改進(jìn)黑猩猩算法和LSSVR-BiLSTM雙尺度模型的短期風(fēng)功率預(yù)測(cè)

王紅君,謝煜軒,趙 輝,2,岳有軍

(1.天津理工大學(xué) 天津市復(fù)雜控制理論與應(yīng)用重點(diǎn)實(shí)驗(yàn)室, 天津 300384;2.天津農(nóng)學(xué)院 工程技術(shù)學(xué)院, 天津 300392)

0 引言

隨著世界能源危機(jī)的加劇,風(fēng)能作為可再生環(huán)保型能源日益受到世界各國(guó)的重視。然而,風(fēng)能隨機(jī)波動(dòng)的特點(diǎn)會(huì)導(dǎo)致各種問(wèn)題,造成風(fēng)電并網(wǎng)和調(diào)度管理存在很大困難[1]。因此,精確的風(fēng)功率預(yù)測(cè)對(duì)于電網(wǎng)安全和發(fā)電策略制定至關(guān)重要[2]。

傳統(tǒng)預(yù)測(cè)風(fēng)功率的方法主要是物理方法和統(tǒng)計(jì)方法[3]。這些方法雖有成熟研究,但對(duì)于風(fēng)電這類(lèi)波動(dòng)性較強(qiáng)的數(shù)據(jù)預(yù)測(cè)效果較差,操作難度較大,在識(shí)別復(fù)雜模式方面效果并不理想。為獲得更好的預(yù)測(cè)效果,一些人工智能和深度學(xué)習(xí)模型逐漸被應(yīng)用到風(fēng)電預(yù)測(cè)領(lǐng)域[4]。如極限學(xué)習(xí)機(jī)(ELM)[5]、支持向量回歸機(jī)(SVR)[6]和長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(LSTM)[7]等。由于單一模型的局限性,其在預(yù)測(cè)隨機(jī)性較強(qiáng)的風(fēng)功率數(shù)據(jù)時(shí)不能獲得很好的效果,直接使用原始風(fēng)電數(shù)據(jù)可能會(huì)導(dǎo)致較大的誤差,因此組合預(yù)測(cè)應(yīng)用越來(lái)越廣泛。白鵬[8]將小波分解(WT)與SVR結(jié)合,將原始序列分解后再進(jìn)行預(yù)測(cè),提高了預(yù)測(cè)精度,但WT缺乏自適應(yīng)。Yan等[9]提出了一種基于集合經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)與LSTM混合的風(fēng)速預(yù)測(cè)模型。謝麗蓉等[10]利用EEMD對(duì)原始序列進(jìn)行分解,預(yù)測(cè)模型采用了最小二乘支持向量回歸機(jī)(LSSVR);LSSVR是對(duì)SVR的改進(jìn),優(yōu)化了計(jì)算量,但存在參數(shù)選取困難的問(wèn)題;EEMD會(huì)產(chǎn)生模態(tài)混疊現(xiàn)象。Du等[11]提出了一種基于鯨魚(yú)優(yōu)化算法(WOA)優(yōu)化LSSVR的預(yù)測(cè)方法,利用智能算法解決預(yù)測(cè)模型參數(shù)選取困難的問(wèn)題。任俞霏等[12]利用自適應(yīng)白噪聲完全集合經(jīng)驗(yàn)?zāi)B(tài)分解(CEEMDAN)對(duì)歷史風(fēng)功率序列進(jìn)行分解處理,并采用灰狼優(yōu)化算法(GWO)對(duì)LSSVR參數(shù)進(jìn)行尋優(yōu)。Hu等[13]將CEEMDAN與LSTM相結(jié)合建立超短期風(fēng)電功率預(yù)測(cè);CEEMDAN克服了EEMD的缺陷,但將含噪聲較多的分量直接舍棄,易造成信息缺失。王渝紅等[14]利用雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(BiLSTM)進(jìn)行風(fēng)功率預(yù)測(cè),BiLSTM是LSTM的延伸,相較于LSTM能更進(jìn)一步提高模型的預(yù)測(cè)精度。Vishalteja等[15]提出了一種基于改進(jìn)自適應(yīng)白噪聲完全集合經(jīng)驗(yàn)?zāi)B(tài)分解(ICEEMDAN)和BiLSTM混合模型的預(yù)測(cè)方法,相較于CEEMDAN,ICEEMDAN對(duì)信號(hào)的分解效果更為理想。

