Page 70 - 电力与能源2023年第六期

616 关小宇，等：基于 WOA-BiLSTM 模型的短期光伏出力预测

处理后的数据集进行训练集与测试集的划分。
本文使用 MATLAB 2020b进行步长为 15 min
的短期光伏出力预测。其中 LSTM 和 BiLSTM 的
神经元数量、学习率、迭代次数分别取 100，0.01，
500，WOA-BiLSTM 的神经元数量、学习率与迭

代次数则由 WOA 优化算法算出。
2.2 模型预测精度评价指标
本文选用平均绝对误差（I MAE ）、均方根误差
（I RMSE ）和拟合优度（R ）度量预测模型的精度，计
2
图 3 突变天气下三种模型预测结果对比图
I
算公式如式（15）~式（17）。其中， MAE 和 I RMSE 越
BiLSTM 模型预测的 R 在三者中最接近于 1，相
2
小，表明预测结果的精确度越高，R 的值越接近于
2
较于 LSTM 模型提高了 5.82%，相较于 BiLSTM
1，预测结果越准确。
模 型 提 高 了 2.09%。 由 此 可 得 ，WOA-BiLSTM
1 m | )
I MAE = ∑|( y i - y ̂ i （15） 模型的预测精度相较于另外两种模型有一定的
m i = 1
提升。
1 m ) 2
I RMSE = ∑( y i - y ̂ i （16）
m 表 1 3 种模型预测精度评价指标
i = 1
) 2 预测模型 I MAE I RMSE R 2
i
∑( y ̂ - y i LSTM 1.084 8 1.744 2 0.898 93
2
R = 1 - i ) 2 × 100% （17） BiLSTM 0.935 02 1.384 9 0.936 28
∑( y ˉ i - y i
WOA-BiLSTM 0.735 86 1.135 3 0.957 18
i = 1
式中 y i——光伏输出功率的真实值；y ˉ i——光伏
输出功率真实值的平均值； y ̂ ——光伏输出功率 3 结语
i
的预测值；m——测试样本集的数量。 为了给电网运行调控提供更多的有效信息，
2.3 3 种模型预测结果对比 并且有效提高电网运行的安全性和经济性，本文
为了验证本文所提方法的有效性，将 WOA- 提出了一种基于鲸鱼优化算法与 BiLSTM 相结
BiLSTM 模型与 LSTM，BiLSTM 这 3种模型在突 合的短期光伏出力预测模型。首先对历史光伏出

变天气下的预测结果进行对比，所得预测结果如图 力数据与气象数据进行归一化处理，再使用归一
3 所示。由图 3 曲线可得知，在突变天气下时，3 种 化处理后的数据集对 WOA-BiLSTM 预测模型进
模型的预测精度会受到一定的影响，特别是在光伏 行训练，并通过华东某实际光伏电站发电数据与
出力转折点处，易出现预测不准确的情况，但相较 气象数据验证了所提模型的有效性。
于 LSTM 与 BiLSTM 模型，本文所使用的 WOA- 预测结果显示，相较于 LSTM 与 BiLSTM 预
BiLSTM 模型的预测效果相对要好一些。 测模型，本文所使用 WOA-BiLSTM 模型的预测

LSTM，BiLSTM，WOA-BiLSTM 3 种 模 型 精 度 显 著 提 高 ：平 均 绝 对 误 差（I MAE ）相 较 于
在突变天气下的预测精度评价指标如表 1 所示。 LSTM 模 型 下 降 了 32.16%，相 较 于 BiLSTM 模
从表 3 可以得出，在 3 种模型中，WOA-BiLSTM 型 下 降 了 21.3%；均 方 根 误 差（I RMSE ）相 较 于
模 型 预 测 的 I MAE 最 低 ，相 较 于 LSTM 下 降 了 LSTM 模 型 下 降 了 34.91%，相 较 于 BiLSTM 模

32.16%，相 较 于 BiLSTM 下 模 型 降 了 21.3%； 型下降了 18.02%；拟合优度（R ）相较于 LSTM 模
2
WOA-BiLSTM 模型预测的 I RMSE 在 3 个模型中也 型 提 高 了 5.82%，相 较 于 BiLSTM 模 型 提 高
是最低，相较于 LSTM 模型下降了 34.91%，相较 2.09%。综上所述，可以得出如下结论。
于 BiLSTM 模 型 下 降 了 18.02%；而 WOA- （下转第 653 页）