基于深度學(xué)習(xí)的風(fēng)光場群功率預(yù)測方法研究

劉永前，林愛美，閻 潔，韓 爽，李 莉，孟 航

(1.新能源電力系統(tǒng)國家重點(diǎn)實(shí)驗(yàn)室(華北電力大學(xué))，北京市 昌平區(qū) 102206； 2.華北電力大學(xué)新能源學(xué)院，北京市 昌平區(qū) 102206)

0 引言

截止2020年年底，我國風(fēng)電并網(wǎng)裝機(jī)容量達(dá)到28 153萬 kW，太陽能發(fā)電并網(wǎng)裝機(jī)容量達(dá)到25 343萬 kW[1]。大規(guī)模的風(fēng)光發(fā)電并網(wǎng)會影響電力系統(tǒng)電能質(zhì)量，不利于電力系統(tǒng)安全穩(wěn)定運(yùn)行[2]，較為精準(zhǔn)的風(fēng)光場站功率預(yù)測是解決這一問題的重要方向。

按照建模原理，風(fēng)光功率預(yù)測均可分為物理方法和統(tǒng)計(jì)方法兩種。但物理方法在建模過程中需要詳細(xì)的地理、氣象信息和機(jī)組/組件參數(shù)，建模過程復(fù)雜、計(jì)算量大，建模結(jié)果難以適應(yīng)一些極端情況，使得統(tǒng)計(jì)預(yù)測方法成為當(dāng)前主流的風(fēng)光功率預(yù)測方法。統(tǒng)計(jì)方法是通過大量歷史數(shù)據(jù)進(jìn)行模型訓(xùn)練，建立輸入變量和輸出變量之間的映射關(guān)系，基于訓(xùn)練后的模型，預(yù)測未來的場站功率值。在統(tǒng)計(jì)預(yù)測中，為提升功率預(yù)測建模的精度和泛化性能，國內(nèi)外學(xué)者嘗試了大量精細(xì)化建模工作。主要分為以下幾條途徑：(1)改進(jìn)預(yù)測模型或者算法。目前主要的風(fēng)光功率預(yù)測算法包括：神經(jīng)網(wǎng)絡(luò)[3-6]、支持向量機(jī)[7-8]和自回歸差分移動平均模型[9]等；現(xiàn)有的改進(jìn)途徑主要是通過特征提取(如經(jīng)驗(yàn)?zāi)B(tài)分解[10-11]、卡爾曼濾波[12-13]等)以及組合預(yù)測(如集成學(xué)習(xí)[14]、灰色關(guān)聯(lián)度法[15]等)等方式改進(jìn)原有模型，提升模型對預(yù)測相關(guān)特征的學(xué)習(xí)能力和泛化性能；(2)修正數(shù)值天氣預(yù)報(bào)。數(shù)值天氣預(yù)報(bào)是預(yù)測誤差的主要來源，通過實(shí)測風(fēng)光數(shù)據(jù)對數(shù)值天氣預(yù)報(bào)數(shù)據(jù)進(jìn)行訂正，可以明顯提高預(yù)測精度。

目前風(fēng)光場站功率預(yù)測的研究主要集中在場站級別。但是隨著大規(guī)模的風(fēng)電、太陽能開發(fā)，單個場站的功率預(yù)測已經(jīng)不能滿足電網(wǎng)調(diào)度的需求。與單個場站出力變化相比，調(diào)度部門更關(guān)注整個區(qū)域不確定性的功率總量。此外，區(qū)域風(fēng)光功率預(yù)測值更有助于電力系統(tǒng)提前制定調(diào)度計(jì)劃和有效控制聯(lián)絡(luò)交換功率，避免風(fēng)光穿透功率提高而造成脫網(wǎng)事件，保障電力系統(tǒng)穩(wěn)定運(yùn)行[16-17]。集群功率預(yù)測的方法主要有累加法[18]和統(tǒng)計(jì)升尺度法。1)累加法是一種簡單的區(qū)域功率預(yù)測方法，即直接加和區(qū)域各個風(fēng)電場的預(yù)測功率。但是這種預(yù)測方法具有較大的局限性，要求區(qū)域內(nèi)包含的風(fēng)電場都具備較完備的數(shù)據(jù)信息，且預(yù)測精度易受到區(qū)域內(nèi)任一場站預(yù)測精度的影響。文獻(xiàn)[18]采用累加法對內(nèi)蒙古功率區(qū)域功率預(yù)測展開初步研究，但是也沒有給出一個最終的區(qū)域預(yù)測結(jié)果。2)統(tǒng)計(jì)升尺度法將區(qū)域劃分成若干個子區(qū)域，每個子區(qū)域內(nèi)選取相關(guān)性最強(qiáng)或功率預(yù)測精度最高的場站為基準(zhǔn)場站，并根據(jù)基準(zhǔn)場站的功率預(yù)測結(jié)果倍增至整個子區(qū)域，最后加和每個子區(qū)域的功率得到區(qū)域功率預(yù)測結(jié)果。這2種方法都忽略風(fēng)光場站的時空相關(guān)性。因此，本文在考慮風(fēng)光資源分布的時空相關(guān)性的基礎(chǔ)上，提出一種基于多對多映射關(guān)系的堆疊降噪自編碼器的風(fēng)光功率預(yù)測模型，以實(shí)現(xiàn)對場站-區(qū)域出力的預(yù)測。

