基于GAVMD-SGRU模型的风电场短期功率预测

第39卷　第6期吉林大学学报(信息科学版)Vol.39　No.62021年11月Journal of Jilin University (Information Science Edition)Nov.2021文章编号:1671⁃5896(2021)06⁃0647⁃09
基于GAVMD⁃SGRU 模型的风电场短期功率预测
收稿日期:2021⁃04⁃02
基金项目:黑龙江省自然科学基金联合引导基金资助项目(JJ2019LH0187)
作者简介:高金兰(1978 ),女,山西运城人,东北石油大学副教授,主要从事电力系统运行与稳定㊁新能源发电研究,(Tel)86⁃136****6089(E⁃mail)jinlangao@㊂高金兰1,李　豪1,邓　蒙2
(1.东北石油大学电气信息工程学院,黑龙江大庆163318;2.贵州电网公司六盘水水城供电局陡箐供电所,贵州六盘水553000)摘要:为避免风电输出功率的波动性和不确定性对电网运行的影响,提出一种改进变分模态分解算法和集成门控循环神经网络的组合模型应用于风电场的短期功率预测㊂该方法首先针对单个GRU(Gated Recurrent Unit)模型预测精度低,预测不稳定的问题,利用Stacking 算法进行融合并建立SGRU(Stacking⁃GRU)预测模型㊂其次针对VMD(Variational Modal Decomposition)分解算法中常见的端点效应问题,采用GRU 延拓法进行处理,并引入ALO(Ant Lion Optimizer)算法对模型中的超参数进行寻优建立GAVMD(GRU⁃ALO⁃VMD)分解模型㊂风功率数据先经过GAVMD 模型的分解降低了数据的不平稳性,改善了预测模型的训练难度,之后利用SGRU 模型对分解后的IMF(Intrinsic Mode Function)分量进行预测并重构,最终得到原始风功率数据的预测值㊂以实际风电场样本数据对模型的性能进行验证,仿真结果表明,基于GAVMD⁃SGRU 的组合预测模型相比于其他模型在不同季节内能将平均绝对百分比误差指标维持在6%以内,满足电力系统对风电调度的要求㊂
关键词:GRU 神经网络;Stacking 集成算法;变分模态分解;端点效应;风功率预测
中图分类号:TP183;TM614文献标识码:A
Short Term Power Prediction of Wind Farm Based on GAVMD⁃SGRU Model
GAO Jinlan 1,LI Hao 1,DENG Meng 2
(1.School of Electrical Engineering and Information,Northeast Petroleum University,Daqing 163318,China;2.Douqing Power Supply Station,Liupanshui Shuicheng Power Supply Bureau of Guizhou Power Grid Corporation,Liupanshui 553000,China)Abstract :In order to avoid the influence of the fluctuation and uncertainty of wind power output on power grid operation,a combined algorithm of improved variational modal decomposition algorithm and integrated gated cyclic neural network is proposed for the short⁃term power prediction of wind farm.Firstly,aiming at the problems of low prediction accuracy and unstable prediction of single GRU(Gated Recurrent Unit)model,the stacking model is used for fusion and the SGRU(Stacking⁃GRU)prediction model is established.Secondly,for the common endpoint effect problem in VMD (Variational Modal Decomposition)decomposition algorithm,GRU extension method is used,and ALO (Ant Lion Optimizer )algorithm is introduced to optimize the super parameters in the model to establish GAVMD(GRU⁃ALO⁃VMD)decomposition model.Firstly,the wind power data is decomposed by GAVMD model,which reduces the instability of the data and improves the training difficulty of the prediction model.Then,the SGRU model is used to predict and reconstruct the decomposed IMF (Intrinsic Mode Function )component,and finally the predicted value of the original wind power data is obtained.The performance of the model is verified by the actual wind farm sample data.The simulation results
show that the combined forecasting model based on GAVMD⁃SGRU maintains the average absolute percentage error index within 6%in different seasons compared with other models,which meets the requirements of the power system for wind power dispatch.
