用于短期風功率預測的歷史數據深度遷移模型

彭 飛，賁 馳，馬 煜，吳 奕，安豐強，陳志奎

(1. 國家電網公司 東北分部，沈陽 110180；2. 大連理工大學 軟件學院，大連 116620)

全球化石燃料短缺日益嚴重，帶來嚴重的環境污染和溫室效應問題，世界各國都愈發重視新能源和可再生能源的開發與利用。中國“綠水青山就是金山銀山”的重要發展理念，也要求使用更多清潔能源，注重保護環境的同時進行可持續發展。風能是被廣泛使用的清潔能源之一，其蘊量巨大，開發潛力高。風力發電作為風能的主要利用形式之一，以風電為首的可再生能源產業已經成為“一帶一路”的發展中堅力量[1]。大規模利用風能轉化為電能時，需要對風電功率進行預測，保證電網的可靠性和穩定性。風電功率預測是風電場大規模并網所必不可少的關鍵環節，能為發電、調度、檢修等提供有效依據，準確的預測結果將大大減輕風電并網給電網帶來的調峰壓力，減小對電網的沖擊，保證電網安全運行。同時，根據預測結果將風機的維護和檢修安排在無效風時段，有利于降低風機損壞概率，減少維修費用，確保在有效風來臨時風電機組能正常發電，使風能得到充分利用，提高風電場的經濟效益[2]。因此，研究改進風電功率的預測方法和技術，提高風功率的預測精度，對風能的大規模利用和風電企業利潤的提高，具有重要意義。

隨著計算機技術的發展，基于大數據技術的深度學習將為風電企業帶來更大的利潤增長空間。根據歷史風電功率數據等變量，用深度神經網絡建模，利用大數據預測風功率，充分考慮各種影響因素的情況，借助深度神經網絡的數據處理能力，使風電功率的預測更加精準。通過大數據技術手段給予合理的數據挖掘與分析，有利于風電場的經營管理者充分了解、掌握風場的風機運行狀況，及時對風機進行維護，減少風場運營成本，改善風電性能，為風電調度安排提供更科學的依據，降低后備電站的建設成本，間接降低對環境的污染。

現有方法往往停留在直接應用現有數據建模預測，欠缺對歷史數據間隱含特征和邏輯關系的考慮。單純從一臺風機、一處電網，或一個地區的角度出發，將歷史數據獨立作為風功率預測的判斷依據，忽略彼此之間的聯系，導致數據割裂，模型不能最恰當的利用數據價值。深度遷移學習可以用于遷移現有的經驗和知識，將具有相似特征的數據聯結起來，共同建立更準確的模型。顯然，相同電網內的風機在同一天受風力影響轉換成的風功率應該是接近的，甚至相同風場內的地區數據間也應該存在聯系。使用深度遷移方法，從具有相近地理位置等共性的風場中獲取重要信息，可有效遷移具有相近特征歷史數據中的重要知識，同時克服采集中數據缺失和噪聲引起的數據異常，訓練更可靠的模型。因此，基于歷史數據的深度遷移風功率預測，有助于進一步促進風電機組日常運維管理的標準化和專業化，促使風場運維流程發生根本性變化，實現智慧風能的美好愿景。

綜上所述，使用大數據深度學習方法對風功率預測任務進行建模，根據對風電場中每臺風機進行運維監控獲得的實時運行數據和歷史數據，對風功率進行短期預測。針對傳統方法單純使用一地歷史數據導致結果片面的問題，采用深度遷移學習，從具有相似特征和相近地理位置的數據中學習重要信息，從而獲得準確率更高的可靠模型。

