基于AM-LSTM的風(fēng)電場內(nèi)多點(diǎn)位風(fēng)電功率預(yù)測

張 怡，楊宇晴

(華北理工大學(xué)電氣工程學(xué)院，河北唐山063000)

1 引言

近年來，新能源總體消納水平在提升，風(fēng)能作為清潔能源可起到保護(hù)環(huán)境和緩解用電壓力的作用[1]。2020年上半年，風(fēng)電發(fā)電量2379億千瓦時，較2019年增長10.9%，隨著疫情后復(fù)工復(fù)產(chǎn)的推進(jìn)，二季度風(fēng)電新增裝機(jī)428萬千瓦，同比增長12.3%[2]。然而由于風(fēng)力發(fā)電具有隨機(jī)性、波動性和間接性等特點(diǎn)[3-5]，對風(fēng)電的大規(guī)模發(fā)展造成嚴(yán)重的阻礙。因此，在大規(guī)模風(fēng)電并網(wǎng)的過程中，準(zhǔn)確的風(fēng)電功率預(yù)測對風(fēng)電的合理調(diào)度和電網(wǎng)的安全運(yùn)行具有重大意義[6]。目前，國內(nèi)外現(xiàn)有的風(fēng)電功率預(yù)測方法包括物理方法、統(tǒng)計(jì)方法、人工智能方法等。物理方法主要考慮數(shù)值天氣預(yù)報(bào)，該種方法預(yù)測需要參照大量歷史數(shù)據(jù)、地形地貌、氣象條件等[7-9]。預(yù)測精度相對較差，一般用于風(fēng)電功率的長期預(yù)測。統(tǒng)計(jì)方法即基于歷史風(fēng)電場數(shù)據(jù)，按照模式識別、模型驗(yàn)證和參數(shù)估計(jì)等過程建立歷史數(shù)據(jù)和預(yù)測值之間的映射統(tǒng)計(jì)模型，例如支持向量機(jī)算法、回歸分析算法等[10]。但此方法需要大量的數(shù)據(jù)信息對模型進(jìn)行訓(xùn)練，且其狀態(tài)方程和特征方程不容易建立。人工智能方法是統(tǒng)計(jì)方法所延申出來的，如人工神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)算法等[11]。其中人工神經(jīng)網(wǎng)絡(luò)算法原理簡單，非線性學(xué)習(xí)能力強(qiáng)，具有很好的泛化能力且能夠較好的處理非線性擬合問題，可以很好的的應(yīng)用到風(fēng)電功率預(yù)測中。人工神經(jīng)網(wǎng)絡(luò)中的長短期記憶神經(jīng)網(wǎng)絡(luò)在復(fù)雜時間序列預(yù)測領(lǐng)域有較大的發(fā)展，但是在風(fēng)功率預(yù)測普遍存在兩個問題：第一大多數(shù)沒有考慮特征關(guān)聯(lián)系數(shù)的大小，因此所得到的結(jié)果預(yù)測精度較小。第二在模型訓(xùn)練過程中，所設(shè)置的時間長度會影響其穩(wěn)定性。

本文提出一種基于風(fēng)電功率屬性簡約、空間多點(diǎn)位綜合，AM-LSTM的短期風(fēng)電功率預(yù)測模型。首先計(jì)算特征屬性對風(fēng)電功率時間序列的影響大小，然后通過預(yù)測模型對對風(fēng)電功率進(jìn)行預(yù)測，最后采用多個評價(jià)指標(biāo)進(jìn)行評價(jià)分析，與單一LSTM模型和BP模型對比同時與實(shí)際風(fēng)電場數(shù)據(jù)進(jìn)行比較，結(jié)果顯示，多點(diǎn)位AM-LSTM模型具有較高的預(yù)測精度且適用性強(qiáng)。

2 長短期記憶神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)

LSTM是一種特殊循環(huán)神經(jīng)網(wǎng)絡(luò)，它的優(yōu)勢在于解決循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的梯度爆炸和梯度消失的問題，當(dāng)前廣泛應(yīng)用在序列數(shù)據(jù)處理和預(yù)測的問題上。LSTM結(jié)構(gòu)如圖1所示。

