基于CEEMDAN和改進時間卷積網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測模型

趙凌云，劉友波，沈曉東，劉代勇，呂 霜

基于CEEMDAN和改進時間卷積網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測模型

趙凌云1，劉友波1，沈曉東1，劉代勇2，呂 霜3

(1.四川大學(xué)電氣工程學(xué)院，四川 成都 610065；2.國網(wǎng)四川省電力公司德陽供電公司，四川 德陽 618000；3.國網(wǎng)四川省電力公司成都供電公司，四川 成都 610000)

近年來，風(fēng)力發(fā)電逐漸成為可再生能源發(fā)電的關(guān)鍵部分。為了提高風(fēng)力發(fā)電功率短期預(yù)測的準確度，提出了一種將自適應(yīng)噪聲完備集成經(jīng)驗?zāi)B(tài)分解與改進時間卷積網(wǎng)絡(luò)結(jié)合的短期風(fēng)電功率預(yù)測模型。首先，利用CEEMDAN對風(fēng)電功率序列進行分解，得到子序列分量，并分別與關(guān)鍵氣象變量數(shù)據(jù)構(gòu)成訓(xùn)練集。然后，使用基于時間模式注意力機制的時間卷積網(wǎng)絡(luò)對子序列分量分別進行預(yù)測。最后，重構(gòu)預(yù)測結(jié)果后得到最終的預(yù)測值。整個預(yù)測過程有助于精準刻畫風(fēng)電的分量特性，并通過TPA機制捕捉變量間的關(guān)聯(lián)性，有效地提高風(fēng)電功率的預(yù)測準確率。

風(fēng)電功率預(yù)測；自適應(yīng)噪聲完備集成經(jīng)驗?zāi)B(tài)分解；時間卷積網(wǎng)絡(luò)；時間模式注意力機制

0 引言

隨著新能源的發(fā)展，風(fēng)力發(fā)電逐漸成為最重要的綠色能源之一。目前，我國的風(fēng)力發(fā)電并網(wǎng)比例增長十分迅速，具有良好的發(fā)展前景。風(fēng)力發(fā)電的出力功率具有間歇性和不穩(wěn)定性，會隨著一些氣象因素而發(fā)生較大的波動，如日間風(fēng)速、風(fēng)向以及大氣壓的變化等[1]。在提高風(fēng)力發(fā)電系統(tǒng)并網(wǎng)運行的比例的同時，風(fēng)力發(fā)電也會對電網(wǎng)的運行安全和穩(wěn)定性造成比較大的影響[2-3]。因此，如何提高對風(fēng)電的預(yù)測能力，在目前的風(fēng)力發(fā)電發(fā)展進程中尤為重要[4]。

風(fēng)電功率預(yù)測中使用較多的方法可以分為三類：物理方法、統(tǒng)計預(yù)測方法以及人工智能方法。其中，物理模型的建立過程較為復(fù)雜，其通過建立函數(shù)關(guān)系模型實現(xiàn)對風(fēng)電功率的預(yù)測[5-6]。相比較于物理預(yù)測方法，統(tǒng)計預(yù)測方法建模過程更加簡單[7-8]，其平均預(yù)測精度也高于傳統(tǒng)的物理預(yù)測模型。人工智能方法通過對大量的風(fēng)電功率歷史記錄數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，再利用訓(xùn)練完畢的模型對時間序列的發(fā)展趨勢進行預(yù)測。其中經(jīng)典的方法有支持向量機[9-10]和人工神經(jīng)網(wǎng)絡(luò)[11-14]等。人工智能的預(yù)測方法相比于前兩種方法能夠更加有效地在時序建模中反應(yīng)時間序列的變化趨勢，但是單一的神經(jīng)網(wǎng)絡(luò)預(yù)測模型精度較低。