1 相關工作

1.1 風功率預測技術

風電場功率預測是指對未來一段時間內風電場所能輸出的功率大小進行預測，其預測結果可以作為電網安排調度計劃的主要依據之一。兩種典型的預測方式根據是否使用數值氣象預報(NWP, numerical weather prediction)進行分類，因NWP經常不可用或不足，常使用數據驅動建模，即基于歷史數據的功率預測[3]。風電功率預測方法還能分為物理方法，統計方法和組合方法[4]，物理方法不需要大量歷史數據，但要結合風電場地理環境才能完成。統計方法與物理方法的主要區別是不建立物理模型，僅根據風電場歷史運營數據，建立歷史數據中的參數和風電場功率輸出之間的映射關系，通過尋找海量歷史數據中的變化規律建立統計模型。已知的統計模型有兩大類，一種是持續性算法、ARIMA(autoregressive integrated moving average)算法、卡爾曼濾波法等傳統模型[5-6]，另一種是神經網絡、支持向量機等深度模型[7-8]，隨著大數據技術的發展，越來越多的研究者將深度方法應用于工作中。基于深度模型的統計方法對歷史數據的數量和質量要求都比較高，一旦數據缺失或數據不準確，建立的模型精度會受到很大的影響。

1.2 基于深度學習的風功率預測

國內風電場在運營過程中積累了大量寶貴的歷史數據，這為深度學習在風電場功率預測中的應用提供了基礎。在風電場功率預測的應用中，BP神經網絡(BPNN)因其較強的非線性擬合能力受到研究者的青睞。文獻[9]將改進BP神經網絡應用于風電場功率預測，針對不同的風資源情況分別建立低頻和高頻模型進行預測，取得了較好表現。文獻[10]基于小波變換和BPNN，在時序風電功率預測中對風電場歷史功率進行了小波分解，在各分量上分別建立BP神經網絡模型，但該方法對數值氣象預報的空間分辨率要求高，僅適用于規模較小的風電場。文獻[11]結合卷積神經網絡和門控循環單元(GRU, gatedrecurrent unit)對多變量時間序列進行動態時間建模，進行超短期風電預測。文獻[12-13]將卡爾曼濾波法與神經網絡預測模型結合，建立人工神經網絡進行滾動預測，有效提高預測的精度。文獻[14]使用改進的差分算法優化神經網絡，對小波包分解后的子序列進行預測疊加，得到預測結果。然而，以上方法都單純使用來自某個單獨模態的歷史數據，沒有考慮具有相似潛在特征的數據間聯系，導致結果相對片面，模型對數據的利用不夠充分。

1.3 深度遷移學習

深度遷移學習用于將知識和經驗從源域遷移到目標域。眾所周知，深度遷移學習可以提取原始數據的高級表示，復用共享知識，根據目標任務更新學習模型[15-16]。由數據豐富的域訓練的深度神經網絡來提取風速模式，再用目標域數據精細地調整映射，可以通過訓練有素的模型將信息從電場間傳遞，顯著提高預測的準確性。對于一些新建的風電場，沒有足夠的歷史數據來訓練一個準確的模型，而一些較老的風電場可能有長期的風速記錄。一個問題是，由來自舊的電場的數據訓練的模型是否也適用于新建電場，已有研究針對該問題，使用深度遷移學習優化風功率預測模型[17]。當前研究和使用的模型依然存在的問題包括：1)僅使用單模態的數據建模，沒有考慮從相關的歷史數據中獲得知識；2)訓練數據經常存在缺失和異常值，難以訓練性能優秀的有效模型。使用深度遷移學習，有助于全面考慮具有相似特征的數據，克服異常數據的影響，從而獲得可靠性和精度更高的模型。因此，研究使用深度遷移學習進行建模，研究基于歷史數據深度遷移的風功率預測模型。

2 基于歷史數據深度遷移的風功率預測模型

2.1 數據收集

筆者使用東北電場的歷史風功率數據進行建模，并且使用深度遷移學習方法，建立風場彼此間的隱含聯系，實現不同電場歷史數據間的信息互補，進而排除缺失數據和異常數據的影響，訓練更加可靠的模型。電力系統中，96點數據具有代表性，一般作為記錄標準和風功率預測的依據。一天中每15 min記錄一次數據，每日記錄一條數據，形成歷史風功率數據的時序表格。

