基于深度置信網(wǎng)絡(luò)的風(fēng)功率預(yù)測研究

劉 姝，張麗紅，祁慶豐

(1.沈陽工程學(xué)院新能源學(xué)院，遼寧 沈陽 110136；2.沈陽工程學(xué)院電力學(xué)院，遼寧 沈陽 110136；3.華能新能源股份有限公司遼寧分公司，遼寧 沈陽 110001)

受環(huán)境污染嚴(yán)重及相關(guān)政策影響，風(fēng)電裝機(jī)容量持續(xù)增加[1]。高精度風(fēng)電預(yù)測已成為新能源接入電力系統(tǒng)高比例運(yùn)行的必要技術(shù)[2-3]。預(yù)測風(fēng)機(jī)的運(yùn)行狀態(tài)，可以有效提高運(yùn)行的可靠性，及時(shí)發(fā)現(xiàn)異常情況，提前進(jìn)行預(yù)防性維護(hù)。深度學(xué)習(xí)和各種統(tǒng)計(jì)方法在風(fēng)電預(yù)測中得到廣泛應(yīng)用，風(fēng)電預(yù)測的準(zhǔn)確性不斷提高。

文獻(xiàn)[4]對(duì)氣象特征和風(fēng)電數(shù)據(jù)的波動(dòng)過程進(jìn)行了劃分，建立了基于氣象特征和風(fēng)電波動(dòng)過程相關(guān)性的組合預(yù)測模型，有效提高了預(yù)測精度。文獻(xiàn)[5]基于天氣移動(dòng)背景，對(duì)NWP中風(fēng)速波動(dòng)過程進(jìn)行了劃分，建立了多步風(fēng)速和風(fēng)電功率預(yù)測模型?；诓▌?dòng)過程的數(shù)據(jù)挖掘方法可以有效提高風(fēng)電預(yù)測精度，但沒有考慮波動(dòng)過程的劃分閾值對(duì)預(yù)測精度的影響。文獻(xiàn)[6]中設(shè)定風(fēng)速、風(fēng)向和槳距角作為系統(tǒng)輸入，轉(zhuǎn)子轉(zhuǎn)速作為系統(tǒng)輸出。最后利用模型輸出電機(jī)的轉(zhuǎn)子轉(zhuǎn)速值進(jìn)行故障預(yù)測。文獻(xiàn)[7]對(duì)極限學(xué)習(xí)機(jī)的優(yōu)化采用多目標(biāo)灰狼優(yōu)化方法，預(yù)測未來短期的風(fēng)速，有效提高了風(fēng)速預(yù)測的準(zhǔn)確性和魯棒性。

本文探討風(fēng)電機(jī)組的運(yùn)行特性，對(duì)鐵嶺某風(fēng)電場實(shí)際運(yùn)行的50 MW并網(wǎng)風(fēng)電機(jī)組SCADA系統(tǒng)數(shù)據(jù)進(jìn)行分析，應(yīng)用深度置信網(wǎng)絡(luò)進(jìn)行建模,并通過實(shí)例進(jìn)行仿真分析。經(jīng)統(tǒng)計(jì)數(shù)據(jù)驗(yàn)證，風(fēng)速、溫度、濕度和氣壓等參數(shù)可以直接影響機(jī)組的出力情況。因此，本文將風(fēng)速、溫度、濕度、氣壓定為系統(tǒng)輸入，將功率作為系統(tǒng)輸出，最終利用所建模型輸出功率值進(jìn)行預(yù)測。

1 影響風(fēng)力發(fā)電的因素

風(fēng)的產(chǎn)生是由于空氣密度不均勻?qū)е碌目諝饬鲃?dòng)，風(fēng)能是空氣流動(dòng)產(chǎn)生的動(dòng)能[8]。簡單來說，風(fēng)力發(fā)電就是將風(fēng)能轉(zhuǎn)化為機(jī)械能再到電能的過程，機(jī)組的輸出功率為