單一的預(yù)測方法預(yù)測誤差較大，其最主要的原因在于風(fēng)電功率曲線是一種典型的非平穩(wěn)非線性的時間序列。針對風(fēng)電功率的不平穩(wěn)性，先對序列進行分解，再對子序列分別預(yù)測，最后進行重構(gòu)的組合預(yù)測方法能有效地提高精度。其中，經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition, EMD)、變分模態(tài)分解(Variational Mode Decomposition, VMD)和小波變換(Wavelet Transform, WT)及其變式算法均為分解非線性時間序列的有效方法。文獻[15-16]利用小波變換對原始序列分解，并通過支持向量機和人工神經(jīng)網(wǎng)絡(luò)進行預(yù)測，但組合預(yù)測模型中未分析關(guān)鍵變量對風(fēng)電功率變化的影響。文獻[17-18]使用了集合經(jīng)驗?zāi)B(tài)分解算法(Ensemble Empirical Mode Decomposition, EEMD)對序列進行分解預(yù)處理，預(yù)測模型分別采用了最小二乘支持向量機和小波神經(jīng)網(wǎng)絡(luò)。但EEMD分解算法仍存在子序列模態(tài)混疊與白噪聲難以消除的問題。同時，分解子序列數(shù)量過多會導(dǎo)致誤差疊加，增大組合模型的預(yù)測誤差。文獻[19]在變分模態(tài)分解后利用子模式的樣本熵分析其復(fù)雜度，提出了一種自適應(yīng)多層級綜合預(yù)測模型。綜合上述研究，分解-預(yù)測-重構(gòu)的組合預(yù)測模型能夠有效地提高風(fēng)電功率預(yù)測的準確度。在此模型組合的基礎(chǔ)上，若能選擇重構(gòu)誤差更小的分解算法和預(yù)測精度更高的神經(jīng)網(wǎng)絡(luò)模型，則可以進一步提高組合模型的預(yù)測精度。

基于上述研究成果，本文提出了自適應(yīng)噪聲完備集成經(jīng)驗?zāi)B(tài)分解與基于時間模式注意力機制的時間卷積網(wǎng)絡(luò)短期風(fēng)電功率組合預(yù)測方法。首先，利用自適應(yīng)噪聲完備集成經(jīng)驗?zāi)B(tài)分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN)算法對風(fēng)電序列進行分解預(yù)處理，再使用時間模式注意力機制-改進時間卷積網(wǎng)絡(luò)(Temporal Pattern Attention-Temporal Convolutional Network, TPA-TCN)神經(jīng)網(wǎng)絡(luò)對其子分量分別預(yù)測，最后重構(gòu)分量的預(yù)測結(jié)果，得到最終的風(fēng)電功率預(yù)測結(jié)果。算例結(jié)果表明，CEEMDAN分解能夠更加有效地解決子序列模態(tài)混疊與白噪聲難以消除的問題。而TPA-TCN模型能夠捕捉各因素之間的非線性關(guān)聯(lián)，有效地提高短期風(fēng)電功率的預(yù)測精度。

1 風(fēng)電功率時間序列的預(yù)處理

1.1 時間序列分解算法

經(jīng)驗?zāi)B(tài)分解(EMD)能夠自適應(yīng)地將時間序列分解為若干個獨立的本征模態(tài)函數(shù)(Instrinsic Mode Function, IMF)分量以及一個殘余分量。傳統(tǒng)的EMD分解在非線性信號分解中應(yīng)用最為廣泛，但容易出現(xiàn)模態(tài)混疊的問題。集合經(jīng)驗?zāi)B(tài)分解(EEMD)對EMD做出了改進——對原始信號添加白噪聲信號，分別進行多次EMD分解，將所得IMF分量進行平均計算，從而得到最終的IMF分量。其整個過程能夠有效地克服EMD方法的模態(tài)混疊缺陷，但并未對添加的白噪聲信號進行進一步消除，導(dǎo)致殘留噪聲較大，額外增加了分量的重構(gòu)誤差。

自適應(yīng)噪聲完備集成經(jīng)驗?zāi)B(tài)分解(CEEMDAN)針對EEMD分解做出了進一步改進—添加自適應(yīng)白噪聲，并在得到第一階IMF后就進行總體平均計算，得到最終的IMF分量。其分解過程具有完整性，相比EEMD算法，分量重構(gòu)誤差大大降低[20]。作為EEMD和EMD的改進算法，CEEMDAN能夠同時具有較小的模態(tài)混疊現(xiàn)象和較小的分量重構(gòu)誤差。其具體的分解流程如下所述。

4) 重復(fù)上述步驟，直到殘余分量極值點個數(shù)減小到一定數(shù)量(通常設(shè)定小于等于2)，不能夠繼續(xù)分解，則CEEMDAN分解結(jié)束。此時原始信號被分解為若干個IMF分量與一個殘余分量。

本文對上述迭代停止準則進行改進，人為設(shè)定生成的IMF個數(shù)作為CEEMDAN算法的迭代停止條件[21]。通過調(diào)整分解生成的IMF個數(shù)，能夠進一步降低模態(tài)混疊現(xiàn)象。

