基于ES-GRU-LSTM的風電場群功率預測

王佳鈺，郝思鵬，李森文，王騰洲，張 偉

(南京工程學院，江蘇 南京 211167)

目前，我國電力行業正從以火力發電為主的傳統電力系統向低碳化的新型電力系統轉型，高比例可再生能源將成為未來我國能源系統的主要發展方向。風能由于其綠色清潔、資源豐富等優勢，得到了廣泛的推廣與運用。到2020年我國新增風電裝機約為7000萬千瓦，裝機總量超過2.8億千瓦，規模居全球首位。為在2060年實現碳中和這一宏偉目標，具有顯著優勢的風電占比將進一步增加。由于風能具有波動性與隨機性，提高風電占比的同時也給電力系統的安全與穩定運行帶來更高的要求，實現快速、準確地對風電功率做出預測并提前制定發電計劃以便及時應對系統擾動成為未來的重要研究方向。

風電預測方法主要有三類：物理方法、統計方法以及人工智能。傳統的物理方法受環境差異等影響實用性差，統計方法依賴于大量歷史數據建立映射，均難以推廣。而人工智能方法具有自學習、自適應強、大規模并行處理等優點，能探索訓練數據的深層特征，在風電功率的短期與超短期預測中得到了廣泛關注。文獻[4]利用長短期記憶(Long-Short Term Memory，LSTM)模型實現風電功率短期預測，相較于統計方法模型，LSTM預測更精確、性能更優異，但結構復雜、訓練時間有待縮減。文獻[5]構建了一種特殊的門控循環單元(Gated Recurrent Unit，GRU)，研究表明大多場景下GRU的訓練時間比LSTM短。文獻[6]證明了組合模型的各項性能比單一模型更好，后續應重點研究如何有效組合模型以實現預期效果。文獻[7]提出了一種改進LSTM模型與GRU模型組合的預測方法，兩者分別進行運算再賦予不同權重，雖預測結果更精確，但預測時間較長，且模型各自獨立運行并未充分結合二者優勢。

為了同時提高風電場群功率預測的精度與速度，本文提出了一種ES-GRU-LSTM組合模型預測，為大規模海上風電接入風險評估及協調運行研究提供了一種優化的短期風電功率預測方法。針對前處理過程中出現的異常值，考慮到數據在時間上存在依賴關系，將其視作缺失值并利用指數平滑法(Exponential Smoothing, ES)求出的預測值來填補，增加了輸入數據的可依賴度與平滑性。同時，在預測過程中引入GRU單元以優化模型運算速度，實現精度高、速度快的風電場群功率預測。

1 風電場群功率預測模型

1.1 指數平滑法

受極端天氣或檢修等影響海上風電廠停機可能會導致出力數據缺失，在信息存儲與傳輸過程中也存在異常數據。本文將異常數據視作缺失處理，利用時序指數平滑法求出風電功率預測值進行填補，保證風電出力數據的可信度與平滑性。

指數平滑法是一種廣泛應用于中短期預測的時序預測方法，原理是對前期的數據進行加權平均得到未來的預測結果，基本公式如式(1)所示：

=·+(1-)·-1

(1)

式中：、-1分別為時刻、-1時刻的平滑值，為平滑權數介于0到1之間，為時刻的實際值，-1為-1時刻的平滑值。

在使用指數平滑法進行預測來填補缺失數據時，初始平滑值選取異常點前一小時采樣數據的平均值。本文采取試算法選取平滑權數，根據待填充點前的一段時間序列大致確定權數區間，再取不同的值來試算，采用誤差最小的值作為平滑權數。

相較于使用ES預測整個風電場數據的傳統方法，針對數據缺失與異常點進行預測，大大減少了運行時間，增加了數據平滑性；相較于直接人工填充、中位數填充等處理方法，改進措施降低了經驗性與主觀性，使輸入組合預測模型的數據更為可靠。

