考慮爬坡特征量的海上風(fēng)電短期分區(qū)功率預(yù)測(cè)

摘 要：考慮復(fù)雜海洋工況，提出一種考慮爬坡特征量的分區(qū)預(yù)測(cè)混合模型。首先，采用改進(jìn)的bump事件檢測(cè)技術(shù)對(duì)功率波動(dòng)時(shí)段進(jìn)行識(shí)別與劃分；其次，綜合考慮不同典型氣象日的功率波動(dòng)特征，對(duì)氣象數(shù)據(jù)進(jìn)行分類(lèi)；最后，計(jì)及風(fēng)電功率波動(dòng)性的基礎(chǔ)上提出一種混合預(yù)測(cè)模型，在功率非連續(xù)波動(dòng)段采用一種LightGBM決策樹(shù)與長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）的點(diǎn)預(yù)測(cè)組合模型，在功率連續(xù)波動(dòng)時(shí)段采用隨機(jī)森林（RF）與LSTM的區(qū)間預(yù)測(cè)組合模型，并獲得較好的預(yù)測(cè)效果。最后，選取中國(guó)東部某海上風(fēng)電場(chǎng)的數(shù)據(jù)進(jìn)行改進(jìn)模擬與算例分析，結(jié)果表明，相較于傳統(tǒng)的風(fēng)電功率點(diǎn)預(yù)測(cè)與區(qū)間預(yù)測(cè)方法，考慮風(fēng)電爬坡與氣象日分類(lèi)的分區(qū)混合預(yù)測(cè)模型的預(yù)測(cè)精度有明顯提升。

關(guān)鍵詞：爬坡特征量；風(fēng)電爬坡事件；bump事件檢測(cè)；氣象日分類(lèi)；組合模型；分區(qū)預(yù)測(cè)

中圖分類(lèi)號(hào)：TM614 " " " " " " 文獻(xiàn)標(biāo)志碼：A

0 引 言

雙碳戰(zhàn)略的提出使傳統(tǒng)能源發(fā)展面臨嚴(yán)峻考驗(yàn)，對(duì)電力系統(tǒng)裝機(jī)結(jié)構(gòu)進(jìn)行調(diào)整尤為重要。風(fēng)能、光伏等清潔能源成為低碳時(shí)代主流，中國(guó)風(fēng)能資源豐富，尤其海上風(fēng)電資源。據(jù)數(shù)據(jù)統(tǒng)計(jì)，2022年全球海上風(fēng)電裝機(jī)容量9.4 GW，截至2022年底，全球海上風(fēng)電累計(jì)裝機(jī)容量達(dá)57.6 GW，中國(guó)新增6.8 GW的海上風(fēng)電裝機(jī)，累計(jì)風(fēng)電總裝機(jī)達(dá)到25.6 GW。受風(fēng)資源自身隨機(jī)性、波動(dòng)性特點(diǎn)影響，風(fēng)電機(jī)組出力容易產(chǎn)生波動(dòng)，這給風(fēng)電功率的預(yù)測(cè)帶來(lái)極大困難，尤其是海上風(fēng)電［1］，其受復(fù)雜海洋工況的影響，預(yù)測(cè)難度更大。準(zhǔn)確的功率預(yù)測(cè)可給電網(wǎng)調(diào)度、安排機(jī)組的發(fā)電容量、提高機(jī)組利用率提供參考，從而維持電力系統(tǒng)穩(wěn)定運(yùn)行。

目前，根據(jù)預(yù)測(cè)結(jié)果呈現(xiàn)形式可分為確定性預(yù)測(cè)和不確定性預(yù)測(cè)兩種。確定性預(yù)測(cè)通過(guò)機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等模型挖掘輸入特征與輸出變量之間確定耦合關(guān)系；其中，風(fēng)電功率確定性預(yù)測(cè)方法根據(jù)預(yù)測(cè)模型種類(lèi)可劃分為物理法、統(tǒng)計(jì)方法、人工智能以及組合模型預(yù)測(cè)方法。其中，物理方法［2］是將數(shù)值天氣預(yù)報(bào)（numerical weather prediction，NWP）作為輸入，將預(yù)測(cè)結(jié)果通過(guò)風(fēng)電機(jī)組的出力曲線計(jì)算轉(zhuǎn)換得到風(fēng)電功率值，適合中長(zhǎng)期預(yù)測(cè)，缺陷是需要大量的氣象信息；統(tǒng)計(jì)模型［3］主要由機(jī)器學(xué)習(xí)與深度學(xué)習(xí)組成，其中機(jī)器學(xué)習(xí)模型包括支持向量機(jī)、隨機(jī)森林（random forest，RF）［4］等；預(yù)測(cè)機(jī)理是直接挖掘風(fēng)速、風(fēng)向等輸入特征與風(fēng)電功率之間的邏輯關(guān)系進(jìn)行預(yù)測(cè)，此類(lèi)模型結(jié)構(gòu)簡(jiǎn)單、訓(xùn)練速度快，但難以挖掘深度特征信息，預(yù)測(cè)精度不足；深度學(xué)習(xí)模型［5-6］主要有卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）、門(mén)控循環(huán)單元（gated recurrent unit，GRU）、長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（long short-term memory neural networks，LSTM）［7-9］以及時(shí)間卷積（time convolutional neural networks）［10］等。文獻(xiàn)［11］提出一種CNN-LSTM的神經(jīng)網(wǎng)絡(luò)［12］預(yù)測(cè)模型，首先利用PCA降維對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，然后輸入模型進(jìn)行訓(xùn)練實(shí)現(xiàn)風(fēng)電功率的精準(zhǔn)預(yù)測(cè)；文獻(xiàn)［13］提出利用生成對(duì)抗網(wǎng)絡(luò)模擬大量爬坡數(shù)據(jù)，然后利用長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)［7-9，14］進(jìn)行訓(xùn)練，準(zhǔn)確預(yù)測(cè)了風(fēng)電爬坡功率；文獻(xiàn)［15］提出利用格拉姆角場(chǎng)將一維的風(fēng)電數(shù)據(jù)轉(zhuǎn)換為二維的圖片數(shù)據(jù)，然后利用Resnet網(wǎng)絡(luò)進(jìn)行功率預(yù)測(cè)。以上方法一定程度上提高了功率預(yù)測(cè)的精度，但對(duì)于功率發(fā)生連續(xù)波動(dòng)的時(shí)段都存在預(yù)測(cè)精度不高的問(wèn)題。

