生成對(duì)抗網(wǎng)絡(luò)在風(fēng)電功率預(yù)測(cè)中的應(yīng)用

陳 剛，王 印，單錦寧，李天奇，鄭雯澤，王 雷，蘇夢(mèng)夢(mèng)，黃博南

（1.國網(wǎng)遼寧省電力有限公司 阜新供電公司，遼寧 阜新 123000；2.國網(wǎng)遼寧省電力有限公司 電力調(diào)度控制中心，遼寧 沈陽 110006；3.東北大學(xué) 信息科學(xué)與工程學(xué)院，遼寧 沈陽 110819）

0 引言

隨著環(huán)境污染、資源減少和全球變暖等問題的日益惡化，作為優(yōu)化能源結(jié)構(gòu)的重要手段之一的清潔能源的不僅提高能源安全，而且是中國能源發(fā)展戰(zhàn)略目標(biāo)[1-3].風(fēng)能是許多國家用來替代傳統(tǒng)發(fā)電、減少溫室氣體排放的重要清潔能源.隨著風(fēng)能的快速發(fā)展，由于風(fēng)電的波動(dòng)性、不確定性，風(fēng)電機(jī)組滲透率不斷增加對(duì)電力系統(tǒng)的運(yùn)行產(chǎn)生了影響.風(fēng)電預(yù)測(cè)是應(yīng)對(duì)大規(guī)模風(fēng)電一體化給電力系統(tǒng)帶來挑戰(zhàn)的重要手段之一，風(fēng)電功率預(yù)測(cè)的精度直接影響風(fēng)力發(fā)電并網(wǎng)運(yùn)行的可靠性.因此，近些年來眾多研究學(xué)者針對(duì)風(fēng)電預(yù)測(cè)提出很多研究成果，并且在實(shí)際應(yīng)用中卓有成效.

現(xiàn)有的風(fēng)電功率預(yù)測(cè)方法主要分為：物理學(xué)方法和統(tǒng)計(jì)學(xué)方法.物理預(yù)測(cè)方法是將天氣實(shí)時(shí)狀態(tài)和典型風(fēng)機(jī)中的可變參數(shù)作為變量建立數(shù)學(xué)模型并預(yù)測(cè)風(fēng)電功率.統(tǒng)計(jì)方法是基于統(tǒng)計(jì)學(xué)手段采用實(shí)測(cè)數(shù)據(jù)得出風(fēng)電功率典型曲線.物理學(xué)預(yù)測(cè)方法主要有持續(xù)預(yù)測(cè)方法[4]、卡爾曼濾波法[5-6]、隨機(jī)時(shí)間序列法[7]和人工神經(jīng)網(wǎng)絡(luò)法[8-9]等單一算法以及一些組合預(yù)測(cè)方法.現(xiàn)階段許多風(fēng)電功率預(yù)測(cè)方法只是針對(duì)正常情況下數(shù)據(jù)進(jìn)行建模，沒有考慮異常情況下的風(fēng)電數(shù)據(jù).由于異常情況很少發(fā)生，且在數(shù)據(jù)預(yù)處理時(shí)對(duì)異常數(shù)據(jù)進(jìn)行修正，使得預(yù)測(cè)模型只能預(yù)測(cè)正常情況下風(fēng)電數(shù)據(jù)，忽略異常數(shù)據(jù).許多國內(nèi)外學(xué)者在風(fēng)電功率預(yù)數(shù)據(jù)預(yù)處理時(shí)對(duì)異常數(shù)據(jù)進(jìn)行識(shí)別和清洗從而修正為正常情況下的數(shù)據(jù).許多風(fēng)電預(yù)測(cè)研究對(duì)數(shù)據(jù)處理采用查表的方式[10-11]，這些研究通過判斷預(yù)測(cè)數(shù)據(jù)是否超出一定的臨界值從而實(shí)現(xiàn)對(duì)異常數(shù)據(jù)的識(shí)別，而不考慮數(shù)據(jù)序列的序列特征.文獻(xiàn)[12]由于采用四分位法剔除離群散點(diǎn)，結(jié)合聚類算法識(shí)別堆積型的數(shù)據(jù)，識(shí)別異常數(shù)據(jù)時(shí)造成誤識(shí)別大量正常數(shù)據(jù)，識(shí)別精讀較低.文獻(xiàn)[13]由于通過分段求取組內(nèi)最優(yōu)方差，識(shí)別異常數(shù)據(jù)，造成上部異常數(shù)據(jù)無法識(shí)別，其方法不具有普遍性.文獻(xiàn)[14]對(duì)異常數(shù)據(jù)進(jìn)行識(shí)別時(shí)采用參數(shù)化公式條件準(zhǔn)則，由于每次使用需重新設(shè)置參數(shù)，造成此方法實(shí)用性不強(qiáng).以上方法通過概率統(tǒng)計(jì)分析異常數(shù)據(jù)，同樣使得正常數(shù)據(jù)被誤識(shí)別.另外，由于現(xiàn)場(chǎng)情況的復(fù)雜性，有時(shí)很難確定正確的邊界，容易導(dǎo)致判斷錯(cuò)誤.其他一些研究考慮用統(tǒng)計(jì)方法處理異常情況下風(fēng)電數(shù)據(jù)，尤其是由負(fù)荷預(yù)測(cè)的數(shù)據(jù)驗(yàn)證技術(shù)擴(kuò)展而來的小波奇異性檢測(cè)方法.但小波奇異檢測(cè)法受日負(fù)荷曲線的周期性特征和類似負(fù)荷日的影響較為嚴(yán)重.因此，小波奇異檢測(cè)的數(shù)據(jù)處理方法不太合適風(fēng)力發(fā)電的情況.況且，風(fēng)電功率曲線中的一些異常數(shù)據(jù)可以用負(fù)荷曲線與不規(guī)則因素之間的因果關(guān)系來解釋.