1.2 長短期記憶網絡

LSTM是一種帶記憶遺忘模式的時間循環神經網絡，為解決時序預測中梯度消失、梯度爆炸引發的長期記憶丟失等問題提供了更好的解決方法。針對梯度消失，LSTM引入獨特的門機制，選擇性地添加或刪除信息；針對短期記憶覆蓋長期記憶，LSTM引入一個類似“傳送帶”的細胞狀態來存儲長期記憶，并與門結構配合過濾信息，從而控制長期記憶。與RNN、GRU相比，LSTM預測精度更高，但訓練過程略復雜，程序運行時間較長。

LSTM由遺忘門、輸入門和輸出門來保存過往信息，圖1為用于風電場群功率預測的LSTM模型單元結構。

圖1 LSTM模型單元結構圖

計算見式(2)至式(8)：

(2)

=(·[-1,]+)

(3)

=(·[-1,]+)

(4)

=tanh(·[-1,]+)

(5)

(6)

=·-1+·

(7)

=(·[-1,]+)

(8)

式中：為sigmoid激活函數，為最后一層神經元被舍棄的概率，為遺忘門權重矩陣，為偏差向量，和為輸入門輸出的信息即當前要保留的信息比，與為輸出門權重矩陣，與為偏差向量，為輸出門權重矩陣，為偏差向量，為輸出門得到的結果，僅為通過運算決定輸出的部分。

最終得到的風電場群功率預測結果計算公式如式(9)所示：

=·tanh()

(9)

1.3 門控循環單元

GRU作為循環神經網絡的一種，其更新門相當于長短記憶網絡中遺忘門與輸入門的整合，并且隱藏狀態和細胞狀態也合為一體，可視作LSTM的一種簡化版本。相比LSTM，GRU模型更容易訓練，大大提高訓練效率，應用更為廣泛。圖2為用于風電場群功率預測的GRU單元結構：

圖2 GRU模型單元結構圖

GRU中的重置門選擇接受或舍棄歷史狀態，其值趨近于0時表示遺忘上個狀態信息-1，將隱藏狀態作為此時輸入的信息，由更新門選擇是否更新。更新門、重置門、隱藏狀態與最終時刻GRU輸出結果的計算步驟如式(10)至式(13)所示：

=(·[-1,])

(10)

=(·[-1,])

(11)

=tanh(·[·-1,])

(12)

=(1-)·-1+·

(13)

式中：、分別為更新門、重置門的權重矩陣，為相應權重參數。

1.4 組合預測模型

考慮到預測效率和準確性等多方面要求，提出了一種基于ES-GRU-LSTM的組合模型對風電場群功率進行預測，采用指數平滑(ES)對個別點處數據做出預估并填補，修正異常數據；將門控循環單元(GRU)與長短期記憶網絡(LSTM)相結合，對ES處理過的數據進行出力預測，實現精度高、速度快的功率預測。圖3為組合模型結構圖。

圖3 ES-GRU-LSTM模型結構

模型的網絡結構主要分為三層，第一層為ES層，ES模型對原始數據集中的異常值和缺失值所在點進行針對性預測和填補，提高了輸入模型數據的可信度和平滑性。組合模型的第二層為GRU層，發揮了GRU參數較少、結構較為簡單的優勢，提高訓練速度，縮短模型的訓練時間及測試時間，從而保證組合模型預測出力的快速性。第三層為LSTM層，由于LSTM模型參數較多，結構相對復雜，數據預測具有較高的準確性。因此本文提出一種ES-GRU-LSTM組合模型，采用ES層優化處理數據集，并結合GRU訓練速度快與LSTM預測準確性高的特點，優化改進風電場群功率的預測方法。

2 算例分析

使用江蘇省鹽城市5座海上風電場的出力數據作為原始數據集，時間跨度為2020年1月1日0點0分至2020年12月31日24時55分，分辨率為5分鐘。其中，裝機容量為400 MW的龍源豐海風電場、400 MW的華能豐海風電場、300 MW的上電亮海風電場和300 MW的三峽豐海風電場位于鹽城市大豐區毛竹沙海域，裝機容量為300 MW的國華華海風電場位于鹽城東臺市北條子泥海域。由于5座風電場地理距離較近，且與用電中心的電氣距離較遠，在一定程度上，受海上天氣的影響趨勢也有相似之處，可以近似看作具有強相關性的海上風電場群，總裝機容量為1700 MW。

