基于長(zhǎng)短期記憶網(wǎng)絡(luò)的水力發(fā)電功率預(yù)測(cè)研究

汪 哿,郭志剛

(中國(guó)長(zhǎng)江電力股份有限公司,湖北 宜昌 443002)

0 引言

隨著中國(guó)新一輪電力體制改革的不斷推進(jìn),電力現(xiàn)貨交易市場(chǎng)的重要性日益凸顯[1]。有效發(fā)揮電力現(xiàn)貨交易市場(chǎng)的作用,對(duì)實(shí)現(xiàn)可再生能源優(yōu)化配置具有積極意義[2-3]。為促進(jìn)大型水力發(fā)電量的消納能力,不僅需要水電站有序組織和參與電力市場(chǎng)交易,還需要水電站精準(zhǔn)預(yù)測(cè)發(fā)電功率[4-5]。

許多學(xué)者對(duì)水電站發(fā)電功率預(yù)測(cè)作了大量研究。文獻(xiàn)[6]提出了1種極限學(xué)習(xí)機(jī)的水電站發(fā)電功率預(yù)測(cè)方法,通過(guò)趨勢(shì)導(dǎo)向?qū)W習(xí)提高水電站發(fā)電功率預(yù)測(cè)精度。文獻(xiàn)[7]提出了1種基于蒙特卡洛法的水電站發(fā)電功率預(yù)測(cè)方法,通過(guò)改進(jìn)支配方案進(jìn)行水電站發(fā)電功率預(yù)測(cè)。文獻(xiàn)[8]提出了1種基于動(dòng)態(tài)規(guī)劃的水電站發(fā)電功率預(yù)測(cè)方法,通過(guò)對(duì)日均徑流的預(yù)測(cè)提高水電站發(fā)電功率預(yù)測(cè)準(zhǔn)確性。文獻(xiàn)[9]采用了1種多任務(wù)嵌套方法,以提高水電站發(fā)電功率預(yù)測(cè)準(zhǔn)確性。由此可見(jiàn),水電站發(fā)電功率預(yù)測(cè)方法多樣。但上述方法對(duì)多時(shí)間尺度的功率預(yù)測(cè)關(guān)聯(lián)分析較少,對(duì)大型水電站發(fā)電功率預(yù)測(cè)的準(zhǔn)確率較低。

為解決水電站發(fā)電功率預(yù)測(cè)中存在的多時(shí)間尺度關(guān)聯(lián)分析少、發(fā)電功率預(yù)測(cè)準(zhǔn)確率低的問(wèn)題,本文提出了1種基于長(zhǎng)短期記憶 (long short-term memory,LSTM)網(wǎng)絡(luò)的水力發(fā)電功率預(yù)測(cè)方法。該方法采用了LSTM網(wǎng)絡(luò),實(shí)現(xiàn)了多時(shí)間尺度的時(shí)、日、月、季、年發(fā)電預(yù)測(cè)的內(nèi)在關(guān)系挖掘;通過(guò)分時(shí)影響因素分析,提高了水電站發(fā)電功率預(yù)測(cè)準(zhǔn)確率。

1 水力發(fā)電功率預(yù)測(cè)流程

本文所述的基于LSTM網(wǎng)絡(luò)的水力發(fā)電功率預(yù)測(cè)方法的流程包括歷史發(fā)電功率預(yù)測(cè)數(shù)據(jù)清洗、發(fā)電功率影響因素分析和發(fā)電功率預(yù)測(cè)等。

水力發(fā)電功率預(yù)測(cè)流程如圖1所示。

圖1 水力發(fā)電功率預(yù)測(cè)流程圖

2 水力發(fā)電功率預(yù)測(cè)模型

2.1 歷史發(fā)電功率預(yù)測(cè)數(shù)據(jù)清洗

水電站地處環(huán)境偏僻的江河流域,電氣、電子設(shè)備運(yùn)行環(huán)境惡劣。水電站發(fā)電功率數(shù)據(jù)采集過(guò)程中容易受環(huán)境影響,進(jìn)而造成水電站發(fā)電功率數(shù)據(jù)存在錯(cuò)誤和缺失的情況。因此,在進(jìn)行水電站發(fā)電功率預(yù)測(cè)前,需要對(duì)歷史的水電站發(fā)電功率數(shù)據(jù)進(jìn)行質(zhì)量評(píng)估與數(shù)據(jù)清洗,以消除錯(cuò)誤和缺失數(shù)據(jù)對(duì)水電站發(fā)電功率數(shù)據(jù)預(yù)測(cè)模型的影響。

