基于EEMDSE-ILSTM的風(fēng)電場(chǎng)超短期風(fēng)速預(yù)測(cè)

易靈芝，王仕通，易 芳，鄧 棟，易志敏，姜 鵬

1.湘潭大學(xué) 自動(dòng)化與電子信息學(xué)院，湖南省多能源協(xié)同控制技術(shù)工程研究中心，湖南 湘潭411105

2.湖南省風(fēng)電裝備與能源變換協(xié)同創(chuàng)新中心，湖南 湘潭411105

3.湘電風(fēng)能有限公司，湖南 湘潭411105

風(fēng)力發(fā)電作為風(fēng)能利用的主要形式，因其環(huán)保可持續(xù)、成本低和規(guī)模效益顯著的特點(diǎn)[1]，廣泛地分布在世界各地。但與傳統(tǒng)發(fā)電如火力發(fā)電的方式相比，風(fēng)速較強(qiáng)的波動(dòng)性和隨機(jī)性為電力系統(tǒng)帶來了巨大的挑戰(zhàn)，例如因風(fēng)電短時(shí)間大范圍的波動(dòng)導(dǎo)致的風(fēng)電功率爬坡事件[2]。這種情況會(huì)導(dǎo)致電力系統(tǒng)短時(shí)間內(nèi)失去大量電源，打破原有的平衡，可能引起電力系統(tǒng)的崩潰。目前對(duì)風(fēng)電功率爬坡的研究主要集中在預(yù)測(cè)方面，通過對(duì)未來一段時(shí)間的風(fēng)電功率變化進(jìn)行預(yù)測(cè)，為之后的風(fēng)電爬坡研究提供基礎(chǔ)[3]，而風(fēng)速的預(yù)測(cè)正是風(fēng)電功率預(yù)測(cè)的基礎(chǔ)。此外，較強(qiáng)的風(fēng)速波動(dòng)也容易導(dǎo)致風(fēng)電機(jī)組自身出現(xiàn)事故，例如軸承和葉片斷裂。因此準(zhǔn)確的風(fēng)速預(yù)測(cè)一方面可以保護(hù)風(fēng)電機(jī)組，另一方面能夠在保護(hù)電力系統(tǒng)的同時(shí)幫助電力部門制定完善的發(fā)電調(diào)度計(jì)劃。

目前，對(duì)風(fēng)速預(yù)測(cè)的研究可分為長(zhǎng)期預(yù)測(cè)、短期預(yù)測(cè)和超短期預(yù)測(cè)[4]。超短期預(yù)測(cè)可以對(duì)未來數(shù)分鐘的風(fēng)速值進(jìn)行精確預(yù)測(cè)，可用于對(duì)風(fēng)電機(jī)組的保護(hù)、控制和電力調(diào)度[5]。常見的超短期風(fēng)速預(yù)測(cè)建模方法有時(shí)間序列法、卡爾曼濾波法、人工智能方法等。時(shí)間序列預(yù)測(cè)法如自回歸移動(dòng)平均法（Auto-Regressive and Moving Average，ARMA）[6]、自回歸差分移動(dòng)平均法（Auto-Regressive Integrated Moving Average，ARIMA）[7]，利用序列自身數(shù)據(jù)即可建立較高精度的預(yù)測(cè)模型，但存在低階模型預(yù)測(cè)精度偏低、高階模型參數(shù)估計(jì)難度偏大等缺點(diǎn)。人工智能方法如人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN），雖然可以處理復(fù)雜問題，但是網(wǎng)絡(luò)的結(jié)構(gòu)很難確定[8-9]。而支持向量機(jī)（Support Vector Machine，SVM）[10]和極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）[11]等雖然有良好的自學(xué)習(xí)和自適應(yīng)能力和較強(qiáng)的非線性映射能力和并行處理能力，但過于依靠參數(shù)的整定。如今隨著深度學(xué)習(xí)的迅速發(fā)展，與淺層神經(jīng)網(wǎng)絡(luò)相比，深層神經(jīng)網(wǎng)絡(luò)能夠在同等情況下挖掘到更多的信息。目前，越來越多的學(xué)者將目光投向組合預(yù)測(cè)模型。