圖1 長短期記憶網(wǎng)絡(luò)

圖中：xt為t時刻的輸入量，yt為t時刻的輸出量，ct-1為上一時刻記憶細(xì)胞狀態(tài)，ct為t時刻記憶細(xì)胞狀態(tài)，ht-1為上一時刻存儲的狀態(tài)信息，ht為傳遞到下一時刻存儲的狀態(tài)信息，Zi為輸入門，Zf為遺忘門，Zo為輸出門，σ(x)為sigmoid激活函數(shù)。

LSTM中的遺忘門主要是對上一個節(jié)點(diǎn)傳輸過來的信息有選擇性的忘記，即對不重要的信息進(jìn)行忘記，本文是對短期風(fēng)功率進(jìn)行預(yù)測，需要大量歷史數(shù)據(jù)的時間序列預(yù)測未來一段時間的風(fēng)功率值，其中，細(xì)胞狀態(tài)包含了風(fēng)功率等特征屬性，當(dāng)輸入新的運(yùn)行數(shù)據(jù)，就會忘記相對較舊的的風(fēng)功率信息，從細(xì)胞中丟棄相對較舊的信息，即圖2中的Zf。下一步確定存儲在細(xì)胞中新的信息，這個過程分為兩步，首先以ht-1和xt為輸入，通過sigmoid激活函數(shù)來決定更新Zi，然后tanh層創(chuàng)建一個新的候選值向量Z加入到狀態(tài)中。最后要確定輸出的值，本文是要預(yù)測未來風(fēng)功率的值，輸出值要基于當(dāng)前t時刻的細(xì)胞狀態(tài)，首先以ht-1和xt為輸入，然后通過sigmoid激活函數(shù)去決定細(xì)胞狀態(tài)輸出的輸出部分Zo，再讓細(xì)胞通過tanh層得到一個位于-1到1之間的值Z，并將這個值和sigmoid激活函數(shù)的輸出相乘，輸出需要輸出的部分。圖2為對LSTM的內(nèi)部結(jié)構(gòu)如圖2所示。

圖2 LSTM內(nèi)部結(jié)構(gòu)圖

式中：wf為遺忘門層權(quán)重，wi為輸入層權(quán)重，wo為輸出層權(quán)重，z為候選狀態(tài)的數(shù)值。

3 風(fēng)電功率預(yù)測模型建立

LSTM雖然能描述風(fēng)功率數(shù)據(jù)的內(nèi)部聯(lián)系，但是受季節(jié)天氣等變化影響，風(fēng)功率的輸出變化波動很大，僅僅利用LSTM預(yù)測往往不是很精準(zhǔn)。注意力機(jī)制通過算法可以實(shí)現(xiàn)對生物注意力的模擬，類似于人類視覺資源有限而集中注意力去選擇特定區(qū)域。所以本文可以利用注意力機(jī)制優(yōu)化LSTM神經(jīng)網(wǎng)絡(luò)的權(quán)重，優(yōu)化不同特征對輸出的貢獻(xiàn)率，得到更好的風(fēng)功率預(yù)測結(jié)果。注意力機(jī)制將LSTM提取出來的隱藏層狀態(tài)h1，h2…h(huán)n進(jìn)行加權(quán)變換，通過學(xué)習(xí)更新不同信息的權(quán)重，去強(qiáng)化關(guān)鍵特征，弱化不重要特征。其權(quán)重計(jì)算式如式(1)、式(2)所示：

et=tanh(w·ht+b)

(1)

(2)

(3)

基于AM-LSTM風(fēng)電功率預(yù)測結(jié)構(gòu)圖如圖3所示。

圖3 AM-LSTM風(fēng)功率預(yù)測結(jié)構(gòu)圖

AM-LSTM使用固定的窗口長度w的歷史數(shù)據(jù)，預(yù)測未來時間段M的風(fēng)電功率數(shù)據(jù)。通過LSTM提取歷史數(shù)據(jù)中的特征作為隱藏層狀態(tài)為hw，注意力機(jī)制進(jìn)一步為隱藏層中的關(guān)鍵信息賦予更大的權(quán)重后更新隱藏層狀態(tài)為h′w。最后經(jīng)過維度變換通過全連接層輸出M時間段的p′w。