水電站歷史發(fā)電功率數(shù)據(jù)質(zhì)量采用六要素方式進(jìn)行評(píng)估。水電站歷史發(fā)電功率數(shù)據(jù)質(zhì)量評(píng)估指標(biāo)中,歷史發(fā)電功率有效性ca、歷史發(fā)電功率完整性cb、歷史發(fā)電功率及時(shí)性cδ、歷史發(fā)電功率準(zhǔn)確性cd、歷史發(fā)電功率唯一性ce、歷史發(fā)電功率一致性cf為:

(1)

式中:call為水電站歷史發(fā)電量采集數(shù)據(jù)的總數(shù);c1為有效的水電站歷史發(fā)電功率;c2為完整的水電站歷史發(fā)電功率;c3為及時(shí)的水電站歷史發(fā)電功率;c4為準(zhǔn)確的水電站歷史發(fā)電功率;c5為唯一的水電站歷史發(fā)電功率;c6為一致的水電站歷史發(fā)電功率。

水電站歷史發(fā)電功率數(shù)據(jù)清洗是針對(duì)水電站歷史發(fā)電功率數(shù)據(jù)質(zhì)量評(píng)估中的異常數(shù)據(jù)進(jìn)行修復(fù)的過(guò)程。

線性插值是一種數(shù)據(jù)修復(fù)方法,通過(guò)對(duì)2個(gè)已知的異常數(shù)據(jù)鄰近點(diǎn)的數(shù)值進(jìn)行線性插入以預(yù)估數(shù)據(jù)[10]。線性插值具有方法簡(jiǎn)單、運(yùn)行效率高的特點(diǎn)。因此,本文采用線性插值方法進(jìn)行水電站歷史發(fā)電功率數(shù)據(jù)清洗。水電站歷史發(fā)電功率修復(fù)數(shù)據(jù)gs為:

(2)

式中:gd和ge分別為異常發(fā)電功率數(shù)之前和之后時(shí)刻的正常觀測(cè)功率值;hd和he分別為異常發(fā)電功率數(shù)據(jù)之前和之后的時(shí)刻點(diǎn);hδ為hd和he之間的水電站發(fā)電功率任意一時(shí)間值。

通過(guò)線性插值可以獲取水電站歷史發(fā)電功率的預(yù)估值,從而完成水電站歷史發(fā)電功率數(shù)據(jù)修復(fù)。

2.2 發(fā)電功率影響因素分析

影響水電站發(fā)電功率的主要因素包括通過(guò)水輪發(fā)電機(jī)的水徑流量、水輪發(fā)電機(jī)的工作水頭高度、水輪發(fā)電機(jī)的工作效率[11]。水電站發(fā)電功率Pa為:

Pa=lqrhλ

(3)

式中:lq為通過(guò)水輪發(fā)電機(jī)的水徑流量;rh為水輪發(fā)電機(jī)的工作水頭高度,即發(fā)電機(jī)的水位落差;λ為水輪發(fā)電機(jī)的工作效率。

水輪發(fā)電機(jī)的工作水頭高度由水頭損耗和上下游水位差構(gòu)成。rh可分解為:

rh=ra-rb-rδ

(4)

式中:ra為發(fā)電站的上游水位高度;rb為發(fā)電站的下游水位高度;rδ為發(fā)電站的水頭損耗。

通過(guò)水輪發(fā)電機(jī)的水徑流量與降雨量和氣溫具有強(qiáng)相關(guān)性。其中,降雨量越大,河流中的水量越多,通過(guò)水輪發(fā)電機(jī)的水徑流量也越大。氣溫越高,河流的水面蒸發(fā)量越大,通過(guò)水輪發(fā)電機(jī)的水徑流量也越小。因此,修正的水輪發(fā)電機(jī)的水徑流量lnew為:

lnew=loldβα

(5)

式中:lold為預(yù)測(cè)的水輪發(fā)電機(jī)的水徑流量;β為河流降雨量修正系數(shù);α為河流氣溫影響因數(shù)。

2.3 發(fā)電功率預(yù)測(cè)

發(fā)電功率預(yù)測(cè)的輸入包括歷史的發(fā)電功率數(shù)據(jù)、歷史的河流降雨量和氣溫信息、數(shù)值天氣預(yù)報(bào)預(yù)測(cè)的河流降雨量與氣溫信息。

LSTM網(wǎng)絡(luò)由循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)發(fā)展而來(lái)。LSTM網(wǎng)絡(luò)內(nèi)部包括門(mén)結(jié)構(gòu)和細(xì)胞狀態(tài),可將信息序列進(jìn)行學(xué)習(xí)與傳遞。通過(guò)門(mén)結(jié)構(gòu),可以實(shí)現(xiàn)學(xué)習(xí)過(guò)程的遺忘與保存數(shù)據(jù)。LSTM網(wǎng)絡(luò)可有效地對(duì)年、季、月、日、時(shí)多時(shí)間尺度的水電站歷史功率信息進(jìn)行挖掘與擬合,從而得到更好的水電站發(fā)電功率預(yù)測(cè)精度[12]。因此,本文采用LSTM網(wǎng)絡(luò)進(jìn)行多時(shí)間尺度的水電站發(fā)電功率分析與預(yù)測(cè)。

