一种基于IMPA-GRU的短期风速预测方法

技术领域

本发明属于风速预测技术领域，具体涉及一种基于改进的海洋捕食者算法(Improved Marine Predator Algorithm，IMPA)结合门控循环单元(Gated RecurrentUnit，GRU)混合模型的风力发电站风速预测方法。

背景技术

在可再生能源中，风力发电是一种可持续利用的发电形式，被认为是当前解决能源危机最有前途的行业之一，因为其具有蕴藏量大、分布广泛、绿色清洁和成本低等诸多优点。此外，中国的地理位置得天独厚，草原、高原和山地均是风能资源非常丰富的地区，再加上东南季风和南季风的影响，具备大量的风能资源。因此，对风力发电的开发刻不容缓。

众所周知，风力发电机依托风能来完成发电的，其发电量的多少与风速大小有很大关系。一般来说，风的速度越大，风电机组的工作效率会随之增强，但风速越高，电机中出现故障的概率也会随之增大。因此为了最大限度地提高风电机组的发电量，将风速控制在一定范围内是必要的。为了解决这一难题，精准把握风电场的风速显得尤为重要。而目前风速预测的方法通常包含物理预测模型、统计预测模型、机器学习模型以及组合预测模型这四类。如今，预测模型的尺度以及深度都在不断增加，机器学习中深度学习与智能优化算法的结合是近年来人工智能领域的研究热点，不少学者将这类方法应用于风速预测并取得了不错的成果。但风速数据因其独有的间歇性和随机性特征，使得精准预测依然存有难度，所以对预测方法的优化依然是必要的。

发明内容

针对上述问题，本发明提出了一种新的深度学习与智能优化算法相结合的风速预测模型，旨在提高风速预测精度，同时提出了一种改进的海洋捕食者算法，以优化GRU模型中的超参数，解决GRU超参数最优组合难以人为设定的难题。

为实现上述目的，本发明提出了一种智能优化算法IMPA，从而构建了一个新的IMPA-GRU风速预测模型，其主要包括以下步骤：

S1：数据预处理，选择合适的风速预测特征，保留相关特征数据，形成输入数据。对输入数据进行归一化处理，转换为可输入网络的特定类型，并根据比例划分测试集和训练集；

S2：设置种群数量、迭代次数和上下限，采用Tent混沌映射初始化海洋捕食者种群分布，开始进行迭代搜索；

S3：设置适应度函数，计算初始海洋捕食者适应度值并排序，将目前最优适应度值当作顶级捕食者，然后生成一个相同种群数量的精英种群；

S4：引入锦标赛选择机制和自适应选择两种策略来改进海洋捕食者算法的位置更新机制，随着迭代不断更新个体位置并计算其适应度值；

S5：将步骤S4得到的适应度值逐一与上一代精英海洋捕食者的适应度值进行比较，保留较大适应度值的个体并替换为精英个体，最终得到精英个体位置即为最优解；

S6：设置网络初始参数，预先设置网络批次大小，构建模型的深度与宽度，使用上述步骤改进的MPA优化GRU的第一隐含层和第二隐含层神经元数量，最大迭代次数以及学习率四个参数；

S7：将步骤S6得到的最优参数组合输入GRU从而建立IMPA-GRU预测模型，进而在训练集上训练该模型；

S8：基于步骤S7训练的模型进行模型预测及评估，在测试集上进行一步风速预测，将预测结果与真实值对比，输出多个评估指标值衡量预测精度和误差，并与多个预测模型对比，证明本发明方法更具优越性。

基于上述技术方法，本发明具有如下有益效果：

本发明提出了一种新的改进海洋捕食者算法IMPA来优化模型参数，得到一组最优参数，然后构建了一种新的风速预测模型IMPA-GRU，该模型使用上述最优的参数组合，不仅让GRU的参数设置更科学合理，也使模型预测性能可以达到最优，从而提高风速预测精度，有效掌握风电场风速状况，一定程度上提升风电产量，更有利于从业人员对风电机进行维护与检修，降低出现故障的概率，从而降低企业固有成本。