基于以上的分析，本文提出一種基于生成對(duì)抗式網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)算法.該算法首先利用聯(lián)合分布KL散度代替?zhèn)鹘y(tǒng)的條件分布KL散度，進(jìn)而確定正常數(shù)據(jù)與異常數(shù)據(jù)間的聯(lián)系與邊界；然后，通過微調(diào)更好地學(xué)習(xí)歷史和未來數(shù)據(jù)之間的精確條件分布；最后，利用生成器網(wǎng)絡(luò)對(duì)抗訓(xùn)練方式實(shí)現(xiàn)風(fēng)電功率預(yù)測(cè).通過遼寧省某風(fēng)電場(chǎng)的風(fēng)電功率數(shù)據(jù)對(duì)本文所提算法進(jìn)行了仿真驗(yàn)證，結(jié)果表明本文所提算法不僅可以減少數(shù)據(jù)清洗,而且實(shí)現(xiàn)風(fēng)電功率的快速準(zhǔn)確預(yù)測(cè).

1 傳統(tǒng)的預(yù)測(cè)方法

1.1 傳統(tǒng)風(fēng)力發(fā)電預(yù)測(cè)方法

傳統(tǒng)風(fēng)力發(fā)電預(yù)測(cè)方法的核心是適當(dāng)?shù)亟⒁环N特殊的可學(xué)習(xí)的映射關(guān)系，該關(guān)系將歷史記錄（包括風(fēng)力發(fā)電數(shù)據(jù)和天氣狀況）和未來風(fēng)力發(fā)電數(shù)據(jù)聯(lián)系起來.本文使用符號(hào)S來表示時(shí)間步長t處的風(fēng)力發(fā)電功率，因此：N代表N+1個(gè)歷史記錄的序列(s0,s1,… ,sN).此外，為簡(jiǎn)單起見，使用S0:t?1表示St前有固定長度的歷史記錄.