(1)

式中：vn為額定風(fēng)速；Pn為額定功率；Cp為風(fēng)能利用系數(shù)；ρ為空氣密度，kg/m3；A為風(fēng)輪掃過的有效面積，m2；υ為實(shí)測風(fēng)速，m/s。由式(1)可知，輸出功率主要與風(fēng)速、空氣密度和被風(fēng)輪掃過的有效面積有關(guān)，主要的影響因素為風(fēng)速，風(fēng)功率與風(fēng)速的三次方成正比，即風(fēng)速增大1倍，風(fēng)電功率增加7倍。因此本文將風(fēng)速作為主要影響因素進(jìn)行研究分析[9]。

空氣密度與輸出功率也有直接關(guān)系，而根據(jù)氣象學(xué)知識(shí)，空氣密度與氣壓、溫度、濕度密切相關(guān)，關(guān)系式為

(2)

式中：p為氣壓，×100 Pa；t為溫度，℃；pw為水氣壓，×100 Pa。由式(2)可知，壓強(qiáng)、溫度和濕度會(huì)影響空氣密度的大小，進(jìn)而決定風(fēng)功率的大小。因此，在風(fēng)電功率預(yù)測研究時(shí)，應(yīng)考慮壓強(qiáng)、溫度和濕度等影響因素[10]。

本次研究綜合考慮所有影響因素，將風(fēng)速、壓強(qiáng)、溫度和濕度作為預(yù)測模型的輸入變量。

2 深度置信網(wǎng)絡(luò)

深度置信網(wǎng)絡(luò)(deep belief network，DBN)由若干限制的玻爾茲曼機(jī)(restricted boltzmann machine,RBM)組成[11]，是一種能夠隨機(jī)生成觀測數(shù)據(jù)的模型，該模型是生成模型和判別模型的結(jié)合。生成模型將RBM逐層疊加，使DBN模型從輸入數(shù)據(jù)中逐層提取相應(yīng)的特征，進(jìn)而得到一些高層次且準(zhǔn)確的表達(dá)式。判別模型用于達(dá)到分類或預(yù)測的目的，是有監(jiān)督的神經(jīng)網(wǎng)絡(luò)模型[12]。

RBM是一種隨機(jī)神經(jīng)網(wǎng)絡(luò)，包含2層神經(jīng)元。一層是顯層，也稱可視層，由可見單元組成，用于訓(xùn)練數(shù)據(jù)的輸入。另一層為隱藏層，由隱藏單元組成，用作特征檢測器。RBM構(gòu)架如圖1所示。

這些單元除了自身調(diào)節(jié)外，還有0或1兩種存在形式：當(dāng)單元為狀態(tài)1時(shí)，參與網(wǎng)絡(luò)權(quán)值的訓(xùn)練過程；當(dāng)狀態(tài)為0時(shí)，不參與訓(xùn)練。設(shè)顯層單元的狀態(tài)為V，隱層單元的狀態(tài)為H，則RBM的能量函數(shù)為

(3)

式中：ai為第i個(gè)顯層單元偏置限定值；bj為第j個(gè)隱層單元偏置限定值；wij為第i顯層單元和第j隱層單元之間的權(quán)重；vi、hj為顯層和隱層單元的存在形式[13]。

能量函數(shù)的大小反映了整個(gè)結(jié)構(gòu)框架的狀態(tài)，訓(xùn)練過程要實(shí)現(xiàn)參數(shù)尋優(yōu)的目的，使其與相應(yīng)的樣本數(shù)值相吻合，這樣能量函數(shù)會(huì)逐漸趨于穩(wěn)定，在進(jìn)行優(yōu)化的情況下，RBM神經(jīng)元節(jié)點(diǎn)的隨機(jī)分布規(guī)律要與樣本數(shù)值相同[14]。

在給定可見單元狀態(tài)時(shí)，連接其隱層單元的活化概率為

(4)

