基于門控遞歸單元神經(jīng)網(wǎng)絡(luò)的風(fēng)速誤差修正模型短期風(fēng)電功率預(yù)測

（國網(wǎng)遼寧省電力有限公司 盤錦供電公司，遼寧 盤錦 124000）

目前，風(fēng)能已經(jīng)成為第二大可再生能源，被廣泛應(yīng)用于諸多領(lǐng)域［1］。然而，風(fēng)能所具有的間歇性和波動性也給電網(wǎng)調(diào)度和電力交易帶來了巨大的挑戰(zhàn)［2］。在風(fēng)量日益增長的情況下，及時(shí)準(zhǔn)確地預(yù)測風(fēng)電功率，能夠有效地減輕間歇性和波動性對電網(wǎng)所帶來的不良影響。風(fēng)電功率預(yù)測從時(shí)間尺度上劃分可分為4 類，分別為超短期（分鐘～小時(shí)）、短期（小時(shí)～天）、中期（周～月）、長期（月～年）。其中，超短期和短期風(fēng)力發(fā)電預(yù)測為電網(wǎng)調(diào)度和電力交易提供了基礎(chǔ)；長期風(fēng)力發(fā)電預(yù)測對選址、性能預(yù)測、風(fēng)車規(guī)劃以及為特定地點(diǎn)選擇最佳風(fēng)力發(fā)電機(jī)尺寸具有重要意義［3］。本文主要研究的是未來24 h 內(nèi)的短期風(fēng)電功率預(yù)測，用預(yù)測結(jié)果來輔助電網(wǎng)調(diào)度和電力交易。

在國內(nèi)外所提出的風(fēng)電功率預(yù)測方法中，主要利用兩種類型的數(shù)據(jù)來建立風(fēng)電功率預(yù)測模型，一種是風(fēng)電功率歷史數(shù)據(jù)，另一種是數(shù)值天氣預(yù)報(bào)（NWP）數(shù)據(jù)。風(fēng)電功率歷史數(shù)據(jù)主要用于超短期風(fēng)電功率預(yù)測［4］。由于風(fēng)的功率會直接受到風(fēng)速立方的影響，所以NWP 數(shù)據(jù)是風(fēng)電功率預(yù)測的重要數(shù)據(jù)源。NWP 所提供的風(fēng)速主要被用于建立短期風(fēng)力預(yù)測模型?，F(xiàn)有的利用NWP數(shù)據(jù)進(jìn)行風(fēng)電功率預(yù)測建模的方法可分為統(tǒng)計(jì)方法、人工智能學(xué)習(xí)方法和混合方法［5］。然而，風(fēng)速的間歇性和波動性也同樣會導(dǎo)致NWP數(shù)據(jù)所提供的風(fēng)速具有不確定性，進(jìn)而影響了風(fēng)電功率預(yù)測的準(zhǔn)確性，這給風(fēng)電功率預(yù)測帶來了巨大的挑戰(zhàn)。因此，利用數(shù)據(jù)挖掘方法對NWP數(shù)據(jù)進(jìn)行處理才能更加充分地利用風(fēng)速序列［6］。數(shù)據(jù)挖掘的方法有很多種，例如人工神經(jīng)網(wǎng)絡(luò)結(jié)合計(jì)算流體力學(xué)、日相似聚類、希爾伯特-黃變換和主成分分析，應(yīng)用這些方法能更有效地對短期風(fēng)電功率進(jìn)行預(yù)測。除此之外，也可以利用高斯過程和稀疏貝葉斯學(xué)習(xí)來建立風(fēng)力發(fā)電預(yù)測模型。在文獻(xiàn)［7］中，利用邊界層標(biāo)度法預(yù)測長期平均近地面的風(fēng)功率。然而，NWP 中的風(fēng)速數(shù)據(jù)總是存在誤差，因此擴(kuò)展數(shù)值天氣變量和偏差校正方法也常被用于校正風(fēng)電功率預(yù)測中的NWP 風(fēng)速。