846吉林大学学报(信息科学版)第39卷Key words:gated recurrent unit(GRU)neural network;stacking ensemble algorithm;variational mode
decomposition;endpoint effect;wind power prediction
0　引　言
在全球实现碳中和目标的共识下,为构建清洁低碳安全高效的能源体系,风电在电力系统中装机容量的比重将会进一步增长,逐步成为推动我国能源结构转型的重要产业之一[1]㊂由于风电场的输出功率具有波动性及不确定性的特性,使风电场并网后会对电力系统的安全稳定运行带来一定的扰动,成为制约风电发展的重要障碍㊂为解决风电并网后,主网安全稳定运行所面临的难题,必须准确预测风电场的输出功率,并及时将预测内容汇报给向上一级电力调度中心,以便电网调度部门根据实际供需状况制定相应的电力调度计划和发电计划[2]㊂
近些年来,风功率预测技术蓬勃发展,新理论和新方法也不断被提出㊂目前许多学者及研究人员利用信号分解㊁深度学习等前沿技术对传统的风功率预测法进行改进,获得了很好的预测效果㊂深度学习的快速发展为风功率预测的研究提供了理论基础㊂梁超等[3]提出了利用长短期记忆神经网络(LSTM:Long Short⁃Term Memory)建立风功率预测模型,该模型有效地解决了传统循环神经网络中的梯度爆炸和梯度消失问题㊂但由于LSTM中3种门结构的存在需要多次使用激活函数以及矩阵运算,权重参数过多,使模型训练难度增大,预测花费时间过长㊂黄浩洋[4]通过采用门控循环单元网络模型(GRU:Gated Recurrent Unit)实现短期风电功率预测,GRU作为简化版的LSTM,通过更新门完成LSTM的记忆和遗忘功能,在保持模型性能的前提下,简化了计算的复杂性,具有训练速度更快,系统占用内存更少的优点㊂此外在进行风电场的短期功率预测过程中,由于风功率变化具有非线性,非平稳的特性,导致数据的变化复杂,直接使用模型进行预测难以达到理想的效果㊂对高度不平稳的风功率历史数据先进行时间序列分解,能降低预测模型的训练难度,提升预测准确率㊂王佶宣等[5]提出利用经验模态分解(EMD:Empirical Mode Decomposition)对风功率进行预处理,再利用径向基神经网络模型进行预测的短期风功率预测方法㊂相比于采用单一径向基神经网络模型进行预测,该方法有效地提升了预测的精度,但由于EMD算法分解过程中采用递归模式,存在模态混叠㊁过包络和欠包络等不良现象㊂Han等[6]通过建立变分模态分解算法(VMD:Variational Modal Decomposition)实现原始风功率分解,相较于经验模态分解,变分模态分解采用非递归的分解方式,有效避免了模态混叠现象的产生,但由于分解过程中会产生边界效应,降低分解的精度㊂同时在实际的分解操作过程中,分解层数K和惩罚因子α两个参数,没有较为系统的选择方法,往往需要通过反复实验确定最终的参数,影响风功率预测过程中的准确性和时效性㊂
为改善单个模型的预测偏差,笔者在Stacking集成算法的框架下,建立SGRU(Stacking⁃GRU)预测模型以实现风电场短期功率预测㊂为解决VMD算法中常见的端点效应,采用GRU延拓法对原始时序片段进行处理,建立GVMD(GRU⁃VMD)预测模型㊂同时对GVMD分解算法中的K和α难以人工确定的问题,引入了ALO(Ant Lion Optimizer)优化算法,进行超参数优化,建立GAVMD (GRU⁃ALO⁃VMD)分解模型㊂原始风功率数据经过GAVMD模型进行分解,有效降低了风功率数据的不平稳性,同时利用SGRU模型对分解后的IMF(IMF:Intrinsic Mode Function)分量进行预测并重构,最终得到原始风功率数据的预测值㊂通过仿真验证了GAVMD⁃SGRU模型在实际风电场预测中的可行性㊂