4 算例分析

4.1 風(fēng)電功率影響因素簡約

影響風(fēng)電功率最重要的因素是風(fēng)速，風(fēng)速的定義是指空氣在單位時間內(nèi)流動的水平距離，風(fēng)速的變化在一定范圍時間內(nèi)呈現(xiàn)周期性。其中影響風(fēng)電功率的大小的因素包括風(fēng)速、風(fēng)向、溫度、氣壓、能見度、降雨量、相對濕度等。在保證不影響原有的分類效果上，去掉多余屬性，可以大幅度提高發(fā)現(xiàn)效率、降低錯誤概率。為了減少模型預(yù)測的復(fù)雜度，更好的預(yù)測出未來的風(fēng)電功率，具體采用皮爾遜相關(guān)系數(shù)法對影響風(fēng)功率其他的屬性進(jìn)行簡約。皮爾遜相關(guān)系數(shù)法是一種可以準(zhǔn)確度量兩個變量之間的關(guān)系密切程度的統(tǒng)計(jì)學(xué)的算法，對兩個變量x和y，記為(xi，yi)(i=1，2，…n)，則相關(guān)系數(shù)的計(jì)算公式如式(4)所示

(4)

相關(guān)系數(shù)絕對值越大，相關(guān)性越強(qiáng)，相關(guān)系數(shù)越接近于1或-1，相關(guān)度越強(qiáng)，相關(guān)系數(shù)越接近于0，相關(guān)度越弱。通常情況下以下取值范圍判斷變量的相關(guān)強(qiáng)度：相關(guān)系數(shù)極強(qiáng)相關(guān)(0.8-1.0)，強(qiáng)相關(guān)(0.6-0.8)，中等程度相關(guān)(0.4-0.6)，弱相關(guān)(0.2-0.4)極弱相關(guān)或無相關(guān)(0.0-0.2)。如表1所示。表1中風(fēng)速等11種因素和風(fēng)電功率的相關(guān)系數(shù)中看出，30m高風(fēng)速、50m高風(fēng)速、70m高風(fēng)速、30m高風(fēng)向、50m高風(fēng)向、70m高風(fēng)向、溫度這7個因素對風(fēng)功率的影響較大，氣壓等因素對其影響較小，因此，這些因素就不必要輸入模型中，用這樣的方法可以快速的降低輸入變量的維度，從而降低模型的復(fù)雜度，大大提高了預(yù)測的準(zhǔn)確性。

表1 風(fēng)功率影響因素相關(guān)系數(shù)表

4.2 數(shù)據(jù)預(yù)處理

由于數(shù)據(jù)采集時有設(shè)備故障、傳感器誤差等造成的實(shí)測數(shù)據(jù)缺失或者異常等問題，從而會降低預(yù)測精度，預(yù)測前要對數(shù)據(jù)進(jìn)行預(yù)處理以減少誤差，結(jié)合實(shí)際情況采用均值插值法和對異常數(shù)據(jù)和缺失數(shù)據(jù)進(jìn)行補(bǔ)充和替換。由于量綱的不同對預(yù)測模型輸出結(jié)果也有很大的影響，對數(shù)據(jù)進(jìn)行歸一化處理可以有效的提高預(yù)測的精確度，歸一化可以去除變量之間量綱所帶來的誤差，也可以提高神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型的泛化能力，具體內(nèi)容就是將數(shù)據(jù)映射[0，1]。

4.3 實(shí)驗(yàn)結(jié)果評價(jià)及標(biāo)準(zhǔn)

