用于短期風(fēng)功率預(yù)測的歷史數(shù)據(jù)深度遷移模型

彭 飛，賁 馳，馬 煜，吳 奕，安豐強(qiáng)，陳志奎

(1. 國家電網(wǎng)公司 東北分部，沈陽 110180；2. 大連理工大學(xué) 軟件學(xué)院，大連 116620)

全球化石燃料短缺日益嚴(yán)重，帶來嚴(yán)重的環(huán)境污染和溫室效應(yīng)問題，世界各國都愈發(fā)重視新能源和可再生能源的開發(fā)與利用。中國“綠水青山就是金山銀山”的重要發(fā)展理念，也要求使用更多清潔能源，注重保護(hù)環(huán)境的同時(shí)進(jìn)行可持續(xù)發(fā)展。風(fēng)能是被廣泛使用的清潔能源之一，其蘊(yùn)量巨大，開發(fā)潛力高。風(fēng)力發(fā)電作為風(fēng)能的主要利用形式之一，以風(fēng)電為首的可再生能源產(chǎn)業(yè)已經(jīng)成為“一帶一路”的發(fā)展中堅(jiān)力量[1]。大規(guī)模利用風(fēng)能轉(zhuǎn)化為電能時(shí)，需要對風(fēng)電功率進(jìn)行預(yù)測，保證電網(wǎng)的可靠性和穩(wěn)定性。風(fēng)電功率預(yù)測是風(fēng)電場大規(guī)模并網(wǎng)所必不可少的關(guān)鍵環(huán)節(jié)，能為發(fā)電、調(diào)度、檢修等提供有效依據(jù)，準(zhǔn)確的預(yù)測結(jié)果將大大減輕風(fēng)電并網(wǎng)給電網(wǎng)帶來的調(diào)峰壓力，減小對電網(wǎng)的沖擊，保證電網(wǎng)安全運(yùn)行。同時(shí)，根據(jù)預(yù)測結(jié)果將風(fēng)機(jī)的維護(hù)和檢修安排在無效風(fēng)時(shí)段，有利于降低風(fēng)機(jī)損壞概率，減少維修費(fèi)用，確保在有效風(fēng)來臨時(shí)風(fēng)電機(jī)組能正常發(fā)電，使風(fēng)能得到充分利用，提高風(fēng)電場的經(jīng)濟(jì)效益[2]。因此，研究改進(jìn)風(fēng)電功率的預(yù)測方法和技術(shù)，提高風(fēng)功率的預(yù)測精度，對風(fēng)能的大規(guī)模利用和風(fēng)電企業(yè)利潤的提高，具有重要意義。

隨著計(jì)算機(jī)技術(shù)的發(fā)展，基于大數(shù)據(jù)技術(shù)的深度學(xué)習(xí)將為風(fēng)電企業(yè)帶來更大的利潤增長空間。根據(jù)歷史風(fēng)電功率數(shù)據(jù)等變量，用深度神經(jīng)網(wǎng)絡(luò)建模，利用大數(shù)據(jù)預(yù)測風(fēng)功率，充分考慮各種影響因素的情況，借助深度神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)處理能力，使風(fēng)電功率的預(yù)測更加精準(zhǔn)。通過大數(shù)據(jù)技術(shù)手段給予合理的數(shù)據(jù)挖掘與分析，有利于風(fēng)電場的經(jīng)營管理者充分了解、掌握風(fēng)場的風(fēng)機(jī)運(yùn)行狀況，及時(shí)對風(fēng)機(jī)進(jìn)行維護(hù)，減少風(fēng)場運(yùn)營成本，改善風(fēng)電性能，為風(fēng)電調(diào)度安排提供更科學(xué)的依據(jù)，降低后備電站的建設(shè)成本，間接降低對環(huán)境的污染。