為了提高風(fēng)電功率預(yù)測的準(zhǔn)確性，國內(nèi)外的研究人員提出了多種誤差修正模型［8］。但是，這些誤差校正模型是為了提供點(diǎn)對點(diǎn)的預(yù)測而建立的，其預(yù)測過程并不使用NWP氣象數(shù)據(jù)和風(fēng)電功率時(shí)間序列的特征參數(shù)。研究者提出了基于功率時(shí)間序列的識別方法和校正方法，以此來實(shí)現(xiàn)提高效益和削減成本的目的。此外，也可以利用矢量誤差校正模型來校正風(fēng)速時(shí)間序列的誤差［9］。綜上所述，可以利用NWP風(fēng)速誤差的時(shí)間序列特征來建立誤差修正模型，從而提高風(fēng)電功率預(yù)測的精度。

由于時(shí)間序列模型會受到時(shí)間序列特征的影響，所以時(shí)間序列特征的提取變得非常重要。時(shí)間序列特征的提取方法也因此被廣泛研究，如時(shí)間序列-特征直方圖方法、時(shí)間重要性曲線、空間聚集距離、小波主成分分析、基于加權(quán)形狀的時(shí)間序列聚類、相似形狀函數(shù)時(shí)間序列預(yù)測器、監(jiān)督聚集特征提取方法，以及形狀感知時(shí)間序列匹配算法。盡管有如此多的時(shí)間序列特征提取方法，但是都沒有將時(shí)間序列的統(tǒng)計(jì)學(xué)應(yīng)用到時(shí)間序列的提取中。綜上所述，現(xiàn)有的統(tǒng)計(jì)模型或時(shí)間序列模型都沒有充分利用統(tǒng)計(jì)特征和時(shí)間序列特征來校正NWP風(fēng)速時(shí)間序列。遞歸神經(jīng)網(wǎng)絡(luò)（RNN）經(jīng)常被用于處理不同領(lǐng)域的時(shí)間序列。門控遞歸單元（GRU）是RNN 的一種變體，被認(rèn)為是長短期記憶神經(jīng)網(wǎng)絡(luò)的簡單版本。利用門控遞歸單元神經(jīng)網(wǎng)絡(luò)，可以充分利用時(shí)間序列的統(tǒng)計(jì)特征和動態(tài)時(shí)間行為。GRUNN 與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的最大區(qū)別是引入了GRU 來克服一些缺點(diǎn)，其隱含層的門控單元結(jié)構(gòu)可以有效地緩解梯度消失和梯度爆炸問題［10］。因此，該神經(jīng)網(wǎng)絡(luò)具有修正NWP 風(fēng)速誤差的能力［11-12］。

1 問題描述和預(yù)測框架

本節(jié)描述了利用數(shù)值天氣預(yù)報(bào)NWP 的風(fēng)速進(jìn)行風(fēng)力發(fā)電預(yù)測的問題，然后對NWP 風(fēng)速的特點(diǎn)進(jìn)行分析，進(jìn)而提出了風(fēng)電功率預(yù)測的模型框架。

1.1 問題描述

在自然界中，風(fēng)速是一個(gè)連續(xù)的物理量。本文利用風(fēng)速塔在一小段時(shí)間間隔（如1 s）內(nèi)測量風(fēng)速，得到風(fēng)速時(shí)間序列，然后計(jì)算實(shí)測風(fēng)速的平均值，得到較大時(shí)間間隔（如15 min）的風(fēng)速時(shí)間序列。

圖1 為某實(shí)際風(fēng)電場實(shí)測風(fēng)速與風(fēng)力功率的關(guān)系，滿足風(fēng)力機(jī)功率曲線。風(fēng)力渦輪機(jī)捕捉風(fēng)能并將其轉(zhuǎn)化為電能，風(fēng)力渦輪機(jī)的輸出功率與通過葉片有效面積的空氣的動能有關(guān)。輸出功率如下：

式中，Pm為風(fēng)力機(jī)輸出功率；Cp為風(fēng)力機(jī)功率系數(shù)；ρ為空氣密度；A為風(fēng)力機(jī)葉片掃過的面積；V為風(fēng)速。

