風(fēng)電功率預(yù)測在油田分布式風(fēng)電建設(shè)中的效用研討

鄧凡良

中國石油集團(tuán)電能有限公司

大慶油田風(fēng)能資源豐富，油田電網(wǎng)分布廣闊，因油氣開發(fā)的固有特點，電網(wǎng)及用電負(fù)荷分布較為分散，按照國家清潔低碳能源體系的戰(zhàn)略方向以及油田生產(chǎn)用能清潔能源替代工作方向，適合在產(chǎn)能區(qū)塊內(nèi)建設(shè)分布式風(fēng)電機(jī)組，實現(xiàn)新能源就地發(fā)電就近消納，以優(yōu)化用能結(jié)構(gòu)。油田電網(wǎng)的上級供電網(wǎng)為國網(wǎng)公司電網(wǎng)，最大限度實現(xiàn)就地消納并避免向國網(wǎng)公司電網(wǎng)反送電是重要管理指標(biāo)之一。

風(fēng)電受季節(jié)天氣、隨機(jī)性風(fēng)速影響，導(dǎo)致風(fēng)力發(fā)電過程具有不確定性[1]，因此，準(zhǔn)確有效地預(yù)測風(fēng)電功率對充分利用風(fēng)能資源、優(yōu)化設(shè)置風(fēng)電機(jī)組容量，提高管理水平非常重要。風(fēng)電領(lǐng)域?qū)τ诙唐陲L(fēng)電功率預(yù)測，目前經(jīng)常使用的方法是將各種模型根據(jù)權(quán)重等進(jìn)行組合預(yù)測。文獻(xiàn)[2]利用廣義回歸神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機(jī)組合預(yù)測模型，組合預(yù)測誤差明顯小于單模型的誤差。文獻(xiàn)[3-4]使界小波函數(shù)將原始數(shù)據(jù)分解為不同尺度的周期分量，再使用時間序列對各個周期分量建模，最后將各個分量的預(yù)測值重構(gòu)從而完成風(fēng)速預(yù)測。風(fēng)電功率預(yù)測模型是一種復(fù)雜系統(tǒng)，傳統(tǒng)預(yù)測算法無法準(zhǔn)確對其變化規(guī)律進(jìn)行預(yù)測。在考慮大慶地區(qū)歷史風(fēng)速、風(fēng)向、相對濕度等因素的前提下，提出了一種基于CEEMDAN-TCN 的風(fēng)電功率預(yù)測方法。通過對樣本分解，找出數(shù)據(jù)的內(nèi)在聯(lián)系，并通過TCN 得到各分解數(shù)據(jù)對應(yīng)的預(yù)測值，最后各預(yù)測結(jié)果通過線性求和，獲得最終的預(yù)測值并達(dá)到較為精確的功率預(yù)測目的。

1 數(shù)據(jù)預(yù)處理

1.1 油田地域輸入向量構(gòu)成

油田產(chǎn)能建設(shè)區(qū)塊地處松花江沖擊平原腹地，地勢開闊平坦，對應(yīng)建立的風(fēng)電場地形簡單，地貌相似，地表粗糙度基本一致，風(fēng)電場地理因素風(fēng)況相對固定。輸入變量為風(fēng)速（HWS）、風(fēng)向（HWD）、濕度（RH）、溫度（HTEM）、壓強(qiáng)（HP）、空氣密度（HDEN）[5-6]。

1.2 向量歸一化

一般風(fēng)電數(shù)據(jù)具有多個特征維度，它們之間的量綱也可能會表現(xiàn)出較大差異。故需要將數(shù)據(jù)通過歸一化處理，消除不同特征值之間的差異，訓(xùn)練數(shù)據(jù)之間的本質(zhì)關(guān)系。

歸一化公式為

式中：X為數(shù)據(jù)歸一化后值，量綱為1；x為數(shù)據(jù)歸一化前值，量綱為某維度所對應(yīng)的量綱。

2 風(fēng)電功率預(yù)測模型

2.1 CEEMDAN 分解原理

CEEMDAN 算法避免了不必要的重構(gòu)誤差，使不同信號加噪聲出現(xiàn)不同模式數(shù)量的問題得到了解決，加噪聲去除較為干凈。算法步驟如下：

（1）原始序列信號x(t)加入I 組高斯白噪聲信號，得到x(i)(t)=x(t)+β0w(i)，通過經(jīng)驗?zāi)B(tài)分解（Empirical Mode Decomposition，EMD），分解計算局部均值，得到第1 組內(nèi)涵模態(tài)分量（Intrinsic Mode Functions，IMF）d1和殘差r1。

