基于神經網絡的超短期風電功率預測方法設計

摘要：隨著風電裝機容量的逐年增加，風電功率預測要求不斷提高。因此，提出了一種基于神經網絡的超短期風電功率預測方法，電力調度部門可以根據精準的預測結果制訂合理的發電和檢修計劃。首先，介紹了風力發電原理，分析了風電功率影響因素；其次，提出了基于圖卷積網絡- 長短期記憶（graphconvolutional network-long short term memory，GCN-LSTM）的超短期風電功率預測方法；最后，通過實驗驗證了該方法的可靠性和有效性。實驗結果表明，該方法提升了超短期風電功率預測的準確性，為風力發電并網提供了可靠的技術支持。

關鍵詞：神經網絡模型；超短期；風電功率預測；GCN-LSTM

中圖分類號：TM614 文獻標識碼：A

0 引言

近年來，風電作為一種清潔、可再生的能源，在全球范圍內得到了廣泛關注和快速發展。然而，風電的波動性與不確定性給電網的安全穩定運行帶來了巨大挑戰，同時也給電力系統調度與管理造成了壓力。超短期風電功率預測技術不僅能夠提高風電資源的利用效率，還能夠為電力系統提供有效的數據支持，幫助電網在面對風電波動時采取更為靈活的調度策略。隨著人工智能和大數據技術的快速發展，風電功率預測的研究也日趨多樣化，其中深度學習方法逐漸成為研究熱點[1]。基于此，本文將著重探討基于神經網絡的超短期風電功率預測方法。

1 風力發電原理及風電功率影響因素分析

1.1 風力發電原理

風能是地表受熱不均勻導致空氣流動所產生的動能。在太陽照射期間，受太陽照射時間較長地區，地表溫度普遍偏高，空氣上升；受太陽照射時間較短地區，地表溫度普遍偏低，空氣下降。上升與下降的空氣之間形成大氣循環，進而產生風，風在運動過程中產生風能。風力發電就是利用風能帶動風力發電機葉片轉動，從而驅動發電機發電，是將動能（風能）先轉化為機械能再轉換成電能的過程[2]。

1.2 風電功率影響因素分析

影響風電功率的因素較多。根據式（1）可知，影響風電功率的最大因素是風速，其次為葉輪掃過的面積和空氣密度。

式中，Cp 為風能利用系數；ρ 為空氣密度；A 為葉輪掃過的面積；v 為風速。

在實際運行中，風能會有一定的損耗，因此風能利用率無法達到100%，但可以通過不斷調整風機葉片角度來使風能利用率達到最大。此外，溫度、相對濕度、氣壓等因素也會對風速產生影響，進而導致風電功率出現變化[3]。

1.2.1 風速

在理想條件下，風速與風電功率之間存在非線性關系且相關性較強。由于是理想情況，因此可以忽略風電轉換中的各種不確定因素，此時風力發電的功率特性就可以視為風電功率與風速之間的關系。風速一般分為初始的切入風速vin、額定風速v 額、切出風速vout。風電功率與風速之間的關系可以用分段形式表示[4]，其計算公式如下：

式中，Pv 為風力發電機切出功率；PN 為風力發電機的額定輸出功率。

1.2.2 風向

風向是指風吹來的方向，常用方位來描述。風向是隨時變化的，為了確保風力發電機輸出電力的穩定性，并使風能利用率達到最大，風電場會配置偏航裝置。該裝置會實時跟蹤風向的變化，及時調整風輪所處位置，使風力發電機的葉片始終與風向垂直。此外，風電場還會配置測風塔和數據采集與監視控制（supervisory control and data acquisition，SCADA）系統，用于風向、風速等狀態的監測。由于風力發電機本身性能的限制，偏航裝置可能無法隨著風向進行精確動作，風向與葉片存在偏角，此時風能無法被充分利用。因此，風向對風力發電機的輸出電力具有一定的影響[5]。

1.2.3 氣壓

根據式（1）可知，空氣密度對風電功率有一定的影響。在標準大氣壓和一定溫度下，單位體積內含有的氣體質量即為空氣密度，其計算公式如下：

式中，P空為空氣的絕對壓力；T 為熱力學溫度；φ為空氣的相對濕度；pb 為飽和水蒸氣的壓力。

根據式（3）可知，氣壓、溫度、空氣的相對濕度等因素都會直接影響空氣密度，而間接影響風電功率?？諝饷芏扰c氣壓呈正相關：當氣壓變大時，空氣密度就會變大，從而使風電功率增加[6]。