根據(jù)上述所述,大多數(shù)研究使用相同的預(yù)測(cè)方法對(duì)風(fēng)電序列進(jìn)行分解后的所有子序列進(jìn)行預(yù)測(cè),沒(méi)有考慮每個(gè)不同頻率子序列的獨(dú)特特性。使用傳統(tǒng)的優(yōu)化算法自動(dòng)調(diào)整模型參數(shù)時(shí),容易陷入局部最優(yōu)、后期收斂速度慢等缺陷。因此,本文中提出了一種基于改進(jìn)黑猩猩優(yōu)化算法和LSSVR-BiLSTM雙尺度深度學(xué)習(xí)模型的短期風(fēng)功率預(yù)測(cè)方法。首先,利用ICEEMDAN在模型預(yù)處理過(guò)程中對(duì)原始風(fēng)電序列進(jìn)行分解,得到多個(gè)模態(tài)分量(IMF)和一個(gè)殘差(Res);其次,通過(guò)排列熵(PE)重構(gòu)所有分量,并根據(jù)熵值將其分為高頻分量和低頻分量;再分別建立LSSVR和BiLSTM模型預(yù)測(cè)低頻子序列和高頻子序列,采用4種改進(jìn)措施增強(qiáng)的改進(jìn)黑猩猩優(yōu)化算法(ICHOA)對(duì)LSSVR和BiLSTM模型參數(shù)進(jìn)行了優(yōu)化;最后,疊加各分量預(yù)測(cè)值得出最終的風(fēng)功率值。通過(guò)具體算例分析,驗(yàn)證本文方法的優(yōu)勢(shì)。

1 理論基礎(chǔ)

1.1 ICEEMDAN算法

ICEEMDAN是對(duì)CEEMDAN的進(jìn)一步改進(jìn),克服了模態(tài)混疊問(wèn)題,并降低了分解出來(lái)的IMF殘余噪聲,對(duì)于波動(dòng)性較強(qiáng)的風(fēng)功率序列具有良好的分解效果[16]。ICEEMDAN算法具體步驟如下：

步驟1對(duì)于初始信號(hào)x(t),向其中引入白噪聲E1(wi),表達(dá)式為

xi=x+β0E1(wi)

(1)

步驟2對(duì)原始序列進(jìn)行分解,計(jì)算第1個(gè)IMF值表達(dá)式為

(2)

步驟3計(jì)算第2個(gè)IMF值表達(dá)式為

(3)

步驟4同理,計(jì)算第n個(gè)IMF值表達(dá)式為

(4)

1.2 排列熵

PE應(yīng)用排列的思想對(duì)子序列進(jìn)行重構(gòu),是一種計(jì)算簡(jiǎn)單、具有較強(qiáng)抗噪能力的算法,可以減少計(jì)算復(fù)雜度[17]。采用相空間方法重構(gòu)序列{x(i),i=1,2,…,N}得到新序列為

Yj=[x(j),x(j+τ),…,x(j+(m-1)τ)]

(5)

1.3 黑猩猩優(yōu)化算法

1.3.1基礎(chǔ)黑猩猩優(yōu)化算法

黑猩猩優(yōu)化算法(CHOA)是針對(duì)叢林當(dāng)中黑猩猩的捕獵活動(dòng)而提出的一種啟發(fā)式搜索算法,與傳統(tǒng)GWO、WOA等優(yōu)化算法相比,其收斂速度和尋優(yōu)精度更好。黑猩猩種群在捕獵時(shí)有不同的分工,一般分為攻擊者、障礙者、驅(qū)趕者和追逐者4種類(lèi)型[18]。黑猩猩驅(qū)趕和追逐獵物的數(shù)學(xué)模型如下：

D=|C·Xprey(t)-m·Xchimp(t)|

(6)

Xchimp(t+1)=Xprey(t)-A·D

(7)

A=f(2r1-1)

(8)

C=2r2

(9)

f=2(1-(t/tmax))

(10)

式中：D為黑猩猩與獵物之間的距離;Xprey和Xchimp分別為獵物和黑猩猩位置;t和tmax分別為當(dāng)前和最大迭代次數(shù);r1和r2為[0,1]的隨機(jī)數(shù);f為收斂因子,其值隨迭代次數(shù)增加從2.5非線(xiàn)性減小到0。A、m、C為控制系數(shù)。其中m為混沌映射矢量,表達(dá)式為m=Chaotic_value。