1.2 排列熵

針對每個分解得到的子序列分量，可以通過排列熵(Permutation Entropy, PE)的大小衡量時間序列的復(fù)雜度[22]。排列熵越大，說明時間序列越復(fù)雜，反之，說明時間序列越規(guī)律。對于不同的分解算法，若分解得到的各個子分量排列熵差異越小，則證明其分解結(jié)果的模態(tài)混疊現(xiàn)象越嚴重，反之，則證明其結(jié)果模態(tài)混疊現(xiàn)象越少。排列熵原理如下所述。

2 TPA-TCN預(yù)測模型

2.1 風(fēng)力發(fā)電特性分析

風(fēng)能具有可再生、無污染和成本低的優(yōu)點，是一種有較大開發(fā)價值的新能源。擁有風(fēng)能資源的各個地區(qū)所處的緯度不同，海拔也不同，導(dǎo)致氣候類型有較大的差異，這對于風(fēng)的特性具有重要的影響[23]。各個因素導(dǎo)致了自然風(fēng)不可控，并且使得風(fēng)電的輸出功率具有較大的隨機性和波動性。顯然，一些關(guān)鍵的氣象因素能夠直接影響風(fēng)電功率的大小，例如，風(fēng)速是影響風(fēng)電功率大小最直接的因素之一，風(fēng)電輸出功率與風(fēng)速之間具有明顯的正相關(guān)性質(zhì)。

除此之外，根據(jù)風(fēng)電場的位置與朝向，風(fēng)向也會對發(fā)電功率產(chǎn)生影響。同時氣溫、大氣壓和濕度等因素的影響也會使風(fēng)電功率發(fā)生變化，但是各個因素對風(fēng)力變化的影響方式各不同，程度也有差異[24]。因此，對氣象數(shù)據(jù)與風(fēng)電功率的關(guān)聯(lián)性的特征捕捉是提高風(fēng)電功率預(yù)測準確度的關(guān)鍵。

2.2 時間卷積網(wǎng)絡(luò)

時間卷積網(wǎng)絡(luò)[25]是針對時間序列預(yù)測的有效模型，其針對一維卷積網(wǎng)絡(luò)的預(yù)測模型做出了改造。TCN的核心組件是因果擴張網(wǎng)絡(luò)，其結(jié)構(gòu)如圖1所示，其優(yōu)點并不是與傳統(tǒng)卷積網(wǎng)絡(luò)一樣經(jīng)過池化過程，而是直接通過一系列的擴張卷積逐漸增加感受野，使輸出擁有豐富的信息。在因果擴張卷積中，可以通過調(diào)整卷積核、卷積層數(shù)和擴張系數(shù)等參數(shù)實現(xiàn)對長時間序列整體特征的捕捉，使得序列對深層網(wǎng)絡(luò)的影響進一步加深。

圖1 因果擴張卷積

Fig. 1 Causal expansion convolution

因果擴張網(wǎng)絡(luò)中，弧線連接的部分是殘差模塊，其可以解決TCN層數(shù)變深后可能出現(xiàn)的信息丟失問題。該模塊的原理是在進行卷積操作之后，將輸入疊加到輸出上，從而使得信息不被丟失。將兩個因果擴張卷積層加上與之配套的各種模塊組成一個殘差模塊作為TCN網(wǎng)絡(luò)的基本單元，其結(jié)構(gòu)如圖2所示。

HIV基因組全長約9.7 kb，含有g(shù)ag、pol和env 3個結(jié)構(gòu)基因、2個調(diào)節(jié)基因（tat反式激活因子和rev毒粒蛋白表達調(diào)節(jié)因子）和4個輔助基因 （nef負調(diào)控因子、vpr病毒蛋白r、vpu病毒蛋白u和vif病毒感染因子）。

圖2 TCN殘差模塊

Fig. 2 TCN residual module

2.3 基于時間模式注意力的時間卷積網(wǎng)絡(luò)模型

如上文所述，在風(fēng)電功率的實際預(yù)測中，重要的數(shù)據(jù)不僅包括歷史風(fēng)電的功率數(shù)據(jù)，更包括風(fēng)速、風(fēng)向、溫度等多元變量。多元變量與時間序列組成多元時間序列后，基于時間模式的注意力機制(TPA)[26]能夠在預(yù)測模型中捕捉各變量對預(yù)測序列的影響，有效提高了預(yù)測精度。為了解決變量之間存在的復(fù)雜、動態(tài)并且相互依賴的關(guān)系，本文對時間卷積網(wǎng)絡(luò)做出改進，并提出了TPA-TCN模型。在圖3的TPA-TCN網(wǎng)絡(luò)結(jié)構(gòu)中，第一層使用TCN提取時間序列的特征，第二層使用TPA機制捕捉變量之間的依賴性，最終輸出預(yù)測結(jié)果。其中彩色方框代表時間模式注意層的行卷積過程。

