基于SSA-LSTM的海上風電功率預測

李森文，張 偉，李純宇，郝思鵬

(南京工程學院電力工程學院，江蘇 南京 211167)

0 引言

近年來，我國風電裝機容量增長迅速，目前風電裝機規(guī)模居世界首位。隨著“碳達峰、碳中和”目標提出，未來新能源裝機量將迎來爆發(fā)式增長。

風電預測方法可分為物理方法、時間序列方法和人工智能方法。物理方法是以數字天氣預報為基礎的預測方法。時序方法通過統計學方法處理，常用時序模型有自回歸滑動平均模型[1]、差分自回歸滑動平均模型[2]和自回歸條件異方差模型[3]。常見的人工智能預測方法有人工神經網絡等[4]，一般多用于超短期和短期預測。本文采用長短期記憶(long-short term memory，LSTM)神經網絡，充分利用風電場功率的時序相關性進行預測，并通過麻雀搜索算法(sparrow search algorithm，SSA)對網絡參數進行優(yōu)化。

1 LSTM網絡

LSTM是一種帶有記憶與遺忘模式的特殊遞歸神經網絡，解決了傳統遞歸神經網絡在反向誤差傳播算法訓練中出現的梯度消失與爆炸問題[5]。在時序處理上，LSTM可對原始序列時間相關性充分利用，比其他機器學習方法更顯優(yōu)勢[6-9]。如圖1所示為LSTM單元結構。

圖1 LSTM單元結構

xt、ht為t時刻單元的輸入和輸出，t=1,2,…。ht計算表達式為：

it=σ(Wixxt+Wihht-1+Wicct-1+bi)

(1)

ft=σ(Wfxxt+Wfhht-1+Wfcct-1+bf)

(2)

ot=σ(Woxxt+Wohht-1+Wocct-1+bo)

(3)

ct=ftct-1+itφ(Wcxxt+Wchht-1+bc)

(4)

ht=otφ(ct)

(5)

it、ft、ot和ct為輸入門、遺忘門、記憶細胞和輸出門的輸出；W為權重矩陣；b為偏置向量；σ為激活函數。

2 麻雀搜索算法

麻雀搜索算法模擬麻雀覓食和反捕食行為，具有尋優(yōu)能力強、收斂速度快和穩(wěn)定性好等特點[10]。麻雀種群分發(fā)現者和加入者，負責搜索食物并為其他群體提供食物位置的為發(fā)現者，通過跟蹤發(fā)現者來覓食的為加入者。在種群中選取一定比例的麻雀，令其具有感知危險的行為并記為警戒者，警戒者發(fā)現危險則種群放棄食物。在t+1次迭代中，發(fā)現者位置更新為

(6)

t為迭代數；T為最大迭代次數；Xi,j為麻雀i在第j維的位置；a為0～1的隨機數；R2為預警值；S為安全值，取值范圍分別為0～1和0.5～1；Q為正態(tài)分布隨機數；L為元素為1的1×d矩陣。

當R2

(7)

Xp為當前發(fā)現者最優(yōu)位置；Xworst為最劣位置；A為元素隨機為1或-1的1×d矩陣，A+=AT(AAT)-1。

當i>n/2時，表明適應度值較低的處于饑餓狀態(tài)的第i個加入者無法覓食。為提高種群捕食率，需到其他地方獲取食物。當危險被警戒者感知時，反捕食行為產生，表達式為

(8)

Xbest為全局最優(yōu)位置；k、β為步長控制參數，β是服從均值為0方差為1的正態(tài)分布隨機數，k∈[-1,1]是一個隨機數；fg和fw為種群中最優(yōu)和最劣適應度值；ε為常數，避免分母為0；fi為i的適應度值，當fi>fg時，表示i處在種群邊緣，易受到危害，fi=fg時，表示i感知了危險，發(fā)現者隨即進行下一輪搜索。

3 SSA-LSTM模型

海上風電出力作為一種時序功率序列，受到自然風的影響，具有強隨機性、波動性。為準確預測海上風電出力，本文以在時序處理中表現出色的LSTM模型為基礎，將收斂速度快、魯棒性強和穩(wěn)定性好的麻雀搜索算法與LSTM模型相結合，構建了SSA-LSTM模型。此模型保留了LSTM網絡善于處理時序數據的優(yōu)點，同時采用SSA來優(yōu)化超參數，確保該模型能夠快速穩(wěn)定收斂于全局最優(yōu)。