1　SGRU预测模型
原始GRU模型在解决预测问题时,常难以达到理想的预测效果㊂SGRU模型是对该模型的改进,在Stacking集成算法的框架下[7],先将训练集划分为子训练集,并利用子训练集训练第1级的GRU模型,之后将第1级GRU模型的预测结果构建新的训练集,作为第2级GRU模型的输入,最终通过第2级GRU模型的输出获得预测结果㊂Stacking算法通过对多级GRU模型的组合策略,提升了整体模型的预测精度以及泛化能力㊂SGRU模型整体构架如图1所示㊂
图1　SGRU 模型整体构架
Fig.1　Overall structure of SGRU model SGRU 模型中第1级的3个GRU 模型采用2+1结构(2层GRU 和1层全连接层),模型中每层的激活函数选择为tanh,3个GRU 模型中每层的细胞个数分别选为64㊁128㊁256;两层GRU 网络结构有助于深度挖掘时间序列中的隐藏信息,有效提取原始风功率数据中的特征以提高预测精度;此外3个不同的GRU 模型都可生成1个预测结果,将这3个预测结果重新合并为新的训练集㊂SGRU 模型的第2级选用单层GRU 模型,能及时发现并纠正第1级中3个GRU 模型的预测偏差,同时防止过拟合情况的产生,从而达到提升整体模型预测精度的目的㊂第2级GRU 模型的细胞个数选为128个,激活函数为tanh㊂此外每个GRU 模型的全连接层细胞个数为1,激活函数选择为Linear㊂网络的优化器选择adam,损失函数采用均方误差㊂2　改进VMD 算法
2.1　VMD 算法VMD 作为一种较为先进的时间序列分解方法,采用非递归方式进行序列分解,具备完善的理论基础,其分解过程包括变分问题的构造和求解,具体流程如下[8]㊂1)将所有模态分量u k (t )进行Hilbert 变换,根据相对应的解析信号,得出其单边频谱㊂2)对每个模态解函数的解析信号及其预估中心频率e -j ωkt 进行混叠,将模态分量u k (t )的频谱调制为
对应的基频带㊂3)利用高斯平滑法对已解调的信号估算带宽,即通过对以上解调信号梯度的平方L 2范数进行计算,建立带约束的变分问题模型如下
min {u k },{ωk }∑K k =1∂t δ(t )+j π()t ⊗u k (t [])e -j ωk t {}22s.t .　∑K k =1
u k ìîíïïïï=f (1)其中⊗为卷积运算;δ(t )为狄拉克分布;u k 为有限带宽的基本模态分量;ωk 为其中心频率㊂4)通过引入拉格朗日算子λ和惩罚因子α,将有约束的最优化问题转化为无约束变分问题㊂构造的拉格朗日函数为
L ({u k },{ωk },λ)=a ∑K
k =1∂t δ(t )+j π()t ⊗u k (t [])e -j ωk t 22+f (t )-∑K k =1u k (t )22+〈λ(t ),f (t )-∑K k =1u k (t )〉(2)
946第6期高金兰,等:基于GAVMD⁃SGRU 模型的风电场短期功率预测
采用交替方向乘子法解决无约束变分问题,持续更新u n +1k ㊁ωn +1k ㊁λ
n +1求得鞍点㊂即得到式(1)中约束的变分问题的最优解,解的模态分量u k 及中心频率ωk 别为
^u n +1k (ω)=^f (ω)-∑i ≠k ^u i (ω)+^u (ω)21+2α(ω-ωk )2ωn +1k =∫∞0ω^u k (ω)2d ω∫∞0^u k (ω)2d ìîíïïïïïïïïω(3)
2.2　基于GRU 延拓法的GVMD 模型在实际工程应用中,当对一段时间的风功率数据进行分解时,由于该段序列的长度有限,无法知道序列两端以外相邻片段的信息,在使用VMD 进行分解时,由于信号截断因素的影响,会产生边界效应,图2　GVMD 模型的实现流程Fig.2　Implementation process of GVMD model 对分解造成不利的影响[7]㊂针对端点效应的问题常见的解决方法有镜像延拓法㊁极值点延拓法和波形匹配