圖3 TPA-TCN預(yù)測模型

1) TCN層

第一層是TCN時間卷積網(wǎng)絡(luò)層，給定輸入多維時間序列，使用TCN捕捉時序信息。TCN層的輸出是每個時間步的隱藏狀態(tài)，輸出在時刻的隱藏信息，可由式(12)表示。

2) 時間模式捕捉層

單層CNN善于提取各種重要信號的特征，第二層使用CNN作為時間模式捕捉層。

3) 時間模式注意層

3 建模與數(shù)據(jù)預(yù)處理

3.1預(yù)測模型流程

綜合上文的建模過程，可以得到CEEMDAN- TPA-TCN組合預(yù)測模型的預(yù)測流程，如圖4所示。組合模型的具體預(yù)測步驟如下：

2) 將原始數(shù)據(jù)分解后的各個分量與關(guān)鍵變量數(shù)據(jù)組成訓(xùn)練集輸入TPA-TCN模型，得到各個分量預(yù)測后的結(jié)果。

3) 將各個分量的預(yù)測值結(jié)果進行疊加重構(gòu)，得到最終的風(fēng)電功率預(yù)測值。

4) 將得到的風(fēng)電功率預(yù)測值與實際的風(fēng)電功率數(shù)據(jù)對比，分析誤差。

圖4 風(fēng)電功率預(yù)測流程圖

3.2 數(shù)據(jù)預(yù)處理

3.2.1歸一化

對于風(fēng)電功率、風(fēng)向、風(fēng)速等采集的數(shù)據(jù)，數(shù)量單位和數(shù)量級都不同，同時神經(jīng)元的輸出范圍在0和1之間。為了避免神經(jīng)元過飽和，將所有樣本的歷史數(shù)據(jù)做歸一化處理使其為[0,1]的數(shù)據(jù)。

3.2.2預(yù)測誤差評價指標選取

為了保證能夠?qū)φw模型的準確率進行有效評價，本文選擇了兩種用于評判時序序列預(yù)測模型的評價指標，分別為平均相對誤差(Mean Absolute Percentage Error, MAPE)和均方根誤差(Root Mean Squard Error, RMSE)，計算公式為

3.2.3風(fēng)電功率序列預(yù)處理

原始風(fēng)電功率序列具有較大的隨機性和波動性，需要通過分解算法對其進行預(yù)處理。本節(jié)實驗選用EEMD作為CEEMDAN的對比算法，比較二者的重構(gòu)誤差以及模態(tài)混疊現(xiàn)象。在EEMD與CEEMDAN分解中，一般取0.01～0.5倍標準差和150～300次范圍內(nèi)的白噪聲得到的分解效果最好[27]。實驗將EEMD與CEEMDAN加入的白噪聲標準差設(shè)置為0.25，總集合次數(shù)設(shè)置為100次。

將CEEMDAN分解生成的IMF個數(shù)在3～9個內(nèi)進行調(diào)整，不斷計算在不同迭代停止條件下的分量重構(gòu)誤差。實驗結(jié)果表明，IMF個數(shù)設(shè)置為4時，CEEMDAN能將重構(gòu)誤差降到最低。

將殘余分量極值點小于等于1作為迭代停止條件，對原始的風(fēng)電功率時間序列進行EEMD分解，逐步分離出了11個IMF分量和1個殘余分量。兩組分解結(jié)果如圖5和圖6所示，圖中采樣點為5 000個，采樣間隔為15 min，圖中第一個序列均為原始風(fēng)電功率。

針對同一組風(fēng)電功率序列，取子序列進行重構(gòu)，并與實際的原始序列進行比較，計算兩種算法的重構(gòu)誤差，結(jié)果如表1所示。

圖5 風(fēng)電功率序列的CEEMDAN分解結(jié)果

圖6 風(fēng)電功率序列的EEMD分解結(jié)果

表1 重構(gòu)誤差

實驗結(jié)果表明，CEEMDAN子序列重構(gòu)誤差遠遠小于EEMD子序列，證明了CEEMDAN算法能夠有效地消除殘余白噪聲影響。

從圖5、圖6中可得，兩種分解方式產(chǎn)生的子序列復(fù)雜度均逐漸減小。其中EEMD各個子序列復(fù)雜度相近，而CEEMDAN子序列數(shù)目更少，相鄰子序列之間的復(fù)雜度差異相比EEMD更大。