1.2.4 溫度

風能是空氣對流產生的，而產生空氣對流的主要原因是不同環境溫差形成了較大的氣壓差：環境溫差越大，氣壓差也就越大，產生的風速也就越大。因此，溫度是影響風速的重要因素。此外，溫度還對空氣密度產生影響。根據式（1）可知，空氣密度與風電功率呈正相關關系，這意味著溫度會間接影響風電功率。根據式（3）可以看出，空氣密度與溫度呈反比關系。因此，地區溫度越高，空氣密度越小，風電功率越??；地區溫度越低，空氣密度越大，風電功率越大。溫度對風速的影響是間接的，需要考慮環境溫差、氣壓、空氣的相對濕度等多個因素的綜合作用。綜上，溫度會直接或間接影響風電功率。

2 基于GCN-LSTM的超短期風電功率預測方法

2.1 長短期記憶網絡

長短期記憶（long short-term memory，LSTM）網絡是深度學習算法中的一種，可以有效挖掘時間序列中的特征關系，并且能夠進行大量的數據處理和更新，適合對風電功率這種非線性序列進行預測。LSTM 網絡源于循環神經網絡（recurrent neuralnetwork，RNN），其在RNN 的基礎上添加了多個門控單元和記憶細胞，通過門控單元實現對信息流的控制與存儲，有效改善了反向傳播中的梯度消失問題，因此被廣泛應用。LSTM 網絡主要包括遺忘門、輸入門和輸出門3 個部分。

（1）遺忘門：輸入由上一時刻的輸出yt-1 和此刻的輸入xt 構成，并由sigmoid 函數決定從單元狀態中可以拋棄哪些信息，然后將剩下的信息作為輸出。它的輸出是取值為[0，1] 的向量，且具有與細胞狀態Ct-1 相同的長度，遺忘門輸出Ft 計算公式如下：

Ft = σ（WF·[yt-1，xt]+bF）。 （ 4）

式中，σ 為sigmoid 函數；WF 為遺忘門權重系數，bF 為偏置項。

（2）輸入門：篩選出可以保留到當前單元狀態的信息。輸入門主要由兩個部分組成，一部分是確定需要更新的舊狀態，用It 表示；另一部分是通過tanh 激活函數生成臨時的新狀態，用gt 表示，具體計算公式如下：

式中，WI、Wg 為輸入門的不同權重系數；bI、bg 為偏置項。

（3）輸出門：通過sigmoid 函數計算權重并確定哪些信息需要輸出，再用tanh 激活函數處理細胞狀態Ct，最后乘以sigmoid 值，確定輸出。輸出門輸出Ot 計算公式如下：

式中，WO 為輸出門的權重系數；bO 為偏置項；yt為當前時刻的輸出。

2.2 圖卷積網絡

圖卷積網絡（graph convolution network，GCN）因具備良好的空間特征提取能力，被廣泛應用于交通流預測、電價預測、空氣質量預測等時空預測問題中。GCN 的出現為圖結構數據的研究提供了一個新方法。GCN 的核心是卷積和池化，其原理是將當前節點的特征與鄰居節點的特征進行聚合，以表征當前節點的新特征。每個節點的預測結果都受鄰居節點的影響，這有利于引入圖節點的全部信息特征，實現對數據潛在特征關系的進一步挖掘。GCN 有以下特征：將每個時刻的所有特征作為一個節點，這些節點構成了集合S；每個節點之間的相關性構成了集合E，也稱為節點之間的邊；通過每個節點之間的關系，建立了鄰接矩陣A。GCN 信息特征G 的表達式如下：

G =（ S，E，A）。 （ 7）

對于每個節點i 均有其特征xi，可以用矩陣xN×M 表示，其中，N 為節點的數量，M 為每個節點的特征數。本文基于所有節點的特征構建了特征矩陣X。將鄰接矩陣A 和特征矩陣X 輸入模型進行一系列的卷積操作，從而得到圖數據的全局特征，GCN 嵌入模型計算公式如下：

