基于深度循環(huán)神經(jīng)網(wǎng)絡(luò)的大規(guī)模風(fēng)力發(fā)電功率預(yù)測

向 勇, 王一軍, 孔寅恪

(中南大學(xué) 自動化學(xué)院,湖南 長沙 410083)

1 引言

風(fēng)電作為未來清潔能源的一種，應(yīng)用前景廣大，但風(fēng)電輸出的獨特波動和間歇性，成為制約其快速發(fā)展的因素之一。大型風(fēng)電場功率波動容易引起電網(wǎng)運(yùn)行和調(diào)度較大的波動，尤其是風(fēng)力發(fā)電特殊的防峰調(diào)節(jié)特性，造成電網(wǎng)調(diào)度與管理的難度。隨著風(fēng)電場在電力領(lǐng)域的不斷增加和擴(kuò)容，為保證電網(wǎng)平穩(wěn)運(yùn)行，發(fā)電站通過限制風(fēng)力發(fā)電產(chǎn)量的辦法進(jìn)行管理與協(xié)調(diào)，難以適應(yīng)后續(xù)發(fā)展。風(fēng)能的隨機(jī)性和波動性等難以控制因素，進(jìn)一步導(dǎo)致了風(fēng)力發(fā)電機(jī)運(yùn)作穩(wěn)定性差、功率波動、諧波污染、電壓波動、電流異常、回路異常等問題，供電網(wǎng)絡(luò)規(guī)模越大，對系統(tǒng)性能影響越大[1-3]。準(zhǔn)確預(yù)測風(fēng)力發(fā)電的輸出功率，可以減少頻率調(diào)制和峰值調(diào)節(jié)帶來的壓力，降低電力系統(tǒng)的波動及異常，提高電力系統(tǒng)對風(fēng)力發(fā)電的兼容和提升能力[4-5]，降低運(yùn)行成本，擴(kuò)大風(fēng)電覆蓋面，提高風(fēng)電場使用率、穩(wěn)定性和安全性，是保證電網(wǎng)高效運(yùn)行、促進(jìn)清潔能源發(fā)展的有效措施之一。

本文通過分析大規(guī)模風(fēng)力發(fā)電功率特性和風(fēng)電預(yù)測時間序列特性，提出以深度循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測，結(jié)合小波系數(shù)多尺度分析的隱馬爾可夫預(yù)測方法，將深度學(xué)習(xí)引入到循環(huán)神經(jīng)網(wǎng)絡(luò)中來，構(gòu)建基于多尺度隱馬爾可夫模型-深度循環(huán)神經(jīng)網(wǎng)絡(luò)模型的大規(guī)模風(fēng)力發(fā)電功率預(yù)測模型(MHMM-DRNN)，并通過仿真實驗對多種預(yù)測方法進(jìn)行分析比較。

2 風(fēng)電預(yù)測時間序列特性

時序是一組按時間排序的序列變量，如流量、推力、氣候、溫度、濕度、壓力等。時間序列的序列可以是基本時間，也可采用年等單位，沒有具體規(guī)定。時間序列有確定時間特性和非確定時間特性。確定時間特性是指統(tǒng)計數(shù)據(jù)與時間發(fā)生聯(lián)系的序列特征；非確定時間特性是指統(tǒng)計數(shù)據(jù)不與時間發(fā)生聯(lián)系的序列特征。根據(jù)實際風(fēng)電特性如裝機(jī)容量特性、地域特性、氣象特性等，結(jié)合時域分析與頻域分析，研究對風(fēng)力發(fā)電信號時間序列特性，探索風(fēng)電預(yù)測時間序列分析和預(yù)測方法，以實現(xiàn)準(zhǔn)確預(yù)測。預(yù)測風(fēng)能主要通過分析風(fēng)的歷史時間序列，并對其進(jìn)行統(tǒng)計預(yù)測風(fēng)力發(fā)電功率提供指導(dǎo)，同時采用時變解釋模型變量預(yù)判和評價風(fēng)力發(fā)電功率[6-8]。

