基于VMD-AM-WGAN的超短期風(fēng)電功率預(yù)測

程江濤，王靈梅，孟恩隆，劉玉山，賈成真，陳政坤，李永龍，王凱林，原升耀

(1.山西大學(xué)綠色能源與電力智能控制研究所，山西 太原 030013) (2.青海省綠色發(fā)電集團(tuán)股份有限公司，青海 西寧 810008)

隨著“30·60雙碳”目標(biāo)的提出，我國風(fēng)電將迎來新一輪的發(fā)展，其中以山地風(fēng)力發(fā)電場居多。以新能源為首的新型電力系統(tǒng)中，新能源裝機(jī)容量占比越來越高。準(zhǔn)確的超短期風(fēng)電功率預(yù)測在解決電網(wǎng)調(diào)峰問題、制定合理的調(diào)度策略等方面發(fā)揮著不可替代的作用。

由于風(fēng)電功率序列具有非線性及非平穩(wěn)性的特征，因此難以提升風(fēng)電功率的預(yù)測準(zhǔn)確率。國內(nèi)外學(xué)者為提升預(yù)測準(zhǔn)確率做了大量研究，提出各種風(fēng)電功率預(yù)測模型，最常見的有自回歸滑動(dòng)平均模型(ARMA)[1]、長短時(shí)間記憶網(wǎng)絡(luò)(LSTM)[2-4]和卷積神經(jīng)網(wǎng)絡(luò)(CNN)[5-6]等。Zhang等[7]提出基于互補(bǔ)經(jīng)驗(yàn)?zāi)Ｊ椒纸?CEEMD)、改進(jìn)遺傳算法(IGA)優(yōu)化的T-S模糊神經(jīng)網(wǎng)絡(luò)和馬爾可夫誤差修正的組合模型，用來提高超短期風(fēng)電預(yù)測的準(zhǔn)確性；李大中等[8]提出一種基于深度學(xué)習(xí)與誤差修正的超短期風(fēng)電功率預(yù)測方法，該方法采用了隨機(jī)森林算法對(duì)雙向門控循環(huán)網(wǎng)絡(luò)模型的預(yù)測誤差進(jìn)行修正，仿真結(jié)果驗(yàn)證了該方法具有一定的有效性及適用性。

近年來，生成對(duì)抗網(wǎng)絡(luò)[9]以其獨(dú)特的對(duì)抗思想和無監(jiān)督學(xué)習(xí)方式成為深度學(xué)習(xí)領(lǐng)域中的重要分支，并且生成對(duì)抗網(wǎng)絡(luò)具有良好的捕捉數(shù)據(jù)間隱含深層關(guān)系的能力，因此生成對(duì)抗網(wǎng)絡(luò)也越來越多地應(yīng)用于時(shí)間序列預(yù)測領(lǐng)域。Zhou等[10]首次采用生成對(duì)抗網(wǎng)絡(luò)對(duì)高頻股票市場進(jìn)行預(yù)測，有效地提高了股價(jià)預(yù)測精度，降低了預(yù)測誤差；王靜等[11]基于經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)生成對(duì)抗網(wǎng)絡(luò)的金融時(shí)間序列預(yù)測，利用經(jīng)驗(yàn)?zāi)B(tài)分解對(duì)金融時(shí)間序列進(jìn)行分析并對(duì)目標(biāo)函數(shù)進(jìn)行改進(jìn)，以提高預(yù)測準(zhǔn)確率，但EMD容易發(fā)生模態(tài)混疊，導(dǎo)致預(yù)測效果欠佳。上述文獻(xiàn)雖然將生成對(duì)抗網(wǎng)絡(luò)應(yīng)用于時(shí)間序列預(yù)測，但大多采用原始生成對(duì)抗網(wǎng)絡(luò)模型，存在預(yù)測精度不高、模型不穩(wěn)定等問題，并且對(duì)于多特征融合也未能采取較好的策略。

為了解決上述問題，提出一種基于變分模態(tài)分解的生成對(duì)抗網(wǎng)絡(luò)(VMD-AM-WGAN)的超短期風(fēng)電功率預(yù)測模型。該模型采用變分模態(tài)分解(VMD)[12-13]對(duì)風(fēng)電功率序列進(jìn)行降噪及降低非平穩(wěn)性，同時(shí)利用注意力機(jī)制(AM)[14]對(duì)多個(gè)特征的權(quán)重進(jìn)行動(dòng)態(tài)調(diào)整及優(yōu)化，最后利用改進(jìn)型的生成對(duì)抗網(wǎng)絡(luò)模型(WGAN)的對(duì)抗思想及對(duì)數(shù)據(jù)間深層隱含關(guān)系的捕捉能力，對(duì)風(fēng)電功率進(jìn)行預(yù)測，以提高模型的預(yù)測準(zhǔn)確率。

