基于深度學(xué)習(xí)的光伏發(fā)電功率短期預(yù)測(cè)

門獻(xiàn)偉,鄭曉亮

(安徽理工大學(xué) 電氣與信息工程學(xué)院,安徽 淮南 232001)

0 引言

近年來,以光伏發(fā)電為代表的新型發(fā)電方式得到迅猛發(fā)展,在電力系統(tǒng)所占的比例也逐漸攀升.光伏發(fā)電不僅能夠解決不可再生能源的枯竭問題,還能降低碳的排放.隨著光伏發(fā)電功率大規(guī)模并入電網(wǎng),受氣象因素的影響,光伏發(fā)電具有隨機(jī)性和波動(dòng)性的特點(diǎn),使得輸出功率及其不穩(wěn)定,可能會(huì)對(duì)電網(wǎng)造成巨大的沖擊,影響整個(gè)電力系統(tǒng)的平穩(wěn)運(yùn)行.研究光伏發(fā)電功率預(yù)測(cè)問題,有助于電力系統(tǒng)的調(diào)度和部門制定合理的發(fā)電計(jì)劃,有利于電網(wǎng)的調(diào)頻、調(diào)壓和調(diào)度等,進(jìn)一步保證供電的安全性、經(jīng)濟(jì)性和穩(wěn)定性[1].

目前,光伏發(fā)電輸出功率的預(yù)測(cè)方法主要分為統(tǒng)計(jì)方法和物理方法[2].前者使用已存在的光伏功率數(shù)據(jù)、門控循環(huán)單元[3](GRU)和BP神經(jīng)網(wǎng)絡(luò)[4]等適合的方法建立預(yù)測(cè)模型,通過GRU神經(jīng)網(wǎng)路算法尋找最優(yōu)解而使問題得到解決;后者以建立電路模型預(yù)測(cè)發(fā)電功率為主.

野狗算法(DOA)是一種新型智能優(yōu)化算法,該算法是根據(jù)澳大利亞野狗的社交行為設(shè)計(jì)的,具有尋優(yōu)能力強(qiáng)、收斂速度快等特點(diǎn),但存在容易陷入局部最優(yōu)、求解準(zhǔn)確度低等缺點(diǎn).

針對(duì)野狗算法存在的問題,對(duì)野狗的游蕩尋找獵物行為提出了基于萊維飛行的搜索方法,對(duì)野狗群落發(fā)起圍攻、召喚行為時(shí)的移動(dòng)步長(zhǎng)提出了自適應(yīng)的優(yōu)化策略.經(jīng)過測(cè)試,本文所提出的自適應(yīng)步長(zhǎng)和萊維飛行策略的改進(jìn)野狗算法,使得收斂速度和精度都有很大提高,增強(qiáng)了算法的尋優(yōu)性能和魯棒性,為GRU尋找最優(yōu)參數(shù)提供基礎(chǔ).

1 改進(jìn)野狗算法

1.1 野狗優(yōu)化算法

野狗優(yōu)化算法(DOA)模仿澳大利亞野狗的社交行為.其靈感來源于野狗的狩獵策略,即迫害攻擊、分組策略和食腐行為.為了提高該方法的整體效率和性能,在DOA中制定了與4條規(guī)則相關(guān)聯(lián)的3種搜索策略,這些策略和規(guī)則在搜索空間的強(qiáng)化(開發(fā))和多樣化(探索)之間提供了一種精確的平衡.野狗種群隨機(jī)初始化公式為:

(1)

(2)

(3)

(4)

(5)

其中,fitnessmax和fitnessmin分別是當(dāng)前一代中最差和最佳的適應(yīng)度值,而fitness(i)是第i個(gè)野狗的當(dāng)前適應(yīng)度值.式(5)的生存向量包含[0,1]區(qū)間的歸一化適應(yīng)度.通過策略三應(yīng)用于低生存率的計(jì)算方法如(6)式所示,計(jì)算得到生存率值等于或小于0.3.