針對(duì)風(fēng)速的特點(diǎn)，本文提出將集合經(jīng)驗(yàn)?zāi)B(tài)分解風(fēng)速數(shù)據(jù)分解為多個(gè)內(nèi)涵模態(tài)（Intrinsic Mode Function，IMF）和殘差分量；隨后由樣本熵（Sample Entropy，SE）進(jìn)行歸類；引入改進(jìn)鯨魚算法對(duì)長(zhǎng)短期記憶網(wǎng)絡(luò)無監(jiān)督地搜尋適合的參數(shù)；提出組合預(yù)測(cè)模型。

本文使用數(shù)據(jù)均為我國(guó)湖南某風(fēng)電場(chǎng)的實(shí)測(cè)數(shù)據(jù)，與多個(gè)預(yù)測(cè)方法進(jìn)行比較，本文算法在超短期風(fēng)速預(yù)測(cè)精度方面具有優(yōu)越性。

1 基于EEMDSE-ILSTM的超短期風(fēng)速預(yù)測(cè)方法

1.1 EEMDSE算法

利用數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練獲得預(yù)測(cè)模型時(shí)，往往由于數(shù)據(jù)間難以被挖掘的聯(lián)系以及龐大的數(shù)據(jù)量，使得模型的精度受到影響。為了挖掘數(shù)據(jù)間隱藏的關(guān)系，需要使數(shù)據(jù)變得利于模型預(yù)測(cè)。經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）算法是一種對(duì)非線性非平穩(wěn)信號(hào)進(jìn)行平穩(wěn)化處理的方法[12]。復(fù)雜的非線性信號(hào)可以通過EMD 分解算法分解成一系列的平滑IMF 分量。在分解的IMF分量中，包括了原信號(hào)的不同尺度的波動(dòng)和趨勢(shì)的局部特征信息，這在一定程度上有利于解析出信號(hào)的真實(shí)物理意義。然而EMD 在分解過程中，出現(xiàn)的模態(tài)混疊現(xiàn)象使IMF的物理意義有所缺失，造成預(yù)測(cè)模型對(duì)分解分量適應(yīng)性的下降。針對(duì)EMD存在的問題，在2008 年出現(xiàn)了集合經(jīng)驗(yàn)?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition，EEMD）算法。利用噪聲輔助信號(hào)處理的方法在原始信號(hào)中增加白噪聲，EEMD通過對(duì)多次分解的IMF疊加求平均，解決了模態(tài)混合的現(xiàn)象。其具體實(shí)現(xiàn)步驟見文獻(xiàn)[13]。樣本熵（SE）是由Richman 等在2000 年提出的一種時(shí)間序列復(fù)雜度測(cè)試方法，主要用于定量地描述系統(tǒng)的復(fù)雜度和規(guī)則度。與近似熵相比，樣本熵具有不計(jì)算自我匹配度和對(duì)數(shù)據(jù)缺失的包容度高的優(yōu)點(diǎn)，因此可以克服近似熵計(jì)算的偏差，計(jì)算速度更快。其具體實(shí)現(xiàn)的步驟見文獻(xiàn)[14]。m為樣本熵的重構(gòu)維數(shù)，一般選擇1 或2。而r表示閾值的大小，一般取值在(0.10～0.25)Estd（Estd為原始數(shù)據(jù)的標(biāo)準(zhǔn)差）時(shí)計(jì)算得到的樣本熵具有較合適的統(tǒng)計(jì)特征。故在本研究中m=2，r=0.2Estd。