預(yù)測(cè)問題通過從概率的角度來看.視時(shí)間步長t的風(fēng)力發(fā)電功率為隨機(jī)變量，取決于歷史數(shù)據(jù)，其條件概率p(st|s0:t?1)服從一定的分布.通過概率推理方法用來找到這種未知的分布.傳統(tǒng)的方法是建立一個(gè)可學(xué)習(xí)的模型q(st|s0:t?1)由一個(gè)或一些參數(shù)θ控制，然后最小化可學(xué)習(xí)模型q(st|s0:t?1;θ)和真實(shí)條件分布p(st|s0:t?1).

兩個(gè)分布之間的差異通常由庫爾巴克-萊布勒（KL）散度測(cè)量為

式中，S為sr的所有可能值的集合.

使用庫爾巴克-萊布勒散度，最佳參數(shù)應(yīng)滿足

然后基于梯度的優(yōu)化方法來計(jì)算θ*.

本文用S來表示由條件參數(shù)模型給出的預(yù)測(cè)風(fēng)力發(fā)電功率.若模型已經(jīng)被擬合到訓(xùn)練數(shù)據(jù)，預(yù)測(cè)S就可以以隨機(jī)確定的方式從條件分布中得出

采用復(fù)雜模型，例如深度神經(jīng)網(wǎng)絡(luò)作為參數(shù)模型q(st|s0:t?1)，傳統(tǒng)預(yù)測(cè)方法一般可以達(dá)到較高的精度.

1.2 風(fēng)力發(fā)電系統(tǒng)中的突發(fā)事件

常見數(shù)據(jù)和異常數(shù)據(jù)之間的關(guān)系為

傳統(tǒng)的風(fēng)力發(fā)電的方法忽略異常值，以防止過度擬合.傳統(tǒng)方法根據(jù)正態(tài)分布理論，當(dāng)控制圖中存在數(shù)據(jù)點(diǎn)超出控制界限時(shí)，就可判斷風(fēng)力發(fā)電機(jī)處于異常狀態(tài).為了提高數(shù)據(jù)異常檢測(cè)的準(zhǔn)確率，傳統(tǒng)方法將異常模式分為3類，即越界模式、屢臨界模式、漸變模式.

越界模式的公式為

式中，Si為第i個(gè)樣本的均值，可以在系統(tǒng)數(shù)據(jù)庫中直接讀??；μ和σ分別為功率分布中心和標(biāo)準(zhǔn)差，由樣本計(jì)算求出.

屢臨界模式（接連3個(gè)點(diǎn)中有至少2個(gè)點(diǎn)臨近控制限）

集結(jié)中心模式（接連 15個(gè)點(diǎn)在中心線附近呈現(xiàn)集中狀態(tài)）

鏈狀模式（接連7個(gè)點(diǎn)處于中心線一側(cè)）為

根據(jù)上述異常模式規(guī)定，本文所采集的數(shù)據(jù)只有2%滿足異常數(shù)據(jù).上述方法僅從概率統(tǒng)計(jì)角度分析異常數(shù)據(jù)的特征，會(huì)造成大量正常數(shù)據(jù)被誤識(shí)別.另外，由于現(xiàn)場(chǎng)情況的復(fù)雜性，有時(shí)很難確定正確的邊界，容易導(dǎo)致判斷錯(cuò)誤.判斷錯(cuò)誤會(huì)導(dǎo)致預(yù)測(cè)失誤，而預(yù)測(cè)失誤可能會(huì)導(dǎo)致風(fēng)力發(fā)電不穩(wěn)定或經(jīng)濟(jì)收益降低，這意味著風(fēng)力功率的錯(cuò)誤模型.此外，功率曲線中的異常數(shù)據(jù)可以用功率曲線與不規(guī)則因素之間的因果關(guān)系來解釋.因此，風(fēng)力發(fā)電預(yù)測(cè)迫切需要對(duì)極端情況進(jìn)行準(zhǔn)確預(yù)測(cè).

本文定義的異常情況是在異常天氣狀況下仍然滿足功率曲線與不規(guī)則因素之間的因果關(guān)系.