傳統(tǒng)的不確定性預(yù)測(cè)由核密度估計(jì)、分位數(shù)回歸［16］、蒙特卡洛等方法構(gòu)成，通過(guò)對(duì)誤差進(jìn)行量化等手段得到預(yù)測(cè)區(qū)間。與點(diǎn)預(yù)測(cè)相比，預(yù)測(cè)結(jié)果的指向性有所下降，但可提供更多信息。文獻(xiàn)［17］中首先將點(diǎn)預(yù)測(cè)的誤差作為依據(jù)進(jìn)行聚類(lèi)，然后利用經(jīng)驗(yàn)函數(shù)對(duì)誤差進(jìn)行概率擬合，然后利用蒙特卡洛抽樣法求取待測(cè)時(shí)刻的功率預(yù)測(cè)區(qū)間；文獻(xiàn)［18］提出一種利用改進(jìn)的集合經(jīng)驗(yàn)?zāi)B(tài)分解將原始風(fēng)電功率序列分解為多個(gè)模態(tài)分量，然后將其進(jìn)行重構(gòu)，然后將3個(gè)分量分別輸入經(jīng)貝葉斯優(yōu)化的雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)建立各自的預(yù)測(cè)模型，得到3個(gè)點(diǎn)預(yù)測(cè)值，并用混合核密度估計(jì)方法結(jié)合點(diǎn)預(yù)測(cè)值得到最終的區(qū)間預(yù)測(cè)結(jié)果；文獻(xiàn)［19］提出一種考慮時(shí)空相依特性［14-21］的多層次誤差場(chǎng)景劃分方法，利用門(mén)控循環(huán)單元模型得到初步預(yù)測(cè)結(jié)果，通過(guò)bootstrap抽樣法獲得最后的預(yù)測(cè)區(qū)間。以上方法都得到了較好的預(yù)測(cè)區(qū)間，但大都采用同一模型訓(xùn)練不同的氣象日類(lèi)型，難以挖掘數(shù)據(jù)的深層信息特征。

針對(duì)以上問(wèn)題，本文提出一種考慮復(fù)雜海洋工況的組合分區(qū)預(yù)測(cè)方法，利用旋轉(zhuǎn)門(mén)算法（spinning door transformation，SDT）［22］對(duì)風(fēng)電爬坡事件進(jìn)行識(shí)別與檢測(cè)，壓縮并提取爬坡特征，擴(kuò)充輸入特征矩陣?yán)肔ightGBM-LSTM組合模型進(jìn)行訓(xùn)練，得到點(diǎn)預(yù)測(cè)結(jié)果；劃分相似氣象日通過(guò)改進(jìn)的RF-LSTM組合模型分別不同的氣象日訓(xùn)練集，預(yù)測(cè)得到風(fēng)電功率區(qū)間，并利用改進(jìn)的bump事件檢測(cè)技術(shù)識(shí)別功率連續(xù)轉(zhuǎn)折段，最后將點(diǎn)預(yù)測(cè)結(jié)果與區(qū)間預(yù)測(cè)結(jié)果進(jìn)行組合［23］，得到風(fēng)電機(jī)組出力結(jié)果。

1 風(fēng)電爬坡特性

1.1 爬坡事件特征量

短時(shí)間內(nèi)氣象發(fā)生劇烈波動(dòng)將導(dǎo)致風(fēng)電功率爬坡事件的發(fā)生。目前針對(duì)于風(fēng)電功率爬坡事件暫無(wú)明確的定義，為了證明爬坡事件的存在，列舉4種表征爬坡事件的爬坡特征量，如圖1所示。

1）爬坡持續(xù)時(shí)間[Δt]：

[Δt=t2-t1] （1）

式中：[t1]——爬坡起始時(shí)間，s；[t2]——爬坡結(jié)束時(shí)間，s。

2）爬坡幅值[Δp]：

[Δp=p2-p1] （2）

式中：[p1]——爬坡剛發(fā)生的功率初始值，kW；[p2]——爬坡結(jié)束時(shí)的功率值，kW。

3）爬坡方向：根據(jù)爬坡時(shí)功率的增減可將爬坡事件分為上爬坡和下爬坡。

4）爬坡率[Δk]：

[Δk=ΔpΔt] （3）

式中：[Δk]——爬坡率。

1.2 爬坡事件的定義

爬坡事件在深遠(yuǎn)海屬于小概率事件，但其對(duì)功率預(yù)測(cè)精度造成的影響遠(yuǎn)超陸上風(fēng)電，根據(jù)1.1節(jié)中列舉的爬坡特征量，提出以下兩種定義：

1）定義1：在（[t1]，[t2]）時(shí)間內(nèi)，初始功率值與結(jié)束功率值的差值的絕對(duì)值[Δp]大于給定閾值時(shí)，即判定發(fā)生爬坡事件。

[p2-p1gt;Y] （4）

式中：[p1]——[t1]時(shí)刻的風(fēng)電功率，kW；[p2]——[t2]時(shí)刻的風(fēng)電功率，kW；[Y]——給定的功率閾值，kW。

2）定義2：在（[t1]，[t2]）時(shí)間內(nèi)，初始功率值與結(jié)束功率值的差值的絕對(duì)值[Δp]與持續(xù)時(shí)間[Δt]的比值大于給定的閾值時(shí)，即判定發(fā)生爬坡事件。

[p1-p2Δtgt;K] （5）

式中：[K]——給定的爬坡率閾值。

2 特征量識(shí)別與提取

2.1 爬坡特征量的識(shí)別與提取

本文利用自適應(yīng)旋轉(zhuǎn)門(mén)算法（parameter adaptive spinning door transformation）來(lái)識(shí)別風(fēng)電爬坡事件并提取爬坡特征量。功率變化如圖2所示。圖2中，[O]點(diǎn)是上一壓縮段儲(chǔ)存的點(diǎn)，即該段的起點(diǎn)，以[O]點(diǎn)為中點(diǎn)取距離為[ε]的上下兩段為門(mén)，只有一個(gè)數(shù)據(jù)點(diǎn)時(shí)，門(mén)呈閉合狀態(tài)，隨著數(shù)據(jù)點(diǎn)的增多，門(mén)朝外側(cè)旋轉(zhuǎn)打開(kāi)（不能反向閉合），門(mén)的寬度可增加，直至兩門(mén)與y軸夾角和超過(guò)180°截止，存儲(chǔ)前一數(shù)據(jù)點(diǎn)，依此類(lèi)推，最后返回提取的爬坡特征量。

按照式（6）～式（8）處理數(shù)據(jù)，得到爬坡特征量，為后續(xù)研究提供依據(jù)。

[k1=（Pa-Po-ε）/（ta-to）k2=（Pa-Po+ε）/（ta-to）] （6）

[k1m=（Pm-Po-ε）/（tm-to）k2m=（Pm-Po+ε）/（tm-to）] （7）

[k1=max（k1，k1n）k2=min（k2，k2n）] （8）

式中：[k1]——上門(mén)斜率；[k2]——下門(mén)斜率；[Po]——[O]點(diǎn)對(duì)應(yīng)的功率值；[Pa]——[A]點(diǎn)對(duì)應(yīng)的功率值；[to]與[ta]——對(duì)應(yīng)功率的時(shí)刻；[ε]——門(mén)寬參數(shù)；[k1m]——待求點(diǎn)的上門(mén)斜率；[k2m]——上一存儲(chǔ)點(diǎn)的下門(mén)斜率；[k1]是[k1]到[kin]中的最大值；[k2]是[k2]到[k2n]中的最小值；通過(guò)比較[k1]、[k2]的大小，使其滿(mǎn)足判定規(guī)則，當(dāng)[k1≥k2]時(shí)，則繼續(xù)查?。划?dāng)[k1lt;k2]，則儲(chǔ)存并將其作為新的[O]點(diǎn)。