在其他條件相同時(shí)，限定隱藏層單元不變時(shí)，可見單元的活化概率為

(5)

RBM的激活公式為sigmoid函數(shù),此函數(shù)在(-∞,+∞)函數(shù)值始終在0～1,通過計(jì)算可以得出相應(yīng)節(jié)點(diǎn)的激活概率[16]，函數(shù)圖如圖2所示。

在訓(xùn)練過程中，每次循環(huán)執(zhí)行命令時(shí)，會(huì)隨機(jī)為節(jié)點(diǎn)設(shè)置1個(gè)0～1的隨機(jī)數(shù)，然后將該隨機(jī)數(shù)與激活概率進(jìn)行對(duì)比。只有當(dāng)隨機(jī)數(shù)大于激活概率時(shí)，各個(gè)單元才被激活。

在訓(xùn)練預(yù)測模型時(shí)，隨機(jī)初始化參數(shù)使輸出值在穩(wěn)定值附近上下波動(dòng)的次數(shù)增加，不能突出該模型的代表性特征。因此，需要確定最佳參數(shù)值來提高預(yù)測模型的性能，此時(shí)的參數(shù)雖是一個(gè)近似值，但在尋優(yōu)過程中可以減少波動(dòng)次數(shù)，提高模型的預(yù)測精度。尋優(yōu)參數(shù)為RBM的顯層和隱層節(jié)點(diǎn)數(shù)、迭代次數(shù)和學(xué)習(xí)效率。參數(shù)尋優(yōu)過程如圖3所示。由圖3可知，隨著迭代次數(shù)的增加，訓(xùn)練誤差越來越小，逐漸逼近于零，當(dāng)?shù)螖?shù)為1000時(shí)訓(xùn)練誤差最小，因此本次試驗(yàn)設(shè)置的迭代次數(shù)為1000。

3 建立風(fēng)電機(jī)組功率預(yù)測模型

3.1 數(shù)據(jù)歸一化

由于風(fēng)電系統(tǒng)歷史數(shù)據(jù)包含多個(gè)變量，每個(gè)變量具有不同的維度和大小，不利于數(shù)據(jù)特征的分析。為了消除不同維度在數(shù)據(jù)間的沖擊，避免計(jì)算節(jié)點(diǎn)飽和，減少計(jì)算量，需要將不同表征的數(shù)據(jù)歸一化到一定維度上，如圖4、圖5所示。在本研究中，使用最大和最小歸一化方法將每個(gè)數(shù)據(jù)限制在[0,1]范圍內(nèi)。歸一化公式如式(6)所示。

(6)

式中：x為待歸一化的序列；xmax和xmin分別為該序列的最大值和最小值；x′為歸一化結(jié)果[17]。

歸一化后可更明顯看出，幾個(gè)變量之間的變化程度及風(fēng)速、溫度、濕度、壓強(qiáng)等變量之間的相互作用機(jī)制，更有利于模型訓(xùn)練的建立。

3.2 建立預(yù)測模型

DBN的訓(xùn)練過程由2個(gè)階段組成，一種是正向的訓(xùn)練階段，將訓(xùn)練集作為輸入對(duì)RBM進(jìn)行無監(jiān)督訓(xùn)練，另一種是反向訓(xùn)練階段，將上層輸出的誤差作為BP神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行有監(jiān)督微調(diào)訓(xùn)練，直至預(yù)測模型完成參數(shù)更新，獲得較好的結(jié)構(gòu)參數(shù)[18]。預(yù)測模型結(jié)構(gòu)如圖6所示。

該模型利用歸一化后的歷史數(shù)據(jù)作為輸入，預(yù)測功率作為輸出，將多層RBM結(jié)構(gòu)和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)合，通過誤差微調(diào)及反饋，提高了整個(gè)模型的性能。