法,其中镜像延拓法对时间序列的对称性要求较高,
极值点延拓法不适用于处理不平稳的时间序列信息,
而波形匹配法针对边缘处波形突变的时间序列延拓效
果较差㊂为此笔者提出利用GRU 模型对原始序列两
端的数据进行延拓,并构造GVMD 模型以改进VMD
分解过程中的端点效应,从而将端点效应产生的影响
转移到原始序列外部㊂GRU 延拓模型根据风功率序
列内部的变化规律以及误差最小原则找到延拓波形㊂GVMD 模型的实现流程如图2所示㊂
首先对原始风功率序列S (1),S (2), ,S (N ),将其分为L 个长度为N -L 数据样本,数据样本T 可
表示为T ={(x 1,y 1), ,(x i ,y i ), ,(x L ,y L )}
(4)其中x i 为连续的风功率序列,y i 为x i 的真实结果,x i 与y i 可表述为
x i =[S (i ),S (i +1), ,S (N -L +i -1)]y i =S (L +i {), 1≤i ≤L (5) 其次将数据样本T 按照3∶1的比例划分为训练集和验证集,利用训练集对GRU 延拓模型进行训练,并利用训练完成的GRU 延拓模型对原始序列左右两端进行滚动预测,得到第1个预测值S (N +1),之后不断地重复预测后一个值,直到预测点数达到要求为止㊂
最后将中间原始序列与GRU 延拓后的数据进行合并得到序列S (T ),利用VMD 模型进行分解得到m 组IMF 分量C (1),C (2), ,C (T ),并去掉IMF 分量的延拓部分,得到GVMD 模型分解后的IMF 分量C (1),C (2), ,C (N ),GVMD 模型建立完成㊂2.3　基于ALO 算法的GAVMD 模型2.3.1　ALO 算法
蚁狮算法(ALO)是Mirjalili [9]于2015年模仿蚁狮和蚂蚁之间相互作用而提出的一种新兴仿生算法,
其具有调节参数少,寻优精度较高,拥有全局寻优能力等特点[10]㊂因此笔者提出将ALO 算法应用于GAVMD 模型的参数优化中㊂算法的流程如下㊂1)随机生成蚂蚁的位置X (t )=[0,cumsum(2r (t 1)-1), ,cumsum(2r (T )-1)](6)
其中cumsum 为累计和,t 为迭代步长,r (t )为由式(5)定义的随机函数㊂056吉林大学学报(信息科学版)第39卷
r (t )=
1,if R rand >0.50,if R rand ≤0.{5(7)其中R rand 为服从[0,1]上均匀分布的随机数㊂
2)为确保蚂蚁寻优个体在指定区域内移动,蚂蚁的位置需要按下式进行标准化X t i =(X t i -a i )(d i -c t i )d t i -a i +c i (8)
其中a i 和b i 分别为第i 个变量寻优路径中的下限和上限,c t i 和d t i 分别为第t 次迭代时第i 个变量寻优过程中的下限和上限㊂3)蚂蚁在搜索空间中随机行走受到蚁狮陷阱的影响,数学表达式如下c t i =A t Antlion j +c t
d t i =A t Antlion j +d {t (9)其中A Antlion t j 为第t 次迭代中第j 只蚁狮的位置㊂
4)当蚂蚁落入蚁狮的陷阱后,蚁群的游走半径将变小㊂c 和d 的取值会随着迭代次数的增加而减小,数学表达式如下c t =c t /I
d t =d t {/I
(10)I =10w t T w =2,
t >0.1T w =3,
t >0.5T w =4,
t >0.75T w =5,
t >0.9T w =6,t >0.95ìîíïïïïïïT (11)
其中t 和T 为当前迭代次数和最大迭代次数,I 为比率,w 为蚂蚁的速度调节因子㊂
