碳中和背景下多通道特征組合超短期風(fēng)電功率預(yù)測(cè)

黃樹(shù)幫，陳耀，金宇清

碳中和背景下多通道特征組合超短期風(fēng)電功率預(yù)測(cè)

黃樹(shù)幫1,2，陳耀1,2，金宇清3*

（1．新疆金風(fēng)科技股份有限公司，北京市 大興區(qū) 100176；2．江蘇金風(fēng)軟件技術(shù)有限公司，江蘇省 無(wú)錫市 214000;3．河海大學(xué)能源與電氣學(xué)院，江蘇省 南京市 211100）

碳中和背景下，風(fēng)電將成為我國(guó)的主導(dǎo)能源之一。隨著人工智能技術(shù)快速發(fā)展，人工神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于風(fēng)力發(fā)電功率預(yù)測(cè)。傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)算法采用固定形式數(shù)據(jù)集和單一網(wǎng)絡(luò)結(jié)構(gòu)，限制了整體表達(dá)能力，導(dǎo)致超短期風(fēng)電功率預(yù)測(cè)由于各種不確定因素造成難以控制的誤差。為此，提出一種基于人工神經(jīng)網(wǎng)絡(luò)的多通道特征組合模型，用于超短期風(fēng)電功率預(yù)測(cè)。首先將數(shù)據(jù)集進(jìn)行重新分類，分別輸入到3個(gè)神經(jīng)網(wǎng)絡(luò)，建立3種特征組合形式；再將多通道特征進(jìn)行拼接融合，并將融合后的特征加入到全連接神經(jīng)網(wǎng)絡(luò)中進(jìn)行功率預(yù)測(cè)，可消除不同特征之間的干擾，有效學(xué)習(xí)到長(zhǎng)期依賴的數(shù)據(jù)特征；最后對(duì)5個(gè)風(fēng)電場(chǎng)數(shù)據(jù)進(jìn)行算法驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，該方法比單通道模型能夠獲得更好的預(yù)測(cè)精度，而且增加了網(wǎng)絡(luò)穩(wěn)定性。

碳中和；風(fēng)力發(fā)電；超短期功率預(yù)測(cè)；人工神經(jīng)網(wǎng)絡(luò)；多通道

0 引言

為了達(dá)成2060年實(shí)現(xiàn)碳中和的目標(biāo)，必須大力發(fā)展風(fēng)電等清潔能源。風(fēng)力發(fā)電已成為全球重要的能源生產(chǎn)來(lái)源，到2023年，全球新增風(fēng)電裝機(jī)容量將超過(guò)300GW[1]。我國(guó)新能源發(fā)電連續(xù)多年發(fā)展迅速，截至2019年年底，風(fēng)電累計(jì)裝機(jī)2.1億kW，預(yù)計(jì)到2025年年底，風(fēng)電裝機(jī)規(guī)模將超過(guò)4億kW，占全國(guó)電源總裝機(jī)比例14%以上。與傳統(tǒng)的化石能源發(fā)電不同，由于風(fēng)速固有的隨機(jī)性和間歇性，風(fēng)力發(fā)電很難在電網(wǎng)中進(jìn)行精準(zhǔn)調(diào)度[2-3]。因此，風(fēng)電功率預(yù)測(cè)成為應(yīng)對(duì)風(fēng)電不確定性、減少電力系統(tǒng)調(diào)度偏差和售電交易偏差的有效方法[4-5]。尤其近2年隨著電力現(xiàn)貨市場(chǎng)快速發(fā)展，超短期風(fēng)電功率預(yù)測(cè)能力直接影響電力實(shí)時(shí)調(diào)度水平和售電交易偏差考核結(jié)果，如何提高超短期風(fēng)電功率預(yù)測(cè)的準(zhǔn)確性，具有重大的現(xiàn)實(shí)意義。

