基于深度學習的風電功率短期預測平臺的設計與實現

摘要：隨著風力發電的逐步普及，與風電相關的智能預測平臺成為風電行業必不可少的基礎配置。雖然大多數風電場已經開始進行數字化轉型，但是在預測風電短期功率上仍采用傳統的方法。傳統的預測方法往往需要投入大量的人力和物力且效率低下，不適合推廣應用。文章設計了一套適合風電機組的智能化預測平臺，對風機監控與采集平臺采集到的數據進行分析與處理。一方面，在樣本充足的條件下，將風電數據進行異常值修正、風電功率輸出模式識別和模型預測處理后，實現對風電未來功率的綜合性預測分析；另一方面，針對小樣本的情形，從樣本的相似性和多樣性兩個方面擴充風電數據集，借助元學習框架，綜合多種風電領域的先進算法進行風電功率預測，并且通過開啟在線更新模塊即時更新預測模型的參數，從而保障預測模型的準確性與可靠性。該設計可降低風電場的運營和維護成本，為后續電力調度提供參考。

關鍵詞：風力發電；智能預測平臺；數字化轉型；預測分析；元學習框架

中圖分類號：TM343" " " " 文獻標識碼：A" " " 文章編號：1674-0688（2024）05-0074-04

0 引言

風電功率預測是風電場根據氣象條件、統計方法等技術，預先對未來一段時間內風電機組的有功功率進行預報。風電功率預測精度的提高可有效降低電力平臺調峰、調頻的壓力，增強電網的接納能力。因此，提升風電功率預測的準確性對于電網平臺的可靠性和穩定性運行有著重要意義。近年來，以數據驅動為主的功率預測方法逐漸成為學者和專業人士的研究熱點。由于風電序列中存在的波動性和不穩定性因素會在較大程度上影響功率預測的精度，因此許多研究將原始風電序列分解為多個子序列，然后分別對每個子序列進行預測，最后合并各子序列的預測結果。YANG等［1］結合應用自適應噪聲完備集合經驗模態分解（CEEMDAN）、卷積神經網絡（CNN）、注意力機制（AM）和雙向長短期記憶網絡（BiLSTM），利用CEEMDAN將功率序列分解為多個子序列，通過CNN算法提取重構分量的特征，再將每個重構組件的多維特征數據輸入BiLSTM網絡，并且結合注意力機制提取時間特征，構建預測模型。YE等［2］基于變分模態分解（VMD）、快速傅里葉變換和隨機森林算法建立預測模型，通過趨勢相似的歷史數據匹配策略提高預測精度。然而，CEEMDAN、VMD等分解算法引入的白噪聲仍來自人工經驗，因此可能會導致模式混疊，影響序列分解過程的準確性，從而降低功率的預測精度。上述文獻中，一維卷積（1D-CNN）和注意力機制在特征提取中的應用廣泛，可在不同尺度下自適應地分配不同特征的重要性程度。因此，本文引入多尺度機制并結合注意力模型，深入挖掘不同尺度下的風電特征，從而提高模型在不同風況下的魯棒性。

此外，在風電場新建初期，風電機組通常處于小樣本條件，歷史訓練樣本匱乏，難以進行基于數據驅動的功率預測，因此需要考慮對目標風機進行數據擴充，以提高訓練樣本的質量，而基于生成對抗網絡（Generative Adversarial Network，GAN）的數據增強方法在這方面具有優勢。自GOODFELLOW等［3］提出深度生成模型以來，由于GAN生成高質量數據的能力較為突出，所以它在計算機視覺、自然語言處理和時間序列領域得到廣泛的應用。MENG等［4］提出一種新的深度學習預測模型多梯度進化訓練框架，結合時間序列生成對抗網絡和多變量變分模態分解方法，動態捕獲與功率輸出相關的風電特征，生成高質量樣本；同時，整合3種不同的梯度下降方法，自適應更新參數，幫助模型跳出局部最優，增強模型的泛化能力。TANG等［5］提出一種基于RAC（實時應用集群）-GAN的風電場新輸出情景生成方法，利用皮爾遜相關系數和灰色關系分析篩選與功率輸出最相關的氣象因子，再通過K-means聚類算法對源電站的氣象數據進行聚類，將聚類結果作為RAC-GAN模型的標簽，源電站的輸出數據作為基礎，生成目標電站的場景，解決了新建風電場出力歷史數據不足的問題。以上針對現有GAN網絡的改進，雖然在網絡結構和度量損失函數方面有所成效，但是在風電功率預測的實驗中，仍存在梯度消失、訓練不穩定與模式崩潰等問題。因此，本文提出一種多重進化GANs的數據增強算法，在保證訓練穩定性的同時，盡量在生成樣本的相似性和多樣性方面找到平衡，提高訓練數據集的質量。

本研究設計了一款基于深度學習的風電功率短期預測平臺。該平臺通過數據預處理模塊識別并修正風電異常數據，然后將功能分為充足樣本的短期功率預測和小樣本情形下的短期功率預測兩個部分，從而實現對目標風機未來輸出功率的準確預測，保障電力調度平臺的安全性和穩定性。

