考慮特征提取和優(yōu)化LSSVM的短期光伏功率預(yù)測(cè)

岳有軍, 劉金林, 趙 輝, 王紅君

(天津理工大學(xué) 電氣工程與自動(dòng)化學(xué)院 天津市復(fù)雜系統(tǒng)控制理論及應(yīng)用重點(diǎn)實(shí)驗(yàn)室, 天津 300384)

0 引言

光伏發(fā)電作為重要的清潔可再生能源,近年來(lái)得到迅速發(fā)展,世界范圍內(nèi)制定了許多法規(guī)和激勵(lì)措施來(lái)提高光伏發(fā)電量[1].由于光伏發(fā)電受到天氣因素的影響,其輸出功率具有隨機(jī)性、波動(dòng)性和間歇性的特點(diǎn),大規(guī)模并網(wǎng)會(huì)對(duì)電網(wǎng)的穩(wěn)定性造成很大的沖擊[2,3].因此,準(zhǔn)確而有效的光伏發(fā)電功率預(yù)測(cè)信息能夠?yàn)殡娋W(wǎng)安全穩(wěn)定的調(diào)度提供保障[4].

光伏發(fā)電功率預(yù)測(cè)方法可分為物理法和統(tǒng)計(jì)法兩類(lèi)[5,7].物理法根據(jù)光伏電站的地理位置,綜合分析光伏電池板、逆變器等多種設(shè)備的特性,得到光伏發(fā)電輸出功率與數(shù)值天氣預(yù)報(bào)的物理關(guān)系,對(duì)光伏發(fā)電輸出功率進(jìn)行預(yù)測(cè).物理法雖然不需要?dú)v史數(shù)據(jù)的支持,但其對(duì)光伏電站地理信息以及氣象數(shù)據(jù)可靠性要求較高,且易受外界條件的影響,抗干擾能力差,因此應(yīng)用較少[8].統(tǒng)計(jì)法主要包括時(shí)間序列法[9]、支持向量機(jī)[10]、人工神經(jīng)網(wǎng)絡(luò)[11]、組合預(yù)測(cè)法[12]等.針對(duì)光伏數(shù)據(jù)隨機(jī)性、波動(dòng)性較強(qiáng)的特點(diǎn),為提高預(yù)測(cè)的準(zhǔn)確性,許多學(xué)者會(huì)對(duì)原始數(shù)據(jù)進(jìn)行特征提取.文獻(xiàn)[13]通過(guò)一個(gè)一維CNN網(wǎng)絡(luò)對(duì)多個(gè)關(guān)鍵氣象變量進(jìn)行特性轉(zhuǎn)換,然后構(gòu)造雙向LSTM進(jìn)行預(yù)測(cè).文獻(xiàn)[14]使用兩個(gè)并行的CNN網(wǎng)絡(luò)進(jìn)行特征提取,然后將提取的特征融合后送入LSTM中進(jìn)行光伏功率預(yù)測(cè),實(shí)驗(yàn)結(jié)果表明進(jìn)行特征提取可以有效提高預(yù)測(cè)精度.

支持向量機(jī)(Support Vector Machines,SVM)是一種基于監(jiān)督學(xué)習(xí)的用于數(shù)據(jù)二元分類(lèi)的廣義線性分類(lèi)器,可以有效地解決傳統(tǒng)神經(jīng)網(wǎng)絡(luò)結(jié)果容易陷入局部極小值以及過(guò)擬合等問(wèn)題.最小二乘支持向量機(jī)是在SVM基礎(chǔ)上的改進(jìn),降低了求解難度,提高了運(yùn)行速度.文獻(xiàn)[15]使用改進(jìn)蝙蝠算法優(yōu)化LSSVM,有效的提高了預(yù)測(cè)精度,但沒(méi)有考慮輸入特征對(duì)預(yù)測(cè)效果的影響.文獻(xiàn)[16]采用集合經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition,EEMD)將歷史功率序列分解,然后將不同頻率的分量放入LSSVM進(jìn)行預(yù)測(cè),采用集合經(jīng)驗(yàn)?zāi)B(tài)分解可以有效降低光伏功率序列的非平穩(wěn)性,但沒(méi)有對(duì)LSSVM的參數(shù)進(jìn)行尋優(yōu),會(huì)影響預(yù)測(cè)的精度.文獻(xiàn)[17]采用互補(bǔ)式集合模態(tài)分解將負(fù)荷序列分解,然后采用SSA算法對(duì)LSSVM模型參數(shù)進(jìn)行尋優(yōu),實(shí)驗(yàn)結(jié)果表明可以有效提高負(fù)荷預(yù)測(cè)的精度,但SSA算法迭代后期容易陷入局部最優(yōu),影響尋優(yōu)的效果.