風(fēng)電功率預(yù)測(cè)方法可以分為4類：物理模型、統(tǒng)計(jì)模型、空間相關(guān)性和人工智能模型。基于物理模型的方法總是需要物理傳感器、衛(wèi)星或氣象儀器來(lái)預(yù)測(cè)特定位置的氣象數(shù)據(jù)，然后根據(jù)氣象數(shù)據(jù)的物理動(dòng)力學(xué)對(duì)測(cè)量數(shù)據(jù)進(jìn)行建模，結(jié)果相對(duì)準(zhǔn)確，但計(jì)算成本和硬件設(shè)備是一個(gè)問(wèn)題。基于統(tǒng)計(jì)模型的方法，比較流行的模型是自回歸積分移動(dòng)平均(autoregressive integrated moving average model，ARIMA)[6]和指數(shù)平滑(exponential smoothing，ES)[7]模型，盡管這些模型具有計(jì)算成本低的優(yōu)點(diǎn)，但由于線性關(guān)系，它們只適用于短期預(yù)測(cè)?？臻g相關(guān)性預(yù)報(bào)是一種利用本地周圍地區(qū)的歷史天氣資料、未來(lái)天氣預(yù)報(bào)對(duì)本地進(jìn)行預(yù)報(bào)的方法。典型的人工智能模型包括人工神經(jīng)網(wǎng)絡(luò)[8-10]、核嶺回歸[11]、支持向量機(jī)[12-13]和最小二乘支持向量機(jī)[14]、模糊邏輯系統(tǒng)[15]及其組合方法。目前主流的人工智能模型以深度學(xué)習(xí)(deep learning，DL)模型為主，主要包括卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)和長(zhǎng)短期記憶網(wǎng)絡(luò)[16-17](long short-term memory，LSTM)系列，CNN主要依靠局部感受野學(xué)習(xí)局部的內(nèi)在聯(lián)系，LSTM主要是具有記憶能力，能將過(guò)去學(xué)習(xí)到的規(guī)律延續(xù)到之后的學(xué)習(xí)當(dāng)中。

基于人工智能模型的功率預(yù)測(cè)方法結(jié)構(gòu)簡(jiǎn)單，易于在風(fēng)電場(chǎng)中實(shí)施，但由于風(fēng)能的隨機(jī)性和間歇性，通常很難得到準(zhǔn)確的預(yù)測(cè)結(jié)果。許多學(xué)者致力于提高風(fēng)功率預(yù)測(cè)精度，并取得了一定的成果，文獻(xiàn)[18]利用LSTM不同神經(jīng)元來(lái)提取同一個(gè)數(shù)據(jù)集的特征，雖然一定程度上增加了特征表達(dá)能力，但是由于固定數(shù)據(jù)集的原因，表達(dá)能力依然受限。文獻(xiàn)[19]通過(guò)構(gòu)建數(shù)據(jù)集利用LSTM的學(xué)習(xí)能力，并通過(guò)Adboost來(lái)進(jìn)行決策，固定形式數(shù)據(jù)集和網(wǎng)絡(luò)限制了整體表達(dá)能力。文獻(xiàn)[20]利用與電場(chǎng)相關(guān)性較高的上游電場(chǎng)數(shù)據(jù)或者測(cè)風(fēng)塔數(shù)據(jù)進(jìn)行預(yù)測(cè)，此方法實(shí)施條件較高，首先需要得到上游電場(chǎng)的數(shù)據(jù)，同時(shí)需要主導(dǎo)風(fēng)向長(zhǎng)時(shí)間一致，在滿足條件情況下電場(chǎng)預(yù)測(cè)精度較高。文獻(xiàn)[15]指出在季風(fēng)區(qū)利用季風(fēng)在地理空間上的大范圍一致性，可以顯著提高風(fēng)速空間相關(guān)性預(yù)測(cè)的效果。文獻(xiàn)[21]利用CNN和LSTM同時(shí)提取特征并進(jìn)行預(yù)測(cè)，雖然得到了較好的結(jié)果，但是未對(duì)數(shù)據(jù)集進(jìn)行劃分，沒(méi)有發(fā)揮CNN的局部感受野特性和LSTM記憶能力強(qiáng)的特性。

在風(fēng)力發(fā)電過(guò)程中，由于局部地形的影響，風(fēng)電場(chǎng)的不均勻性、風(fēng)電機(jī)組的非線性動(dòng)力學(xué)、非計(jì)劃停機(jī)等仍存在不確定性，風(fēng)電預(yù)測(cè)存在難以控制的誤差，給電網(wǎng)調(diào)度帶來(lái)較大風(fēng)險(xiǎn)。傳統(tǒng)的功率預(yù)測(cè)方法難以滿足電力系統(tǒng)實(shí)際運(yùn)行的需要。本文對(duì)傳統(tǒng)的預(yù)測(cè)模式進(jìn)行改進(jìn)，將數(shù)據(jù)集進(jìn)行重新分類，減少風(fēng)力不確定性因素之間的干擾，通過(guò)不同通道的不同任務(wù)來(lái)提高超短期風(fēng)電功率預(yù)測(cè)的準(zhǔn)確率。

1 人工神經(jīng)網(wǎng)絡(luò)

1.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)主要由卷積層、池化層和全連接層組成，如圖1所示。其中，卷積層是CNN的核心，運(yùn)用卷積核對(duì)數(shù)據(jù)進(jìn)行卷積操作以提取數(shù)據(jù)的內(nèi)部特征。池化層對(duì)卷積層的輸出進(jìn)行池化操作，作用是對(duì)數(shù)據(jù)進(jìn)行壓縮，提高網(wǎng)絡(luò)泛化能力。卷積神經(jīng)網(wǎng)絡(luò)在圖像、視頻和語(yǔ)音方面都得到了廣泛的應(yīng)用并取得了優(yōu)異的成績(jī)。卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)[22]的重要分支，能夠應(yīng)用在眾多領(lǐng)域中，主要得益于它的局部感受野和權(quán)值共享機(jī)制。

