1、基金项目:河北省自然科学基金高端钢铁冶金联合研究基金专项项目(F2017209120);河北省自然基金面上项目(F2019209553)收稿日期:2021-09-15 修回日期:2021-10-03 第 40 卷 第 4 期计 算 机 仿 真2023 年 4 月 文章编号:1006-9348(2023)04-0089-05基于 VMD-RL-LSTM 的短期风功率预测谷学静1,2,陈洪磊1,2,孙泽贤1,张 怡1(1.华北理工大学电气工程学院,河北 唐山 063210;2.唐山市数字媒体工程技术研究中心,河北 唐山 063000)摘要:由于风电具有较高的随机性和较低的波动性,为了提高风电的非平
2、稳性对于电力系统运行稳定性的影响,提出一种基于变分模态分解(Variational mode decomposition,VMD)、强化学习(Reinforcement learning,RL)参数寻优和长短时记忆网络(Long short term memory,LSTM)的短期风功率预测。为了降低数据的复杂度,首先通过变分模态分解将风功率原始数据分解为若干子模态。其次,通过强化学习对 LSTM 模型进行参数寻优,再对每个子模态建立 LSTM 模型预测。最终把各子模型预测的数据进行叠加,得到结果。对比分析结果显示,上述模型的预测精度较 LSTM 神经网络和 EMD-LSTM 预测模型均有不同
3、程度的提高。关键词:风功率预测;变分模态分解;参数寻优;长短期记忆网络;深度学习中图分类号:TM914 文献标识码:BShort-Term Wind Power Prediction Based on VMD-RL-LSTMGU Xue-jing1,2,CHEN Hong-lei1,2,SUN Zexian1,ZHANG Yi1(1.College of Electrical Engineering,North China University of Science and Technology,Tangshan,Hebei 063210,China;2.Tangshan Digital Me
4、dia Engineering Technology Research Center,Tangshan,Hebei 063000,China)ABSTRACT:Since wind power has high randomness and low volatility,in order to improve the influence of windpower non-stationarity on the operation stability of the power system,a new method based on VMD,Reinforcementlearning(RL)an
5、d Long Short term memory(LSTM)network is proposed for short-term wind power prediction.Inorder to reduce the complexity of the data,the original wind power data was decomposed into several sub-modes byvariational modal decomposition.Secondly,the parameters of the LSTM model were optimized by reinfor
6、cement learn-ing,and then LSTM model prediction was established for each sub-mode.Finally,the data predicted by each sub-model were superimposed to obtain the results.Compared with LSTM neural network and EMD-LSTM predictionmodel,the prediction accuracy of this model is improved to different degrees
7、.KEYWORDS:Wind power prediction;Variational modal decomposition;Parameter optimization;Long and shortmemory network;Deep learning1 引言风能作为一种清洁的可再生能源,具有无污染、清洁性、资源充足的特点,在世界能源领域占有越来越多重要的比例1。精确的风功率预测可以降低电网的旋转备用容量,有利于降低其运行成本及风电对电网的负面影响4。风功率预测的方法主要包括三大类:物理方法、统计方法及两种方法组合的方法5,数值天气预报模型(NWP)是物理方法之一,此方法利用气象实况条件