綜合上述分析,本文提出一種基于CNN-LSTM-ISSA-LSSVM短期功率預(yù)測(cè)的組合模型.首先,為更好的提取數(shù)據(jù)中的隱藏特征和長(zhǎng)期依賴(lài)性特征,結(jié)合了CNN和LSTM的優(yōu)點(diǎn)構(gòu)成CNN-LSTM特征提取模型;然后將提取出的特征向量輸入到LSSVM模型中進(jìn)行預(yù)測(cè);對(duì)SSA算法的不足進(jìn)行了改進(jìn),并采用ISSA算法對(duì)LSSVM的參數(shù)進(jìn)行尋優(yōu);最后通過(guò)與CNN、LSTM、CNN-LSTM、SSA-LSSVM、CNN-LSTM-LSSVM、CNN-LSTM-SSA-LSSVM模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比,驗(yàn)證了CNN-LSTM-ISSA-LSSVM模型的有效性和優(yōu)越性.

1 CNN-LSTM特征提取

1.1 卷積神經(jīng)網(wǎng)絡(luò)

CNN主要由輸入層、卷積層、池化層、全連接層和輸出層組成,被廣泛應(yīng)用于圖像處理、視頻處理等領(lǐng)域.其中輸入層主要對(duì)輸入的數(shù)據(jù)進(jìn)行預(yù)處理,包括去均值、歸一化等.卷積層是CNN中最重要的一層,包括局部感知、參數(shù)共享機(jī)制、窗口滑動(dòng)、卷積計(jì)算等.池化層主要對(duì)數(shù)據(jù)進(jìn)行壓縮,可以降低維度,在一定程度上防止過(guò)擬合的發(fā)生.全連接層對(duì)前面的輸出進(jìn)行重新組合.由于CNN使用局部感知和參數(shù)共享機(jī)制,所以它對(duì)較大的數(shù)據(jù)集處理能力較高,對(duì)高維的數(shù)據(jù)處理也沒(méi)有壓力.其結(jié)構(gòu)如圖1所示.

圖1 CNN結(jié)構(gòu)

1.2 長(zhǎng)短期記憶網(wǎng)絡(luò)

LSTM在RNN的基礎(chǔ)上加入了門(mén)控結(jié)構(gòu),解決了RNN容易出現(xiàn)梯度消失和梯度爆炸的缺點(diǎn),可以適用于長(zhǎng)期依賴(lài)性問(wèn)題,并廣泛應(yīng)用于股票預(yù)測(cè)、功率預(yù)測(cè)等場(chǎng)景.LSTM單個(gè)細(xì)胞結(jié)構(gòu)如圖2所示,主要由遺忘門(mén)ft、輸入門(mén)it和輸出門(mén)ot組成[18].遺忘門(mén)決定上一時(shí)刻單元狀態(tài)的遺忘程度,輸入門(mén)決定讓多少新信息加入到細(xì)胞狀態(tài)中,輸出門(mén)將基于細(xì)胞狀態(tài)確定輸出值.LSTM的主要計(jì)算公式如下所示:

ft=σ(Wf·[ht-1,xf]+bf)

(1)

it=σ(Wi·[ht-1,xt]+bi)

(2)

(3)

(4)

ot=σ(Wo·[ht-1,xt]+bo)

(5)

ht=ot·tanh(ct)

(6)

式(1)～(6)中:Wf、Wt、Wo分別為ft、it、ot的權(quán)重矩陣;bf、bi、bo分別為ft、it、ot的偏置;σ為sigmoid激活函數(shù).