圖1 卷積神經(jīng)網(wǎng)絡(luò)基本模型

在功率預(yù)測(cè)領(lǐng)域，由于其樣本為單點(diǎn)數(shù)據(jù)的時(shí)間序列，且存在一定的季節(jié)周期和人為因素，單純的局部感受野可能會(huì)丟失一部分特征，所以急需一種適合提取時(shí)序樣本特征的網(wǎng)絡(luò)。所以，在原始卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上結(jié)合膨脹卷積[23]，具有了在時(shí)間序列上提取特征的能力。

1.2 長(zhǎng)短期記憶網(wǎng)絡(luò)

長(zhǎng)短期記憶網(wǎng)絡(luò)[24](long short term memory networks，LTSM)，是一種時(shí)間循環(huán)神經(jīng)網(wǎng)絡(luò)，適用于處理和預(yù)測(cè)時(shí)間序列中間隔和延遲較長(zhǎng)的重要事件，其結(jié)構(gòu)如圖2所示。在深度學(xué)習(xí)領(lǐng)域中，以CNN為代表的傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)在解決分類任務(wù)方面表現(xiàn)優(yōu)異，但無(wú)法處理信息之間復(fù)雜的時(shí)間相關(guān)性。由于LSTM的神經(jīng)網(wǎng)絡(luò)中包含時(shí)間記憶單元，因此，在時(shí)間序列預(yù)測(cè)中應(yīng)用較多。本文利用LSTM強(qiáng)大的記憶功能在第1個(gè)實(shí)測(cè)數(shù)據(jù)通道中用來(lái)提取時(shí)序特征。

圖2 LSTM網(wǎng)絡(luò)結(jié)構(gòu)

2 基于多通道特征組合預(yù)測(cè)模型的設(shè)計(jì)

2.1 多通道特征組合模型

本文對(duì)傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，用多通道神經(jīng)網(wǎng)絡(luò)代替以往的單通道神經(jīng)網(wǎng)絡(luò)，緩解數(shù)據(jù)之間的干擾，從而能夠提取更多的有用信息。具體流程如圖3所示，在特征組合環(huán)節(jié)建立3種不同數(shù)據(jù)集組合形式，分別是：1）歷史實(shí)測(cè)數(shù)據(jù)的歷史時(shí)序信息，此部分通過(guò)LSTM網(wǎng)絡(luò)來(lái)提取時(shí)序特征；2）在實(shí)測(cè)數(shù)據(jù)中加入對(duì)應(yīng)時(shí)間的數(shù)值氣象預(yù)報(bào)(numerical weather prediction，NWP)信息，用來(lái)提取實(shí)測(cè)數(shù)據(jù)與NWP之間的耦合關(guān)系，此部分通過(guò)一維卷積神經(jīng)網(wǎng)絡(luò)提取特征；3）將全量數(shù)據(jù)加入到一維卷積神經(jīng)網(wǎng)絡(luò)中提取特征，用來(lái)對(duì)之前的特征加以補(bǔ)充。在特征融合環(huán)節(jié)，將3種特征提取結(jié)果進(jìn)行拼接融合，并將融合后的特征加入全連接神經(jīng)網(wǎng)絡(luò)(fully connected layer，F(xiàn)C)中進(jìn)行功率預(yù)測(cè)。

圖3 多通道特征組合模型

2.2 超短期功率預(yù)測(cè)特征

超短期功率預(yù)測(cè)是指能夠以當(dāng)前時(shí)刻為基準(zhǔn)，預(yù)測(cè)未來(lái)4h、時(shí)間粒度15min的風(fēng)電場(chǎng)發(fā)電功率。超短期預(yù)測(cè)用到的數(shù)據(jù)主要有歷史實(shí)測(cè)以及NWP數(shù)據(jù)。具體的數(shù)據(jù)形式如圖4所示。歷史數(shù)據(jù)一般包含時(shí)序信息，即包含過(guò)去一段時(shí)間的風(fēng)況，利用LSTM網(wǎng)絡(luò)的記憶功能，可以大致預(yù)測(cè)未來(lái)一段時(shí)間的時(shí)序信息；NWP數(shù)據(jù)包含整個(gè)大氣變化過(guò)程信息，可以描述風(fēng)速運(yùn)動(dòng)過(guò)程，通過(guò)不同組合可得到更多新特征。

