是一個(gè)慢慢地逼近最優(yōu)策略的過程。它在進(jìn)行學(xué)習(xí)的過程中無(wú)需導(dǎo)師進(jìn)行監(jiān)督。參數(shù)優(yōu)化可以優(yōu)化LSTM模型的參數(shù),使模型預(yù)測(cè)精度更加精確。LSTM神經(jīng)網(wǎng)絡(luò)是傳統(tǒng)RNN的改進(jìn)版本,它在處理短期和長(zhǎng)期依賴關(guān)系的問題時(shí)更加健壯。實(shí)例分析表明,混合模型可以有效提高短期風(fēng)電功率精度。

2 研究方法

2.1 變分模態(tài)分解

K.Dragomiretskiy和D.Zosso提出了一種新型復(fù)雜信號(hào)分解時(shí)頻分析方法,即變分模態(tài)分解。它可以將原始時(shí)間序列s(t)分解為有限帶寬的不同分量uk(t),根據(jù)預(yù)設(shè)的模態(tài)數(shù),對(duì)應(yīng)的中心頻率為ωk,通過交替迭代更新找到約束變分模型的最優(yōu)解,避免在迭代過程中遇到的端點(diǎn)效應(yīng)等問題。利用變分模態(tài)分解,能夠?qū)⒎蔷€性和非平穩(wěn)信號(hào)得到有效的處理。對(duì)比于EMD,解決了其端點(diǎn)效應(yīng)和模態(tài)分量混疊的問題,該算法可表示為[26]

1)對(duì)每一個(gè)uk(t)進(jìn)行Hilbert變換得到單側(cè)頻譜

(1)

2)將模式的各個(gè)分析信號(hào)與估計(jì)的中心頻率e-jωkt相乘,頻譜移到基帶

(2)

3)利用高斯平滑估計(jì)對(duì)解調(diào)信號(hào)梯度L2進(jìn)行正則化,可得出模態(tài)函數(shù)的各個(gè)帶寬,約束變分模型如下表示

(3)

4)隨著二次罰因子α和拉格朗日乘子λ的引入,原始時(shí)間序列在高斯噪聲影響下的信號(hào)重構(gòu)精度s(t)得到了保證,并將抑制變分問題轉(zhuǎn)化為無(wú)抑制變分問題

(4)

5)使用交替方向乘子法(ADMM),將分量uk(t)、中心頻率ωk和拉格朗日乘子λ進(jìn)行求解更新,擴(kuò)展拉格朗日函數(shù)表達(dá)式的最低點(diǎn),更新過程如下

(5)

(6)

(7)

(8)

2.2 強(qiáng)化學(xué)習(xí)

強(qiáng)化學(xué)習(xí)(reinforcement learning,RL)在機(jī)器學(xué)習(xí)領(lǐng)域中是被用來(lái)解決連續(xù)性的決策問題,它是指通過與環(huán)境的交互和學(xué)習(xí)而獲得的知識(shí),自主進(jìn)行的動(dòng)作和選擇,通過不斷的試錯(cuò)獲得最優(yōu)策略[27]。強(qiáng)化學(xué)習(xí)的重要特征是:通過強(qiáng)化學(xué)習(xí)來(lái)解決和處理這個(gè)問題的各種可能性目標(biāo)都被簡(jiǎn)單地作為一個(gè)標(biāo)量來(lái)進(jìn)行獎(jiǎng)勵(lì),強(qiáng)化學(xué)習(xí)的主要目標(biāo)就是通過外部環(huán)境產(chǎn)生的獎(jiǎng)勵(lì),而不是Agent本身。所有強(qiáng)化學(xué)習(xí)都涉及映射學(xué)習(xí),該學(xué)習(xí)將環(huán)境的狀態(tài)或姿勢(shì)映射到適當(dāng)?shù)膭?dòng)作或動(dòng)作的一般分配,這種映射稱為策略。它指示在當(dāng)前學(xué)習(xí)期間每個(gè)狀態(tài)代理應(yīng)采取的行為。

在強(qiáng)化學(xué)習(xí)的情況下,Agent的某種行為策略會(huì)帶來(lái)環(huán)境獎(jiǎng)勵(lì),模型如圖1所示。

圖1 強(qiáng)化學(xué)習(xí)基本模型

2.3 LSTM神經(jīng)網(wǎng)絡(luò)

LSTM神經(jīng)網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)的一種,由于梯度爆炸或梯度消失的問題,RNN不適合長(zhǎng)期依賴的任務(wù)[28]。它們只能解決短期依賴性任務(wù),而LSTM可以有效地學(xué)習(xí)長(zhǎng)期依賴性任務(wù)。

LSTM是一種適合于時(shí)間序列預(yù)測(cè)問題的深度學(xué)習(xí)體系結(jié)構(gòu)。LSTM單元的內(nèi)部狀態(tài)存儲(chǔ)器提供了先前相關(guān)信息的內(nèi)部存儲(chǔ)。細(xì)胞的輸入、輸出和遺忘門負(fù)責(zé)通過細(xì)胞的信息流動(dòng)。LSTM在這些門的幫助下處理和存儲(chǔ)相關(guān)信息。圖2顯示了LSTM細(xì)胞的內(nèi)部布局。LSTM單元的數(shù)學(xué)是使用等式(9)-(14)定義的。

