基于奇異譜分析與深度置信網(wǎng)絡(luò)的超短期風(fēng)功率預(yù)測

李民 黃久平 步兵 王秋強(qiáng) 鄭松松

摘 要：風(fēng)力發(fā)電作為一種高效清潔能源，有廣闊的應(yīng)用前景，進(jìn)行準(zhǔn)確的風(fēng)功率預(yù)測對風(fēng)電場和電力系統(tǒng)的運(yùn)行具有重要意義。由于風(fēng)功率具有非線性、非平穩(wěn)性以及隨機(jī)性等特點(diǎn)，對風(fēng)功率進(jìn)行準(zhǔn)確預(yù)測變得十分困難。為提高超短期風(fēng)功率預(yù)測精度，提出了一種基于奇異譜分析和深度置信網(wǎng)絡(luò)的混合預(yù)測模型，可以相當(dāng)程度上解決深度置信網(wǎng)絡(luò)對非線性、非平穩(wěn)性的原始風(fēng)功率序列預(yù)測性能不佳的問題。對比分析結(jié)果顯示，該模型的預(yù)測精度優(yōu)于典型的風(fēng)功率預(yù)測模型，在超短期風(fēng)功率預(yù)測方面表現(xiàn)出良好的預(yù)測準(zhǔn)確性及泛化能力。

關(guān)鍵詞：風(fēng)力發(fā)電;預(yù)測分析;奇異譜分析;深度置信網(wǎng)絡(luò)

中圖分類號： 文獻(xiàn)標(biāo)志碼：A

1引言

隨著經(jīng)濟(jì)的發(fā)展，全球?qū)δ茉吹男枨蠹眲≡黾印ｏL(fēng)能是一種可再生、潔凈的能源，風(fēng)力發(fā)電是可再生能源發(fā)電技術(shù)中發(fā)展最快和最為成熟的一種，已具備大規(guī)模商業(yè)開發(fā)的技術(shù)和經(jīng)濟(jì)條件。隨著裝機(jī)容量的不斷增加，電網(wǎng)消耗的問題日益增多。為了確保電力系統(tǒng)的安全運(yùn)行并合理地調(diào)整風(fēng)電調(diào)度計(jì)劃，同時(shí)要大規(guī)模開發(fā)利用風(fēng)電，必須準(zhǔn)確預(yù)測風(fēng)電，這也將有助于降低風(fēng)電成本并增強(qiáng)市場競爭力。風(fēng)功率預(yù)測尤為重要，也是關(guān)鍵部分。

常用的風(fēng)功率預(yù)測方法包括神經(jīng)網(wǎng)絡(luò)，時(shí)序分析，支持向量機(jī)等。A.Sfetsos[1]對持續(xù)法、自回歸模型（Autoregressive model， AR）、自回歸移動(dòng)平均模型（Autoregressive Integrated Moving Average model， ARIMA）、線性神經(jīng)網(wǎng)絡(luò)、深度置信網(wǎng)絡(luò)（Deep Belief Network， DBN）、反向傳播（Back Propagation， BP）神經(jīng)網(wǎng)絡(luò)、徑向基（Radial Basis Function， RBF）神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)（Extreme Learning Machine， ELM）、自適應(yīng)神經(jīng)模糊系統(tǒng)（Adaptive-Network-Based Fuzzy Inference System， ANFIS）、神經(jīng)邏輯網(wǎng)絡(luò)（Neural Logic Network， NLN）等多種方法在風(fēng)速預(yù)測中的應(yīng)用進(jìn)行了比較，驗(yàn)證了神經(jīng)網(wǎng)絡(luò)方法具有較強(qiáng)的非線性擬合能力、適應(yīng)性和自學(xué)習(xí)能力，相比傳統(tǒng)線性方法在復(fù)雜預(yù)測任務(wù)中具有極大優(yōu)勢。文獻(xiàn)[2]選取DBN神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)風(fēng)電爬坡預(yù)測，取得了理想的預(yù)測效果。