3.3 深度置信網(wǎng)絡(luò)的訓(xùn)練流程

深度置信網(wǎng)絡(luò)主要是將輸入數(shù)據(jù)和輸出數(shù)據(jù)建立對(duì)應(yīng)關(guān)系來完成預(yù)測流程。該網(wǎng)絡(luò)基于經(jīng)過預(yù)處理的數(shù)值天氣預(yù)報(bào)數(shù)據(jù)和風(fēng)電場的歷史數(shù)據(jù)建立風(fēng)電場預(yù)測模型，該模型前2層由RBM組成，最后1層為BP神經(jīng)網(wǎng)絡(luò)輸出層，模型的算法流程如圖7所示。

具體步驟如下：

a.采集歷史數(shù)據(jù)，并將數(shù)據(jù)集分為訓(xùn)練集和預(yù)測集[19]；

b.篩選數(shù)據(jù)并進(jìn)行歸一化；

c.參數(shù)選擇，并進(jìn)行尋優(yōu)處理；

d.將訓(xùn)練集輸入到預(yù)測模型中進(jìn)行訓(xùn)練，調(diào)整RBM的學(xué)習(xí)速率，從而改變訓(xùn)練過程中的權(quán)重；

e.當(dāng)訓(xùn)練誤差達(dá)到要求時(shí)，訓(xùn)練結(jié)束，并根據(jù)此時(shí)的DBN模型參數(shù)建立預(yù)測模型，將預(yù)測集輸入到預(yù)測模型中進(jìn)行預(yù)測，得出結(jié)果。

4 實(shí)例仿真分析

4.1 數(shù)據(jù)提取與預(yù)處理

本文試驗(yàn)研究數(shù)據(jù)來源鐵嶺風(fēng)電場SCADA系統(tǒng)。實(shí)時(shí)采集系統(tǒng)數(shù)據(jù)庫中的數(shù)據(jù)，會(huì)在傳輸過程中由于設(shè)備損壞、人工失誤等因素導(dǎo)致數(shù)據(jù)丟失和冗余，從而降低功率預(yù)測的準(zhǔn)確性。因此收集到的數(shù)據(jù)需要進(jìn)行處理，以保證預(yù)測結(jié)果的普遍性。異常數(shù)據(jù)的風(fēng)速-功率曲線如圖8所示。

為了使預(yù)測結(jié)果在相應(yīng)的誤差范圍內(nèi)，需要對(duì)風(fēng)場中提取的數(shù)據(jù)進(jìn)行篩選和處理，具體處理方法如下：

a.數(shù)據(jù)的時(shí)間分辨率為15 min；

b.用相鄰數(shù)據(jù)的平均值代替中間的缺測數(shù)據(jù)或異常數(shù)據(jù)；

c.采用風(fēng)機(jī)的額定值代替超過閾值的功率值或小于零的值。

利用以上方法對(duì)源數(shù)據(jù)進(jìn)行處理，要盡可能保留歷史信息，不破壞其本身的性質(zhì)。

舉部分?jǐn)?shù)據(jù)點(diǎn)為例，選取3000個(gè)風(fēng)場實(shí)際運(yùn)行的數(shù)據(jù)點(diǎn)，從圖9中發(fā)現(xiàn)4個(gè)功率缺測點(diǎn)。

對(duì)發(fā)現(xiàn)的異常數(shù)據(jù)進(jìn)行預(yù)處理后，樣本的功率缺失點(diǎn)消失，得到圖10。

經(jīng)處理過的數(shù)據(jù)信息更加完善，生成相對(duì)標(biāo)準(zhǔn)的風(fēng)速-功率曲線進(jìn)行仿真分析，如圖11所示。