種群初始化后,種群中黑猩猩的位置圍繞上述4類(lèi)黑猩猩的最優(yōu)位置Xattacker、Xbarrier、Xchaser、Xdriver進(jìn)行更新：

(11)

X(t+1)=(X1+X2+X3+X4)/4

(12)

式中：X為當(dāng)前黑猩猩的位置,X(t+1)為更新后的位置。

1.3.2改進(jìn)黑猩猩優(yōu)化算法

1) 佳點(diǎn)集種群初始化

針對(duì)CHOA收斂速度慢、易陷入最優(yōu)局面的缺陷,引入佳點(diǎn)集初始化黑猩猩種群,避免種群隨機(jī)分布。與logistic映射[19]、拉丁超立方映射[20]等方法相比,佳點(diǎn)集能夠使種群分布更加均勻。佳點(diǎn)集理論表達(dá)式為

Pn(k)={({r1k},…,{rik},…,{rtk})}

(13)

式中：ri=2cos(2πk/p);k=1,2,…,n;1≤i≤t;P為滿(mǎn)足p≥2t+3的最小質(zhì)數(shù)。

設(shè)置二維空間,黑猩猩種群規(guī)模為500,在區(qū)間[0,1]內(nèi)隨機(jī)分布、拉丁超立方映射、logistic映射和佳點(diǎn)集生成的種群分布如圖1所示。

圖1 初始化種群分布圖

由圖1可知,通過(guò)引入佳點(diǎn)集可使算法性能明顯優(yōu)于其他方法,使種群分布更加均勻,可以獲得更好的效果。

2) 非線(xiàn)性收斂因子

CHOA中線(xiàn)性收斂因子f易導(dǎo)致搜索時(shí)間增加,不能很好地協(xié)調(diào)全局和局部搜索。將其改進(jìn)為非線(xiàn)性收斂因子,均衡CHOA的搜索能力,縮短搜索時(shí)間。改進(jìn)后的收斂因子表達(dá)式為

f=-2(t/tmax)3+2.5

(14)

3) 反向?qū)W習(xí)策略

將反向?qū)W習(xí)策略應(yīng)用到CHOA中,更新最優(yōu)黑猩猩個(gè)體,提高算法的收斂精度和尋優(yōu)速度,擴(kuò)大搜索范圍。表達(dá)式為

Xopbest=ub+r⊕(lb-Xattacker)

(15)

式中：Xopbest為最優(yōu)解Xattacker的反向解;ub、lb分別為種群上、下界;r為1×d矩陣。

4) 水波動(dòng)態(tài)自適應(yīng)因子

在4類(lèi)黑猩猩位置變化中引入水波動(dòng)態(tài)自適應(yīng)因子,降低黑猩猩的盲目性,提高算法尋優(yōu)能力,避免陷入最優(yōu)局面。改進(jìn)后位置更新表達(dá)式為

(16)

式中：λ=r1·sin(4πεt)+r2·cos(6πεt)為水波動(dòng)態(tài)自適應(yīng)因子,ε為控制參數(shù),本文取值為2。

1.4 最小二乘支持向量回歸機(jī)

LSSVR是對(duì)SVR的延伸,在約束問(wèn)題上,從不等式轉(zhuǎn)變?yōu)榈仁?降低了計(jì)算復(fù)雜度,適用于風(fēng)功率非平穩(wěn)序列的建模。其中,正則化系數(shù)和核函數(shù)寬度的選取對(duì)LSSVR模型的學(xué)習(xí)能力及預(yù)測(cè)準(zhǔn)確度影響很大。具體見(jiàn)文獻(xiàn)[21]。

1.5 雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)

BiLSTM由前向LSTM層和后向LSTM層組成。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)總是在訓(xùn)練期間從前向后進(jìn)行傳播訓(xùn)練。這種訓(xùn)練方式不能最大化序列所包含的固有信息,數(shù)據(jù)利用率低。BiLSTM網(wǎng)絡(luò)可以利用過(guò)去和未來(lái)的狀態(tài)提高預(yù)測(cè)的準(zhǔn)確性,彌補(bǔ)LSTM網(wǎng)絡(luò)中數(shù)據(jù)信息不足的缺陷,能更好地挖掘風(fēng)功率序列中的高頻特性[22]。LSTM計(jì)算式為

(17)

2 預(yù)測(cè)模型及評(píng)價(jià)指標(biāo)

