基于多源數(shù)據(jù)圖表示學(xué)習(xí)的風(fēng)電出力預(yù)測方法

黃文琦,方必武,戴珍,侯佳萱,曹尚,梁凌宇,林全郴,余濤

(1.南方電網(wǎng)數(shù)字電網(wǎng)集團(tuán)有限公司,廣州市 510670;2.中國南方電網(wǎng)電力調(diào)度控制中心,廣州市 510663;3. 華南理工大學(xué)電力學(xué)院,廣州市 510640)

0 引 言

結(jié)合目前碳中和目標(biāo)的政策要求[1-2],建設(shè)以新能源為主體的新型電力系統(tǒng)是未來的重要發(fā)展趨勢[3-5],未來將會有越來越多的新能源接入到電力系統(tǒng)當(dāng)中,其中,風(fēng)力發(fā)電具有更高的不確定性和隨機(jī)性[6-7],其大規(guī)模接入電力系統(tǒng)將會進(jìn)一步導(dǎo)致系統(tǒng)運行的不確定性增強(qiáng)、系統(tǒng)調(diào)度優(yōu)化難度增大[8-9]。解決該問題的重要措施是提高風(fēng)電出力預(yù)測的精確度[10]。

風(fēng)電出力預(yù)測從時間尺度上可以分為超短期、短期和中長期預(yù)測,其中較為廣泛應(yīng)用的是短期預(yù)測,其預(yù)測內(nèi)容一般為預(yù)測未來一天每小時的風(fēng)電出力大小,從而為電力系統(tǒng)的調(diào)度與運行提供重要依據(jù)。

短期風(fēng)電出力預(yù)測方法的研究主要分為傳統(tǒng)預(yù)測方法以及人工智能預(yù)測方法,傳統(tǒng)預(yù)測方法方面,文獻(xiàn)[11]基于歷史風(fēng)電出力序列,采用差分自回歸移動平均模型(autore-gressive integrated moving average, ARIMA)來擬合風(fēng)電的出力曲線,但由于風(fēng)電機(jī)組主要依靠風(fēng)力來推動風(fēng)輪轉(zhuǎn)動從而產(chǎn)生電能,因此風(fēng)電出力受風(fēng)速、風(fēng)向等環(huán)境因素影響較大。因此,在預(yù)測建模上,應(yīng)該考慮環(huán)境因素的影響,文獻(xiàn)[12]通過指數(shù)平滑法預(yù)測風(fēng)速,接著構(gòu)建狀態(tài)概率模型以獲得風(fēng)電出力;文獻(xiàn)[13]通過建立多元回歸模型( multiple linear regression,MLR)來研究風(fēng)速、風(fēng)向等影響因素與風(fēng)電出力的內(nèi)涵聯(lián)系,從而獲得最優(yōu)擬合解。這類方法計算簡便,然而非線性擬合能力較弱,預(yù)測精度較低,并且隨著智能電網(wǎng)的發(fā)展使得系統(tǒng)運行數(shù)據(jù)和外源數(shù)據(jù)的廣度和維度顯著增加[14],大數(shù)據(jù)與電網(wǎng)相結(jié)合的特點越加明顯,傳統(tǒng)預(yù)測方法難以處理數(shù)據(jù)量大的多源數(shù)據(jù)。對此,人工智能方法在非線性擬合和大數(shù)據(jù)處理方面更有優(yōu)勢,文獻(xiàn)[15]和文獻(xiàn)[16]分別基于梯度提升決策樹(gradient boosting decision tree,GBDT)和隨機(jī)森林(random forest, RF)的預(yù)測模型利用歷史天氣數(shù)據(jù)和光伏發(fā)電出力數(shù)據(jù)對模型進(jìn)行迭代訓(xùn)練,并用于根據(jù)天氣預(yù)報數(shù)據(jù)預(yù)測未來光伏發(fā)電出力,預(yù)測結(jié)果相比于傳統(tǒng)方法取得了較大的提升。針對隨機(jī)波動問題,文獻(xiàn)[17]首先利用經(jīng)驗?zāi)B(tài)分解對風(fēng)電歷史出力序列進(jìn)行分解,獲得數(shù)據(jù)特征集,接著利用長短期記憶 (long-short term memory,LSTM) 人工神經(jīng)網(wǎng)絡(luò)建立預(yù)測模型;文獻(xiàn)[18]先用CEEMD(complementary ensemble empirical mode decomposition)方法將原始數(shù)據(jù)分解成易于預(yù)測的分量,然后用遺傳算法神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測,這些方法都獲得了較好的預(yù)測性能;為了進(jìn)一步提高預(yù)測的可靠性,文獻(xiàn)[19]利用Stacking集成學(xué)習(xí)方法和LSTM模型,將多個子模型進(jìn)行融合集成,獲得一個綜合預(yù)測結(jié)果,有效降低了預(yù)測誤差。但上述方法都是針對同一區(qū)域風(fēng)電場站進(jìn)行建模,在模型訓(xùn)練過程中存在過擬合和穩(wěn)定性差的問題,并且,受限于歐氏空間下數(shù)據(jù)的順序輸入,對風(fēng)電場站之間的內(nèi)涵關(guān)聯(lián)信息挖掘不足,預(yù)測精度仍存在提升的空間。