圖7 兩種分解算法子序列的排列熵

由圖7可知，各個子序列的排列熵值隨著其頻率的降低而降低，即分解得到的子序列非平穩(wěn)性逐漸減低，趨勢越來越規(guī)律。但EEMD分解子序列IMF1～IMF8和IMF9～IMF11排列熵值接近，說明其子序列仍然存在一定的模態(tài)混疊現(xiàn)象。而經(jīng)過對停止迭代條件的改進，CEEMDAN分解子序列數(shù)量更少，并且排列熵值變化跨度更大，子序列不存在明顯的模態(tài)混疊現(xiàn)象。

4 算例測試

本文算例的數(shù)據(jù)集為寧夏某風(fēng)電場2013年2月—2013年4月所采集的實際風(fēng)電功率數(shù)據(jù)，并包括傳感器中收集的風(fēng)速、風(fēng)向、溫度、濕度和大氣壓五個類型的主要氣象數(shù)據(jù)。

其中，算例中樣本個數(shù)均為5 000個，每兩個樣本點之間的時間間隔為15 min。所有的預(yù)測實驗中均選取最后192個采樣點(兩日)作為測試集，其余為訓(xùn)練集。為了對比驗證模型的精度，實驗一采用了TPA-TCN和EEMD-TPA-TCN作為CEEMDAN- TPA-TCN的對比算法進行實驗，以分析CEEMDAN預(yù)處理對組合預(yù)測模型精度的影響。實驗二采用CEEMDAN-TCN、CEEMDAN-LSTM和CEEMDAN- BP作為CEEMDAN-TPA-TCN的對比算法進行實驗，以分析TPA-TCN模型預(yù)測效果。

4.1預(yù)測模型超參數(shù)

在對原始序列分解并進行歸一化處理后，對于不同的重構(gòu)分量，根據(jù)其不同的特征對數(shù)據(jù)批大小b_size、學(xué)習(xí)速率lr、隨機失活比率Dropout和殘差塊擴張系數(shù)等超參數(shù)設(shè)置進行反復(fù)實驗，得到最優(yōu)的CEEMDAN-TPA-TCN超參數(shù)組合，見表2。

表2 訓(xùn)練參數(shù)設(shè)置2

在反復(fù)實驗中發(fā)現(xiàn)，更高的擴張系數(shù)能夠?qū)Ω哳l重構(gòu)分量有更好的預(yù)測效果。與上文分析的結(jié)果相同，更高的擴張系數(shù)能夠獲得更大的卷積感受野，從而更加精準地捕捉高頻分量的整體序列特征，忽略局部的變化趨勢，即較大的擴張系數(shù)更適用于高頻率分量的預(yù)測。

其余訓(xùn)練超參數(shù)(如卷積核大小k_size、優(yōu)化器Optimizer、激活函數(shù)Activation和訓(xùn)練epoch)的設(shè)置如表3所示。TPA-TCN模型搭建采用Python語言編寫，在Keras深度學(xué)習(xí)框架下實現(xiàn)。

表3 訓(xùn)練參數(shù)設(shè)置1

4.2 結(jié)果分析

4.2.1 CEEMDAN單步預(yù)測結(jié)果分析

本節(jié)對分解算法的性能進行了研究。設(shè)定合適的超參數(shù)后，將數(shù)據(jù)集輸入預(yù)測模型中，可以得到子分量序列的預(yù)測值。其中，采用TPA-TCN(F)和EEMD-TPA-TCN(E)作為CEEMDAN-TPA-TCN(A)的對比算法進行實驗，并且不同模型均采用單步預(yù)測的預(yù)測形式。在對比實驗中，不同預(yù)測模型的預(yù)測誤差如表4所示，單步預(yù)測的結(jié)果如圖8所示。

表4 單步預(yù)測誤差1

圖8 單步預(yù)測結(jié)果

相較于未進行分解預(yù)處理的TPA-TCN單一預(yù)測模型，其經(jīng)過EEMD和CEEMDAN分解預(yù)處理的對應(yīng)預(yù)測模型精度都有一定幅度的提高，單步預(yù)測在單一模型基礎(chǔ)上分別降低了15.7%和67.4%。算例表明序列分解的預(yù)處理對提高預(yù)測精度有著重要的意義，而CEEMDAN對組合預(yù)測模型精度提升更大，CEEMDAN是一種優(yōu)于EEMD的分解算法，與上文的理論分析相符。

4.2.2 TPA-TCN單步預(yù)測結(jié)果分析

本節(jié)對TPA-TCN預(yù)測模型性能進行了分析。采用CEEMDAN-TCN(B)、CEEMDAN-LSTM(C)和 CEEMDAN-BP(D)作為CEEMDAN-TPA-TCN(A)的對比算法進行實驗，預(yù)測均采用單步預(yù)測的形式。在對比實驗中，不同預(yù)測模型的預(yù)測誤差如表5所示，單步預(yù)測的結(jié)果如圖8所示。

