基于CEEMD-CNN-BiGRU-RF模型的短期风电功率预测

2022-02-23曾亮狄飞超兰欣王珊珊

可再生能源 2022年2期

曾亮，狄飞超，兰欣，王珊珊

（1.湖北工业大学电气与电子工程学院，湖北武汉 430068；2.湖北工业大学太阳能高效利用及储能运行控制湖北省重点实验室，湖北武汉 430068）

0 引言

风能作为一种清洁能源，可以缓解能源短缺、环境污染和气候变化等问题。风能受风速、风向、气压和温度等自然条件的影响很大，因此风力具有间歇性、波动性和随机性。当风能大规模集成到电网中时，给电网的安全和稳定运行带来了巨大挑战。减少与风力发电相关的不确定性，对实现风电场风电功率的准确预测具有重大意义[1]。

风电功率的预测方法主要分为物理法和统计法[2]，[3]，这些方法大多基于传统模型和深度学习模型[4]。物理法是基于各种影响因素，包括风速、温度、气压等数据进行风电功率预测，统计法是根据历史风电功率数据来进行分析与预测。常用的传统模型包括支持向量机、马尔可夫过程等[5]，[6]。近几年应用更为广泛的预测模型是贝叶斯神经网络、卷积神经网络、以及长短期记忆（LSTM）等深度学习模型[7]。文献[8]利用copula函数进行特征提取，将提取的特征作为LSTM的输入，建立单一的光伏功率和风电功率预测模型，但是模型预测精度较低。文献[9]提出了一种基于LSTM-Attention网络的短期风电功率预测方法，利用LSTM进行特征提取，同时引入注意力机制分析输入和输出的相关性，得到最终的预测结果，但模型的预测精度有待进一步提升。文献[10]提出了一种基于VMD-ConvLSTM的风电功率预测模型，通过叠加各分量的预测值得到最终的预测结果，然而并未对风电功率的预测误差进行进一步修正。

针对目前风电功率预测方法在预测精度和误差修正上的不足，本文提出了一种基于CEEMDCNN-BiGRU-RF模型的短期风电功率预测模型。首先，利用完全集成经验模态分解（CEEMD）对风电功率时间序列进行模态分解；其次，对分解的各个风电功率时间序列利用卷积神经网络（CNN）进行特征提取；再次，建立双向门控循环单元（BiGRU）模型对各个风电功率时间序列进行预测，叠加各个分量的预测值；最后，对误差进行进一步分析与预测，利用随机森林（RF）进行误差修正，得到最终的风电功率预测值。

1 实验原理及方法

1.1 CEEMD

CEEMD是经验模态分解（EMD）和集成经验模态分解（EEMD）的改进，是一种完整的模态分解技术，能够完整地将信号进行分解。CEEMD通过在原始信号中添加一组正负相反的白噪声，实现既能抑制EMD模态混叠，又能使得剩余噪声始终维持在很小的量级上，进而忽略不计，算法主要步骤如下。

①在原始信号x（t）中加入n组正负相反的白噪声m+和m-，构成合成信号p（t）和N（t）。

1.2 CNN

CNN本质上是一个数学模型，它通过数据转换和数据降维将原始输入映射为新的特征。与标准的全连接网络不同，CNN具有特殊的网络结构。CNN中的层间节点是本地连接的，且CNN中卷积层和池化层中的连接权重权值共享。

CNN的网络结构包括1D CNN，2D CNN和3D CNN。其中，1D CNN主要用于序列数据处理，2D CNN通常用于图像和文本识别，3D CNN主要用于医学图像和视频数据识别。1D CNN可以很好地应用于时间序列分析，也可以用于分析周期性信号数据，1D CNN的详细流程如图1所示。

图1 1D CNN流程图Fig.1 1D CNN flowchart

图1的左侧是输入时间序列数据，它是一个多维矩阵，从上到下进行卷积。使用滤波器进行卷积后，提取的特征维数为N×1，其中N与输入数据维数、滤波器大小和步长有关。假设过滤器的数量为M，则提取的特征为N×M。

1.3 BiGRU

门控循环单元（GRU）是循环神经网络的一种，是循环神网络（RNN）和LSTM的改进。GRU的主要结构为更新门和重置门，简化了模型结构和模型参数，在一定程度上抑制过拟合。GRU模型的结构如图2所示。

图2 GRU模型的结构图Fig.2 GRU model structure diagram

式中：tanh为双曲正切激活函数；ot为重置门计算的隐藏状态。

本文对GRU模型进行改进，提出BiGRU模型。BiGRU模型包括前向GRU和反向GRU。前向GRU用于获得输入特征向量的上信息，并从左到右生成前向隐式状态序列；反向GRU则获得输入特征向量的下信息，并从右到左生成反向隐式状态序列。最后，组合获得的前向隐式状态序列和反向隐式状态序列，获得最后的特征信息。BiGRU模型的具体结构如图3所示。