圖學(xué)習(xí)技術(shù)的提出為挖掘數(shù)據(jù)關(guān)聯(lián)特征和數(shù)據(jù)表達(dá)提供了新的思路[20-21],與以往歐氏空間數(shù)據(jù)下建模不同,圖學(xué)習(xí)是建立在非歐氏空間下的學(xué)習(xí)模型,利用節(jié)點和邊來構(gòu)建非歐氏空間下的數(shù)據(jù)特征,目前已在文本、圖像、科學(xué)、知識圖譜和組合優(yōu)化等領(lǐng)域廣泛應(yīng)用。若將先進(jìn)的圖學(xué)習(xí)技術(shù)引入風(fēng)電出力預(yù)測任務(wù)當(dāng)中,將多個風(fēng)電場站之間的特征用節(jié)點表示,風(fēng)電場站之間的內(nèi)涵關(guān)系用邊表示,充分聯(lián)合多個風(fēng)電場站之間的關(guān)聯(lián)性進(jìn)行建模,實現(xiàn)多源數(shù)據(jù)信息的充分挖掘,有望提升預(yù)測效果。

綜上,為了充分利用多源數(shù)據(jù)和時空數(shù)據(jù)特點,進(jìn)一步提升風(fēng)電出力預(yù)測精度,為電力調(diào)度運行部門制定調(diào)度計劃提供參考,本文針對短期風(fēng)電預(yù)測需求提出了基于多源數(shù)據(jù)圖表示學(xué)習(xí)的風(fēng)電出力預(yù)測方法,實現(xiàn)對未來一天24 h風(fēng)電出力的精準(zhǔn)預(yù)測。本文創(chuàng)新點總結(jié)如下:

1)基于Stacking理論和圖深度學(xué)習(xí)理論設(shè)計了一種能夠融合多個風(fēng)電場站特征數(shù)據(jù)的圖數(shù)據(jù)表達(dá)形式,通過將多個風(fēng)電場站下的數(shù)據(jù)轉(zhuǎn)化成非歐氏空間下的數(shù)據(jù),從而獲得了對多個風(fēng)電場站的圖數(shù)據(jù)表達(dá)形式,有效地集成了多個場站下的多個基礎(chǔ)預(yù)測方法的結(jié)果和所對應(yīng)的風(fēng)電場站的特征信息。

2)設(shè)計了帶注意力殘差機(jī)制的圖卷積網(wǎng)絡(luò)(graph convolutional network, GCN),該網(wǎng)絡(luò)在原來傳統(tǒng)的圖卷積方法上增加注意力和殘差鏈接過程,使得在模型構(gòu)建的過程中不僅能夠搭建多層圖卷積神經(jīng)網(wǎng)絡(luò),還能夠提取更加豐富的特征信息,提升了圖學(xué)習(xí)過程中對特征數(shù)據(jù)的融合和提取性能。

1 基于多源數(shù)據(jù)圖表示學(xué)習(xí)的風(fēng)電出力預(yù)測方法

1.1 現(xiàn)代風(fēng)電出力預(yù)測系統(tǒng)