圖2 LSTM細(xì)胞結(jié)構(gòu)

1.3 CNN-LSTM特征提取模型

CNN雖在數(shù)據(jù)特征提取方面具有明顯的優(yōu)勢(shì),但在處理具有長(zhǎng)期依賴(lài)性數(shù)據(jù)時(shí)具有不足,而LSTM擅長(zhǎng)處理長(zhǎng)期依賴(lài)性數(shù)據(jù),因此本文將結(jié)合CNN與LSTM的優(yōu)點(diǎn)構(gòu)成CNN-LSTM特征提取模型,然后將提取出來(lái)的特征向量輸入到LSSVM模型中進(jìn)行訓(xùn)練與預(yù)測(cè),不僅能提升訓(xùn)練速度,而且能提高預(yù)測(cè)精度.CNN-LSTM特征提取模型如圖3所示.輸入數(shù)據(jù)首先經(jīng)過(guò)兩個(gè)CNN層提取隱藏特征,其次經(jīng)過(guò)展平層對(duì)數(shù)據(jù)進(jìn)行展平化處理,然后經(jīng)過(guò)兩層LSTM層提取數(shù)據(jù)中的長(zhǎng)期依賴(lài)性特征,最后經(jīng)過(guò)全連接層輸出預(yù)測(cè)結(jié)果.將LSTM第二層輸出的向量作為CNN-LSTM模型提取出的具有隱藏特征和長(zhǎng)期依賴(lài)性特征的特征向量.

圖3 CNN-LSTM特征提取模型

2 改進(jìn)麻雀搜索算法優(yōu)化最小二乘支持向量機(jī)

2.1 最小二乘支持向量機(jī)

LSSVM采用最小二乘線性系統(tǒng)作為損失函數(shù),用等式約束代替了SVM的不等式約束,將原問(wèn)題轉(zhuǎn)變?yōu)榻饩€性方程組問(wèn)題,降低了求解難度,提高了運(yùn)行速度[19].LSSVM的優(yōu)化問(wèn)題可以轉(zhuǎn)變?yōu)?

(7)

式(7)中:ω為權(quán)向量;C為懲罰因子;ξi為松弛變量;b為偏置.

引入拉格朗日函數(shù)將上述優(yōu)化問(wèn)題轉(zhuǎn)化為對(duì)參數(shù)α求極值問(wèn)題:

(8)

對(duì)式(8)中的ω,b,ξ,a求偏導(dǎo),并令四個(gè)偏導(dǎo)數(shù)等于0,消除ω和ξi,可以得到:

(9)

式(9)中:E=[1,1,…,1]T;Ω為核映射矩陣,Ωij=φ(xi)Tφ(xj);I為單位矩陣;y=[y1,y2,…,yn]T.

最終得到LSSVM分類(lèi)函數(shù)為:

(10)

LSSVM的回歸性能受到核函數(shù)類(lèi)型及其參數(shù)的影響,本文選擇徑向基核函數(shù)(radial basis function,RBF),其表達(dá)式為:

(11)

式(11)中:σ為RBF核函數(shù)參數(shù).從LSSVM建模過(guò)程可知,懲罰因子C和核函數(shù)參數(shù)σ對(duì)預(yù)測(cè)結(jié)果有較大的影響,因此本文選擇用ISSA搜索算法對(duì)兩個(gè)參數(shù)進(jìn)行優(yōu)化.

2.2 麻雀搜索算法及其改進(jìn)

2.2.1 麻雀搜索算法

SSA是一種新提出的群體智能算法,相較于傳統(tǒng)的粒子群等優(yōu)化算法,該算法的收斂速度更快,尋優(yōu)精度更高.SSA算法受到麻雀捕食與反捕食過(guò)程的啟發(fā),將麻雀?jìng)€(gè)體分為發(fā)現(xiàn)者、加入者和警戒者.

設(shè)麻雀初始種群位置為Xij=(xi1,xi2,…,xiD),其中D表示D維搜索空間,Xij表示第i只麻雀在第j維的位置.

SSA算法將容易找到食物的個(gè)體稱(chēng)為發(fā)現(xiàn)者,其本身具有較高的適應(yīng)度值,主要負(fù)責(zé)確定覓食方向.發(fā)現(xiàn)者的位置關(guān)系可以表示為:

(12)

式(12)中:t為當(dāng)前迭代次數(shù);Tmax為最大迭代次數(shù);α∈[0,1]為一個(gè)隨機(jī)數(shù);Q為一個(gè)服從高斯分布的隨機(jī)數(shù);L為元素均為1的1×d的矩陣;R2和ST分別為麻雀種群的預(yù)警值和安全值;當(dāng)R2

SSA算法中加入者主要跟隨發(fā)現(xiàn)者進(jìn)行覓食,從而不斷提高自身的適應(yīng)度.當(dāng)加入者監(jiān)視發(fā)現(xiàn)者找到食物時(shí),他們會(huì)離開(kāi)當(dāng)前位置去爭(zhēng)奪食物.加入者的位置更新可以表示為:

