基于禿鷹搜索算法優化LSTM的短期風速預測

李詩洋,劉闖

(國網湖北省電力有限公司荊門供電公司,湖北 荊門 448000)

0 引 言

隨著溫室效應的加劇,煤、石油等化石能源的不斷開發,傳統能源正在走向枯竭,尋找化石能源的替代品已迫在眉睫[1]。風是一種可再生能源,具有廣闊的開發前景,但風速變化具有很大的間歇性和隨機性,導致風電并網會給電力系統造成很大沖擊[2-3]。因此,研究風速的變化規律,準確預測風速,對于提高風電利用率、減少化石能源消耗和降低發電成本,具有深遠意義。

針對短期風速預測,國內外專家進行了大量研究,并基于統計法和物理法提出了一些短期風速預測方法,但由于風速變化的規律性很弱,導致這些方法的預測精度并不高[4-5]。隨著人工智能的推廣,許多基于智能算法的短期預測方法被提出來。文獻[6]首先采用變分模態分解法(variational mode decomposition,VMD)對原始風速序列進行分解,然后采用改進食肉植物算法(improved carnivorous plants algorithm,ICPA)優化最小二乘支持向量機(least squares support vector machine,LSSVM)的參數,建立了基于VMD-ICPA-LSSVM的短期風速預測模型,最后對模型進行誤差修正,提出了一種短期風速組合預測方法。文獻[7]對原始風速數據進行VMD分解,采用改進粒子群算法(improved particle swarm optimization,IPSO)對LSSVM的兩個參數進行優化,提出了一種新型短期風速預測方法。文獻[8]為了解決BP神經網絡選取不當的問題,采用麻雀搜索算法(sparrow search algorithm,SSA)對BP神經網絡參數進行優化,提出了一種基于SSA算法優化BP神經網絡的短期風速預測方法。研究表明,風速受風向、溫度和氣壓等因素的影響較大[9],現有風速預測方法更注重與對風速數據內部規律的挖掘,而忽略了其影響因素的作用。

基于此,本文以風速、風向、溫度和氣壓為特征量,采用禿鷹搜索算法(bald eagle search,BES)尋找長短時記憶神經網絡(long short term memory,LSTM)的最優超參數,建立基于BES-LSTM短期風速預測模型,采用實際風速監測數據對模型的正確性和有效性進行驗證。

1 長短時記憶神經網絡

LSTM是在遞歸神經網絡的基礎上通過改進得到的[10],它在循環神經網絡(recurrent neural network,RNN)上增加了三個門控單元,分別是輸入門、遺忘門、輸出門。輸入門用于讀取輸入數據。遺忘門的作用是篩選并保留重要數據信息,并阻斷無用信息的傳遞。輸出門負責將處理過的數據繼續向后傳遞。門控單元解決了RNN在訓練過程中的爆炸缺陷和梯度消失問題。LSTM具有獨特的記憶單元和門控單元,這些單元能夠有效處理長時間數據序列,解決了傳統神經網絡依賴輸入序列的問題,圖1所示為LSTM的結構單元,LSTM的計算原理可參考文獻[10]。

圖1 LSTM結構單元。

2 禿鷹搜索算法

2.1 BES算法基本原理

BES算法由馬來西亞數學家 H.A.Alsattar[11]提出,其基本原理是對自然界中禿鷹捕食獵物過程的模擬。BES算法的尋優主要分為選擇搜索空間、搜索獵物和俯沖3個階段。經過3個階段,禿鷹種群逐漸向獵物靠攏,最終捕獲獵物,即算法找到全局最優解在整個尋優過程中,禿鷹的運動軌跡始終圍繞一個中心點,并以該點為基礎展開搜索,BES算法的優化原理可參考文獻[11]。

2.2 BES算法性能測試

相比粒子群算法[12](particle swarm optimization,PSO)和遺傳算法[13](genetic algorithm,GA)等傳統優化算法,BES算法的魯棒性好,全局搜索性能更強。為此,采用表1中的三個測試函數對BES算法、PSO算法和GA算法的優化性能進行驗證。在表1中,函數f1、f2和f3分別為多維單峰函數、多維多峰函數和低維多峰函數,利用這些函數可以對算法的全局搜索性能和局部優化性能進行充分測試。

設測試函數的空間維度均為30,BES算法、PSO算法和GA算法的種群容量均為30,最大迭代次數均為500。利用三種優化算法分別對測試函數進行30次尋優,三種算法的平均收斂曲線如圖2所示。

(a)函數f1。

(b)函數f2。

(c)函數f3圖2 收斂曲線對比。

對比圖2可知,相比PSO算法和GA算法,BES算法的收斂時的迭代次數更少,優化函數f1、f2時的最小適應度值更優,優化函數f3時的最大適應度值更優,具有更高的收斂精度。