以華北某風(fēng)電場的實(shí)際數(shù)據(jù)進(jìn)行超短期風(fēng)電功率預(yù)測，將基于VMD-AM-WGAN的超短期風(fēng)電功率預(yù)測模型在風(fēng)電場的實(shí)際預(yù)測效果與同時(shí)刻風(fēng)電場的實(shí)際風(fēng)電功率、WGAN網(wǎng)絡(luò)模型的預(yù)測結(jié)果、風(fēng)電場場站風(fēng)電功率實(shí)際預(yù)測結(jié)果進(jìn)行對(duì)比，結(jié)果表明，本文提出的預(yù)測模型能有效提升風(fēng)電功率預(yù)測精度，具有較強(qiáng)的適用性。

1 VMD分解

由于山地風(fēng)電場的湍流強(qiáng)度高且極端天氣頻繁出現(xiàn)，使得風(fēng)電出力具有較強(qiáng)的波動(dòng)性及間歇性，是明顯的非平穩(wěn)時(shí)間序列，所以本文采用VMD分解的方法對(duì)風(fēng)電功率序列進(jìn)行降噪及信號(hào)的平滑處理。通過迭代搜尋的方式構(gòu)建變分模型，將原始風(fēng)電功率時(shí)間序列P(t)分解為不同的具有有限帶寬的分量，通過交替迭代尋找變分模型的最優(yōu)解。

選取500條風(fēng)電機(jī)組輸出功率數(shù)據(jù)作為VMD分析的功率序列樣本，采樣時(shí)間為15 min，采樣頻率為1/900。對(duì)該樣本進(jìn)行VMD變分模態(tài)分解，得到不同分量，首先設(shè)置分解個(gè)數(shù)K=3,4,5，并計(jì)算得到不同分解次數(shù)下各分量的中心頻率，見表1。

表1 VMD分解及各分量的中心頻率

當(dāng)K取5時(shí)，分量3、分量4和分量5的中心頻率分別為2.317E-04、3.613E-04和4.494E-04，出現(xiàn)了3個(gè)中心頻率相近的分量，屬于過分解；當(dāng)K取3時(shí)，3個(gè)中心頻率波動(dòng)較為不穩(wěn)定，屬于欠分解；當(dāng)K取4時(shí)，各中心頻率相差較大，所以確定分量個(gè)數(shù)K為4。VMD分解及分量的頻譜密度如圖1所示。

圖1 基于VMD分解及分量的頻譜密度

2 基于VMD-AM-WGAN的超短期風(fēng)電功率預(yù)測模型

2.1 VMD-AM-WGAN網(wǎng)絡(luò)的模型結(jié)構(gòu)

VMD-AM-WGAN網(wǎng)絡(luò)的模型結(jié)構(gòu)如圖2所示，主要包括3部分：數(shù)據(jù)預(yù)處理、生成器G和判別器D。

圖2 VMD-AM-WGAN網(wǎng)絡(luò)的模型結(jié)構(gòu)

數(shù)據(jù)預(yù)處理是利用MIC(最大信息系數(shù))對(duì)各個(gè)特征進(jìn)行相關(guān)性分析，篩選出風(fēng)電功率預(yù)測的關(guān)鍵性因素：風(fēng)速、風(fēng)向、偏航誤差(風(fēng)機(jī)機(jī)艙方向與風(fēng)向的夾角)、溫度、濕度。然后對(duì)原始數(shù)據(jù)集S中的異常點(diǎn)進(jìn)行識(shí)別剔除并通過隨機(jī)森林算法進(jìn)行缺失值插補(bǔ)，最后進(jìn)行歸一化處理，便于進(jìn)一步分析及預(yù)測。

生成器G由VMD分解和K個(gè)AM-LSTM網(wǎng)絡(luò)組成。本文提出的預(yù)測模型首先利用VMD將風(fēng)電功率時(shí)間序列分解成K個(gè)子序列分量，并通過加權(quán)的方式將K個(gè)AM-LSTM網(wǎng)絡(luò)的輸出疊加得到生成器的生成值，即預(yù)測的風(fēng)電功率值。

