Page 68 - 电力与能源2023年第六期

614 关小宇，等：基于 WOA-BiLSTM 模型的短期光伏出力预测

电量。然而，以上算法存在算法复杂、需要花费大 在图 1 的在门控单元中，遗忘门 F t 负责确定
量时间寻找模型最优参数等问题。 需要遗忘的信息：
针对以上问题，本文提出一种基于鲸鱼优化 F t = σ (W f X t + U f H t - 1 + b f) （1）
算 法（WOA）与 双 向 长 短 期 记 忆 神 经 网 络（BiL⁃ 输入门 I t 决定了哪些信息需要被保留：
STM）的光伏出力短期预测模型。相较于长短期 I t = σ (W i X t + U i H t - 1 + b i) （2）
记忆神经网络（LSTM），BiLSTM 可以更好地捕 输出门 O t 决定了何时将细胞状态输出，再通
捉 序 列 数 据 中 的 上 下 文 信 息 。 本 文 首 先 使 用 过遗忘门和输入门的控制，能够更新细胞状态中

WOA 对 BiLSTM 的相关参数进行优化，再使用 的信息：
优 化 参 数 后 的 BiLSTM 对 光 伏 出 力 进 行 预 测 。 O t = σ (W o X t + U o H t - 1 + b o) （3）
试 验 结 果 表 明 ，相 较 于 传 统 的 LSTM 与 BiL⁃ 式中 W，U——各门控单元的权重；b——各门
STM，使用 WOA-BiLSTM 模型进行光伏出力预
控单元的偏置项； σ——Sigmoid 函数。
测可以显著地提升预测精度。
1.2 BiLSTM 模型
1 WOA-BiLSTM 模型构建 BiLSTM 是深度学习中一种常用的循环神经
网络（RNN）架构。BiLSTM 的基本结构可以分
1.1 LSTM 模型
为输入层、前向 LSTM、后向 LSTM、合并层与输
随着深度学习的快速发展，目前学术界提出
出层 5 个部分。前向 LSTM 由多个 LSTM 单元
了大量的预测模型，其中 LSTM 是一种用于处理
组成，通过时间步骤逐步处理输入序列数据。在
和预测时间序列数据的循环神经网络模型，是最
每个时间步骤中，输入数据和前一个时间步骤的
经典的深度学习预测模型之一，被广泛应用于时
隐藏状态经过一系列运算，得到经过门控操作后
间序列预测。LSTM 的核心思想是利用记忆单元
的输出。后向 LSTM 与前向 LSTM 层类似，也由
来存储和更新信息。每个记忆单元由一个细胞状
多个 LSTM 单元组成，但其以相反的时间顺序处
态和三个门（输入门、遗忘门、输出门）组成。这些
理输入序列数据，从而捕捉到相反方向的上下文
门通过可学习的权重来控制信息的流动，使得网
信息。合并层将前向 LSTM 层和后向 LSTM 层
络能够选择性地添加、删除或输出信息。
的输出进行合并。一种常见的合并方式是简单地
在 LSTM 中，输入门决定哪些信息需要更新
将对应时间步骤上的前向和后向输出连接起来，
并存储到记忆单元中，遗忘门决定哪些信息需要
形成一个更丰富的表示。根据任务的要求，输出
从记忆单元中删除，输出门决定从记忆单元中输
层可以在合并后的输出上应用不同的机制，如全
出何种信息。LSTM 通过这种门控机制，可以有
连接层、Softmax 层等，以产生最终的预测结果或
效 地 处 理 时 间 序 列 数 据 中 的 长 期 依 赖 关 系 。
生成序列。
LSTM 能够捕捉长距离的时间依赖，并且在反向
传播算法中能够减少梯度消失问题，从而提高网 BiLSTM 的输出表达式如下：

络的训练效果和泛化能力。 h t = Concat( h tf，h tb ) （4）
式 中 h t —— BiLSTM 隐 藏 层 ELU 状 态 ；
LSTM 神经网络结构示意如图 1 所示。
Concat —— 拼 接 操 作 ；h tf ，h tb —— 前 向 和 后 向
LSTM 的隐藏层状态。
1.3 WOA

WOA 是由 Mirjalili 等人于 2016 年提出的一
种受自然界中鲸鱼觅食行为启发的进化优化算
法 ［13］ 。在群体狩猎时，座头鲸通过相互接近来包
图 1 LSTM 神经网络结构示意 围猎物，同时也通过环形游动和喷气形成气泡网