8、来进行预测,但是因为天气预报数据更新频率低、数值气象模型复杂,一般不用于短期风功率预测6。研究历史风电功率数据的规律一般使用统计方法,建立非线性间映射关系,从而使时间序列预测历史风力数据得到实现。由于机器学习、强化学习和深度学习近年来的快速发展,机器学习、强化学习和深度学习9模型比以前的模型得到了更精确的结果。支持向量机(SVM)11和人工神经网络(ANN)14这两者都有非线性的特点,成为常用的机器学习预测模型。强化学习可以通过98“试错”的外部环境找到最佳的实施策略18,并加强学习将其应用于需求响应,形成一个完整的决策感知系统,能够有效地帮助确保问题的答案以可靠性和准确性为导向。随着深度学习
9、的发展,长短期记忆网络(LSTM)不仅可以挖掘输出变量与相关输入变量之间的时空相关性,而且在复杂时间序列预测领域也得到了极大的发展19。目前,结合机器学习/深度学习技术的混合模型已经被证明是更为可靠的预测模型。张东英等20对风电功率概率预测的定义预测方法和控制策略进行了综述;Wang 等提出了将经验模态分解(EMD)算法应用于风速预测模型21;当一个单一的模型预测风速时,它往往存在精度差的问题,越来越多的研究者开始研究组合模型。文献22通过构建 CEEMDAN、VMD 和 AdaBoost的 RT-ELM 混合模型,能够有效解决风速时间序列的非线性问题,从而提高预测的准确性。王静等提出了基于
10、CEEMD和 GWO 的超短期风速预测,两种方法的结合能够有效改变支持向量回归机参数的预测模型,进而得到优化23。文献24推荐了一种利用 LSTM 网络进行超短期风功率预测,考虑多个不同 NWP 数据的输入,预测精度高于传统的神经网络。为了改进 LSTM 存在泛化能力差、容易造成过拟合等问题,李艳等提出了一种 CNN-LSTM 网络模型进行风电功率预测25,利用 CNN 提取序列特征的能力有效提取子集,在删除干扰内存的数据后在 LSTM 上输入数据,进而较长的记忆信息能够得到保留,解决梯度弥散问题。通过对文献的分析得出以下结论。分析表明,数据分解技术的应用有效降低样本噪声干扰并显著提高模型的预
11、测性能。总体而言,在风功率预测方面,混合模型比单一模型预测更加可靠、有效。本文提出了一种基于变分模态分解(VMD)、强化学习(RL)参数寻优和长短时记忆网络(LSTM)的短期风功率预测方法。变分模态分解不仅能够消噪,还可以将原始信号的核心成分进行保留,分解后的效果较好。强化学习方法可以从实际系统的学习体会和经验中进行调整策略,这是一个慢慢地逼近最优策略的过程。它在进行学习的过程中无需导师进行监督。参数优化可以优化 LSTM 模型的参数,使模型预测精度更加精确。LSTM 神经网络是传统 RNN 的改进版本,它在处理短期和长期依赖关系的问题时更加健壮。实例分析表明,混合模型可以有效提高短期风电功率
12、精度。2 研究方法2.1 变分模态分解K.Dragomiretskiy 和 D.Zosso 提出了一种新型复杂信号分解时频分析方法,即变分模态分解。它可以将原始时间序列s(t)分解为有限带宽的不同分量 uk(t),根据预设的模态数,对应的中心频率为 k,通过交替迭代更新找到约束变分模型的最优解,避免在迭代过程中遇到的端点效应等问题。利用变分模态分解,能够将非线性和非平稳信号得到有效的处理。对比于 EMD,解决了其端点效应和模态分量混叠的问题,该算法可表示为261)对每一个 uk(t)进行 Hilbert 变换得到单侧频谱(t)+jtuk(t)(1)2)将模式的各个分析信号与估计的中心频率 e-
13、jkt相乘,频谱移到基带(t)+jtuk(t)e-jkt(2)3)利用高斯平滑估计对解调信号梯度 L2 进行正则化,可得出模态函数的各个带宽,约束变分模型如下表示sinkt(t)+jtuk(t)e-jkt22kuk=s(t)(3)4)随着二次罚因子 和拉格朗日乘子 的引入,原始时间序列在高斯噪声影响下的信号重构精度 s(t)得到了保证,并将抑制变分问题转化为无抑制变分问题L(uk,k,)=kt(t)+jtuk(t)e-jkt22+s(t)-kuk(t)22+(t),s(t)-kuk(t)(4)5)使用交替方向乘子法(ADMM),将分量 uk(t)、中心频率 k和拉格朗日乘子 进行求解更新,扩展
14、拉格朗日函数表达式的最低点,更新过程如下un+1k()=s()-i kunk()+()21+2(-nk)2(5)n+1k=0un+1k()2d0un+1k()2d(6)Wx,iXt=n()+u()-kun+1k()()(7)式(5)中:s(),unk(),()分别为 s(),unk(),()的傅里叶变换;为频率;n 为迭代次数;为拉格朗日乘子的更新参数。6)重复步骤 5,停止迭代应满足精度,可以获得 k 个窄带 IMF 分量。迭代条件表示为kun+1k-unk22unk225 后保持相对稳定,故最优值为 K=6。通过多次反复试验:=1000;=0.3,为确保分解结果的精确度,分解结果如图 5
15、所示。表 1 不同 K 值下各 IMF 分量中心频率KIMF1IMF2IMF3IMF4IMF5IMF6IMF7IMF83 0.00001 0.0077 0.03434 0.00001 0.0075 0.0312 0.08675 0.00001 0.0042 0.0168 0.0518 0.40356 0.00006 0.0037 0.0145 0.0373 0.0768 0.40607 0.00006 0.0035 0.0130 0.0275 0.0535 0.0958 0.406980.0005 0.0034 0.0123 0.0243 0.0461 0.0748 0.1123 0.4076