附图说明

图1为本发明GRU网络结构图

图2为本发明的MPA流程图

图3为本发明的IMPA流程图

图4为本发明的IMPA在测试函数F9上的性能测试结果

图5为本发明的IMPA优化学习率lr参数曲线

图6为本发明的IMPA优化迭代次数epochs参数曲线

图7为本发明的IMPA优化第一隐含层神经元数曲线

图8为本发明的IMPA优化第二隐含层神经元数曲线

图9为本发明提出的预测模型IMPA-GRU流程图

图10为本发明提出的模型在训练集和测试集上的损失曲线

具体实施方式

为了使本发明技术路线更简单易懂，下面结合附图对本发明作进一步的详细说明，在此发明的示例以及说明用来解释本发明，但并不作为对本发明的限定。

本发明主要分为参数优化和风速预测两大模块，首先为了提高风速的预测精度，本发明采用了预测效果较好的深度学习方法GRU来提取深度信息，最大程度地拟合风速数据，但由于GRU固有的受超参数取值影响问题，本发明采用了一种智能优化算法对GRU超参数进行优化，为了能获得使GRU预测性能达到最高的参数组合，本发明对基础海洋捕食者算法(Marine Predator Algorithm，MPA)提出了三点改进，从而提出了一种新的智能优化算法IMPA。IMPA通过了23个基准测试函数和6种优化算法的性能评估，然后构建了新的预测模型IMPA-GRU，将本发明提出的模型与其他5种预测模型进行对比，并通过多个指标来衡量IMPA-GRU模型的预测精度与预测误差。

GRU可以根据单元的输入信号自适应地记忆和遗忘自己的状态，旨在解决网络运行缓慢、梯度消失爆炸问题。GRU的结构如图1所示，其包含一个隐藏状态单元

r

z

式中x

MPA是一种智能优化算法，其灵感主要来源于鲨鱼、金枪鱼和箭鱼等海洋生物的觅食策略，通过探索捕食者与猎物之间相遇的规律来求解优化问题。上述觅食策略被总结为Lévy飞行和Brownian运动两类，其中Lévy飞行是一种随机游走方式，其步长的概率分布是重尾分布，能够以较大的概率进行大幅度的跳跃，从而跳出局部最优，扩大搜索的范围以得到全局最优解。Lévy分布的数学定义如下：

L(x

式中，x

式中，α表示分布指数和控制过程的尺度性质，γ为选择尺度单位。该积分在少数情况下有解析解。当α＝2时，它表示高斯分布，当α＝1时，它表示柯西分布。多数情况下，求解该积分比较困难。基于此，Mantegna提出了一种精确高效的算法，指数分布(α)在0.3～1.99范围内时可以生成Lévy稳定过程，采用Mantegna方法生成基于Lévy分布的随机数，如下列各式：

σ

式中，α＝1.5为Lévy分布参数，x和y是服从标准差为σ

Brownian运动是马尔科夫过程的一种特殊形式，标准Brownian运动是一个随机过程，它的步长是从标准正态分布定义的概率函数中提取出来的，该运动在点x处的概率密度函数如下所示：

其中，μ＝0，σ

在具体的算法过程中，通过权衡上述两类运动在不同阶段的选择来最大限度地提高捕食者与猎物之间的会遇率。

海洋捕食者算法的寻优过程主要包含初始化、优化过程和涡流形成与鱼类聚集(Fish Aggregating Devices，FADs)效应三个阶段。

其一，初始化：

MPA是一种基于种群的方法，由pop个个体组成，每个个体i在第t次迭代时都会获得一个位置向量

其中，Ub＝[ub

其中，

其中，x

其二，优化过程：

MPA算法优化过程根据捕食者与猎物之间的速度比，以及海洋生物的行为准则，将整个优化过程划分为三个阶段，每个阶段都会提前设置一个迭代周期，分别将整个迭代周期均分为三份，即每个阶段的迭代周期占总的三分之一：

①第一阶段被称为勘探阶段：

初期时猎物移动速度很快，此时猎物与捕食者的速度比大于1，捕食者需要最大限度地勘探搜索空间的未知区域，该阶段处于算法迭代周期的前三分之一部分。因此，当

其中，t为当前迭代次数，T为最大迭代次数，P是一个常数且P＝0.5，R是一个均匀分布在范围[0，1]之间的随机向量，stepsize表示猎物的移动步长，R

②第二阶段被称为半勘探半开发阶段：

此时捕食者和猎物的速度移动几乎相同，即猎物与捕食者的速度比近似等于1，此阶段内算法需要从勘探阶段向开发阶段过渡，根据适应度值将总群的前一半个体划分为猎物，猎物进行Lévy移动，对已知区域进行深入开发，后一半群体则为捕食者，捕食者进行Brownian运动继续勘探整个探索空间。

因此，当

式中，R

式中，α＝1.5，x,y可根据式(22)计算得到：

σ

与此同时，捕食者群体的位置更新根据公式(25)和(26)产生：

式中，R

③第三阶段被称为开发阶段：

优化阶段后期时，猎物的速度变慢，猎物与捕食者的速度比小于1，算法的局部开发能力增强以开发已经勘探过的搜索空间，种群中的所有个体都采用Lévy飞行进行位置更新。

因此，当

其三，涡流形成与FADs效应：

根据海洋生物生活环境可知，涡流形成或FADs效应等外界因素会导致海洋中的捕食者改变其觅食行为，据研究鲨鱼会花费超过80％的时间在FADs附近，剩下20％的时间则会在不同维度上进行更远的跳跃。在MPA算法中，FADs被认为是最优解，为了模拟涡流形成与FADs效应，避免陷入局部最优，需要设置更长的跳跃以寻找一个更优的猎物分布环境。因此，所有种群个体在进行常规的位置更新后，会根据公式(30)再次进行位置更新：