2.2 功率連續(xù)波動(dòng)段的識(shí)別與提取

受復(fù)雜氣象因素的影響，風(fēng)電功率會(huì)在極短時(shí)間內(nèi)發(fā)生小范圍的幅值抖動(dòng)現(xiàn)象，給功率的確定性預(yù)測(cè)帶來(lái)干擾，這類(lèi)現(xiàn)象被稱(chēng)為bump事件，該現(xiàn)象會(huì)阻礙爬坡事件的檢測(cè)，使[Δp]達(dá)不到閾值，造成漏檢或錯(cuò)檢，如圖3所示。受bump事件影響，目前點(diǎn)預(yù)測(cè)方法難以捕捉功率趨勢(shì)，在功率波動(dòng)連續(xù)時(shí)段的預(yù)測(cè)精度較低，為了消除該事件給預(yù)測(cè)帶來(lái)的影響，本文提出改進(jìn)bump事件檢測(cè)方法，識(shí)別并劃分風(fēng)電機(jī)組出力時(shí)連續(xù)發(fā)生bump事件的區(qū)間，定義為功率連續(xù)波動(dòng)段，并返回該區(qū)間段的端點(diǎn)，為后續(xù)功率分區(qū)預(yù)測(cè)提供依據(jù)。

本文提出的改進(jìn)bump事件檢測(cè)方法核心思路是將單一bump事件篩選轉(zhuǎn)化為判定區(qū)間內(nèi)發(fā)生bump事件的比例，設(shè)定bump事件的趨勢(shì)閾值為額定裝機(jī)容量的±2%以?xún)?nèi)［21］，判定規(guī)則為：

[T=1， "Pn+1-Pn≥0.02PN-1， "Pn+1-Pnlt;0.02PN0， "Pn+1-Pnlt;0.02PN] （9）

[Ti+Ti+1=0，且Ti≠0， "i=0， 1， 2， …， n] （10）

式中：[Pn]——[n]時(shí)刻的功率，kW；[Pn+1]——[n+1]時(shí)刻的功率，kW；[PN]——額定裝機(jī)容量，kW；[Ti]——[i]時(shí)間段是否發(fā)生bump事件。

根據(jù)2.1節(jié)提到的基于bump事件篩選的改進(jìn)功率波動(dòng)段識(shí)別方法可知，區(qū)間識(shí)別劃分依據(jù)是在固定時(shí)間窗口內(nèi)多次出現(xiàn)bump事件則判定符合功率連續(xù)波動(dòng)段的識(shí)別標(biāo)準(zhǔn)，算法返回該時(shí)間段的端點(diǎn)值，經(jīng)過(guò)初步點(diǎn)預(yù)測(cè)算例結(jié)果分析得知，當(dāng)預(yù)測(cè)時(shí)段內(nèi)出現(xiàn)半數(shù)以上的bump事件時(shí)，點(diǎn)預(yù)測(cè)精度出現(xiàn)下降，即：

[i=1NNbumpi≥N2] （11）

式中：[Nbumpi]——第[i]點(diǎn)發(fā)生bump事件；[N]——預(yù)測(cè)長(zhǎng)度。

本文預(yù)測(cè)未來(lái)2 h的風(fēng)電功率，因此規(guī)定在12個(gè)時(shí)間窗口內(nèi)出現(xiàn)6次bump事件即返回該段時(shí)間窗口的端點(diǎn)，判定規(guī)則為：

[i=1NNbumpi≥M2] （12）

式中：[T]——判定該時(shí)間窗口內(nèi)任意時(shí)刻的功率變化量是否滿(mǎn)足bump時(shí)間的定義；[M]——該時(shí)間窗口內(nèi)發(fā)生bump事件的次數(shù)，即[M≥6]時(shí)，滿(mǎn)足要求，返回該時(shí)間窗口的端點(diǎn)，為分區(qū)預(yù)測(cè)提供依據(jù)。

2.3 氣象日波動(dòng)劃分

主要?dú)庀筚Y料包括風(fēng)速、風(fēng)向、溫度、濕度以及氣壓等，不同的氣象因素［24］組合時(shí)得到不同的氣象日?；谀壳暗难芯楷F(xiàn)狀分析可知，風(fēng)電功率和風(fēng)速等氣象數(shù)據(jù)密切相關(guān)，同一模型在不同氣象樣本下得到的預(yù)測(cè)誤差是不同的［25］，所以本文把風(fēng)電功率波動(dòng)等級(jí)以及功率均值分為以下3類(lèi)作為隨機(jī)森林分類(lèi)器的輸出變量：

第1類(lèi)：日平均功率小于裝機(jī)35%，且功率波動(dòng)方差小于裝機(jī)容量35%；

第2類(lèi)：日平均功率大于35%，功率波動(dòng)方差小于35%；

第3類(lèi)：日平均功率大于35%，且功率波動(dòng)方差大于35%。

為了挖掘不同氣象類(lèi)型元素與風(fēng)電功率之間的相關(guān)性，本文輸入變量除了選取NWP數(shù)據(jù)中的風(fēng)速[S]、風(fēng)向余弦值[C]、溫度[E]和濕度[W]，通過(guò)數(shù)據(jù)挖掘技術(shù)得到風(fēng)速均值[J]、最大值[D]、最小值[X]、標(biāo)準(zhǔn)差[B]。此外，為了驗(yàn)證爬坡特征量對(duì)風(fēng)電功率預(yù)測(cè)精度的影響，輸入變量矩陣引入了旋轉(zhuǎn)門(mén)算法提取的爬坡特征量[F]。整體的輸入矩陣[Mt]如式（10）所示。

[Mt=JiDiXiBiCiFiEiWi……………………JdDdXdBdCdFdEdWdTi=06：00， 12：00， 18：00， 24：00] （13）

式中（以風(fēng)速均值為例）：[Ji]——第[i-3]～[i+3]時(shí)間段內(nèi)的風(fēng)速均值，m/s，其中[i]表示06：00、12：00、18：00、24：00，即代表一天內(nèi)早上、正午、下午以及凌晨的氣象規(guī)律。

將上述輸入變量矩陣[Mt]經(jīng)過(guò)隨機(jī)森林分類(lèi)得到的3種氣象類(lèi)型用向量[A1， A2， A3]表示；假設(shè)待預(yù)測(cè)日的氣象類(lèi)型為[A1]類(lèi)，則抽取[A1]的歷史功率作為訓(xùn)練集訓(xùn)練一個(gè)單獨(dú)的LSTM網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，得到最終模型預(yù)測(cè)結(jié)果（wind power prediction，WPP）。

3 分區(qū)預(yù)測(cè)算法

本文針對(duì)風(fēng)電機(jī)組出力的特點(diǎn)，在機(jī)組平穩(wěn)出力區(qū)段采用LightGBM-LSTM的組合模型進(jìn)行點(diǎn)預(yù)測(cè)，在機(jī)組出力產(chǎn)生劇烈波動(dòng)的區(qū)段采用RF-LSTM的組合模型進(jìn)行區(qū)間預(yù)測(cè)。前者輸出的是單點(diǎn)預(yù)測(cè)值，具有直觀清晰的特點(diǎn)，但當(dāng)機(jī)組出力產(chǎn)生劇烈波動(dòng)時(shí)預(yù)測(cè)結(jié)果偏差較大；后者輸出的是一個(gè)功率預(yù)測(cè)區(qū)間值，對(duì)于方差大、隨機(jī)性強(qiáng)的原始數(shù)據(jù)具有良好的表現(xiàn)，彌補(bǔ)了前者的問(wèn)題，它能夠給決策者提供一個(gè)趨勢(shì)化決策依據(jù)，為點(diǎn)預(yù)測(cè)無(wú)法精確呈現(xiàn)的功率連續(xù)波動(dòng)段提供補(bǔ)充依據(jù)。鑒于此，本文提出考慮爬坡特征量的LightGBM-LSTM與RF-LSTM的分區(qū)組合預(yù)測(cè)模型如圖4所示。