圖4 超短期功率預(yù)測(cè)可用數(shù)據(jù)形式

2.3 膨脹卷積設(shè)置

當(dāng)時(shí)，膨脹卷積就成為一般卷積操作；當(dāng)時(shí)，膨脹卷積能夠擴(kuò)展前后數(shù)據(jù)寬度。膨脹卷積的基本結(jié)構(gòu)如圖5所示。

2.4 改進(jìn)多通道的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

傳統(tǒng)多通道神經(jīng)網(wǎng)絡(luò)基于單一形式數(shù)據(jù)集進(jìn)行建模，限制了整體表達(dá)能力。本文對(duì)傳統(tǒng)模型加以改進(jìn)，將數(shù)據(jù)集劃分為3種組合，輸入到3個(gè)不同的通道。第1個(gè)組合是純實(shí)測(cè)數(shù)據(jù)，旨在能夠?qū)W習(xí)到數(shù)據(jù)的時(shí)序特征；第2個(gè)組合是實(shí)測(cè)數(shù)據(jù)加上歷史NWP數(shù)據(jù)，期望能夠?qū)W習(xí)到實(shí)測(cè)數(shù)據(jù)與NWP的內(nèi)在耦合關(guān)系；第3個(gè)組合是放入所有的數(shù)據(jù)，期望能夠讓網(wǎng)絡(luò)自身能夠?qū)W習(xí)到數(shù)據(jù)之間的關(guān)聯(lián)性。通過(guò)采用改進(jìn)多通道的設(shè)計(jì)，期望在有效的數(shù)據(jù)集中提取更多的有效特征，一般神經(jīng)網(wǎng)絡(luò)的多通道形式如圖6所示。其中：LSTM單元組成一個(gè)時(shí)間鏈?zhǔn)浇Y(jié)構(gòu)，即該層為L(zhǎng)STM層；CNN單元組成卷積層；實(shí)測(cè)數(shù)據(jù)為風(fēng)電場(chǎng)的歷史實(shí)際功率；NWP歷史為當(dāng)前時(shí)刻以及以前的氣象預(yù)報(bào)數(shù)據(jù)；NWP未來(lái)為當(dāng)前時(shí)刻以后的氣象預(yù)報(bào)數(shù)據(jù)。針對(duì)輸入數(shù)據(jù)采用不同的網(wǎng)絡(luò)進(jìn)行特征提取，從而在很大程度上擴(kuò)充單一網(wǎng)絡(luò)的特征提取能力。

圖6 多通道神經(jīng)網(wǎng)絡(luò)改進(jìn)形式

3 算法實(shí)現(xiàn)

本文通過(guò)采用多通道特征組合方法，在同一層中融入時(shí)序信息和數(shù)據(jù)耦合關(guān)系，讓網(wǎng)絡(luò)的同一層能夠?qū)W習(xí)到更多的數(shù)據(jù)特征，從而提高預(yù)測(cè)準(zhǔn)確率。

該算法流程圖設(shè)計(jì)如圖7所示，首先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，過(guò)濾掉由于風(fēng)電場(chǎng)限電、停機(jī)、維修等人為因素造成的異常數(shù)據(jù)；然后對(duì)數(shù)據(jù)進(jìn)行歸一化處理，分別建立3個(gè)通道的訓(xùn)練數(shù)據(jù)，根據(jù)3個(gè)通道的各自任務(wù)設(shè)計(jì)特定的神經(jīng)網(wǎng)絡(luò)，再把3個(gè)通道得到的特征進(jìn)行融合，輸入到全連接層，獲得網(wǎng)絡(luò)輸出；最后對(duì)網(wǎng)絡(luò)輸出數(shù)據(jù)進(jìn)行歸一化逆向操作，得到預(yù)測(cè)結(jié)果。本算法采用Python下的Keras-GPU計(jì)算框架來(lái)實(shí)現(xiàn)。

圖7 多通道神經(jīng)網(wǎng)絡(luò)算法流程圖

圖8是該算法設(shè)計(jì)的網(wǎng)絡(luò)結(jié)構(gòu)輸出圖，由 圖8可以看到3個(gè)通道逐步加入特征，通過(guò)各自網(wǎng)絡(luò)的轉(zhuǎn)換后進(jìn)行特征融合的整個(gè)過(guò)程。