(6)

1.2 改進(jìn)野狗優(yōu)化算法

野狗在游蕩過程中,不會(huì)在意自己身邊是否存在更優(yōu)的獵物呼吸濃度,而只是盲目跟從,在算法后期就會(huì)導(dǎo)致野狗種群多樣性的減少,使算法容易陷入局部最優(yōu).本文針對(duì)野狗算法的缺點(diǎn),利用萊維飛行對(duì)種群中的野狗進(jìn)行全局搜索,增強(qiáng)了算法的尋優(yōu)能力.萊維飛行屬于隨機(jī)游走,是一種很好的搜索策略,能夠擴(kuò)大搜索范圍,而且步長(zhǎng)符合萊維分布的隨機(jī)搜索路徑,搜索過程是一種非高斯隨機(jī)過程[5],通過萊維飛行,新一代野狗位置的計(jì)算公式為:

(7)

(8)

式中,σ的取值范圍一般為1<σ<3,σ取1.5,Xbest表示歷史最優(yōu)野狗位置,u和v服從式(9)所示的正態(tài)分布:

(9)

σu和σv取值為:

(10)

改進(jìn)后的野狗優(yōu)化算法流程如圖1所示.

圖1 改進(jìn)野狗算法

2 GRU神經(jīng)網(wǎng)絡(luò)原理

LSTM神經(jīng)網(wǎng)絡(luò)是在RNN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上發(fā)展而來,其主要是通過增加記憶細(xì)胞來儲(chǔ)存長(zhǎng)時(shí)段的時(shí)序信息,這樣能更快速地解決傳統(tǒng)RNN網(wǎng)絡(luò)存在的梯度消失問題[6],LSTM神經(jīng)網(wǎng)絡(luò)在時(shí)間序列領(lǐng)域內(nèi)獲得了廣泛應(yīng)用且效果顯著,其缺點(diǎn)主要是內(nèi)部結(jié)構(gòu)冗雜和難以處理,這就導(dǎo)致在進(jìn)行訓(xùn)練時(shí)出現(xiàn)諸多問題.針對(duì)以上缺陷和問題,GRU[7]神經(jīng)網(wǎng)絡(luò)在保留LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度的基礎(chǔ)上對(duì)其內(nèi)部結(jié)構(gòu)進(jìn)行了優(yōu)化,采用減少門控神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的方法,能明顯提高模型訓(xùn)練效率,同時(shí),優(yōu)化后的結(jié)構(gòu)能節(jié)約訓(xùn)練時(shí)間,LSTM神經(jīng)網(wǎng)絡(luò)優(yōu)化了GRU神經(jīng)網(wǎng)絡(luò)參數(shù)中的門函數(shù),將遺忘門和輸入門整合在一個(gè)更新門中,更新門中包含兩種狀態(tài),即隱藏狀態(tài)和神經(jīng)元狀態(tài),這樣可以降低網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜程度,節(jié)省信息空間.同時(shí),由于減少了參數(shù)數(shù)量,能夠更加快速進(jìn)行信息的篩選和存儲(chǔ),因此訓(xùn)練時(shí)長(zhǎng)在一定程度上也有所縮短[8],GRU結(jié)構(gòu)如圖2所示.

圖2 GRU結(jié)構(gòu)

GRU數(shù)學(xué)描述公式為:

(11)

(12)

3 算例與分析

3.1 構(gòu)建樣本集與數(shù)據(jù)處理

選取比利時(shí)光伏電站2018年1月1日-2018年1月27日之間光伏發(fā)電數(shù)據(jù),并每隔15 min進(jìn)行一次采樣,該數(shù)據(jù)對(duì)預(yù)測(cè)模型進(jìn)行訓(xùn)練,然后預(yù)測(cè)未來3天中每隔15 min的功率數(shù)據(jù).首先對(duì)數(shù)據(jù)進(jìn)行線性歸一化處理,歸一化不僅可以加快梯度下降求最優(yōu)解的速度,還能夠加快訓(xùn)練網(wǎng)絡(luò)的收斂性,計(jì)算公式為:

(13)

式中,y表示當(dāng)前時(shí)刻輸出功率值;ymin、ymax分別表示原始數(shù)據(jù)中輸出的功率最小值與最大值.