首先,本文采用LSTM網(wǎng)絡(luò)進(jìn)行分時(shí)的超短期水電站發(fā)電功率預(yù)測(cè),并將其參數(shù)輸入到下一層的日水電站發(fā)電功率預(yù)測(cè);在此基礎(chǔ)上,依次通過(guò)LSTM網(wǎng)絡(luò)進(jìn)行月、季和年的分時(shí)預(yù)測(cè),形成多時(shí)間尺度的水電站發(fā)電功率預(yù)測(cè)結(jié)果。

然后,本文采用LSTM網(wǎng)絡(luò)預(yù)測(cè)水電站發(fā)電功率。預(yù)測(cè)結(jié)果pz為:

pz=φ[(wx,l,ro,λt)×tan(pold)]

(6)

式中:pold為歷史的水電站發(fā)電功率數(shù)據(jù);tan為水電站發(fā)電功率預(yù)測(cè)模型的“遺忘門(mén)”激活函數(shù);φ為水電站發(fā)電功率預(yù)測(cè)模型的激活函數(shù);wx為數(shù)值天氣預(yù)報(bào)的河流降雨量預(yù)測(cè)數(shù)據(jù);l為數(shù)值天氣預(yù)報(bào)的河流氣溫預(yù)測(cè)數(shù)據(jù);ro為水電站工作水頭高度;λt為水電站水輪機(jī)的工作效率。

最后,LSTM網(wǎng)絡(luò)按時(shí)、日、月、季、年多時(shí)間尺度進(jìn)行迭代,形成水電站發(fā)電功率預(yù)測(cè)結(jié)果。

3 算例分析

3.1 場(chǎng)景與參數(shù)設(shè)定

為驗(yàn)證基于LSTM網(wǎng)絡(luò)的水力發(fā)電功率預(yù)測(cè)方法的可行性,本文在某大型水電站進(jìn)行驗(yàn)證。該水電站裝機(jī)容量為300×105kW、水頭高度為85 m。發(fā)電功率、發(fā)電電壓等數(shù)據(jù)來(lái)源于發(fā)電站自動(dòng)化系統(tǒng)。水徑流量數(shù)據(jù)來(lái)源于水流量監(jiān)測(cè)系統(tǒng)。河流降雨量、氣溫預(yù)測(cè)數(shù)據(jù)來(lái)源于數(shù)值天氣預(yù)報(bào)。歷史數(shù)據(jù)來(lái)源于該水電站2021年的數(shù)據(jù)。

基于LSTM網(wǎng)絡(luò)的水力發(fā)電功率預(yù)測(cè)方法模型采用Python研發(fā)。系統(tǒng)部署在水電站的服務(wù)器機(jī)房。服務(wù)器的操作系統(tǒng)為L(zhǎng)inux。服務(wù)器采用Intel Xeon E5-2699 V3作為中央處理器。中央處理器顆數(shù)為2、核心數(shù)為18、運(yùn)行主頻為2.3 GHz、內(nèi)存為128 GB。與基于LSTM網(wǎng)絡(luò)的水力發(fā)電功率預(yù)測(cè)方法比較的是文獻(xiàn)[13]中的Mann Kendall突變檢驗(yàn)發(fā)電功率預(yù)測(cè)模型。該模型在黃河流域發(fā)電站廣泛應(yīng)用,具有較好的通用性。

3.2 算例運(yùn)行分析

①水力發(fā)電功率預(yù)測(cè)性能分析。

水力發(fā)電功率預(yù)測(cè)性能是衡量發(fā)電模型計(jì)算能力的指標(biāo)。其統(tǒng)計(jì)方法為:從模型輸入基礎(chǔ)數(shù)據(jù)開(kāi)始到輸出發(fā)電功率預(yù)測(cè)結(jié)果的時(shí)段內(nèi),水力發(fā)電功率預(yù)測(cè)耗時(shí)越短,說(shuō)明水力發(fā)電功率預(yù)測(cè)模型性能越好。

試驗(yàn)隨機(jī)模擬10組4小時(shí)(超短期)、1日、1月、1季、1年的數(shù)據(jù),采用所提基于LSTM網(wǎng)絡(luò)的水力發(fā)電功率預(yù)測(cè)方法與Mann Kendall突變檢驗(yàn)發(fā)電功率預(yù)測(cè)模型比較水力發(fā)電功率預(yù)測(cè)性能。