5)蚁狮捕食猎物后,则蚂蚁的适应度值优于蚁狮,将蚁狮的位置更新到被狩猎的蚂蚁的最新位置,
蚁狮的位置可以更新如下A t Antlion j =A t Ant i , if　f (A t Ant i )>f (A t Antlion j )(12)
其中A t Ant i 为第t 次迭代时第i 只蚂蚁的位置,f 为适应度函数㊂
6)蚂蚁将围绕所选择的蚁狮和精英蚁狮随机游走㊂因此,蚂蚁的位置根据随机轮盘赌挑选的蚁狮和精英蚁狮的平均值进行更新,该过程可描述为
A t Ant i
=R t A +R t E 2(13)其中R t A 为第t 次迭代时轮盘赌选中的蚁狮,R t E 为第t 次迭代时的精英蚁狮㊂
2.3.2　基于ALO 算法的GAVMD 模型实际风功率数据是复杂多变的,GVMD 参数的选取直接关系到其分解性能的好坏㊂而ALO 算法的搜索能力和搜索速度都有着极佳的表现,笔者提出利用ALO 算法对GVMD 模型的模态分量个数K 以及惩罚因子α进行寻优,并建立GAVMD 分解模型,寻优过程中以平均样本熵作为适应度函数㊂样本熵的定义如下[11]
S SampEn (m ,r )=lim N →∞-ln B m+1(r )B m (r (){}
)(14)
其中r 为给定阈值,B m (r )为两个序列在相似容限下匹配m 个点的概率,B m +1(r )为两个序列匹配m +1个点的概率㊂
寻优过程中不同的蚂蚁的适应度值代表着不同的优化解,蚁狮的适应度值代表局部最优解,而精英蚁狮的适应度值代表当前迭代次数下的全局最优解㊂GAVMD 模型实现流程图如图3所示㊂
主要步骤如下:1
56第6期高金兰,等:基于GAVMD⁃SGRU 模型的风电场短期功率预测
图3　GAVMD 模型实现流程
Fig.3　Implementation process of GAVMD model
Step1　将原始数据序列输入至左右GRU 延拓模型,建立GVMD 模型;
Step2　对GVMD 模型及ALO 算法进行初始化参数设置;Step3　将初始解代入GVMD 模型中并对原始风
功率序列进行分解,采用ALO 算法进行寻优;
Step4　计算GVMD 模型分解后所有IMF 分量的平均样本熵,得到蚂蚁和蚁狮的适应度值,如果蚂蚁
的适应度值高于蚁狮,则蚂蚁被捕获,并将蚁狮的位
置进行更新,得到局部最优解,此外如果蚁狮种群最
优个体的适应度值优于精英蚁狮,则将该蚁狮替换为
精英蚁狮,得到全局最优解;Step5　循环迭代至终止次数,得到最小适应度值及其对应的最佳参数,即寻找到GVMD 模型模态分量个数K 和惩罚因子α的最优组合,GAVMD 模型建立完成㊂3　基于GAVMD⁃SGRU 模型的风功率预测流程笔者将GAVMD 分解与SGRU 模型结合,提出GAVMD⁃SGRU 预测模型㊂首先采用GAVMD 模型对原始风功率数据进行分解,并对分解后相对稳定的模态分量利用SGRU 模型进行预测,最后重构各个分量的预测值得到原始风功率的预测结果㊂基于GAVMD⁃SGRU 模型的风功率预测整体流程如图4所示
㊂
图4　基于GAVMD⁃SGRU 模型的风功率预测整体流程Fig.4　The overall process of wind power prediction based on the GAVMD⁃SGRU model 基于GAVMD⁃SGRU 模型的具体预测步骤如下:
Step1　对监控系统提供的风功率历史数据,先利用滑动平均法剔除异常数据,以消除原始数据集中因监控设备或风机检修等原因造成的数据缺失;Step2　为解决VMD 端点效应,采用GRU 延拓法对VMD 模型进行改进,建立GVMD 模型;Step3　针对GVMD 模型中模态分量个数K 和惩罚因子α难以最优确定的问题,采用ALO 算法进