（2）通過 EMD 獲得第一個模態(tài)r1+β1E1(w(i))，i=1，…，I，進(jìn)而確定 CEEMDANDE 的第2 個模態(tài)分量。

（3）對于k=2，…，K，計算第k個殘差

（4）繼續(xù)通過 EMD 獲取信號rk+βkEk(w(i))，i=1，…，I的第一個模態(tài)，定義第k+1 個CEEMDANDE 的模態(tài)為

（5）返回步驟（3）重復(fù)執(zhí)行，直到所獲得的余量不能再進(jìn)行EMD 分解為止。（1）～（5）中的物理量的量綱均為1。

2.2 時間卷積網(wǎng)絡(luò)原理

BAI S 等人提出時間卷積網(wǎng)絡(luò)（Temporal Convolutional Network，TCN）的概念[7]，ZHANG K 提出將時間卷積網(wǎng)絡(luò)用于熱負(fù)荷預(yù)測，性能表現(xiàn)優(yōu)秀[8]；GAN Z H 提出一種基于時間卷積網(wǎng)絡(luò)新的風(fēng)速區(qū)間預(yù)測模型[9]，結(jié)果表明預(yù)測效果較好。基于以上應(yīng)用的啟發(fā)，將TCN 用于風(fēng)電功率的預(yù)測。

TCN 網(wǎng)絡(luò)是因果卷積、膨脹卷積、殘差網(wǎng)絡(luò)及全卷積網(wǎng)絡(luò)的組合。能夠更好地接收比較長的序列，且在每層之間能夠不遺漏信息。因果卷積的加入是為了處理時間序列，只對當(dāng)前及其前一刻元素進(jìn)行卷積操作；膨脹卷積是為了擴(kuò)大感受野，提升預(yù)測精度；殘差網(wǎng)絡(luò)在提升網(wǎng)絡(luò)性能的同時又避免了網(wǎng)絡(luò)退化問題和梯度消失問題。

3 算例分析

3.1 實驗評價指標(biāo)

為檢驗?zāi)Ｐ偷膬?yōu)劣，需要評估模型的預(yù)測效果。選取均方根誤差（Root Mean Square Error，RMSE）、平均絕對誤差（Mean Absolute Error，MAE）作為評價標(biāo)準(zhǔn)[10]。具體計算公式為

式中：m為數(shù)據(jù)總數(shù)；為對第i個數(shù)據(jù)的預(yù)測值，m/s；yi表示第i個數(shù)據(jù)的觀測值；eRMSE為均方根誤差，m/s；eMAE為平均絕對誤差，m/s。

3.2 算例仿真

本文采用的數(shù)據(jù)源自大慶油田臨近省份某風(fēng)電場，待油田電網(wǎng)測風(fēng)數(shù)據(jù)進(jìn)一步完善后可套用計算。采樣周期為15 min，采樣時長共91 天，其中將前90 天數(shù)據(jù)劃分為訓(xùn)練集。訓(xùn)練epoch 設(shè)置為300，批大小為16，激活函數(shù)使用sigmoid。

如圖1 所示，與original（原始預(yù)測）曲線對比，三種預(yù)測模型基本上都能反映功率變化的趨勢和規(guī)律，但BPNN 和TCN 在功率變化劇烈的地方有較大的誤差，不能及時實現(xiàn)很好的跟隨。對比前兩種預(yù)測模型，本文所提出的算法在功率變化劇烈的區(qū)間有較好的效果，誤差要小于前兩種。

圖1 三種風(fēng)電功率預(yù)測結(jié)果對比Fig.1 Comparison of three types of wind power prediction results

CEEMDAN-TCN 預(yù)測方法得到的eRMSE、eMAE明顯小于BPNN 和TCN 網(wǎng)絡(luò)，能夠提高預(yù)測精度（表1）。

表1 三種預(yù)測模型誤差分析Tab.1 Error analysis of three prediction models

4 應(yīng)用效果預(yù)測

油田電網(wǎng)分布式風(fēng)力發(fā)電接入35 kV 及以下配電網(wǎng)運(yùn)行，油氣生產(chǎn)設(shè)施具有生產(chǎn)負(fù)荷連續(xù)、平穩(wěn)，負(fù)荷尖峰和低谷差值不大的特點，可通過精準(zhǔn)的發(fā)電功率預(yù)測，為風(fēng)機(jī)發(fā)供平衡配置方案提供重要數(shù)據(jù)支撐，實現(xiàn)就地消納及效益最大化，避免發(fā)電倒送上級電網(wǎng)，規(guī)避棄風(fēng)情況發(fā)生。

5 結(jié)論

為降低風(fēng)電功率預(yù)測誤差，采用CEEMDANTCN 預(yù)測方法，通過對輸入向量進(jìn)行模態(tài)分解，挖掘出變量間的內(nèi)在聯(lián)系，并通過時間卷積網(wǎng)絡(luò)進(jìn)行訓(xùn)練。結(jié)果表明，該模型具有較好的發(fā)電功率預(yù)測精度，在通用性方面也可應(yīng)用于油田分布式風(fēng)電建設(shè)。