基于VMD的CNN-BiLSTM超短期风电功率多步区间预测

2022-08-17周孜钰南宏钢

华北电力大学学报(自然科学版) 2022年4期

关键词：电功率分量区间

赵征，周孜钰，南宏钢

(华北电力大学控制与计算机工程学院，河北保定 071003)

0 引言

当今世界能源形势空前危急，化石能源日渐枯竭，人们因此越来越重视风能等可再生清洁能源[1]。风力发电由于能源丰富、技术成熟、发电性能较为稳定等优点受到了越来越多国家和地区的关注，风电已经成为继火电、水电之后的第三大发电系统[2]。

风能是随机波动的不稳定能源，具有间歇性、波动性等特点，大规模的风电并入电网，必将会对电网系统的稳定性带来巨大挑战[3]。因此，只有更加科学准确地得到风力发电的相关功率参数，才能做到最大限度地保障整个电网系统的安全性、经济性和稳定性[4]。

目前，风电功率区间预测主要有两种方法：一种是使用深度学习方法建立输入输出数据之间的模型映射关系[5]。例如：Huang等[6]建立了一种考虑机组动态特性的轻量梯度上升学习机(LGBM)预测模型，Yang等[7]提出了一种基于核极限学习机分位数回归的风电功率区间预测模型，Xiong等[8]提出了基于BP神经网络与非参数核密度估计的短期风电功率概率区间预测方法。这种方法具有良好的逼近和泛化能力，考虑了预测的多种不确定性因素[9]。另一种是首先假设风电功率预测误差的概率分布，再对其进行逆运算，生成风电功率的置信区间[10]。

近几年来，在深度神经网络的快速发展下，卷积神经网络和双向长短期记忆网络都在数据处理和工业数据预测方面展现了良好的稳定性和较高的精确度[11]，CNN-BiLSTM模型将CNN的特征学习能力和BiLSTM的时间序列记忆功能相结合，在提高运算速度的同时可进一步提高预测精度[12]。VMD是一种时间-频率信号分解方法，对非线性、非平稳信号的良好处理能力，且可有效避免“虚假分量”和“端点效应”等问题[13]。

因此，本文提出一种基于VMD的CNN-BiLSTM超短期风电功率多步区间预测方法。首先构造初始上下限，再运用VMD分解方法分解风电功率时间序列，之后将由VMD分解出的子分量输入CNN-BiLSTM预测模型，生成初始预测区间，最后以CWCproposed[14]为目标函数，优化预测区间，生成给定置信水平下的风电功率预测区间。

1 基本方法原理

1.1 变分模态分解

由于风电功率数据存在波动大、非线性强、不稳定、时间依赖性强等特点，直接输入预测网络一般难以得到准确的预测结果，故使用变分模态分解(Variational Modal Decomposition, VMD)对预测输入数据进行预处理，从而提高预测精度。

VMD是一种时间-频率数据分解方法，它的作用是将一种多分量信号分解成多个单分量调幅调频信号，再通过求解约束变分问题将原始信号分解为数个IMF分量。这种方法可以有效避免运算迭代过程中可能遇到的“虚假分量”和“端点效应”问题，具有强大的非线性、非平稳信号处理能力。并且可以最大程度降低风电功率数据的波动大、非线性强等特点对预测结果造成的影响，相比于EEMD等其它分解方法，它也能很好地解决噪声残留问题[15]。

1.2 CNN-BiLSTM模型

1.2.1 卷积神经网络

卷积神经网络(Convolutional Neural Network，CNN)是深度学习领域中一类比较常用的神经网络模型，由于其具有很强的特征学习能力且可极大程度降低模型中的参数数量，故被广泛使用在图像识别等领域[16]。

CNN一般包含卷积层、池化层和全连接层。卷积层使用数个不同的卷积核对输入的特征图谱进行卷积运算后使用激活函数赋予非线性特征，从而获得输入数据中的局部特征信息。池化层对卷积输出进行降维采样，提取卷积输出中更为关键的信息，从而防止网络过拟合。全连接层将池化层输出的特征图谱映射成固定长度的列向量，以便进行之后的分类或回归运算。