由于NWP 的不確定性，其風(fēng)速存在誤差ε，故式（1）變?yōu)?/p>

圖1 實(shí)測風(fēng)速與風(fēng)電功率的關(guān)系

NWP 風(fēng)速可以用來預(yù)測風(fēng)力發(fā)電。在實(shí)際風(fēng)電場中，NWP風(fēng)速與風(fēng)電功率的關(guān)系如圖2所示。

圖2 NWP風(fēng)速與風(fēng)電功率的關(guān)系

從圖1 和圖2 可以看出，風(fēng)速誤差會導(dǎo)致預(yù)報(bào)誤差。為了提高風(fēng)力發(fā)電預(yù)測的精度，應(yīng)運(yùn)用誤差修正方法，減小風(fēng)速誤差。因此，需要對NWP風(fēng)速特征進(jìn)行分析和提取。

1.2 濕地風(fēng)速的特征分析

為了研究風(fēng)速時(shí)間序列的統(tǒng)計(jì)特征，做出實(shí)測風(fēng)速和NWP風(fēng)速的直方圖，如圖3所示。由圖可以看出，NWP風(fēng)速的分布與實(shí)測風(fēng)速的分布不同。

圖3 實(shí)測風(fēng)速和NWP風(fēng)速

假設(shè)測量的風(fēng)速是準(zhǔn)確的，那么NWP 風(fēng)速的誤差為測量風(fēng)速減去NWP 風(fēng)速。在圖4 中，黑線表示不同風(fēng)速下NWP 風(fēng)速誤差的范圍，點(diǎn)表示不同風(fēng)速下NWP風(fēng)速的中等誤差，十字表示異常值。每一個(gè)風(fēng)速值都有對應(yīng)的風(fēng)速誤差分布。

圖4 風(fēng)速誤差

1.3 預(yù)測框架

通過以上分析，本文提出了一種基于雙向門控遞歸單元神經(jīng)網(wǎng)絡(luò)GRUNN 的風(fēng)速誤差修正模型，用于風(fēng)電機(jī)組的風(fēng)速誤差修正，以此來提高短期風(fēng)電功率預(yù)測的精度。預(yù)測框架流程如圖5所示。

圖5 預(yù)測框架流程

將NWP 風(fēng)速誤差的標(biāo)準(zhǔn)差設(shè)為權(quán)重時(shí)間序列。將權(quán)重時(shí)間序列分解為趨勢項(xiàng)和細(xì)節(jié)項(xiàng)并輸入到基于GRUNNs 的誤差修正模型，對NWP 風(fēng)速進(jìn)行修正。將修正后的NWP風(fēng)速應(yīng)用于短期風(fēng)電功率預(yù)測，可以有效地提高預(yù)測精度。

2 數(shù)值預(yù)報(bào)風(fēng)速誤差修正模型

本節(jié)提出了基于雙向門控循環(huán)單元（GRU）-神經(jīng)網(wǎng)絡(luò)（NN）的數(shù)值預(yù)報(bào)風(fēng)速誤差修正模型，對數(shù)值預(yù)報(bào)風(fēng)速誤差進(jìn)行了修正。

2.1 雙向門控循環(huán)單元-神經(jīng)網(wǎng)絡(luò)

GRU 的體系結(jié)構(gòu)如圖6 所示。GRU 有兩個(gè)門：復(fù)位門r調(diào)整新輸入與先前存儲器的合并；采用更新門z的控制方法來進(jìn)行先前存儲器的保存。

圖6 基于GRU的RNN體系結(jié)構(gòu)

式中，ot是一個(gè)神經(jīng)細(xì)胞的函數(shù)；xt為輸入；U、V和W分別是x、h和輸出層的權(quán)重矩陣；f（i）是激活函數(shù)。