本文主要工作有：

1）闡述爬坡事件的特征量以及爬坡定義，采用SDT對(duì)爬坡事件進(jìn)行識(shí)別與檢測(cè)，然后壓縮并挖掘其數(shù)據(jù)特征；

2）利用改進(jìn)的bump事件檢測(cè)方法，對(duì)功率的趨勢(shì)進(jìn)行拐點(diǎn)檢測(cè)，識(shí)別提取功率的連續(xù)波動(dòng)時(shí)段；重構(gòu)輸入特征矩陣，劃分相似氣象日；

3）提出一種創(chuàng)新思路的考慮海上風(fēng)電爬坡特征的分區(qū)組合預(yù)測(cè)方法，利用LightGBM-LSTM的組合預(yù)測(cè)模型［26］對(duì)風(fēng)電機(jī)組平穩(wěn)出力時(shí)間段進(jìn)行點(diǎn)預(yù)測(cè)；同時(shí)，利用組合模型RF-LSTM對(duì)功率轉(zhuǎn)折時(shí)段進(jìn)行區(qū)間預(yù)測(cè)，彌補(bǔ)點(diǎn)預(yù)測(cè)在功率劇烈波動(dòng)段預(yù)測(cè)精度不高的問(wèn)題，提高容錯(cuò)率。實(shí)驗(yàn)表明，本文提出的組合預(yù)測(cè)方法的精度有較大提升。

3.1 基于LightGBM-LSTM的點(diǎn)預(yù)測(cè)方法

LightGBM模型優(yōu)點(diǎn)在于快速高效、更好的準(zhǔn)確性和可擴(kuò)展性。其中，快速高效方面，LightGBM采用基于直方圖（Histogram）和帶深度限制的葉子生長(zhǎng)（leaf-wise）策略的算法，前者可有效壓縮數(shù)據(jù)，降低內(nèi)存占用量并加速訓(xùn)練過(guò)程。傳統(tǒng)的方法每次從當(dāng)前步驟的所有葉子中，找到分裂增益最大的葉子再次分裂，其預(yù)測(cè)原理是通過(guò)集成回歸樹(shù)處理數(shù)據(jù)［27］，循環(huán)往復(fù)，缺點(diǎn)是容易過(guò)擬合，因此LightGBM加入了最大深度限制，在加快訓(xùn)練速度的同時(shí)避免過(guò)擬合發(fā)生。其預(yù)測(cè)原理是將每棵樹(shù)的預(yù)測(cè)輸出值進(jìn)行累加得到最后的預(yù)測(cè)結(jié)果。

[fM（x）=t=1Mft（x）， "ft∈I] （14）

式中：[fM（x）]——預(yù)測(cè)值；[ft（x）]——第[t]棵樹(shù)的輸出值；[I]——樹(shù)的集合空間。

LSTM網(wǎng)絡(luò)［28］的每個(gè)神經(jīng)元都包含一個(gè)記憶單元（cell state）和3個(gè)門(mén)，即輸入門(mén)（input gate）、遺忘門(mén)（forget gate）和輸出門(mén)（output gate），如圖5所示。輸入門(mén)控制新的輸入如何被加入到記憶單元中；通過(guò)兩次非線性的變換得到輸入函數(shù)與新的記憶單元，即：

[it=σ（Wiht-1， xt+bi）] （15）

[C～t=tanh（Wcht-1， xt+bc）] （16）

式中：[it]——輸入門(mén)函數(shù)；[σ]——[sigmoid]激活函數(shù)；[ht-1]——前一時(shí)刻的隱層狀態(tài)；[xt]——當(dāng)前時(shí)刻的輸入；[C～t]——新的候選記憶單元；[tanh]——激活函數(shù)。

遺忘門(mén)決定哪些信息應(yīng)從記憶單元中刪除：

[ft=σ（Wf ht-1， xt+bf）] （17）

式中：[ft]——遺忘門(mén)函數(shù)。

輸出門(mén)控制記憶單元中的信息如何被輸出到下一個(gè)時(shí)間步：

[Ct=ft·Ct-1+it·C～t] （18）

式中：[Ct]——當(dāng)前時(shí)刻的記憶單元；[Ct-1]——上一時(shí)刻的記憶單元。

在每個(gè)時(shí)間步，LSTM網(wǎng)絡(luò)通過(guò)這些門(mén)控制輸入、輸出和記憶單元的流動(dòng)，以及從先前的狀態(tài)中選擇性地記憶或遺忘信息，其計(jì)算公式為：

[ot=σ（Woht-1， xt+bo）] （19）

[ht=ot·tanh（Ct）] （20）

式中：[ot]——輸出函數(shù)；[Wf]、[Wi]、[Wc]、[Wo]和[bf]、[bi]、[bc]、[bo]——不同的網(wǎng)絡(luò)層之中的權(quán)重與偏置。

為了提高預(yù)測(cè)精度，本文提出LightGBM-LSTM的組合模型，模型結(jié)構(gòu)如圖6所示。首先，該方法利用決策樹(shù)模型運(yùn)算速度的特點(diǎn)以及對(duì)平穩(wěn)序列數(shù)據(jù)的處理優(yōu)勢(shì)，對(duì)原始的風(fēng)電數(shù)據(jù)進(jìn)行訓(xùn)練，將其得到的模型預(yù)測(cè)誤差作為新的輸入特征擴(kuò)充到原始輸入特征矩陣形成新的輸入特征矩陣[W]。將[W]輸入到LSTM神經(jīng)網(wǎng)絡(luò)模型中，最后將得到的預(yù)測(cè)結(jié)果采用方差倒數(shù)法進(jìn)行加權(quán)得到最終的預(yù)測(cè)結(jié)果。

[W=[Mt，Ye]] （21）

式中：[W]——新的輸入特征的矩陣；[Ye]——LightGBM決策樹(shù)模型的預(yù)測(cè)誤差。

計(jì)算步驟：

1）假設(shè)[Yj]為真實(shí)的風(fēng)電功率值：

[Y=Y1，Y2， Y3， …， Y60] （22）

2）[Yij]為第[i]種方法的預(yù)測(cè)值，[i=1，2]；

3）[Ei]為誤差平方和：

[Ei=j=1n（Yj-Yij）2] （23）

4）確定其對(duì)應(yīng)權(quán)重為：

[wi=E-1iE-11+E-12] （24）

該方法確定權(quán)重的依據(jù)是誤差平方和的大小，誤差平方和越大對(duì)應(yīng)的權(quán)重越小。最終的預(yù)測(cè)結(jié)果為：

[f=w1P1+w2P2] （25）

式中：[w1]——LightGBM預(yù)測(cè)值的對(duì)應(yīng)權(quán)重；[w2]——LSTM預(yù)測(cè)值的對(duì)應(yīng)權(quán)重；[P1]、[P2]——預(yù)測(cè)值。