行寻优,确立GVMD 的模态分量个数K 和惩罚因子α,并建立GAVMD 模型;Step4　原始风功率数据经过GAVMD 模型分解得到K 个分量;Step5　利用SGRU 预测模型对K 个分量进行预测,得到K 个分量的预测值,将K 个预测值重构输出得到最终的预测结果㊂
4　仿真分析实验数据来源于2017年宁夏太阳山风电场的全年风功率数据㊂时间分辨率为15min㊂实验利用
2
56吉林大学学报(信息科学版)第39卷
GAVMD⁃SGRU 模型实现该风电场的短期功率预测,对GVMD 模型及ALO 模型进行初始化参数设置,在GVMD 模型中噪声容限τ和收敛误差限ε分别取τ=0和ε=1×10-7㊂在ALO 算法中种群数量S colony_size =60,最大迭代次数N max_iteration =10,分解层数上下限范围为1~10,惩罚因子上下限范围为10~2000㊂并
将GAVMD⁃SGRU 模型㊁多层GRU 模型㊁SGRU 模型3种模型的预测结果进行比较分析㊂为验证GRU 延拓法的性能,笔者以实际风电场数据样本为例,进行仿真实验㊂选用9月1日⁃9月
8日的数据样本,对GAVMD 模型的风功率特征提取能力进行验证,首先利用GRU 延拓模型对序列两端进行延拓,经GRU 延拓模型得到的左延拓曲线和右延拓曲线如图5和图6所示
㊂ 图5　左延拓曲线 图6　右延拓曲线
Fig.5　Left continuation curve Fig.6　Right continuation curve
图7　ALO 算法迭代收敛趋势图Fig.7　ALO algorithm iterative convergence trend diagram
从图5,图6可以看出,风电功率变化具有非线性,非平稳的特性,数据的变化复杂且具有很强的随
机性㊂同时观察延拓曲线可以看出,利用GRU 延拓
模型得到的曲线有着更加自然的变化趋势㊂利用ALO
算法对GVMD 参数进行寻优,得到寻优图如图7
所示㊂
由图7可知,ALO 算法迭代8次时,找到最小的
平均样本熵为0.621,同时搜索到的最佳参数组合为
K =8,α=527㊂将寻优后的参数作为GVMD 的最优参
数,并对经GVMD 延拓后的原始的风功率数据进行分
解,分解后的结果如图8所示
㊂图8　GAVMD 分解后的各模态分量
Fig.8　The modal components after GAVMD decomposition 从图8中可看出,模态分量IMF1的振幅是8个模态分量中幅值最大的,且变化周期最长,波形平缓356第6期高金兰,等:基于GAVMD⁃SGRU 模型的风电场短期功率预测
且表面光滑,其变化规律主要受长期气象条件的影响㊂IMF2的变化周期为24h,基本上是以天为单位变化的,变化规律较强,主要受昼夜风速条件的影响㊂IMF3和IMF4的模态分量也可观察到明显的周期性和规律性,其受风速的不确定性和间歇性影响较大㊂IMF5和IMF6平均振幅小没有较强的周期性,主要影响因素包含了温度㊁风向和气压这些气象类特征㊂IMF7和IMF8波形中所含噪声分量多,波形规律性差,周期性极短,随机波动性更强,反映风功率受随机因素的影响较大的成分㊂
为研究GAVMD⁃SGRU 模型的预测性能,首先选用10月23日的数据作为测试对象,将GAVMD⁃SGRU 模型的预测结果与多层GRU㊁SGRU 模型以及真实值做对比㊂针对测试对象上述模型的预测曲线如图9所示㊂
图9　上述模型在测试对象上的预测结果Fig.9　The prediction results of the above model on the test object 与多层GRU 的模型相比,SGRU 模型与GAVMD⁃SGRU 模型相比,多层GRU 模型拥有更准确的预测能力,究其原因在于SGRU 模型能纠正单个模型的预测
偏差使整个融合模型的预测能力得到增强㊂此外与SGRU 模型相比,GAVMD⁃SGRU 模型可以更好地适应
