基于秃鹰搜索算法优化LSTM的短期风速预测.pdf

宁夏电力 年第 期基于秃鹰搜索算法优化 的短期风速预测李诗洋刘闯(国网湖北省电力有限公司荆门供电公司湖北 荆门)摘 要:为了实现短期风速的精准预测提出了一种基于秃鹰搜索算法优化长短时记忆神经网络的短期风速预测方法 将风速、风向、温度和气压作为特征量采用秃鹰搜索()算法对长短时记忆神经网络()的隐含层单元数量、正则化系数和初始学习率三个超参数进行优化建立基于 的短期风速预测模型 采用实际风电场相关数据进行仿真分析并与其他风速预测方法进行对比结果表明本文所提 模型预测结果的方均根误差、平均相对误差和可决系数分别为.、.和.各项指标均优于 模型和 模型短期风速预测效果更好关键词:风速短期预测秃鹰搜索算法长短时记忆神经网络中图分类号:文献标志码:文章编号:()有效访问地址:/././.(.):.()().:./.宁夏电力 年第 期 引 言随着温室效应的加剧煤、石油等化石能源的不断开发传统能源正在走向枯竭寻找化石能源的替代品已迫在眉睫 风是一种可再生能源具有广阔的开发前景但风速变化具有很大的间歇性和随机性导致风电并网会给电力系统造成很大冲击 因此研究风速的变化规律准确预测风速对于提高风电利用率、减少化石能源消耗和降低发电成本具有深远意义针对短期风速预测国内外专家进行了大量研究并基于统计法和物理法提出了一些短期风速预测方法但由于风速变化的规律性很弱导致这些方法的预测精度并不高 随着人工智能的推广许多基于智能算法的短期预测方法被提出来 文献首先采用变分模态分解法()对原始风速序列进行分解然后采用改进食肉植物算法()优化最小二乘支持向量机()的参数建立了基于 的短期风速预测模型最后对模型进行误差修正提出了一种短期风速组合预测方法 文献对原始风速数据进行 分解采用改进粒子群算法()对 的两个参数进行优化提出了一种新型短期风速预测方法 文献为了解决 神经网络选取不当的问题采用麻雀搜索算法()对 神经网络参数进行优化提出了一种基于 算法优化 神经网络的短期风速预测方法 研究表明风速受风向、温度和气压等因素的影响较大现有风速预测方法更注重与对风速数据内部规律的挖掘而忽略了其影响因素的作用基于此本文以风速、风向、温度和气压为特征量采用秃鹰搜索算法()寻找长短时记忆神经网络()的最优超参数建立基于 短期风速预测模型采用实际风速监测数据对模型的正确性和有效性进行验证 长短时记忆神经网络 是在递归神经网络的基础上通过改进得到的它在循环神经网络()上增加了三个门控单元分别是输入门、遗忘门、输出门 输入门用于读取输入数据 遗忘门的作用是筛选并保留重要数据信息并阻断无用信息的传递 输出门负责将处理过的数据继续向后传递 门控单元解决了 在训练过程中的爆炸缺陷和梯度消失问题 具有独特的记忆单元和门控单元这些单元能够有效处理长时间数据序列解决了传统神经网络依赖输入序列的问题图 所示为 的结构单元 的计算原理可参考文献图 结构单元 秃鹰搜索算法.算法基本原理 算法由马来西亚数学家.提出其基本原理是对自然界中秃鹰捕食猎物过程的模拟 算法的寻优主要分为选择搜索空间、搜索猎物和俯冲 个阶段 经过 个阶段秃鹰种群逐渐向猎物靠拢最终捕获猎物即算法找到全局最优解在整个寻优过程中秃鹰的运动轨迹始终围绕一个中心点并以该点为基础展开搜索 算法的优化原理可参考文献.算法性能测试相比粒子群算法()和遗传算法()李诗洋等:基于秃鹰搜索算法优化 的短期风速预测等传统优化算法 算法的鲁棒性好全局搜索性能更强 为此采用表 中的三个测试函数对 算法、算法和 算法的优化性能进行验证 在表 中函数、和 分别为多维单峰函数、多维多峰函数和低维多峰函数利用这些函数可以对算法的全局搜索性能和局部优化性能进行充分测试设测试函数的空间维度均为 算法、算法和 算法的种群容量均为 最大迭代次数均为 利用三种优化算法分别对测试函数进行 次寻优三种算法的平均收敛曲线如图 所示()函数()函数()函数 图 收敛曲线对比对比图 可知相比 算法和 算法 算法的收敛时的迭代次数更少优化函数、时的最小适应度值更优优化函数 时的最大适应度值更优具有更高的收敛精度 基于 的短期风速预测模型研究表明风速变化具有混沌时间特性且受到风向、气 压 和 温 度 等 气 象 因 素 的 影 响 的训练效果受其隐含层单元数量、正则化系数和初始学习率三个超参数的影响较大为了提高 的学习能力提高短期风速预测精度采用 算法对 的三个超参数进行寻优建立基于 的短期风速预测模型图 所示为 模型的流程主要建模步骤如下:)确定训练样本 考虑到风速变化的时间特性及气象因素的影响将前 个时刻的风速和当前时刻的气象因素作为短期风速的特征量具体如下:()()式中:、和 为当前时刻、时刻、表 测试函数函数搜索范围最优解()()().