2 模式敏感網(wǎng)絡(luò)

2.1 模式敏感預(yù)測(cè)

傳統(tǒng)數(shù)據(jù)驅(qū)動(dòng)的方法被設(shè)計(jì)成忽略異常的模式.為讓模型更加關(guān)注異常模式，采用的解決方案是使用聯(lián)合分布的 KL散度代替條件分布.兩個(gè)分布之間的差異通常由庫爾巴克-萊布勒（KL）散度表示為

注意，p(s0:t-1)不依賴于p(st)和p(s0:t-1,st).

由于p(s0:t-1)∈[0,1]，當(dāng)接近于0，且q接近p時(shí)，可以得到

式（12）表明，通過學(xué)習(xí)聯(lián)合分布而不是條件分布，可以縮小不同情況下KL散度之間的差距，使模型更加關(guān)注異常模式.由于這種預(yù)測(cè)方法對(duì)不同的模式更加敏感，稱之為模式敏感預(yù)測(cè)（Pattern-Sensitive Prediction，PSP）.

2.2 模式敏感網(wǎng)絡(luò)

對(duì)于風(fēng)力發(fā)電預(yù)測(cè)問題，深度神經(jīng)網(wǎng)絡(luò)具有比傳統(tǒng)的模型更高的擬合的能力.此外，其靈活性允許進(jìn)行多模態(tài)數(shù)據(jù)融合，進(jìn)一步提高了其性能.

傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)通常被建模為條件分布，不是聯(lián)合分布.由于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)執(zhí)行確定性映射過程，因此必須有輸入才能獲得相應(yīng)的輸出.最近發(fā)展起來的一種稱為生成對(duì)抗網(wǎng)絡(luò)的方法就是一個(gè)例外.GAN屬于隱式密度模型，可以在通過從數(shù)據(jù)分布中采樣來間接與數(shù)據(jù)分布交互的同時(shí)進(jìn)行訓(xùn)練.

生成對(duì)抗網(wǎng)絡(luò)（Generating Adversarial Networks，GAN）的基本思想是在兩個(gè)神經(jīng)網(wǎng)絡(luò)（發(fā)生器和判別器）之間建立一個(gè)對(duì)手博弈.發(fā)生器將噪聲源z~p(z)映射到輸入空間.判別器接收生成的樣本或真實(shí)的數(shù)據(jù)樣本，并試圖區(qū)分它們.使得這種競(jìng)爭(zhēng)會(huì)收斂到一個(gè)平衡，同時(shí)生成器樣本與鑒別器無法區(qū)分.這表明生成器是真實(shí)樣本分布的近似值.通過生成對(duì)抗網(wǎng)絡(luò)引入預(yù)測(cè)模型，能夠使用神經(jīng)網(wǎng)絡(luò)進(jìn)行模式敏感預(yù)測(cè).通過將生成對(duì)抗網(wǎng)絡(luò)的對(duì)抗結(jié)構(gòu)和輔助損耗相結(jié)合，提出了一種新的結(jié)構(gòu)（模式敏感網(wǎng)絡(luò)）.這個(gè)模型可以首先推斷歷史記錄，因此，未來狀態(tài)會(huì)自動(dòng)發(fā)現(xiàn)異常模式，并通過提供不同的表示將數(shù)據(jù)分類到不同類別中.根據(jù)從上一階段學(xué)到的表示可以用于更好的預(yù)測(cè).這個(gè)網(wǎng)絡(luò)的結(jié)構(gòu)見圖1.

圖1 PSN的原理Fig.1 schematic of PSN

圖2為PSN網(wǎng)絡(luò)結(jié)構(gòu).由如圖2可知，PSN的主要組成部分是兩個(gè)對(duì)手網(wǎng)絡(luò)，其中一個(gè)發(fā)生器接收隨機(jī)噪聲和歷史記錄，生成器輸出一系列值并根據(jù)3個(gè)標(biāo)準(zhǔn)進(jìn)行優(yōu)化.