图3 BiGRU模型的结构图Fig.3 BiGRU model structure diagram

图中，{h1→h2→hn}为前向GRU生成的隐式状态序列，{hn→h2→h1}为反向GRU生成的隐式状态序列。

1.4 RF

RF是集成模型的一种，属于Bagging集成方式，与单一模型相比，RF的预测效果更为精确。

2 基于CEEMD-CNN-BiGRU-RF的短期风电功率预测建模

2.1 CNN-BiGRU混合模型

将CNN与BiGRU相结合构建混合CNNBiGRU模型，以提高风电功率的预测精度。该模型以多维时间序列数据作为输入，以多步或单步时间序列数据作为输出。

利用CNN进行特征提取，构造了两个一维卷积层和两个池化层。过拟合是深度神经网络（DNN）中的常见现象，利用Dropout层，可以有效抑制过拟合现象。Dropout是在DNN的训练过程中，按照一定的概率丢失一定的神经元个数。为了避免过拟合，在BiGRU层后添加了一个Dropout层进行预测，最后连接全连接层（FC），获得最后的预测结果。CNN-BiGRU混合模型的结构如图4所示。

图4 CNN-BiGRU混合模型的结构图Fig.4 CNN-BiGRU hybrid model structure diagram

2.2 预测模型的建立

建立预测模型进行风电功率的预测，具体步骤如下：

①对风电功率数据集进行数据预处理，包括缺失值的补齐、异常点的剔除以及数据归一化；

②对风电功率数据集进行CEEMD分解，分解成多个IMF分量和一个残余分量（Rest）；

③对各个IMF分量建立CNN-BiGRU预测模型，获得各个分量的预测值，将预测值进行叠加，获得预测结果；

④对误差进行分析，对误差建立RF模型，预测获得测试集的误差，将预测误差与预测结果组合，获得最终的风电功率预测值。

预测模型的流程如图5所示。

图5 CEEMD-CNN-BiGRU-RF预测模型流程图Fig.5 CEEMD-CNN-BiGRU-RF prediction model flowchart

2.3 评价指标

本文选用的预测模型评价指标为平均绝对百分比误差MAPE和R-Square。

式中：yi为第i个时刻风电功率实际值；y^i为第i个时刻风电功率预测值；y¯为m个风电功率值的平均值。

3 算例仿真分析

本文选用我国西北地区一个风电场的数据进行短期风电功率预测，选取该风电场2019年10月1日0时-11日0时共960个风电功率数据点进行实验，实验数据点之间的采样间隔为15 min，得到的风电功率时间序列如图6所示。其中，前9 d的数据作为训练集，后1 d数据点作为测试集，以前1 h风电功率数据预测下一时刻的风电功率，实现风电功率的滚动预测。

图6 风电功率时间序列图Fig.6 Time series diagram of wind power

由图6可知，风电功率时间序列具有波动性和非平稳性。对原始风电功率数据集进行CEEMD分解，得到的分解结果如图7所示。

图7 CEEMD分解结果图Fig.7 CEEMD decomposition result diagram

由图7可知，CEEMD分解风电功率时间序列的效果较好，且Rest始终维持在很小的量级上，因此Rest在预测时可以忽略不计。

对各个分量分别建立CNN-BiGRU预测模型，通过网格搜索等调参方法进行模型参数寻优。网格搜索是为每个需要寻优的参数预先设置一个可选范围，然后进行训练，最后输出参数的最优取值。具体地，将CNN层和BiGRU层的神经元个数范围设置为常用的[32，64，128]，步长范围为[0，1，2]，padding可选范围为[same，valid]，激活函数可选范围为[relu，tanh，sigmoid]，Dropout范围为（0，1）。通过不断地参数调整、组合与寻优，得到各个最优参数分别为CNN层的神经元个数为32，步长为1，padding为same，激活函数为relu函数，BiGRU层的神经元个数设置为64，Dropout设置为0.1，训练时最小批量大小设置为32，优化器设置为Adam，对各个分量的预测值进行累加，得到风电功率预测值。

在进行误差修正时，采用同样的调参方法，最终确定RF模型中，决策树个数为400，最大深度为5。

为验证模型的有效性和预测的高精度，本文采用了6种模型进行比较和验证。模型1采用支持向量机（SVR）进行预测，模型2采用CNN进行预测，模型3建立CEEMD-CNN模型对风电功率进行预测，模型4采用CEEMD-CNN-BiLSTM模型进行预测，模型5采用CEEMD-CNN-BiGRU模型进行预测，模型6采用CEEMD-CNN-Bi-GRU-RF模型进行预测，同时对误差进行修正，得到最终的风电功率预测值。

为验证误差修正的作用，对误差修正前后的曲线进行作图，真实值与模型5的结果如图8所示。