3.2 基于RF-LSTM的區(qū)間預(yù)測(cè)方法

隨機(jī)森林分類(lèi)器能處理高維度數(shù)據(jù)，對(duì)噪聲數(shù)據(jù)有很好的魯棒性，不容易過(guò)擬合并且在處理非線性、非平穩(wěn)的數(shù)據(jù)時(shí)表現(xiàn)出色［29］。隨機(jī)森林分類(lèi)器在訓(xùn)練過(guò)程中，首先從原始數(shù)據(jù)集中隨機(jī)有放回選取[m]樣本構(gòu)成子集，然后對(duì)這個(gè)子集進(jìn)行決策樹(shù)的訓(xùn)練生成新的訓(xùn)練集，然后通過(guò)自助法將[m]個(gè)決策樹(shù)構(gòu)成隨機(jī)森林。分類(lèi)器的基本原理如圖7所示，在構(gòu)建每棵決策樹(shù)時(shí)，每個(gè)節(jié)點(diǎn)都會(huì)選擇一個(gè)最優(yōu)的分裂屬性，當(dāng)一個(gè)新的樣本輸入到隨機(jī)森林分類(lèi)器中進(jìn)行分類(lèi)時(shí)，每棵決策樹(shù)都會(huì)輸出一個(gè)分類(lèi)結(jié)果，隨機(jī)森林會(huì)選擇出現(xiàn)最多次數(shù)的分類(lèi)結(jié)果作為最終的預(yù)測(cè)結(jié)果。

傳統(tǒng)的區(qū)間預(yù)測(cè)通常不考慮不同氣象狀況對(duì)預(yù)測(cè)精度的影響，不同的氣象條件下采用同一模型進(jìn)行訓(xùn)練，使得模型難以挖掘數(shù)據(jù)的特征，文中采用隨機(jī)森林分類(lèi)器模型，基于2.3節(jié)的理論基礎(chǔ)進(jìn)行相似日劃分，然后利用長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)分別訓(xùn)練預(yù)測(cè)不同的相似日數(shù)據(jù)。因此，本文采用隨機(jī)森林分類(lèi)器將原始的風(fēng)電數(shù)據(jù)進(jìn)行分類(lèi)，得到3類(lèi)根據(jù)不同的氣象狀況類(lèi)型對(duì)模型進(jìn)行分別訓(xùn)練預(yù)測(cè)。原理如圖8所示。

本節(jié)基于2.3節(jié)提出的相似氣象日劃分理論，通過(guò)隨機(jī)森林將原始的風(fēng)電序列劃分得到不同的氣象日類(lèi)型，利用待預(yù)測(cè)時(shí)刻的相似日歷史數(shù)據(jù)對(duì)LSTM模型進(jìn)行訓(xùn)練并預(yù)測(cè)出風(fēng)電功率區(qū)間。

4 算例驗(yàn)證

4.1 實(shí)驗(yàn)數(shù)據(jù)說(shuō)明

本算例選取中國(guó)東海某風(fēng)電場(chǎng)單臺(tái)機(jī)組1 a的數(shù)據(jù)作為實(shí)驗(yàn)樣本，單臺(tái)機(jī)組裝機(jī)容量為3 MW，其數(shù)據(jù)樣本的采樣時(shí)間尺度為10 min，具體包括該風(fēng)場(chǎng)的風(fēng)速、風(fēng)向、溫度、氣壓、風(fēng)電功率等。為了驗(yàn)證實(shí)驗(yàn)方法的有效性，將訓(xùn)練集與測(cè)試集按照8∶2的比例進(jìn)行劃分，該算例基于tensorflow平臺(tái)實(shí)現(xiàn)。本算例采用min-max的方法對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，消除不同類(lèi)別數(shù)據(jù)量綱對(duì)預(yù)測(cè)精度的影響。仿真硬件是Inter core i5-6400 CPU與8 GB RAM，軟件為python 3.6，其中ARIMA、BP、LightGBM與RF以及LSTM均調(diào)用tensorflow 2.0工具箱。

4.2 評(píng)價(jià)指標(biāo)

本算例的評(píng)價(jià)指標(biāo)包括點(diǎn)預(yù)測(cè)預(yù)測(cè)評(píng)價(jià)指標(biāo)與區(qū)間預(yù)測(cè)評(píng)價(jià)指標(biāo)。其中點(diǎn)預(yù)測(cè)評(píng)價(jià)指標(biāo)包括相對(duì)均方根誤差（relative root mean-squared error， RRMSE）與平均絕對(duì)百分比誤差（mean absolute percentage error，MAPE）：

[ERRMSE=1ni=1ne2ii=1nyin] （26）

[EMAPE=1ni=1nei1ni=1nyi] （27）

式中：[ei]——功率的預(yù)測(cè)值與功率的真實(shí)值的誤差；[n]——樣本數(shù)量；[yi]——功率的真實(shí)值。

區(qū)間預(yù)測(cè)評(píng)價(jià)指標(biāo)包括預(yù)測(cè)區(qū)間覆蓋率（prediction interval coverage percentage，PICP）與預(yù)測(cè)區(qū)間平均帶寬指標(biāo)（prediction interval average width，PINAW），當(dāng)真實(shí)值[yi∈Li，Ui]時(shí)，[ci=1]，否則[ci=0]。

[PPICP=1ni=1nci] （28）

[PPINAW=1nRi=1n（Ui-Li）] （29）

式中：[PPICP]——功率真實(shí)值落在對(duì)應(yīng)預(yù)測(cè)的數(shù)量，其值越大表示預(yù)測(cè)效果越好；[PPINAW]——預(yù)測(cè)區(qū)間的狹窄程度，該值越小表示預(yù)測(cè)結(jié)果越好；[R]——功率值的范圍，[R=Pmax-Pmin]（[Pmax]為功率的最大值；[Pmin]為最小的功率值）；[Ui]——第[i]個(gè)點(diǎn)的預(yù)測(cè)上界；[Li]——第[i]個(gè)點(diǎn)的預(yù)測(cè)下界。

4.3 改進(jìn)bump事件檢測(cè)識(shí)別方法劃分機(jī)組出力區(qū)域結(jié)果圖

為了提高功率預(yù)測(cè)的精度，本文對(duì)機(jī)組出力劃分成機(jī)組平穩(wěn)出力區(qū)段與機(jī)組出力劇烈波動(dòng)的區(qū)段，根據(jù)初步實(shí)驗(yàn)結(jié)果顯示，當(dāng)單個(gè)預(yù)測(cè)窗口內(nèi)發(fā)生的bump事件達(dá)到預(yù)測(cè)窗口內(nèi)功率點(diǎn)的一半時(shí)，即[N≥6]（單個(gè)預(yù)測(cè)窗口長(zhǎng)度為12），點(diǎn)預(yù)測(cè)的精度會(huì)明顯下降。根據(jù)2.2節(jié)提出的改進(jìn)bump事件檢測(cè)識(shí)別算法，對(duì)機(jī)組出力進(jìn)行劃分，劃分結(jié)果示意如圖9所示。