1.2 LSTM模型

循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks，RNN）是一種具有反饋結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，其輸入不僅和當(dāng)前的輸入和網(wǎng)絡(luò)權(quán)值有關(guān)，而且也和之前的網(wǎng)絡(luò)輸入有關(guān)。RNN 構(gòu)建的網(wǎng)絡(luò)會(huì)對(duì)歷史時(shí)刻的信息進(jìn)行記憶，并將記憶留下的信息應(yīng)用到當(dāng)前神經(jīng)元的輸入計(jì)算中。但循環(huán)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)長(zhǎng)期依賴問題時(shí)會(huì)出現(xiàn)梯度消失或梯度爆炸等問題，導(dǎo)致模型無法訓(xùn)練[8]。Hochreutener等人提出長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）來克服這一問題[15]，實(shí)現(xiàn)信息在網(wǎng)絡(luò)上的長(zhǎng)期流動(dòng)。

LSTM 神經(jīng)元內(nèi)部結(jié)構(gòu)如圖1 所示，為了建立時(shí)間連接，LSTM在整個(gè)循環(huán)周期內(nèi)定義和維護(hù)一個(gè)內(nèi)部記憶單元狀態(tài)——細(xì)胞狀態(tài)Ct。單元狀態(tài)C相當(dāng)于一個(gè)儲(chǔ)存器，它利用少量的線性交互保證信息流傳過程中的完整性。然后通過遺忘門、輸入門、輸出門三個(gè)門結(jié)構(gòu)來更新、維護(hù)、刪除細(xì)胞狀態(tài)內(nèi)的信息，具體計(jì)算過程如下：

圖1 LSTM結(jié)構(gòu)圖Fig.1 Structure diagram of LSTM

其中，xt是t時(shí)刻的輸入向量，Ct、Ct－1分別表示當(dāng)前時(shí)刻和下一時(shí)刻輸入的狀態(tài)，ht－1表示當(dāng)前網(wǎng)絡(luò)的輸入值和上一時(shí)刻的輸出值，ht表示當(dāng)前時(shí)刻的輸出值，表示輸入的候選狀態(tài)，ft、it、ot分別為遺忘門、輸入門、輸出門的運(yùn)算結(jié)果；Wf、Wi、Wc、Wo為權(quán)重矩陣，bf、bi、bc、bo為偏置向量。反向傳播過程中，δ、tanh 分別表示sigmoid 和雙曲正切函數(shù)。根據(jù)以上公式進(jìn)行前向計(jì)算，即可得到系統(tǒng)的輸出。

1.3 改進(jìn)鯨魚算法

LSTM 解決了RNN 梯度反傳由于逐步縮減而產(chǎn)生的梯度消失問題，但其參數(shù)的確定仍然通過BPPT算法才能夠?qū)崿F(xiàn)，并且BPPT算法仍然存在計(jì)算復(fù)雜度較高以及陷入局部最優(yōu)等缺陷。鯨魚優(yōu)化算法（Whale Optimization Algorithm，WOA）是Mirjalili 等學(xué)者在2016 年根據(jù)座頭鯨狩獵行為提出的一種新型啟發(fā)式優(yōu)化算法[16]，具有原理簡(jiǎn)單，可以繞過局部最優(yōu)的優(yōu)點(diǎn)。WOA算法主要包括三個(gè)步驟：

步驟1包圍。

座頭鯨在狩獵時(shí)要包圍獵物，下面的數(shù)學(xué)模型被用來描述這種行為：

其中，t表示當(dāng)前的迭代次數(shù)，A和C是系數(shù)向量，D為當(dāng)前鯨魚位置與最佳鯨魚位置逼近的迭代距離。X′(t)表示目前為止最好的鯨魚位置向量，X(t)表示當(dāng)前鯨魚的位置向量，A和C的計(jì)算如式（3）：

其中，r1和r2是（0，1）中的隨機(jī)數(shù)，a為收斂因子，且a∈(0,2)。a可由式（4）來表示：

其中，Tmax表示最大迭代次數(shù)。

步驟2狩獵。

座頭鯨以收縮包圍機(jī)制或螺旋泡泡網(wǎng)攻擊的方式更新位置，該行為的數(shù)學(xué)模型可以表示為式（5）：

其中，l和p分別為(－1,1) 和(0,1) 之間的隨機(jī)數(shù)；Dp表示獵物與鯨魚之間的距離；b為對(duì)數(shù)螺旋系數(shù)，螺線的形狀會(huì)隨著b的取值發(fā)生改變。座頭鯨捕獵時(shí)會(huì)以p的概率選擇以上兩種捕獵方式中的一種。