為了驗(yàn)證風(fēng)功率預(yù)測模型的準(zhǔn)確度，本文采用均方根誤差(RMSE)，平均絕對誤差(MAE)作為風(fēng)電功率預(yù)測模型的誤差指標(biāo)，采用相對系數(shù)R-square來評價(jià)預(yù)測模型的好壞，絕對值越接近1，表示模型對數(shù)據(jù)的擬合效果越好，這個模型的預(yù)測能力也就越高。具體計(jì)算公式如式(5)、式(6)所示

(5)

(6)

4.4 實(shí)驗(yàn)結(jié)果及分析

本文算例選取國外某風(fēng)電場在2017年1月1日至2017年12月31日的數(shù)據(jù)，數(shù)據(jù)間隔為15分鐘，實(shí)驗(yàn)數(shù)據(jù)包括功率，30、50、70米高度的風(fēng)速和風(fēng)向，溫度，濕度，氣壓，能見度和降水量。選取數(shù)據(jù)前80%的數(shù)據(jù)為訓(xùn)練數(shù)集，剩下20%作為測試集。30、50、70米高度的風(fēng)速和風(fēng)向，溫度，和歷史風(fēng)電功率作為輸入，預(yù)測的風(fēng)電功率作為輸出。實(shí)驗(yàn)中使用Adam優(yōu)化器，歸一化后風(fēng)電功率如圖4所示。可知中間時間段的波動較平穩(wěn)，兩端的波動較大，選取即選取四個季度2天192個數(shù)據(jù)的風(fēng)電功率進(jìn)行預(yù)測，驗(yàn)證AM-LSTM對風(fēng)電功率預(yù)測的準(zhǔn)確性。

圖4 風(fēng)電功率歸一化圖

為驗(yàn)證AM-LSTM模型的準(zhǔn)確性，利用傳統(tǒng)神經(jīng)網(wǎng)絡(luò)BP和LSTM建立風(fēng)電功率預(yù)測模型，挑選12月份的某2天進(jìn)行預(yù)測對比如圖5所示。

圖5 不同預(yù)測方法結(jié)果對比圖

對三種模型不同季度的風(fēng)電功率預(yù)測進(jìn)行誤差分析，從表2中的數(shù)據(jù)中可以看出，本文提出的AM-LSTM模型在不同季度預(yù)測結(jié)果的平均絕對誤差和均方根誤差都低于BP和單一LSTM預(yù)測模型，與原始風(fēng)速序列的相關(guān)性系數(shù)都高于BP和LSTM預(yù)測模型。各個模型在不同季度的預(yù)測精度不同，三種模型在第二季度的預(yù)測精度上均低于第四季度，在第四季度中，AM-LSTM模型的均方根誤差和平均絕對誤差分別為1.03MW和0.71MW，比BP預(yù)測模型分別降低48.8%和17.4%，比單一LSTM預(yù)測模型分別降低37.2%和7.8%。結(jié)果表明了AM-LSTM的模型的預(yù)測精度大幅度提高了，其預(yù)測的風(fēng)電功率的序列與原始風(fēng)電功率的序列的相關(guān)系數(shù)均超過0.97。

表2 四個季度各模型誤差評價(jià)指標(biāo)

5 結(jié)論

本文提出了基于注意力機(jī)制和長短期記憶神經(jīng)網(wǎng)絡(luò)的多點(diǎn)位風(fēng)電功率預(yù)測方法，實(shí)現(xiàn)了多點(diǎn)位的風(fēng)電功率預(yù)測的功能，與傳統(tǒng)的LSTM和BP的預(yù)測模型相對比，得到如下結(jié)論：

1)從均方根誤差、平均絕對誤差和相對系數(shù)R-square評價(jià)指標(biāo)看，所提出的AM-LSTM的風(fēng)電功率預(yù)測結(jié)果均優(yōu)于LSTM和BP的預(yù)測結(jié)果；

2)將數(shù)據(jù)集按照季度分開，各個模型預(yù)測結(jié)果最為優(yōu)的是第四季度，對于基于多點(diǎn)位的AM-LSTM預(yù)測模型的均方根誤差和平均絕對誤差分別比BP預(yù)測模型降低48.8%和17.4%，比單一LSTM預(yù)測模型分別降低37.2%和7.8%；