但神經(jīng)網(wǎng)絡(luò)方法對數(shù)據(jù)中隱式的趨勢信息很難做到準(zhǔn)確跟蹤，且受異常數(shù)據(jù)影響較大，因此需要輔以相應(yīng)的數(shù)據(jù)處理方法。Boubacar等人使用赫斯特系數(shù)（Hurst Exponent）篩選出高度可預(yù)測的信息，并與小波分解（Tavelet Transform， WT）和人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network， ANN）結(jié)合以預(yù)測風(fēng)速序列[3]。崔騰飛等[4]采用經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition， EMD）處理風(fēng)速數(shù)據(jù)，取得了較好的預(yù)測結(jié)果。文獻(xiàn)[5]分析對比了小波分解與奇異譜分析（Singular Spectrum Analysis， SSA）在神經(jīng)網(wǎng)絡(luò)預(yù)測任務(wù)上的表現(xiàn)，證明了SSA具有更優(yōu)的表現(xiàn)。

可見，結(jié)合奇異譜分析等方法的DBN網(wǎng)絡(luò)可以作為風(fēng)功率預(yù)測的方法，本文提出了一種基于數(shù)據(jù)驅(qū)動(dòng)的對風(fēng)電場風(fēng)功率數(shù)據(jù)建模方法。在此方法中，利用SSA，提高了建模效率和模型的優(yōu)化時(shí)間。并設(shè)計(jì)深度置信神經(jīng)網(wǎng)絡(luò)對風(fēng)功率數(shù)據(jù)進(jìn)行建模預(yù)測。為了驗(yàn)證本文提出的方法的有效性，設(shè)計(jì)基于實(shí)際風(fēng)功率數(shù)據(jù)的算法預(yù)測精度實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，本文提出的建模方法具有較高的泛化力、預(yù)測精度和建模效率。

2模型和方法

2.1 奇異譜分析

奇異譜分析是一種處理非線性時(shí)間序列數(shù)據(jù)的方法，通過對所要研究的時(shí)間序列的軌跡矩陣進(jìn)行分解、重構(gòu)等操作，提取出時(shí)間序列中的不同成分序列（長期趨勢，季節(jié)趨勢，噪聲等），從而進(jìn)行對時(shí)間序列進(jìn)行分析或去噪并用于其他一些任務(wù)[6]。奇異譜分析可分為如下的嵌入、奇異值分解、分組、重構(gòu)四個(gè)過程：

2.2 DBN神經(jīng)網(wǎng)絡(luò)

深度置信網(wǎng)絡(luò)由若干受限玻爾茲曼機(jī)（Restricted Boltzmann Machine， RBM）堆疊而成，是一種深度高效學(xué)習(xí)算法，能夠提取數(shù)據(jù)的深層次特征，常被用于非線性、高緯度的復(fù)雜數(shù)據(jù)問題的解決中。DBN的結(jié)構(gòu)模型如圖1 所示，其中輸入層包含歷史發(fā)電數(shù)據(jù)。圖2 中的DBN網(wǎng)絡(luò)由三層RBM 疊堆而成，單個(gè)RBM由一個(gè)可見層和一個(gè)隱含層構(gòu)成，層間神經(jīng)元全連接，層內(nèi)神經(jīng)元無連接。DBN的訓(xùn)練過程可以分為兩個(gè)階段，即預(yù)訓(xùn)練和反向微調(diào)。首先利用無監(jiān)督貪婪學(xué)習(xí)算法逐層訓(xùn)練網(wǎng)絡(luò)中每個(gè) RBM，數(shù)據(jù)特征信息逐層傳遞，實(shí)現(xiàn)網(wǎng)絡(luò)參數(shù)的初始化，確定初始的連接權(quán)重和神經(jīng)元置。之后采用反向傳播算法對預(yù)訓(xùn)練得到的初始權(quán)重進(jìn)行自上而下的微調(diào)，該過程進(jìn)行有監(jiān)督的訓(xùn)練，使模型收斂到最優(yōu)解，從而確定整個(gè)DBN網(wǎng)絡(luò)的結(jié)構(gòu)。