(13)

麻雀種群中存在一定比例的警戒者,當(dāng)意識(shí)到危險(xiǎn)時(shí)將做出反捕行為.警戒者的位置更新可以表示為:

(14)

式(14)中:Xbest為麻雀種群最佳位置,β為服從正態(tài)分布的隨機(jī)數(shù),用于步長(zhǎng)控制;K∈[-1,1]的一個(gè)隨機(jī)數(shù);ε為避免分母為0的最小常數(shù);fi為當(dāng)前麻雀適應(yīng)度值;fb和fw分別為當(dāng)前最佳和最差的適應(yīng)度值.當(dāng)fi>fb時(shí),表示麻雀?jìng)€(gè)體處于種群的邊緣位置,極易受到捕食者的捕食;當(dāng)fi=fb時(shí),表示麻雀中的個(gè)體感知到了危險(xiǎn)的存在,需要靠近其他麻雀來(lái)提高自身的安全性.

2.2.2 麻雀搜索算法的改進(jìn)

(1)Circle混沌初始化策略

基礎(chǔ)麻雀算法采用隨機(jī)生成的方式對(duì)種群進(jìn)行初始化,這種方式會(huì)導(dǎo)致種群分布不均勻,影響后期的迭代尋優(yōu).而Circle映射具有隨機(jī)性和遍歷性的特點(diǎn),可以用于提高種群的多樣性.Circle映射表達(dá)式如下:

(15)

式(15)中:i為維度.

(2)樽海鞘群優(yōu)化策略

基礎(chǔ)麻雀算法中,由發(fā)現(xiàn)者位置更新公式可知,當(dāng)R2≤ST時(shí),個(gè)體以向零點(diǎn)靠近的方式收斂于最優(yōu)解,在每次迭代后個(gè)體的位置都在變小,而在零點(diǎn)附近有較強(qiáng)的局部搜索能力.這樣就導(dǎo)致麻雀算法在前期搜索能力不足,全局搜索能力下降.為解決上述問(wèn)題,可以借鑒樽海鞘群算法的領(lǐng)導(dǎo)者位置更新策略.樽海鞘群算法的領(lǐng)導(dǎo)者位置更新策略如下:

(16)

將樽海鞘群算法中的領(lǐng)導(dǎo)者位置更新策略引入到麻雀算法的發(fā)現(xiàn)者位置更新策略中,可以提高麻雀算法迭代前期的搜索范圍和全局搜索能力,同時(shí)也可以提高迭代后期的收斂速度和局部開(kāi)發(fā)的能力.改進(jìn)后的發(fā)現(xiàn)者位置更新策略可以表示為:

(17)

(3)柯西-高斯變異策略

在基礎(chǔ)麻雀算法的迭代后期,麻雀種群的多樣性降低,容易出現(xiàn)局部最優(yōu)的情況.為解決上述問(wèn)題,引入柯西-高斯變異策略,選擇當(dāng)前適應(yīng)度最好的個(gè)體進(jìn)行變異,然后比較變異前后的位置,選擇較優(yōu)的位置代入下一次迭代.柯西-高斯變異策略可以表示為:

(18)

(19)

2.3 改進(jìn)麻雀搜索算法優(yōu)化最小二乘支持向量機(jī)

LSSVM中的懲罰因子C和核函數(shù)參數(shù)σ對(duì)模型的預(yù)測(cè)結(jié)果有決定性的作用,因此用ISSA算法對(duì)其參數(shù)進(jìn)行尋優(yōu).流程圖如圖4所示,具體步驟如下:

圖4 ISSA-LSSVM流程

(1)初始化參數(shù).包括種群數(shù)量、最大迭代次數(shù)、發(fā)現(xiàn)者和警戒者比例等;

(2)利用Circle混沌映射初始化種群;

(3)計(jì)算麻雀種群的初始適應(yīng)度值并排序,并根據(jù)適應(yīng)度值選取出最優(yōu)個(gè)體和其對(duì)應(yīng)的位置以及最差個(gè)體和其對(duì)應(yīng)的位置;

(4)按照發(fā)現(xiàn)者比例選取適應(yīng)度值高的個(gè)體作為發(fā)現(xiàn)者,根據(jù)式(17)更新位置;

(5)剩余個(gè)體作為加入者,根據(jù)式(13)更新位置;