使用東北電場的歷史風功率數據來自三省一區：即遼寧省、吉林省、黑龍江省和蒙東地區；數據來源是國家電網公司東北分部采集的真實歷史風功率數據，包括從2016至2018年，以及2019年上半年的完整數據。記錄的風功率內容按地區分為東北、遼寧、吉林、黑龍江、蒙東，以及東北直調。其中，東北地區的值等于遼寧、吉林、黑龍江和蒙東的總功率之和，這可以用來排除異常數據和缺失數據，同時用東北地區的整體趨勢訓練的模型趨勢應該與其組成部分一致或相似，便于使用深度遷移方法。東北直調的理論值是蒙東地區除去呼倫貝爾的220 kV以上的風電場的功率，在同一天內，其趨勢應該和蒙東地區類似，同樣可以起到輔助域的作用。

2.2 共享隱藏層的深度遷移模型

深度學習解決了深度網絡非凸目標函數的局部最優問題，網絡內大量的隱藏單元、更好的學習算法和參數初始化技術，促成了深度學習方法的成功。而深層架構在高層的抽象表示，為知識在深度模型間遷移提供了理論上的基礎。源域和目標域之間隱含的相似特征和聯系使得在域與域之間進行深度遷移傳遞知識成為可能。在基于歷史數據的風功率短期預測中，將使用東北地區總功率訓練的模型作為源域，以此為基準，將整體歷史趨勢中的信息分別遷移到4個目標域；后者分別對應遼寧、吉林、黑龍江和蒙東的歷史數據趨勢情況，通過相互之間的對照進一步保證模型精度，抑制數據采集中的缺失和異常值。另外，依照其包含關系，將東北直調的數據作為源域，蒙東數據作為目標域，用于輔助蒙東區域風功率預測模型的建立。

模型的整體架構如圖1所示。在這個架構中，輸入層和隱藏層在所有的風電場中共享，經過相同的特征轉換從而提取最具有代表性的特征。與此同時，各個地區歷史數據的輸出層不是共享的，而是彼此獨立的。每個風場的數據都有自己的輸出層，因為它們的數據分布情況和功率歷史趨勢顯然會與其他風場不同。這是一種將通用特征轉移到每個數據集的知識轉移。該模型的結構使其可以使用并行的訓練策略，這比傳統的順序訓練模式更加優越。

圖1 深度遷移模型整體架構Fig. 1 The architecture of the deep transfer learning model

基于深度網絡的學習和訓練過程通過迭代地調整權值完成。網絡模型由輸入數據信息的正向傳遞以及誤差分析信息的逆向傳遞2部分構成，在訓練過程中，以上2個過程將會反復循環進行，直至達到約定的最大迭代次數或者數據的誤差評估降低到可以接受的范圍后，即完成訓練。訓練完成之后，深度神經網絡模型便具備了自我學習能力。再輸入未曾參與訓練的真實歷史數據時，神經網絡已經具備了適應環境和學習新知識的能力，所以也能夠給出預期的合理輸出值。經過一定程度的數據集訓練，神經網絡能夠具有自我學習和對相同數據模型的適應能力。由于使用了深度遷移學習的思想合理地從源域中獲取知識，可以使得到的網絡具有更加強大的性能。

在模型構造方面，使用帶降噪處理的自動編碼機。深度自動編碼機是一種特殊類型的深度神經網絡，其輸出具有與輸入相同尺寸。傳統的自動編碼機是一種無監督學習算法，它通過一種確定性的變換將輸入的χ∈[0,1]d轉換為γ的隱含表示y∈[0,1]d′,該變換定義為

γ=fα(χ)=S(Wχ+b)，

(1)

式中：S代表非線性變換，一般使用sigmoid函數；參數集α={W,b},W是d×d維的矩陣；b是矩陣的偏置向量。通過類似的變換，γ的隱含表示被重新解碼為與χ形狀相同的重構Z∈[0,1]d。Z可以被看成對χ的預測。為了獲得精度盡可能高的模型，需要最小化Z和χ之間的差距。

(2)

圖2 基于深度遷移的預測過程Fig. 2 Process of deep neural network transfer prediction

3 實驗及分析

對提出的模型的有效性進行驗證。實驗配置如下：實驗全部在Dell R740服務器上運行，使用顯卡進行GPU運算，配置為2.1 GHz-8cores-16threads NVIDIA Tesla M60 128 G。