現(xiàn)有方法往往停留在直接應(yīng)用現(xiàn)有數(shù)據(jù)建模預(yù)測，欠缺對歷史數(shù)據(jù)間隱含特征和邏輯關(guān)系的考慮。單純從一臺風(fēng)機(jī)、一處電網(wǎng)，或一個(gè)地區(qū)的角度出發(fā)，將歷史數(shù)據(jù)獨(dú)立作為風(fēng)功率預(yù)測的判斷依據(jù)，忽略彼此之間的聯(lián)系，導(dǎo)致數(shù)據(jù)割裂，模型不能最恰當(dāng)?shù)睦脭?shù)據(jù)價(jià)值。深度遷移學(xué)習(xí)可以用于遷移現(xiàn)有的經(jīng)驗(yàn)和知識，將具有相似特征的數(shù)據(jù)聯(lián)結(jié)起來，共同建立更準(zhǔn)確的模型。顯然，相同電網(wǎng)內(nèi)的風(fēng)機(jī)在同一天受風(fēng)力影響轉(zhuǎn)換成的風(fēng)功率應(yīng)該是接近的，甚至相同風(fēng)場內(nèi)的地區(qū)數(shù)據(jù)間也應(yīng)該存在聯(lián)系。使用深度遷移方法，從具有相近地理位置等共性的風(fēng)場中獲取重要信息，可有效遷移具有相近特征歷史數(shù)據(jù)中的重要知識，同時(shí)克服采集中數(shù)據(jù)缺失和噪聲引起的數(shù)據(jù)異常，訓(xùn)練更可靠的模型。因此，基于歷史數(shù)據(jù)的深度遷移風(fēng)功率預(yù)測，有助于進(jìn)一步促進(jìn)風(fēng)電機(jī)組日常運(yùn)維管理的標(biāo)準(zhǔn)化和專業(yè)化，促使風(fēng)場運(yùn)維流程發(fā)生根本性變化，實(shí)現(xiàn)智慧風(fēng)能的美好愿景。

綜上所述，使用大數(shù)據(jù)深度學(xué)習(xí)方法對風(fēng)功率預(yù)測任務(wù)進(jìn)行建模，根據(jù)對風(fēng)電場中每臺風(fēng)機(jī)進(jìn)行運(yùn)維監(jiān)控獲得的實(shí)時(shí)運(yùn)行數(shù)據(jù)和歷史數(shù)據(jù)，對風(fēng)功率進(jìn)行短期預(yù)測。針對傳統(tǒng)方法單純使用一地歷史數(shù)據(jù)導(dǎo)致結(jié)果片面的問題，采用深度遷移學(xué)習(xí)，從具有相似特征和相近地理位置的數(shù)據(jù)中學(xué)習(xí)重要信息，從而獲得準(zhǔn)確率更高的可靠模型。

1 相關(guān)工作

1.1 風(fēng)功率預(yù)測技術(shù)

風(fēng)電場功率預(yù)測是指對未來一段時(shí)間內(nèi)風(fēng)電場所能輸出的功率大小進(jìn)行預(yù)測，其預(yù)測結(jié)果可以作為電網(wǎng)安排調(diào)度計(jì)劃的主要依據(jù)之一。兩種典型的預(yù)測方式根據(jù)是否使用數(shù)值氣象預(yù)報(bào)(NWP, numerical weather prediction)進(jìn)行分類，因NWP經(jīng)常不可用或不足，常使用數(shù)據(jù)驅(qū)動(dòng)建模，即基于歷史數(shù)據(jù)的功率預(yù)測[3]。風(fēng)電功率預(yù)測方法還能分為物理方法，統(tǒng)計(jì)方法和組合方法[4]，物理方法不需要大量歷史數(shù)據(jù)，但要結(jié)合風(fēng)電場地理環(huán)境才能完成。統(tǒng)計(jì)方法與物理方法的主要區(qū)別是不建立物理模型，僅根據(jù)風(fēng)電場歷史運(yùn)營數(shù)據(jù)，建立歷史數(shù)據(jù)中的參數(shù)和風(fēng)電場功率輸出之間的映射關(guān)系，通過尋找海量歷史數(shù)據(jù)中的變化規(guī)律建立統(tǒng)計(jì)模型。已知的統(tǒng)計(jì)模型有兩大類，一種是持續(xù)性算法、ARIMA(autoregressive integrated moving average)算法、卡爾曼濾波法等傳統(tǒng)模型[5-6]，另一種是神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等深度模型[7-8]，隨著大數(shù)據(jù)技術(shù)的發(fā)展，越來越多的研究者將深度方法應(yīng)用于工作中。基于深度模型的統(tǒng)計(jì)方法對歷史數(shù)據(jù)的數(shù)量和質(zhì)量要求都比較高，一旦數(shù)據(jù)缺失或數(shù)據(jù)不準(zhǔn)確，建立的模型精度會受到很大的影響。