步驟3捕食。

座頭鯨在探索過程中隨機(jī)尋找獵物，并根據(jù)隨機(jī)選擇的搜索代理而不是最佳搜索代理更新位置。當(dāng)A≥1時(shí)，隨機(jī)選擇一個(gè)搜索代理，以該隨機(jī)選擇的鯨魚位置向量來更新其他鯨魚的位置，搜索其他更適合的獵物，借此增強(qiáng)算法的全局搜索能力。

式（6）中，Xrand為隨機(jī)選擇的鯨魚位置向量。

全局搜索和局部搜索這兩種搜索類型存在于每一個(gè)群智能算法中。前者能力強(qiáng)，可以保證種群的多樣性，而后者則與算法對(duì)局部搜索的精準(zhǔn)度正相關(guān)。原始鯨魚算法的收斂因子a隨著迭代次數(shù)從2線性遞減到0，但算法在不斷收斂的過程中并不是線性的，收斂因子a線性遞減策略不能完全體現(xiàn)出實(shí)際的優(yōu)化搜索過程，故本文提出一種新的非線性收斂方式：

其中，e 是自然對(duì)數(shù)的底數(shù)，t是當(dāng)前迭代的次數(shù)，Lmax是最大迭代次數(shù)。

如圖2所示，相較于WOA算法，IWOA的斜率進(jìn)行非線性變化能更好反映搜索過程。

圖2 WOA與IWOA收斂因子效果對(duì)比Fig.2 Comparison of convergence factors between WOA and IWOA

1.4 基于IWAO優(yōu)化的LSTM時(shí)間序列預(yù)測(cè)模型

由于LSTM在時(shí)序預(yù)測(cè)中的表現(xiàn)較好，改進(jìn)的鯨魚算法具有較強(qiáng)的全局搜索能力。本文將IWOA與LSTM結(jié)合以無監(jiān)督方式獲取合適的模型參數(shù)。本文方法將LSTM 網(wǎng)絡(luò)的迭代次數(shù)epoch 和隱藏層神經(jīng)元個(gè)數(shù)N作為IWOA算法的決策變量，通過適應(yīng)度值的對(duì)比確定輸出最優(yōu)。具體優(yōu)化流程圖如圖3所示，改進(jìn)鯨魚優(yōu)化算法通過區(qū)分適應(yīng)度函數(shù)大小來區(qū)分每個(gè)個(gè)體的優(yōu)勢(shì)。適應(yīng)度函數(shù)是否合適與算法的收斂速度和能否找到最優(yōu)解直接相關(guān)。本文將鯨魚優(yōu)化算法的適應(yīng)度函數(shù)設(shè)置為：

圖3 IWOA算法參數(shù)尋優(yōu)結(jié)構(gòu)Fig.3 Parameter optimization structure using IWOA algorithm

其中，Y′為L(zhǎng)STM 模型的輸出值，Y為訓(xùn)練樣本X對(duì)應(yīng)的標(biāo)簽值，l為當(dāng)前迭代次數(shù)。

1.5 組合模型

基于EEMD 與樣本熵對(duì)數(shù)據(jù)的預(yù)處理以及IWOA算法無監(jiān)督搜索LSTM模型參數(shù)，本文搭建了EEMDSEILSTM 組合預(yù)測(cè)模型。整體流程如圖4 所示。該方法首先通過EEMD對(duì)風(fēng)速數(shù)據(jù)集進(jìn)行分解，使波動(dòng)的數(shù)據(jù)變得平滑以便于預(yù)測(cè)；為了簡(jiǎn)化計(jì)算，根據(jù)樣本熵對(duì)數(shù)據(jù)進(jìn)行篩選；采用EEMDSE-ILSTM 依次對(duì)每個(gè)子數(shù)據(jù)進(jìn)行預(yù)測(cè)；最后將每個(gè)預(yù)測(cè)值組合以得到最終的預(yù)測(cè)結(jié)果。