主要結(jié)果如下：

(1)連續(xù)預(yù)測法是風(fēng)電預(yù)測中一種相對簡單的方法。基于時間序列分析的預(yù)測模型，預(yù)測模型分析了風(fēng)速的時間序列，然后將風(fēng)速轉(zhuǎn)化為風(fēng)力發(fā)電功率。

(2)數(shù)值天氣預(yù)報以電場周圍的實際情況為基礎(chǔ)，在一定的受限條件下，通過熱力學(xué)和水動力學(xué)的數(shù)學(xué)模型解釋天氣演化過程的變化規(guī)律。因此，數(shù)值預(yù)測模型的輸出(包括風(fēng)、氣溫、氣壓等)在給定時間中詳細(xì)預(yù)測了大氣狀態(tài)。

(3)物理預(yù)測方法利用微氣象學(xué)理論，轉(zhuǎn)換風(fēng)電場功率曲線，可以描述風(fēng)電場周圍影響因素的特點和風(fēng)電場設(shè)備的特點。

(4)采用統(tǒng)計方法無需考慮風(fēng)電場周圍影響因素的特征與風(fēng)電設(shè)備特性的關(guān)系。

(5)如果只使用功率曲線進(jìn)行預(yù)測，非線性風(fēng)向曲線誤差引起的誤差將進(jìn)一步放大，風(fēng)速的微小變化可能導(dǎo)致較大的偏差功率，使用功率曲線的組合e測得的風(fēng)速和功率曲線可使預(yù)測的根均方誤差(RMSE) 增加近20%[9-12]。

3 風(fēng)力發(fā)電功率預(yù)測模型

3.1 深度循環(huán)神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)是其特征為一個具有無限層次結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡(luò)。循環(huán)神經(jīng)網(wǎng)絡(luò)每個層次結(jié)構(gòu)的基本屬性是記憶數(shù)據(jù)，而不是聯(lián)合處理相關(guān)數(shù)據(jù)。通過每次層次結(jié)構(gòu)的推進(jìn)，新數(shù)據(jù)被記憶到每一層次結(jié)構(gòu), 利用大量數(shù)據(jù)更新層次結(jié)構(gòu)信息，循環(huán)神經(jīng)網(wǎng)絡(luò)可以得到大量數(shù)據(jù)信息[8-10]。深度循環(huán)神經(jīng)網(wǎng)絡(luò)作為一種深層神經(jīng)網(wǎng)絡(luò)，具備多層感應(yīng)功能，其基本功能是時間反饋和信息傳遞。每次層次結(jié)構(gòu)更新數(shù)據(jù)，新數(shù)據(jù)都通過層次結(jié)構(gòu)之間聯(lián)系進(jìn)行傳遞，神經(jīng)網(wǎng)絡(luò)的每一層次結(jié)構(gòu)可獲取大量實時信息[12-14]。

設(shè)定n維導(dǎo)入序列x1，x2，…，xn，m維網(wǎng)絡(luò)的隱層時間序列為h1，h2，…，hm，k維導(dǎo)出序列為y1，y2，…，yk，迭代公式如下：

ti=Whxxi+Whhhi-1+bh,hi=e(ti)

Si=Wyhhi+by,yi=g(si)

(1)

式中：Whx、Whh、Wyh為權(quán)值矩陣；bh、by為基底；ti為隱層參數(shù)導(dǎo)入，Si為導(dǎo)出序列的設(shè)置，他們同為k維的參數(shù)e、g提前設(shè)置的非線性向量參數(shù)函數(shù)：

(2)

其中第一層隱層的公式如下：

h(1)(xt)=σ(W(1)xt+b(1)+Uh(1)(xt-i))

(3)

式中：RNN模型基于狀態(tài)參數(shù)的輸入數(shù)據(jù)xt和狀態(tài)參數(shù)對xt-1重構(gòu)參數(shù)；h(1)(xt-1) 為計算網(wǎng)絡(luò)結(jié)構(gòu)h(1)(xt) 激活參數(shù)；W(1)和U為連接參數(shù)權(quán)值；b(1)是當(dāng)前層的基底數(shù)據(jù)；σ代表sigmoid函數(shù)激活式為：