本文使用CNN提取原始数据的特征，发掘多个特征之间的相互关联并有效滤除噪声和不稳定成分，最后将经过层卷积运算处理后的特征数据送入BiLSTM网络进行进一步运算。

1.2.2 BiLSTM网络

为了有效获取输入时间序列关于时间的变化特征，使用双向长短期记忆网络(Bidirectional Long-Short Term Memory，BiLSTM)对卷积神经网络输出序列进行进一步处理运算，利用双向长短期记忆网络的记忆功能提取时间特征。

BiLSTM发展自循环神经网络[17](Recurrent Neural Network，RNN)，将每个时刻点的输入数据分别输入网络进行计算，每一隐藏层的输出不仅送至网络的下一层，而且同时送至下一时刻点。其结构如图1所示。

图1 BiLSTM网络单元结构

其中，每一个隐藏层单元均包含两个长短期记忆网络(Long Short-Term Memory，LSTM)单元，其中一个为前向LSTM，它接收上一时刻的输出数据，计算后传给下一时刻，用以获取网络过去的信息，另一个为后向LSTM，相对的，它接收下一时刻的输出数据，计算后传给上一时刻，用以获取网络未来的信息。每一个LSTM计算单元有四个门控单元，分别为输入门(it)、输出门(ot)、控制门(Ct)和遗忘门(ft)。

遗忘门决定保存多少上一时刻的输入信息ht-1至当前的控制门输出Ct，其输出ft和当前时刻输入xt存在如下关系：

ft=σ(ωf·[ht-1,xt]+bf)

(1)

(2)

it=σ(ωi·[ht-1,xt]+bi)

(3)

(4)

ot=σ(ωo·[ht-1,xt]+bo)

(5)

ht=ot·tanh(Ct)

(6)

式中：wo和bo分别为输出门的权重参数和偏置参数；Ct为控制门输出；ht为本LSTM计算单元的输出值。

t时刻的BiLSTM计算单元总输出值为它所包含的前向LSTM单元和后向LSTM单元的输出值之和，具体计算公式如下：

(7)

ht=ht(1)⊕ht(2)

(9)

式中：⊕为向量拼接操作。

1.2.3 CNN-BiLSTM模型

将CNN的强特征提取能力和BiLSTM的强时间序列记忆能力相结合，构造CNN-BiLSTM网络结构。先对输入特征序列进行一层卷积运算，然后再进行两层BiLSTM运算，在提取特征的同时极大程度降低运算成本，防止过拟合，最后经一层全连接层之后输出结果，极大地提高了预测精度。

2 基于VMD-CNN-BiLSTM的风电功率区间预测

2.1 VMD-CNN-BiLSTM预测模型

针对风电功率时间序列的随机性、非平稳性，本文提出了一种基于VMD的CNN-BiLSTM风电功率区间预测方法。

模型预测步骤如下：

(1)对风电功率时间序列进行数据预处理。首先剔除异常数据点，其次对风电功率序列上下浮动25%，得到初始的上、下两个功率序列。

(2)对上、下两个序列各自进行VMD分解，获得一系列频率不同、幅值不同的子分量。

(3)两个序列的所有分量输入CNN-BiLSTM预测模型，两个序列各自分量的预测结果叠加，生成初始预测区间。

(4)以预测区间综合评价指标CWCproposed为目标函数，优化PICP、PINAW，得到置信水平90%、80%的风电功率预测区间。

2.2 预测结果评价指标

本文选用预测区间覆盖率(Prediction Interval Coverage Probability，PICP)[18]、预测区间平均带宽(Prediction Interval Normalized Average Width，PINAW)[19]和改进覆盖宽度准则(Coverage Width Criterion proposed，CWCproposed)来评价预测模型的性能，PICP计算公式如下：

