基于CEEMD-CNN-BiGRU-RF模型的短期風電功率預測

2022-02-23 02:07:30曾亮狄飛超蘭欣王珊珊

可再生能源 2022年2期

關鍵詞：模型

曾亮，狄飛超，蘭欣，王珊珊

（1.湖北工業大學電氣與電子工程學院，湖北武漢 430068；2.湖北工業大學太陽能高效利用及儲能運行控制湖北省重點實驗室，湖北武漢 430068）

0 引言

風能作為一種清潔能源，可以緩解能源短缺、環境污染和氣候變化等問題。風能受風速、風向、氣壓和溫度等自然條件的影響很大，因此風力具有間歇性、波動性和隨機性。當風能大規模集成到電網中時，給電網的安全和穩定運行帶來了巨大挑戰。減少與風力發電相關的不確定性，對實現風電場風電功率的準確預測具有重大意義[1]。

風電功率的預測方法主要分為物理法和統計法[2]，[3]，這些方法大多基于傳統模型和深度學習模型[4]。物理法是基于各種影響因素，包括風速、溫度、氣壓等數據進行風電功率預測，統計法是根據歷史風電功率數據來進行分析與預測。常用的傳統模型包括支持向量機、馬爾可夫過程等[5]，[6]。近幾年應用更為廣泛的預測模型是貝葉斯神經網絡、卷積神經網絡、以及長短期記憶（LSTM）等深度學習模型[7]。文獻[8]利用copula函數進行特征提取，將提取的特征作為LSTM的輸入，建立單一的光伏功率和風電功率預測模型，但是模型預測精度較低。文獻[9]提出了一種基于LSTM-Attention網絡的短期風電功率預測方法，利用LSTM進行特征提取，同時引入注意力機制分析輸入和輸出的相關性，得到最終的預測結果，但模型的預測精度有待進一步提升。文獻[10]提出了一種基于VMD-ConvLSTM的風電功率預測模型，通過疊加各分量的預測值得到最終的預測結果，然而并未對風電功率的預測誤差進行進一步修正。

針對目前風電功率預測方法在預測精度和誤差修正上的不足，本文提出了一種基于CEEMDCNN-BiGRU-RF模型的短期風電功率預測模型。首先，利用完全集成經驗模態分解（CEEMD）對風電功率時間序列進行模態分解；其次，對分解的各個風電功率時間序列利用卷積神經網絡（CNN）進行特征提取；再次，建立雙向門控循環單元（BiGRU）模型對各個風電功率時間序列進行預測，疊加各個分量的預測值；最后，對誤差進行進一步分析與預測，利用隨機森林（RF）進行誤差修正，得到最終的風電功率預測值。

1 實驗原理及方法

1.1 CEEMD

CEEMD是經驗模態分解（EMD）和集成經驗模態分解（EEMD）的改進，是一種完整的模態分解技術，能夠完整地將信號進行分解。CEEMD通過在原始信號中添加一組正負相反的白噪聲，實現既能抑制EMD模態混疊，又能使得剩余噪聲始終維持在很小的量級上，進而忽略不計，算法主要步驟如下。

①在原始信號x（t）中加入n組正負相反的白噪聲m+和m-，構成合成信號p（t）和N（t）。

1.2 CNN

CNN本質上是一個數學模型，它通過數據轉換和數據降維將原始輸入映射為新的特征。與標準的全連接網絡不同，CNN具有特殊的網絡結構。CNN中的層間節點是本地連接的，且CNN中卷積層和池化層中的連接權重權值共享。

CNN的網絡結構包括1D CNN，2D CNN和3D CNN。其中，1D CNN主要用于序列數據處理，2D CNN通常用于圖像和文本識別，3D CNN主要用于醫學圖像和視頻數據識別。1D CNN可以很好地應用于時間序列分析，也可以用于分析周期性信號數據，1D CNN的詳細流程如圖1所示。

圖1 1D CNN流程圖Fig.1 1D CNN flowchart

圖1的左側是輸入時間序列數據，它是一個多維矩陣，從上到下進行卷積。使用濾波器進行卷積后，提取的特征維數為N×1，其中N與輸入數據維數、濾波器大小和步長有關。假設過濾器的數量為M，則提取的特征為N×M。

1.3 BiGRU

門控循環單元（GRU）是循環神經網絡的一種，是循環神網絡（RNN）和LSTM的改進。GRU的主要結構為更新門和重置門，簡化了模型結構和模型參數，在一定程度上抑制過擬合。GRU模型的結構如圖2所示。

圖2 GRU模型的結構圖Fig.2 GRU model structure diagram

式中：tanh為雙曲正切激活函數；ot為重置門計算的隱藏狀態。

本文對GRU模型進行改進，提出BiGRU模型。BiGRU模型包括前向GRU和反向GRU。前向GRU用于獲得輸入特征向量的上信息，并從左到右生成前向隱式狀態序列；反向GRU則獲得輸入特征向量的下信息，并從右到左生成反向隱式狀態序列。最后，組合獲得的前向隱式狀態序列和反向隱式狀態序列，獲得最后的特征信息。BiGRU模型的具體結構如圖3所示。