3.2 評(píng)估指標(biāo)

為了進(jìn)一步驗(yàn)證IDOA-GRU神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的準(zhǔn)確性,需要對(duì)優(yōu)化預(yù)測(cè)模型得到的預(yù)測(cè)結(jié)果進(jìn)行定量評(píng)估.采用平均絕對(duì)誤差(MAE)和均方根誤差(RMSE)來實(shí)現(xiàn),MAE、RMSE值越小,說明光伏功率預(yù)測(cè)值越接近真實(shí)值.趨勢(shì)線(R2)用來表示擬合程度的好壞,R2數(shù)值越接近1,表明預(yù)測(cè)功率與實(shí)際功率擬合效果越好,評(píng)估相關(guān)指標(biāo)計(jì)算公式為:

(14)

(15)

(16)

3.3 算例分析

分別構(gòu)建GRU、基于野狗算法優(yōu)化GRU(DOA-GRU)和基于改進(jìn)野狗算法優(yōu)化GRU(IDOA-GRU)的預(yù)測(cè)模型;預(yù)測(cè)模型評(píng)價(jià)指標(biāo)如表1所列,各預(yù)測(cè)模型結(jié)果如圖3～圖5所示.

表1 3種預(yù)測(cè)模型評(píng)價(jià)指標(biāo)

由表1和圖3～圖5可知:采用DOA-GRU預(yù)測(cè)模型進(jìn)行功率預(yù)測(cè)時(shí),RMSE降低了8.5356,MAE降低了1.7651;使用IDOA-GR U預(yù)測(cè)模型進(jìn)行功率預(yù)測(cè),RMSE降低了15.8246,MAE降低了3.1079,R2提升了0.05482.通過對(duì)比,IDOA-GRU神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度、線性擬合度最好,誤差值最小.3個(gè)預(yù)測(cè)模型都是基于GRU神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè),區(qū)別在于參數(shù)求解方法上,常規(guī)GRU采用負(fù)梯度法搜索參數(shù)值,而改進(jìn)的預(yù)測(cè)模型分別運(yùn)用野狗算法搜索和優(yōu)化野狗算法搜索最優(yōu)參數(shù).由分析可知:改進(jìn)野狗算法搜索性能最強(qiáng),野狗算法其次,負(fù)梯度法最差,改進(jìn)的野狗算法優(yōu)化GRU達(dá)到了預(yù)測(cè)準(zhǔn)確度更高的目標(biāo).

4 結(jié)論

本文構(gòu)建基于改進(jìn)野狗算法的預(yù)測(cè)模型對(duì)GRU進(jìn)行優(yōu)化,并在野狗算法中引入萊維飛行策略和自適應(yīng)步長(zhǎng)來預(yù)測(cè)光伏系統(tǒng)的發(fā)電量,并根據(jù)預(yù)測(cè)結(jié)果得到實(shí)際發(fā)電量與預(yù)測(cè)發(fā)電功率的曲線比較.得出3種模型的誤差曲線圖,并計(jì)算出均方根誤差、平均絕對(duì)誤差.實(shí)驗(yàn)結(jié)果表明本文建立的預(yù)測(cè)模型提高了預(yù)測(cè)的準(zhǔn)確性.

(a)預(yù)測(cè)曲線 (b)誤差曲線圖3 GRU功率預(yù)測(cè)

(a)預(yù)測(cè)曲線 (b)誤差曲線圖5 IDOA-GRU功率預(yù)測(cè)