風(fēng)電場(chǎng)短期功率預(yù)測(cè)研究

劉 倩，李 時(shí)，陳 苗

（1.滁州職業(yè)技術(shù)學(xué)院 電氣工程學(xué)院，安徽 滁州 239000；2.國網(wǎng)滁州供電公司，安徽 滁州 239000）

風(fēng)能作為儲(chǔ)備豐富、無污染的可再生能源，在全球經(jīng)濟(jì)高速發(fā)展的情形下獲得越來越多的關(guān)注，我國風(fēng)電項(xiàng)目的總體容量在我國電力系統(tǒng)所占比例不斷提升［1］。風(fēng)速具有較大波動(dòng)性和間歇性，導(dǎo)致風(fēng)力發(fā)電的實(shí)際功率具有隨機(jī)性、不穩(wěn)定性、受季節(jié)因素影響大等缺點(diǎn)，提高風(fēng)電功率預(yù)測(cè)系統(tǒng)的預(yù)測(cè)精度是保證風(fēng)電系統(tǒng)安全穩(wěn)定運(yùn)行的必要前提和保證［2］.

通過研究國內(nèi)外文獻(xiàn)知，風(fēng)電預(yù)測(cè)方法主要有兩種：統(tǒng)計(jì)模型法和人工智能法［3-4］.統(tǒng)計(jì)模型法主要是處理線性數(shù)據(jù)并建模，風(fēng)電屬于非線性數(shù)據(jù)，統(tǒng)計(jì)模型法難以克服其對(duì)預(yù)測(cè)精度的影響；人工智能法適用于線性、非線性甚至極高復(fù)雜度的數(shù)值關(guān)系，無需構(gòu)建精確的數(shù)學(xué)模型，廣泛應(yīng)用于風(fēng)電預(yù)測(cè)，但其精準(zhǔn)度依賴于輸入?yún)?shù)和訓(xùn)練樣本［5-6］.近年來，深度學(xué)習(xí)法廣泛應(yīng)用于電力負(fù)荷預(yù)測(cè)并取得不錯(cuò)的預(yù)測(cè)效果，在眾多深度神經(jīng)網(wǎng)絡(luò)模型中，LSTM網(wǎng)絡(luò)模型是一種能兼顧時(shí)序數(shù)據(jù)的時(shí)序性和非線性關(guān)系的一種深度神經(jīng)網(wǎng)絡(luò)模型，如何提高模型的預(yù)測(cè)精準(zhǔn)度和減少計(jì)算量和復(fù)雜度成為研究重點(diǎn).鑒于此，筆者提出一種基于CNN-LSTM的短期風(fēng)電預(yù)測(cè)模型，通過試驗(yàn)結(jié)果表明，此模型的預(yù)測(cè)精度遠(yuǎn)高于傳統(tǒng)LSTM預(yù)測(cè)模型，具有普遍適應(yīng)性.

1 預(yù)測(cè)理論分析

1.1 卷積神經(jīng)網(wǎng)絡(luò)

CNN近年來在數(shù)據(jù)特征提取、高維數(shù)據(jù)降維上取得廣泛應(yīng)用，它通過卷積層、池化層這兩個(gè)主要部分對(duì)多維時(shí)間序列在空間結(jié)構(gòu)上的關(guān)系進(jìn)行提取.

典型的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，卷積層通過對(duì)輸入數(shù)據(jù)進(jìn)行卷積運(yùn)算，提取數(shù)據(jù)特征，一維卷積計(jì)算為：

圖1 卷積神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)處理過程

式中oc為某層卷積的特征映射，fc（x）為卷積激活函數(shù)，?為卷積操作，Wc為當(dāng)前卷積核的權(quán)值向量，bc為當(dāng)前卷積層的偏置.

池化層是數(shù)據(jù)特征的深層提取以保留主要特征數(shù)據(jù)，在卷積層之后，采用最大池化法對(duì)數(shù)據(jù)進(jìn)行降維（即降采樣），可以減少網(wǎng)絡(luò)的參數(shù)和計(jì)算復(fù)雜度.

式中op為全局池化層的輸出最大序列，oc為卷積層輸出向量集.全連接層將池化層的輸出特征映射成固定長度的列向量，用于模型的訓(xùn)練分類和回歸運(yùn)算.

