基于改進深度信念網絡的風電場短期風速預測

王碩禾， 張嘉姍， 陳祖成， 張國駒， 郭 威

（1.石家莊鐵道大學， 河北 石家莊 050043； 2.天津市市政工程設計研究院， 天津 300380； 3.天津天誠智慧能源科技有限公司， 天津 300450）

0 引言

風能是一種可再生能源。 近年來隨著風力發電技術相對成熟、可靠，風能在各國能源戰略中的地位不斷提高。 由于濱海地區環境位置特殊，風速、溫度、氣壓等氣象因素隨機性較大，對電網的安全穩定可靠運行帶來了較大的影響[1]。 因此，準確地預測風速對電力系統可靠運行以及提高濱海地區分散式風電的并網能力發揮重要的作用。

當前主流的風電場風速預測方法是組合預測，將不同的模型組合在一起，使預測結果更加準確[2]。 程啟明[3]提出了一種基于最小二乘支持向量機LSSVM 和集合經驗模態分解EEMD 算法的組合預測方法， 得到的風速數據與實際相比較，具有較理想的效果。 都晨[4]通過模糊聚類技術處理歷史數據并輸入到GA 優化BP 神經網絡模型中，提高了預測精度。 楊劍南[5]建立了徑向基函數（Radial-Basis Function，RBF） 與BP 組合的神經網絡預測模型，預測精度更高，時變特性更強。 以上的方法都可視為淺層預測模型，盡管具有很強的適應性，但不能完全提取風速數據的深層特征和內在規律。

深度學習網絡是指多種類型的機器學習和各種層次結構結合在一起的網絡， 使用多層非線性信息處理方法來進行識別特征、 分類數據并生成數據[6]。 文獻[7]將深度信念網絡（Deep Belief Network，DBN） 與k-means 聚類算法相結合，所提出的模型更加穩定，更加順應風電的發展趨勢。 本文提出了一種改進的深度信念網絡（SA-ALS-DBN） 的深度神經網絡風速預測模型，一方面利用模擬退火（Simulated Annealing，SA）算法優化DBN 模型初始參數，提高了提取該網絡特征的效果，另一方面，利用自適應學習步長（Self-adaptive Learning Step，ALS）算法來調整DBN 訓練的學習速率，解決了訓練時間過長的問題， 進而準確地進行濱海地區風電場的風速預測。

1 DBN 模型

DBN 是由多個限制玻爾茲曼機（Restricted Boltzmann Machine，RBM）堆疊成的多隱含層的深度學習網絡[8]。 DBN 模型是無監督和有監督的神經網絡模型的組合， 無監督部分完成輸入數據特征的提取，有監督部分完成分類或預測。

1.1 RBM 網絡

RBM 神經網絡是DBN 網絡的基本組成元件。圖1 為RBM 的結構。RBM 由下到上為輸入可視層ν 和輸出隱藏層h 組成， 層內的神經元是無連接的，但ν 和h 之間是有連接的。

圖1 RBM 結構圖Fig.1 RBM structure

RBM 是一種基于能量的特殊神經網絡模型，即網絡模型的理想狀態是能量達到最小化。 RBM對可視層到隱藏層的概率分布進行學習，其聯合能量函數為

1.2 RBM 的訓練

訓練RBM 求解更新參數θ={ωij，ai，bj}。 為了解決計算Z（θ）用時較長的問題，采用k 步對比散度（Contrastive Divergence，CD-k） 學習算法訓練RBM 參數。其主要思想是用訓練數據初始化可視層，然后執行Gibbs 采樣。

RBM 的訓練步驟如下：

①給定訓練樣本集合S、訓練周期J、學習率η、CD-k 算法參數k 和可視層及隱藏層的單元數目m，n；

②初始化偏置向量a，b 和不同層之間的連接權重ω；

③對樣本中的ν，h 交替采樣，利用P（h│ν（t-1））采樣出h（t-1），利用P（ν│h（t-1））采樣出ν（t），滿足迭代k 次結束；

④利用下式更新參數。

1.3 深度信念網絡

DBN 的訓練過程包括一個分層的預訓練過程和一個微調過程，完整的DBN 的結構如圖2 所示。

圖2 DBN 結構圖Fig.2 DBN structure

RBM 的具體訓練步驟如下：

①分層預訓練過程。 網絡以無監督的方式逐層由低到高訓練；

②微調過程。 網絡采用BP 神經網絡以有監督的方式對預訓練獲得的參數由高到低進行微調。

2 基于模擬退火的DBN 參數選擇

濱海地區風速波動較大，導致風能特征較大。在DBN 模型分層預訓練過程中，鑒于模型參數被隨機初始化而導致提取的風速特征精度不高的現象，提出了利用模擬退火（SA）算法對RBM 網絡參數進行尋優，解決了特征提取能力弱的問題。

2.1 SA 算法

SA 算法是一種基于Monte Carlo 迭代求解策略的隨機概率尋優算法， 在一個大的搜尋空間內以一定的概率找尋命題的最優解， 克服了其他優化算法容易陷入局部極小的缺陷和對初值的依賴性[9]。