圖8 多通道神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

4 實(shí)驗(yàn)分析與討論

為了驗(yàn)證本文提出多通道特征組合模型的有效性和魯棒性，分別選取了具有全國(guó)代表性風(fēng)況區(qū)域的5個(gè)風(fēng)電場(chǎng)進(jìn)行實(shí)驗(yàn)，分別是華東地區(qū)江蘇的2個(gè)風(fēng)電場(chǎng)、東北地區(qū)內(nèi)蒙的一個(gè)風(fēng)電場(chǎng)、中南部地區(qū)云南的一個(gè)風(fēng)電場(chǎng)和西北地區(qū)甘肅的一個(gè)風(fēng)電場(chǎng)。訓(xùn)練數(shù)據(jù)(包括歷史實(shí)測(cè)數(shù)據(jù)和數(shù)值氣象預(yù)報(bào)數(shù)據(jù))時(shí)間范圍選取自2019年3月1日至2020年2月29日，測(cè)試數(shù)據(jù)時(shí)間范圍選取自2020年3月1日至2020年3月31日。本實(shí)驗(yàn)基于Ubuntu操作系統(tǒng)，服務(wù)器CPU為InterI5-7 300HQ，GPU為GTX1050Ti。

4.1 數(shù)據(jù)預(yù)處理

圖10為過(guò)濾前后的折線圖對(duì)比，對(duì)于風(fēng)速大、功率小的異常值進(jìn)行刪除處理。

圖10 實(shí)測(cè)功率與實(shí)測(cè)風(fēng)速折線圖過(guò)濾前后對(duì)比

4.2 評(píng)價(jià)指標(biāo)

為評(píng)估模型的預(yù)測(cè)性能，本實(shí)驗(yàn)采用國(guó)家能源局西北監(jiān)管局下發(fā)的考核細(xì)則中均方根誤差(root mean square error，RMSE)準(zhǔn)確率及調(diào)和平均(harmonic mean，HM)準(zhǔn)確率作為本實(shí)驗(yàn)的評(píng)價(jià)指標(biāo)。

均方根誤差準(zhǔn)確率表示為

調(diào)和平均準(zhǔn)確率表示為

調(diào)和平均準(zhǔn)確率計(jì)算復(fù)雜并且與實(shí)測(cè)功率和預(yù)測(cè)功率大小有關(guān)，為電網(wǎng)調(diào)度考核公式，本文只作為模型評(píng)價(jià)參考指標(biāo)。

4.3 對(duì)比分析

為了分析和驗(yàn)證本方法的預(yù)測(cè)精度效果，將其與單通道神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了對(duì)比分析，其中，單通道神經(jīng)網(wǎng)絡(luò)模型是將數(shù)據(jù)直接輸入到單一的神經(jīng)網(wǎng)絡(luò)中進(jìn)行預(yù)測(cè)。為了使分析結(jié)果具有充分的代表性，本次實(shí)驗(yàn)選取了分布在中國(guó)不同地區(qū)的5個(gè)風(fēng)力發(fā)電場(chǎng)進(jìn)行測(cè)試。

1）江蘇地區(qū)。選取裝機(jī)容量均為99MW的某風(fēng)電場(chǎng)A和B，該電場(chǎng)處于溫帶季風(fēng)氣候、亞熱帶季風(fēng)氣候，四季分明，春暖多變，夏雨集中，秋高氣爽，冬季寒冷，是季風(fēng)氣候明顯的區(qū)域。表1是針對(duì)2個(gè)電場(chǎng)數(shù)據(jù)采用不同算法的預(yù)測(cè)結(jié)果對(duì)比。圖11為不同算法預(yù)測(cè)值折線對(duì)比圖，從圖中可看出多通道預(yù)測(cè)結(jié)果更貼合實(shí)際功率，在部分時(shí)間段可以有效抑制超短期預(yù)測(cè)滯后現(xiàn)象，充分證明了本算法的有效性。

表1 江蘇地區(qū)2種算法的預(yù)測(cè)結(jié)果對(duì)比

圖11 江蘇地區(qū)2種算法預(yù)測(cè)值折線對(duì)比圖

2）內(nèi)蒙古地區(qū)。選取裝機(jī)容量為60MW的某風(fēng)電場(chǎng)C。該電場(chǎng)處于溫帶大陸性氣候、溫帶季風(fēng)氣候，地勢(shì)由東北向西南斜伸，呈狹長(zhǎng)形，全區(qū)基本屬一個(gè)高原型的地貌區(qū)。表2是針對(duì)該電場(chǎng)數(shù)據(jù)采用不同算法的預(yù)測(cè)結(jié)果對(duì)比，圖12為不同算法預(yù)測(cè)值折線對(duì)比圖。

表2 內(nèi)蒙古地區(qū)2種算法的預(yù)測(cè)結(jié)果對(duì)比

圖12 內(nèi)蒙古地區(qū)2種算法預(yù)測(cè)值折線對(duì)比圖

3）云南地區(qū)。選取裝機(jī)容量為100MW的某風(fēng)電場(chǎng)D。該電場(chǎng)處于亞熱帶季風(fēng)氣候、熱帶季風(fēng)氣候、高原山地氣候。表3是針對(duì)該電場(chǎng)數(shù)據(jù)采用不同算法的預(yù)測(cè)結(jié)果對(duì)比，圖13為不同算法預(yù)測(cè)值折線對(duì)比圖。

