人工智能在風電功率預測領(lǐng)域中的應用與展望

國電南瑞科技股份有限公司深圳分公司 熊 歡 王 坤 杜業(yè)冬 黃東晨

本文介紹了人工智能相關(guān)的人工神經(jīng)網(wǎng)絡(luò)、支持向量機、循環(huán)神經(jīng)網(wǎng)絡(luò)等模型在風電功率預測領(lǐng)域中的應用。結(jié)合國內(nèi)外學者的相關(guān)研究工作，介紹了各模型的特色以及不足之處。然后，對未來的技術(shù)發(fā)展進行了展望，介紹了遷移學習和增量學習兩種有潛力的人工智能算法。最后，本文指出人工智能技術(shù)要在風電功率預測領(lǐng)域中實習真正落地，需要對待預測的風電場做精細化的數(shù)據(jù)分析工作，并進行針對性建模。

世界經(jīng)濟的迅猛發(fā)展促進了能源利用方式的變革，綠色能源逐漸興起。作為綠色的可再生能源，風力發(fā)電具有不可估量的商業(yè)化發(fā)展前景，對相關(guān)預測技術(shù)的研究也顯得更加重要。然而，風資源的隨機性、波動性和間歇性，給電力系統(tǒng)的穩(wěn)定運行帶來了極大的困擾與挑戰(zhàn)，傳統(tǒng)的風電功率預測技術(shù)已不足以解決上述問題。為此，亟需引入前沿的人工智能技術(shù)。人工智能是計算機科學的一個分支，致力于研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術(shù)及應用系統(tǒng)。近年來，與人工智能相關(guān)的機器學習、深度學習等技術(shù)的迅猛發(fā)展為高精度風電功率預測技術(shù)的研究和落地提供了新的思路，帶來了新的發(fā)展機遇。

1 人工智能在風電功率預測領(lǐng)域的應用

1.1 機器學習

機器學習是人工智能技術(shù)的核心研究方向，能夠從有限的觀測數(shù)據(jù)中自動學習出具有一般性的規(guī)律，并利用這些學到的規(guī)律對未知數(shù)據(jù)進行預測。當前較為主流的機器學習模型包括人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network， ANN)、支持向量機(Support Vector Machine，SVM)等。

1.1.1 人工神經(jīng)網(wǎng)絡(luò)

ANN是由大量簡單單元通過豐富和完善的連接而構(gòu)成的高度非線性、自適應的網(wǎng)絡(luò)，被用來模擬生物神經(jīng)系統(tǒng)對真實世界物體的交互反應。與傳統(tǒng)方法相比，ANN以其靈活的網(wǎng)絡(luò)結(jié)構(gòu)、更強的特征提取能力以及出色的非線性擬合能力成為風電功率預測領(lǐng)域的熱門方法，當中以反向傳播(Back propagation，BP)神經(jīng)網(wǎng)絡(luò)最為典型。范高鋒等人介紹了基于數(shù)值天氣預報的BP神經(jīng)網(wǎng)絡(luò)架構(gòu)，該架構(gòu)成功地將預測精度控制15%左右。為精簡輸入變量，周松林等人在訓練BP神經(jīng)網(wǎng)絡(luò)前先利用主成分分析(Principle Component Analysis，PCA)法對原始數(shù)據(jù)進行了降維，從而降低了模型的復雜性，減少計算開銷。然而，由于風能具有間歇性和隨機性等特點以及風機輸出功率受多種外部因素的影響，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)風電功率預測方法面臨容易過擬合、收斂速度慢、容易陷入局部極小值等諸多問題。

1.1.2 支持向量機

SVM是一種以統(tǒng)計學理論為基礎(chǔ)構(gòu)建的機器學習算法。它具備優(yōu)異的泛化性能，十分適合處理小樣本問題。與ANN相比，它結(jié)構(gòu)參數(shù)確定簡單，也沒有容易陷入局部極小值的問題，同時還克服了維數(shù)災難等問題。王爽心等人將灰色預測算法與小世界化的SVM結(jié)合，對風電功率進行變權(quán)組合預測；李智等人則利用SVM選取回歸函數(shù)，采用分位點回歸技術(shù)預測風電功率波動區(qū)間。

1.2 深度學習

深度學習是從數(shù)據(jù)中學習表示的一種新方法，通過逐層堆疊，構(gòu)建具有一定“深度”的模型，并通過學習算法讓模型自動學習出深度的、本質(zhì)的特征表示。深度學習近年來也被大量應用與風電功率預測領(lǐng)域中。其中，循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）和卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）為當今最典型的兩種深度學習模型。

1.2.1 循環(huán)神經(jīng)網(wǎng)絡(luò)