1.2 基于深度學(xué)習(xí)的風(fēng)功率預(yù)測

國內(nèi)風(fēng)電場在運(yùn)營過程中積累了大量寶貴的歷史數(shù)據(jù)，這為深度學(xué)習(xí)在風(fēng)電場功率預(yù)測中的應(yīng)用提供了基礎(chǔ)。在風(fēng)電場功率預(yù)測的應(yīng)用中，BP神經(jīng)網(wǎng)絡(luò)(BPNN)因其較強(qiáng)的非線性擬合能力受到研究者的青睞。文獻(xiàn)[9]將改進(jìn)BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于風(fēng)電場功率預(yù)測，針對不同的風(fēng)資源情況分別建立低頻和高頻模型進(jìn)行預(yù)測，取得了較好表現(xiàn)。文獻(xiàn)[10]基于小波變換和BPNN，在時(shí)序風(fēng)電功率預(yù)測中對風(fēng)電場歷史功率進(jìn)行了小波分解，在各分量上分別建立BP神經(jīng)網(wǎng)絡(luò)模型，但該方法對數(shù)值氣象預(yù)報(bào)的空間分辨率要求高，僅適用于規(guī)模較小的風(fēng)電場。文獻(xiàn)[11]結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和門控循環(huán)單元(GRU, gatedrecurrent unit)對多變量時(shí)間序列進(jìn)行動(dòng)態(tài)時(shí)間建模，進(jìn)行超短期風(fēng)電預(yù)測。文獻(xiàn)[12-13]將卡爾曼濾波法與神經(jīng)網(wǎng)絡(luò)預(yù)測模型結(jié)合，建立人工神經(jīng)網(wǎng)絡(luò)進(jìn)行滾動(dòng)預(yù)測，有效提高預(yù)測的精度。文獻(xiàn)[14]使用改進(jìn)的差分算法優(yōu)化神經(jīng)網(wǎng)絡(luò)，對小波包分解后的子序列進(jìn)行預(yù)測疊加，得到預(yù)測結(jié)果。然而，以上方法都單純使用來自某個(gè)單獨(dú)模態(tài)的歷史數(shù)據(jù)，沒有考慮具有相似潛在特征的數(shù)據(jù)間聯(lián)系，導(dǎo)致結(jié)果相對片面，模型對數(shù)據(jù)的利用不夠充分。

1.3 深度遷移學(xué)習(xí)

深度遷移學(xué)習(xí)用于將知識和經(jīng)驗(yàn)從源域遷移到目標(biāo)域。眾所周知，深度遷移學(xué)習(xí)可以提取原始數(shù)據(jù)的高級表示，復(fù)用共享知識，根據(jù)目標(biāo)任務(wù)更新學(xué)習(xí)模型[15-16]。由數(shù)據(jù)豐富的域訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)來提取風(fēng)速模式，再用目標(biāo)域數(shù)據(jù)精細(xì)地調(diào)整映射，可以通過訓(xùn)練有素的模型將信息從電場間傳遞，顯著提高預(yù)測的準(zhǔn)確性。對于一些新建的風(fēng)電場，沒有足夠的歷史數(shù)據(jù)來訓(xùn)練一個(gè)準(zhǔn)確的模型，而一些較老的風(fēng)電場可能有長期的風(fēng)速記錄。一個(gè)問題是，由來自舊的電場的數(shù)據(jù)訓(xùn)練的模型是否也適用于新建電場，已有研究針對該問題，使用深度遷移學(xué)習(xí)優(yōu)化風(fēng)功率預(yù)測模型[17]。當(dāng)前研究和使用的模型依然存在的問題包括：1)僅使用單模態(tài)的數(shù)據(jù)建模，沒有考慮從相關(guān)的歷史數(shù)據(jù)中獲得知識；2)訓(xùn)練數(shù)據(jù)經(jīng)常存在缺失和異常值，難以訓(xùn)練性能優(yōu)秀的有效模型。使用深度遷移學(xué)習(xí)，有助于全面考慮具有相似特征的數(shù)據(jù)，克服異常數(shù)據(jù)的影響，從而獲得可靠性和精度更高的模型。因此，研究使用深度遷移學(xué)習(xí)進(jìn)行建模，研究基于歷史數(shù)據(jù)深度遷移的風(fēng)功率預(yù)測模型。

2 基于歷史數(shù)據(jù)深度遷移的風(fēng)功率預(yù)測模型

2.1 數(shù)據(jù)收集

筆者使用東北電場的歷史風(fēng)功率數(shù)據(jù)進(jìn)行建模，并且使用深度遷移學(xué)習(xí)方法，建立風(fēng)場彼此間的隱含聯(lián)系，實(shí)現(xiàn)不同電場歷史數(shù)據(jù)間的信息互補(bǔ)，進(jìn)而排除缺失數(shù)據(jù)和異常數(shù)據(jù)的影響，訓(xùn)練更加可靠的模型。電力系統(tǒng)中，96點(diǎn)數(shù)據(jù)具有代表性，一般作為記錄標(biāo)準(zhǔn)和風(fēng)功率預(yù)測的依據(jù)。一天中每15 min記錄一次數(shù)據(jù)，每日記錄一條數(shù)據(jù)，形成歷史風(fēng)功率數(shù)據(jù)的時(shí)序表格。