圖2 LSTM單元結(jié)構(gòu)

ot=σ(Woht-1+Uoxt+bo)

(9)

it=σ(Wiht-1+Uixt+bi)

(10)

ft=σ(Wfht-1+Ufxt+bf)

(11)

st=tanh(Wht-1+Uxt+b)

由此可以看出SCADA系統(tǒng)的局限性：SCADA系統(tǒng)提供的數(shù)據(jù)只能作為參考值，并不能直接應(yīng)用于電力運(yùn)行的參數(shù)設(shè)值；SCADA系統(tǒng)提供的數(shù)據(jù)有部分干擾值，需要人工進(jìn)行正確的判斷；SCADA系統(tǒng)只能實(shí)現(xiàn)有限數(shù)據(jù)的采集與監(jiān)測(cè)。

(12)

st=ft⊙st-1+it⊙st

(13)

ht=ot⊙tanh(st)

(14)

式中,xt,st,st,ht分別表示時(shí)間步長(zhǎng)t時(shí)的網(wǎng)絡(luò)輸入狀態(tài)、網(wǎng)絡(luò)狀態(tài)、暫態(tài)狀態(tài)和輸出狀態(tài)。it表示輸入門,ot表示輸出門,ft表示遺忘門。參數(shù)W、U、V分別為隱含層、輸入層、輸出層對(duì)應(yīng)的權(quán)值,b為偏差。操作符⊙表示元素級(jí)的乘法。σ和tanh分別表示sigmoid和tanh的激活函數(shù),它們是用方程(15)-(16)定義的。

(15)

(16)

與LSTM網(wǎng)絡(luò)結(jié)構(gòu)類似,深度門控循環(huán)單元(gated recurrent unit,GRU)相比于LSTM網(wǎng)絡(luò)內(nèi)部結(jié)構(gòu)減少了門單元和隱藏狀態(tài),并由重置門和更新門取代,內(nèi)部結(jié)構(gòu)比較簡(jiǎn)單,但處理大量數(shù)據(jù)的效果不如LSTM網(wǎng)絡(luò)[29]。

3 VMD-RL-LSTM風(fēng)功率預(yù)測(cè)模型

3.1 模型構(gòu)建思路

基于VMD-RL-LSTM的短期風(fēng)功率預(yù)測(cè)模型如圖3所示。主要分為4個(gè)步驟。

圖3 基于VMD-RL-LSTM的短期風(fēng)功率預(yù)測(cè)模型

1)利用VMD方法將原始風(fēng)功率數(shù)據(jù)分解,由此獲得K個(gè)分量。

2)使用中心頻率法將分量的個(gè)數(shù)進(jìn)行確定,把中心頻率值近似的分量確定為相似模態(tài),得到VMD各分量的中心頻率。

3)對(duì)分解后的分量分別構(gòu)建LSTM預(yù)測(cè)模型,然后利用RL學(xué)習(xí)模塊對(duì)其輸出進(jìn)行評(píng)價(jià),隨后反饋給預(yù)測(cè)系統(tǒng),對(duì)其進(jìn)行參數(shù)調(diào)整和優(yōu)化。

4)將不同分量預(yù)測(cè)后的結(jié)果進(jìn)行組合疊加,得到一個(gè)總的預(yù)測(cè)輸出,并通過誤差指標(biāo)與其方法的比較分析模型的預(yù)測(cè)性能。

3.2 數(shù)據(jù)預(yù)處理

預(yù)測(cè)結(jié)果的準(zhǔn)確性取決于數(shù)據(jù)集的質(zhì)量和數(shù)量。本文采用選用河北省某風(fēng)電場(chǎng)實(shí)際采集數(shù)據(jù),樣本的采樣周期為5min,選取6月1日-6月8日共2304個(gè)點(diǎn)作為樣本數(shù)據(jù)。原始風(fēng)功率數(shù)據(jù)如圖4所示,其中前2016個(gè)點(diǎn)(6月1日-6月7日)的數(shù)據(jù)作為訓(xùn)練樣本,后288個(gè)點(diǎn)(6月8日)的數(shù)據(jù)作為測(cè)試樣本。

圖4 原始風(fēng)功率數(shù)據(jù)

3.3 中心頻率法確定分量個(gè)數(shù)

在本文中,K值用中心頻率確定,并且將其預(yù)設(shè)模式編號(hào)值K由小到大排列,當(dāng)最后一層IMF分量的中心頻率保持相對(duì)穩(wěn)定時(shí),此時(shí)可以考慮K作為最優(yōu)模式編號(hào)值。利用VMD方法分解不同K值的原始風(fēng)功率序列,獲得對(duì)應(yīng)的中心頻率,如表1所示。由此可以得到,最后一層分量的中心頻率在K>5后保持相對(duì)穩(wěn)定,故最優(yōu)值為K=6。通過多次反復(fù)試驗(yàn):α=1000;τ=0.3,為確保分解結(jié)果的精確度,分解結(jié)果如圖5所示。