圖2 PSN網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 PSN network structure

首先是鑒別標(biāo)準(zhǔn)D(G(z ,s0:t?1))，它由鑒別器提供以指示生成序列是否可以從真實(shí)序列中分辨出來.一致性損失系數(shù)用于減少歷史記錄的重建誤差，即最后一個(gè)標(biāo)準(zhǔn)是預(yù)測(cè)誤差Lpred，用于衡量預(yù)測(cè)精度.生成器的總目標(biāo)函數(shù)可以形成為

式中，ci為不同損耗的系數(shù).

2.3 PSN的應(yīng)用

本文實(shí)現(xiàn)了一個(gè)模式敏感網(wǎng)絡(luò)來預(yù)測(cè)沈陽主要風(fēng)力發(fā)電功率預(yù)測(cè).仿真采用一種具有梯度懲罰的生成對(duì)抗網(wǎng)絡(luò)（WGAN-GP），其中包含具有權(quán)重θ的生成器G和具有權(quán)重ω的鑒別器D.與原始生成對(duì)抗網(wǎng)絡(luò)相比，這種代替詹森-香農(nóng)發(fā)散.

由圖2（b）可知，鑒別器接收或一般采樣，然后輸出鑒別結(jié)果.鑒別器的目標(biāo)是最大化D(s0:r)和D()之間的預(yù)測(cè)誤差.為保證鑒別器是最佳的，梯度懲罰也適用于隨機(jī)混合真實(shí)的生成樣本?為

式中，ε為隨機(jī)變量，從0到1均勻采樣.

鑒別器的目標(biāo)函數(shù)定義為

生成器的目標(biāo)函數(shù)有3個(gè)部分，如前一節(jié)中的式（13）.本文將預(yù)測(cè)誤差和一致性損失定義為均方誤差.因此，生成器的目標(biāo)函數(shù)定義為

PSN的第一個(gè)訓(xùn)練階段是一個(gè)無監(jiān)督的預(yù)處理過程，對(duì)從不同站點(diǎn)收集的混合數(shù)據(jù)集執(zhí)行.因此S0,S1,… ,SN序列號(hào).學(xué)習(xí)過程遵循文獻(xiàn)[12]中介紹的方法，其中鑒別器將針對(duì)N時(shí)期進(jìn)行訓(xùn)練，而生成器僅針對(duì)一個(gè)時(shí)期.通過不同風(fēng)力發(fā)電機(jī)組上獲得的數(shù)據(jù)集進(jìn)行對(duì)抗訓(xùn)練，生成器可以擬合風(fēng)電功率生成器的聯(lián)合分布.

然后，從無監(jiān)督階段獲得的數(shù)據(jù)可用于執(zhí)行監(jiān)督任務(wù)，因此生成器不會(huì)看到訓(xùn)練數(shù)據(jù)，過擬合的風(fēng)險(xiǎn)更低.最直接的方法是根據(jù)預(yù)測(cè)誤差優(yōu)化生成器.該過程對(duì)給定記錄的條件分布進(jìn)行了更好地估計(jì)，并提高了模型對(duì)特定區(qū)域的預(yù)測(cè)精度.發(fā)生器和鑒別器都是通過堆疊5個(gè)完全連接的層和128個(gè)單元來構(gòu)建的，每個(gè)層都遵循整流線性單元（Rectified Linear Unit，ReLU）.生成器中的最后一層在整個(gè)訓(xùn)練過程中始終被訓(xùn)練，而其他層只能在無監(jiān)督學(xué)習(xí)階段進(jìn)行訓(xùn)練.這個(gè)實(shí)行過程見圖2.

3 算例

本文在 TensorFlow 深度學(xué)習(xí)框架下采用深度GAN網(wǎng)絡(luò)進(jìn)行訓(xùn)練， 采用NVDIA GTX 1080 Ti GPU和 IntelCore i7-7700 CPU 作為硬件平臺(tái).

3.1 數(shù)據(jù)描述

（1）輸入量的選取

由于過多的預(yù)測(cè)因素不僅導(dǎo)致模型計(jì)算量增大，而且模型導(dǎo)致泛化能力的降低，但是過少的預(yù)測(cè)因素可能會(huì)導(dǎo)致預(yù)測(cè)信息缺失，從而使得模型無法對(duì)所收集數(shù)據(jù)進(jìn)行全面分析；所以在風(fēng)電功率預(yù)測(cè)前采用合適的輸入量非常必要.