水力發(fā)電功率預(yù)測(cè)性能如表1所示。

表1 水力發(fā)電功率預(yù)測(cè)性能表

由表1可知,本文所提基于LSTM網(wǎng)絡(luò)的水力發(fā)電功率預(yù)測(cè)方法的水力發(fā)電功率預(yù)測(cè)性能耗時(shí)平均為8.3 s,小于Mann Kendall突變檢驗(yàn)發(fā)電功率預(yù)測(cè)模型的預(yù)測(cè)性能平均耗時(shí)(20.9 s)。因此,基于LSTM網(wǎng)絡(luò)的水力發(fā)電功率預(yù)測(cè)方法性能更優(yōu)。

②水電站發(fā)電功率預(yù)測(cè)分析。

水電站發(fā)電功率預(yù)測(cè)分析用于評(píng)估水電站的發(fā)電功率預(yù)測(cè)曲線與實(shí)際的水電站發(fā)電功率曲線的分時(shí)發(fā)電水平情況。

水電站發(fā)電功率分時(shí)預(yù)測(cè)結(jié)果如圖2所示。

圖2 水電站發(fā)電功率分時(shí)預(yù)測(cè)結(jié)果

由圖2可知:水電站每日的7～12點(diǎn)和17～22點(diǎn)是發(fā)電的高峰時(shí)段;23點(diǎn)～次日6點(diǎn)是發(fā)電的低谷時(shí)段;12點(diǎn)～16點(diǎn)是發(fā)電的平段時(shí)段。在各時(shí)間段內(nèi),預(yù)測(cè)功率曲線與實(shí)際功率曲線較為接近。

③水力發(fā)電功率預(yù)測(cè)準(zhǔn)確率。

水力發(fā)電功率預(yù)測(cè)準(zhǔn)確率是水電站運(yùn)營(yíng)管理的關(guān)鍵指標(biāo)。其計(jì)算方法為將水力發(fā)電功率預(yù)測(cè)值與實(shí)際值進(jìn)行比較。若水力發(fā)電功率日96點(diǎn)預(yù)測(cè)值與實(shí)際日96點(diǎn)值一致,則表明預(yù)測(cè)準(zhǔn)確。水力發(fā)電功率預(yù)測(cè)值與實(shí)際值的比值即為水力發(fā)電功率預(yù)測(cè)準(zhǔn)確率。

為簡(jiǎn)化計(jì)算,試驗(yàn)分別采用所提基于LSTM網(wǎng)絡(luò)的水力發(fā)電功率預(yù)測(cè)方法與Mann Kendall突變檢驗(yàn)發(fā)電功率預(yù)測(cè)模型預(yù)測(cè)10組4小時(shí)(超短期)、1日、1月水電站發(fā)電功率數(shù)據(jù),并將其與實(shí)際水電站的發(fā)電功率數(shù)據(jù)進(jìn)行比較。

水力發(fā)電功率預(yù)測(cè)準(zhǔn)確率對(duì)比如表2所示。

表2 水力發(fā)電功率預(yù)測(cè)準(zhǔn)確率對(duì)比

由表2可知,本文所提基于LSTM網(wǎng)絡(luò)的水力發(fā)電功率預(yù)測(cè)方法平均預(yù)測(cè)準(zhǔn)確率為97.2%,高于Mann Kendall突變檢驗(yàn)發(fā)電功率預(yù)測(cè)模型。因此,本文所提基于LSTM網(wǎng)絡(luò)的水力發(fā)電功率預(yù)測(cè)方法預(yù)測(cè)更準(zhǔn)確。

4 結(jié)論

為解決水電站發(fā)電功率預(yù)測(cè)中存在的多時(shí)間尺度關(guān)聯(lián)分析少、發(fā)電功率預(yù)測(cè)準(zhǔn)確率低的問(wèn)題,本文提出了1種基于LSTM網(wǎng)絡(luò)的水力發(fā)電功率預(yù)測(cè)方法。該方法的主要特點(diǎn)如下:首先,充分分析了影響水電站發(fā)電功率的因素,通過(guò)預(yù)測(cè)修正參數(shù)減少了各類影響因素對(duì)發(fā)電功率預(yù)測(cè)準(zhǔn)確率的影響;其次,采用LSTM網(wǎng)絡(luò)挖掘了年、季、月、日、時(shí)多時(shí)間尺度發(fā)電功率數(shù)據(jù)的蘊(yùn)含關(guān)系,并通過(guò)關(guān)聯(lián)分析提高了水電站發(fā)電功率預(yù)測(cè)精度。

后續(xù)研究將結(jié)合生成對(duì)抗網(wǎng)絡(luò)的特點(diǎn),對(duì)本文所提方法進(jìn)行優(yōu)化。