式中，FADs＝0.2是影响优化过程的概率，R是均匀分布在范围[0,1]之间的随机数，1和2都是范围在[1，pop]之间的随机正整数，U是取0和1的二进制向量，可由式(31)计算得到：

式中，r

在MPA算法中，通过更新猎物位置和实现涡流形成与FADs效应后，对种群个体进行适应度评估，进而更新Elite矩阵。如果某个个体的适应度值优于其历史最优值，则当前个体将会替换掉Prey矩阵中的相应位置。如果当前个体适应度值优于顶级捕食者的适应度值，则当前个体替换为新的顶级捕食者，同时更新Elite矩阵。随着迭代的进行，不断提升可行解的质量，寻找最优解，MPA流程图见图2。

进一步地，基于上述基础的海洋捕食者，本发明针对MPA的薄弱点提出以下三点改进：

首先，针对MPA的初始化是一个简单的随机初始化，在算法前期勘探能力不足，容易导致收敛速度慢这一问题，本发明选择引入Tent混沌映射为MPA算法生成一个更好的初始位置，Tent混沌映射的数学表达式为：

其中，x

其次，针对MPA种群个体位置更新易受到当前位置和搜索目标范围的限制，一定程度上削弱了算法勘探与开发能力这一问题，本发明引入锦标赛选择策略对第三阶段的位置更新进行改进；

最后，针对MPA算法简单地将迭代次数均分为三份，耗费大量时间进行全局勘探，算法收敛速度缓慢甚至无法收敛这一问题。本发明使用了一种自适应阶段转换策略，通过计算一个相对速度变化率参数Rate来自适应地切换种群个体的执行阶段，参数Rate可由下式计算得到：

式中，

为了验证本文提出的IMPA算法的有效性，选择了23个经典的基准测试函数进行性能验证，还选择了除基础MPA算法以外的5种经典或新颖的优化算法进行对比，分别是差分进化算法(Differential Evolution Algorithm，DE)，人工蜂群算法(Artificial BeeColony Algorithm，ABC)，布谷鸟搜索算法(Cuckoo Search，CS)，飞蛾扑火优化算法(MothFlame Optimizer，MFO)，蝗虫优化算法(Grasshopper Optimization Algorithm，GOA)。每种算法都统一设置种群大小为30，最大迭代次数为500次，独立运行30次，图4是IMPA与其他6种算法在测试函数F9上的测试结果。

基于上述IMPA通过测试后，使用IMPA优化GRU的四个超参数，在优化过程中，批量大小取值为128，数据选取了2014—2016年的冬季数据，共包含39300条样本信息和温度、压力、湿度等13个样本特征，时间分辨率为10分钟，对原始数据进行归一化处理，再将整个数据集的前80％划为训练集，剩余20％作为测试集，归一化的数学公式为：

其中，x表示原数据，x

得到最佳参数组合后，本发明提出的IMPA-GRU模型可以在测试集中进行预测和评估，其框架如图9所示。设置网络批次大小batch-size为128，构建网络模型为一层GRU隐含层，一层全连接层，基于构建好的网络模型，在测试集上进行风速预测时，使用平均绝对百分比误差(Mean Absolute Percentage Error，MAPE)、均方根误差(RootMean SquareError，RMSE)、平均绝对误差(Mean Absolute Error，MAE)和决策系数R

(1)平均绝对百分比误差：

(2)均方根误差：

(3)平均绝对误差：

(4)决策系数：

式中，y

基于上述衡量指标评估IMPA-GRU模型性能的结果，模型预测值与真实值的拟合情况，以及图10展示的模型在训练集和测试集上的损失情况，结果证明了本发明的短期风速预测模型有较好的预测精度。

本发明提出的短期风速预测模型IMPA-GRU不仅让GRU的参数设置更科学合理，也使模型预测性能达到最优。对比对照组5种风速预测模型，本发明提出的短期风速预测模型在该数据集上的MAPE、RMSE和MAE三个误差值分别减小了1.63％，1.43％和1.4％，拟合优度R

本领域的技术人员容易理解，上述结论仅为本发明的一个实施案例，应用于不同的风速数据时该模型可能达到更高的精度和更小的误差，凡在本发明的模型结构所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。