基于C-GRU神经网络的风功率预测优化模型

本书采用历史风功率数据和数值天气预报中的风速、风向以及风的经纬分量作为风功率预测模型的输入数据，风功率的预测值作为输出，进行单步预测。模型可以由下式表示：

式（11－14）中，为模型的输出量，即t时刻风功率的预测值；pt－k为模型的输入，是一个16维的向量，代表t—k时刻之前的风功率数据；st、dt、ut、vt也为模型的输入，分别为t时刻风速、风向、风的经度分量和纬度分量在数值天气预报中的预测值。整个C－GRU风功率预测模型的结构图如图11－11所示。

从图11－11可以看出，C－GRU风功率预测模型由2个主要部分组成，即负责对原始输入数据进行特征提取和降维的卷积神经网络以及负责对处理后的时间序列进行预测的GRU神经网络。高维的原始输入数据传入卷积神经网络后，通过特征提取器与池化层的处理，形成包含历史风功率数据以及风速数据特征的低维特征图谱。特征图谱作为输入传到GRU神经网络中，GRU神经网络中的重置门与更新门在大量训练中不断地调整自身参数，使它能够从卷积神经网络提取的信息中学习数据间的时间依从关系。最后，在模型的末端加入一个激活函数为线性激活函数的单一神经元L来计算GRU神经网络的预测值，最终整个C－GRU风功率预测模型的输出值即为这个全连接神经元的输出。

(www.xing528.com)

图11-11　C-GRU风功率预测模型结构

对于整个C－GRU风功率预测模型的训练，可采用了时间反向传播算法，即将循环神经网络按照一定时间步长展开，展开结果可以看作深度的前馈神经网络，进而可以实施标准的反向传播算法。采用Adam算法作为模型梯度的优化算法，相比于传统的随机梯度下降SGD（Stochastic Gradient Descent）法，Adam算法采用自适应动态调整的学习率，一方面能够根据不同的参数选择不同的学习率，另一方面还能够对学习率形成一个动态约束，避免较大的梯度波动。模型中的目标损失函数采用均方误差函数，即：

其中，Q为训练集中的样本数量；pt为t时刻风电场风功率的真实值。