1 風(fēng)光場群出力平滑效應(yīng)

對于分布在一個區(qū)域內(nèi)的風(fēng)光場站而言，資源在空間上的差異性使得風(fēng)光場群之間通過協(xié)同產(chǎn)生了解耦作用，解耦作用在一定程度抵消了對方的波動，從而在大的空間尺度上緩解了風(fēng)光功率的間歇波動性[19]，這一現(xiàn)象稱為風(fēng)光出力平滑效應(yīng)。本文采用相對波動幅值為指標(biāo)衡量風(fēng)光出力的平滑效應(yīng)。相對波動幅值計(jì)算公式為

(1)

式中：Pt+1和Pt分別表示t+1時刻和t時刻的實(shí)際出力；n為實(shí)際出力樣本個數(shù)；Pcap表示相應(yīng)場站的裝機(jī)容量。

以我國某省11個風(fēng)電場和6個光伏場站的歷史功率數(shù)據(jù)為例，分析風(fēng)光場群出力平滑效應(yīng)。其中風(fēng)電場1—風(fēng)電場6和光伏場站1—光伏場站6分布在平坦地形，稱為區(qū)域1；風(fēng)電場7—風(fēng)電場11分布在復(fù)雜地形，稱為區(qū)域2。

1.1 風(fēng)電場群出力平滑效應(yīng)

以我國某省11個風(fēng)電場的歷史功率數(shù)據(jù)為例，分析風(fēng)電場群功率平滑效應(yīng)。驗(yàn)證所提模型的有效性。表1為11個風(fēng)電場的年功率相對波動幅值，圖1為功率相對波動隨風(fēng)電場個數(shù)變化的趨勢圖。

從表1和圖1可以看出：1)全省風(fēng)電功率相對波動幅值要小于任何一個風(fēng)電場或者一個區(qū)域的風(fēng)電功率相對波動幅值；2)區(qū)域1風(fēng)電功率相對波動幅值要小于在這個區(qū)域內(nèi)任一風(fēng)電場功率相對波動幅值；3)區(qū)域2風(fēng)電的功率相對波動幅值要小于在這個區(qū)域內(nèi)任一風(fēng)電場功率相對波動幅值；4)功率相對波動幅值隨著風(fēng)電場個數(shù)的增加下降。這說明參與聚合的風(fēng)電場站越多，整體風(fēng)電出力的波動性越小，平滑效應(yīng)越明顯。

表1 風(fēng)電場年功率相對波動幅值Table 1 Relative fluctuation amplitude of annual power of wind farms %

圖1 功率波動相對幅值隨風(fēng)電場個數(shù)變化圖Fig.1 Relative amplitude of power fluctuation changes with the number of wind farms

圖2 區(qū)域1、2以及全省風(fēng)電月功率波動相對幅值Fig.2 Relative fluctuation amplitude of month power of wind farms in Area 1, Area 2 and within the province’s regional scope

圖2為區(qū)域1、2以及全省風(fēng)電月功率波動相對幅值，從圖2可以看出：1)區(qū)域1風(fēng)電出力波動在1—3月份和9月份較為劇烈，在4—7月份較為平緩；2)區(qū)域2風(fēng)電在8—12月份出力波動較為平緩，在其余出力波動幅值較大；3)全省整體的風(fēng)電出力波動幅值要小于任一區(qū)域，且波動幅值也較為平緩，這是因?yàn)閰^(qū)域1、2的風(fēng)電出力呈現(xiàn)出了互補(bǔ)性，從而使得全省風(fēng)電出力平滑效應(yīng)增強(qiáng)。

1.2 光伏場群出力平滑效應(yīng)

以我國某省6個光伏場站的歷史功率數(shù)據(jù)為例，分析光伏場群功率平滑效應(yīng)，6個光伏場站均分布在區(qū)域1(平坦地形)。表2為6個光伏場站的年功率相對波動幅值，圖3為功率波動相對幅值隨光伏場站個數(shù)變化的趨勢圖。

表2 光伏場站年功率波動相對幅值Table 2 Relative fluctuation amplitude of annual power of solar stations %

