基于深度学习的光伏发电功率短期预测

门献伟,郑晓亮

(安徽理工大学 电气与信息工程学院,安徽 淮南 232001)

0 引言

近年来,以光伏发电为代表的新型发电方式得到迅猛发展,在电力系统所占的比例也逐渐攀升.光伏发电不仅能够解决不可再生能源的枯竭问题,还能降低碳的排放.随着光伏发电功率大规模并入电网,受气象因素的影响,光伏发电具有随机性和波动性的特点,使得输出功率及其不稳定,可能会对电网造成巨大的冲击,影响整个电力系统的平稳运行.研究光伏发电功率预测问题,有助于电力系统的调度和部门制定合理的发电计划,有利于电网的调频、调压和调度等,进一步保证供电的安全性、经济性和稳定性[1].

目前,光伏发电输出功率的预测方法主要分为统计方法和物理方法[2].前者使用已存在的光伏功率数据、门控循环单元[3](GRU)和BP神经网络[4]等适合的方法建立预测模型,通过GRU神经网路算法寻找最优解而使问题得到解决;后者以建立电路模型预测发电功率为主.

野狗算法(DOA)是一种新型智能优化算法,该算法是根据澳大利亚野狗的社交行为设计的,具有寻优能力强、收敛速度快等特点,但存在容易陷入局部最优、求解准确度低等缺点.

针对野狗算法存在的问题,对野狗的游荡寻找猎物行为提出了基于莱维飞行的搜索方法,对野狗群落发起围攻、召唤行为时的移动步长提出了自适应的优化策略.经过测试,本文所提出的自适应步长和莱维飞行策略的改进野狗算法,使得收敛速度和精度都有很大提高,增强了算法的寻优性能和鲁棒性,为GRU寻找最优参数提供基础.

1 改进野狗算法

1.1 野狗优化算法

野狗优化算法(DOA)模仿澳大利亚野狗的社交行为.其灵感来源于野狗的狩猎策略,即迫害攻击、分组策略和食腐行为.为了提高该方法的整体效率和性能,在DOA中制定了与4条规则相关联的3种搜索策略,这些策略和规则在搜索空间的强化(开发)和多样化(探索)之间提供了一种精确的平衡.野狗种群随机初始化公式为:

(1)

(2)

(3)

(4)

(5)

其中,fitnessmax和fitnessmin分别是当前一代中最差和最佳的适应度值,而fitness(i)是第i个野狗的当前适应度值.式(5)的生存向量包含[0,1]区间的归一化适应度.通过策略三应用于低生存率的计算方法如(6)式所示,计算得到生存率值等于或小于0.3.

(6)

1.2 改进野狗优化算法

野狗在游荡过程中,不会在意自己身边是否存在更优的猎物呼吸浓度,而只是盲目跟从,在算法后期就会导致野狗种群多样性的减少,使算法容易陷入局部最优.本文针对野狗算法的缺点,利用莱维飞行对种群中的野狗进行全局搜索,增强了算法的寻优能力.莱维飞行属于随机游走,是一种很好的搜索策略,能够扩大搜索范围,而且步长符合莱维分布的随机搜索路径,搜索过程是一种非高斯随机过程[5],通过莱维飞行,新一代野狗位置的计算公式为:

(7)

(8)

式中,σ的取值范围一般为1<σ<3,σ取1.5,Xbest表示历史最优野狗位置,u和v服从式(9)所示的正态分布:

(9)

σu和σv取值为:

(10)

改进后的野狗优化算法流程如图1所示.

图1 改进野狗算法

2 GRU神经网络原理

LSTM神经网络是在RNN神经网络结构的基础上发展而来,其主要是通过增加记忆细胞来储存长时段的时序信息,这样能更快速地解决传统RNN网络存在的梯度消失问题[6],LSTM神经网络在时间序列领域内获得了广泛应用且效果显著,其缺点主要是内部结构冗杂和难以处理,这就导致在进行训练时出现诸多问题.针对以上缺陷和问题,GRU[7]神经网络在保留LSTM神经网络预测精度的基础上对其内部结构进行了优化,采用减少门控神经网络结构参数的方法,能明显提高模型训练效率,同时,优化后的结构能节约训练时间,LSTM神经网络优化了GRU神经网络参数中的门函数,将遗忘门和输入门整合在一个更新门中,更新门中包含两种状态,即隐藏状态和神经元状态,这样可以降低网络结构的复杂程度,节省信息空间.同时,由于减少了参数数量,能够更加快速进行信息的筛选和存储,因此训练时长在一定程度上也有所缩短[8],GRU结构如图2所示.

图2 GRU结构

GRU数学描述公式为:

(11)

(12)

3 算例与分析

3.1 构建样本集与数据处理

选取比利时光伏电站2018年1月1日-2018年1月27日之间光伏发电数据,并每隔15 min进行一次采样,该数据对预测模型进行训练,然后预测未来3天中每隔15 min的功率数据.首先对数据进行线性归一化处理,归一化不仅可以加快梯度下降求最优解的速度,还能够加快训练网络的收敛性,计算公式为:

(13)

式中,y表示当前时刻输出功率值;ymin、ymax分别表示原始数据中输出的功率最小值与最大值.

3.2 评估指标

为了进一步验证IDOA-GRU神经网络预测模型的准确性,需要对优化预测模型得到的预测结果进行定量评估.采用平均绝对误差(MAE)和均方根误差(RMSE)来实现,MAE、RMSE值越小,说明光伏功率预测值越接近真实值.趋势线(R2)用来表示拟合程度的好坏,R2数值越接近1,表明预测功率与实际功率拟合效果越好,评估相关指标计算公式为:

(14)

(15)

(16)

3.3 算例分析

分别构建GRU、基于野狗算法优化GRU(DOA-GRU)和基于改进野狗算法优化GRU(IDOA-GRU)的预测模型;预测模型评价指标如表1所列,各预测模型结果如图3～图5所示.

表1 3种预测模型评价指标

由表1和图3～图5可知:采用DOA-GRU预测模型进行功率预测时,RMSE降低了8.5356,MAE降低了1.7651;使用IDOA-GR U预测模型进行功率预测,RMSE降低了15.8246,MAE降低了3.1079,R2提升了0.05482.通过对比,IDOA-GRU神经网络预测精度、线性拟合度最好,误差值最小.3个预测模型都是基于GRU神经网络的预测,区别在于参数求解方法上,常规GRU采用负梯度法搜索参数值,而改进的预测模型分别运用野狗算法搜索和优化野狗算法搜索最优参数.由分析可知:改进野狗算法搜索性能最强,野狗算法其次,负梯度法最差,改进的野狗算法优化GRU达到了预测准确度更高的目标.

4 结论

本文构建基于改进野狗算法的预测模型对GRU进行优化,并在野狗算法中引入莱维飞行策略和自适应步长来预测光伏系统的发电量,并根据预测结果得到实际发电量与预测发电功率的曲线比较.得出3种模型的误差曲线图,并计算出均方根误差、平均绝对误差.实验结果表明本文建立的预测模型提高了预测的准确性.

(a)预测曲线 (b)误差曲线图3 GRU功率预测

(a)预测曲线 (b)误差曲线图5 IDOA-GRU功率预测