人工智能算法對風功率曲線的改進

陳金車，蘇士翔，蔣 強

（蘭州大學 大氣科學學院，甘肅 蘭州 730000）

風能是一種清潔能源，如果在風力發(fā)電方面得到高效利用，將極大地推動社會經(jīng)濟的發(fā)展。早在1985年Bossanyi E A[1]就通過卡爾曼濾波預報了風速；后來隨著人工智能的發(fā)展，李大中[2]結合卷積神經(jīng)網(wǎng)絡和循環(huán)神經(jīng)網(wǎng)絡預報了風速，發(fā)現(xiàn)準確性更高。風電功率反映著風電廠的供電能力及穩(wěn)定性，它會隨著風速的大小不斷變化，當其異常波動時，人們的生產生活會受到影響。因此，風電功率大小的模擬就顯得很重要。人工智能算法近些年在環(huán)境和氣象等領域取得了不錯的發(fā)展[3-6]。周永生[7]采用長短期記憶網(wǎng)絡（LSTM，Long Short-Term Memory）創(chuàng)新了預測PM2.5濃度的方法；孫全德[8]等人通過人工智能算法對數(shù)值天氣預測模式ECMWF對于華北地區(qū)10m風速的預測結果做了訂正。隨著經(jīng)濟社會的不斷發(fā)展，風力發(fā)電技術開始扮演著愈來愈重要的角色。然而，利用風功率曲線計算得到的風電功率誤差較大，這是由于在計算過程中只考慮了風速，而忽略了其它氣象因子可能會對風電功率產生的影響。例如，溫度雖然不能直接影響風電功率，但是可以通過影響風速間接對風電功率產生影響。因此，本文引入差分進化算法（DE，Differential Evolution Algorithm） 和遺傳算法 （GA，Genetic Algo rithm）以及BP、LSTM和隨機森林（RF）模型，以包括風速、風向和溫度在內的氣象數(shù)據(jù)作為自變量輸入模型對風電場的風力發(fā)電功率進行了模擬，從而達到更精確計算風電功率的目的，給電力部門制定發(fā)電計劃提供參考。

1 資料與方法

1.1 數(shù)據(jù)來源

風電功率數(shù)據(jù)和氣象數(shù)據(jù)來源于華家?guī)X風力發(fā)電廠，共計兩年時間的風力發(fā)電功率數(shù)據(jù)和風速、風向以及溫度數(shù)據(jù)，時間段為北京時間2017-01-01 00：00至2018-12-31 23：00，時間間隔為15min一次。采用線性插值的方法對殘缺的風電功率數(shù)值和氣象數(shù)值進行補齊。

1.2 方法

BP神經(jīng)網(wǎng)絡[9]是使用范圍最廣的一種神經(jīng)網(wǎng)絡模型，在這種模型中，誤差是反向傳播的；LSTM[10]是被瑞士科學家Schmidhuber提出的，它能將重要內容記住，將不重要內容忽略；RF[11]是由美國Leo Breiman教授提出的，對于回歸問題，采用最小方均差原則將每棵決策樹的模擬結果匯總，然后取均值得到最終結果。本文以2017-01-01 00：00 至2018-12-31 23：00 的風電功率及氣象數(shù)據(jù)為基礎，選取2017-12-05 09：45至2017-12-07 04：00的數(shù)據(jù)用來進行風電功率的模擬，前90%的數(shù)據(jù)（153條）用來訓練，后10%的數(shù)據(jù)（17條）用來測試。用平均絕對誤差（MAE）和均方根誤差（RMSE）來檢驗模擬效果，其計算方法如公式（1）和（2）所示，其中，Yi為模擬值，yi為實際值。