16、3.4 LSTM 网络参数设置建立 LSTM 短期风功率预测模型,应考虑样本训练步图 5 VMD 分解波形长、输入层维数、隐含层维数、输出层维数等参数。通过强化学习选择参数寻优,如表 2 所示。依据实践的经验 LSTM 层数取 L=2,考虑到模型训练的精度准确性和耗时性,时间步长设置为 4,输入层维数设置为 1,隐含层层数设置为 1,隐含层神经元的数量可以设置为 200,迭代的次数可以设置为300。初始化的学习速率一般设置在 0.01,为了有效防止模型的来回振荡,采用迭代速度衰减法进行动态地调整学习速度,每 50 次替换迭代地学习速度衰减 50%。表 2 LSTM 网络参数选择情况参数选取范围
17、学习速率0.1,0.01,0.001迭代次数100,200,300,400隐含层神经元50,100,150,2004 分析与讨论通过 VMD-RL-LSTM 短期风功率模型的预测,叠加各分量的预测值,将最终预测值与真实值进行比较,如图 6 所示,该模型的预测值与真实值相吻合,预测精度较高。因此,本文建立的模型可进行短期风功率预测。图 6 模型预测结果为了验证 VMD-RL-LSTM 模型的预测性能,本文采用LSTM、EMD-LSTM、VMD-LSTM 3 种风功率预测方法进行对29比分析,如图 7 所示。以上预测模型利用均方根误差 RMSE、绝对平均误差 MAE、平均绝对百分误差 MAPE 进
18、行评价,模型预测误差对比见表 3。图 7 不同模型的预测结果表 3 不同模型预测误差预测模型RMSE/WMAPE/%MAE/WLSTM3132.921.842236.65EMD-LSTM1584.904.821268.41VMD-LSTM487.220.58336.17VMD-RL-LSTM135.100.0383.09 由表 3 可以看出,VMD-RL-LSTM 模型的预测精度要比其模型更加精确。其均方根误差 RMSE、绝对平均误差MAE、平均绝对百分误差 MAPE 分别为 135.10W、0.03%、83.09W,均方根误差 RMSE、绝对平均误差 MAE、平均绝对百分误差 MAPE 与单
19、一模型 LSTM 神经网络相比降低了2997.82W、1.81%、2153.56W;同时相比于 EMD-LSTM、VMD-LSTM 模型的预测精度有较大提高。说明 VMD-RL-LSTM模型可以将短期风功率预测的准确度进行有效提高。5 结论本文在风功率序列中采用变分模态分解进行稳定化处理,通过强化学习参数寻优,建立各分量的 LSTM 预测子模型,最终把各子模型预测的数据进行叠加,从而获得短期风功率预测结果。通过实例分析与讨论,得出以下结论:1)VMD 分解可以将不均匀、随机的风功率序列划分为相对稳定的 IMF 成分,增加了时间序列的可预测性。2)在 VMD-LSTM 神经网络训练过程中采用强化
20、学习算法,并对 LSTM 网络参数进行寻优,实现了对 VMD-LSTM 网络模型训练效率的提高,并能有效减轻过拟合现象。3)VMD-RL-LSTM 模型可以将短期风功率进行有效的预测,与其典型短期风功率预测模型比较而言,预测效果更佳。参考文献:1 Mi Xiwei,Liu Hui,Li Yanfei.Wind speed prediction model usingsingular spectrum analysis,empirical mode decomposition and con-volutional support vector machineJ.Energy Conversion
21、 and Man-agement,2019,180:196-205.2 Gaber Magdy,G Shabib,Adel A.Elbaset,et al.Optimized coordi-nated control of LFC and SMES to enhance frequency stability of areal multi-source power system considering high renewable energypenetrationJ.Springer Singapore,2018,3(3):407-421.3 何廷一,田鑫萃,李胜男,吴水军,陈勇,束洪春,马
22、聪.基于蜂群算法改进的 BP 神经网络风电功率预测J.电力科学与技术学报,2018,33(4):22-28.4 钱政,裴岩,曹利宵,等.风电功率预测方法综述J.高电压技术,2016,42(4):1047-1060.5 周玮,钟佳成,孙辉,等.基于隐马尔可夫模型的日内风电功率预测误差区间滚动估计J.电力系统自动化,2018,42(21):90-95,184,96-97.6 Arthur Bossavy,Robin Girard,George Kariniotakis.Forecastingramps of wind power production with numerical weather