由于風(fēng)電功率和空氣密度的關(guān)系式為

式中，Cp為風(fēng)能利用系數(shù)；Pw為風(fēng)電功率，kW；ρ為空氣密度，kg/m3；M為風(fēng)機(jī)卷葉的面積，m2；v為當(dāng)時(shí)風(fēng)速值，m/s.

式中，P為正常大氣壓，取值為 101.325 kPa；Pb為飽和蒸汽壓，kPa；T為熱力學(xué)溫度，℃；K為相對(duì)空氣濕度值.

由上式可知，風(fēng)電功率與現(xiàn)場(chǎng)風(fēng)速、溫度、濕度、壓力密切相關(guān)，由于存在一定的相關(guān)關(guān)系，因此選用這4個(gè)影響因素為預(yù)測(cè)因素.

本文采用的樣本數(shù)據(jù)來自實(shí)際遼寧省實(shí)際某一風(fēng)電場(chǎng)風(fēng)電機(jī)組采集的數(shù)據(jù)的作為實(shí)驗(yàn)樣本數(shù)據(jù)集，其中采樣開始時(shí)間為2015年4月6日13時(shí)25分，數(shù)據(jù)共1 200 000組，每15 min記錄1次.預(yù)測(cè)因素選用現(xiàn)場(chǎng)溫度、濕度、風(fēng)機(jī)轉(zhuǎn)速、風(fēng)速、風(fēng)向、大氣壓力等.

（2）數(shù)據(jù)歸一化

由于本文采用多種預(yù)測(cè)因素的量綱不同，數(shù)值差別大，根據(jù)本模型采用的激活函數(shù)的輸入輸出范圍，將預(yù)測(cè)因素進(jìn)行歸一化處理，歸一化范圍為[0,1].

采用最小最大值標(biāo)準(zhǔn)化（Min Max Scaler）進(jìn)行歸一化，計(jì)算公式為

由于風(fēng)電功率實(shí)際數(shù)據(jù)值在 MAPE 指標(biāo)中作為評(píng)價(jià)指標(biāo)的分母，當(dāng)待預(yù)測(cè)功率值即為最小功率或與最小功率接近時(shí)，使用式（19）預(yù)處理導(dǎo)致歸一化后的值在0值附近，可能會(huì)造成MAPE于無窮大.所以為保證MAPE穩(wěn)定，本文采用

對(duì)預(yù)測(cè)得到的風(fēng)電功率進(jìn)行反歸一化處理使其具有物理意義，反歸一化的計(jì)算公式為

3.2 仿真評(píng)價(jià)指標(biāo)

選取平均絕對(duì)百分誤差 （Mean Absolute Percentage Error，MAPE）以及均方根誤差（Root Mean Squared Error，RMSE）作為評(píng)判方法優(yōu)劣的依據(jù)，其中平均絕對(duì)誤差為

式中，Si為第i個(gè)采樣點(diǎn)的實(shí)際風(fēng)電功率；為預(yù)測(cè)功率值；N為樣本個(gè)數(shù).

均方根誤差為

風(fēng)電功率預(yù)測(cè)中，實(shí)驗(yàn)評(píng)判指標(biāo)越小，則風(fēng)電功率預(yù)測(cè)越精確.

3.3 仿真結(jié)果分析

（1）激活函數(shù)的選擇

本模型設(shè)置損失函數(shù)為均方誤差（MSE），通過采用稀疏激活函數(shù) ReLU函數(shù)作為模型激活函數(shù)和傳統(tǒng)的 sigmoid激活函數(shù)作為神經(jīng)網(wǎng)絡(luò)激活函數(shù)進(jìn)行對(duì)比訓(xùn)練.圖3為訓(xùn)練集和測(cè)試集精度在訓(xùn)練過程中的變化，驗(yàn)證誤差、訓(xùn)練誤差如圖3虛線所示.由圖3可得采用ReLU激活函數(shù)作為激活函數(shù)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練性能得到了優(yōu)化，其評(píng)價(jià)指標(biāo)均方根誤差從 14.1%降低到了 13.7%.由圖3可知采用 ReLU激活函數(shù)作為模型的激活函數(shù)具有較好的收斂特性.