圖3 功率波動相對幅值隨光伏場站個數(shù)變化圖Fig.3 Relative amplitude of power fluctuation changes with the number of solar stations

從表2和圖3可以看出：1)區(qū)域1整體光伏功率波動相對幅值要小于在這個區(qū)域內(nèi)任一光伏場站單功率波動相對幅值；2)功率波動相對幅值隨著參與聚合的光伏場站個數(shù)的增加而下降。這說明在參與聚合的光伏場站越多，整體光伏功率的波動性越小，平滑效應(yīng)越明顯。

圖4 光伏月功率波動相對幅值Fig.4 Relative fluctuation amplitude of month power of solar stations

圖4是區(qū)域1光伏月功率波動相對幅值。從圖4可以看出，區(qū)域1光伏功率在秋季波動較大，冬季波動較小，這主要是由秋季和冬季輻射強(qiáng)度和溫度等環(huán)境因素的差異造成的。

2 基于堆疊降噪自編碼器的風(fēng)光場群功率預(yù)測模型

2.1 堆疊降噪自編碼器

降噪自動編碼機(jī)(denoising auto-encoder, DAE)是自編碼機(jī)(auto-encoder, AE)的變形算法。其結(jié)構(gòu)如圖5所示。

圖5 堆疊降噪自編碼器的結(jié)構(gòu)Fig.5 Structure of Denoising auto-encoder

(2)

重構(gòu)結(jié)果為：

z=gθ′(y)=S(W′y+b′)

(3)

DAE的優(yōu)化目標(biāo)可寫為：

(4)

2.2 建模步驟

所提預(yù)測模型的建模步驟如下：

1) 以數(shù)值天氣預(yù)報(bào)數(shù)據(jù)為輸入，篩選功率數(shù)據(jù)并進(jìn)行歸一化出力；選取每個月的后7天為測試數(shù)據(jù)集，其余天數(shù)為訓(xùn)練數(shù)據(jù)集。

2) 逐層訓(xùn)練：設(shè)置網(wǎng)絡(luò)結(jié)構(gòu)，通過數(shù)值天氣預(yù)報(bào)數(shù)據(jù)逐層訓(xùn)練網(wǎng)絡(luò)，獲得各層網(wǎng)絡(luò)參數(shù)。

3) 網(wǎng)絡(luò)微調(diào)：使用步驟 2)中得到的網(wǎng)絡(luò)參數(shù)，初始化深度神經(jīng)網(wǎng)絡(luò)，以修正數(shù)值天氣預(yù)報(bào)數(shù)據(jù)為輸入，功率數(shù)據(jù)為輸出，并通過小批量梯度下降法迭代網(wǎng)絡(luò)權(quán)值，直至收斂。

4) 輸入測試數(shù)據(jù)前饋計(jì)算生成網(wǎng)絡(luò)輸出，反標(biāo)準(zhǔn)化處理得到功率預(yù)測值，并通過評價(jià)指標(biāo)測試模型預(yù)測效果。

3 算例分析

3.1 數(shù)據(jù)說明

以我國某省11個風(fēng)電場和6個光伏場站的數(shù)值天氣預(yù)報(bào)數(shù)據(jù)和實(shí)測功率數(shù)據(jù)為例，驗(yàn)證所提模型的有效性。

數(shù)據(jù)時間為2019年1月1日至2019年12月31日。選取每個月的后7天數(shù)據(jù)為訓(xùn)練樣本，其余天為測試樣本。

以均方根誤差(root mean square error，RMSE)為所提模型功率預(yù)測精度的評價(jià)指標(biāo)，計(jì)算公式為

(5)

3.2 風(fēng)電場群功率預(yù)測

3.2.1 平坦地形區(qū)域風(fēng)電場群功率預(yù)測

區(qū)域內(nèi)包含的6個風(fēng)電場及區(qū)域整體功率預(yù)測結(jié)果如表3所示。從表3可以看出，與原有系統(tǒng)相比：1)在單場站預(yù)測尺度上，本文所提出的基于深度學(xué)習(xí)的預(yù)測模型可以有效提高預(yù)測精度，其中風(fēng)電場4的預(yù)測功率精度提升最多，達(dá)到38.74%(均方根誤差從25.35%降至15.53%)，風(fēng)電場5的預(yù)測功率提升最低，為3.49%(均方根誤差從19.97%降至16.86%)；2)在區(qū)域預(yù)測尺度上，本文所提預(yù)測模型提高了平坦地形區(qū)域風(fēng)電場功率預(yù)測精度15.65%(均方根誤差從19.97%降至16.85%)。

表3 區(qū)域1風(fēng)電場功率預(yù)測誤差Table 3 Power forecasting errors of wind farms in Area 1 %