圖9、圖10選取了機(jī)組兩種不同出力特征情況進(jìn)行展示，其中圖9表示單個(gè)預(yù)測(cè)窗口內(nèi)發(fā)生7次bump事件，將該窗口劃分為機(jī)組出力劇烈波動(dòng)區(qū)段，返回其端點(diǎn)值，對(duì)其采用區(qū)間預(yù)測(cè)方法，得到風(fēng)電功率預(yù)測(cè)區(qū)間；圖10表示單個(gè)預(yù)測(cè)窗口內(nèi)發(fā)生了3次bump事件，將該窗口劃分為機(jī)組平穩(wěn)出力區(qū)段，并返回其端點(diǎn)值，對(duì)其采用點(diǎn)預(yù)測(cè)方法，得到具體的風(fēng)電功率值。

4.4 點(diǎn)預(yù)測(cè)結(jié)果對(duì)比

本實(shí)驗(yàn)調(diào)用tensorflow 2.0平臺(tái)中LightGBM與Random Forecast機(jī)器學(xué)習(xí)工具箱，基于Keras模塊搭建LSTM的風(fēng)電功率預(yù)測(cè)模型，優(yōu)化器選用Adam優(yōu)化器，選取sigmoid與tanh函數(shù)作為L(zhǎng)STM的激活函數(shù)。實(shí)驗(yàn)訓(xùn)練集、測(cè)試集按照8：2比例進(jìn)行劃分，時(shí)間分辨率為 10 min，預(yù)測(cè)時(shí)間窗口為2 h，即預(yù)測(cè)未來(lái)2 h的風(fēng)電功率。本實(shí)驗(yàn)分別驗(yàn)證單一模型LightGBM、LSTM以及組合模型LightGBM-LSTM等3種方法的預(yù)測(cè)效果，此外還加入考慮爬坡特征量的功率預(yù)測(cè)模型的對(duì)比實(shí)驗(yàn)。各模型的預(yù)測(cè)誤差對(duì)比如表1所示，預(yù)測(cè)效果對(duì)比如圖11、圖12所示。

由表1與圖11～圖13結(jié)果可知，4種單一預(yù)測(cè)模型中LSTM模型的預(yù)測(cè)精度最高，其RRMSE與MAPE分別達(dá)到11.624%與9.824%，LightGBM模型的預(yù)測(cè)效果次之，統(tǒng)計(jì)模型ARIMA的預(yù)測(cè)精度最差，其預(yù)測(cè)誤差評(píng)價(jià)指標(biāo)RRMSE與MAPE分別高達(dá)16.637%與15.023%。因此，本文選取LightGBM與LSTM進(jìn)行組合，組合模型LightGBM-LSTM組合了LightGBM與LSTM的優(yōu)點(diǎn)，在提高訓(xùn)練速度的同時(shí)避免了模型過(guò)擬合的不足，同時(shí)還深度挖掘了不同特征之間的耦合關(guān)系，組合模型預(yù)測(cè)的RRMSE與MAPE分別為9.072%、7.621%，相較于單一模型預(yù)測(cè)LightGBM，預(yù)測(cè)誤差分別降低4.449%與3.471%，相較于單一預(yù)測(cè)模型LSTM，預(yù)測(cè)誤差分別降低2.552%與2.203%。此外，加入考慮爬坡特征量的對(duì)比實(shí)驗(yàn)，增加貢獻(xiàn)度較大的功率預(yù)測(cè)信息特征，本文提出的對(duì)比試驗(yàn)預(yù)測(cè)誤差RRMSE與MAPE分別達(dá)到8.623%與7.241%，相較于未考慮爬坡特征量的實(shí)驗(yàn)?zāi)Ｐ皖A(yù)測(cè)誤差降低0.449%與0.38%。綜上，將組合模型與單一模型模型的預(yù)測(cè)誤差進(jìn)行對(duì)比，證明LightGBM-LSTM組合模型預(yù)測(cè)效果優(yōu)于LightGBM、LSTM兩個(gè)單一預(yù)測(cè)模型的預(yù)測(cè)效果；加入考慮爬坡特征量的對(duì)照實(shí)驗(yàn)，證明加入考慮爬坡特征量對(duì)模型進(jìn)行訓(xùn)練，提升風(fēng)電功率預(yù)測(cè)精度。

4.5 區(qū)間預(yù)測(cè)結(jié)果對(duì)比

選取中國(guó)東海某風(fēng)電場(chǎng)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)結(jié)果驗(yàn)證，訓(xùn)練集與驗(yàn)證集的劃分、數(shù)據(jù)的時(shí)間分辨率以及預(yù)測(cè)時(shí)間窗口與點(diǎn)預(yù)測(cè)一致，該部分實(shí)驗(yàn)設(shè)置了不考慮不同氣象日類(lèi)型與風(fēng)電功率耦合關(guān)系的LSTM區(qū)間預(yù)測(cè)模型以及考慮相似氣象日劃分的RF-LSTM組合區(qū)間預(yù)測(cè)模型，預(yù)測(cè)效果如圖14所示，預(yù)測(cè)評(píng)價(jià)指標(biāo)如表2所示。由對(duì)比結(jié)果可知，在相同的置信度下，考慮相似氣象日劃分的RF-LSTM組合區(qū)間預(yù)測(cè)模型能夠挖掘不同氣象日的深層特征信息，緊密捕捉風(fēng)電功率的趨勢(shì)，獲得的區(qū)間覆蓋率最高、平均帶寬最窄，能夠?yàn)殡娋W(wǎng)運(yùn)行提供可靠參考。

由表2可知，考慮相似日劃分的功率區(qū)間預(yù)測(cè)模型在90%的置信度下，相較于不考慮相似氣象日劃分的預(yù)測(cè)模型區(qū)間覆蓋率提升2.33%，平均帶寬縮小2.77%；且隨著置信度的減小，區(qū)間覆蓋率減小，平均帶寬變寬，但是RF-LSTM的組合區(qū)間預(yù)測(cè)模型的預(yù)測(cè)效果仍全面優(yōu)于單一LSTM區(qū)間預(yù)測(cè)模型。最后，將點(diǎn)預(yù)測(cè)、區(qū)間預(yù)測(cè)的結(jié)果分別進(jìn)行全時(shí)段與分時(shí)段的量化誤差分析，由表3可知，在分區(qū)預(yù)測(cè)中點(diǎn)預(yù)測(cè)的預(yù)測(cè)效果優(yōu)于全時(shí)段預(yù)測(cè)，因?yàn)榉謪^(qū)預(yù)測(cè)中點(diǎn)預(yù)測(cè)只負(fù)責(zé)風(fēng)電機(jī)組平穩(wěn)出力的波段，且根據(jù)對(duì)比結(jié)果可知本文提出的考慮爬坡特征量的組合模型預(yù)測(cè)效果最佳；反之，區(qū)間預(yù)測(cè)在分區(qū)預(yù)測(cè)中主要負(fù)責(zé)bump事件多發(fā)的功率連續(xù)轉(zhuǎn)折時(shí)段，

預(yù)測(cè)難度大，較之全時(shí)段預(yù)測(cè)，預(yù)測(cè)精度有所下降，但其能夠緊密捕捉風(fēng)電功率的趨勢(shì)走向，可為電力系統(tǒng)的穩(wěn)定運(yùn)行提供參考，提升系統(tǒng)的容錯(cuò)率。