傳統(tǒng)風(fēng)電出力預(yù)測系統(tǒng)通常表現(xiàn)為分散式預(yù)測系統(tǒng),即單個風(fēng)電場站配有一套功率預(yù)測系統(tǒng),該模式不僅成本高昂,且系統(tǒng)中的多源數(shù)據(jù)并不互通,在預(yù)測過程中易受數(shù)據(jù)缺失、數(shù)據(jù)異常等問題的影響,功率預(yù)測效果存在一定的局限性。隨著計算機(jī)技術(shù)和大數(shù)據(jù)技術(shù)的不斷發(fā)展,風(fēng)電出力預(yù)測系統(tǒng)逐步從分散模式趨向于統(tǒng)一,其表現(xiàn)為單一系統(tǒng)集成多個風(fēng)電場站的多源數(shù)據(jù)和預(yù)測模型,并實現(xiàn)集中功率預(yù)測[22-23],如圖1所示。

圖1 風(fēng)電出力預(yù)測系統(tǒng)變化趨勢

其表現(xiàn)為如下特點,一方面,集中式的風(fēng)電出力預(yù)測系統(tǒng)集中了多個數(shù)據(jù)平臺,其數(shù)據(jù)來源各異,且數(shù)據(jù)記錄都能夠為電網(wǎng)運行決策等提供重要的信息挖掘數(shù)據(jù)基礎(chǔ),若能夠聯(lián)合運用大數(shù)據(jù)信息,將能有效提高數(shù)據(jù)利用率,提高電網(wǎng)智能化管理運行水平[24-25];另一方面,隨著高精度采集設(shè)備的技術(shù)提升以及通訊技術(shù)的提高,數(shù)據(jù)的顆粒度越來越精細(xì)化,大量細(xì)顆粒度的數(shù)據(jù)要求預(yù)測系統(tǒng)能更好地處理與挖掘這些數(shù)據(jù)特征。但目前所用的風(fēng)電出力預(yù)測方法以傳統(tǒng)方法為主,導(dǎo)致大數(shù)據(jù)價值尚未得到充分挖掘、融合表征困難、挖掘效率低下、分析方法缺失等問題。

為此,文中提出了基于多源數(shù)據(jù)圖表示學(xué)習(xí)的風(fēng)電出力預(yù)測方法,方法通過基于Stacking集成學(xué)習(xí)框架與殘差圖卷積的方式進(jìn)行融合建模,不僅獲得更高精度的風(fēng)電出力結(jié)果,還能有效利用電網(wǎng)多源大數(shù)據(jù),充分挖掘重要隱含特征。其總體框架如圖2所示。

圖2 總體框架

1.2 基于多源數(shù)據(jù)圖表示學(xué)習(xí)的圖數(shù)據(jù)構(gòu)建方法

1.2.1 Stacking集成學(xué)習(xí)框架

由于風(fēng)電出力功率容易受氣象變動的影響,呈現(xiàn)出波動性和隨機(jī)性高的特點,因此,在開展風(fēng)電出力預(yù)測任務(wù)時,為了提升模型的穩(wěn)定性,并避免出現(xiàn)模型過擬合等問題,可以采用集成學(xué)習(xí)的方式進(jìn)行特征挖掘和模型學(xué)習(xí),實現(xiàn)提高模型綜合性能的目的[26]。

集成學(xué)習(xí)的實現(xiàn)思路為對多個基礎(chǔ)預(yù)測模型所得到的結(jié)果進(jìn)行綜合評價,組合成一個綜合的預(yù)測模型,最后輸出一個可靠、穩(wěn)定的預(yù)測結(jié)果,這種學(xué)習(xí)方式不僅降低了模型過擬合的風(fēng)險,還能夠充分結(jié)合各類基礎(chǔ)算法的優(yōu)勢,實現(xiàn)高精度的風(fēng)電出力預(yù)測。目前常用的集成學(xué)習(xí)方式有Bagging、Boosting和Stacking等,其中,Stacking[27]集成學(xué)習(xí)能夠融合多種異質(zhì)基礎(chǔ)預(yù)測模型,因此本文采用Stacking的集成學(xué)習(xí)方式進(jìn)行融合建模,其集成學(xué)習(xí)框架如圖3所示。首先將數(shù)據(jù)集分成訓(xùn)練集和測試集,接著,利用多個基礎(chǔ)預(yù)測模型對測試集的輸入特征和輸出結(jié)果進(jìn)行建模,得到多個基礎(chǔ)預(yù)測結(jié)果,接著再利用一個綜合模型學(xué)習(xí)基礎(chǔ)預(yù)測結(jié)果到訓(xùn)練集中的輸出結(jié)果的非線性映射關(guān)系,從而獲得綜合集成結(jié)果,并用測試集驗證集成學(xué)習(xí)的效果。