2.1 ICHOA對(duì)LSSVR-BiLSTM的優(yōu)化設(shè)計(jì)

步驟1設(shè)置ICHOA參數(shù)。

步驟2佳點(diǎn)集初始化黑猩猩種群。

步驟3分別建立LSSVR和BiLSTM預(yù)測(cè)模型,設(shè)置LSSVR的正則化系數(shù)和核函數(shù)寬度,以及BiLSTM的2個(gè)隱含層節(jié)點(diǎn)、訓(xùn)練次數(shù)和學(xué)習(xí)率的尋優(yōu)范圍,并劃分訓(xùn)練集和測(cè)試集。

步驟4將預(yù)測(cè)模型輸出的均方差作為適應(yīng)度值,利用ICHOA對(duì)LSSVR和BiLSTM的參數(shù)進(jìn)行優(yōu)化,根據(jù)式(16)確定黑猩猩是否更新位置,通過(guò)式(15)確定最優(yōu)解。

步驟5若滿(mǎn)足最大迭代次數(shù),則建立最優(yōu)參數(shù)LSSVR和BiLSTM模型;否則繼續(xù)步驟3。

步驟6利用獲得的最優(yōu)ICHOA-LSSVR模型和ICHOA-BiLSTM模型進(jìn)行預(yù)測(cè)。

2.2 組合預(yù)測(cè)模型

結(jié)合上述各方法的優(yōu)勢(shì),提出一種基于ICEEMDAN-PE-ICHOA-LSSVR-BiLSTM雙尺度深度學(xué)習(xí)模型的短期風(fēng)功率預(yù)測(cè)方法,結(jié)構(gòu)如圖2所示。

運(yùn)算步驟如下：

步驟1收集原始風(fēng)功率數(shù)據(jù),對(duì)于缺失數(shù)據(jù)采用平均值修正。根據(jù)pearson方法對(duì)風(fēng)功率數(shù)據(jù)與氣象因素進(jìn)行相關(guān)性分析,確定相關(guān)天氣輸入特性。

步驟2利用ICEEMDAN將原始風(fēng)功率序列分解為IMF和Res。根據(jù)PE重構(gòu)IMF和Res減少計(jì)算復(fù)雜度,并根據(jù)排列熵值將重構(gòu)的分量劃分為高頻序列和低頻序列。

步驟3將ICHOA算法應(yīng)用于LSSVR和BiLSTM模型的參數(shù)優(yōu)化,建立最優(yōu)ICHOA-LSSVR和ICHOA-BiLSTM模型進(jìn)行訓(xùn)練和測(cè)試。

步驟4將高頻分量和低頻分量分別用作最優(yōu)BiLSTM模型和LSSVR模型的輸入。

步驟5將各預(yù)測(cè)結(jié)果疊加得到最終預(yù)測(cè)結(jié)果。

2.3 評(píng)價(jià)指標(biāo)

為更好地評(píng)估風(fēng)功率預(yù)測(cè)結(jié)果,使用均方根誤差(RMSE)、平均絕對(duì)誤差(MAE)、平均絕對(duì)百分比誤差(MAPE)和模型決定系數(shù)R2四種誤差評(píng)價(jià)指標(biāo)。

(18)

(19)

(20)

(21)

3 算例分析

3.1 數(shù)據(jù)預(yù)處理

實(shí)驗(yàn)采用愛(ài)爾蘭某風(fēng)電場(chǎng)2019年的風(fēng)功率數(shù)據(jù)集。為驗(yàn)證所提模型的準(zhǔn)確性和普適性,選取春季3月1日—31日、夏季6月1日—30日、秋季9月1日—30日、冬季12月1日—31日的原始風(fēng)功率數(shù)據(jù)及同期天氣數(shù)據(jù)。采樣間隔為15 min,3月份和12月份各包含2 976個(gè)數(shù)據(jù)點(diǎn),將每個(gè)數(shù)據(jù)集劃分為兩部分,即訓(xùn)練集和測(cè)試集。使用前2 880個(gè)數(shù)據(jù)點(diǎn)進(jìn)行訓(xùn)練,剩余的96個(gè)數(shù)據(jù)點(diǎn)用于測(cè)試。6月份和9月份各包含2 880個(gè)數(shù)據(jù)點(diǎn),使用前2 784個(gè)數(shù)據(jù)點(diǎn)進(jìn)行訓(xùn)練,剩余96個(gè)數(shù)據(jù)點(diǎn)用于測(cè)試。各月風(fēng)功率如圖3所示。編程環(huán)境為Matlab 2022b。