使用東北電場的歷史風(fēng)功率數(shù)據(jù)來自三省一區(qū)：即遼寧省、吉林省、黑龍江省和蒙東地區(qū)；數(shù)據(jù)來源是國家電網(wǎng)公司東北分部采集的真實(shí)歷史風(fēng)功率數(shù)據(jù)，包括從2016至2018年，以及2019年上半年的完整數(shù)據(jù)。記錄的風(fēng)功率內(nèi)容按地區(qū)分為東北、遼寧、吉林、黑龍江、蒙東，以及東北直調(diào)。其中，東北地區(qū)的值等于遼寧、吉林、黑龍江和蒙東的總功率之和，這可以用來排除異常數(shù)據(jù)和缺失數(shù)據(jù)，同時(shí)用東北地區(qū)的整體趨勢訓(xùn)練的模型趨勢應(yīng)該與其組成部分一致或相似，便于使用深度遷移方法。東北直調(diào)的理論值是蒙東地區(qū)除去呼倫貝爾的220 kV以上的風(fēng)電場的功率，在同一天內(nèi)，其趨勢應(yīng)該和蒙東地區(qū)類似，同樣可以起到輔助域的作用。

2.2 共享隱藏層的深度遷移模型

深度學(xué)習(xí)解決了深度網(wǎng)絡(luò)非凸目標(biāo)函數(shù)的局部最優(yōu)問題，網(wǎng)絡(luò)內(nèi)大量的隱藏單元、更好的學(xué)習(xí)算法和參數(shù)初始化技術(shù)，促成了深度學(xué)習(xí)方法的成功。而深層架構(gòu)在高層的抽象表示，為知識在深度模型間遷移提供了理論上的基礎(chǔ)。源域和目標(biāo)域之間隱含的相似特征和聯(lián)系使得在域與域之間進(jìn)行深度遷移傳遞知識成為可能。在基于歷史數(shù)據(jù)的風(fēng)功率短期預(yù)測中，將使用東北地區(qū)總功率訓(xùn)練的模型作為源域，以此為基準(zhǔn)，將整體歷史趨勢中的信息分別遷移到4個(gè)目標(biāo)域；后者分別對應(yīng)遼寧、吉林、黑龍江和蒙東的歷史數(shù)據(jù)趨勢情況，通過相互之間的對照進(jìn)一步保證模型精度，抑制數(shù)據(jù)采集中的缺失和異常值。另外，依照其包含關(guān)系，將東北直調(diào)的數(shù)據(jù)作為源域，蒙東數(shù)據(jù)作為目標(biāo)域，用于輔助蒙東區(qū)域風(fēng)功率預(yù)測模型的建立。

模型的整體架構(gòu)如圖1所示。在這個(gè)架構(gòu)中，輸入層和隱藏層在所有的風(fēng)電場中共享，經(jīng)過相同的特征轉(zhuǎn)換從而提取最具有代表性的特征。與此同時(shí)，各個(gè)地區(qū)歷史數(shù)據(jù)的輸出層不是共享的，而是彼此獨(dú)立的。每個(gè)風(fēng)場的數(shù)據(jù)都有自己的輸出層，因?yàn)樗鼈兊臄?shù)據(jù)分布情況和功率歷史趨勢顯然會與其他風(fēng)場不同。這是一種將通用特征轉(zhuǎn)移到每個(gè)數(shù)據(jù)集的知識轉(zhuǎn)移。該模型的結(jié)構(gòu)使其可以使用并行的訓(xùn)練策略，這比傳統(tǒng)的順序訓(xùn)練模式更加優(yōu)越。