σ(z)=1/(1+e-z)

(4)

深度循環(huán)神經(jīng)網(wǎng)絡(luò)(Deep Recurrent Neural Network，DRNN)模型是基于多層RNN模型進(jìn)行構(gòu)建，數(shù)據(jù)具有良好的非線性化適用性，可以兼容不同的狀態(tài)變量的變化。在此，通過式(5)來描述DRNN網(wǎng)絡(luò)模型為：

h(i)(xt)=σ(W(i)h(i-1)xt+b(i))

(5)

式中：h(i)(xt) 描述第i層的狀態(tài)變量，在此i大于1，同時對于每個隱層狀態(tài)變量都有設(shè)置一定權(quán)重W(i)和基準(zhǔn)值b(i)。

3.2 多尺度隱馬爾可夫模型

在有限狀態(tài)馬爾可夫模型中，定義初始分布參數(shù)和狀態(tài)轉(zhuǎn)換概率矩陣參數(shù)來分析與評價當(dāng)前狀態(tài)的概率特征，而在隱藏的馬爾可夫模型，只能分析與評價狀態(tài)的過程概率。隱馬爾可夫樹模型更具體反映小波變換的聚合和持久性[15-16]。隱馬爾可夫模型樹結(jié)構(gòu)的父節(jié)點和子節(jié)點之間的聯(lián)系，可以類似于小波變換比例之間的依賴性特征。隱馬爾可夫模型和小波變換之間的狀態(tài)變量聯(lián)系可以體現(xiàn)在隱馬爾可夫樹模型結(jié)構(gòu)中，即當(dāng)每個父狀態(tài)參數(shù)通過一定概率變化到其他子狀態(tài)參數(shù)，或者變化到子狀態(tài)參數(shù)變量時，小波系數(shù)可以描述為高斯混合模型特征。相應(yīng)的隱藏馬爾可夫結(jié)構(gòu)描述為：

(6)

式中：ps1(m)為根節(jié)點Si的概率密度函數(shù)；給定父狀態(tài)|Sρ(i)為r，子狀態(tài)Si為m的條件概率。

參數(shù)向量θ表示為：

r=1,2,…,M}

(7)

(1)初始化多尺度隱馬爾可夫模型向量θ0；

(2)將迭代步長l定義為零；

(3)計算隱狀態(tài)變量S的聯(lián)合概率密度函數(shù)分布p(S|w,θl)；

(4)令θl+1為當(dāng)Es[lnf(w,S|w,θl]最大時θ的參數(shù)值；

(5)l=l+1 ，如果θ的參數(shù)值達(dá)到收斂范圍，則停止，否則轉(zhuǎn)到步驟(3)。

3.3 MHMM-DRNN預(yù)測模型構(gòu)建

多尺度隱藏馬爾可夫模型用于大規(guī)模風(fēng)電時間序列的預(yù)處理、多尺度分解和單分支重建，建立基于多尺度隱藏馬爾可夫鏈的深循環(huán)神經(jīng)網(wǎng)絡(luò)的大型風(fēng)力發(fā)電時間序列預(yù)測模型(為MHMM-DRNN模型)。圖1顯示了MHMM-DRNN預(yù)測模型的結(jié)構(gòu)。

圖1 MHMM-DRNN 預(yù)測模型結(jié)構(gòu)

首先，將大規(guī)模風(fēng)力發(fā)電功率時間序列數(shù)據(jù)進(jìn)行多尺度隱馬爾可夫分解和單支重構(gòu)成多條序列。

MHMM-DRNN模型包括：

(1)數(shù)據(jù)準(zhǔn)備：規(guī)范化數(shù)據(jù)，并保存其最大值和最小值；

(2)多尺度隱蔽馬爾科夫分解和單分支重建；

(3)階段空間重建；

對于時間序列{sk}，k= 1，2，…，m，采用先對{sk}進(jìn)行相空間重構(gòu)，通過轉(zhuǎn)化為一個nin×mre的矩陣，矩陣結(jié)構(gòu)如下：