5 結(jié) 論

針對(duì)海上風(fēng)電功率連續(xù)波動(dòng)帶來(lái)的難以預(yù)測(cè)的問(wèn)題，本文提出一種考慮海上復(fù)雜工況的分區(qū)組合預(yù)測(cè)模型。與現(xiàn)存方法對(duì)比，本文利用自適應(yīng)旋轉(zhuǎn)門(mén)算法識(shí)別提取爬坡特征，挖掘風(fēng)電爬坡事件與風(fēng)電功率之間的耦合關(guān)系，提高點(diǎn)預(yù)測(cè)的精度與效率；通過(guò)改進(jìn)的bump事件檢測(cè)方法，為功率預(yù)測(cè)提供一條新思路，重新定義功率穩(wěn)定時(shí)段與功率波動(dòng)時(shí)段，利用本文提出的RF-LSTM組合模型分別預(yù)測(cè)不同氣象日的功率連續(xù)波動(dòng)時(shí)段的區(qū)間功率，較之傳統(tǒng)的區(qū)間預(yù)測(cè)提升預(yù)測(cè)精度。綜上，本文提出的模型采用旋轉(zhuǎn)門(mén)算法提取爬坡特征量，利用改進(jìn)的組合模型獲得了風(fēng)力機(jī)平穩(wěn)出力階段準(zhǔn)確的點(diǎn)預(yù)測(cè)結(jié)果，為電力系統(tǒng)的穩(wěn)定運(yùn)行提供精確的數(shù)據(jù)參考；此外，準(zhǔn)確預(yù)測(cè)了風(fēng)力機(jī)受復(fù)雜海洋工況影響的功率連續(xù)波動(dòng)段的功率區(qū)間，在此階段，雖然無(wú)法提供精確的功率數(shù)據(jù)，但能夠緊密跟隨風(fēng)電功率趨勢(shì)，提高容錯(cuò)率，為海上風(fēng)電功率預(yù)測(cè)提供一種新思路。

［參考文獻(xiàn)］

［1］ 王勃， 劉曉琳. 計(jì)及多誤差場(chǎng)景集劃分的超短期NWP風(fēng)速修正方法［J］. 南方電網(wǎng)技術(shù)， 2023， 17（2）： 118-127， 136.

WANG B， LIU X L. Ultra-short-term NWP wind speed correction method based on multiple error scenarios division［J］. Southern power system technology， 2023， 17（2）： 118-127， 136.

［2］ YAN J， OUYANG T H. Advanced wind power prediction based " on " data-driven " "error " "correction［J］. " Energy conversion and management， 2019， 180： 302-311.

［3］ DEMOLLI H， DOKUZ A S， ECEMIS A， et al. Wind power forecasting based on daily wind speed data using machine learning algorithms［J］. Energy conversion and management， 2019， 198： 111823.

［4］ HAO J， ZHU C S， GUO X T. Wind power short-term forecasting model based on the hierarchical output power and Poisson re-sampling random forest algorithm［J］. IEEE access， 2020， 9： 6478-6487.

［5］ HOSSAIN M A， CHAKRABORTTY R K， ELSAWAH S， et al. Predicting wind power generation using hybrid deep learning " with " optimization［J］. " IEEE " transactions " on applied superconductivity， 2021， 31（8）： 0601305.

［6］ ZHANG H， LIU Y Q， YAN J， et al. Improved deep mixture density network for regional wind power probabilistic forecasting［J］. IEEE transactions on power systems， 2020， 35（4）： 2549-2560.

［7］ SUN Z X， ZHAO M Y. Short-term wind power forecasting based on VMD decomposition， ConvLSTM networks and error analysis［J］. IEEE access， 2020， 8： 134422-134434.

［8］ DOLATABADI A， ABDELTAWAB H， MOHAMED Y A R I. Hybrid deep learning-based model for wind speed forecasting based on DWPT and bidirectional LSTM network［J］. IEEE access， 2020， 8： 229219-229232.

［9］ 雷柯松， 吐松江·卡日， 伊力哈木·亞爾買(mǎi)買(mǎi)提， 等. 基于WGAN-GP和CNN-LSTM-Attention的短期光伏功率預(yù)測(cè)［J］. 電力系統(tǒng)保護(hù)與控制， 2023， 51（9）： 108-118.

LEI K S， TUSONGJIANG·KARI， YILIHAMU·YAERMAIMAITI， et al. Prediction of short-term photovoltaic power based on WGAN-GP and CNN-LSTM-Attention［J］. Power system protection and control， 2023， 51（9）： 108-118.

［10］ 蘇連成， 朱嬌嬌， 李英偉. 基于時(shí)間卷積網(wǎng)絡(luò)殘差校正的短期風(fēng)電功率預(yù)測(cè)［J］. 太陽(yáng)能學(xué)報(bào)， 2023， 44（7）： 427-435.

SU L C， ZHU J J， LI Y W. Short-term wind power prediction based on temporal convolutional network residual correction model［J］. Acta energiae solaris sinica， 2023， 44（7）： 427-435.

［11］ 栗然， 馬濤， 張瀟， 等. 基于卷積長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的短期風(fēng)功率預(yù)測(cè)［J］. 太陽(yáng)能學(xué)報(bào)， 2021， 42（6）： 304-311.

LI R， MA T， ZHANG X， et al. Short-term wind power prediction based on convolutional long-short-term memory neural networks［J］. Acta energiae solaris sinica， 2021， 42（6）： 304-311.

［12］ ZOU M Z， HOLJEVAC N， ?AKOVI? J， et al. Bayesian CNN-BiLSTM and vine-GMCM based probabilistic forecasting of hour-ahead wind farm power outputs［J］. IEEE transactions on sustainable energy， 2022， 13（2）： 1169-1187.

［13］ 黃棋悅， 嚴(yán)楠， 鐘旭佳. 基于生成對(duì)抗網(wǎng)絡(luò)的風(fēng)電爬坡功率預(yù)測(cè)［J］. 太陽(yáng)能學(xué)報(bào)， 2023， 44（1）： 226-231.

HUANG Q Y， YAN N， ZHONG X J. Wind power ramping events prediction based on generative adversarial network［J］. Acta energiae solaris sinica， 2023， 44（1）： 226-231.

［14］ KO M S， LEE K， KIM J K， et al. Deep concatenated residual network with bidirectional LSTM for one-hour-ahead wind power forecasting［J］. IEEE transactions on sustainable energy， 2021， 12（2）： 1321-1335.

［15］ 張淑清， 杜靈韻， 王冊(cè)浩， 等. 基于格拉姆角場(chǎng)與改進(jìn)CNN-ResNet的風(fēng)電功率預(yù)測(cè)方法［J］. 電網(wǎng)技術(shù)， 2023， 47（4）： 1540-1548.

ZHANG S Q， DU L Y， WANG C H， et al. Wind power forecasting method based on GAF and improved CNN-Res Net［J］. Power system technology， 2023， 47（4）： 1540-1548.

［16］ HE Y Y， ZHANG W Y. Probability density forecasting of wind power based on multi-core parallel quantile regression neural network［J］. Knowledge-based systems， 2020， 209： 106431.

［17］ 楊茂， 董昊. 基于數(shù)值天氣預(yù)報(bào)風(fēng)速和蒙特卡洛法的短期風(fēng)電功率區(qū)間預(yù)測(cè)［J］. 電力系統(tǒng)自動(dòng)化， 2021， 45（5）： 79-85.