圖3 BiGRU模型的結構圖Fig.3 BiGRU model structure diagram

圖中，{h1→h2→hn}為前向GRU生成的隱式狀態序列，{hn→h2→h1}為反向GRU生成的隱式狀態序列。

1.4 RF

RF是集成模型的一種，屬于Bagging集成方式，與單一模型相比，RF的預測效果更為精確。

2 基于CEEMD-CNN-BiGRU-RF的短期風電功率預測建模

2.1 CNN-BiGRU混合模型

將CNN與BiGRU相結合構建混合CNNBiGRU模型，以提高風電功率的預測精度。該模型以多維時間序列數據作為輸入，以多步或單步時間序列數據作為輸出。

利用CNN進行特征提取，構造了兩個一維卷積層和兩個池化層。過擬合是深度神經網絡（DNN）中的常見現象，利用Dropout層，可以有效抑制過擬合現象。Dropout是在DNN的訓練過程中，按照一定的概率丟失一定的神經元個數。為了避免過擬合，在BiGRU層后添加了一個Dropout層進行預測，最后連接全連接層（FC），獲得最后的預測結果。CNN-BiGRU混合模型的結構如圖4所示。

圖4 CNN-BiGRU混合模型的結構圖Fig.4 CNN-BiGRU hybrid model structure diagram

2.2 預測模型的建立

建立預測模型進行風電功率的預測，具體步驟如下：

①對風電功率數據集進行數據預處理，包括缺失值的補齊、異常點的剔除以及數據歸一化；

②對風電功率數據集進行CEEMD分解，分解成多個IMF分量和一個殘余分量（Rest）；

③對各個IMF分量建立CNN-BiGRU預測模型，獲得各個分量的預測值，將預測值進行疊加，獲得預測結果；

④對誤差進行分析，對誤差建立RF模型，預測獲得測試集的誤差，將預測誤差與預測結果組合，獲得最終的風電功率預測值。

預測模型的流程如圖5所示。

圖5 CEEMD-CNN-BiGRU-RF預測模型流程圖Fig.5 CEEMD-CNN-BiGRU-RF prediction model flowchart

2.3 評價指標

本文選用的預測模型評價指標為平均絕對百分比誤差MAPE和R-Square。

式中：yi為第i個時刻風電功率實際值；y^i為第i個時刻風電功率預測值；yˉ為m個風電功率值的平均值。

3 算例仿真分析

本文選用我國西北地區一個風電場的數據進行短期風電功率預測，選取該風電場2019年10月1日0時-11日0時共960個風電功率數據點進行實驗，實驗數據點之間的采樣間隔為15 min，得到的風電功率時間序列如圖6所示。其中，前9 d的數據作為訓練集，后1 d數據點作為測試集，以前1 h風電功率數據預測下一時刻的風電功率，實現風電功率的滾動預測。

圖6 風電功率時間序列圖Fig.6 Time series diagram of wind power

由圖6可知，風電功率時間序列具有波動性和非平穩性。對原始風電功率數據集進行CEEMD分解，得到的分解結果如圖7所示。

圖7 CEEMD分解結果圖Fig.7 CEEMD decomposition result diagram

由圖7可知，CEEMD分解風電功率時間序列的效果較好，且Rest始終維持在很小的量級上，因此Rest在預測時可以忽略不計。

對各個分量分別建立CNN-BiGRU預測模型，通過網格搜索等調參方法進行模型參數尋優。網格搜索是為每個需要尋優的參數預先設置一個可選范圍，然后進行訓練，最后輸出參數的最優取值。具體地，將CNN層和BiGRU層的神經元個數范圍設置為常用的[32，64，128]，步長范圍為[0，1，2]，padding可選范圍為[same，valid]，激活函數可選范圍為[relu，tanh，sigmoid]，Dropout范圍為（0，1）。通過不斷地參數調整、組合與尋優，得到各個最優參數分別為CNN層的神經元個數為32，步長為1，padding為same，激活函數為relu函數，BiGRU層的神經元個數設置為64，Dropout設置為0.1，訓練時最小批量大小設置為32，優化器設置為Adam，對各個分量的預測值進行累加，得到風電功率預測值。

在進行誤差修正時，采用同樣的調參方法，最終確定RF模型中，決策樹個數為400，最大深度為5。

為驗證模型的有效性和預測的高精度，本文采用了6種模型進行比較和驗證。模型1采用支持向量機（SVR）進行預測，模型2采用CNN進行預測，模型3建立CEEMD-CNN模型對風電功率進行預測，模型4采用CEEMD-CNN-BiLSTM模型進行預測，模型5采用CEEMD-CNN-BiGRU模型進行預測，模型6采用CEEMD-CNN-Bi-GRU-RF模型進行預測，同時對誤差進行修正，得到最終的風電功率預測值。

為驗證誤差修正的作用，對誤差修正前后的曲線進行作圖，真實值與模型5的結果如圖8所示。