式中：X為矩陣導(dǎo)入格式；Y為矩陣出格式。nin×mre的矩陣為n維時間序列x(t)，目標(biāo)序列可以設(shè)置為y(t)。

(4)對DRNN模型進(jìn)行訓(xùn)練；

(5)經(jīng)過訓(xùn)練的DRNN模型對子系列的測試樣本預(yù)測；

(6)多組訓(xùn)練數(shù)據(jù)分別對DRNN模型進(jìn)行訓(xùn)練；

(7)用訓(xùn)練好的DRNN模型對子序列的測試樣本進(jìn)行預(yù)測。

4 實例

選取內(nèi)蒙古某風(fēng)電場2015年歷史數(shù)據(jù)作為研究對象，利用MHMM-DRNN預(yù)測模型進(jìn)行功率預(yù)測。數(shù)據(jù)為采集單臺風(fēng)機(jī)輪轂處功率。以二期工程2015年數(shù)據(jù)為例，選取現(xiàn)有的2015年數(shù)據(jù)進(jìn)行分析。由于二期工程2014年底才投運(yùn)，因此前幾個月的數(shù)據(jù)采集情況穩(wěn)定性不佳，故選取2015年2月至7月數(shù)據(jù)作為歷史實測數(shù)據(jù)，如圖2所示。

圖2 2015年2月至7月數(shù)據(jù)作為歷史實測數(shù)據(jù)

考慮到隨機(jī)性使風(fēng)速可能超過設(shè)定范圍，2015年2月開始至7月的設(shè)備故障、電路故障、風(fēng)機(jī)故障、維護(hù)檢修、設(shè)備更換等原因造成的數(shù)據(jù)不完整現(xiàn)象(例如2015年5月中一段時間數(shù)據(jù)缺失)可以使用期平均數(shù)據(jù)進(jìn)行代替。如2015年2月開始至7月風(fēng)速波動不大，比較穩(wěn)定，因此用平均值代替對預(yù)測的準(zhǔn)確性以及整體評價影響較小。

單臺風(fēng)機(jī)2015年6月6日MHMM-DRNN預(yù)測模型功率預(yù)測數(shù)據(jù)如表1所示，其中相對誤差均值約為25.12%，均方根誤差為14.45。

表1 單臺風(fēng)機(jī)2015年6月6日功率預(yù)測數(shù)據(jù)

通過對風(fēng)電場功率數(shù)據(jù)進(jìn)行分析，選擇將負(fù)功率數(shù)據(jù)剔除，使用期平均數(shù)據(jù)代替缺失值后，得到如表1的風(fēng)電場風(fēng)機(jī)功率預(yù)測數(shù)據(jù)。除了風(fēng)電功率本身的隨機(jī)性以及波動性之外，由于風(fēng)電場建設(shè)運(yùn)行剛剛開始，設(shè)備兼容性有待調(diào)整，因此風(fēng)電場風(fēng)機(jī)功率提取受到了較大的影響。

根據(jù)圖3所示，各種單一模型相對誤差平均值：BP神經(jīng)網(wǎng)絡(luò)約為31.56%，ARMA模型約為23.20%，小波分析約為26.11%，而MHMM-DRNN預(yù)測模型為16.85%。由此可見，MHMM-DRNN預(yù)測模型比BP神經(jīng)網(wǎng)絡(luò)和小波分析預(yù)測值更準(zhǔn)確，更接近真實值。

圖3 單臺風(fēng)機(jī)功率不同方法誤差分析

5 結(jié)論

通過分析大規(guī)模風(fēng)力發(fā)電功率特性和風(fēng)電預(yù)測時間序列特性，結(jié)合小波系數(shù)多尺度分析的隱馬爾可夫預(yù)測方法，通過將深度學(xué)習(xí)引入到循環(huán)神經(jīng)網(wǎng)絡(luò)，構(gòu)建基于多尺度隱馬爾可夫模型-深度循環(huán)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行風(fēng)電功率預(yù)測。通過仿真實驗分析可知，本文提出的方法有效提升了大規(guī)模風(fēng)力發(fā)電功率預(yù)測精度。