圖1 深度遷移模型整體架構(gòu)Fig. 1 The architecture of the deep transfer learning model

基于深度網(wǎng)絡(luò)的學(xué)習(xí)和訓(xùn)練過程通過迭代地調(diào)整權(quán)值完成。網(wǎng)絡(luò)模型由輸入數(shù)據(jù)信息的正向傳遞以及誤差分析信息的逆向傳遞2部分構(gòu)成，在訓(xùn)練過程中，以上2個(gè)過程將會反復(fù)循環(huán)進(jìn)行，直至達(dá)到約定的最大迭代次數(shù)或者數(shù)據(jù)的誤差評估降低到可以接受的范圍后，即完成訓(xùn)練。訓(xùn)練完成之后，深度神經(jīng)網(wǎng)絡(luò)模型便具備了自我學(xué)習(xí)能力。再輸入未曾參與訓(xùn)練的真實(shí)歷史數(shù)據(jù)時(shí)，神經(jīng)網(wǎng)絡(luò)已經(jīng)具備了適應(yīng)環(huán)境和學(xué)習(xí)新知識的能力，所以也能夠給出預(yù)期的合理輸出值。經(jīng)過一定程度的數(shù)據(jù)集訓(xùn)練，神經(jīng)網(wǎng)絡(luò)能夠具有自我學(xué)習(xí)和對相同數(shù)據(jù)模型的適應(yīng)能力。由于使用了深度遷移學(xué)習(xí)的思想合理地從源域中獲取知識，可以使得到的網(wǎng)絡(luò)具有更加強(qiáng)大的性能。

在模型構(gòu)造方面，使用帶降噪處理的自動(dòng)編碼機(jī)。深度自動(dòng)編碼機(jī)是一種特殊類型的深度神經(jīng)網(wǎng)絡(luò)，其輸出具有與輸入相同尺寸。傳統(tǒng)的自動(dòng)編碼機(jī)是一種無監(jiān)督學(xué)習(xí)算法，它通過一種確定性的變換將輸入的χ∈[0,1]d轉(zhuǎn)換為γ的隱含表示y∈[0,1]d′,該變換定義為

γ=fα(χ)=S(Wχ+b)，

(1)

式中：S代表非線性變換，一般使用sigmoid函數(shù)；參數(shù)集α={W,b},W是d×d維的矩陣；b是矩陣的偏置向量。通過類似的變換，γ的隱含表示被重新解碼為與χ形狀相同的重構(gòu)Z∈[0,1]d。Z可以被看成對χ的預(yù)測。為了獲得精度盡可能高的模型，需要最小化Z和χ之間的差距。

(2)

圖2 基于深度遷移的預(yù)測過程Fig. 2 Process of deep neural network transfer prediction

3 實(shí)驗(yàn)及分析

對提出的模型的有效性進(jìn)行驗(yàn)證。實(shí)驗(yàn)配置如下：實(shí)驗(yàn)全部在Dell R740服務(wù)器上運(yùn)行，使用顯卡進(jìn)行GPU運(yùn)算，配置為2.1 GHz-8cores-16threads NVIDIA Tesla M60 128 G。

實(shí)驗(yàn)中使用的數(shù)據(jù)全部來自東北電網(wǎng)收集的真實(shí)數(shù)據(jù)，包括2016～2018年的全年數(shù)據(jù)以及2019年上半年的數(shù)據(jù)。一天中每15 min記錄一次數(shù)據(jù)，共96點(diǎn)數(shù)據(jù)具有代表性；每日記錄一條數(shù)據(jù)，由此形成歷史風(fēng)功率數(shù)據(jù)的時(shí)序表格，全年共365條數(shù)據(jù)。在對原始數(shù)據(jù)進(jìn)行清洗和預(yù)處理，對缺失值和異常值進(jìn)行對應(yīng)處理后，可以得到每日風(fēng)功率的整體趨勢圖如圖3所示。