1.2 LSTM算法

LSTM算法是Hochreiter和Schmidhuber提出的一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)，它克服了傳統(tǒng)RNN在處理嘗試序列時(shí)的梯度消失問題，LSTM算法通過“門”邏輯控制和狀態(tài)傳遞單元（圖2）找出時(shí)間序列內(nèi)部變化規(guī)律，并記住較長期的信息，通過狀態(tài)單元不斷更新避免了梯度消失，適用于預(yù)測(cè)風(fēng)電的短期負(fù)荷［7］.

如圖2所示，LSTM能有效地對(duì)輸入數(shù)據(jù)進(jìn)行利用，將過去

的長期數(shù)據(jù)形成記憶，LSTM單元將前一個(gè)單元的輸出信息ct-1和本單元聯(lián)系在一起，實(shí)現(xiàn)狀態(tài)單元不斷更新ct，通過輸入門τi、遺忘門τf、輸出門τo三種控制門機(jī)制來實(shí)現(xiàn)的.

式中h，x，c為單元的3個(gè)變量，變量下標(biāo)為t-1對(duì)應(yīng)的是上一個(gè)單元的輸出，sigmoid和tanh對(duì)應(yīng)的是激活函數(shù)的變量.bi、bf、bo、bc表示偏移常數(shù)，Wi、Wf、Wo、Wc分別對(duì)應(yīng)3個(gè)門和狀態(tài)單元的權(quán)系數(shù)矩陣.

控制長期狀態(tài)c是LSTM算法的關(guān)鍵，輸入門τi決定了輸入xt保存至當(dāng)前ct的程度、遺忘門τf決定上一單元ct保存至這一單元ct的程度、輸出門τo決定了ct多大程度輸出至當(dāng)前ht.

2 CNN-LSTM算法過程

（1）數(shù)據(jù)預(yù)處理階段主要針對(duì)風(fēng)電數(shù)據(jù)中的異常值和空值比如設(shè)備損壞、異常干擾、停電等，筆者利用pandas工具對(duì)數(shù)據(jù)進(jìn)行讀取，查看并利用函數(shù)修補(bǔ)法或者直接剔除異常值.再對(duì)數(shù)據(jù)歸一化處理，消除風(fēng)電場(chǎng)裝機(jī)容量差異及數(shù)據(jù)集維度在量綱上的差異.綜合考慮風(fēng)電負(fù)荷數(shù)據(jù)的特點(diǎn)，將風(fēng)電原始數(shù)據(jù)：風(fēng)電功率、風(fēng)速、風(fēng)向χs采用公式進(jìn)行歸一化處理，χc為歸一化處理之后的輸入數(shù)據(jù)，大小在［0-1］之間的，用于模型的輸入數(shù)據(jù).為原始數(shù)據(jù)，χmax、χmin為原始數(shù)據(jù)的最值.

（2）采用一維卷積神經(jīng)網(wǎng)絡(luò)CNN對(duì)風(fēng)電數(shù)據(jù)進(jìn)行降維處理，χc為1*3向量，卷積核向右平移，移動(dòng)步長為2，經(jīng)過大小為1*2的池化層池化，完成一次卷積池化過程，再經(jīng)過幾次卷積層池化層，全連接后得到維度大幅度縮減之后的特征值χc’，提取能最大程度代表風(fēng)電功率的特征數(shù)據(jù)，以減少訓(xùn)練參數(shù)，降低算法的復(fù)雜度，能有效地避過度擬合，使訓(xùn)練時(shí)間加快，提高算法的泛化能力.

（3）將特征序列作為LSTM預(yù)測(cè)模型的輸入，生成初始預(yù)測(cè)結(jié)果.