序列的局部变化㊂例如在风功率序列的高峰和低谷,GAVMD⁃SGRU 模型能更好地提取局部特征信息,预测到风功率序列在短时间内的突然变化,提高了模型
的预测精度㊂同时该模型不仅能在局部范围内捕捉风
功率的变化趋势,而且在整体上也保持着较高的预测
准确性,比其他模型更好地拟合于原始风功率序列㊂
表1　GAVMD⁃SGRU 模型与其他模型的性能评估指标Tab.1　Performance evaluation index of GAVMD⁃SGRU model and other models 模型MAE MSE R 2多层GRU 模型 5.3263.310.89SGRU 模型 2.8419.430.97GAVMD⁃SGRU 模型 2.139.410.98针对测试对象GAVMD⁃SGRU 模型与其他模型的
性能评估指标如表1所示㊂ 在针对10月23日的数据样本进行预测过程中,可以看出,多层GRU 的决定系数为0.89,Stacking 融
合模型的决定系数为0.97,GAVMD⁃SGRU 模型有着
最高的判定系数0.98,GAVMD⁃SGRU 模型预测的平
均绝对误差与多层GRU 模型和SGRU 模型模型相比
分别降低了3.19和0.71,均方差指标与前两者相比也分别降低了53.9和10.02,表明GAVMD⁃SGRU 模
型拥有更好的风电场短期功率预测能力㊂
此外,为验证GAVMD⁃SGRU 模型在一年内的预测效果,选取春夏秋冬四季中的某日作为测试集,进行实验对比分析㊂表2给出了4个季节内某日3种模型预测误差统计㊂
表2　四季内3种模型的预测误差统计 Tab.2　Forecast error statistics of the three models in the four seasons
(%)
季节
平均绝对百分比误差(MAPE)多层GRU 模型Stacking⁃GRU 模型GAVMD⁃SGRU 模型春季
17.179.18 5.87夏季
15.988.52 3.03秋季
6.23 3.74 1.40冬季
13.748.43 3.87平均值13.287.46 3.54 综合上面的几组对比实验可见,GAVMD⁃SGRU 预测模型与SGRU 及多层GRU 预测模型相比有更好的预测精度㊂结合本地风速季节变化特征,在夏秋风速较为平缓的季节SGRU 模型以及GAVMD⁃SGRU 都有较高的预测性能㊂得益于Stacking 集成算法能纠正单个多层GRU 模型的预测偏差,因此SGRU 预测模型的预测精度有明显的提升,预测稳定性相比较其他模型有更好的表现㊂当预测对象处于风速波动较为频繁的春冬季节时,GAVMD⁃SGRU 由于采用了CAVMD 模型,预先对不平稳的风功率数据进行了分
456吉林大学学报(信息科学版)第39卷
解,改善了SGRU 模型的训练难度,因此与SGRU 预测模型相比,GAVMD⁃SGRU 预测模型在预测效果上优于SGRU 预测模型㊂
5　结　语笔者在深度学习和信号分解的理论基础上,提出了基于GAVMD⁃SGRU 模型的短期风功率预测方法㊂首先在Stacking 集成算法的框架下,构建SGRU 风功率预测模型,改善了单个GRU 模型预测不稳定的问题㊂其次提出建立GAVMD 风功率分解模型,解决了VMD 分解时的端点效应,以及GVMD 的模态分量个数K 和惩罚因子α的最优组合问题㊂最后利用SGRU 模型对GAVMD 分解后的模态分量进行预测并重构,最终得到原始风功率的预测值㊂笔者以宁夏太阳山风电场为例,利用GAVMD⁃SGRU 组合预测模型对该风电场不同日期㊁不同季节进行短期风功率预测,仿真结果表明,GAVMD⁃SGRU 模型预测性能相比其他模型,四季内平均绝对百分比误差指标维持在6%以内,预测结果较为理想㊂
参考文献:[1]舒印彪,张智刚,郭剑波,等.新能源消纳关键因素分析及解决措施研究[J].中国电机工程学报,2017,37(1):1⁃9.