圖6 區(qū)域1風(fēng)電場功率預(yù)測結(jié)果Fig.6 Power forecasting results of wind farms in Area 1

圖6為選取的2個風(fēng)電場和區(qū)域1的月均方根誤差分布情況和功率時序圖。從圖中可以看出，與原有系統(tǒng)預(yù)測結(jié)果相比，本文所提出的深度學(xué)習(xí)預(yù)測模型可有效提高每個月的預(yù)測精度，且預(yù)測功率的月均方根誤差基本上小于20%，可以滿足電網(wǎng)的考核要求。

3.2.2 復(fù)雜地形區(qū)域風(fēng)電場功率預(yù)測

區(qū)域內(nèi)包含的5個風(fēng)電場功率預(yù)測結(jié)果如表4所示。從表4可以看出，與原有系統(tǒng)相比：1)在單場站預(yù)測尺度上，本文所提出的基于深度學(xué)習(xí)的預(yù)測模型可以有效的提高預(yù)測精度，其中風(fēng)電場8的預(yù)測功率精度提升最多，達(dá)到18.55%(均方根誤差從21.19%降至17.26%)，風(fēng)電場7的預(yù)測功率提升最低，為1.50%(均方根誤差從22.78%降至22.44%)；2)在區(qū)域預(yù)測尺度上，本文所提預(yù)測模型提高了區(qū)域2風(fēng)電場功率預(yù)測精度3.28%(均方根誤差從20.13%降至19.47%)。

表4 區(qū)域2風(fēng)電場功率預(yù)測誤差Table 4 Power forecasting errors of wind farms in Area 2 %

圖7為選取的2個風(fēng)電場和區(qū)域2的月均方根誤差分布情況和功率時序圖。從圖中可以看出，與原有系統(tǒng)預(yù)測結(jié)果相比，本文所提出的深度學(xué)習(xí)預(yù)測模型可有效提高每個月的預(yù)測精度，且預(yù)測功率的月均方根誤差基本上小于20%，可以滿足電網(wǎng)的考核要求。

圖7 區(qū)域2風(fēng)電場功率預(yù)測結(jié)果Fig.7 Power forecasting results of wind farms in Area 2

與區(qū)域1包含的風(fēng)電場相比，區(qū)域2包含的風(fēng)電場所處地形和氣候條件較為復(fù)雜，場內(nèi)不同機(jī)組點(diǎn)位處的風(fēng)況差異較大，故預(yù)測精度提高較小。

3.3 平坦地形區(qū)域光伏場站功率預(yù)測

區(qū)域包含的6個光伏場站及區(qū)域整體功率預(yù)測結(jié)果如表5所示。從表中可以看出，與原有系統(tǒng)相比，1)在單場站預(yù)測尺度上，本文所提出的基于深度學(xué)習(xí)的預(yù)測模型可以有效提高預(yù)測精度，其中光伏場站3的預(yù)測功率精度提升最多，達(dá)到43.39%(均方根誤差從18.91%降至10.70%)，光伏場站6的預(yù)測功率提升最低，為5.50%(均方根誤差從9.15%降至8.69%)；2)在區(qū)域預(yù)測尺度上，本文所提預(yù)測模型提高了平坦地形區(qū)域光伏場站功率預(yù)測精度21.75%(均方根誤差從13.29%降至10.40%)。

圖8為選取的2個光伏場站和區(qū)域1整體的月均方根誤差分布情況和功率時序圖。從圖中可以看出，與原有系統(tǒng)預(yù)測結(jié)果相比，本文所提出的深度學(xué)習(xí)預(yù)測模型可有效提高每個月的預(yù)測精度，且預(yù)測功率的月均方根誤差基本上小于20%，可以滿足電網(wǎng)的考核要求。

表5 區(qū)域1光伏場站功率預(yù)測誤差Table 5 Power forecasting errors of solar stations in Area 1 %

圖8 區(qū)域1光伏場站功率預(yù)測結(jié)果Fig.8 Power forecasting result of solar stations in Area 1

4 結(jié)論

本文提出了一種基于堆疊降噪自編碼器的風(fēng)光場群功率預(yù)測模型。與風(fēng)光場站原有預(yù)測模型 相比，所提出的模型大幅度提升了風(fēng)光場站功率預(yù)測精度，平坦地形區(qū)域風(fēng)電場預(yù)測功率提高了15.56%，復(fù)雜地形區(qū)域風(fēng)電場預(yù)測精度提高了3.28%，平坦地形區(qū)域光伏功率預(yù)測精度提高了21.75%。所提模型在復(fù)雜地形區(qū)域的精度提升低于平坦地形區(qū)域，是因?yàn)閺?fù)雜地形區(qū)域地形和氣候條件復(fù)雜，增大了預(yù)測難度。