2.3 本文提出的方法

本文提出了一種基于SSA分解與DBN神經(jīng)網(wǎng)絡(luò)的短期風(fēng)功率預(yù)測方法，整體流程如圖2 所示。

所提算法具體分為以下三個(gè)階段：

①選取訓(xùn)練樣本，對實(shí)際風(fēng)電功率歷史數(shù)據(jù)進(jìn)行適當(dāng)預(yù)處理，濾除波動(dòng)劇烈的高頻信號，提取對風(fēng)功率起決定作用的低頻信號。

②利用SSA對步驟①中得到的低頻信號進(jìn)行進(jìn)一步分解，將風(fēng)功率歷史數(shù)據(jù)分解為具有不同規(guī)律的多個(gè)子序列，進(jìn)行歸一化處理后，對不同的分量采用不同的DBN網(wǎng)絡(luò)進(jìn)行預(yù)測。其中歸一化的公式為。輸入層數(shù)據(jù)均為當(dāng)前時(shí)刻值，輸出層均為下一時(shí)刻的風(fēng)電功率預(yù)測值，采用滾動(dòng)預(yù)測的方式持續(xù)通過當(dāng)前時(shí)刻的氣象及風(fēng)功率數(shù)據(jù)預(yù)測下一時(shí)刻的風(fēng)功率。

③將步驟②中各DBN神經(jīng)網(wǎng)絡(luò)的風(fēng)功率預(yù)測值 相加，反歸一化后即為最終預(yù)測值。其中反歸一化公 式為。

3實(shí)驗(yàn)結(jié)果及分析

3.1 數(shù)據(jù)來源及評價(jià)指標(biāo)

本文選用了華北某風(fēng)電場的1700余條氣象及風(fēng)功率數(shù)據(jù)，具體包括：風(fēng)速、風(fēng)向、溫度和風(fēng)機(jī)的有功功率。訓(xùn)練集、測試集按照7：3的比例劃分。所有試驗(yàn)均重復(fù)20次并取平均值以排除偶然因素干擾。

本文采用了三種誤差計(jì)算方式來評估不同模型的預(yù)測結(jié)果，分別為均方根誤差（RMSE）和平均絕對百分誤差（MAPE），其中 RMSE 提現(xiàn)預(yù)測結(jié)果的離散程度，MAPE 則反映了預(yù)測誤差的平均水平：

3.2 預(yù)測結(jié)果及誤差分析

本文基于經(jīng)驗(yàn)?zāi)B(tài)分解的DBN神經(jīng)網(wǎng)絡(luò)對風(fēng)功率進(jìn)行預(yù)測，并于其他四種常見的風(fēng)功率預(yù)測方法進(jìn)行對比。如圖3所示，藍(lán)色曲線為真實(shí)的風(fēng)功率數(shù)據(jù)，橙色曲線、綠色曲線、紅色曲線分別展示了本文提出的SSA-DBN神經(jīng)網(wǎng)絡(luò)、傳統(tǒng)的EMD-DBN神經(jīng)網(wǎng)絡(luò)以及經(jīng)典DBN神經(jīng)網(wǎng)絡(luò)的風(fēng)功率預(yù)測結(jié)果，顯然本文提出的SSA-DBN方法無論預(yù)測精確度還是波動(dòng)程度都明顯低于其他方法，具有理想的預(yù)測精度。這是因?yàn)槠娈愖V分析可以根據(jù)所觀測到的時(shí)間序列構(gòu)造出軌跡矩陣，并對軌跡矩陣進(jìn)行分解、重構(gòu)，從而提取出代表原時(shí)間序列不同成分的信號，如長期趨勢信號、周期信號、噪聲信號等。相應(yīng)的，傳統(tǒng)的信號分析方法如經(jīng)驗(yàn)?zāi)B(tài)分解，其分解得到的分量并不具備實(shí)際物理意義，其固有的模態(tài)混疊現(xiàn)象也對后續(xù)的預(yù)測任務(wù)帶來了極大挑戰(zhàn)。此外，圖3中紫色曲線、棕色曲線分別表示了SSA-MLP神經(jīng)網(wǎng)絡(luò)以及經(jīng)典MLP神經(jīng)網(wǎng)絡(luò)的風(fēng)功率預(yù)測結(jié)果。經(jīng)交叉對比，結(jié)論如下：（1）SSA相較傳統(tǒng)的EMD方法可以更有效地提取風(fēng)功率數(shù)據(jù)中隱含的信息，對提高風(fēng)功率預(yù)測任務(wù)的精確性起到了很大幫助。（2）DBN神經(jīng)網(wǎng)絡(luò)相較MLP神經(jīng)網(wǎng)絡(luò)在風(fēng)功率預(yù)測任務(wù)上具有明顯優(yōu)勢。