1.2.2 基于Stacking集成學(xué)習(xí)框架的圖數(shù)據(jù)

圖數(shù)據(jù)的特點在于可以利用節(jié)點和連接兩個節(jié)點之間的邊來表征數(shù)據(jù)信息,是一種新的數(shù)據(jù)表達(dá)方式[28-29]。在風(fēng)電出力預(yù)測問題上,由于現(xiàn)場的測量系統(tǒng)以及氣象測量位置等問題,使得風(fēng)電場站所對應(yīng)的氣象數(shù)據(jù)并不是最為精確的,為了避免這種數(shù)據(jù)上的缺陷,多個場站的聯(lián)合分析與建模是關(guān)鍵。相鄰風(fēng)電場站之間的氣象數(shù)據(jù)或者出力數(shù)據(jù)都可以為其他場站的出力分析提供參考,相關(guān)性越高,則表示場站之間的關(guān)聯(lián)性越強(qiáng)。由于歐氏空間下無法對這種數(shù)據(jù)關(guān)系清晰建模,因此,文中通過構(gòu)建“多場站圖數(shù)據(jù)”來表示多個場站之間的功率。在構(gòu)建多場站圖數(shù)據(jù)的時候,結(jié)合Stacking集成學(xué)習(xí)的思想,將風(fēng)電場站的數(shù)據(jù)特征及其多個基礎(chǔ)預(yù)測結(jié)果作為節(jié)點數(shù)據(jù),將場站之間的功率相關(guān)性大小作為邊大小,如圖4所示,從而實現(xiàn)充分表達(dá)多個場站間的數(shù)據(jù)及其相關(guān)關(guān)系,有助于在執(zhí)行風(fēng)電出力預(yù)測任務(wù)時充分考慮相鄰場站之間的影響。

圖4 基于Stacking的多場站圖數(shù)據(jù)

1.2.3 構(gòu)建“基于Stacking的多場站圖數(shù)據(jù)”

2)一個圖數(shù)據(jù)G由G(A,X,E)構(gòu)成,其中,A為全連接矩陣,大小為N×N,文中所構(gòu)建的為全連接圖,因此元素值為1,X為該圖數(shù)據(jù)的數(shù)據(jù)信息,數(shù)據(jù)為某一個時刻的多場站數(shù)據(jù)特征集合,E為連接邊的權(quán)重大小,其值為不同場站之間的功率相關(guān)性大小,相關(guān)性計算公式如下所示:

(1)

3)重復(fù)1)、2)過程,獲得多時刻的圖數(shù)據(jù)。

其中,一個場站(即一個節(jié)點)的數(shù)據(jù)特征為對應(yīng)時刻的氣溫、氣壓、濕度、風(fēng)速以及不同預(yù)測方法的預(yù)測結(jié)果。

1.3 圖殘差卷積

如前文所述,圖數(shù)據(jù)包含兩種關(guān)鍵特征,一是節(jié)點信息,二是結(jié)構(gòu)信息,對圖數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘與提取,形成更加抽象表示的高級特征描述的過程就是圖學(xué)習(xí)過程[30]。傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)在文本和圖像領(lǐng)域應(yīng)用廣泛,但是它僅能處理歐氏空間數(shù)據(jù),不能直接處理非歐空間的圖數(shù)據(jù),因此,為了能夠?qū)崿F(xiàn)圖學(xué)習(xí)過程,需要采用有效的方式對圖數(shù)據(jù)進(jìn)行特征分析。

