基于時域卷積網絡的風力渦輪機發電功率多時間尺度預測

李丹陽 胡宏劍 李卓璇 曾沛哲 李木

(中國礦業大學(北京) 北京 100083)

近40年來，風電技術在能源危機和環境危機的背景下迅速發展。截至2021年底，全球風機總裝機容量達837 GW，新增裝機量近94 GW，較2020 年同比增長率僅低1.8%。風力發電已成為全球發電不可忽視的一部分，但在風機容量和風電場規模不斷擴大，風電需求與占比日漸增加的同時，也產生了諸多問題[1]。由于風力發電本身具有波動性、間歇性和不穩定性等特點，在電網的計劃和調度上，風電長期面臨著諸多困難。為了提高電網運行的安全性、穩定性、經濟性，使電網調度更加合理，需要進行風電功率預測，進而建立起準確有效、功能完備的風電預測系統[2-3]。

目前國內外的風電功率預測方法主要有物理方法、統計方法、人工智能方法。物理方法指利用數值天氣預報（Numerical Weather Prediction，NWP）獲取氣象數據，根據風電場功率曲線，綜合考慮風電場周圍等高線、粗糙度、障礙物等信息進行預測[4]。雖然不需要大量歷史數據，但由于NWP更新頻率較低且耗費大量計算資源，故不適合用于短期及超短期預測[5]。統計方法根據輸入的歷史數據、NWP等建立與風電輸出功率的映射關系，搭建模型多為線性模型，包括卡爾曼濾波法[6]、時間序列法[7]、灰色預測法[8]等。這些模型計算速度快，短期預測性能好，但使用信息單一，模型簡單，不能很好地應對突變情況，且不適合非線性較強數據的預測。人工智能方法通過對大量的歷史數據進行學習、訓練，能更準確地擬合出輸入數據與輸出功率之間的非線性關系。通過經驗模態分解將風速分解為一系列更具規律性和平穩性的數據序列，再構建對應的支持向量機（Support Vector Machine，SVM）模型，從而提高了短期預測的精度[9]。利用注意力模型對長短期記憶網絡（Long-term and Short-Term Memory，LSTM）各個特征向量的權重進行，相較于傳統LSTM 顯著提高了預測精度。薛陽等人[10]為減少模型輸出量，將卷積神經網絡（Convolutional Neural Network，CNN）和門循環單元（Gate Recurrent Unit，GRU）相結合，得到超短期風電功率預測結果，有效解決了梯度爆炸的問題[11]。

考慮到時間卷積網絡（Temporal Convolutional Network，TCN）具有穩定的梯度、可變長度輸入等優點，本文基于TCN來挖掘歷史風電數據與風電輸出功率之間的規律，預測未來的風電功率并通過改變預測時間節點來比較不同預測時間節點模型的精確度[12]。

1 TCN介紹

TCN 是一種新型的時間卷積網絡，可用于解決時間序列預測問題，由Lea等人于2016年首次提出，通常涉及兩個步驟：首先，使用CNN 編碼時空信息來計算相關的低級特征；其次，將這些低級特征輸入分類器中，使用循環神經網絡（Recurrent Neural Network，RNN）收集高級時間信息。

TCN 中采用的膨脹卷積結構，如圖1 所示。因果卷積層實現了只使用當前和過去的樣本計算t時刻的輸出。另外，為了解決梯度消失等問題，采用拓展卷積層，在獲得足夠大的感受野時盡可能減少卷積層數，從而減少計算量。其中一維輸入向量xi的第n個元素處的膨脹卷積計算式（1）如下：

圖1 膨脹卷積原理圖

式（1）中：q∈0，1，…，k-1為過濾器，d為膨脹因子，k為過濾器的大小。

TCN 的殘差連接結構和擴展因果卷積結構如圖2所示，殘差連接結構由兩個相同的連續部分組成，其結構按照膨脹因果卷積、權值規一化、激活函數和隨機失活排列的順序構成。數據輸入1×1 卷積層以保證輸入和輸出寬度相同，并通過膨脹卷積、權值規范化、激活函數和隨機失活結構進行兩次輸出。

圖2 殘差連接結構和擴展因果卷積結構

2 風力渦輪機發電功率預測模型

2.1 數據預處理

2.1.1 數據集的劃分

在使用數據集訓練模型之前，還需要按照a:b:c的比例將數據集劃分成3 個部分：訓練集（Tr）、驗證集（Va）和測試集（Te）。其中，訓練集用于更新模型中的權重參數。驗證集通常是從訓練集中提取出的一部分，作用是在模型訓練的每個迭代過程中驗證當前模型的參數優化程度，也是選擇最優模型的重要基礎。測試集是用于評估最終模型性能的數據，不參與模型的訓練過程。