()()()()宁夏电力 年第 期 时刻和 时刻风速、和 为当前时刻风向、气压和温度图 模型流程)划分训练样本并归一化 将样本数据划分为训练集和测试集并全部归一化公式如下:()式中:、分别为特征量原始值及归一化后的数值 和 分别为特征量最大值和最小值)初始化 算法的相关参数设置秃鹰种群容量为 最大迭代次数均为 构建 短期风速预测模型随机生成一个秃鹰种群将 的隐含层单元数量、正则化系数和初始学习率组成 算法的优化目标确定各参数的寻优范围)选择搜索空间 利用式()更新秃鹰位置并计算适应度值适应度值的计算公式为 ()()式中:为样本数量 为实际风速 为风速预测值)搜索猎物并更新秃鹰位置计算秃鹰个体适应度值并确定当前最优位置)俯冲抓捕猎物并更新种群位置通过比较适应度值优劣确定当前最优解)判断 的输出结果是否满足精度要求或者算法已经达到最大迭代次数若是则输出最优超参数否则返回步骤()将最优超参数赋给 对测试集进行短期风速预测 仿真分析采用某风电场连续 天的风速数据和气象数据组成训练样本进行仿真分析数据采样频率为/次在连续的时间序列上共选取了 组样本数据 根据建模需要将 组样本数据划分为训练集和测试集其样本容量分别为 组和 组其中测试集部分样本数据如表 所示表 测试集部分样本数据样本编号风速/()风向/()气压/温度/.李诗洋等:基于秃鹰搜索算法优化 的短期风速预测表(续)样本编号风速/()风向/()气压/温度/.根据式()确定模型输入量进行仿真分析利用训练集中的 组样本数据进行训练采用 算法对 的隐含层单元数量、正则化系数和初始学习率三个超参数进行优化 算法的寻优结果如表 所示表 算法的寻优结果最优适应度值/()隐含层单元数量/个正则化系数初始学习率.将三个超参数的寻优结果赋给 利用 模型对测试集中 组样本数据的风速进行预测 为了对比分析采用文献 中的 短期风速模型和文献中的 短期风速预测模型对测试集样本进行预测 模型、模型和 模型的风速预测结果及绝对误差如图 和图 所示对比图 和图 中的数据可知 模型的预测结果更接近实际值绝对误差波动更小图 风速预测结果图 各模型预测结果的绝对误差为了对三种风速预测模型的预测效果进行综合评价采用方均根误差、平均相对误差和可决系数三种指标对短期风速预测结果进行评价它们的计算公式依次为()()()()()()式中:为平均风速 为方均根误差其值越小表示风速预测结果波动性越小 为平均相对误差其值越小表示风速预测精度越高 为可决系数其值越大表示模型的拟合程度越高三种模型预测结果的误差指标如表 所示宁夏电力 年第 期由表 可知 模型预测结果的方均根误差、平均相对误差和可决系数分别为.、.和.各项指标均优于 模型和 模型可见基于 的短期风速预测方法的预测效果更好具有一定的工程推广意义表 三种模型预测结果的误差指标模型/.结 论本文考虑了风速时间特性及气象因素对风速的影响选取过去时刻风速和气象因素作为短期风速的特征量采用 算法对 的隐含层单元数量、正则化系数和初始学习率三个超参数进行优化建立基于 的短期风速预测模型 采用实际风电场相关数据进行仿真分析并与其他风速预测方法进行对比结果表明本文所提 模型在进行短期风速预测时的拟合程度更高、波动性更小、预测精度更高验证了本文短期风速预测方法的正确性和有效性参考文献 段佳南谢俊赵心怡等.基于改进 值法的风 光 水 储多主体互补发电系统合作增益分配策略/.电力自动化设备:.:./.印云刚刘闯何其新等.基于改进狼群算法的含风电配电网无功优化.内蒙古电力技术():.张志浩熊文洁钟文等.基于改进 融合算法优化 的短期风功率预测.山东电力技术():.:.杨茂王达王小海等.基于数据物理混合驱动的超短期风电功率预测模型/.高电压技术:.:./.钟琳颜七笙.基于误差修正和 的短期风速预测建模/.南京信息工程大学学报(自然科学版):.:./.王瑞杨旭赵灿等.基于 的短期风速预测.东北电力技术():.冯浩彭秀芳项雯等.基于 的风电场超短期风速预测方法研究.电力勘测设计():.史宇伟潘学萍.计及历史气象数据的短期风速预测.电力自动化设备():.何锦华刘洋朱誉等.融合物理信息的 网络应用于台风条件下海上风电场风速多步预测/.电网技术:.:./.高瑜康兴国周少迪等.基于改进 光伏组件积灰预测.太阳能学报():.刘闯何沁鸿卢银均等.输电线路 覆冰预测模型.电力科学与技术学报():.程翔鹏刘进军邵钰等.峰值电流控制 变换器高频建模及结合遗传算法的控制器优化设计/.电工技术学报:.:./.范曼萍周冬.基于改进粒子群优化 的短期风速预测.电力学报():.尤晴.基于 优化 的短期风速预测研究.哈尔滨:哈尔滨工业大学.王喜泉何山王维庆等.基于激光测风雷达及 的风电场短期风速预测.电网与清洁能源():.收稿日期:修回日期:作者简介:李诗洋()女助理政工师从事电气方面法律咨询与合规管理工作(:.)通信作者:刘闯()男工程师从事电气设备运行与维护工作(:.)