表3 云南地區(qū)2種算法的預(yù)測(cè)結(jié)果對(duì)比

圖13 云南地區(qū)2種算法預(yù)測(cè)值折線對(duì)比圖

4）甘肅地區(qū)。選取裝機(jī)容量為99MW的某大型風(fēng)電場(chǎng)E。該電場(chǎng)處于亞熱帶季風(fēng)氣候、溫帶大陸性氣候、高原山地氣候。表4是針對(duì)該電場(chǎng)數(shù)據(jù)采用不同算法的預(yù)測(cè)結(jié)果對(duì)比，圖14為不同算法預(yù)測(cè)值折線對(duì)比圖。

表4 甘肅地區(qū)2種算法的預(yù)測(cè)結(jié)果對(duì)比

圖14 甘肅地區(qū)2種算法預(yù)測(cè)值折線對(duì)比圖

綜合分析以上不同地區(qū)風(fēng)電場(chǎng)的預(yù)測(cè)對(duì)比結(jié)果得出：無(wú)論是在氣候特點(diǎn)復(fù)雜的甘肅地區(qū)，還是氣候特點(diǎn)規(guī)律性較強(qiáng)的江蘇地區(qū)，抑或是高原型的內(nèi)蒙古和云南地區(qū)，采用多通道神經(jīng)網(wǎng)絡(luò)模型均表現(xiàn)良好，獲得準(zhǔn)確度更高的預(yù)測(cè)結(jié)果。與單通道模型相比，在均方根誤差準(zhǔn)確率上平均可提高0.55個(gè)百分點(diǎn)，在調(diào)和平均準(zhǔn)確率上平均可提高0.42個(gè)百分點(diǎn)。

5 結(jié)論

1）通過(guò)實(shí)際風(fēng)電場(chǎng)數(shù)據(jù)的對(duì)比分析，基于卷積神經(jīng)網(wǎng)絡(luò)的多通道特征組合超短期風(fēng)電功率預(yù)測(cè)模型和預(yù)測(cè)方法比傳統(tǒng)單通道算法預(yù)測(cè)效果更優(yōu)，而且增強(qiáng)了對(duì)原始數(shù)據(jù)集的抗干擾能力。

2）采用改進(jìn)多通道神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)，針對(duì)歷史實(shí)測(cè)數(shù)據(jù)、數(shù)值天氣預(yù)報(bào)數(shù)據(jù)及其數(shù)據(jù)耦合關(guān)系建立3個(gè)不同的通道，采用不同的網(wǎng)絡(luò)進(jìn)行特征提取，可捕捉到更多的數(shù)據(jù)特征，擴(kuò)充了單一網(wǎng)絡(luò)的特征提取能力，并減少了風(fēng)力不確定性因素之間的干擾，提升了超短期功率預(yù)測(cè)準(zhǔn)確率。

3）考慮到實(shí)測(cè)數(shù)據(jù)的隨機(jī)性，下一步，本算法可以與小波變換結(jié)合，將實(shí)測(cè)功率進(jìn)行小波分解，得到高頻信息和低頻信息，高頻信息中含有大量隨機(jī)數(shù)據(jù)，針對(duì)高頻信息和低頻信息分別建模研究，期望獲得更佳的應(yīng)用效果。

[1]全球風(fēng)能理事會(huì)．全球風(fēng)能報(bào)告[R]．全球風(fēng)能理事會(huì)，2019．

Global Wind Energy Council．Global wind energy report[R]．Global Wind Energy Council，2019．

[2]錢(qián)峰，陳藝，劉俊磊，等．大規(guī)模風(fēng)電接入的電力系統(tǒng)協(xié)調(diào)控制策略[J]．廣東電力，2019，32(11)：12-18．

QIAN F，CHEN Y，LIU J L，et al．Coordinated control strategy for power systems with large-scale wind power integration[J]．Guangdong Electric Power，2019，32(11)：12-18．

[3]施濤，李春來(lái)，朱慧敏．考慮功率預(yù)測(cè)不確定性的風(fēng)電消納隨機(jī)調(diào)度[J]．電網(wǎng)與清潔能源，2019，35(4)：55-59．

SHI T，LI C L，ZHU H M．Stochastic dispatching of wind power accommodation considering uncertainty of power prediction[J]．Power System and Clean Energy，2019，35(4)：55-59．

[4]張坤，張金環(huán)，張巍巍，等．基于ASD-KDE的風(fēng)電出力超短期區(qū)間預(yù)測(cè)[J]．智慧電力，2019，47(5)：32-37．

ZHANG K，ZHANG J H，ZHANG W W，et al．Ultra-short-term wind power interval prediction based on ASD-KDE[J]．Smart Power，2019，47(5)：32-37．

