1、第4 1卷 第3期 陕西科技大学学报 V o l.4 1N o.3 2 0 2 3年6月 J o u r n a l o fS h a a n x iU n i v e r s i t yo fS c i e n c e&T e c h n o l o g y J u n.2 0 2 3*文章编号:2 0 9 6-3 9 8 X(2 0 2 3)0 3-0 2 0 0-0 8考虑特征提取和优化L S S VM的短期光伏功率预测岳有军,刘金林,赵 辉,王红君(天津理工大学 电气工程与自动化学院 天津市复杂系统控制理论及应用重点实验室,天津 3 0 0 3 8 4)摘 要:针对传统光伏功率预测因特
2、征提取不足导致预测精度不高的问题,提出一种基于卷积神经网络(C o n v o l u t i o n a lN e u r a lN e t w o r k,C NN)和长短期记忆网络(L o n gS h o r t-T e r m M e m-o r y,L S TM)进行特征提取以及改进麻雀算法(I m p r o v eS p a r r o wS e a r c hA l g o r i t h m,I S S A)优化最小二乘支持向量机(L e a s tS q u a r e sS u p p o r tV e c t o rM a c h i n e,L S S VM)的短期
3、光伏功率预测模型.该模型首先结合C NN、L S TM的优点构成C NN-L S TM特征提取模型,用于提取光伏发电功率数据中的隐藏特征和长期依赖性特征,然后将提取出的特征向量输入到经I S S A优化的L S S VM模型中进行预测,得到最终的预测结果.实验结果表明,所提出的C NN-L S TM-I S S A-L S S VM模型能取得很好的预测精度,且明显高于其它模型,验证了其有效性.关键词:光伏功率预测;卷积神经网络;长短期记忆网络;麻雀搜索算法;最小二乘支持向量机中图分类号:TM 6 1 5 文献标志码:AS h o r t-t e r mP Vp o w e rp r e d i
4、 c t i o nc o n s i d e r i n gf e a t u r ee x t r a c t i o na n do p t i m i s e dL S S VMYU EY o u-j u n,L I UJ i n-l i n,Z HAO H u i,WANG H o n g-j u n(C o l l e g eo fE l e c t r i c a lE n g i n e e r i n ga n dA u t o m a t i o n,T i a n j i nK e yL a b o r a t o r yo fC o n t r o lT h e o r
5、 ya n dA p p l i c a t i o nf o rC o m p l e xS y s t e m s,T i a n j i nU n i v e r s i t yo fT e c h n o l o g y,T i a n j i n3 0 0 3 8 4,C h i n a)A b s t r a c t:T os o l v e t h ep r o b l e mt h a t t h ep r e d i c t i o na c c u r a c yo f t r a d i t i o n a l p h o t o v o l t a i cp o w e
6、 rp r e d i c t i o n i sn o th i g hd u et oi n s u f f i c i e n tf e a t u r ee x t r a c t i o n,ac o n v o l u t i o n a ln e u r a ln e t w o r k(C NN)a n d l o n gs h o r t-t e r m m e m o r y(L S TM)f o rf e a t u r ee x t r a c t i o na n di m p r o v e ds p a r r o ws e a r c ha l g o r i
7、t h m(I S S A)a r ep r o p o s e d.O p t i m i z et h es h o r t-t e r mp h o t o v o l t a i cp o w e rp r e d i c-t i o nm o d e l o f t h e l e a s t s q u a r e ss u p p o r tv e c t o rm a c h i n e(L S S VM).T h em o d e l f i r s tc o m b i n e st h ea d v a n t a g e so fC NNa n dL S TMt of
8、o r maC NN-L S TMf e a t u r ee x t r a c t i o nm o d e l,w h i c h i su s e dt oe x t r a c t h i d d e n f e a t u r e s a n d l o n g-t e r md e p e n d e n c e f e a t u r e s i np h o t o v o l t a i cp o w e rg e n-e r a t i o nd a t a,a n d t h e n i n p u t t h e e x t r a c t e d f e a t u