(10)

(11)

式中：N为样本总数；ci为区间上限Ui和区间下限Li对风电功率真实值Pti的可靠性指标，PINAW与CWCproposed计算公式如下：

(12)

(13)

式中：α用于避免PINAW过小导致的PICP的影响被忽略的问题；β为PINAW指标的比重系数，η为惩罚参数，μ为预先设置的区间预测名义置信水平。

3 算例分析

本文选用西北某风电场1月至3月的风电功率数据作为实验样本，将数据分为训练集和测试集。数据采样时间间隔为15 min。

3.1 VMD分解风电功率序列

由于风电功率序列波动较大，需对数据进行处理，本文采用VMD将原始序列分解为若干个相对平缓的分量[20]。以向上浮动25%为例，VMD分解结果如图2所示。

图2 CEEMDAN分解风电功率序列结果

从风电功率分解图可以看出，风电功率序列分解为13个子分量。从IMF1-RES，各分量逐渐从高频分量过渡到低频分量。

3.2 一步区间预测结果分析

实际中，电力系统的运行需要较高的置信水平以获取更为准确的信息[21]。因此，本文的置信水平选取90%、80%。图3、图4分别给出了测试集在置信水平90%、80%的VMD-CNN-BiLSTM模型风电功率一步区间预测结果。

从图3、图4可以直观地看出，在同一置信水平下，VMD-CNN-BiLSTM预测模型的一步区间预测结果，能够在保证跟踪风电功率时间序列变化的同时，具有更窄的区间上下限，证明了所提方法的有效性。

图3 置信水平90%的超短期一步区间预测

图4 置信水平80%的超短期一步区间预测

为了进一步验证VMD-CNN-BiLSTM预测模型的优越性，将输入数据同样经过VMD分解之后分别使用CNN-GRU、CNN-LSTM、KELM、SVR这4种预测模型进行预测。表1是5种模型90%置信水平一步区间预测结果对比。表2是5种模型80%置信水平一步区间预测结果对比。

由表1、表2可得，当置信水平相同时，CNN-BiLSTM模型的预测区间平均带宽PINAW最小、改进覆盖宽度准则CWCproposed值最小，说明CNN-BiLSTM模型的一步区间预测效果最好。

表1 5种模型90%置信水平一步区间预测结果

表2 5种模型80%置信水平一步区间预测结果

当置信水平为90%时，CNN-BiLSTM模型的预测区间平均带宽指标PINAW相对于CNN-GRU模型、CNN-LSTM模型、KELM模型、SVR模型分别降低了0.003 3、0.002 5、0.022 5、0.012 5。CNN-BiLSTM模型的改进覆盖宽度准则CWCproposed指标相对于其余4种模型分别降低了0.019 7、0.015 4、0.135 4、0.036 5 。两项指标充分说明了VMD-CNN-BiLSTM模型的优越性。

3.3 多步区间预测结果分析

图5、图6、图7分别是VMD-CNN-BiLSTM模型置信水平90%的风电功率超短期2步、3步、4步区间预测结果。表3是5种模型90%置信水平风电功率多步区间预测结果对比。

图5 2步区间预测结果图

图6 3步区间预测结果图

图7 4步区间预测结果图

表3 5种模型90%置信水平多步区间预测结果

由表3，当置信水平相同，预测步数相同，CNN-BiLSTM模型的预测区间平均带宽PINAW和改进覆盖宽度准则CWCproposed均优于其余4种对比模型。例如2步区间预测结果中CNN-BiLSTM模型的预测区间平均带宽PINNAW相对于CNN-GRU模型、CNN-LSTM模型、KELM模型、SVR模型分别降低了0.001 2、0.002 3、0.021、0.010 9。CNN-BiLSTM模型的改进覆盖宽度准则CWCproposed相对于其余4种模型分别降低了0.007 3、0.013 5、0.125 9、0.073 9。两项指标充分说明了VMD-CNN-BiLSTM模型的优越性。