GCN是一種圖卷積學(xué)習(xí)模塊[31],其借鑒了傳統(tǒng)歐氏空間下特征提取的操作,通過對相鄰節(jié)點的信息進(jìn)行計算和聚合,從而實現(xiàn)將節(jié)點信息映射到另外一個向量空間上,并且在卷積的過程中保留了圖的連接邊信息,是一種有效的圖卷積層。該過程可以用以下公式表示:

(2)

(3)

式中:ReLU表示激活函數(shù);j∈N(i)∪{i}為包含第i節(jié)點及其相連節(jié)點的集合中的第j個節(jié)點;Θ為權(quán)重矩陣;deg(i)和deg(j)表示節(jié)點i和節(jié)點j的度。

但一般的GCN層經(jīng)過多層疊加之后,會出現(xiàn)過渡平滑的現(xiàn)象[32],為此,文中參考?xì)埐罹矸e的特點,通過對圖卷積層的初始?xì)埐钇唇覽33],避免了網(wǎng)絡(luò)深度較深時出現(xiàn)的退化問題,從而進(jìn)一步提升圖卷積的性能。其計算公式為:

(4)

式中:α表示原始特征的殘差衰減因子;β表示權(quán)重矩陣的衰減因子,代表第層卷積參數(shù);Im為單位矩陣,m表示單位矩陣的階。

圖殘差卷積的示意圖如圖5所示。

圖5 圖殘差卷積過程

1.4 風(fēng)電出力預(yù)測模型

文中設(shè)計了5層網(wǎng)絡(luò)構(gòu)建風(fēng)電出力預(yù)測模型,網(wǎng)絡(luò)的輸入為多個場站的功率和相關(guān)特征及基礎(chǔ)方法預(yù)測值所構(gòu)成的“多場站圖數(shù)據(jù)”,輸出為對應(yīng)未來24 h所對應(yīng)時刻的風(fēng)電出力值。首先,模型使用1個全連接層進(jìn)行特征變換,其次使用一層激活層對特征進(jìn)行非線性映射。其次使用3個圖殘差卷積層堆疊提取圖數(shù)據(jù)的結(jié)構(gòu)特征,最后使用1個全連接層實現(xiàn)對未來出力的預(yù)測。文中所構(gòu)建的風(fēng)電出力預(yù)測模型如圖6所示。

圖6 風(fēng)電出力預(yù)測模型

第1層是全連接層,旨在對原始特征進(jìn)行特征變換,將每個節(jié)點的特征映射到更高維的特征空間下,以提高對數(shù)據(jù)特征提取分析能力,其計算公式為:

(5)

第2層為激活層,采用激活函數(shù)對第一層的特征進(jìn)行非線性映射,其計算公式為:

(6)

第3～5層為圖殘差卷積層,如公式(4)所示,k分別取3、4、5。該模型的α參數(shù)取經(jīng)驗值0.5,表示保留50%的初始特征信息,該參數(shù)設(shè)置過小會使得多層圖卷積后將難以保留原有特征,設(shè)置過大則導(dǎo)致學(xué)習(xí)效率降低;β參數(shù)取默認(rèn)值0。

最后一層為下游任務(wù)層,其功能在于將深層特征映射到目標(biāo)任務(wù)上,其實現(xiàn)方式為使用全連接層的方式進(jìn)行非線性映射,連接參數(shù)同樣取64,其具體計算公式為:

(7)

1.5 訓(xùn)練方式

文中構(gòu)建的模型實際上屬于回歸問題,因此使用回歸問題中常用的均方誤差作為網(wǎng)絡(luò)訓(xùn)練使用的損失函數(shù),為了防止模型出現(xiàn)過擬合以及增強(qiáng)模型的泛化能力,文中采用加入L2正則化的均方誤差損失函數(shù):

(8)

訓(xùn)練過程以 Adam 優(yōu)化算法作為網(wǎng)絡(luò)的優(yōu)化器,初始學(xué)習(xí)率設(shè)置為 0.001,學(xué)習(xí)率過大則容易導(dǎo)致模型不收斂,設(shè)置過小會大大增大訓(xùn)練所需的時間,并容易陷入局部最優(yōu)解;訓(xùn)練樣本數(shù)量設(shè)置為25,訓(xùn)練迭代次數(shù)設(shè)置為100。