3 基于BES-LSTM的短期風速預測模型

研究表明,風速變化具有混沌時間特性且受到風向、氣壓和溫度等氣象因素的影響[14]。LSTM的訓練效果受其隱含層單元數量、正則化系數和初始學習率三個超參數的影響較大,為了提高LSTM的學習能力,提高短期風速預測精度,采用BES算法對LSTM的三個超參數進行尋優,建立基于BES-LSTM的短期風速預測模型,圖3所示為BES-LSTM模型的流程,主要建模步驟如下:

圖3 BES-LSTM模型流程。

1)確定訓練樣本?？紤]到風速變化的時間特性及氣象因素的影響,將前3個時刻的風速和當前時刻的氣象因素作為短期風速的特征量,具體如下:

vt=f(vt-1,vt-2,vt-3,dvt,pt,Tt)

(1)

式中:vt、vt-1、vt-2和vt-3為當前時刻、t-1時刻、t-2時刻和t-3時刻風速,dv、pt和Tt為當前時刻風向、氣壓和溫度。

表1 測試函數

2)劃分訓練樣本并歸一化。將樣本數據劃分為訓練集和測試集,并全部歸一化,公式如下:

(2)

3)初始化BES算法的相關參數,設置禿鷹種群容量為30,最大迭代次數均為500。構建LSTM短期風速預測模型,隨機生成一個禿鷹種群,將LSTM的隱含層單元數量、正則化系數和初始學習率組成BES算法的優化目標,確定各參數的尋優范圍。

4)選擇搜索空間。利用式(9)更新禿鷹位置并計算適應度值,適應度值的計算公式為

(3)

5)搜索獵物,并更新禿鷹位置,計算禿鷹個體適應度值并確定當前最優位置。

6)俯沖抓捕獵物,并更新種群位置,通過比較適應度值優劣確定當前最優解。

7)判斷LSTM的輸出結果是否滿足精度要求或者算法已經達到最大迭代次數,若是則輸出最優超參數,否則,返回步驟(4)。

8)將最優超參數賦給LSTM,對測試集進行短期風速預測。

4 仿真分析

采用某風電場連續5天的風速數據和氣象數據組成訓練樣本進行仿真分析,數據采樣頻率為10 min/次,在連續的時間序列上共選取了600組樣本數據。根據建模需要,將600組樣本數據劃分為訓練集和測試集,其樣本容量分別為540組和60組,其中測試集部分樣本數據如表2所示。

表2 測試集部分樣本數據

表2(續)

根據式(1)確定模型輸入量,進行仿真分析,利用訓練集中的540組樣本數據進行訓練,采用BES算法對LSTM的隱含層單元數量、正則化系數和初始學習率三個超參數進行優化,BES算法的尋優結果如表3所示。

表3 BES算法的尋優結果

將三個超參數的尋優結果賦給LSTM,利用BES-LSTM模型對測試集中60組樣本數據的風速進行預測。為了對比分析,采用文獻[15]中的PSO-LSSVM短期風速模型和文獻[16]中的SSA-ELM短期風速預測模型對測試集樣本進行預測,BES-LSTM模型、PSO-LSSVM模型和SSA-ELM模型的風速預測結果及絕對誤差如圖4和圖5所示,對比圖4和圖5中的數據可知,BES-LSTM模型的預測結果更接近實際值,絕對誤差波動更小。

圖4 風速預測結果。

圖5 各模型預測結果的絕對誤差。

為了對三種風速預測模型的預測效果進行綜合評價,采用方均根誤差、平均相對誤差和可決系數三種指標對短期風速預測結果進行評價,它們的計算公式依次為

(23)

(24)

(25)

三種模型預測結果的誤差指標如表4所示。由表4可知,BES-LSTM模型預測結果的方均根誤差、平均相對誤差和可決系數分別為0.182、3.742%和0.992,各項指標均優于PSO-LSSVM模型和SSA-ELM模型,可見基于BES-LSTM的短期風速預測方法的預測效果更好,具有一定的工程推廣意義。

表4 三種模型預測結果的誤差指標

5 結 論

本文考慮了風速時間特性及氣象因素對風速的影響,選取過去時刻風速和氣象因素作為短期風速的特征量,采用BES算法對LSTM的隱含層單元數量、正則化系數和初始學習率三個超參數進行優化,建立基于BES-LSTM的短期風速預測模型。采用實際風電場相關數據進行仿真分析,并與其他風速預測方法進行對比,結果表明,本文所提BES-LSTM模型在進行短期風速預測時的擬合程度更高、波動性更小、預測精度更高,驗證了本文短期風速預測方法的正確性和有效性。