圖3 各月風(fēng)功率曲線(xiàn)

利用ICEEMDAN對(duì)原始風(fēng)功率序列進(jìn)行分解。經(jīng)實(shí)驗(yàn)驗(yàn)證,分解過(guò)程中,設(shè)置白噪聲標(biāo)準(zhǔn)差為0.2,最大迭代次數(shù)為1 000,平均次數(shù)為100。以9月份的風(fēng)功率數(shù)據(jù)集為例,風(fēng)功率序列被劃分為9個(gè)IMF和1個(gè)殘差Res,使用ICEEMDAN分解結(jié)果圖4所示。

根據(jù)ICEEMDAN分解結(jié)果,若對(duì)分解出的每個(gè)子序列進(jìn)行預(yù)測(cè),計(jì)算復(fù)雜度會(huì)增加,最終預(yù)測(cè)的累積誤差也可能變得更大。為提高預(yù)測(cè)效率,根據(jù)PE理論將相似熵值的各子分量序列重新組合?？紤]本文的分解結(jié)果,設(shè)置PE嵌入維數(shù)為3,延遲時(shí)間為1 s。根據(jù)各序列PE值結(jié)果,原始序列的PE值為0.554 3,IMF1-IMF4的PE值大于原始序列,隨機(jī)性強(qiáng),不進(jìn)行合并。IMF5-IMF9和Res的PE值小于原始序列,隨機(jī)性弱,將它們合成一個(gè)序列。因此將IMF1、IMF2、IMF3、IMF4、IMF5-6-7-8-9-Res重構(gòu)為新的序列F1、F2、F3、F4和F5。其中F1-4為高頻分量,F5為低頻分量。9月份各序列排列熵值及重構(gòu)序列如圖5所示。

根據(jù)pearson方法來(lái)分析歷史風(fēng)功率與同期天氣數(shù)據(jù)之間的聯(lián)系。pearson表達(dá)式為：

(22)

表1 風(fēng)功率與天氣因素相關(guān)性系數(shù)

由表1可知,風(fēng)功率與風(fēng)速有極強(qiáng)相關(guān)性,與風(fēng)向?yàn)橹械认嚓P(guān)性,與溫度為弱相關(guān)性,與濕度極弱相關(guān)性。為提高預(yù)測(cè)精度,將風(fēng)速、風(fēng)向和溫度3種氣象因素作為特征輸入。根據(jù)分析結(jié)果,在LSSVR和BiLSTM預(yù)測(cè)模型中設(shè)置輸入變量維數(shù)為4,包括風(fēng)功率、風(fēng)速、風(fēng)向和溫度;設(shè)置輸出變量維數(shù)為1,為風(fēng)功率。

3.2 實(shí)驗(yàn)結(jié)果及分析

建立ICEEMDAN-PE-ICHOA-LSSVR-BiLSTM模型進(jìn)行仿真實(shí)驗(yàn)。為突出本文方法的優(yōu)勢(shì)和改進(jìn)黑猩猩優(yōu)化算法在LSSVR和BiLSTM當(dāng)中的有效性,將LSSVR(模型1)、CHOA-LSSVR(模型2)、ICHOA-LSSVR(模型3)、ICEEMDAN-PE-ICHOA-LSSVR(模型4)、ICEEMDAN-PE-ICHOA-BiLSTM(模型5)、CEEMDAN-PE-ICHOA-LSSVR-BiLSTM(模型6)與本文方法(模型7)比較。并采用上述4種評(píng)價(jià)指標(biāo)對(duì)各類(lèi)模型進(jìn)行對(duì)比分析。