2 研究結果與分析

風電功率的模擬結果：圖 1（a）-1（e）分別表示傳統(tǒng)BP神經(jīng)網(wǎng)絡、經(jīng)差分算法優(yōu)化的BP神經(jīng)網(wǎng)絡、經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡、LSTM和RF模擬結果的絕對誤差以及風電功率隨時間的變化。從圖中可以看出，幾種模型模擬值的曲線都能較好地反映真實值的變化趨勢和走向，而圖1（b）-1（e）中模擬值與真實值的接近程度較圖1（a）更強。傳統(tǒng)的BP神經(jīng)網(wǎng)絡對于風電功率模擬結果的絕對誤差范圍在0～150MW，絕對誤差的中值為40.3MW。經(jīng)差分算法和遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡以及LSTM和RF分別可以使得模擬結果絕對誤差的范圍降至 0～93MW、0～69MW、0～81MW 和 0～59MW，絕對誤差的中值也都被降低至25MW以下。特別是經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡，更是將絕對誤差的中值從40.3MW降低至了11.3MW，對00：15這個采樣點的風電功率值模擬最為準確，模擬值僅僅比真實值高出了0.3MW，模擬準確率接近100%，模擬效果最差的采樣點為02：00，真實值為140.2MW，模擬值為191MW，模擬誤差為50.8MW，模擬準確率為73.4%。在這幾種模型中，LSTM的表現(xiàn)最為穩(wěn)定，雖然其模擬結果的平均絕對誤差（MW）略大于經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡和RF，但其在各個采樣點上模擬結果的準確率變化幅度不大，全部維持在80%以上，模擬準確率最高的采樣點為00：00，模擬值僅比真實值低了1.4MW，模擬準確率高達99.7%?？偟膩碚f，不管是經(jīng)差分算法優(yōu)化的BP神經(jīng)網(wǎng)絡和經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡，還是LSTM和RF，模擬性能相比于傳統(tǒng)的BP神經(jīng)網(wǎng)絡都有明顯提升，模擬曲線能夠很好地反映出風電功率的大小及變化態(tài)勢。其中，經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡可以使模擬結果的平均絕對誤差（MW）減至最小，而LSTM模擬性能則更穩(wěn)定，模擬效果最差采樣點的模擬準確率都達到了83.0%。

風電功率模擬結果的誤差分布如表1所示，經(jīng)差分算法優(yōu)化和遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡以及LSTM和RF對風電功率的模擬明顯優(yōu)于傳統(tǒng)的BP模型，準確率分別提高了2.1%、5.5%、4.1%和3.6%。對于最大功率點的模擬而言，5種方法均表現(xiàn)出了優(yōu)異的模擬性能，準確率都保持在90%以上。對于最小功率點的模擬而言，BP模型的模擬值為0MW，而該點的實際觀測功率值為64.8MW。根據(jù)國家能源局西北監(jiān)管局印發(fā)的《西北區(qū)域發(fā)電廠并網(wǎng)運行管理實施細則》及《西北區(qū)域并網(wǎng)發(fā)電廠輔助服務管理實施細則》的規(guī)定，對于風力發(fā)電功率的模擬，當模擬值為0時，當風電功率的實際觀測值在裝機容量的3%以內，則不予考核；當風電功率的實際觀測值超過裝機容量的3%時，誤差值按100%計算。因此BP模型對小功率點的模擬無法滿足要求，經(jīng)差分算法優(yōu)化的BP模型以及RF模型雖然使得最小功率點的模擬準確率提高至了56.5%和58.8%，但準確率仍然較低，而經(jīng)遺傳算法優(yōu)化的BP模型以及LSTM模型可以使得最小功率點的模擬準確率提高至80%以上，改善了傳統(tǒng)BP模型對小功率點模擬性能不佳的問題。

3 結論

本文利用BP神經(jīng)網(wǎng)絡、經(jīng)差分算法優(yōu)化的BP網(wǎng)絡、經(jīng)遺傳算法優(yōu)化的BP網(wǎng)絡、LSTM與RF等多種人工智能算法，基于風電場的氣象數(shù)據(jù)對風電功率進行了模擬，并對模擬結果的誤差進行對比分析，評價不同模型的模擬性能。

（1）對于風電功率的模擬而言，BP模型模擬結果的平均絕對誤差為47.0MW，模擬值與實際觀測值之間有良好的線性對應關系，但對小功率點的模擬效果欠佳，在各個方面還有較大的提升空間。

（2）經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡和LSTM可以克服傳統(tǒng)BP神經(jīng)網(wǎng)絡對小功率點模擬效果不佳的問題。在這幾種人工智能算法中，LSTM模型對所有采樣點的模擬準確率均達到了80%以上，表現(xiàn)最穩(wěn)定。