1 平臺設計

1.1 平臺開發環境

基于深度學習的風電功率短期預測平臺設計開發需要的軟件和硬件環境如下。

（1）平臺的軟件環境。本平臺的開發環境是Windows10操作平臺，集成開發環境選用PyCharm Community Edition 2021.3.1；深度學習服務器的軟件環境為Ubuntu 20.04、Python3.8、Pytorch 1.13.0+cu116。

（2）平臺的硬件環境。平臺的硬件主要由一臺上位機和一臺高性能GPU（圖形處理器）服務器組成。上位機負責前期的數據處理過程以及后期的測試和調試過程，其硬件配置為Inter（R） Core（TM） i7-6700HQ CPU@2.60 GHz、NVIDA GeForce GTX 950M、16 GB內存、1TB硬盤存儲；高性能GPU服務器安裝了Pytorch或Tensorflow框架、CUDA（Compute Unified Device Architecture）、cuDNN（深度神經網絡庫）等必要的軟件和庫，負責支持深度學習模型的訓練和推理，提高深度學習任務的效率和性能，其硬件配置為12th Gen Intel（R） Core（TM） i5-12490F、NVIDA GeForce GTX 3060Ti、32 GB內存、4 TB硬盤存儲。

1.2 平臺功能設計

基于深度學習的風電功率短期預測平臺的總體架構包括數據處理層、核心業務層、可視化層（詳見圖1）。

（1）數據處理層。該層的作用是在取得原始風電數據后將數據經滑動窗口進行劃分，然后將按照比例劃分好的訓練集、測試集和驗證集進行歸一化處理。此外，對風電異常數據進行處理并修正，滿足后續層級對數據的需求。

（2）核心業務層。該層的作用是實現平臺的核心業務，實現的方式主要分為兩種情況：一是當風電機組歷史數據量充足時，平臺將通過調用相應的預測模型進行預測；二是當風電機組無可遷移的源風機且歷史數據匱乏時，平臺可由上層選用數據增強功能生成風電數據，并將擴充后的數據集送入預測模型，再由模型將結果返回給上層。

（3）可視化層。該層的作用是將數據以圖形、圖表等形式呈現，以便能快速、直觀地了解平臺的狀態和運行情況。通過可視化層，可實時監控風電機組的運行狀態和相關指標。

2 平臺實現

2.1 數據遠程監測系統

數據遠程監測系統主要包括異常數據的監測與識別、異常數據修正、數據上云等功能，一套數據預處理系統可以接入多個風機的數據，以便于風電場的管理。

在識別并修復風電異常數據方面，本文提出的系統充分考慮了風電機組的實際運行特性和異常風電數據的形態，即在功率曲線散點圖中異常數據分布不均、堆積密集且與正常數據混合緊密。數據預處理系統采用雙向單邊四分位法、雙DBSCAN法（基于密度的聚類算法）和改進的K-means聚類算法識別異常數據，同時采用輕量級梯度提升機模型和極限梯度提升回歸模型對所識別的異常數據進行修復操作，異常值修正前后的風電數據見圖2。本系統設計的方法根據風電機組異常數據的形態進行自動調節，可以對異常數據進行精準識別并修復，并且該方法的普適性較強。

在數據上云方面，本系統借助在風機上的各種智能傳感器，利用無線傳輸技術、大規模數據處理技術及遠程控制等物聯網技術，融合開發出一套數據上云模塊。應用該模塊，用戶及風電場管理人員可以通過電腦、平板等終端設備實時掌握各風電機組的運行狀態，也能對重要設備下發指令，實現遠程控制。

2.2 樣本充足條件下的功率預測模塊

將所有風電數據上傳云端后，數據將被保存至高性能服務器中進行計算。首先對風電數據進行清洗、標注、特征提取、時頻域分析，在此過程中，用戶可以直觀地發現各風電機組內部特性的差異，便于后續預測模型挑選有效特征，從而提高預測的準確性。其次通過對風電數據進行模式識別和對預測模型進行優化，實現對風電未來功率的綜合性預測分析。

由于風電功率序列存在非平穩性的特點，采用直接對其進行建模的方式無法得到準確的預測值，因此可以利用時頻域分析方法對數據特征進行挖掘，提取不同的頻率和幅值信息。常見的時頻信號提取方法有小波分解（Wavelet Decomposition，WD）［6］、經驗模態分解（Empirical Mode Decomposition，EMD）［7］、集合經驗模態分解（Ensemble Empirical Mode Decomposition，EEMD）［8］等。本模塊采用離散小波變換（Discrete Wavelet Transform，DWT）對原始功率序列進行分解，離散小波變換分解過程所得的近似分量和細節分量見圖3。

在風電功率輸出模式識別和優化預測模型方面，首先借助K-means或DBSCAN等多種聚類模型，以歐式距離或動態規整距離為相似性指標，實現風電輸出功率序列的粗粒度聚類；在此基礎上，計算預測視界范圍內的反映功率序列波動的劇烈程度、反映功率波動的趨勢性、波動周期中極大值持續時間的比率、波動周期中極小值持續時間的比率、波動周期中極值點持續時間的比率5種波動特征指標。其次使用自組織聚類神經網絡實現細粒度聚類，為每條功率序列打上標簽后一并送入分類網絡進行風電模式的訓練。最后在預測階段，將本模塊與多尺度機制和注意力機制優化預測模型結合，提高預測精度。