(6)按照警戒者比例隨機(jī)選擇警戒者,根據(jù)式(14)更新位置;

(7)計(jì)算更新后麻雀種群的適應(yīng)度值,并選取最優(yōu)個(gè)體對(duì)其進(jìn)行柯西-高斯變異;

(8)判斷變異個(gè)體是否優(yōu)于原個(gè)體,若是則用變異個(gè)體替代原個(gè)體,否則保持原個(gè)體不變;

(9)判斷是否達(dá)到最大迭代次數(shù),若是則輸出最優(yōu)參數(shù),否則返回(3);

(10)將最優(yōu)參數(shù)輸入到LSSVM.

3 基于CNN-LSTM-ISSA-LSSVM的光伏功率短期預(yù)測(cè)模型

綜合上述分析,本文提出了一種基于CNN-LSTM-ISSA-LSSVM的光伏功率短期預(yù)測(cè)方法,其模型如圖5所示.本文模型的預(yù)測(cè)步驟如下:

(1)數(shù)據(jù)預(yù)處理.對(duì)收集到的原始數(shù)據(jù)進(jìn)行異常值檢測(cè)與修正,同時(shí)劃分訓(xùn)練集與測(cè)試集.

(2)對(duì)功率歷史數(shù)據(jù)與天氣因素進(jìn)行Pearson相關(guān)性分析,確定天氣輸入特征.

(3)將訓(xùn)練集輸入到CNN-LSTM網(wǎng)絡(luò)進(jìn)行訓(xùn)練并提取特征向量.

(4)將提取出的特征向量輸入到經(jīng)過(guò)ISSA優(yōu)化的LSSVM模型中進(jìn)行訓(xùn)練.

(5)將測(cè)試集輸入到訓(xùn)練好的模型中進(jìn)行預(yù)測(cè),得到最終預(yù)測(cè)結(jié)果.

(6)采用平均絕對(duì)誤差(Mean Absolute Error,MAE)和均方根誤差(Root Mean Square Error,RMSE)來(lái)評(píng)價(jià)預(yù)測(cè)模型的準(zhǔn)確性.

圖5 CNN-LSTM-ISSA-LSSVM預(yù)測(cè)流程

4 算例分析

采用澳大利亞愛(ài)麗絲泉光伏研究中心2017年6、7、8月份的光伏歷史發(fā)電功率和氣象數(shù)據(jù).數(shù)據(jù)采樣間隔為15 min,每天采樣96組數(shù)據(jù).分為兩組進(jìn)行訓(xùn)練與預(yù)測(cè),第一組采用6月1日～8月29日的光伏發(fā)電功率和氣象數(shù)據(jù)作為訓(xùn)練集,對(duì)8月30日的光伏發(fā)電功率進(jìn)行預(yù)測(cè);第二組采用8月1日～8月25日的光伏發(fā)電功率和氣象數(shù)據(jù)作為訓(xùn)練集,對(duì)8月26日～8月30日的光伏發(fā)電功率進(jìn)行預(yù)測(cè).

4.1 相關(guān)性分析

本文采用Pearson相關(guān)系數(shù)來(lái)衡量各影響因素與光伏發(fā)電輸出功率之間的相關(guān)性大小.其表達(dá)式為:

(20)

表1 光伏發(fā)電功率與氣象因素相關(guān)性系數(shù)

由表1可知,光伏發(fā)電功率與輻照度呈極強(qiáng)相關(guān)性,與溫度、相對(duì)濕度呈中等相關(guān)性,與風(fēng)速呈弱相關(guān)性,與風(fēng)向呈極弱相關(guān)性.因此選擇輻照度、溫度、相對(duì)濕度、風(fēng)速4種天氣因素作為天氣輸入特征.

4.2 數(shù)據(jù)預(yù)處理

歸一化可以將有量綱的數(shù)值轉(zhuǎn)化為無(wú)量綱的數(shù)值,通常將數(shù)據(jù)轉(zhuǎn)換到[0,1]區(qū)間內(nèi),可以加快模型訓(xùn)練速度.其表達(dá)式為:

(21)

式(21)中:xnorm為歸一化后的數(shù)據(jù);x為原始數(shù)據(jù);xmax和xmin分別為數(shù)據(jù)中的最大值和最小值.