9、 r ev e c t o r s i n t o t h eL S S VM m o d e l o p t i m i z e db yI S S Af o rp r e d i c t i o n,a n do b t a i nt h ef i n a lp r e d i c t i o nr e s u l t s.E x p e r i m e n t a lr e s u l t ss h o wt h a tt h ep r o p o s e dC NN-L S TM-I S S A-L S S VM m o d e l c a na c h i e v eg o o dp
10、 r e d i c t i o na c c u r a c y,w h i c hi ss i g n i f i c a n t l yh i g h e r t h a no t h e rm o d e l s,w h i c hv e r i f i e s i t se f f e c t i v e n e s s.K e yw o r d s:p h o t o v o l t a i cp o w e rf o r e c a s t i n g;c o n v o l u t i o n a ln e u r a ln e t w o r k s;l o n gs h o
11、 r t-t e r mm e m o r y;s p a r r o ws e a r c ha l g o r i t h m;l e a s t s q u a r e ss u p p o r tv e c t o rm a c h i n e*收稿日期:2 0 2 2-1 1-2 8基金项目:天津市自然科学基金重点项目(0 8 J C Z D J C 1 8 6 0 0);天津市教委重点基金项目(2 0 0 6 Z D 3 2)作者简介:岳有军(1 9 7 0),男,天津人,教授,研究方向:复杂系统建模及智能控制、机器人导航与控制技术、电力电子技术及应用DOI:10.19481/ki
12、.issn2096-398x.2023.03.009第3期岳有军等:考虑特征提取和优化L S S VM的短期光伏功率预测0 引言光伏发电作为重要的清洁可再生能源,近年来得到迅速发展,世界范围内制定了许多法规和激励措施来提高光伏发电量1.由于光伏发电受到天气因素的影响,其输出功率具有随机性、波动性和间歇性的特点,大规模并网会对电网的稳定性造成很大的冲击2,3.因此,准确而有效的光伏发电功率预测信息能够为电网安全稳定的调度提供保障4.光伏发电功率预测方法可分为物理法和统计法两类5,7.物理法根据光伏电站的地理位置,综合分析光伏电池板、逆变器等多种设备的特性,得到光伏发电输出功率与数值天气预报的物理
13、关系,对光伏发电输出功率进行预测.物理法虽然不需要历史数据的支持,但其对光伏电站地理信息以及气象数据可靠性要求较高,且易受外界条件的影响,抗干扰能力差,因此应用较少8.统计法主要包括时间序列法9、支持向量机1 0、人工神经网络1 1、组合预测法1 2等.针对光伏数据随机性、波动性较强的特点,为提高预测的准确性,许多学者会对原始数据进行 特征提取.文 献 1 3 通 过 一 个 一 维C NN网络对多个关键气象变量进行特性转换,然后构造双向L S TM进行预测.文献1 4 使用两个并行的C NN网络进行特征提取,然后将提取的特征融合后送入L S TM中进行光伏功率预测,实验结果表明进行特征提取可
14、以有效提高预测精度.支持向量机(S u p p o r tV e c t o rM a c h i n e s,S VM)是一种基于监督学习的用于数据二元分类的广义线性分类器,可以有效地解决传统神经网络结果容易陷入局部极小值以及过拟合等问题.最小二乘支持向量机是在S VM基础上的改进,降低了求解难度,提高了运行速度.文献1 5 使用改进蝙蝠算法优化L S S VM,有效的提高了预测精度,但没有考虑输入特征对预测效果的影响.文献1 6 采用集合经验模态分解(E n s e m b l eE m p i r i c a lM o d eD e c o m-p o s i t i o n,E EMD
15、)将历史功率序列分解,然后将不同频率的分量放入L S S VM进行预测,采用集合经验模态分解可以有效降低光伏功率序列的非平稳性,但没有对L S S VM的参数进行寻优,会影响预测的精度.文献1 7 采用互补式集合模态分解将负荷序列分解,然后采用S S A算法对L S S VM模型参数进行寻优,实验结果表明可以有效提高负荷预测的精度,但S S A算法迭代后期容易陷入局部最优,影响寻优的效果.综合 上 述 分 析,本 文 提 出 一 种 基 于C NN-L S TM-I S S A-L S S VM短期功率预测的组合模型.首先,为更好的提取数据中的隐藏特征和长期依赖性特征,结合了C NN和L S
16、TM的优点构成C NN-L S TM特征提取模型;然后将提取出的特征向量输入到L S S VM模型中进行预测;对S S A算法的不足进行了改进,并采用I S S A算法对L S S VM的参数进行寻优;最后通过与C NN、L S TM、C NN-L S TM、S S A-L S S VM、C NN-L S TM-L S S VM、C NN-L S TM-S S A-L S S VM模型的 预测结果进 行对比,验证了C NN-L S TM-I S S A-L S S VM模型的有效性和优越性.1 C NN-L S TM特征提取1.1 卷积神经网络C NN主要由输入层、卷积层、池化层、全连接层和输出层组成,被广泛应用于图像处理、视频处理等领域.其中输入层主要对输入的数据进行预处理,包括去均值、归一化等.卷积层是C NN中最重要的一层,包括局部感知、参数共享机制、窗口滑动、卷积计算等.池化层主要对数据进行压缩,可以降低维度,在一定程度上防止过拟合的发生.全连接层对前面的输出进行重新组合.由于C NN使用局部感知和参数共享机制,所以它对较大的数据集处理能力较高,对高维的数据处理也没有压力.其结