圖3 每日風(fēng)功率整體趨勢Fig. 3 The overall trend of daily wind power

通過對真實(shí)歷史數(shù)據(jù)趨勢的分析，發(fā)現(xiàn)并證實(shí)了風(fēng)場歷史數(shù)據(jù)與地理位置間存在的隱含聯(lián)系，為使用深度遷移學(xué)習(xí)方法跨域?qū)W習(xí)歷史數(shù)據(jù)中的重要知識提供了重要理論基礎(chǔ)：1)原始數(shù)據(jù)中東北地區(qū)的總功率等于遼寧、吉林、黑龍江和蒙東之和，且風(fēng)場地理位置接近，存在包含關(guān)系，因此，將東北地區(qū)整體歷史趨勢中的信息分別遷移到4個(gè)目標(biāo)域，分別對應(yīng)遼寧、吉林、黑龍江和蒙東的數(shù)據(jù)趨勢情況，通過遷移源域內(nèi)隱含的不同地區(qū)所需的特征信息，提高目標(biāo)域模型的預(yù)測精確度。2)由于受相同季風(fēng)氣候影響，地理位置接近的風(fēng)場之間具有一定的相似程度。實(shí)驗(yàn)中嘗試使用這一特點(diǎn)，使用地理位置接近的黑龍江和吉林的歷史數(shù)據(jù)進(jìn)行源域到目標(biāo)域的知識遷移，并觀察其對結(jié)果的影響。具體的，使用吉林的數(shù)據(jù)輔助東北數(shù)據(jù)共同作為源域，訓(xùn)練黑龍江的預(yù)測模型。3)東北直調(diào)的理論值是蒙東地區(qū)除去呼倫貝爾的220 kV以上的風(fēng)電場的功率，在同一天內(nèi)，其趨勢應(yīng)該和蒙東地區(qū)類似，可以使用數(shù)據(jù)量較多的東北直調(diào)風(fēng)場作為源域，輔助目標(biāo)蒙東地區(qū)歷史數(shù)據(jù)模型的建立。具體的遷移設(shè)計(jì)如表1所示。

與此同時(shí)，還根據(jù)歷史數(shù)據(jù)分析了一年中功率的整體趨勢，用于提供輔助信息，對模型的準(zhǔn)確性進(jìn)行優(yōu)化，有效地排除異常值。如圖4所示，在同一年中，各地子電場的功率情況應(yīng)當(dāng)符合整體的變化趨勢。結(jié)合全年歷史數(shù)據(jù)作為輔助，使得訓(xùn)練的模型能夠更好地?cái)M合數(shù)據(jù)趨勢，排除離群點(diǎn)和異常數(shù)據(jù)的影響，有效地對短期功率進(jìn)行模擬。

圖4 一年中風(fēng)功率的整體趨勢Fig. 4 The overall trend of annual wind power

根據(jù)可能存在的潛在聯(lián)系分別選擇源域和目標(biāo)域設(shè)置多組實(shí)驗(yàn)，分別對模型進(jìn)行訓(xùn)練。并且選擇現(xiàn)有的真實(shí)數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)，比較預(yù)測值和真實(shí)值之間的差異。通常采用均方根誤差對風(fēng)功率預(yù)測誤差進(jìn)行評估。均方根誤差(RMSE，root mean squared error)由偏差和誤差的方差組成，后者又包括幅度誤差和相位誤差，其定義為

(3)

式中：e代表預(yù)測誤差；由預(yù)測值xp和實(shí)際值xm的差值求得；n是預(yù)測點(diǎn)的總數(shù)量。

深度遷移方法使用來自選定源域的歷史數(shù)據(jù)輔助模型訓(xùn)練，相應(yīng)的，對比方法只使用屬于自己電場的歷史數(shù)據(jù)進(jìn)行訓(xùn)練。在建模預(yù)測中，隨機(jī)選擇質(zhì)量較高的數(shù)據(jù)，選擇某風(fēng)電場內(nèi)1～2個(gè)月內(nèi)的數(shù)據(jù)進(jìn)行短期預(yù)測，與真實(shí)值和直接訓(xùn)練的模型對比，分析最終結(jié)果。實(shí)驗(yàn)結(jié)果如下表1所示。

表1 遷移設(shè)計(jì)及實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)表明設(shè)計(jì)的模型可以有效地實(shí)現(xiàn)基于歷史數(shù)據(jù)的短期風(fēng)功率預(yù)測，平均誤差率在10%以下，可以滿足實(shí)際應(yīng)用中的要求，并且優(yōu)于傳統(tǒng)非遷移方法。

4 結(jié)束語

針對短期風(fēng)功率預(yù)測中現(xiàn)有方法往往僅使用自己域內(nèi)的歷史數(shù)據(jù)，導(dǎo)致結(jié)果片面，局限性大，未能有效抑制原始數(shù)據(jù)缺失或異常值引起的模型性能下降等挑戰(zhàn)，設(shè)計(jì)了一種基于歷史數(shù)據(jù)深度遷移的短期風(fēng)功率預(yù)測方法，使用帶降噪處理的自動(dòng)編碼機(jī)構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型，應(yīng)用深度遷移方法共享隱藏層，從具有相似特征和地理位置的風(fēng)場數(shù)據(jù)中遷移重要知識，提高模型的準(zhǔn)確率和可靠性。實(shí)驗(yàn)結(jié)果表明，研究方法更能充分利用現(xiàn)有的歷史數(shù)據(jù)，預(yù)測的準(zhǔn)確率顯著提高。