式中，H （l） 為第l 層的GCN 嵌入模型；A為無向圖的鄰接矩陣，A =A+In，In 是n 階單位矩陣；D為無向圖的度矩陣；W（l）為第l 層的輸入。

2.3 GCN-LSTM 模型預測流程

本文根據節點之間的相關性，將鄰接矩陣作為GCN 的輸入，再將歷史風電功率、風速、風向、溫度等數據作為節點的特征，構建特征矩陣，然后輸入GCN 進行一系列的卷積操作。在考慮空間特征的同時，還要提取歷史風電功率數據之間的時序特征，而LSTM 作為典型的時間序列預測算法可以滿足相關要求。因此，本文從時間和空間兩個方面進行考慮，提出了GCN 與LSTM 相結合的GCNLSTM 預測模型，以提高超短期風電功率預測的精度。

本文首先將時間長度為t 的歷史風電功率數據集作為模型輸入，利用GCN 對輸入數據進行解析，以提取空間特征；然后將數據輸入LSTM 提取時序特征；最后通過線性回歸層計算得到最終的預測數據。完整的預測流程如圖1 所示。首先，對從某風電場獲取的歷史風電功率和氣象數據進行預處理，將處理完的數據以8∶2 的比例分為訓練集和測試集。其次，將訓練集輸入GCN-LSTM 預測模型進行迭代訓練，完成后再將測試集輸入訓練完成的模型進行測試。最后，通過均方根誤差（rootmean squared error，RMSE）、平均絕對誤差（meanabsolute error，MAE）和預測準確率等評價指標，判斷輸出結果的誤差和準確率是否達到標準。如果結果不符合標準，需要對模型進行誤差分析，并不斷優化修正，直到輸出結果達到標準后輸出預測值。

3 實驗設置和結果分析

本文選用誤差評價標準對GCN-LSTM 預測模型的性能進行驗證。當預測點數較少時，MAE 會產生較大的誤差，無法反映整體的預測效果，因此選用RMSE 作為超短期預測的誤差評價標準，其不僅可以得到較好的預測效果，還可以清晰地表現出數據的離散化程度。為了更客觀地表現模型性能，本實驗還選用MAE 和預測準確率Cr，對GCN 預測模型、LSTM 預測模型和GCN-LSTM 預測模型的預測效果進行對比檢驗，并對結果進行了匯總，如表1 所示。

由表1 可知，相較于GCN 和LSTM 預測模型，GCN-LSTM 預測模型的RMSE、MAE 有明顯下降；在準確率方面，相較于GCN 和LSTM 預測模型，GCN-LSTM 預測模型的準確率較高。這說明GCNLSTM預測模型在本文數據集下具有較高的預測精度。

4 結論

本文探究了提高超短期風電功率預測精度的有效途徑，提出的GCN-LSTM 預測模型不僅為風電功率的精準預測提供了理論依據，還為電力系統的調度優化和安全控制提供了數據參考。這些研究成果對風能資源的高效利用具有重要意義，同時對可再生能源的應用與發展起到了積極的促進作用。

參考文獻

[1] 耿運濤. 基于EMD-PCA-LSTM 的短期風電功率預測研究[J]. 船電技術，2024，44（11）：20-23.

[2] 茹瑤，趙永寧，葉林，等. 超短期LSTM 風電功率預測模型的混合專家模塊化代理解釋方法[J]. 電力建設，2024，45（11）：114-124.

[3] 夏曉榮，胡鵬飛，王飛，等. 基于小波變換與優化BP 神經網絡的超短期光伏發電功率預測[J]. 電網與清潔能源，2024，40（10）：159-166.

[4] 李麗芬，陳旭，曹旺斌，等. 基于注意力特征融合時空圖網絡的超短期風電功率預測[J]. 電力科學與工程，2024，40（10）：19-29.

[5] 陳磊，黃凱陽，張怡，等. 基于信息調控和MATCN的超短期風電功率多步預測[J]. 現代電子技術，2024，47（18）：1-7.

[6] 馮芝麗， 郭李平. 基于IVMD-KPCA-LSTM 的超短期風電功率預測[J]. 湖南工業職業技術學院學報，2024，24（4）：11-18.