圖4 整體流程圖Fig.4 Overall flow chart

2 仿真實(shí)驗(yàn)

本文選用2018年湖南某風(fēng)場(chǎng)風(fēng)機(jī)數(shù)據(jù)采集系統(tǒng)提供的全年實(shí)時(shí)風(fēng)速數(shù)據(jù)。原始數(shù)據(jù)的采樣步距為5 min，選擇3月份風(fēng)速數(shù)據(jù)共計(jì)2 400個(gè)點(diǎn)進(jìn)行預(yù)測(cè)。利用滑窗預(yù)測(cè)方法對(duì)5 min風(fēng)速提前一步進(jìn)行預(yù)測(cè)。

2.1 數(shù)據(jù)預(yù)處理

由于風(fēng)速采集器的故障、數(shù)據(jù)遺漏等問題，風(fēng)速數(shù)據(jù)存在異常值和缺失值，從而影響模型的預(yù)測(cè)精度，需要對(duì)缺失值和異常值進(jìn)行相關(guān)處理。本文將異常值與缺失值均視為缺失值進(jìn)行處理，并采用多重插補(bǔ)法[16]對(duì)缺失值進(jìn)行填充。此外，由于風(fēng)速的數(shù)據(jù)波動(dòng)較大，對(duì)預(yù)測(cè)的準(zhǔn)確度和速度都會(huì)產(chǎn)生不良的影響。故本文采用min-mix 標(biāo)準(zhǔn)化方法對(duì)分解后得到的分量進(jìn)行歸一化處理。對(duì)分子加1處理以防止歸一化后的數(shù)據(jù)出現(xiàn)0，干擾模型預(yù)測(cè)。

其中，xnorm表示歸一化后的值；xmin和xmax分別表示數(shù)據(jù)集中的最小、最大值。

當(dāng)預(yù)測(cè)風(fēng)速點(diǎn)較多或時(shí)間步長(zhǎng)較長(zhǎng)時(shí)，LSTM網(wǎng)絡(luò)會(huì)存在累計(jì)誤差，導(dǎo)致模型預(yù)測(cè)誤差變大。本文采用迭代法對(duì)輸入樣本進(jìn)行更新，設(shè)置時(shí)間步長(zhǎng)為Step=1，預(yù)測(cè)長(zhǎng)度為L(zhǎng)ength，每次訓(xùn)練數(shù)據(jù)量為t，結(jié)束后模型僅針對(duì)t ＋1 位置的風(fēng)速進(jìn)行預(yù)測(cè)。將最新的預(yù)測(cè)數(shù)據(jù)回添至數(shù)據(jù)集末端；之后將數(shù)據(jù)集往后滑動(dòng)一個(gè)窗口，Step=Step ＋1，繼續(xù)迭代循環(huán)直至Step ＞Length。

2.2 EEMD參數(shù)設(shè)置

EEMD參數(shù)主要有兩種設(shè)置，分別為隨機(jī)白噪聲標(biāo)準(zhǔn)差Nstd和添加噪聲次數(shù)K。設(shè)置合理的參數(shù)有助于提高模型的預(yù)測(cè)精度。為此本實(shí)驗(yàn)設(shè)置了多組不同的EEMD 參數(shù)進(jìn)行了預(yù)測(cè)對(duì)比。表1 為不同EEMD 參數(shù)代表的預(yù)測(cè)模型運(yùn)行10次后的RMSE與MAPE的結(jié)果，所用數(shù)據(jù)集分別為3 月份和5 月份的風(fēng)速數(shù)據(jù)集。由表1 可以看出，當(dāng)Nstd為0.01，K為80 時(shí)預(yù)測(cè)模型的平均誤差在所有預(yù)測(cè)模型中基本為最小，只有在3月份時(shí)其RMSE最大值稍微大于Nstd為0.05，K為50時(shí)的預(yù)測(cè)模型，但其在3 月份的RMSE 平均值小于Nstd為0.05，K為50 時(shí)的預(yù)測(cè)模型。因此Nstd為0.01，K為80 時(shí)模型表現(xiàn)更穩(wěn)定。經(jīng)過上述分析，后續(xù)實(shí)驗(yàn)中統(tǒng)一設(shè)置Nstd為0.01，K為80。

