基于QPSO-LSTM 的短期風電負荷預測模型

譚才興 岳雨霏 湯 賜

（長沙理工大學電氣與信息工程學院,湖南 長沙 410114）

全球環境問題日益嚴峻，氣候變暖和能源短缺成為亟待解決的全球議題。我國在“十四五”規劃中提出要推進能源革命，建設清潔低碳、安全高效的能源體系，加速發展非化石能源，擴大風電、光伏發電規模是有效路徑之一[1]。截至2021年，我國風電裝機規模已連續12年穩居世界首位。其中，2021年，我國陸上風電裝機規模突破3億kW，海上風電裝機量躍居世界首位[2]。

隨著風力發電量在電網中的占比不斷上升，對風電并網技術的要求也不斷提高[3]。風能發電受風速和風向等因素影響較大，具有波動性和間歇性特點，因而風電發電量不穩定。這可能導致系統棄風、失負荷等問題，加劇電力系統的不穩定性和需求供應的不匹配性。因此，對風電負荷進行及時、準確的預測，進而通過電力電子設備的控制和調節，實現對風電場的風能轉換、并網和調度，可以改善由于功率不平衡導致的系統穩定性問題，優化電力系統規劃和運行。

風電負荷預測可根據時間尺度分為超短期、短期和長期預測，一般分別對應提前0 h～4 h、提前1 d～3 d、提前數周或數月[4]。本文將利用LSTM神經網絡、基于粒子群算法優化的LSTM神經網絡、基于量子粒子群算法優化LSTM神經網絡等三種方法進行短期風電負荷預測，并比較三者的優劣性。

1 LSTM神經網絡

LSTM是一種特殊的循環神經網絡（RNN），用于處理序列數據和時間序列數據。與傳統的RNN相比，LSTM具有更強大的記憶能力和長期依賴性建模能力。LSTM的關鍵思想是引入了一個稱為“記憶單元”的結構，用于存儲和訪問長期記憶。記憶單元由一個稱為“細胞狀態”的向量組成，可以在時間步長之間傳遞信息。LSTM還包含輸入門、遺忘門和輸出門等三個門控單元，用于控制信息流動和更新。

2 智能優化算法

2.1 粒子群算法

粒子群算法（PSO）是一種基于群體智能的優化算法。PSO通過模擬粒子在搜索空間中的移動和信息交流來尋找最優解。每個粒子代表一個潛在解，并根據自身經驗和群體的經驗進行位置更新。PSO的基本步驟如下：

（1）初始化粒子群。隨機生成一定數量的粒子，并為每個粒子分配位置和速度。

（2）評估適應度。根據問題的具體情況，計算每個粒子的適應度值，即目標函數的值。

（3）更新粒子速度和位置。根據當前的速度和位置，以及全局最優和個體最優的信息，更新每個粒子的速度和位置。

（4）更新全局最優。比較每個粒子的適應度值，更新全局最優的位置。

（5）重復步驟（3）至（4），直到滿足停止條件（如達到最大迭代次數或找到滿意的解）。

在每次迭代過程中，粒子的速度更新遵循式（1），粒子的位置更新遵循式（2）。

式中，Vij表示粒子i在第j維的速度，Xij表示粒子i在第j維的位置，w表示慣性權重，c1和c2分別表示加速度因子，Pbest,ij表示粒子i歷史上在第j維的最優位置，Gbest,ij表示整個粒子群中粒子i歷史上在第j維的最優位置，rand是一個0到1之間的隨機數。

2.2 量子粒子群算法

量子粒子群算法（QSPO）是指在傳統粒子群算法的基礎上引入了量子位和量子速度的概念，通過模擬粒子在量子空間中的行為來進行優化，具有量子行為的粒子運行軌跡多變，能有效克服這一缺點[5]。

QPSO中粒子群的運動狀態是通過一個特殊的波函數來描述[6]。波函數的實際意義是粒子出現在某個空間位置的概率。QPSO的運動狀態方程可用式（3）至式（6）表示[7]。

式中，x(t+1)表示粒子的當前位置；r為區間(0,1)內的隨機數；x(t)為粒子上一次迭代的位置；Pi為第i個粒子的個體最優位置；Gi為第i個粒子的種群最優位置；φ表示擴張收縮系數，是調節QPSO收斂的關鍵參數，分別為 的最大值和最小值，在一般情況下，＜1.781；T和t代表算法的最大迭代次數和當前迭代次數；mbest表示粒子的平均最優位置；N表示粒子總數；α和u為在(0,1)區間隨機分布的常數。

3 改進的LSTM神經網絡

傳統的LSTM神經網絡超參數和拓撲結構通常是基于經驗和試驗確定，但這種方法容易受到人為因素的限制，可能無法找到最佳的網絡參數。而優化算法能對LSTM神經網絡的參數進行訓練，確定網絡拓撲結構及合適的超參數，以優化網絡性能[8]。

本文利用PSO算法、QPSO算法對LSTM神經網絡的拓撲結構、迭代次數、學習率三個方面進行尋優，確定適合風電負荷數據的最優參數，重新訓練LSTM神經網絡用于風電預測。

由于PSO-LSTM模型和QPSO-LSTM模型僅在優化算法原理上有所不同，而在模型構建上流程幾乎相同。因此本文以QPSO-LSTM模型為例，給出模型構建具體流程如下：