實驗中使用的數據全部來自東北電網收集的真實數據，包括2016～2018年的全年數據以及2019年上半年的數據。一天中每15 min記錄一次數據，共96點數據具有代表性；每日記錄一條數據，由此形成歷史風功率數據的時序表格，全年共365條數據。在對原始數據進行清洗和預處理，對缺失值和異常值進行對應處理后，可以得到每日風功率的整體趨勢圖如圖3所示。

圖3 每日風功率整體趨勢Fig. 3 The overall trend of daily wind power

通過對真實歷史數據趨勢的分析，發現并證實了風場歷史數據與地理位置間存在的隱含聯系，為使用深度遷移學習方法跨域學習歷史數據中的重要知識提供了重要理論基礎：1)原始數據中東北地區的總功率等于遼寧、吉林、黑龍江和蒙東之和，且風場地理位置接近，存在包含關系，因此，將東北地區整體歷史趨勢中的信息分別遷移到4個目標域，分別對應遼寧、吉林、黑龍江和蒙東的數據趨勢情況，通過遷移源域內隱含的不同地區所需的特征信息，提高目標域模型的預測精確度。2)由于受相同季風氣候影響，地理位置接近的風場之間具有一定的相似程度。實驗中嘗試使用這一特點，使用地理位置接近的黑龍江和吉林的歷史數據進行源域到目標域的知識遷移，并觀察其對結果的影響。具體的，使用吉林的數據輔助東北數據共同作為源域，訓練黑龍江的預測模型。3)東北直調的理論值是蒙東地區除去呼倫貝爾的220 kV以上的風電場的功率，在同一天內，其趨勢應該和蒙東地區類似，可以使用數據量較多的東北直調風場作為源域，輔助目標蒙東地區歷史數據模型的建立。具體的遷移設計如表1所示。

與此同時，還根據歷史數據分析了一年中功率的整體趨勢，用于提供輔助信息，對模型的準確性進行優化，有效地排除異常值。如圖4所示，在同一年中，各地子電場的功率情況應當符合整體的變化趨勢。結合全年歷史數據作為輔助，使得訓練的模型能夠更好地擬合數據趨勢，排除離群點和異常數據的影響，有效地對短期功率進行模擬。

圖4 一年中風功率的整體趨勢Fig. 4 The overall trend of annual wind power

根據可能存在的潛在聯系分別選擇源域和目標域設置多組實驗，分別對模型進行訓練。并且選擇現有的真實數據進行仿真實驗，比較預測值和真實值之間的差異。通常采用均方根誤差對風功率預測誤差進行評估。均方根誤差(RMSE，root mean squared error)由偏差和誤差的方差組成，后者又包括幅度誤差和相位誤差，其定義為

(3)

式中：e代表預測誤差；由預測值xp和實際值xm的差值求得；n是預測點的總數量。

深度遷移方法使用來自選定源域的歷史數據輔助模型訓練，相應的，對比方法只使用屬于自己電場的歷史數據進行訓練。在建模預測中，隨機選擇質量較高的數據，選擇某風電場內1～2個月內的數據進行短期預測，與真實值和直接訓練的模型對比，分析最終結果。實驗結果如下表1所示。

表1 遷移設計及實驗結果

實驗表明設計的模型可以有效地實現基于歷史數據的短期風功率預測，平均誤差率在10%以下，可以滿足實際應用中的要求，并且優于傳統非遷移方法。

4 結束語

針對短期風功率預測中現有方法往往僅使用自己域內的歷史數據，導致結果片面，局限性大，未能有效抑制原始數據缺失或異常值引起的模型性能下降等挑戰，設計了一種基于歷史數據深度遷移的短期風功率預測方法，使用帶降噪處理的自動編碼機構建深度神經網絡模型，應用深度遷移方法共享隱藏層，從具有相似特征和地理位置的風場數據中遷移重要知識，提高模型的準確率和可靠性。實驗結果表明，研究方法更能充分利用現有的歷史數據，預測的準確率顯著提高。