1.6 評價方式

為進(jìn)一步量化評價預(yù)測效果,文中引入相對平均誤差(mean absolute percentage error, MAPE)與均方根誤差(root mean square error, RMSE)兩個評價指標(biāo),對預(yù)測曲線與真實曲線的誤差進(jìn)行綜合評估,其計算方式如下所示。

(9)

(10)

2 算例分析

2.1 數(shù)據(jù)集的選取

文中選取某大賽的數(shù)據(jù)集對文中提出的模型進(jìn)行訓(xùn)練和測試。數(shù)據(jù)集包括多個風(fēng)電場站2019年、2020年兩年的歷史功率數(shù)據(jù)、運行記錄數(shù)據(jù)、實測氣象數(shù)據(jù)以及天氣預(yù)報等多源數(shù)據(jù),保證了可用數(shù)據(jù)的多樣性,同時,數(shù)據(jù)的采集頻率為15 min采集1次,高時間分辨的數(shù)據(jù)也為以數(shù)據(jù)驅(qū)動的建模奠定了基礎(chǔ)。

進(jìn)一步地,采用線性插值的方式對缺失數(shù)據(jù)進(jìn)行填補(bǔ),并依照訓(xùn)練集、驗證集和測試集之間比例為6∶1∶2的原則對原始數(shù)據(jù)進(jìn)行劃分,獲得模型的基礎(chǔ)數(shù)據(jù)集。

2.2 數(shù)據(jù)情況

對風(fēng)電機(jī)組的功率數(shù)據(jù)修復(fù)完后,按時間序列進(jìn)行曲線繪制,得到圖7所示曲線。

圖7 風(fēng)電功率曲線

從圖7可以看出,風(fēng)力發(fā)電機(jī)組的輸出功率呈現(xiàn)出較大的隨機(jī)波動的特點,為了挖掘風(fēng)電機(jī)組的功率數(shù)據(jù)統(tǒng)計分布情況,對6個不同時刻的風(fēng)電功率進(jìn)行統(tǒng)計,結(jié)果如圖8所示。

可以發(fā)現(xiàn),不同時刻的出力分布不同,若運用單一模型對全時間尺度進(jìn)行建模將難以保證預(yù)測精度,因此采用分時段的建模方法將具有更好的效果。

為了探尋各個場站之間的潛在聯(lián)系,計算各個場站之間各類特征的相關(guān)性,其結(jié)果如圖9所示,從相關(guān)性熱力圖可以看出,不同場站之間的特征參數(shù)存在一定的關(guān)聯(lián)性,因此,利用圖卷積的方法有望挖掘多個場站之間的潛在關(guān)聯(lián),從而提高預(yù)測的精度。

2.3 對比算例參數(shù)設(shè)置

為了驗證圖卷積和集成學(xué)習(xí)的有效性,本文選取了傳統(tǒng)方法ARIMA和MLR以及人工智能方法RF、極端梯度提升(extreme gradient boosting, XGBoost)、GBDT、基于決策樹的快速輕量化算法(light gradient boosting machine, Lgbm)作為對比算例,并且,將上述4種人工智能方法的預(yù)測結(jié)果作為深度學(xué)習(xí)算法的輸入,具體的輸入輸出參數(shù)及模型參數(shù)如表1所示。

表1 預(yù)測方法的輸入輸出參數(shù)

2.4 精度分析

2.4.1 集成方法與基礎(chǔ)方法比較

運用文中所提方法和各種預(yù)測方法對同一個風(fēng)電機(jī)組進(jìn)行出力預(yù)測,并計算不同方法預(yù)測結(jié)果與真實曲線之間的MAPE與RMSE結(jié)果,其結(jié)果如圖10所示。

圖10 預(yù)測結(jié)果箱體圖

從圖中可以看出,文中所提的方法具有更小的預(yù)測偏差,即有更高的預(yù)測精度,并且,其預(yù)測誤差的總體極差也相對較小,說明了針對隨機(jī)性較強(qiáng)的風(fēng)電機(jī)組輸出功率,該算法比一般的算法具有更好的穩(wěn)定性,能夠綜合多個基礎(chǔ)預(yù)測值的結(jié)果。