（1）歸一化。為避免某些特征對優化過程的主導作用，使優化更加公平和準確，對搜集的風電負荷數據進行歸一化處理，并將處理后的數據分為訓練集和測試集。

（2）初始化模型參數。初始化LSTM神經網絡結構和超參數；初始化QPSO粒子群，即種群規模、迭代次數、空間維度及隱藏層節點、學習率和網絡迭代次數對應的三種粒子的粒子位置。

（3）評估適應度。對訓練集利用粒子的位置數據作為LSTM神經網絡的參數來訓練模型，并計算粒子的適應度。本文選取均方根誤差RMSE作為適應度函數。

（4）粒子位置更新。基于適應度值，確定各粒子當前個體的最優解和整個種群的最優解，并利用式（3）至式（6）更新粒子位置。

（5）重復步驟（3）和（4）直至找到最好的粒子位置或QPSO算法達到最大迭代次數，終止QPSO優化過程。

（6）將得到的最優粒子代入LSTM訓練得到QPSOLSTM網絡模型，并利用模型對測試集樣本數據進行預測。若測試集樣本預測結果與真實值的RMSE超出給定誤差閾值，則返回步驟（2）重新訓練模型，直至測試集樣本誤差小于誤差閾值。

QSPO-LSTM模型構建流程圖如圖1所示。

圖1 QSPO-LSTM模型構建流程圖

PSO-LSTM模型的構建流程只需將步驟（4）中粒子位置、速度更新公式替換成式（1）和式（2）即可。

4 案例分析

4.1 數據來源

本文所用數據來源于中國南部某風電場2020年7月1日至2020年7月15日的風電負荷數據，數據每15 min更新一次，共1 440組。按時間順序設置訓練集和測試集的比例分別為70%和30%，并對數據進行歸一化處理。

4.2 模型搭建

對于傳統的LSTM預測模型，本文選用前15個樣本的風電負荷數據來預測后1個樣本的風電負荷。設置其輸入、輸出以及隱藏層節點數分別為15、1、20，迭代次數為1 000；反向傳播算法選用adam算法；激活函數選用tanh函數；采用分段學習率，在訓練開始時設置學習率lr為0.005，經過800次迭代后設置學習率lr為0.000 5。

在利用PSO優化LSTM模型參數時，學習率lr取值范圍設置為[0.001,0.01]，網絡訓練次數取值范圍設置為[10,100]，隱藏層節點數L1和L2取值范圍設置為[1,200]，種群數量為10，迭代次數為1 000。NA，L1，L2均為整數值。LSTM模型采用固定學習率的方法。QPSO-LSTM模型的參數設置與PSO-LSMT模型相同。

4.3 結果分析

由圖2可以看出，在總體上傳統的LSTM模型的風電負荷預測的趨勢與真實負荷數據大體相同，但預測結果與真實值有較大的誤差，特別是當負荷處于波峰、波谷以及負荷劇烈波動的時期，預測精度較小?；赑SO優化的LSTM模型的預測結果與真實值曲線重合度較高，預測精度和擬合度要明顯高于傳統的LSTM模型，更好地反映了整體負荷趨勢；但其在負荷為0附近的擬合效果較差，有少量波谷負荷為負值。而基于QPSO優化的LSTM模型預測的精度和擬合度與PSO-LSTM模型基本相同，但在極點處的擬合度略高于PSO-LSTM模型。

圖2 各模型預測效果圖

為更加精確體現三種模型的性能對比，計算預測負荷數據與真實負荷數據的均方根誤差（RMSE）、平均絕對誤差（MAE）、平均絕對百分比誤差（MAPE）、決定系數（R2）四種指標如表1所示。

表1 風電預測模型性能對比

從表1的計算結果可知，基于PSO和QPSO改進的LSTM神經網絡預測精度比傳統的LSTM模型有顯著提升。而PSO-LSTM與QPSO-LSTM預測精度和擬合度基本相同，以下分析PSO與QPSO算法的收斂速度和效能。

模型種群中粒子的適應度值的大小體現LSTM超參數的好壞。圖3為PSO-LSTM模型與QPSO-LSTM模型以歸一化后負荷數據的均方根誤差作為適應度函數的迭代收斂曲線。適應度越低，模型誤差越小，可作為評判模型優劣的指標。

圖3 適應度比較

可以看出，PSO-LSTM模型在200次迭代左右后才收斂于局部最優值，而QPSO-LSTM模型在迭代起初就 以較快的速度不斷更新局部最優值，最終在經過400次迭代后突破了算法限制，避開了局部極值陷阱，并在700次迭代左右找到了全局最優解。由此可知，QPSOLSTM模型不僅收斂速度快，收斂精度高，而且預測效果好，能夠應用于受不確定性、非線性因素影響大的風電負荷預測領域。

5 結語

本文提出的QPSO-LSTM風電短期負荷的預測方法能夠用于負荷序列屬于非平穩、非線性劇烈波動的場景。該方法利用QPSO強大的尋優能力來優化確定LSTM的超參數和網絡拓撲結構，進而提高傳統LSTM模型的預測效果。同時通過實例分析比較了傳統的LSTM模型，PSO-LSTM模型及QPSO-LSTM模型三者的優劣性，算例結果表明基于QPSO-LSTM風電短期負荷預測模型預測精度較高，泛化能力強。