2.1.2 數據清洗

數據清洗是不可或缺的重要環節，其結果決定了數據分析的準確性，這直接影響到模型的訓練效果。風電功率數據具有較強的隨機性和波動性，為了盡可能挖掘訓練數據中隱藏的變化規律，本文采用基于統計學的數據填充法和刪除法對數據集進行初步處理，將所有負值設置為0，刪除其值超出正常范圍的數據，并用線性插值方法填充數據中的缺失點。如果在連續的長時間內存在缺失點，則直接舍棄該時間段內的數據，以保持數據集的時間連續性和完整性。

2.1.3 數據歸一化

通常從風電場收集的信息包括參數信息的不同方面，如風力資源、氣象條件和風力渦輪機輸出。由于數據集中包含了各種物理量，且數據的單位和量級均不同。例如：風力渦輪機上的傳感器測量的風速以米/秒（m/s）為單位，而風電場的輸出功率通常以兆瓦（MW）為單位。因此，在輸入到網絡模型之前，數據集需要進行歸一化。數據歸一化是數據分析中最常見的操作，主要思想是通過數學公式將有量綱表達式轉換為無量綱表達式，這可以防止不同的特征維數和數量級對計算產生不利影響，并有助于提高模型的收斂速度。

本文采用數據歸一化中的最值歸一化（Min-Max Normalization）對其進行處理，將所有的特征數據值都映射到[0,1]這個區間內，具體公式為

式（2）中：xmax和xmin是指要歸一化數據的最大值和最小值，x為特征數據的實際值；xstd為經歸一化后得到的特征值。

2.2 評價指標

本實驗采用均方根誤差（RMSE）來表征預測精度，如式（3）所示。

式（3）中：n為訓練或測試樣本的數目；?i為預測功率值；yi為真實功率值。

2.3 建模過程

基于預處理之后的數據集，把訓練集（Tr）的數據輸入網絡進行模型的訓練，再把驗證集（Va）的數據帶入模型進行驗證，同時記錄每輪迭代的訓練集損失函數值和驗證集訓練損失函數值。若滿足早退條件，則保存此時模型為最優模型。將測試集（Te）的數據帶入最優模型得到RMSE的值，否則，進行下一輪循環迭代，直至滿足早退條件或者達到循環設定的次數。建模過程如圖3所示。

圖3 建模流程圖

3 實驗結果與分析

3.1 數據集描述

本文取自Longyuan Power Group Corp.Ltd: SDWPF的風電預測數據集。數據集由風電場30 臺風電渦輪機以15 min為記錄間隔連續記錄7 d的真實數據，包含了風力渦輪機ID、紀錄日、記錄創建時間、風速計記錄的風速、風向與渦輪機艙位置之間的角度、葉片1～3的槳距角、有功功率共9個元素。將數據集中ID為105～124 的20 個渦輪機數據作為訓練集（Tr），共11 838 組數據；將ID 為124～129 的5 個渦輪機數據作為驗證集（Va），共3 029 組數據；將ID 為130～134 的5 個渦輪機數據作為測試集（Te），共3 106組數據。

3.2 實驗過程及結果

本實驗選用的時間步長（timestep）為32，訓練的數據個數（batch_size）為32，學習率（learning_rate）為0.001，循環迭代次數（epoch）為100，時間卷積層數為3，用4倍預測結果的預測數據進行預測，即4 組數據預測未來一個點，以此類推。任意選取測試集中的某段時刻，對未來的1個點、4個點和16個點的風功率進行預測，預測曲線如圖4所示。其中：實線為真實功率，劃線為預測未來1個點的預測功率，點-劃線為預測未來4個點的預測功率，點線為預測未來16 個點的預測功率。劃線和點-劃線采取滾動預測的方法取得未來16個點的預測值。從圖中可以看出劃線與實線的貼合程度最好，點-劃線程度次之，點線程度最差，且在預測8個點之后的曲線偏離情況愈加嚴重。

圖4 多時間尺度風電功率預測曲線圖

整個測試集預測結果的性能指標如表1所示。

表1 預測結果的RMSE （單位：MW）

由表中數據可知，基于本文建立的預測模型，能夠對風力渦輪機的發電功率進行準確預測，并隨著預測結果個數的增加，預測值與真實值的均方根誤差增大，預測精度降低。

4 結語

本文提出了一種基于TCN模型的風力渦輪機發電功率預測方法。通過選取與功率相關的特征作為網絡輸入，實現不同時間尺度的功率預測。本文研究內容不僅為超短期風電功率預測選取不同的時間尺度提供了參考依據，而且對于研究電力系統領域中其他預測問題如光伏發電、潮汐發電功率預測等提供了借鑒意義。