圖3 激活函數(shù)比較Fig.3 activation function comparison

（2）模型對(duì)比

為檢驗(yàn)基于生成對(duì)抗網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)模型性能，本文采用本文提出的PSP模型與傳統(tǒng)的LSTM神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比.采用風(fēng)電功率作為模型比較對(duì)象，風(fēng)電功率預(yù)測(cè)曲線見圖4，PSP模型預(yù)測(cè)的風(fēng)電功率明顯比 LSTM 模型預(yù)測(cè)的功率更接近實(shí)際風(fēng)電功率.PSP模型和LSTM模型的平均絕對(duì)誤差MAPE和均方根誤差RMSE見表1.RMSE和MAPE比 LSTM模型分別降低了0.64%和0.33%.

圖4 PSP與LSTM 模型預(yù)測(cè)結(jié)果比較Fig.4 comparison of prediction results between PSP and LSTM model

表1 只考慮正常情況下風(fēng)電功率預(yù)測(cè)誤差評(píng)價(jià)指標(biāo)Tab.1 only consider evaluation index of wind power prediction error under normal conditions

同時(shí)都考慮異常情況的風(fēng)電功率情況下，PSP模型和LSTM模型的平均絕對(duì)誤差MAPE和均方根誤差RMSE見表2.RMSE和MAPE比 LSTM模型分別降低了1.05%和0.71%，與只考慮正常情況下的風(fēng)電功率預(yù)測(cè)相比，PSP考慮異常情況的風(fēng)電功率預(yù)測(cè)均方誤差和平均絕對(duì)誤差均有所降低，而LSTM考慮異常情況的風(fēng)電功率預(yù)測(cè)的均方誤差和平均絕對(duì)誤差升高.仿真結(jié)果證明基于生成對(duì)抗網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)模型的有效性.

表2 考慮異常情況下風(fēng)電功率預(yù)測(cè)誤差評(píng)價(jià)指標(biāo)Tab.2 evaluation index of wind power prediction error under abnormal conditions

4 結(jié)論

（1）提出一種基于機(jī)器學(xué)習(xí)理論的風(fēng)電功率短期預(yù)測(cè)方法.其中模式敏感網(wǎng)絡(luò)能夠更好地適應(yīng)風(fēng)力發(fā)電的不同天氣條件下的變化模式，從而在極端天氣條件下進(jìn)行更好的預(yù)測(cè).測(cè)試結(jié)果表明，通過讓神經(jīng)網(wǎng)絡(luò)明確地學(xué)習(xí)未來數(shù)據(jù)和歷史記錄的聯(lián)合分布，不僅可以更強(qiáng)有力地處理風(fēng)力發(fā)電系統(tǒng)的劇烈變化，而且影響其預(yù)測(cè)精度.此方法還通過減少對(duì)復(fù)雜結(jié)構(gòu)的需求減少時(shí)間成本.

（2）如果數(shù)據(jù)比較復(fù)雜，可以通過使用更復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)來進(jìn)一步改善PSN.此外，實(shí)驗(yàn)證明，采用生成對(duì)抗網(wǎng)絡(luò)的最新發(fā)展可以擴(kuò)展風(fēng)力發(fā)電預(yù)測(cè)模型的研究.希望通過進(jìn)一步的應(yīng)用，能夠針對(duì)各種條件下風(fēng)電功率進(jìn)行更精確的預(yù)測(cè)，提升預(yù)測(cè)結(jié)果，以及提高的風(fēng)力發(fā)電系統(tǒng)數(shù)據(jù)恢復(fù)準(zhǔn)確率.