在很多應用場合中，網(wǎng)絡(luò)的輸入和當前時間的輸入以及前期某些時刻的輸出均存在一定程度的相關(guān)性。RNN是一類具有短期記憶能力的神經(jīng)網(wǎng)絡(luò)。它能夠挖掘時間序列隱含的時序相關(guān)性，以便更充分地利用歷史信息進行時間序列建模。然而，簡單RNN存在模型訓練相關(guān)的梯度消失或爆炸問題，長短期記憶(long short-term memory，LSTM)神經(jīng)網(wǎng)絡(luò)作為RNN的改進，能夠通過自身特殊的結(jié)構(gòu)設(shè)計，有效解決上述問題，從而真正有效地利用歷史序列信息。目前，LSTM已經(jīng)在自然語言處理、行為識別等諸多前沿領(lǐng)域中得到了廣泛研究和應用。近年來，也有研究者將LSTM應用于風電功率預測領(lǐng)域中。QU Xiaoyun等人將PCA用于對風電功率預測相關(guān)輸入進行降維，隨后使用LSTM神經(jīng)網(wǎng)絡(luò)進行預測，具有一定的效果。GRU是LSTM的一種變體，相較LSTM，它的結(jié)構(gòu)更加精簡，參數(shù)較少因而能夠更快收斂。Niu Z等人使用了GRU作為風電功率預測模型，并引入注意力機制，使得模型能夠更加關(guān)注時間序列信息中更加關(guān)鍵的信息，提高預測精度。

1.2.2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是一種深層前饋神經(jīng)網(wǎng)絡(luò)，具有局部連接、權(quán)重共享及匯聚的特性。卷積神經(jīng)網(wǎng)絡(luò)相較傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)參數(shù)更少，從而更易于學習。通過卷積神經(jīng)網(wǎng)絡(luò)，能夠從原始數(shù)據(jù)中挖掘出本質(zhì)的、高階的特征。牛哲文、殷豪等人在神經(jīng)網(wǎng)絡(luò)模型的設(shè)計中均引入了一維CNN，這種做法使得模型能夠抽取時間序列信息中最具精華、最有利用價值的信息，有助于提升模型的預測能力。黃睿等人則采用了一種更新的CNN——時間卷積神經(jīng)網(wǎng)絡(luò)(Temporal Convolution NetworksTCN)，獲得了理想的預測效果。TCN相較傳統(tǒng)CNN而言，針對時間序列問題進行了改進。其特有的因果空洞卷積在保證了模型因果性，在避免未來到過去的數(shù)據(jù)泄露的同時也能夠增加感受野。此外，TCN還具有可并行處理、穩(wěn)定的梯度以及更低的內(nèi)存開銷等優(yōu)點。

2 未來技術(shù)展望

2.1 遷移學習

遷移學習是運用已有知識解決相似任務的一種新的機器學習方法，是一項潛力巨大的人工智能技術(shù)。當前電力系統(tǒng)中存在一些新建風電場，由于投入運營時間較短，缺乏足夠的歷史運行數(shù)據(jù)作為模型的訓練數(shù)據(jù)。若此時能夠通過使用遷移學習，將已投入較長時間的風電場訓練模型直接遷移用于新建風電場的風電功率預測中，上述歷史運行數(shù)據(jù)不足的問題將能夠得到很好的解決。

2.2 增量學習

在一些具有實時性要求的風電功率預測場景中，在線建模能夠方便模型利用到最近一段時間的數(shù)據(jù)，從而確保模型的時效性。然而，若在模型訓練階段對所有歷史數(shù)據(jù)進行加載，將有可能帶來巨大的計算開銷，影響建模的效率。在風電功率預測領(lǐng)域中，增量學習算法能夠做到在前期先利用部分歷史搭建基礎(chǔ)預測模型。在后期有新訓練數(shù)據(jù)到來時，僅使用這些數(shù)據(jù)更新模型，從而滿足在線建模的實時性需求。

結(jié)語：近年來，人工智能的發(fā)展日新月異，而相關(guān)新技術(shù)的引進也使得當今的風電功率預測的研究思路相較以往更加豐富和新穎。然而，目前發(fā)表的許多研究成果要實現(xiàn)真正落地，還有很長一段路要走。在風電功率預測相關(guān)的實際應用中，位置氣候條件、風電場布局、地形地貌等因素導致了不同風電場擁有的數(shù)據(jù)基礎(chǔ)不同。目前，很難找到一種適用于多個風電場的風電功率預測模型。在預測一個風電場的發(fā)電功率時，做一些精細化的數(shù)據(jù)分析工作，有針對性地構(gòu)建合適的模型，是提高預測精度的一大關(guān)鍵途徑。