表5 單步預(yù)測誤差2

在同樣進行了CEEMDAN預(yù)處理的四種組合預(yù)測方法中，CEEMDAN-TPA-TCN預(yù)測精度最高。證明TPA-TCN模型能夠通過有效地捕捉變量關(guān)聯(lián)信息，進一步提高組合模型的預(yù)測精度。

4.2.3 多步預(yù)測分析

為了進一步驗證提出的CEEMDAN-TPA-TCN組合預(yù)測方法的精度，本節(jié)對風(fēng)電功率序列進行了多步預(yù)測，預(yù)測誤差結(jié)果如表6所示。本文采用的多步預(yù)測方式為滾動預(yù)測，即利用單步預(yù)測結(jié)果替換歷史監(jiān)測數(shù)據(jù)來構(gòu)建單步預(yù)測模型的輸入序列，并實現(xiàn)多步的滾動預(yù)測。由于多步預(yù)測會造成誤差的累積效應(yīng)，六種預(yù)測模型的預(yù)測誤差都隨著預(yù)測步數(shù)的增加而增加，多步預(yù)測精度均隨著預(yù)測步數(shù)的上升而有下降。從表中可得，CEEMDAN- TPA-TCN組合模型多步預(yù)測的誤差指標依然優(yōu)于其他的對比模型，仍擁有最佳的預(yù)測性能。

表6 多步預(yù)測誤差

5 ?結(jié)論

本文提出了一種將自適應(yīng)噪聲完備集成經(jīng)驗?zāi)B(tài)分解和基于時間模式注意力機制的時間卷積網(wǎng)絡(luò)結(jié)合的風(fēng)電功率短期預(yù)測組合模型，經(jīng)過計算案例的分析表明：CEEMDAN算法能夠有效地克服EEMD算法殘余白噪聲大的缺點，并有效地削弱子分量模態(tài)混疊的現(xiàn)象。同時，TPA-TCN預(yù)測模型能夠捕捉關(guān)鍵變量與風(fēng)電功率之間的非線性聯(lián)系，提高組合模型的預(yù)測精度。

本文所提出的CEEMDAN-TPA-TCN模型能夠更加準確地識別風(fēng)電功率變化趨勢，在實際生產(chǎn)中能夠為發(fā)電廠提供更準確的風(fēng)電功率預(yù)測數(shù)據(jù)，是一種具有更好預(yù)測表現(xiàn)的組合預(yù)測模型。

[1] SONG Dongran, YANG Jian, FAN Xinyu, et al. Maximum power extraction for wind turbines through a novel yaw control solution using predicted wind directions[J]. Energy Conversion and Management, 2018, 157.

[2] 施濤, 李春來, 朱慧敏. 考慮功率預(yù)測不確定性的風(fēng)電消納隨機調(diào)度[J]. 電網(wǎng)與清潔能源, 2019, 35(4): 55-59.

SHI Tao, LI Chunlai, ZHU Huimin. Stochastic dispatching of wind power accommodation considering uncertainty of power prediction[J]. Power System and Clean Energy, 2019, 35(4): 55-59.

[3] 李軍徽, 馮喜超, 嚴干貴, 等. 高風(fēng)電滲透率下的電力系統(tǒng)調(diào)頻研究綜述[J]. 電力系統(tǒng)保護與控制, 2018, 46(2): 163-170.

LI Junhui, FENG Xichao, YAN Gangui, et al. Survey on frequency regulation technology in high wind penetration power system[J]. Power System Protection and Control, 2018, 46(2): 163-170.

[4] ZHENG D, ESEYE A T, ZHANG J, et al. Short-term wind power forecasting using a double-stage hierarchical

ANFIS approach for energy management in microgrids[J]. Protection and Control of Modern Power Systems, 2017, 2(2): 136-145.

[5] 鄭紫宸, 符楊, 時帥, 等. 考慮氣象相似性與數(shù)值天氣預(yù)報修正的海上風(fēng)功率預(yù)測[J]. 電網(wǎng)技術(shù), 2019, 43(4): 1253-1260.

ZHENG Zichen, FU Yang, SHI Shuai, et al. Offshore wind power forecasting considering meteorological similarity and NWP correction[J]. Power System Technology, 2019, 43(4): 1253-1260.

[6] WANG Jianzhou, SONG Yiliao, LIU Feng, et al. Analysis and application of forecasting models in wind power integration: a review of multi-step-ahead wind speed forecasting models[J]. Renewable and Sustainable Energy Reviews, 2016, 60.