2.3 小樣本條件下的功率預測模塊

當新建風機的歷史數據有限時，用戶可切換小樣本的功率預測模式，利用少數過采樣技術（SMOTE）、隨機過采樣技術（RO）或GAN及其變體等多種數據增強方式對清洗后的風電數據進行數據擴充。小樣本條件下的功率預測模塊提供累積分布函數（CDF）、歐幾里德距離（EDD）、最大平均差異（MMD）等多種評估生成風電數據的相關指標，還可將生成樣本分布和真實樣本分布經t-SNE（t-分布領域嵌入）算法或PCA（主成分分析）算法降維后可視化地呈現在二維平面上，供用戶直觀地選擇適合自身數據的數據增強方式。

在預測功率時，進行元學習離線階段的訓練，將數據集分為訓練期和測試期。訓練期擬合所有的候選預測模型，在測試期評估每段時間序列在每個候選預測模型上的預測誤差，獲取該段時間序列特征以及對應預測精度最高的候選模型的序號作為其標簽，最后組成元學習數據集，一并送入分類模型進行元學習的訓練。

在進行實時風電預測時，新的風電數據到來后，先計算該時間序列相關的時序特征，然后經分類模型獲取當前時序數據的最佳預測模型并完成最后的預測。風電功率提前1 h的預測結果見圖4。

3 結語

風力發電容易受到風速、氣壓及溫差等環境因素的影響，呈現出較強的隨機性和波動性，對電力系統的穩定性造成較大的沖擊，因此提高風電功率預測的準確性對電力行業具有重要的意義。本文針對風電功率預測精度低、預測穩定性差等問題，開發了一個基于深度學習的風電功率短期預測平臺。基于樣本充足和小樣本2種不同的模式，先后建立數據監測系統、樣本充足的功率預測模塊、小樣本的功率預測模塊和數據可視化4層平臺架構，實現了對風電機組未來輸出功率的準確預測，從而持續保障電網系統正常的運行和調度。目前，鑒于復雜的地形和風況條件，風電功率預測依然面臨許多新的挑戰，如風電功率預測流程的透明度不夠、預測結果的可解釋性較差、模型在實際應用中預測精度低等，這些限制風電功率預測技術發展的瓶頸需要突破。

4 參考文獻

［1］YANG M，GUO Y F，HUANG Y T.Wind Power Ultra-Short-Term Prediction Method Based on Nwp Wind Speed Correction and Double Clustering Division of Transitional Weather Process［J］.Nergy，2023，282：128947.

［2］YE L，LI Y L，PEI M，et al.A novel integrated method for short-term wind power forecasting based on fluctuation clustering and history matching［J］.Applied Energy，2022，327：120131.

［3］GOODFELLOW I，POUGET-A J，MIRZA M，et al.Generative adversarial nets［J］.Advances in Neural Information Processing Systems，2014，27：2672-2680.

［4］MENG A，ZHANG H T，YIN H，et al.A novel multi-gradient evolutionary deep learning approach for few-shot wind power prediction using time-series GAN［J］.Energy，2023，283：129139.

［5］TANG J，LIU J F，WU J H，et al.Rac-gan-based scenario generation for newly built wind farm［J］.Energies，2023，16（5）：2447.

［6］LIU B C，ZHAO S J，YU X G，et al.A novel deep learning approach for wind power forecasting based on WD-LSTM model［J］.Energies，2020，13（18）：4964.

［7］WANG J J ，ZHANG W Y ，LI Y N，et al.Forecasting wind speed using empirical mode decomposition and elman neural network［J］.Applied Soft Computing Journal，2014，23：452-459.

［8］NEERAJ B，ANDRéS F，NADHIR A，et al.The hybridization of ensemble empirical mode decomposition with forecasting models：application of short-term wind speed and power modeling［J］.Energies，2020，13（7）：1666.

*湖南省自然科學基金項目“基于可信聯邦學習的大型工業裝備故障診斷方法研究”（2024JJ7091）；國家級大學生創新創業訓練計劃項目“基于深度學習的風/光耦合發電功率預測平臺”（S202312034013）。

【作者簡介】周峻，男，湖南邵東人，在讀碩士研究生，研究方向：風電功率預測；徐軻，男，江蘇鹽城人，在讀碩士研究生，研究方向：風電功率預測；李睿（通信作者），男，湖南郴州人，在讀碩士研究生，研究方向：計算機視覺；劉海波，男，湖南邵東人，在讀碩士研究生，研究方向：計算機故障診斷；周文健，男，湖南衡陽人，在讀本科生；姜玉璇，女，河北石家莊人，在讀本科生。

【引用本文】周峻，徐軻，李睿，等.基于深度學習的風電功率短期預測平臺的設計與實現［J］.企業科技與發展，2024（5）：74-77.