對于基于GRU的循環(huán)神經(jīng)網(wǎng)絡(luò)，如果按圖8所示連接獨(dú)立GRUNN，則該結(jié)構(gòu)被開發(fā)為雙向GRUNN。這種結(jié)構(gòu)能夠在兩個(gè)方向上處理序列輸入，包括前向和后向兩個(gè)單獨(dú)的隱藏層。每個(gè)隱藏層可以同時(shí)捕獲過去（正向）和未來（反向）的數(shù)據(jù)信息。這種結(jié)構(gòu)的雙向性增加了模型的容量和靈活性。

圖7 雙向GRU-NN結(jié)構(gòu)

2.2 基于雙向門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)的誤差修正模型

基于雙向GRUNNs 的結(jié)構(gòu)提出了風(fēng)速誤差修正模型，其體系結(jié)構(gòu)如圖8 所示。輸入是時(shí)間序列數(shù)據(jù)，表示為X=［x1，x2，…，xn］，其中n是訓(xùn)練數(shù)據(jù)的長度。從訓(xùn)練數(shù)據(jù)的輸入中提取局部特征。

圖8 風(fēng)速誤差修正模型體系結(jié)構(gòu)

2.2.1 局部特征提取

每個(gè)輸入被分成多個(gè)局部段，每段是長度為l 的原始信號的窗口，例如第j個(gè)局部窗口是從時(shí)間步長xj到xj+l-1的段。假設(shè)在局部特征提取之后，原始的輸入被轉(zhuǎn)換成一系列的局部特征，表達(dá)如下：

其中，Xt由t時(shí)刻窗口提取的l 個(gè)特征組成，與原始時(shí)間序列X相比，局部特征序列要短得多，并且比噪聲原始輸入傳遞更多的鑒別信息。

2.2.2 建模過程

為了充分利用風(fēng)速時(shí)間序列的特點(diǎn)，提出了一種基于時(shí)間序列的風(fēng)速預(yù)測方法，通過經(jīng)驗(yàn)?zāi)B(tài)分解，將權(quán)重時(shí)間序列分解為趨勢項(xiàng)和細(xì)節(jié)項(xiàng)。在誤差校正模型中，X{x1，x2，···，xn}為輸入矩陣，如式（6）所示。

式中，v為NWP風(fēng)速；ct為趨勢項(xiàng)；cd為細(xì)節(jié)項(xiàng)。

利用式（6）得到局部特征矩陣：

采用雙向門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)建立誤差修正模型：

式中，f（·）是雙向門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)。

式（9）可以寫為

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)設(shè)計(jì)

使用一組從2016 年位于某省的一個(gè)風(fēng)電場的實(shí)際數(shù)據(jù)中獲得的，采樣時(shí)間為15 min 的風(fēng)速、風(fēng)力和NWP風(fēng)速數(shù)據(jù)。

3.2 評價(jià)標(biāo)準(zhǔn)

為了評價(jià)該模型的預(yù)測性能，以預(yù)測風(fēng)力發(fā)電的均方根誤差（RMSE）和平均絕對誤差（MAE）為標(biāo)準(zhǔn)。在［0，1］范圍內(nèi)，RMSE和MAE數(shù)值較小意味著所提出的模型的性能更加優(yōu)異。方程表示如下：

3.3 實(shí)驗(yàn)結(jié)果

利用風(fēng)電場的實(shí)際數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，評價(jià)其性能，說明權(quán)重時(shí)間序列的生成過程，并對預(yù)測結(jié)果進(jìn)行了說明。