[7] ERDEM E, SHI J. ARMA based approaches for forecasting the tuple of wind speed and direction[J]. Applied Energy, 2010, 88(4).

[8] AMBACH D, SCHMID W. A new high-dimensional time series approach for wind speed, wind direction and air pressure forecasting[J]. Energy, 2017, 135.

[9] 楊洪, 古世甫, 崔明東, 等. 基于遺傳優(yōu)化的最小二乘支持向量機風(fēng)電場風(fēng)速短期預(yù)測[J]. 電力系統(tǒng)保護與控制, 2011, 39(11): 44-48, 61.

YANG Hong, GU Shifu, CUI Mingdong, et al. Forecast of short-term wind speed in wind farms based on GA optimized LS-SVM[J]. Power System Protection and Control, 2011, 39(11): 44-48, 61.

[10] 田壁源, 劉琪, 張新燕, 等. 基于APSO-GSA和相關(guān)向量機的短期風(fēng)電功率預(yù)測[J]. 電力系統(tǒng)保護與控制, 2020, 48(2): 107-114.

TIAN Biyuan, LIU Qi, ZHANG Xinyan, et al. Short-term wind power prediction based on APSO-GSA and correlation vector machine[J]. Power System Protection and Control, 2020, 48(2): 107-114.

[11] 崔嘉, 楊俊友, 楊理踐, 等. 基于改進CFD與小波混合神經(jīng)網(wǎng)絡(luò)組合的風(fēng)電場功率預(yù)測方法[J]. 電網(wǎng)技術(shù), 2017, 41(1): 79-85.

CUI Jia, YANG Junyou, YANG Lijian, et al. New method of combined wind power forecasting based on improved CFD and wavelet-HNN model[J]. Power System Technology, 2017,41(1): 79-85.

[12] 朱喬木, 李弘毅, 王子琪, 等. 基于長短期記憶網(wǎng)絡(luò)的風(fēng)電場發(fā)電功率超短期預(yù)測[J]. 電網(wǎng)技術(shù), 2017, 41(12): 3797-3802.

ZHU Qiaomu, LI Hongyi, WANG Ziqi, et al. Short-term wind power forecasting based on LSTM[J]. Power System Technology, 2017, 41(12): 3797-3802.

[13] 汪欣, 蔡旭, 李征. 結(jié)合交叉局部異常因子和注意力機制的超短期風(fēng)電功率預(yù)測方法[J]. 電力系統(tǒng)保護與控制, 2020, 48(23): 92-99.

WANG Xin, CAI Xu, LI Zheng. Ultra-short-term wind power forecasting method based on a cross LOF preprocessing algorithm and attention mechanism[J]. Power System Protection and Control, 2020, 48(23): 92-99.

[14] 周松林, 茆美琴, 蘇建徽. 基于主成分分析與人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測[J]. 電網(wǎng)技術(shù), 2011, 35(9): 128-132.

ZHOU Songlin, MAO Meiqin, SU Jianhui. Prediction of wind power based on principal component analysis and artificial neural network[J]. Power System Technology, 2011, 35(9): 128-132.

[15] LIU Da, NIU Dongxiao, WANG Hui, et al. Short-term wind speed forecasting using wavelet transform and support vector machines optimized by genetic algorithm[J]. Renewable Energy, 2014, 62.

[16] LIU Hui, TIAN Hongqi, CHEN Chao, et al. An experimental investigation of two wavelet-MLP hybrid frameworks for wind speed prediction using GA and PSO optimization[J]. International Journal of Electrical Power and Energy Systems, 2013, 52.

[17] LIANG Zhengtang, LIANG Jun, ZHANG Li, et al. Analysis of multi-scale chaotic characteristics of wind power based on Hilbert-Huang transform and Hurst analysis[J]. Applied Energy, 2015, 159.

[18] 王賀, 胡志堅, 陳珍, 等. 基于集合經(jīng)驗?zāi)B(tài)分解和小波神經(jīng)網(wǎng)絡(luò)的短期風(fēng)功率組合預(yù)測[J]. 電工技術(shù)學(xué)報, 2013, 28(9): 137-144.

WANG He, HU Zhijian, CHEN Zhen, et al. A hybrid model for wind power forecasting based on ensemble empirical mode decomposition and wavelet neural networks[J]. Transactions of China Electrotechnical Society, 2013, 28(9): 137-144.

[19] 張亞超, 劉開培, 秦亮. 基于VMD-SE和機器學(xué)習(xí)算法的短期風(fēng)電功率多層級綜合預(yù)測模型[J]. 電網(wǎng)技術(shù), 2016, 40(5): 1334-1340.

