基于旗鱼算法优化长短期记忆网络LSTM的风电场发电功率预测

基于旗鱼算法优化长短期记忆网络LSTM的风电场发电功率预测

1.LSTM原理

LSTM 模型主要引入了"门"的机制，其中包含三个门：遗忘门、输入门和输出门。通过这些门的组合，LSTM 能 够在序列中有效地存储和检索信息，从而更好地捕捉长期依赖关系。其结构如图 1 所示。

当前状态与上一时刻状态关系为

$$\begin{array}{rl}& f_t=\sigma \left(W_f\bullet \left[h_{t-1},x_t\right]+b_f\right)\\ & i_t=\sigma \left(W_i\bullet \left[h_{t-1},x_t\right]+b_i\right)\\ & {\tilde{C}}_t=\tanh \left(W_c\bullet \left[h_{t-1},x_t\right]+b_c\right)\\ & o_t=\sigma \left(W_o\bullet \left[h_{t-1},x_t\right]+b_o\right)\end{array}$$

式中：$\sigma$ 为 sigmod 激活函数； $\tanh$ 为双曲正切激活函数；$h_{t-1}$ 为 $\mathrm{t}-1$ 时刻的输出；$f_t,i_t,{\tilde{C}}_t,o_t$ 分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；$W_f,W_i,W_c,Wo$ 分别为各对应层的权重t；$b_f,b_i,b_c,b_o$分别为各对应层的偏置系数。

最后，新的状态表示为

$$C_t=f_t\times c_{t-1}+i_t\times {\tilde{C}}_t$$

2.风电功率预测

2.1 数据集

数据集为2019年风电功率数据，数据集如下：

数据特征除时间意外，一共包含14维特征

我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。实际应用中，Windowsize的大小可根据实际情况进行修改。

3.基于旗鱼算法优化的LSTM

旗鱼算法原理请参考：https://blog.csdn.net/u011835903/article/details/109256699
由前文可知，LSTM的参数设置具有满目性。本文利用旗鱼算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）进行优化。适应度函数设计为训练集的MAPE平均百分比误差：
$$fitness=argmin(MAPEpridect)$$

适应度函数选取训练后的MAPE误差。MAPE误差越小表明预测的数据与原始数据重合度越高。最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数。然后利用最佳学习率，LSTM神经元个数，正则化参数训练后的网络对测试数据集进行测试。

4.实验结果