YANG M， DONG H. Short-term wind power interval prediction based on wind speed of numerical weather prediction and Monte Carlo method［J］. Automation of electric power systems， 2021， 45（5）： 79-85.

［18］ ZHANG H， YAN J， LIU Y Q， et al. Multi-source and temporal attention network for probabilistic wind power prediction［J］. IEEE transactions on sustainable energy， 2021， 12（4）： 2205-2218.

［19］ 趙永寧， 李卓， 葉林， 等. 基于時(shí)空相關(guān)性的風(fēng)電功率超短期自適應(yīng)預(yù)測(cè)方法［J］. 電力系統(tǒng)保護(hù)與控制， 2023， 51（6）： 94-105.

ZHAO Y N， LI Z， YE L， et al. A very short-term adaptive wind power forecasting method based on spatio-temporal correlation［J］. Power system protection and control， 2023， 51（6）： 94-105.

［20］ 胡文慧， 蘇欣， 姜林， 等. 考慮預(yù)測(cè)誤差時(shí)空相依性的短期風(fēng)電功率概率預(yù)測(cè)［J］. 南方電網(wǎng)技術(shù)， 2023， 17（2）： 137-144.

HU W H， SU X， JIANG L， et al. Probabilistic prediction of short-term wind power considering the temporal and spatial dependence of prediction errors［J］. Southern power system technology， 2023， 17（2）： 137-144.

［21］ 黎博， 陳民鈾， 鐘海旺， 等. 高比例可再生能源新型電力系統(tǒng)長(zhǎng)期規(guī)劃綜述［J］. 中國(guó)電機(jī)工程學(xué)報(bào)， 2023， 43（2）： 555-581.

LI B， CHEN M Y， ZHONG H W， et al. A review of long-term planning of new power systems with large share of renewable energy［J］. Proceedings of the CSEE， 2023， 43（2）： 555-581.

［22］ 熊予涵， 彭小圣， 楊子民， 等. 基于參數(shù)自適應(yīng)旋轉(zhuǎn)門(mén)和Bump事件篩選的風(fēng)電爬坡事件識(shí)別［J］. 南方電網(wǎng)技術(shù)， 2023， 17（2）： 101-110.

XIONG Y H， PENG X S， YANG Z M， et al. Identification of wind power ramp events based on parameter adaptive swinging door and bump event selection［J］. Southern power system technology， 2023， 17（2）： 101-110.

［23］ 余光正， 陸柳， 湯波， 等. 考慮轉(zhuǎn)折性天氣的海上風(fēng)電功率超短期分段預(yù)測(cè)方法研究［J］. 中國(guó)電機(jī)工程學(xué)報(bào)， 2022， 42（13）： 4859-4871.

YU G Z， LU L， TANG B， et al. Research on ultra-short-term subsection forecasting method of offshore wind power considering transitional weather［J］. Proceedings of the CSEE， 2022， 42（13）： 4859-4871.

［24］ 劉雅婷， 楊明， 于一瀟， 等. 基于多場(chǎng)景敏感氣象因子優(yōu)選及小樣本學(xué)習(xí)與擴(kuò)充的轉(zhuǎn)折性天氣日前風(fēng)電功率預(yù)測(cè)［J］. 高電壓技術(shù)， 2023， 49（7）： 2972-2982.

LIU Y T， YANG M， YU Y X， et al. Transitional-weather-considered day-ahead wind power forecasting based on multi-scene sensitive meteorological factor optimization and few-shot learning［J］. High voltage engineering， 2023， 49（7）： 2972-2982.

［25］ 周海， 劉建鋒， 周健， 等. 基于改進(jìn)降噪自編碼器和多元時(shí)序聚類(lèi)的海上風(fēng)電功率預(yù)測(cè)［J］. 太陽(yáng)能學(xué)報(bào)， 2023， 44（3）： 129-138.

ZHOU H， LIU J F， ZHOU J， et al. Offshore wind power prediction based on improved denoising auto-encoder and multivariate time series clustering［J］. Acta energiae solaris sinica， 2023， 44（3）： 129-138.

［26］ 吳浩天， 孫榮富， 廖思陽(yáng)， 等. 基于改進(jìn)氣象聚類(lèi)分型的短期風(fēng)電功率概率預(yù)測(cè)方法［J］. 電力系統(tǒng)自動(dòng)化， 2022， 46（15）： 56-65.

WU H T， SUN R F， LIAO S Y， et al. Short-term wind power probability forecasting method based on improved meteorological clustering and classification［J］. Automation of electric power systems， 2022， 46（15）： 56-65.

［27］ ZOU F， FU W L， FANG P， et al. A hybrid model based on multi-stage principal component extraction， GRU network and KELM for multi-step short-term wind speed forecasting［J］. IEEE access， 2931， 8： 222931-222943.

［28］ 楊國(guó)清， 劉世林， 王德意， 等. 基于Attention-GRU風(fēng)速修正和Stacking的短期風(fēng)電功率預(yù)測(cè)［J］. 太陽(yáng)能學(xué)報(bào)， 2022， 43（12）： 273-281.

YANG G Q， LIU S L， WANG D Y， et al. Short-term wind power forecasting based on Attention-GRU wind speed correction and stacking［J］. Acta energiae solaris sinica， 2022， 43（12）： 273-281.

［29］ 陳峰， 余軼， 徐敬友， 等. 基于Bayes-LSTM網(wǎng)絡(luò)的風(fēng)電出力預(yù)測(cè)方法［J］. 電力系統(tǒng)保護(hù)與控制， 2023， 51（6）： 170-178.

CHEN F， YU Y， XU J Y， et al. Prediction method of wind power output based on a Bayes-LSTM network［J］. Power system protection and control， 2023， 51（6）： 170-178.

SHORT-TERM ZONING POWER PREDICTION OF OFFSHORE

WIND POWER CONSIDERING CLIMBING FEATURE QUANTITIES

Shi Shuai1，Zhang Hao1，Huang Dongmei2，Li Yuanyuan1，Mi Yang1，Yang Xiaodong3

（1. School of Electric Power Engineering， Shanghai University of Electric Power， Shanghai 200090， China；

2. School of Electronics and Information Engineering， Shanghai University of Electric Power， Shanghai 201306， China；

3. Clean Energy Branch of Huaneng（Zhejiang） Energy Development Co. LTD.， Hangzhou 310014， China）

Abstract：Considering complex marine conditions， this paper proposes a zonal hybrid prediction model considering climbing features quantities. Firstly， the improved bump detection technology is used to identify and divide the power fluctuation period. Secondly， this paper comprehensively considers the power fluctuation characteristics of different typical meteorological days to classify the meteorological data. Thirdly， considering the power volatility of wind power， this paper proposes a hybrid prediction model， which adopts a LightGBM-LSTM point prediction model in the power discontinuous fluctuation section and an RF-LSTM interval prediction model in the power continuous fluctuation period， and obtains a good prediction effect. Finally， the data of an offshore wind farm in eastern China is selected for improved simulation and case analysis. The results show that compared with the traditional wind power point prediction and interval prediction methods， the prediction accuracy of the partition hybrid prediction model considering wind power climbing and meteorological daily classification proposed in this paper is significantly improved.

Keywords：climbing feature quantities； wind power climbing events；bump event detection； meteorological day classification； combination model； partition forecasting