基于長短期記憶網(wǎng)絡(luò)的水力發(fā)電功率預(yù)測研究

汪 哿,郭志剛

(中國長江電力股份有限公司,湖北 宜昌 443002)

0 引言

隨著中國新一輪電力體制改革的不斷推進,電力現(xiàn)貨交易市場的重要性日益凸顯[1]。有效發(fā)揮電力現(xiàn)貨交易市場的作用,對實現(xiàn)可再生能源優(yōu)化配置具有積極意義[2-3]。為促進大型水力發(fā)電量的消納能力,不僅需要水電站有序組織和參與電力市場交易,還需要水電站精準預(yù)測發(fā)電功率[4-5]。

許多學(xué)者對水電站發(fā)電功率預(yù)測作了大量研究。文獻[6]提出了1種極限學(xué)習(xí)機的水電站發(fā)電功率預(yù)測方法,通過趨勢導(dǎo)向?qū)W習(xí)提高水電站發(fā)電功率預(yù)測精度。文獻[7]提出了1種基于蒙特卡洛法的水電站發(fā)電功率預(yù)測方法,通過改進支配方案進行水電站發(fā)電功率預(yù)測。文獻[8]提出了1種基于動態(tài)規(guī)劃的水電站發(fā)電功率預(yù)測方法,通過對日均徑流的預(yù)測提高水電站發(fā)電功率預(yù)測準確性。文獻[9]采用了1種多任務(wù)嵌套方法,以提高水電站發(fā)電功率預(yù)測準確性。由此可見,水電站發(fā)電功率預(yù)測方法多樣。但上述方法對多時間尺度的功率預(yù)測關(guān)聯(lián)分析較少,對大型水電站發(fā)電功率預(yù)測的準確率較低。

為解決水電站發(fā)電功率預(yù)測中存在的多時間尺度關(guān)聯(lián)分析少、發(fā)電功率預(yù)測準確率低的問題,本文提出了1種基于長短期記憶 (long short-term memory,LSTM)網(wǎng)絡(luò)的水力發(fā)電功率預(yù)測方法。該方法采用了LSTM網(wǎng)絡(luò),實現(xiàn)了多時間尺度的時、日、月、季、年發(fā)電預(yù)測的內(nèi)在關(guān)系挖掘;通過分時影響因素分析,提高了水電站發(fā)電功率預(yù)測準確率。

1 水力發(fā)電功率預(yù)測流程

本文所述的基于LSTM網(wǎng)絡(luò)的水力發(fā)電功率預(yù)測方法的流程包括歷史發(fā)電功率預(yù)測數(shù)據(jù)清洗、發(fā)電功率影響因素分析和發(fā)電功率預(yù)測等。

水力發(fā)電功率預(yù)測流程如圖1所示。

圖1 水力發(fā)電功率預(yù)測流程圖

2 水力發(fā)電功率預(yù)測模型

2.1 歷史發(fā)電功率預(yù)測數(shù)據(jù)清洗

水電站地處環(huán)境偏僻的江河流域,電氣、電子設(shè)備運行環(huán)境惡劣。水電站發(fā)電功率數(shù)據(jù)采集過程中容易受環(huán)境影響,進而造成水電站發(fā)電功率數(shù)據(jù)存在錯誤和缺失的情況。因此,在進行水電站發(fā)電功率預(yù)測前,需要對歷史的水電站發(fā)電功率數(shù)據(jù)進行質(zhì)量評估與數(shù)據(jù)清洗,以消除錯誤和缺失數(shù)據(jù)對水電站發(fā)電功率數(shù)據(jù)預(yù)測模型的影響。

水電站歷史發(fā)電功率數(shù)據(jù)質(zhì)量采用六要素方式進行評估。水電站歷史發(fā)電功率數(shù)據(jù)質(zhì)量評估指標(biāo)中,歷史發(fā)電功率有效性ca、歷史發(fā)電功率完整性cb、歷史發(fā)電功率及時性cδ、歷史發(fā)電功率準確性cd、歷史發(fā)電功率唯一性ce、歷史發(fā)電功率一致性cf為:

(1)

式中:call為水電站歷史發(fā)電量采集數(shù)據(jù)的總數(shù);c1為有效的水電站歷史發(fā)電功率;c2為完整的水電站歷史發(fā)電功率;c3為及時的水電站歷史發(fā)電功率;c4為準確的水電站歷史發(fā)電功率;c5為唯一的水電站歷史發(fā)電功率;c6為一致的水電站歷史發(fā)電功率。

水電站歷史發(fā)電功率數(shù)據(jù)清洗是針對水電站歷史發(fā)電功率數(shù)據(jù)質(zhì)量評估中的異常數(shù)據(jù)進行修復(fù)的過程。

線性插值是一種數(shù)據(jù)修復(fù)方法,通過對2個已知的異常數(shù)據(jù)鄰近點的數(shù)值進行線性插入以預(yù)估數(shù)據(jù)[10]。線性插值具有方法簡單、運行效率高的特點。因此,本文采用線性插值方法進行水電站歷史發(fā)電功率數(shù)據(jù)清洗。水電站歷史發(fā)電功率修復(fù)數(shù)據(jù)gs為:

(2)

式中:gd和ge分別為異常發(fā)電功率數(shù)之前和之后時刻的正常觀測功率值;hd和he分別為異常發(fā)電功率數(shù)據(jù)之前和之后的時刻點;hδ為hd和he之間的水電站發(fā)電功率任意一時間值。

通過線性插值可以獲取水電站歷史發(fā)電功率的預(yù)估值,從而完成水電站歷史發(fā)電功率數(shù)據(jù)修復(fù)。

2.2 發(fā)電功率影響因素分析

影響水電站發(fā)電功率的主要因素包括通過水輪發(fā)電機的水徑流量、水輪發(fā)電機的工作水頭高度、水輪發(fā)電機的工作效率[11]。水電站發(fā)電功率Pa為:

Pa=lqrhλ

(3)

式中:lq為通過水輪發(fā)電機的水徑流量;rh為水輪發(fā)電機的工作水頭高度,即發(fā)電機的水位落差;λ為水輪發(fā)電機的工作效率。

水輪發(fā)電機的工作水頭高度由水頭損耗和上下游水位差構(gòu)成。rh可分解為:

rh=ra-rb-rδ

(4)

式中:ra為發(fā)電站的上游水位高度;rb為發(fā)電站的下游水位高度;rδ為發(fā)電站的水頭損耗。

通過水輪發(fā)電機的水徑流量與降雨量和氣溫具有強相關(guān)性。其中,降雨量越大,河流中的水量越多,通過水輪發(fā)電機的水徑流量也越大。氣溫越高,河流的水面蒸發(fā)量越大,通過水輪發(fā)電機的水徑流量也越小。因此,修正的水輪發(fā)電機的水徑流量lnew為:

lnew=loldβα

(5)

式中:lold為預(yù)測的水輪發(fā)電機的水徑流量;β為河流降雨量修正系數(shù);α為河流氣溫影響因數(shù)。

2.3 發(fā)電功率預(yù)測

發(fā)電功率預(yù)測的輸入包括歷史的發(fā)電功率數(shù)據(jù)、歷史的河流降雨量和氣溫信息、數(shù)值天氣預(yù)報預(yù)測的河流降雨量與氣溫信息。

LSTM網(wǎng)絡(luò)由循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)發(fā)展而來。LSTM網(wǎng)絡(luò)內(nèi)部包括門結(jié)構(gòu)和細胞狀態(tài),可將信息序列進行學(xué)習(xí)與傳遞。通過門結(jié)構(gòu),可以實現(xiàn)學(xué)習(xí)過程的遺忘與保存數(shù)據(jù)。LSTM網(wǎng)絡(luò)可有效地對年、季、月、日、時多時間尺度的水電站歷史功率信息進行挖掘與擬合,從而得到更好的水電站發(fā)電功率預(yù)測精度[12]。因此,本文采用LSTM網(wǎng)絡(luò)進行多時間尺度的水電站發(fā)電功率分析與預(yù)測。

首先,本文采用LSTM網(wǎng)絡(luò)進行分時的超短期水電站發(fā)電功率預(yù)測,并將其參數(shù)輸入到下一層的日水電站發(fā)電功率預(yù)測;在此基礎(chǔ)上,依次通過LSTM網(wǎng)絡(luò)進行月、季和年的分時預(yù)測,形成多時間尺度的水電站發(fā)電功率預(yù)測結(jié)果。

然后,本文采用LSTM網(wǎng)絡(luò)預(yù)測水電站發(fā)電功率。預(yù)測結(jié)果pz為:

pz=φ[(wx,l,ro,λt)×tan(pold)]

(6)

式中:pold為歷史的水電站發(fā)電功率數(shù)據(jù);tan為水電站發(fā)電功率預(yù)測模型的“遺忘門”激活函數(shù);φ為水電站發(fā)電功率預(yù)測模型的激活函數(shù);wx為數(shù)值天氣預(yù)報的河流降雨量預(yù)測數(shù)據(jù);l為數(shù)值天氣預(yù)報的河流氣溫預(yù)測數(shù)據(jù);ro為水電站工作水頭高度;λt為水電站水輪機的工作效率。

最后,LSTM網(wǎng)絡(luò)按時、日、月、季、年多時間尺度進行迭代,形成水電站發(fā)電功率預(yù)測結(jié)果。

3 算例分析

3.1 場景與參數(shù)設(shè)定

為驗證基于LSTM網(wǎng)絡(luò)的水力發(fā)電功率預(yù)測方法的可行性,本文在某大型水電站進行驗證。該水電站裝機容量為300×105kW、水頭高度為85 m。發(fā)電功率、發(fā)電電壓等數(shù)據(jù)來源于發(fā)電站自動化系統(tǒng)。水徑流量數(shù)據(jù)來源于水流量監(jiān)測系統(tǒng)。河流降雨量、氣溫預(yù)測數(shù)據(jù)來源于數(shù)值天氣預(yù)報。歷史數(shù)據(jù)來源于該水電站2021年的數(shù)據(jù)。