表1 不同EEMD參數(shù)設(shè)置下模型誤差對(duì)比Table 1 Comparison of model errors under different EEMD parameter settings

2.3 EEMDSE對(duì)數(shù)據(jù)進(jìn)行分解重組

利用數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練得到預(yù)測(cè)模型時(shí)，往往由于數(shù)據(jù)間難以被挖掘的聯(lián)系以及龐大的數(shù)據(jù)量，使得模型的精度受到影響。為了挖掘數(shù)據(jù)間隱藏的關(guān)系，需要使數(shù)據(jù)變得利于模型的預(yù)測(cè)。利用EEMD 對(duì)預(yù)處理后的風(fēng)速數(shù)據(jù)進(jìn)行分解，并將其從高頻到低頻逐級(jí)分解為7 個(gè)IMF 分量以及1 個(gè)殘差信號(hào)，分解后的結(jié)果如圖5 所示。對(duì)比于原始信號(hào)，分解后的信號(hào)更加平滑。由于EEMD分解后的IMF分量較多，如果直接利用ILSTM對(duì)每一個(gè)分量都進(jìn)行預(yù)測(cè)，那么會(huì)增大計(jì)算規(guī)模。本文采用樣本熵理論，對(duì)EEMD分解得到的所有分量進(jìn)行復(fù)雜性評(píng)估，得到的結(jié)果如圖6所示。由于IMF3和IMF4的熵值僅相差0.024 4，選擇將二者合并。同時(shí)為了驗(yàn)證EEMD分解和樣本熵技術(shù)的優(yōu)點(diǎn)，本文選擇不同的分解技術(shù)對(duì)原始數(shù)據(jù)進(jìn)行分解，并對(duì)提前一步預(yù)測(cè)的效果進(jìn)行對(duì)比，結(jié)果如表2所示。

表2 不同分解技術(shù)的提前一步預(yù)測(cè)效果對(duì)比Table 2 Comparison of one-step-ahead prediction effect among different decomposition techniques

圖5 EEMD分解結(jié)果Fig.5 Result of EEMD decomposition

圖6 樣本熵的值Fag.6 Value of sample entropy

由表2 可以看出，與IWOA-LSTM 相比，利用分解方法分解數(shù)據(jù)后再使用模型進(jìn)行預(yù)測(cè)得到的誤差更低，說明利用分解方法進(jìn)行數(shù)據(jù)預(yù)處理與優(yōu)化算法搜尋參數(shù)可以提高預(yù)測(cè)性能；與EMD-ILSTM 和EEMDILSTM相比，本文方法誤差較小，說明利用EEMD與樣本熵結(jié)合的數(shù)據(jù)預(yù)處理可以進(jìn)一步提高模型性能，降低誤差。

3 算例分析

為了驗(yàn)證本文所提出的EEMDSE-ILSTM組合模型在超短期風(fēng)速預(yù)測(cè)的優(yōu)越性，實(shí)驗(yàn)中分別與支持向量機(jī)（SVM）、隨機(jī)森林（Random Forest，RF）、極限學(xué)習(xí)機(jī)（ELM）進(jìn)行對(duì)比。為避免因偶然因素造成的誤差，每個(gè)實(shí)驗(yàn)重復(fù)10次，并對(duì)最大、最小和平均值進(jìn)行記錄。