ZHANG Yachao, LIU Kaipei, QIN Liang. Short-term wind power multi-leveled combined forecasting model based on variational mode decomposition-sample entropy and machine learning algorithm[J]. Power System Technology, 2016, 40(5): 1334-1340.

[20] GAO B, HUANG X, SHI J, et al. Hourly forecasting of solar irradiance based on CEEMDAN and multi-strategy CNN-LSTM neural networks[J]. Renewable Energy, 2020, 162.

[21] 鄭紅梅, 彭丹丹, 顧森茂, 等. 基于CMSE的隨鉆脈沖信號提取算法研究[J]. 電子測量與儀器學(xué)報, 2018, 32(3): 170-176.

ZHENG Hongmei, PENG Dandan, GU Senmao, et al. Research on drill pulse signal extraction algorithm based on CMSE[J]. Journal of Electronic Measurement and Instrumentation, 2018, 32(3): 170-176.

[22] CHRISTOPH B, BERND P. Permutation entropy: a natural complexity measure for time series[J]. Physical Review Letters, 2002, 88(17).

[23] CHITSAZ H, AMJADY N, ZAREIPOUR H. Wind power forecast using wavelet neural network trained by improved clonal selection algorithm[J]. Energy Conversion and Management, 2015, 89.

[24] LAHOUAR A, SLAMA J B H. Hour-ahead wind power forecast based on random forests[J]. Renewable Energy, 2017, 109.

[25] BAI S, KOLTER J Z, KOLTUN V. An empirical evaluation of generic convolutional and recurrent networks for sequence modeling[EB/OL]. [2018-04-19]. https://arxiv. org/pdf/1803.0127.

[26] SHIH S, SUN F, LEE H. Temporal pattern attention for multivariate time series forecasting[J]. Machine Learning, 2019, 108(8-9).

[27] 程啟明, 陳路, 程尹曼, 等. 基于EEMD和LS-SVM模型的風(fēng)電功率短期預(yù)測方法[J]. 電力自動化設(shè)備, 2018, 38(5): 27-35.

CHENG Qiming, CHEN Lu, CHENG Yinman, et al. Short-term wind power forecasting method based on EEMD and LS-SVM model[J]. Electric Power Automation Equipment, 2018, 38(5): 27-35.

Short-term wind power prediction model based on CEEMDAN and an improved time convolutional network

ZHAO Lingyun1, LIU Youbo1, SHEN Xiaodong1, LIU Daiyong2, Lü Shuang3

(1. College of Electrical Engineering, Sichuan University, Chengdu 610065, China;2. Deyang Power Supply Company, State Grid Chengdu Electric Power Company, Deyang 618000, China;3. Chengdu Power Supply Company, State Grid Chengdu Electric Power Company, Chengdu 610000, China)

In recent years, wind power has gradually become a key part of renewable energy generation. In this paper, an effective short-term wind power forecasting combination model is proposed by combining complete ensemble empirical mode decomposition with adaptive noise (CEEMDAN) and an improved temporal convolutional network (TCN) to improve the accuracy of short-term wind power prediction. First, CEEMDAN is used to decompose the wind power series to obtain the subsequence components, and the subsequence components are combined with the data of key meteorological variables to form the training set. Then, the time convolution network based on temporal pattern attention (TPA) is used to predict the subsequence components, and the final prediction value is obtained after reconstructing the prediction results. The whole prediction process helps to accurately describe the component characteristics of wind power, and capture the correlation between variables through the TPA mechanism, and this effectively improves the prediction accuracy of wind power.

wind power prediction; complete total empirical mode decomposition based on adaptive white noise; time convolution network; time mode attention mechanism

10.19783/j.cnki.pspc.210252

國家自然科學(xué)基金項目資助(51977133)；國家自然科學(xué)基金重點項目資助(U2066209)

This work is supported by the National Natural Science Foundation of China (No. 51977133).

2021-03-09；

2021-05-11

趙凌云(1998—)，男，碩士研究生，研究方向為電力系統(tǒng)人工智能技術(shù)；E-mail: 913964776@qq.com

劉友波(1983—)，男，博士，副教授，主要研究方向為主動配電網(wǎng)規(guī)劃與運行、電力系統(tǒng)的機器學(xué)習(xí)算法等；E-mail: liuyoubo@scu.edu.cn

，博士，副教授，研究方向為園區(qū)多能源系統(tǒng)優(yōu)化等。E-mail: shenxd@sch.edu.cn

(編輯 姜新麗)