（4）對(duì)N個(gè)驗(yàn)證數(shù)據(jù)，Yi為風(fēng)電預(yù)測(cè)數(shù)據(jù)，Yi-1為風(fēng)電實(shí)際數(shù)據(jù)，以相對(duì)誤差值、RMSE為預(yù)測(cè)綜合評(píng)價(jià)指標(biāo)

3 算例分析

本實(shí)驗(yàn)樣本采用安徽省某市風(fēng)電負(fù)荷數(shù)據(jù)及氣象數(shù)據(jù)風(fēng)電功率、風(fēng)速、風(fēng)向，采樣間隔時(shí)間為1小時(shí)，數(shù)據(jù)中前70%數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，20%作為驗(yàn)證樣本，10%的數(shù)據(jù)作為測(cè)試數(shù)據(jù)，數(shù)據(jù)維度為36.首先對(duì)負(fù)荷數(shù)據(jù)及氣象數(shù)據(jù)進(jìn)行預(yù)處理，包括異常值去除后再對(duì)數(shù)據(jù)進(jìn)行歸一化處理，采用雙層CNN神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行降維處理，并在改變LSTM的單元數(shù)測(cè)試不同的LSTM模型預(yù)測(cè)效果，實(shí)驗(yàn)結(jié)果表明，1個(gè)、2個(gè)、4個(gè)LSTM的隱含層其RMSE分別是0.68、0.61和0.6，3個(gè)LSTM的隱含層能達(dá)到最佳擬合效果，RMSE=0.53，訓(xùn)練時(shí)長隨著隱含層的增多呈增加的趨勢(shì).

本文采用CNN-LSTM和傳統(tǒng)LSTM兩種模型分別進(jìn)行預(yù)測(cè)，圖示3和圖4為風(fēng)電功率的預(yù)測(cè)效果圖：黑色曲線（·標(biāo)識(shí)）對(duì)應(yīng)的是傳統(tǒng)LSTM模型的預(yù)測(cè)值，細(xì)實(shí)線為實(shí)際值，虛線（o標(biāo)識(shí)）為采用CNNSLTM模型的預(yù)測(cè)值.從下圖的曲線可以看出，傳統(tǒng)的LSTM預(yù)測(cè)模型和CNN-LSTM預(yù)測(cè)模型都能對(duì)短期風(fēng)電進(jìn)行預(yù)測(cè)，曲線的變化符合實(shí)際風(fēng)電曲線的變化趨勢(shì).

圖4 步長為3時(shí)的風(fēng)電預(yù)測(cè)曲線圖

對(duì)比圖3、圖4可以看出，步長增加時(shí)的預(yù)測(cè)效果會(huì)下降，是由于在增加步長的同時(shí)，風(fēng)電的隨機(jī)性導(dǎo)致預(yù)測(cè)數(shù)據(jù)和訓(xùn)練數(shù)據(jù)之間的關(guān)聯(lián)性減低，影響模型的預(yù)測(cè)精度；CNN的移動(dòng)步長分別選擇2、3時(shí)的預(yù)測(cè)數(shù)據(jù)對(duì)比，平均減少27.6%、29.1%.

圖3 步長為2時(shí)的風(fēng)電預(yù)測(cè)曲線圖

如圖5所示，虛線標(biāo)識(shí)的是LSTM傳統(tǒng)模型的相對(duì)誤差曲線，實(shí)線為筆者預(yù)測(cè)模型結(jié)果的相對(duì)誤差曲線.經(jīng)CNN處理之后的LSTM模型在數(shù)據(jù)特征選取上的優(yōu)點(diǎn)更加明顯，卷積層和池化層能有效地選取更能代表風(fēng)電功率的特征數(shù)據(jù)，極大提高模型的預(yù)測(cè)效果.

圖5 預(yù)測(cè)模型的相對(duì)誤差

4 結(jié)語

為了提高短期風(fēng)電預(yù)測(cè)模型的精度，提出了一種基于CNNLSTM的預(yù)測(cè)模型.通過CNN的卷積層和池化層的堆疊作用，提取最能代表風(fēng)電特征的特征數(shù)據(jù)并對(duì)其降維處理，同時(shí)保留其在時(shí)間維度上的特征，實(shí)現(xiàn)了對(duì)特征數(shù)據(jù)的深度挖掘；LSTM特有的“門”機(jī)制和對(duì)時(shí)間序列的記憶作用能高效地利用歷史特征數(shù)據(jù)進(jìn)行風(fēng)電預(yù)測(cè)，此模型的預(yù)測(cè)精度遠(yuǎn)高于傳統(tǒng)LSTM模型的預(yù)測(cè)效果，本實(shí)驗(yàn)為短期風(fēng)電預(yù)測(cè)技術(shù)的研究積累了經(jīng)驗(yàn).