表1 不同K值下各IMF分量中心頻率

圖5 VMD分解波形

3.4 LSTM網(wǎng)絡(luò)參數(shù)設(shè)置

建立LSTM短期風(fēng)功率預(yù)測(cè)模型,應(yīng)考慮樣本訓(xùn)練步長(zhǎng)、輸入層維數(shù)、隱含層維數(shù)、輸出層維數(shù)等參數(shù)。通過強(qiáng)化學(xué)習(xí)選擇參數(shù)尋優(yōu),如表2所示。依據(jù)實(shí)踐的經(jīng)驗(yàn)LSTM層數(shù)取L=2,考慮到模型訓(xùn)練的精度準(zhǔn)確性和耗時(shí)性,時(shí)間步長(zhǎng)設(shè)置為4,輸入層維數(shù)設(shè)置為1,隱含層層數(shù)設(shè)置為1,隱含層神經(jīng)元的數(shù)量可以設(shè)置為200,迭代的次數(shù)可以設(shè)置為300。初始化的學(xué)習(xí)速率一般設(shè)置在0.01,為了有效防止模型的來(lái)回振蕩,采用迭代速度衰減法進(jìn)行動(dòng)態(tài)地調(diào)整學(xué)習(xí)速度,每50次替換迭代地學(xué)習(xí)速度衰減50%。

表2 LSTM網(wǎng)絡(luò)參數(shù)選擇情況

4 分析與討論

通過VMD-RL-LSTM短期風(fēng)功率模型的預(yù)測(cè),疊加各分量的預(yù)測(cè)值,將最終預(yù)測(cè)值與真實(shí)值進(jìn)行比較,如圖6所示,該模型的預(yù)測(cè)值與真實(shí)值相吻合,預(yù)測(cè)精度較高。因此,本文建立的模型可進(jìn)行短期風(fēng)功率預(yù)測(cè)。

圖6 模型預(yù)測(cè)結(jié)果

為了驗(yàn)證VMD-RL-LSTM模型的預(yù)測(cè)性能,本文采用LSTM、EMD-LSTM、VMD-LSTM 3種風(fēng)功率預(yù)測(cè)方法進(jìn)行對(duì)比分析,如圖7所示。以上預(yù)測(cè)模型利用均方根誤差RMSE、絕對(duì)平均誤差MAE、平均絕對(duì)百分誤差MAPE進(jìn)行評(píng)價(jià),模型預(yù)測(cè)誤差對(duì)比見表3。

表3 不同模型預(yù)測(cè)誤差

圖7 不同模型的預(yù)測(cè)結(jié)果

由表3可以看出, VMD-RL-LSTM模型的預(yù)測(cè)精度要比其模型更加精確。其均方根誤差RMSE、絕對(duì)平均誤差MAE、平均絕對(duì)百分誤差MAPE分別為135.10W、0.03%、83.09W,均方根誤差RMSE、絕對(duì)平均誤差MAE、平均絕對(duì)百分誤差MAPE與單一模型LSTM神經(jīng)網(wǎng)絡(luò)相比降低了2997.82W、1.81%、2153.56W;同時(shí)相比于EMD-LSTM、VMD-LSTM模型的預(yù)測(cè)精度有較大提高。說(shuō)明VMD-RL-LSTM模型可以將短期風(fēng)功率預(yù)測(cè)的準(zhǔn)確度進(jìn)行有效提高。

5 結(jié)論

本文在風(fēng)功率序列中采用變分模態(tài)分解進(jìn)行穩(wěn)定化處理,通過強(qiáng)化學(xué)習(xí)參數(shù)尋優(yōu),建立各分量的LSTM預(yù)測(cè)子模型,最終把各子模型預(yù)測(cè)的數(shù)據(jù)進(jìn)行疊加,從而獲得短期風(fēng)功率預(yù)測(cè)結(jié)果。通過實(shí)例分析與討論,得出以下結(jié)論:

1) VMD分解可以將不均勻、隨機(jī)的風(fēng)功率序列劃分為相對(duì)穩(wěn)定的IMF成分,增加了時(shí)間序列的可預(yù)測(cè)性。

2)在VMD-LSTM神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中采用強(qiáng)化學(xué)習(xí)算法,并對(duì)LSTM網(wǎng)絡(luò)參數(shù)進(jìn)行尋優(yōu),實(shí)現(xiàn)了對(duì)VMD-LSTM網(wǎng)絡(luò)模型訓(xùn)練效率的提高,并能有效減輕過擬合現(xiàn)象。

3)VMD-RL-LSTM模型可以將短期風(fēng)功率進(jìn)行有效的預(yù)測(cè),與其典型短期風(fēng)功率預(yù)測(cè)模型比較而言,預(yù)測(cè)效果更佳。