SHU Yinbiao,ZHANG Zhigang,GUO Jianbo,et al.Analysis on the Key Factors of New Energy Consumption and Research on
Its Solutions [J].Chinese Journal of Electrical Engineering,2017,37(1):1⁃9.[2]王伟亮,王丹,贾宏杰,等.能源互联网背景下的典型区域综合能源系统稳态分析研究综述[J].中国电机工程学报,2016,36(12):3292⁃3305.WANG Weiliang,WANG Dan,JIA Hongjie,et al.Review on Steady State Analysis of Typical Regional Integrated Energy System under the Background of Energy Internet [J].Chinese Journal of Electrical Engineering,2016,36(12):3292⁃3305.[3]梁超,刘永前,周家慷,等.基于卷积循环神经网络的风电场内多点位风速预测方法[J].电网技术,2021,45(2):534⁃542.
LIANG Chao,LIU Yongqian,ZHOU Jiakang,et al.Multi Point Wind Speed Prediction Method in Wind Farm Based on Convolution Recurrent Neural Network [J].Power Grid Technology,2021,45(2):534⁃542.[4]黄浩洋.基于深度GRU 神经网络的风力发电功率预测研究[D].大连:大连交通大学软件学院,2019.
HUANG Haoyang.Research on Wind Power Forecasting Based on Deep GRU Neural Network [D].Dalian:School of
Software,Dalian Jiaotong University,2019.[5]王佶宣,邓斌,王江.基于经验模态分解与RBF 神经网络的短期风功率预测[J].电力系统及其自动化学报,2020,32(11):109⁃115.WANG Jixuan,DENG Bin,WANG Jiang.Short Term Wind Power Prediction Based on Empirical Mode Decomposition and RBF Neural Network [J].Journal of Power System and Automation,2020,32(11):109⁃115.
[6]HAN Y,TONG X.Multi⁃Step Short⁃Term Wind Power Prediction Based on Three⁃Level Decomposition and Improved Grey
Wolf Optimization [J].IEEE Access,2020(99):1.[7]李永刚,王月,刘丰瑞,等.基于Stacking 融合的短期风速预测组合模型[J].电网技术,2020,44(8):2875⁃2882.
LI Yonggang,WANG Yue,LIU Fengrui,et al.Short Term Wind Speed Forecasting Combined Model Based on Stacking Fusion [J].Power Grid Technology,2020,44(8):2875⁃2882.[8]刘尚坤,唐贵基.改进的VMD 方法及其在转子故障诊断中的应用[J].动力工程学报,2016,36(6):448⁃453.
LIU Shangkun,TANG Guiji.Improved VMD Method and the Application in Rotor Fault Diagnosis [J].Journal of Power Engineering,2016,36(6):448⁃453.[9]MIRJALILI SEYEDALI.The Ant Lion Optimizer [J].Advances in Engineering Software,2015,83:80⁃98.
[10]王瀛洲,倪裕隆,郑宇清,等.基于ALO⁃SVR 的锂离子电池剩余使用寿命预测[J].中国电机工程学报,2021,41(4):1445⁃1457.WANG Yingzhou,NI Yulong,ZHENG Yuqing,et al.Residual Service Life Prediction of Lithium Ion Battery Based on Alo⁃Svr [J].Chinese Journal of Electrical Engineering,2021,41(4):1445⁃1457.
[11]刘荣海,豆龙江,万书亭,等.基于EEMD 样本熵和支持向量机的高压断路器故障诊断[J].华北电力大学学报:自然科学版,2018,45(2):86⁃92.LIU Ronghai,DOU Longjiang,WAN Shuting,et al.Fault Diagnosis of High Voltage Circuit Breaker Based on EEMD Sample Entropy and Support Vector Machine [J].Journal of North China Electric Power University:Natural Science Edition,2018,
45(2):86⁃92.(责任编辑:张洁)
556第6期高金兰,等:基于GAVMD⁃SGRU 模型的风电场短期功率预测。