4.3 誤差評(píng)價(jià)指標(biāo)

為了更好的評(píng)價(jià)模型的預(yù)測(cè)精度,本文選取了平均絕對(duì)誤差(MAE)和均方根誤差(RMSE)作為預(yù)測(cè)模型的評(píng)價(jià)指標(biāo).它們的計(jì)算公式為:

(22)

(23)

4.4 仿真實(shí)驗(yàn)

在MATLAB平臺(tái)上進(jìn)行仿真實(shí)驗(yàn),由于光伏出力具有間歇性,因此選取6:30-18:30的預(yù)測(cè)結(jié)果進(jìn)行展示.為驗(yàn)證本文提出的基于CNN-LSTM-ISSA-LSSVM光伏功率預(yù)測(cè)模型的優(yōu)越性以及使用CNN-LSTM進(jìn)行特征向量提取的必要性和ISSA優(yōu)化LSSVM的有用性,從而說(shuō)明本文所提出的光伏功率預(yù)測(cè)模型的準(zhǔn)確性有顯著的提升,分別采用SSA-LSSVM、CNN-LSTM-LSSVM、CNN-LSTM-SSA-LSSVM和CNN-LSTM-ISSA-LSSVM模型進(jìn)行預(yù)測(cè),同時(shí)與單一的CNN和LSTM模型以及CNN-LSTM組合模型的預(yù)測(cè)結(jié)果進(jìn)行比較.

經(jīng)過(guò)多次實(shí)驗(yàn),CNN-LSTM模型參數(shù)設(shè)置如下:第一個(gè)CNN層的卷積核大小為3×1,數(shù)量為8,第二個(gè)CNN層的卷積核大小為2×1,數(shù)量為16;LSTM第一層隱含層節(jié)點(diǎn)數(shù)為50,第二層隱含層節(jié)點(diǎn)數(shù)為10.SSA和ISSA中最大迭代次數(shù)Tmax=50,種群數(shù)量N=30.第一組中CNN、LSTM、CNN-LSTM的迭代損失曲線對(duì)比如圖6所示,損失值即為模型的預(yù)測(cè)值與真實(shí)值之間的差值,損失值越低,模型性能越好.CNN-LSTM-SSA-LSSVM中的SSA迭代收斂曲線和CNN-LSTM-ISSA-LSSVM中的ISSA的迭代收斂曲線對(duì)比如圖7所示,以訓(xùn)練集預(yù)測(cè)值與真實(shí)值誤差的絕對(duì)值之和作為適應(yīng)度函數(shù)值,適應(yīng)度值越低,說(shuō)明預(yù)測(cè)模型精度越高.第一組7種模型的預(yù)測(cè)結(jié)果如圖8所示.第二組7種模型的預(yù)測(cè)結(jié)果對(duì)比如圖9所示.

由圖6三種模型的迭代損失曲線對(duì)比圖可知,CNN-LSTM模型的損失值最低,其損失值為0.001 1,說(shuō)明CNN-LSTM模型的效果最好.

圖6 迭代損失曲線

由圖7兩種算法的迭代收斂曲線可知,SSA算法迭代到第7次達(dá)到最優(yōu)解,而改進(jìn)后的ISSA算法迭代到第2次就達(dá)到最優(yōu)解,并且ISSA算法的最優(yōu)適應(yīng)度值低于SSA算法,說(shuō)明對(duì)SSA算法的改進(jìn)具有很好的效果.

圖7 迭代收斂曲線

由圖8可知,CNN-LSTM相較于單一的CNN、LSTM模型預(yù)測(cè)精度有所提升,說(shuō)明組合模型相較于單一的模型具有優(yōu)勢(shì).進(jìn)行特征提取的CNN-LSTM-SSA-LSSVM模型預(yù)測(cè)效果比不進(jìn)行特征提取的SSA-LSTM模型預(yù)測(cè)效果有所提升,而且在模型訓(xùn)練時(shí),CNN-LSTM-SSA-LSSVM模型的訓(xùn)練速度要明顯快于SSA-LSTM模型,說(shuō)明進(jìn)行特征提取不僅能提高預(yù)測(cè)的精度,而且能加快模型的訓(xùn)練速度.利用SSA算法進(jìn)行優(yōu)化的CNN-LSTM-SSA-LSSVM模型以及利用ISSA算法進(jìn)行優(yōu)化的CNN-LSTM-ISSA-LSSVM模型的預(yù)測(cè)精度要高于CNN-LSTM-LSSVM模型,說(shuō)明進(jìn)行參數(shù)尋優(yōu)可以有效提高模型的性能.