本文采用CNN作為判別器，判別器的作用是估計(jì)生成器預(yù)測的風(fēng)電功率數(shù)據(jù)與真實(shí)風(fēng)電功率樣本之間的W距離，然后使用生成器去拉近兩者之間的距離。CNN由輸入層、輸出層及隱含層組成，其中隱含層包括卷積層、池化層和全連接層。生成器生成的超短期風(fēng)電功率預(yù)測數(shù)據(jù)與真實(shí)風(fēng)電功率數(shù)據(jù)一起通過判別器的輸入層，然后卷積層通過卷積運(yùn)算提取特征，池化層進(jìn)行特征降維、減少數(shù)據(jù)輸出復(fù)雜度、防止過擬合，最后經(jīng)過全連接層連接并輸出。

2.2 目標(biāo)函數(shù)

為解決原始生成對(duì)抗網(wǎng)絡(luò)梯度消失、訓(xùn)練不收斂、模型容易崩潰的問題，引入W距離，用判別器估計(jì)生成分布與真實(shí)分布的W距離，用生成器拉近W距離，達(dá)到生成逼近真實(shí)功率的預(yù)測功率的目標(biāo)。將判別器相對(duì)于輸入數(shù)據(jù)列X的梯度限制在一定范圍內(nèi)，使得判別器滿足Lipschitz條件。本文在判別器中加入了梯度懲罰項(xiàng)，判別器損失函數(shù)J(D)為：

(1)

生成器損失函數(shù)J(G)為：

J(G)=-EZ～PZ[fw(G(Z))]

(2)

2.3 算法流程

本文的VMD-AM-WGAN神經(jīng)網(wǎng)絡(luò)模型采用的優(yōu)化算法為RMSProp，生成器由VMD和4個(gè)AM-LSTM神經(jīng)網(wǎng)絡(luò)構(gòu)成，LSTM隱含層包含10個(gè)神經(jīng)元，激活函數(shù)為tanh，學(xué)習(xí)率為0.000 1。判別器由CNN構(gòu)成，包含1層卷積層、1層池化層和1層全連接層；輸入神經(jīng)元數(shù)量為16，卷積核為32，激活函數(shù)為LRELU，學(xué)習(xí)率為0.000 1；池化方法為最大池化。

訓(xùn)練過程如下：

1)初始化生成器和判別器的學(xué)習(xí)速率及生成器G的網(wǎng)絡(luò)參數(shù)θd、判別器D的網(wǎng)絡(luò)參數(shù)θω，將經(jīng)過數(shù)據(jù)預(yù)處理后不包含風(fēng)電功率時(shí)間序列的數(shù)據(jù)集S進(jìn)行滑窗分組(滑動(dòng)窗口大小為m)，分解后的數(shù)據(jù)集表示為Sq；將經(jīng)過數(shù)據(jù)預(yù)處理后的數(shù)據(jù)集S中的風(fēng)電功率時(shí)間序列進(jìn)行滑窗分組(滑動(dòng)窗口大小為n)，分解后的數(shù)據(jù)集表示為Y。

2)將經(jīng)過數(shù)據(jù)預(yù)處理后的數(shù)據(jù)集S中的風(fēng)電功率時(shí)間序列分解成K個(gè)子序列分量，對(duì)每個(gè)子序列分量進(jìn)行滑窗分組(滑動(dòng)窗口大小為m)并將每個(gè)子序列分量分別與步驟1中的數(shù)據(jù)集Sp結(jié)合，生成K個(gè)新數(shù)據(jù)集Sp。

3)將K個(gè)新數(shù)據(jù)集Sp分別輸入生成器G的K個(gè)AM-LSTM網(wǎng)絡(luò)中，并將K個(gè)預(yù)測結(jié)果相加得到生成數(shù)據(jù)集G(Z)，G(Z)和Y一起輸入判別器D，使用隨機(jī)梯度下降算法更新判別器D的網(wǎng)絡(luò)參數(shù)θω。

4)使用隨機(jī)梯度下降算法更新生成器G的網(wǎng)絡(luò)參數(shù)θd。

5)每訓(xùn)練5次判別器，訓(xùn)練1次生成器，直至判別器的網(wǎng)絡(luò)參數(shù)θω收斂，訓(xùn)練結(jié)束。

2.4 模型預(yù)測結(jié)果的評(píng)價(jià)指標(biāo)

超短期風(fēng)電功率預(yù)測準(zhǔn)確率的評(píng)估方法有很多，如均方根誤差、平均絕對(duì)誤差等。本文采用2021年山西省下發(fā)的《山西能源監(jiān)管辦關(guān)于印發(fā)山西并網(wǎng)發(fā)電廠輔助管理實(shí)時(shí)細(xì)則和并網(wǎng)運(yùn)行管理實(shí)施細(xì)則2021》中超短期風(fēng)電預(yù)測的評(píng)價(jià)指標(biāo)作為本文的模型預(yù)測評(píng)估指標(biāo)，計(jì)算公式如下：