[5]張金環(huán)，王超群，張彤，等．基于高斯混合分布模型的風(fēng)電功率預(yù)測(cè)誤差統(tǒng)計(jì)分析研究[J]．智慧電力，2020，48(7)：59-64．

ZHANG J H，WANG C Q，ZHANG T，et al．Statistical analysis of wind power forecasting errors based on Gaussian mixture model[J]．Smart Power，2020，48(7)：59-64．

[6]趙濱濱，王瑩，王彬，等．基于ARIMA時(shí)間序列的分布式光伏系統(tǒng)輸出功率預(yù)測(cè)方法研究[J]．可再生能源，2019，37(6)：820-823．

ZHAO B B，WANG Y，WANG B，et al．Photovoltaic power prediction in distribution network based on ARIMA model time series[J]．Renewable Energy Resources，2019，37(6)：820-823．

[7]田波，樸在林，王慧．基于時(shí)間序列建模在風(fēng)力發(fā)電功率短期預(yù)測(cè)中的研究[J]．電網(wǎng)與清潔能源，2016，32(3)：115-119．

TIAN B，PIAO Z L，WANG H．Short term prediction of wind power based on time series modeling[J]．Power System and Clean Energy，2016，32(3)：115-119．

[8]朱紅路，李旭，姚建曦，等．基于小波分析與神經(jīng)網(wǎng)絡(luò)的光伏電站功率預(yù)測(cè)方法[J]．太陽(yáng)能學(xué)報(bào)，2015，36(11)：2725-2730．

ZHU H L，LI X，YAO J X，et al．The power prediction method for photovoltaic power station based on wavelet analysis and neural networks[J]．Acta Energiae Solaris Sinica，2015，36(11)：2725-2730．

[9]潘志剛，劉三明，李瑩，等．基于深度學(xué)習(xí)網(wǎng)絡(luò)的風(fēng)電場(chǎng)功率短期預(yù)測(cè)研究[J]．科技與創(chuàng)新，2015 (19)：4-6．

PAN Z G，LIU S M，LI Y，et al．Research on the short-term forecasting of wind power based on deep learning network[J]．Science and Technology & Innovation，2015(19)：4-6．

[10]葉興，薛家祥．改進(jìn)型LSTM網(wǎng)絡(luò)光伏發(fā)電功率預(yù)測(cè)研究[J]．中國(guó)測(cè)試，2019，45(11)：14-20．

YE Y，XUE J X．Research on photovoltaic power generation prediction based on improved LSTM network[J]．China Measurement & Testing Technology，2019，45(11)：14-20．

[11]王瑞，劉明山，周原．一種基于DBN和卡爾曼濾波算法的AGV定位算法：CN201710027637.3 [P]．2017-05-17．

WANG R，LIU M S，ZHOU Y．An AGV location algorithm based on DBN and Kalman filter algorithm：CN201710027637.3[P]．2017-05-17．

[12]趙怡茗．基于VMD-SE-LSSVM和迭代誤差修正的光伏發(fā)電功率預(yù)測(cè)[D]．西安：西安理工大學(xué)，2018．

ZHAO Y M．PV power prediction based on VMD-SE-LSSVM and iterative error correction[D]．Xi'an：Xi'an University of Technology，2018．

[13]CHANG C C，LIN C J．LIBSVM：a library for support vector machines[J]．ACM Transactions on Intelligent Systems & Technology，2011，2(3)：1-27．

[14]楊延西，劉?。谛〔ㄗ儞Q和最小二乘支持向量機(jī)的短期電力負(fù)荷預(yù)測(cè)[J]．電網(wǎng)技術(shù)，2005，29(13)：60-64．

YANG Y X，LIU D．Short-term load forecasting based on wavelet transform and least square support vector machines[J]．Power System Technology，2005，29(13)：60-64．

[15]周志華．機(jī)器學(xué)習(xí)[J]．中國(guó)民商，2016，3(21)：93．

ZHOU Z H．Machine learning[J]．China's civil and commercial，2016，3(21)：93．

[16]李相俊，許格?。陂L(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電功率預(yù)測(cè)方法[J]．發(fā)電技術(shù)，2019，40(5)：426-433．

LI X J，XU G J．Wind power prediction method based on long short-term memory neural network[J]．Power Generation Technology，2019，40(5)：426-433．

[17]郎偉明，麻向津，周博文，等．基于LSTM和非參數(shù)核密度估計(jì)的風(fēng)電功率概率區(qū)間預(yù)測(cè)[J]．智慧電力，2020，48(2)：31-37．

LANG W M，MA X J，ZHOU B W，et al．Wind power probabilistic intervals prediction based on LSTM and nonparametric kernel density estimation[J]．Smart Power，2020，48(2)：31-37．

