Page 69 - 电力与能源2023年第六期
P. 69
关小宇，等：基于 WOA-BiLSTM 模型的短期光伏出力预测 615
来驱赶猎物。这种独特的狩猎策略被称为泡泡网 数、学习率与迭代次数的影响，人工调整参数需要
觅食法。WOA 算法的核心思想正是借鉴了座头 耗费大量的时间来进行大量的训练，并且不一定
鲸采用泡泡网觅食法的特点，通过引入随机或最 能达到较好的效果，因此考虑采用智能优化算法
佳搜索代理来模拟座头鲸的围捕行为，主要包含 对模型中的参数进行自动调整。本文选用鲸鱼优
包 围 猎 物（Encircling Prey）、泡 网 攻 击（Bubble- 化算法对 BiLSTM 循环网络的参数取值进行优
Net Attacking）与 搜 索 猎 物（Search for Prey）3 个 化，从而提高 BiLSTM 模型的全局寻优能力，进
阶段。 一步提高预测精度。
（1）包围猎物阶段： WOA-BiLSTM 模型结构框架如图 2 所示。
| |
∗
|
D = CX ( t )- X ( t ) | （5）
X ( t + 1 )= X ( t )- A ⋅ D （6）
∗
A = 2a ⋅ r - a （7）
C = 2r （8）
式 中 t—— 迭 代 次 数 ；A，C—— 系 数 向 量 ；X ∗
—— 猎 物 的 位 置 向 量 ；X—— 鲸 鱼 的 位 置 向 量 ；
a ——迭代过程中由 2 呈线性减小到 0； r ——［0，
1］之间的随机向量。
（2）泡网攻击阶段。泡网攻击主要包含两个
机制，收缩包围机制与螺旋更新机制。本文设定
阈值为 0.5，并利用产生的概率值 p 来确定鲸鱼在
攻击过程中采取何种机制。当概率 p<0.5 且|A|
<1 时，采用收缩包围机制；而当概率 p>0.5 时，
则采用螺旋机制来更新鲸鱼的位置。
收缩包围机制：
A = 2a ⋅ r - a （9） 图 2 WOA-BiLSTM 模型的结构框架
（10）
a = 2( t max - t )/t max
2 WOA-BiLSTM 模型预测效果
式中 t max——最大迭代次数。
螺旋更新位置： 2.1 时间序列数据预处理
ml
X ( t + 1 )= D′⋅ e ⋅ cos ( 2πl )+ X ( t ) （11） 本文选取的样本集为华东某光伏电站 2021 年
∗
| |
∗
D′= X - X ( t ) | （12） 的光伏出力时间序列数据，以及光伏电站环境检
|
测仪获取得到的光照辐射度、环境温度、大气压
式中 m——常数；l——［0，1］之间的随机数。
强、空气湿度这 4 种环境时间序列。光伏出力的
（3）搜索猎物阶段。当|A| >1 时，座头鲸根
有效输出时间基本在白天 ，故只取白天 8：00 至
据彼此的位置进行随机搜索，数学表达式如下：
17：00 时间段的数据用作训练和测试，采样时间间
| |
D = C ⋅ X rand ( t )- X ( t ) | （13） 隔为 15 min，每天的采样点为 36 个。由于原始数
|
X ( t + 1 )= X rand ( t )- A ⋅ D （14） 据集中存在个别由传感器故障或通信设备故障而
式中 X rand——随机选中的鲸鱼个体的位置。 导致环境影响因素为 0 的“不良数据”。为了防止
1.4 WOA-BiLSTM 模型结构 这些数据造成干扰，需对这些数据进行剔除，再对
BiLSTM 模 型 预 测 精 度 主 要 受 到 神 经 元 个 原始数据集进行归一化处理，按照 8∶2 的比例对