(3)

(4)

3 算例分析

本文采用華北某山地風(fēng)電場2020年的全場單機(jī)SCADA系統(tǒng)(數(shù)據(jù)采集與監(jiān)視控制系統(tǒng))數(shù)據(jù)集，其包含歷史風(fēng)電功率、風(fēng)速、風(fēng)向、溫度、濕度、壓力等特征量。該風(fēng)電場裝機(jī)容量為100 MW，東西跨度近50 km且地勢復(fù)雜，小氣候現(xiàn)象明顯，極端天氣出現(xiàn)頻繁，因而一個(gè)測風(fēng)塔的測風(fēng)數(shù)據(jù)對(duì)整個(gè)風(fēng)電場的風(fēng)資源情況代表性嚴(yán)重不足，基于此，本文采用單機(jī)風(fēng)電功率預(yù)測反推全場超短期風(fēng)電功率預(yù)測的技術(shù)路線。

確定好VMD分解個(gè)數(shù)后，對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行滑窗分組，建立多步(16步)預(yù)測模型，同時(shí)預(yù)測未來4 h的風(fēng)電機(jī)組輸出功率。將經(jīng)過VMD分解并進(jìn)行篩選處理后的風(fēng)電功率分量結(jié)合相對(duì)應(yīng)時(shí)刻的風(fēng)速、偏航誤差角、壓力、溫度、濕度特征，輸入訓(xùn)練好的生成器，經(jīng)過權(quán)重調(diào)整后得到各分量的預(yù)測結(jié)果，將各預(yù)測結(jié)果相加得到單風(fēng)電機(jī)組輸出功率預(yù)測值，最后將每臺(tái)機(jī)組的預(yù)測值相加，得到整場的超短期預(yù)測輸出功率。各個(gè)模型的預(yù)測效果與風(fēng)電場場站實(shí)際功率如圖3所示。

圖3 不同風(fēng)況下各預(yù)測模型與風(fēng)電場實(shí)際功率對(duì)比曲線圖

由圖3可知，在大風(fēng)、小風(fēng)、風(fēng)速發(fā)生陡降風(fēng)況下，本文提出的基于VMD-AM-WGAN的超短期風(fēng)電功率預(yù)測模型的預(yù)測結(jié)果與同時(shí)刻WGAN網(wǎng)絡(luò)模型的預(yù)測結(jié)果、風(fēng)電場場站風(fēng)電功率實(shí)際預(yù)測結(jié)果相比，其更接近風(fēng)電場實(shí)際功率，預(yù)測準(zhǔn)確率也更高，并且較少出現(xiàn)預(yù)測曲線滯后的現(xiàn)象。結(jié)果表明，本文提出的預(yù)測模型可以有效提升多種風(fēng)況下的超短期風(fēng)電功率預(yù)測準(zhǔn)確率。對(duì)該風(fēng)電場進(jìn)行為期3個(gè)月的超短期風(fēng)電功率預(yù)測，統(tǒng)計(jì)月平均準(zhǔn)確率、日平均最高準(zhǔn)確率和日平均最低準(zhǔn)確率，見表2。

表2 VMD-AM-WGAN模型準(zhǔn)確率統(tǒng)計(jì)表

由表2可知，本文提出的基于VMD-AM-WGAN的超短期風(fēng)電功率預(yù)測模型的月平均準(zhǔn)確率均高于90%，達(dá)到最新的電網(wǎng)要求水平，與現(xiàn)有的其他風(fēng)電功率預(yù)測產(chǎn)品相比，該預(yù)測結(jié)果處于較高水平。

4 結(jié)束語

本文引入VMD分解方法對(duì)風(fēng)電功率序列進(jìn)行降噪及信號(hào)的平滑處理，并引入特征注意力機(jī)制實(shí)時(shí)計(jì)算風(fēng)電功率數(shù)據(jù)與相關(guān)氣象特征量(風(fēng)速、偏航誤差角、壓力、溫度、濕度)之間的相關(guān)性，動(dòng)態(tài)調(diào)整生成器中各特征的權(quán)重系數(shù)，最后利用WGAN的對(duì)抗思想及對(duì)數(shù)據(jù)間深層隱含關(guān)系的捕捉能力，對(duì)風(fēng)電功率進(jìn)行預(yù)測。通過現(xiàn)場試驗(yàn)及多模型仿真的預(yù)測結(jié)果對(duì)比分析，驗(yàn)證了本文所提模型的有效性。