3.3.1 重量時(shí)間序列

對于1 200 個(gè)樣本點(diǎn)的數(shù)據(jù)集，通過從實(shí)測風(fēng)速中減去NWP 風(fēng)速，計(jì)算NWP 風(fēng)速誤差。在實(shí)測風(fēng)速與NWP 風(fēng)速誤差之間，隨著NWP 風(fēng)速的增加，NWP 風(fēng)速與實(shí)測風(fēng)速的偏差發(fā)生變化，誤差范圍先增大，然后隨著NWP 風(fēng)速的增加而減小。通過分析發(fā)現(xiàn)，NWP風(fēng)速為5 m/s～10 m/s的誤差范圍最大，其中提取NWP 風(fēng)速誤差標(biāo)準(zhǔn)差作為權(quán)重。根據(jù)NWP 風(fēng)速時(shí)間序列，說明了NWP 風(fēng)速不僅具有時(shí)間序列特征，而且NWP 風(fēng)速誤差也具有時(shí)間序列特征。例如，在第72個(gè)樣本點(diǎn)的相鄰點(diǎn)，NWP風(fēng)速和NWP 風(fēng)速誤差大于其他點(diǎn)（第30 個(gè)和第95個(gè)樣本點(diǎn)）。以其他時(shí)期為例，NWP 風(fēng)速和NWP風(fēng)速誤差如圖4 所示。這一特點(diǎn)要求考慮前進(jìn)和后退時(shí)間系列信息。因此，利用NWP 風(fēng)速誤差的時(shí)間序列特性來修正NWP風(fēng)速。

3.3.2 預(yù)測結(jié)果分析比較

NWP 風(fēng)速的標(biāo)準(zhǔn)偏差誤差被提取權(quán)重。重新整理NWP 風(fēng)速誤差時(shí)間序列的標(biāo)準(zhǔn)差，得到權(quán)重時(shí)間序列。通過經(jīng)驗(yàn)?zāi)Ｊ椒纸?，將?quán)重時(shí)間序列分解為趨勢項(xiàng)和細(xì)節(jié)項(xiàng)。趨勢項(xiàng)和權(quán)重時(shí)間序列的細(xì)節(jié)項(xiàng)作為修正模型的輸入，以歷史實(shí)測風(fēng)速作為輸出，對模型進(jìn)行訓(xùn)練，然后得到修正模型。由于風(fēng)力與風(fēng)速的立方關(guān)系，高風(fēng)速段NWP 風(fēng)速的不準(zhǔn)確性比低風(fēng)速段造成更多的誤差。結(jié)果表明，當(dāng)NWP 風(fēng)速遠(yuǎn)高于實(shí)測風(fēng)速時(shí)，該方法表現(xiàn)良好，仿真結(jié)果驗(yàn)證了其有效性。因此，該方法是非常有意義的。

采用修正后的NWP 風(fēng)速，并結(jié)合風(fēng)電功率曲線預(yù)測風(fēng)電功率。將該方法預(yù)測的風(fēng)電功率與神經(jīng)網(wǎng)絡(luò)模型和SVM 模型進(jìn)行了比較，風(fēng)電預(yù)測結(jié)果如圖2 所示。預(yù)測結(jié)果的RMSE 和MAE 見表1和表2。從這些表中可以看出，采用修正的NWP模型，風(fēng)電預(yù)測的精度有了很大的提高，所提出的模型優(yōu)于所有基準(zhǔn)模型。實(shí)驗(yàn)驗(yàn)證了該方法的有效性。

表1 預(yù)測風(fēng)力發(fā)電的RMSE %

表2 預(yù)測風(fēng)力發(fā)電的MAE %

4 總結(jié)

本文提出了一種基于門控遞歸神經(jīng)網(wǎng)絡(luò)的NWP 風(fēng)速誤差修正模型，該模型用于短期風(fēng)電功率預(yù)測。首先，分析NWP 風(fēng)速數(shù)據(jù)的特征并提取NWP 風(fēng)速誤差的標(biāo)準(zhǔn)差作為NWP 風(fēng)速時(shí)間序列的權(quán)值。然后，提出了基于雙向門控遞歸神經(jīng)網(wǎng)絡(luò)的誤差修正模型來修正NWP 風(fēng)速，使其更加貼近于風(fēng)電場測風(fēng)塔的風(fēng)速數(shù)據(jù)。最后，將所提出的預(yù)測模型與基準(zhǔn)模型進(jìn)行了有效性比較。實(shí)驗(yàn)結(jié)果表明，該模型具有較好的短期風(fēng)電功率預(yù)測能力。由于中長期數(shù)值天氣預(yù)報(bào)數(shù)據(jù)同時(shí)具有統(tǒng)計(jì)特性和時(shí)間序列特性，因此該方法也可用于中長期風(fēng)電功率預(yù)測。