設(shè)置ICHOA的種群數(shù)量為50,最大迭代次數(shù)為50,參數(shù)A、m、c的值分別為0.5、1、1.2。對(duì)于ICHOA-LSSVR模型,ICHOA對(duì)LSSVR的正則化系數(shù)和核函數(shù)寬度的尋優(yōu)范圍均為[0.001,1 000]。對(duì)于ICHOA-BiLSTM模型,BiLSTM中選用Adam優(yōu)化器。ICHOA對(duì)BiLSTM的2個(gè)隱含層節(jié)點(diǎn)、訓(xùn)練次數(shù)、學(xué)習(xí)率的尋優(yōu)范圍分別為[1,100]、[1,100]、[0.001,0.01]。經(jīng)過(guò)ICHOA尋優(yōu)得到的LSSVR最優(yōu)參數(shù)取值分別為：正則化系數(shù)為17,核函數(shù)寬度為43。BiLSTM最優(yōu)參數(shù)取值分別為：隱含層節(jié)點(diǎn)1為97,隱含層節(jié)點(diǎn)2為56,訓(xùn)練次數(shù)為82次,學(xué)習(xí)率為0.008。按同樣方法設(shè)置GWO和CHOA,其中9月份風(fēng)功率數(shù)據(jù)集中GWO、CHOA和ICHOA優(yōu)化LSSVR參數(shù)的迭代收斂曲線(xiàn)如圖6所示,適應(yīng)度值越低,模型預(yù)測(cè)精度越高。各模型最后96個(gè)采樣點(diǎn)的風(fēng)功率預(yù)測(cè)結(jié)果如圖7所示,評(píng)價(jià)指標(biāo)如表2所示。

表2 各模型評(píng)價(jià)指標(biāo)

圖6 迭代收斂曲線(xiàn)

圖7 各模型預(yù)測(cè)結(jié)果

由圖6可知,ICHOA相較于GWO、CHOA收斂速度更快,得到最佳適應(yīng)度值時(shí)所用迭代次數(shù)最少且低于其他算法,說(shuō)明了改進(jìn)CHOA算法具有更好的效果。

從圖7可以看出,本文模型相較于其他模型,短期風(fēng)功率預(yù)測(cè)效果最好。從局部放大圖看,預(yù)測(cè)曲線(xiàn)與真實(shí)曲線(xiàn)最貼近,擬合度程度最高,表明ICEEMDAN-PE-ICHOA-LSSVR-BiLSTM模型能夠更好地?cái)M合風(fēng)功率數(shù)據(jù),取得更好的預(yù)測(cè)效果。

根據(jù)表2可得,在風(fēng)功率預(yù)測(cè)中,算法優(yōu)化模型的性能優(yōu)于單一模型。以9月份為例,與LSSVR相比,CHOA-LSSVR的RMSE降低26.560 4%,MAE降低28.433 5%,MAPE降低6.030 1%,R2增加0.048 1,表明添加算法優(yōu)化可以提高模型的預(yù)測(cè)性能。與CHOA-LSSVR相比,ICHOA-LSSVR在9月份的RMSE降低2.964 1%,MAE降低2.925 3%,MAPE降低0.982 9%,R2增加0.001 4。在3月、6月和12月預(yù)測(cè)效果同樣提升。這表明本文提出的改進(jìn)CHOA算法可以進(jìn)一步提高模型的預(yù)測(cè)性能。與ICHOA-LSSVR相比,ICEEMDAN-PE-ICHOA-LSSVR預(yù)測(cè)精度進(jìn)一步提高。同樣,其他3個(gè)月也有顯著改善?？梢园l(fā)現(xiàn),分解方法可以提高模型的預(yù)測(cè)能力。將ICEEMDAN-PE-ICHOA-LSSVR-BiLSTM與CEEMDAN-PE-ICHOA-LSSVR-BiLSTM相比,預(yù)測(cè)精度進(jìn)一步提高,這表明ICEEMDAN方法更適合于風(fēng)功率的預(yù)測(cè)。顯然,使用混合LSSVR-BiLSTM模型比單一LSSVR和BiLSTM模型具有更好的預(yù)測(cè)結(jié)果,表明所提方法在風(fēng)功率預(yù)測(cè)方面是有效的,可以獲得更好的預(yù)測(cè)精度。

4 結(jié)論

1) 利用ICEEMDAN-PE對(duì)具有非平穩(wěn)性的風(fēng)功率序列進(jìn)行處理,降低了計(jì)算復(fù)雜度;劃分為高低頻預(yù)測(cè)方法可以有效地提高預(yù)測(cè)精度。同時(shí),采用LSSVR和BiLSTM的雙尺度模型在精度方面優(yōu)于單一尺度預(yù)測(cè)模型。

2) 通過(guò)引入佳點(diǎn)集、非線(xiàn)性收斂因子、反向?qū)W習(xí)策略和水波動(dòng)態(tài)自適應(yīng)因子,提高了CHOA算法的尋優(yōu)精度和收斂速度,有利于優(yōu)化LSSVR和BiLSTM的參數(shù)。

3) 相較于其他模型,本文方法可以擬合實(shí)際風(fēng)功率曲線(xiàn),且預(yù)測(cè)精度更高。