SA 算法大致分為Metropolis 準則抽樣和退火兩部分。

SA 算法實現步驟如下：

①給定初始溫度T0，初始狀態S0；

②令T=Ti，根據Metropolis 進行抽樣，返回其當前狀態；

③退火，令T=Ti+1；

④檢查是否滿足迭代次數， 滿足則以當前狀態輸出，反之轉回②。

該算法實現的流程如圖3 所示。

圖3 SA 算法流程圖Fig.3 Flow chart of SA algorithm

2.2 DBN 模型參數優化

利用SA 算法對初始DBN 參數進行尋優，目標函數是相對誤差，過程如圖4 所示。尋優的參數包括節點個數、訓練次數和學習速率。

圖4 模擬退火算法尋優過程Fig.4 Optimization process of SAA

由圖4 可知，SA 尋優DBN 參數的過程訓練了50 次，當訓練次數達到23 次時，相對誤差大幅度下降，降到0.077 8 后不再變化，系統達到收斂。SA 算法優化的初始DBN 參數見表1。

表1 模擬退火優化的DBN 參數Table 1 Simulated annealing optimized DBN parameters

3 自適應學習步長算法

圖5 所示為學習速率對梯度下降的影響。

圖5 不同學習率對梯度下降的影響Fig.5 Effect of different learning rates on gradient descent

由圖5 可知：學習速率將會影響DBN 網絡訓練時的迭代次數[圖5（d）]；如果學習率太大[圖5（a）]， 迭代過程中很容易因為估算值可能會超出所需的最小值，從而導致不收斂；如果學習率太小[圖5（c）]，一方面會因為迭代步數較多而花費時間較長，導致訓練效率低下，另一方面會使序列收斂到一些局部最小值，其泛化性能很差[10]；選擇正確的學習率對于訓練具有良好性能的神經網絡非常重要，既可以保證收斂，又可以保證效率[圖5（b）]。

盡管有一些很好的指南可以手動設置學習率，但這仍然是一個非常麻煩的過程。近幾年相關學者提出了幾種自適應學習率方法， 例如引入自適應學習步長算法可以選擇合適的學習速率，能夠有效地提高訓練效率和加快收斂速度。

ALS 算法將全局的學習速率η 用每個ωij，ai，bj的學習速率ηω，ηa，ηb來替換。 在k 步對比散度學習過程中，Δωij，Δai，Δbj為

式中：q，d 分別為學習步長的增量因子、 減量因子，q＞1，d＜1。

4 改進DBN 網絡的風速預測模型

濱海地區的風電場風速數據波動幅度大，對預測精度的提高有很大的影響。 本文搭建的風電短期風速預測模型基于SA-ALS 算法， 采用預處理后的數值天氣預報數據與前1 時刻風電場風速數據作為模型的輸入數據，風速預測值作為輸出。

具體的建模步驟：①采集數據，對數據進行預處理；②利用SA 選擇DBN 的始參數；③把訓練集輸入到DBN 模型中， 訓練時利用ALS 方法自適應地調整對RBM 的學習速率； ④當目標與實際誤差達到允許范圍內時，結束訓練，生成改進的風速預測模型， 否則返回步驟③； ⑤進行風速預測，并進行結果分析。

該預測模型的整體框架如圖6 所示。

圖6 改進的DBN 算法流程圖Fig.6 Improved DBN algorithm flowchart

5 算例分析

5.1 數據集和數據預處理

以天津濱海地區某風電場風電機組的2017年5 月1 日-10 月31 日的數值天氣預報數據與風電場歷史風速數據為例進行建模分析， 數據采樣時間間隔為15 min。 選取2017 年5 月1 日-10月29 日的17 472 個數據作為訓練SA-ALS-DBN模型的訓練集，2017 年10 月30-31 日的192 個數據作為模型的測試集進行試驗， 預測未來48 h的風速。

5.2 SA-ALS-DBN 模型預測誤差評價指標

本文采用平均絕對誤差（MAE）與均方根誤差（RMSE） 對模型的預測效果進行評價，R-平方（R2）作為衡量模型的準確性。

式中：N 為預測集的數據點數；xi為風速實際值；yi為經過SA-ALS-DBN 模型得出的風速預測值；為實際值的平均值。

5.3 SA-ALS-DBN 模型預測的實驗結果

將SA-ALS-DBN 模型與其他風速預測模型進行比較， 分別采用BP 神經網絡及傳統的DBN網絡模型進行風速預測， 并對預測結果進行誤差評價。3 種模型的預測結果如圖7 所示。不同預測模型對風速預測結果的MAE，RMSE 和R2值見表2。

圖7 3 種預測模型風速預測結果Fig.7 Three prediction models for wind speed prediction

表2 誤差結果比較Table 2 Comparison of error results

由圖7 和表2 可知： 在誤差指標方面，SAALS-DBN 擁有最小的MAE 值和RMSE 值；與DBN 網絡模型的比較發現， 改進的DBN 模型的預測準確度最高，這說明改進的DBN 網絡模型具有很好的特征提取能力， 更適用于濱海地區風電場的風速預測。 在利用多隱含層網絡結構時，BP神經網絡的訓練能力弱于深度學習網絡，BP 神經網絡模型預測的誤差及精確度相對另外兩種方法較差， 說明傳統的BP 神經網絡方法在濱海地區不能很好的應用。

6 結論

針對濱海風電場地理位置的特殊性以及風速的隨機性和不穩定性問題， 本文提出了一種新型的SA-ALS-DBN 風速預測模型。采用模擬退火算法確定了DBN 的參數，采用自適應學習步長的算法調整了DBN 的學習率，有效提高了預測精度。

經實例分析驗證表明，SA-ALS-DBN 模型相比于傳統DBN 模型和BP 神經網絡模型，其預測效果更好。 除此之外，在與DBN 網絡模型的比較中發現，改進的DBN 網絡模型的預測精度顯著高于另外兩種方法，適應于濱海地區分散式風電場。