23、predictionensemblesJ.Wind Energy,2013,16(1):51-63.7 李军,於阳.基于稀疏编码的短期风电功率时间序列预测J.电力系统保护与控制,2018,46(12):16-23.8 Lucian Buoniu,Tim de Bruin,Domagoj Tolic,Jens Kober,IvanaPalunko.Reinforcementlearningforcontrol:Performance,stability,and deep approximatorsJ.Annual Reviews in Control,2018,46:8-28.9 D Dong,
24、Z Sheng,T Yang.Wind Power Prediction Based on Re-current Neural Network with Long Short-Term Memory UnitsC.2018 International Conference on Renewable Energy and Power En-gineering(REPE).IEEE,2018:34-38.10 Y Fu,W Hu,M Tang,et al.Multi-step Ahead Wind PowerForecasting Based on Recurrent Neural Network
25、sC.2018 IEEEPES Asia-Pacific Power and Energy Engineering Conference(APPEEC).IEEE,2018:217-222.11 杨旭琼.基于最小二乘支持向量机的超短期风功率组合预测模型研究D.湖南大学,2017.12 A Prasetyowati,D Sudiana,H Sudibyo.Comparison Accuracy W-NN and WD-SVM Method In Predicted Wind Power Model onWind Farm PandansimoC.2018 4th International Co
26、nferenceon Nano Electronics Research and Education(ICNERE).IEEE,2018:1-4.13 刘爱国,薛云涛,胡江鹭,刘路平.基于 GA 优化 SVM 的风电功率的超短期预测J.电力系统保护与控制,2015,43(2):90-95.14 马聪.基于 BP 神经网络优化的风电场短期功率预测研究D.昆明理工大学,2017.15 宿凤明,孙财新,李端开.基于神经网络的风电短期功率预测模型研究J.节能技术,2018,36(6):556-560.(下转第 309 页)39Workshops,Sydney,NSW,Oct21-24,2013.Pis
27、cataway,NJ:IEEE,2013:56-64,3 Emmanouil K,Li Sp,Margaret M.SignalGuru:Leveraging MobilePhones for Collaborative Traffic Signal Schedule AdvisoryC.Pro-ceedings of the 9th International Conference on Mobile Systems,Applications,and Services(MobiSys 2011),Bethesda,MD,USA,June 28-July 1,2011.New York:ACM
28、,2011:127-140.4 景瑶,郭斌,陈荟慧,等.CrowdTracker:一种基于移动群智感知的目标跟踪方法J.计算机研究与发展,2019,56(2):328-337.5 Wu Y,Li F,Ma L,et al.A context-aware multi-armed banditincentive mechanism for mobilecrowd sensing systemsJ.IEEEIoT J,2019,6(5):1-1.6 Yang D J,Xue G L,Fang X et al.Crowdsourcing to smartphones:incentive mechani
29、sm design for mobile phone sensingC.Pro-ceedings ofthe 18th Annual International Conference on MobileComputing and Networking,Istanbul,Turkey,August,2012.NewYork:ACM,2012:173-184.7 Zhao D,Li X Y,Ma H D.How to crowdsource tasks truthfullywithout sacrificing utility:Online incentiveme chanisms withbud
