基于SGMD的CNN-BiGRU光伏功率預測

鄒邦杰,劉國巍

(安徽理工大學 電氣與信息工程學院,安徽 淮南 232001)

0 引言

隨著光伏發(fā)電站電網電源結構比重的增加,光伏功率預測系統(tǒng)對于并網而言就變得尤為重要。光伏數(shù)據(jù)受天氣影響較大,具有波動性與難預測性,高精度的光伏預測系統(tǒng)能夠有效地幫助電網調度部門做好各類電源的調度計劃[1]。

光伏功率預測方法有很多種,近年來具有短期記憶的RNN(Recurrent Neural Network)與CNN逐漸成為預測課題的研究熱點[2-3]。其中,由于RNN存在梯度爆炸與梯度消失,很少使用。其優(yōu)化模型LSTM(Long Short-Term Memory)與GRU(Gate Recurrent Unit)由于解決了梯度爆炸與梯度消失的問題,因此常作為預測模型。朱喬木等[4]利用LSTM預測風電場的功率取得了不錯的效果,證明LSTM在預測問題方面有很好的研究價值。楊春熙等[5]利用GRU有效地提取了太陽輻照度的特征,實驗表明相較于傳統(tǒng)的神經網絡,GRU具有更好的效果。李多等[6-8]采用了分解算法中常用的經驗模態(tài)分解與變分模態(tài)分解算法對功率進行分解,使得模型精度再一次提升。但是經驗模態(tài)分解存在頻率混淆與魯棒性弱的問題,變分模態(tài)分解方法中需要人為設定分解模態(tài)數(shù)。目前,光伏序列分解算法存在待分解信號的自適應設置問題與魯棒性問題。

針對目前光伏序列分解算法的自適應與魯棒性問題,辛幾何優(yōu)化算法具有很好的魯棒性與分解能力,比常用的分解方法更加優(yōu)越,并且在機械故障診斷中取得了不錯的效果[9]。本文提出了基于辛幾何模態(tài)分解算法的CNN-BiGRU光伏功率預測模型,使用辛幾何分解算法將歷史光伏數(shù)據(jù)進行模態(tài)分解,再結合天氣數(shù)據(jù)輸入CNN-BiGRU模型進行預測,最后將每個模態(tài)的預測結果進行疊加得到最終預測結果。

1 辛幾何模態(tài)分解的原理

1.1 相空間重構

由Takens 定理的嵌入式思想可得,對于一個一維混沌時間序列x=(x1，x2，...,xn)(n表示此混沌時間序列的長度)可以通過確定延時時間τ與嵌入維數(shù)d,將其拓展為n-(d-1)τ個d維向量,由此可以構造x的軌跡矩陣:

(1)

其中,F=n-(d-1)τ。

1.2 辛幾何相似變換與矩陣重構

基于得到的軌跡矩陣,本文構造了辛幾何矩陣。首先通過協(xié)方差矩陣A進一步構造哈密頓矩陣M。

A=XTX

(2)

由辛幾何原理可知,哈密頓矩陣M還不足以構造辛幾何矩陣,由此對哈密頓矩陣進行進一步處理得到另一個哈密頓矩陣W,然后構建包含辛幾何矩陣G的等式。

W=M2

(3)

現(xiàn)在通過辛幾何相似變換獲得G。設置一個 Householder 矩陣Q,并且構造矩陣H。

(4)

經證明,G可以由H所代替。通過辛幾何變換Q保持了原始信號的特征,矩陣Q可以通過對A2的QR分解獲取。

獲取了辛幾何正交矩陣Q,接下來開始構造重構矩陣Z。

Zi=QiSi(i=1,2,3,...,d)

Z=Z1+Z2+Z3+...+Zd

(5)

其中,Zi為F*d單分量重構矩陣。

1.3 對角平均

采用對角平均化將Zi轉換為n長度的一維原始單分量信號。

(6)

其中,d*=min(F,d),m*= max(F,d),至此將原始信號x轉換為d組長度為n的序列之和。

2 SGMD-CNN-BiGRU

由于辛幾何模態(tài)分解在處理復雜信號方面具有良好的分解性能,且能夠使原始時間序列的本質保持不變,具有較強的魯棒性。因此,本文選用辛幾何分解進行光伏發(fā)電功率的分解。光伏數(shù)據(jù)不僅僅與過去的數(shù)據(jù)有關,還有可能與未來數(shù)據(jù)有關。與LSTM相比,GRU的參數(shù)和計算時間都得到減少,同時為了充分挖掘光伏數(shù)據(jù)的前后關聯(lián)信息與特征提取,本文使用CNN-BiGRU。綜上所述,本文提出SGMD-CNN-BiGRU光伏功率預測模型。

3 實驗結果與分析

為了驗證模型的實用性與通用性,本文選取2組不同范圍的數(shù)據(jù)進行實驗。第一組選取1個月數(shù)據(jù)使用前80%的數(shù)據(jù)進行訓練,后20%進行預測用來驗證該模型在短期范圍的預測能力,同時設置對比實驗;第二組使用全年范圍的數(shù)據(jù),前80%的數(shù)據(jù)進行訓練,后20%進行預測用來實驗驗證該模型在中長期范圍的預測能力。

3.1 模型評價指標

本文采取的SGMD-CNN-BiGRU模型預測光伏發(fā)電功率本質上屬于回歸預測,因此本文所采取的評價指標使用回歸預測評價指標:平均絕對百分比誤差(MAPE)、均方根誤差(RMSE)、平均絕對誤差(MAE)與確定系數(shù)(R2)。具體計算公式如下:

(7)

3.2 對比實驗與結果分析

為了有效地驗證本文所提出的SGMD-CNN-BiGRU模型的精度,本文使用EarlyStopping函數(shù)對目前損失進行檢測防止過擬合,SGMD-CNN-BiGRU的短期預測結果與中長期預測結構如表1所示。

表1 不同預測范圍評價指標

從短期預測與中長期預測的實驗結果可以得出,本文所提出的基于辛幾何模態(tài)分解的CNN-BiGRU模型在不同范圍內的預測均具有非常高的擬合精度,驗證了模型的通用性。

為了驗證模型的優(yōu)越性,本文設置對比實驗,將模型與CNN-BiGRU、CNN-GRU、GRU在短期預測范圍進行對比,性能評價如表2所示。

表2 不同模型短期預測評價標準對比

通過實驗了解到引入CNN做特征提取與降維可以大幅度提高GRU模型的預測精度,引入未來元素之后精度也有了較為明顯的提升,之后將歷史功率使用辛幾何分解后輸入模型,使得精度再一次提升。由此表明,本文所采取的辛幾何分解算法對提高模型預測光伏發(fā)電功率的精度有著顯著的效果。

4 結語

本文提出使用辛幾何分解方法分解光伏歷史數(shù)據(jù)可以充分挖掘歷史發(fā)電功率的信息。實驗證明所使用的辛幾何分解算法可以有效提高模型的預測精度。基于辛幾何模態(tài)分解的CNN-BiGRU模型可以有效地在短期與中長期預測光伏電站的發(fā)電功率,同時也證明辛幾何分解在光伏功率預測上具有一定的研究價值。后續(xù)可以繼續(xù)探究改進辛幾何分解算法在光伏功率預測上的應用。