[18]周飛燕，金林鵬，董軍．卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]．計(jì)算機(jī)學(xué)報(bào)，2017，40(6)：1229-1251．

ZHOU F Y，JIN L P，DONG J．Review of convolutional neural network[J]．Chinese Journal of Computers，2017，40(6)：1229-1251．

[19]牛哲文，余澤遠(yuǎn)，李波，等．基于深度門(mén)控循環(huán)單元神經(jīng)網(wǎng)絡(luò)的短期風(fēng)功率預(yù)測(cè)模型[J]．電力自動(dòng)化設(shè)備，2018，38(5)：43-49．

NIU Z E，YU Z Y，LI B，et al．Short-term wind power forecasting model based on deep gated recurrent unit neural network[J]．Electric Power Automation Equipment，2018，38(5)：43-49．

[20]AHMED A，KHALID M．A review on the selected applications of forecasting models in renewable power systems[J]．Renewable and Sustainable Energy Reviews，2019，100：9-21．

[21]楊正瓴，馮勇，熊定方，等．基于季風(fēng)特性改進(jìn)風(fēng)電功率預(yù)測(cè)的研究展望[J]．智能電網(wǎng)，2015，3(1)：1-7．

YANG Z L，F(xiàn)ENG Y，XIONG D F．Research prospects of improvement in wind power forecasting based on characteristics of monsoons[J]．Smart Grid，2015，3(1)：1-7．

[22]郭麗麗，丁世飛．深度學(xué)習(xí)研究進(jìn)展[J]．計(jì)算機(jī)科學(xué)，2015，42(5)：28-33．

GUO L L，DING S F．Research progress of deep learning[J]．Computer Science，2015，42(5)：28-33．

[23]王星，李超，陳吉．基于膨脹卷積神經(jīng)網(wǎng)絡(luò)模型的中文分詞方法[J]．中文信息學(xué)報(bào)，2019，33(9)：24-30．

WANG X，LI C，CHEN J．Dilated convolution neural networks for Chinese word segmentation[J]．Journal of Chinese Information Processing，2019，33(9)：24-30．

[24]應(yīng)稼田，程良倫，林錦發(fā)．一種用于風(fēng)電功率預(yù)測(cè)的雙存儲(chǔ)結(jié)構(gòu)LSTM模型[J]．無(wú)線互聯(lián)科技，2019，16(5)：117-120．

YING J T，CHENG L L，LIN J F．A dual storage structure LSTM model for wind power prediction[J]．Wuxian Hulian Keji，2019，16(5)：117-120．

[25]劉彬，戴桂平．基于白化檢驗(yàn)和3σ準(zhǔn)則的小波閾值去噪算法[J]．傳感技術(shù)學(xué)報(bào)，2005，18(3)：473-476．

LIU B，DAI G P．Adaptive wavelet thresholding denoising algorithm based on white noise detection and 3σ rule[J]．Chinese Journal of Sensors and Actuators，2005，18(3)：473-476．

A Multi-channel Feature Combination Model for Ultra-short-term Wind Power Prediction Under Carbon Neutral Background

HUANG Shubang1,2, CHEN Yao1,2, JIN Yuqing3*

(1. Xinjiang Goldwind Science & Technology Co., Ltd., Daxing District, Beijing 100176, China;2. Jiangsu Goldwind Software & Technology Co., Ltd., Wuxi 214000, Jiangsu Province, China;3. College of Energy and Electrical Engineering, Hohai University, Nanjing 211100, Jiangsu Province, China)

Wind power will become one of the dominant power sources of China oriented to carbon neutral. With the rapid development of artificial intelligence technology, artificial neural networks are widely used in wind power generation forecasting. Traditional artificial neural network algorithms use fixed-form data sets and simple network structures, which limits the overall expression ability and results in uncontrollable errors in ultra-short-term wind power forecasting due to various uncertain factors. In this work, a multi-channel feature combination model based on artificial neural network for ultra-short-term wind power prediction was proposed. Firstly, the data were reclassified and input into three neural networks to establish three feature combinations. After that, multi-channel features splicing and fusion were performed. The fused features were added to the fully connected neural network for power prediction, which can eliminate the interference between different features and effectively learn long-term dependent data features. Finally, the algorithm was verified on the actual data of five wind farms. The experimental results show that this method has better prediction accuracy than the single-channel model, and can improve the network stability.

carbon neutral; wind power generation; ultra-short-term power prediction; artificial neural network; multi-channel

10.12096/j.2096-4528.pgt.20103

TK 89

國(guó)家自然科學(xué)基金項(xiàng)目(52077059)。

Project Supported by National Natural Science Foundation of China (52077059).

2020-10-09。

(責(zé)任編輯 辛培裕)