每種算法的MAPE 和RMSE 箱型圖如圖7、圖8 所示，可以看出本文方法在10 次實(shí)驗(yàn)中均表現(xiàn)出較低的預(yù)測(cè)誤差，并且圖中可以直觀地展示出本文方法預(yù)測(cè)效果相比于其他方法有明顯的優(yōu)勢(shì)。說明本文方法在具有較高精度的同時(shí)具有較好的穩(wěn)定性。從表3可知，在對(duì)數(shù)據(jù)集數(shù)據(jù)進(jìn)行測(cè)試時(shí)，在處理同樣的數(shù)據(jù)時(shí)，與其他優(yōu)化算法相比，本文提出的組合算法誤差的平均值、最大值、最小值均比其他方法小，說明本文方法具有較高的預(yù)測(cè)精度。

圖7 3月份不同預(yù)測(cè)方法的RMSE箱型圖對(duì)比Fig.7 Comparison of RMSE box diagram of different prediction methods in March

圖8 3月份不同預(yù)測(cè)方法的MAPE箱型圖對(duì)比Fig.8 Comparison of MAPE box diagram of different prediction methods in March

表3 不同預(yù)測(cè)方法下3月份MARE和RMSE值比較Table 3 Comparison of MAPE and RMSE values under different prediction methods

由圖9可知，本文提出的模型在預(yù)測(cè)風(fēng)速數(shù)據(jù)時(shí)的極大極小值點(diǎn)擬合效果較其他方法更好，并且預(yù)測(cè)趨勢(shì)相比較于其他方法更趨近于實(shí)際曲線，故其穩(wěn)定度較高，通過本文方法模擬出的曲線具有更加準(zhǔn)確的風(fēng)速趨勢(shì)走向。為了驗(yàn)證IWOA對(duì)LSTM的優(yōu)化效果，本文選擇不同月份的風(fēng)速數(shù)據(jù)，與經(jīng)典的粒子群算法（Particle Swarm Optimization，PSO）、灰狼算法（Grey Wolf Optimizer，GWO）[17]、原始鯨魚優(yōu)化算法（WOA）對(duì)LSTM 優(yōu)化進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果如表4所示。由表4可以看出，本文對(duì)LSTM 的改進(jìn)相比于其他改進(jìn)方法都具有更低的誤差，表明本文對(duì)LSTM的改進(jìn)可以有效降低預(yù)測(cè)誤差且具有較好的穩(wěn)定性。通過EEMD 和樣本熵對(duì)數(shù)據(jù)預(yù)處理以及IWOA 算法無監(jiān)督式搜尋算法參數(shù)能夠有效地提高模型可靠性。

圖9 不同預(yù)測(cè)方法預(yù)測(cè)趨勢(shì)對(duì)比Fig.9 Comparison of prediction trends with different prediction methods

表4 不同優(yōu)化方法下RMSE與MAPE箱型圖對(duì)比Table 4 Comparison of RMSE and MAPE under different optimization methods

4 結(jié)論

本文針對(duì)風(fēng)電場(chǎng)的超短期風(fēng)速預(yù)測(cè)提出一種時(shí)序分解集成模型，采用湖南某風(fēng)電場(chǎng)提供的實(shí)測(cè)風(fēng)速數(shù)據(jù)進(jìn)行預(yù)測(cè)，得出如下結(jié)論：

（1）對(duì)數(shù)據(jù)集進(jìn)行分解組合能夠有效降低風(fēng)速數(shù)據(jù)波動(dòng)帶來的影響。

（2）通過改進(jìn)WOA 算法的收斂因子，平衡了WOA算法的全局搜索能力和局部搜索能力；實(shí)現(xiàn)了對(duì)組合模型的無監(jiān)督參數(shù)調(diào)優(yōu)，有效解決了LSTM網(wǎng)絡(luò)中參數(shù)選擇困難這一問題；利用鯨魚算法優(yōu)化LSTM參數(shù)可以搜尋較為合適的參數(shù)，降低了模型的預(yù)測(cè)誤差。

（3）通過與其他模型對(duì)比，本文方法具有較高的預(yù)測(cè)精度以及魯棒性，說明本文方法是切實(shí)可行的。