30、get constraintC.IEEE INFOCOM 2014-IEEE Conference onComputer Communications,Toronto,Ontario,Canada,April 27-May 2,2014,Piscata-way,NJ:IEEE,2014:1213-1221.8 Long G,Zhang S,Zhang L,et al.An incentive mechanism withprivacy protection and quality evaluation in mobile crowd computingJ.International Journ
31、al of Ad Hoc and Ubiquitous Computing,2019,30(3):187.9 Wang Y J,Cai Z P,Ying S.Anincentiveme chanism with privacyprotectioninmobilecrowdsourcingsystems J.ComputerNetworks,2016,102:157-171.作者简介万 涛(1975-),女(汉族),江西省南昌市人,博士,副教授,CCF 会员(41007M),研究方向为网络与信息安全、可信计算理论与技术、安全协议分析与设计等。王璐瑶(1995-),女(汉族),湖北省孝感市人,硕士
32、研究生,研究方向为信息安全和群智感知激励。岳世鑫(1993-),男(汉族),山西省大同市人,硕士研究生,研究方向为网络与信息安全和群智感知。廖维川(1973-),男(汉族),江西省南昌市人,硕士,副教授,研究方向为密码学,网络与信息安全等。(上接第 93 页)16 L Zhu,H Shi,M Ding.A Chaotic BP Neural Network Used toWindPowerPrediction C.20182ndIEEEAdvancedInformation Management,Communicates,Electronic and Automa-tion Control C
33、onference(IMCEC).IEEE,2018:1169-1172.17 琚垚,祁林,刘帅.基于改进乌鸦算法和 ESN 神经网络的短期风电功率预测J.电力系统保护与控制,2019,47(4):58-64.18 陈学松,杨宜民.强化学习研究综述J.计算机应用研究,2010,27(8):2834-2838.19 Mingming Gao,Jianjing Li,Feng Hong,Dongteng Long.Day-a-head power forecasting in a large-scale photovoltaic plant basedon weather classificati
34、on using LSTM J.Energy,2019,187:115838.20 张东英,代悦,张旭,张婧,汪志成,薛磊.风电爬坡事件研究综述及展望J.电网技术,2018,42(6):1783-1792.21 Jujie Wang,Wenyu Zhang,Yaning Li,et al.Forecasting windspeed using empirical mode decomposition and Elman neural net-work J.Applied Soft Computing Journal,2014,(23):452-459.22 颜宏文,卢格宇.CEEMD-WT 和
35、 CNN 在短期风速预测中的应用研究J.计算机工程与应用,2018,54(9):224-230.23 王静,李维德.基于 CEEMD 和 GWO 的超短期风速预测J.电力系统保护与控制,2018,46(9):69-74.24 朱乔木,李弘毅,王子琪,陈金富,王博.基于长短期记忆网络的风电场发电功率超短期预测J.电网技术,2017,41(12):3797-3802.25 李艳,彭春华,傅裕,孙惠娟.基于 CNN-LSTM 网络模型的风电功率短期预测研究J.华东交通大学学报,2020,37(4):109-115.26 K Dragomiretskiy,D Zosso.Variational Mod
36、e DecompositionJ.IEEE Transactions on Signal Processing,2014,62(3):42-46,77.27 赵婷婷,孔乐,韩雅杰,任德华,陈亚瑞.模型化强化学习研究综述J.计算机科学与探索,2020,14(6):918-927.28 胡越,罗东阳,花奎,路海明,张学工.关于深度学习的综述与讨论J.智能系统学报,2019,14(1):1-19.29 余昉恒.循环神经 网络门 结构模 型研 究 D.浙 江大学,2018.作者简介谷学静(1972-),女(汉族),河北省唐山市人,博士,教授,硕士生导师,主要研究领域为虚拟现实、人机交互。陈洪磊(1998-),男(汉族),河北省石家庄市人,硕士研究生,主要研究领域为风功率预测、风电爬坡预警。孙泽贤(1991-),男(汉族),河北省唐山市人,博士,讲师,主要研究领域为风能、风功率及深度学习在风能中的应用。张 怡(1983-),女(汉族),河北省唐山市人,博士,副教授,硕士生导师,主要研究领域为从事新能源电力系统频率稳定、微网优化控制、鲁棒分布式协同预测控制方法等方面的教学与研究工作。903