圖8 第一組不同模型預(yù)測(cè)結(jié)果對(duì)比

由圖9可知,減少訓(xùn)練集的數(shù)量,增加測(cè)試集的數(shù)量后,雖然各模型也能較好的預(yù)測(cè)出光伏功率輸出,但是相較于第一組各模型的預(yù)測(cè)精度均有所下降.

圖9 第二組不同模型預(yù)測(cè)結(jié)果對(duì)比

為進(jìn)一步驗(yàn)證本文所提模型的優(yōu)越性,將本文模型與其他模型的評(píng)價(jià)指標(biāo)和建模時(shí)間進(jìn)行對(duì)比,如表2所示.

表2 不同模型評(píng)價(jià)指標(biāo)與建模時(shí)間對(duì)比

由表2可知,第一組和第二組中本文模型的MAE和RMSE均低于其他模型,說(shuō)明本文模型具有較高的預(yù)測(cè)精度.但相比之下,第二組各模型的MAE、RMSE均高于第一組模型,建模時(shí)間有所減少,說(shuō)明減少訓(xùn)練集的數(shù)量,增加測(cè)試集的數(shù)量后,雖然可以減少建模的時(shí)間,但是預(yù)測(cè)精度也會(huì)有所下降.第一組和第二組中組合模型的MAE和RMSE均低于單一模型,說(shuō)明組合模型可以有效提升預(yù)測(cè)精度.CNN-LSTM-SSA-LSSVM模型相較于SSA-LSSVM模型在第一組中和第二組中MAE分別下降了32.55%、32.30%,RMSE分別下降了33.36%、37.66%,建模時(shí)間分別下降了905.45 s、74.94 s.說(shuō)明進(jìn)行特征提取不僅可以獲得更好的預(yù)測(cè)性能而且可以減少建模的時(shí)間.CNN-LSTM-SSA-LSSVM模型相較于CNN-LSTM-LSSVM模型在第一組中和第二組中MAE分別下降了16.29%、20.41%,RMSE分別下降了8.22%、27.62%,說(shuō)明經(jīng)過(guò)特征提取后,利用SSA優(yōu)化的LSSVM模型預(yù)測(cè)精度更高.而CNN-LSTM-ISSA-LSSVM模型相較于CNN-LSTM-SSA-LSSVM模型在第一組中和第二組中MAE分別下降了6.48%、9.64%,RMSE分別下降了5.16%、8.86%,建模時(shí)間分別下降了1 380.09 s、69 358 s,說(shuō)明ISSA相較于SSA具有更強(qiáng)的尋優(yōu)能力以及更快的尋優(yōu)速度,能夠更有效的提高LSSVM的預(yù)測(cè)性能,也說(shuō)明本文提出模型具有更高的預(yù)測(cè)精度.

5 結(jié)論

為提高光伏功率預(yù)測(cè)的精度,本文提出一種基于CNN-LSTM-ISSA-LSSVM的短期光伏功率預(yù)測(cè)模型,得到以下結(jié)論:

(1)針對(duì)傳統(tǒng)光伏功率預(yù)測(cè)因特征提取不足導(dǎo)致預(yù)測(cè)精度不高的問(wèn)題,提出了一種CNN-LSTM特征提取方法,該方法結(jié)合了CNN和LSTM的優(yōu)點(diǎn),可以有效的提取數(shù)據(jù)中的隱藏特征和長(zhǎng)期依賴(lài)性特征.

(2)針對(duì)LSSVM模型因參數(shù)選擇不當(dāng)而導(dǎo)致預(yù)測(cè)精度不高的問(wèn)題,對(duì)SSA算法進(jìn)行了改進(jìn),并利用ISSA對(duì)LSSVM模型參數(shù)進(jìn)行尋優(yōu).結(jié)果表明,ISSA算法相較于SSA算法具有更強(qiáng)的尋優(yōu)能力,能為L(zhǎng)SSVM模型尋得更優(yōu)的參數(shù),且能有效的提高模型的預(yù)測(cè)性能.

(3)實(shí)驗(yàn)結(jié)果表明,CNN-LSTM-ISSA-LSSVM模型能有效的預(yù)測(cè)光伏發(fā)電短期功率,且模型預(yù)測(cè)精度以及評(píng)價(jià)指標(biāo)均優(yōu)于其他對(duì)比模型.