2.1 數據處理

將異常數據視作缺失值一同處理，通過指數平滑法由前期數據求出異常點處的預測值進行填充，得到初步處理后的海上風電場群2020年每五分鐘采樣功率數據；為了防止傳感器失效等因素放大誤差影響算例實驗結果，本文降低分辨率每小時一個采樣點，最終得到了8760個可用的風電功率數據。ES處理后的風電場群出力曲線如圖4所示。

圖4 風電場群出力曲線

2.2 評價指標

本文提出ES-GRU-LSTM組合模型對風場場群功率預測，綜合考慮預測精度和預測速度，采用平均絕對誤差(Mean Absolute Error，MAE)和均方根誤差(Root Mean Square Error，RMSE)作為性能評價指標；為了更直觀地體現各模型的相對預測性能，用*、*表示標幺化后的風電功率預測指標，計算公式如下：

(14)

(15)

(16)

(17)

模型預測可分為訓練和測試兩部分，在評價模型預測速度時，本文采用訓練時間和測試時間作為評價標準。

2.3 實驗過程

實驗硬件平臺的CPU為AMD Ryzen 5 4600H，GPU為GTX1650，操作系統為Windows10。程序通過Anaconda搭建Python3.7+TensorFlow2.1.0+Keras1.0.8虛擬環境，模型流程如圖5所示。

圖5 ES-GRU-LSTM流程圖

實驗步驟如下：

(1)采用ES處理數據，修正異常值、填補缺失值，生成風電場群每一小時采樣功率數據集；

(2)取前7800個的功率值作為訓練集，后960個作為驗證集和測試集，并歸一化處理；

(3)將數據輸入GRU-LSTM模型進行訓練，設置循環核時間展開步數為60，即用前60個數據預測第61個數據，GRU網絡層數為16，LSTM網絡層數為32，單一模型與組合模型均訓練10輪；

(4)測試集輸入組合模型進行預測；

(5)分別對預測數據和真實數據進行還原，反歸一化到原始范圍；

(6)使用評價指標分析、對比模型，輸出風電場群功率預測結果。

預測結果如圖6所示。

圖6 ES-GRU-LSTM功率預測結果圖

從預測結果中看出，采用的ES-GRU-LSTM組合模型的預測結果基本符合真實數據的變動趨勢，預測值與真實值相差不大，在出力上升或下降過程中甚至能基本擬合，證明該方法較為準確。

2.4 對比分析

分別采用LSTM、GRU和ES-GRU-LSTM對風電場群功率進行預測，分析對比三種模型下的預測結果。不同模型功率預測的結果對比如圖7所示。

圖7 不同模型功率預測對比圖

性能評價指標對比如表1所示。

表1 評價指標對比

從圖7中可以看出，與GRU、LSTM單一模型相比，提出的ES-GRU-LSTM組合模型預測結果最為接近真實值，能更好地跟隨風電場群功率的改變趨勢。分析不同模型的評價指標可知，采用ES處理數據集修正異常值，再通過GRU優化LSTM網絡，一方面ES-GRU-LSTM模型的平均絕對誤差、均方根誤差相比單一的GRU模型和LSTM模型均有所降低，證明ES-GRU-LSTM模型的預測精度高于傳統單一模型；另一方面，ES-GRU-LSTM模型的訓練時間和測試時間相較于傳統的LSTM模型都有所減少，證明GRU的引入改善了模型預測速度。因此，相較于傳統的GRU、LSTM單一模型，本文所提的ES-GRU-LSTM模型預測兼具快速性與準確性，綜合性能得到了顯著提高。

3 結 論

綜合考慮目前短期風電功率預測快速性與精確性的要求，本文提出一種ES-GRU-LSTM組合模型對海上風電場群功率進行預測。首先，在處理數據時采用ES修正海上風電功率數據集，提高了功率數據的可信度與平滑性。其次，引入GRU對傳統的LSTM單一模型進行改進，得到的ES-GRU-LSTM模型將GRU訓練速度快與LSTM預測準確性好的優勢相結合。最后，采用ES-GRU-LSTM組合模型預測風電場群功率，并與單一的GRU、LSTM模型比較。結果表明，ES-GRU-LSTM模型預測精度更高，且預測速度得到改善。