本文所驗(yàn)證的全部五種方法的風(fēng)功率預(yù)測誤差列舉在表1中。

4 結(jié)語

提高風(fēng)電功率預(yù)測精確度對電力系統(tǒng)調(diào)度和提高電能輸出質(zhì)量方面占據(jù)重要地位，提高風(fēng)電功率預(yù)測精確度仍是未來的研究重點(diǎn)和熱點(diǎn)。本文提出了一種基于奇異值分析和深度置信網(wǎng)絡(luò)的風(fēng)功率短期預(yù)測模型。利用SSA對原始風(fēng)功率序列進(jìn)行分解，獲取具有不同特征和規(guī)律的分量，考慮風(fēng)速、風(fēng)向等氣象因素，結(jié)合DBN對非線性信號處理能力強(qiáng)的優(yōu)勢對風(fēng)功率進(jìn)行預(yù)測。經(jīng)過與其他同類算法的交叉對比，突出了本文提出方法的預(yù)測精確度更高、實(shí)時(shí)性更好。由于本文數(shù)據(jù)仿真量較小，存在一定的局限性，未來進(jìn)一步的研究可基于大數(shù)據(jù)和地理信息等因素來進(jìn)一步提高預(yù)測的精確度。

參考文獻(xiàn)：

[1]A.Sfetsos， A Novel Approach for the Forecasting of the Mean Hourly Wind Speed Time Series， Renewable Energy， Vol.27， No.2， 2002， 163-174.

[2]唐振浩，孟慶煜，曹生現(xiàn)，李揚(yáng)，牟中華，龐曉婭.基于小波深度置信網(wǎng)絡(luò)的風(fēng)電爬坡預(yù)測方法[J].太陽能學(xué)報(bào)，2019，40（11）：3213-3220.

[3]Doucoure B， Agbossou K， Cardenas A.Time series prediction using artificial wavelet neural network and multi-resolution analysis： Application to wind speed data[J].Renewable Energy， 2016， 92： 202-211.

[4]勾海芝，趙征，夏子涵.基于經(jīng)驗(yàn)?zāi)Ｊ椒纸獾纳窠?jīng)網(wǎng)絡(luò)組合風(fēng)速預(yù)測研究[J].電力科學(xué)與工程，2017，33（10）：62-67.

[5]崔騰飛，姬現(xiàn)磊，丁鵬文.基于小波分析與奇異譜分析的RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測[J].測繪與空間地理信息，2020，43（06）：44-47.

[6]王鑫，吳際，劉超，牛文生，張華，張奎.奇異譜分析在故障時(shí)間序列分析中的應(yīng)用[J].北京航空航天大學(xué)學(xué)報(bào)，2016，42（11）： 2321-2331.