4.2 預(yù)測結(jié)果分析

基于圖6的算法，建立了深度置信網(wǎng)絡(luò)的風(fēng)電功率預(yù)測模型。經(jīng)數(shù)據(jù)預(yù)處理，選取鐵嶺某風(fēng)電場提供的2020年5月1日至10月31日每15 min采樣1次的數(shù)值天氣預(yù)報(bào)數(shù)據(jù)和風(fēng)場實(shí)際運(yùn)行數(shù)據(jù)進(jìn)行功率預(yù)測。將數(shù)值天氣預(yù)報(bào)風(fēng)速、溫度、濕度、氣壓及前一刻風(fēng)電場功率作為模型的輸入，風(fēng)電場實(shí)際輸出功率作為輸出進(jìn)行訓(xùn)練和預(yù)測。

DBN網(wǎng)絡(luò)的訓(xùn)練過程首先使用訓(xùn)練集訓(xùn)練模型，其次為驗(yàn)證預(yù)測模型的泛化性在測試集上運(yùn)行模型，測試對(duì)新樣本的判斷能力，風(fēng)電功率預(yù)測結(jié)果如圖12所示，藍(lán)色的圓形標(biāo)點(diǎn)代表真實(shí)值，紅色的星形標(biāo)點(diǎn)代表輸出預(yù)測值，均方誤差為105.9934。

為進(jìn)一步說明深度置信網(wǎng)絡(luò)模型的功率預(yù)測效果，在均使用經(jīng)過篩選后的訓(xùn)練樣本前提下，本文利用深度置信網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)模型作比較分析，如圖13所示。

為了定量分析2種方法的預(yù)測效果，采用橫向誤差和縱向誤差進(jìn)行對(duì)比分析。縱向誤差反映了風(fēng)電機(jī)組長期的工作情況，橫向誤差則說明了預(yù)測系統(tǒng)的性質(zhì)和效能。當(dāng)分析模型的性能時(shí)，縱向誤差視為平均絕對(duì)誤差、均方根誤差，橫向誤差視為相關(guān)系數(shù)[20]。各指標(biāo)的公式為

(7)

表1 誤差比較分析

通過表1可知，深度置信網(wǎng)絡(luò)(DBN)的預(yù)測模型優(yōu)于BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，在采用深層次多隱含層網(wǎng)絡(luò)結(jié)構(gòu)時(shí)，BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的訓(xùn)練能力低于深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)，深度學(xué)習(xí)模型更具優(yōu)勢。在訓(xùn)練過程中對(duì)參數(shù)尋優(yōu)，大大提高了預(yù)測模型的性能，與BP神經(jīng)網(wǎng)絡(luò)相比DBN預(yù)測模型的平均絕對(duì)誤差大大降低，精確度明顯提高，DBN預(yù)測模型更適用于風(fēng)電場功率的分析預(yù)測。

5 結(jié)語

本文結(jié)合風(fēng)電機(jī)組的運(yùn)行特點(diǎn)，將深度置信網(wǎng)絡(luò)應(yīng)用到風(fēng)功率預(yù)測中。在訓(xùn)練過程中對(duì)RBM參數(shù)進(jìn)行尋優(yōu)，從而縮短訓(xùn)練時(shí)間，減少振蕩次數(shù)，提高了預(yù)測精度。最后通過實(shí)例驗(yàn)證了DBN網(wǎng)絡(luò)模型的預(yù)測效果優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，預(yù)測功率和實(shí)際功率之間的誤差較小。在功率平穩(wěn)變化階段，預(yù)測值與實(shí)際值比較接近。因此，可以及時(shí)更新風(fēng)機(jī)數(shù)據(jù)，實(shí)時(shí)調(diào)整誤差，實(shí)現(xiàn)深度置信網(wǎng)絡(luò)模型的優(yōu)化。通過對(duì)風(fēng)電機(jī)組功率的預(yù)測，可以預(yù)知下一時(shí)間段的預(yù)測值，基于歷史數(shù)據(jù)對(duì)風(fēng)電機(jī)組的有功、無功、電壓等進(jìn)行預(yù)判，從而可以提前了解并調(diào)控風(fēng)力機(jī)的運(yùn)行狀態(tài)。