為了進(jìn)一步地驗證文中所提算法,對多個風(fēng)電場的結(jié)果進(jìn)行計算,并將其展示于表2中,從指標(biāo)計算結(jié)果可以看到,無論是MAPE還是RMSE,對于多個風(fēng)電機(jī)組的真實出力下,文中所提方法的誤差結(jié)果更小,即預(yù)測精度更高,這有效的證明了文中所提方法在日前預(yù)測中相較于其他算法的優(yōu)越性。

表2 算法對比結(jié)果

2.4.2 不同集成方法比較

為了驗證圖卷積方法能夠有效聯(lián)合多個場站的數(shù)據(jù)特征,實現(xiàn)高精度風(fēng)電場站的功率預(yù)測,將文中所提方法中的圖卷積集成方式換成其他神經(jīng)網(wǎng)絡(luò)(BP、LSTM)進(jìn)行集成,并計算其誤差結(jié)果,如表3所示。

表3 不同集成方法對比結(jié)果

從表中可以看出,對比集成方式預(yù)測精度比圖卷積集成方式的精度低,這是因為對比方法僅能對歐氏空間下的數(shù)據(jù)特征進(jìn)行學(xué)習(xí),其計算原理為將所有輸入特征簡單地展平,而圖卷積學(xué)習(xí)方法能夠?qū)W習(xí)非歐氏空間下的數(shù)據(jù),將不同電站的關(guān)聯(lián)性也考慮在計算當(dāng)中,因此獲得了較好的預(yù)測效果。

3 結(jié)論與展望

文中提出的基于多源數(shù)據(jù)圖表示學(xué)習(xí)的風(fēng)電出力預(yù)測方法相比于傳統(tǒng)方法取得了更高的預(yù)測精度,原因總結(jié)如下:

1)Stacking集成學(xué)習(xí)框架能夠有效集成大數(shù)據(jù)與基礎(chǔ)預(yù)測方法的結(jié)果,適用于集中式的風(fēng)電出力預(yù)測系統(tǒng),能夠有效提升預(yù)測精度。

2)基于圖理論將數(shù)據(jù)特征轉(zhuǎn)換成非歐氏空間下的圖數(shù)據(jù),能夠有效聯(lián)合集成多個場站的信息,挖掘其中的關(guān)聯(lián)關(guān)系。

3)引入了帶注意力殘差機(jī)制的圖卷積網(wǎng)絡(luò)來提升圖學(xué)習(xí)過程中的特征融合和特征提取性能,該機(jī)制有利于搭建多層圖卷積神經(jīng)網(wǎng)絡(luò),提取更加豐富的特征信息。

本文所提方法融合了多個場站的特征信息以及多個場站的多個基礎(chǔ)預(yù)測模型進(jìn)行建模,該方法仍然存在一定的提升空間:

1)優(yōu)化圖學(xué)習(xí)訓(xùn)練過程,提升模型訓(xùn)練效率。目前的圖學(xué)習(xí)過程是針對單一圖進(jìn)行圖學(xué)習(xí),訓(xùn)練效率仍有一定的提升空間,未來可設(shè)置多圖并行訓(xùn)練機(jī)制,將單一圖訓(xùn)練過程轉(zhuǎn)化成多圖并行訓(xùn)練,或者改進(jìn)圖殘差卷積的計算方式來提升模型的訓(xùn)練效率,從而減少建模所需要的時間。

2)研究適應(yīng)于動態(tài)變化的多場站圖學(xué)習(xí)方法。本文所提方法是基于靜態(tài)圖數(shù)據(jù)結(jié)構(gòu)開展研究,適用于對在一定區(qū)域內(nèi)的多個風(fēng)電場站融合建模,但是若該區(qū)域新建風(fēng)電場站,則需要重新訓(xùn)練模型,因此,未來可研究適應(yīng)于動態(tài)變化的多場站圖學(xué)習(xí)方法,提高模型的適應(yīng)能力。

3)應(yīng)用于多個光伏場站的出力預(yù)測。光伏出力與風(fēng)電出力類似,其出力大小均受環(huán)境因素的影響,因此,可以引用本文方法對多個風(fēng)電場站的建模思路,對多個光伏場站進(jìn)行建模,以獲得精準(zhǔn)的光伏出力預(yù)測結(jié)果。