基于LSTM網(wǎng)絡(luò)的水力發(fā)電功率預(yù)測方法模型采用Python研發(fā)。系統(tǒng)部署在水電站的服務(wù)器機房。服務(wù)器的操作系統(tǒng)為Linux。服務(wù)器采用Intel Xeon E5-2699 V3作為中央處理器。中央處理器顆數(shù)為2、核心數(shù)為18、運行主頻為2.3 GHz、內(nèi)存為128 GB。與基于LSTM網(wǎng)絡(luò)的水力發(fā)電功率預(yù)測方法比較的是文獻[13]中的Mann Kendall突變檢驗發(fā)電功率預(yù)測模型。該模型在黃河流域發(fā)電站廣泛應(yīng)用,具有較好的通用性。

3.2 算例運行分析

①水力發(fā)電功率預(yù)測性能分析。

水力發(fā)電功率預(yù)測性能是衡量發(fā)電模型計算能力的指標(biāo)。其統(tǒng)計方法為:從模型輸入基礎(chǔ)數(shù)據(jù)開始到輸出發(fā)電功率預(yù)測結(jié)果的時段內(nèi),水力發(fā)電功率預(yù)測耗時越短,說明水力發(fā)電功率預(yù)測模型性能越好。

試驗隨機模擬10組4小時(超短期)、1日、1月、1季、1年的數(shù)據(jù),采用所提基于LSTM網(wǎng)絡(luò)的水力發(fā)電功率預(yù)測方法與Mann Kendall突變檢驗發(fā)電功率預(yù)測模型比較水力發(fā)電功率預(yù)測性能。

水力發(fā)電功率預(yù)測性能如表1所示。

表1 水力發(fā)電功率預(yù)測性能表

由表1可知,本文所提基于LSTM網(wǎng)絡(luò)的水力發(fā)電功率預(yù)測方法的水力發(fā)電功率預(yù)測性能耗時平均為8.3 s,小于Mann Kendall突變檢驗發(fā)電功率預(yù)測模型的預(yù)測性能平均耗時(20.9 s)。因此,基于LSTM網(wǎng)絡(luò)的水力發(fā)電功率預(yù)測方法性能更優(yōu)。

②水電站發(fā)電功率預(yù)測分析。

水電站發(fā)電功率預(yù)測分析用于評估水電站的發(fā)電功率預(yù)測曲線與實際的水電站發(fā)電功率曲線的分時發(fā)電水平情況。

水電站發(fā)電功率分時預(yù)測結(jié)果如圖2所示。

圖2 水電站發(fā)電功率分時預(yù)測結(jié)果

由圖2可知:水電站每日的7～12點和17～22點是發(fā)電的高峰時段;23點～次日6點是發(fā)電的低谷時段;12點～16點是發(fā)電的平段時段。在各時間段內(nèi),預(yù)測功率曲線與實際功率曲線較為接近。

③水力發(fā)電功率預(yù)測準確率。

水力發(fā)電功率預(yù)測準確率是水電站運營管理的關(guān)鍵指標(biāo)。其計算方法為將水力發(fā)電功率預(yù)測值與實際值進行比較。若水力發(fā)電功率日96點預(yù)測值與實際日96點值一致,則表明預(yù)測準確。水力發(fā)電功率預(yù)測值與實際值的比值即為水力發(fā)電功率預(yù)測準確率。

為簡化計算,試驗分別采用所提基于LSTM網(wǎng)絡(luò)的水力發(fā)電功率預(yù)測方法與Mann Kendall突變檢驗發(fā)電功率預(yù)測模型預(yù)測10組4小時(超短期)、1日、1月水電站發(fā)電功率數(shù)據(jù),并將其與實際水電站的發(fā)電功率數(shù)據(jù)進行比較。

水力發(fā)電功率預(yù)測準確率對比如表2所示。

表2 水力發(fā)電功率預(yù)測準確率對比

由表2可知,本文所提基于LSTM網(wǎng)絡(luò)的水力發(fā)電功率預(yù)測方法平均預(yù)測準確率為97.2%,高于Mann Kendall突變檢驗發(fā)電功率預(yù)測模型。因此,本文所提基于LSTM網(wǎng)絡(luò)的水力發(fā)電功率預(yù)測方法預(yù)測更準確。

4 結(jié)論

為解決水電站發(fā)電功率預(yù)測中存在的多時間尺度關(guān)聯(lián)分析少、發(fā)電功率預(yù)測準確率低的問題,本文提出了1種基于LSTM網(wǎng)絡(luò)的水力發(fā)電功率預(yù)測方法。該方法的主要特點如下:首先,充分分析了影響水電站發(fā)電功率的因素,通過預(yù)測修正參數(shù)減少了各類影響因素對發(fā)電功率預(yù)測準確率的影響;其次,采用LSTM網(wǎng)絡(luò)挖掘了年、季、月、日、時多時間尺度發(fā)電功率數(shù)據(jù)的蘊含關(guān)系,并通過關(guān)聯(lián)分析提高了水電站發(fā)電功率預(yù)測精度。

后續(xù)研究將結(jié)合生成對抗網(wǎng)絡(luò)的特點,對本文所提方法進行優(yōu)化。