在LSTM網絡中，學習率、訓練次數和神經元個數等是影響預測精度的關鍵參數。這些參數直接決定LSTM模型網絡結構，不同參數訓練出的模型預測能力相差較大。因此，提出SSA-LSTM模型，通過SSA對LSTM隱含層神經元個數、學習率和訓練次數進行尋優(yōu)。SSA優(yōu)化LSTM步驟如下：

a.根據LSTM網絡學習率、訓練次數、神經元個數等超參數取值范圍隨機初始化麻雀位置。

b.以MSE計算每只麻雀適應度值并排序。

c.取前20%為發(fā)現者，其余為加入者，隨機選取20%的麻雀并使其具有感知危險的行為機制。

d.根據式(6)～式(8)在迭代中更新發(fā)現者、加入者、警戒者位置并計算適應度值。

e.迭代結束輸出全局最優(yōu)麻雀位置即得到LSTM網絡的最優(yōu)參數。

SSA-LSTM模型流程如圖2所示。

圖2 SSA-LSTM流程

4 算例分析

4.1 原始數據

本算例選用江蘇鹽城400 MW華能豐海風電場的出力數據作為原始數據，該風電場位于江蘇省鹽城市大豐區(qū)毛竹沙海域。每5 min采樣1次，該風電場2020年12月出力數據如圖3所示。

4.2 模型設置

本文算例中，LSTM模型的隱含層設置為2層，需要優(yōu)化的超參數為隱含層第1、第2層神經元個數、訓練次數和學習率，故麻雀搜索算法的尋優(yōu)維度為4，尋優(yōu)范圍分別設為[1,100]、[1,100]、[1,50]、[0.001,0.01]。SSA剩余參數設置：麻雀種群數量為5、發(fā)現者占比20%、警戒者占比20%、最大迭代次數為30、適應度函數為均方誤差MSE。用于對比的LSTM參數設置：隱含層第1層神經元個數為200、第2層神經元個數為200、訓練次數20次、學習率0.005 0。

4.3 性能指標

本算例采用平均絕對誤差(mean absolute error，MAE)和均方根誤差(root mean square error，RMSE)作為性能指標，計算式為：

(9)

(10)

pi和pi′為功率實際值和預測值；n為測試集數據數。

4.4 對比分析

在獲取風電場出力數據后，將數據集前70%用于訓練，后30%用于測試，分別使用LSTM、SSA-LSTM網絡模型進行仿真對比。

首先通過SSA對LSTM網絡參數進行尋優(yōu)，包括隱含層第1、第2層神經元個數、訓練次數和學習率。在SSA尋優(yōu)過程中以MSE為適應度函數，目的是找到1組超參數使LSTM網絡的MSE最低。

LSTM網絡參數按照本文4.2節(jié)設置，將其與經過麻雀搜索算法20輪尋優(yōu)后的SSA-LSTM網絡參數進行對比，如表1所示。

表1 網絡參數對比

采用LSTM模型的預測結果、SSA-LSTM模型的預測結果與實際值進行對比，性能指標如表2所示。

表2 性能指標對比

由表2可知，SSA-LSTM模型的EMAE、ERMSE數值相比LSTM模型均大幅下降，說明SSA-LSTM神經網絡模型的預測精度優(yōu)于LSTM模型。通過SSA優(yōu)化LSTM網絡，加強了模型的全局尋優(yōu)能力，使得SSA-LSTM模型的預測結果可靠性更高。

以上模型均通過前10個時刻的風電出力數據預測下一時刻，即條件變量為10。為了更好地驗證本文所提的SSA-LSTM模型的預測精度優(yōu)于LSTM模型，研究不同時間長度的風電出力作為條件變量對風電功率預測準確性的影響，對比SSA-LSTM、LSTM模型在條件變量為5、10、15、20時的預測結果。

分別采用5個、10個、15個、20個條件變量預測下一時刻的風電出力，部分預測結果如圖4所示。

圖4 不同條件變量預測結果對比

在圖4中，SSA-LSTM模型的預測曲線與實際功率曲線具有相近的峰值、谷值。而在圖4a中，LSTM模型在5個條件變量時，預測峰值低于實際峰值，預測谷值高于實際谷值；如圖4b所示,LSTM模型在10個條件變量時，預測峰值與實際峰值相近，預測谷值高于實際谷值；如圖4c所示,LSTM模型在15個條件變量時，預測峰值高于實際峰值，預測谷值高于實際谷值；如圖4d所示,LSTM模型在20個條件變量時，預測峰值低于實際峰值，預測谷值高于實際谷值。對比觀察可知，在不同條件變量下，SSA-LSTM模型的預測精度均優(yōu)于LSTM模型，同時更具預測穩(wěn)定性。

SSA-LSTM和LSTM模型采用不同條件變量時的性能指標如表3所示。由表3可知，SSA-LSTM相比于LSTM，在5個、10個、15個、20個條件變量預測中EMAE分別降低了12.479、3.649、9.145、10.810，ERMSE分別降低了10.928、6.582、9.847、10.959。

表3 不同條件變量性能指標對比

由以上算例分析可知，在一定的預測時間尺度內，基于SSA-LSTM的海上電功率預測模型相比于LSTM模型具有更高的預測精度，同時能夠保持較好的預測穩(wěn)定性。

5 結束語

本文提出SSA-LSTM模型對海上風電功率進行短期預測。利用SSA對LSTM網絡的超參數進行尋優(yōu)，得到SSA-LSTM模型。通過SSA-LSTM模型對海上風電功率進行預測，并在不同條件變量下與LSTM模型的預測結果比較。仿真結果表明，SSA-LSTM模型具有更高的預測精度、更好的預測穩(wěn)定性。