基于機器學習的風電場風速多模式集合預(yù)報

高盛，許沛華，陳正洪

（湖北省氣象服務(wù)中心,湖北 武漢 430205）

0 引言

中國致力于發(fā)展可再生能源、實施化石能源清潔替代，到2030 年使非化石能源占一次能源消費的比重達到25%左右，其中風力發(fā)電是重要組成部分，但大規(guī)模風電并網(wǎng)對電力系統(tǒng)的運行和調(diào)度帶來挑戰(zhàn)。風電的隨機性、波動性和間歇性等固有特點嚴重影響了其并網(wǎng)利用。為了保證電網(wǎng)的安全穩(wěn)定運行,華中能源局華中監(jiān)管局 2019 年發(fā)布了《關(guān)于印發(fā)華中區(qū)域“兩個細則”的通知》，該規(guī)定要求風電場日前短期預(yù)報準確率要達到80%以上[1]。不能滿足上述預(yù)報準確率要求的電站的售電經(jīng)濟收益將受到影響。部分電站因功率預(yù)報不準確，全年發(fā)電量的3%～5%無法對電站產(chǎn)生經(jīng)濟價值，嚴重影響了電站的經(jīng)濟效益[2]。甚至有電站因預(yù)報準確率不高出現(xiàn)虧損的嚴重情況。因此準確穩(wěn)定的日前風電功率預(yù)報在風力發(fā)電運行過程中起著主導(dǎo)作用。

1）國內(nèi)外研究現(xiàn)狀

國內(nèi)外傳統(tǒng)短期風電功率預(yù)報方法主要包括基于數(shù)值天氣預(yù)報數(shù)據(jù)的物理方法和統(tǒng)計方法[3-4]。物理方法通過數(shù)值天氣預(yù)報數(shù)據(jù)計算風電場的預(yù)計風速，再帶入風電場的風功率曲線進行擬合從而得到最終發(fā)電功率；而統(tǒng)計方法則基于歷史數(shù)據(jù)和實時數(shù)據(jù)進行統(tǒng)計計算預(yù)報，比較常見的包括動力統(tǒng)計法，它在數(shù)值預(yù)報結(jié)果和風電場的風電功率之間建立一種映射關(guān)系，包括線性以及非線性方法來獲得預(yù)報結(jié)果。在實際應(yīng)用中，這些方法存在數(shù)據(jù)不完備、自動化通訊設(shè)備故障、風電出力限制等問題，這些問題都會影響預(yù)報結(jié)果[4]。

隨著機器學習技術(shù)的普及，越來越多的研究開始探討如何將機器學普及。機器學習算法能夠從大規(guī)模的氣象數(shù)據(jù)中學習規(guī)律，并能夠適應(yīng)不同的氣象條件，因此具有潛在的優(yōu)勢[5]。隨著機器學習在各個領(lǐng)域的廣泛應(yīng)用，預(yù)測算法的性能和效果成為近期研究的關(guān)注點。本文旨在深入研究和對比多種基于機器學習的預(yù)測算法，包括隨機森林算法（Random Forest，RF）[6]、基于決策樹的集成算法(Light Gradient Boosting Machine，LightGBM)[7]、自適應(yīng)增強算法AdaBoost[8]、機器學習算法以及基于深度神經(jīng)網(wǎng)絡(luò)的(Gated Recurrent Unit，GRU)[9]、(Bidirectional Long Short Term Memory，Bi-LSTM)[10]等方法。在過去的研究中，這些算法在不同任務(wù)和數(shù)據(jù)集上表現(xiàn)出色，但其性能差異和適用場景仍需深入了解[4,11]。

2）本文研究內(nèi)容

本文著重選取位于湖北省內(nèi)多個典型風電場，針對這些場站數(shù)據(jù)開展集合預(yù)報算法的比較與研究，得出適用于湖北省各個區(qū)域的數(shù)值預(yù)報模式以及在湖北省表現(xiàn)比較好的預(yù)報方法。在文章中，通過選擇重點試驗場站并檢驗對比各種集合預(yù)報方法在試驗場站的結(jié)果，通過仔細分析結(jié)果數(shù)據(jù)從而得到本文的研究結(jié)論數(shù)據(jù)。最終由預(yù)報風速的對比分析得出適用于不同地區(qū)場站的集合預(yù)報方法。

1 研究數(shù)據(jù)選取

本研究采用了陳正洪等[12-13]研究中被證明在湖北省較為有效的4 種不同的數(shù)值預(yù)報產(chǎn)品，包括CMA-WSP V1.0、CMA-GD、WHMM V2.0 和EC數(shù)值預(yù)報[14]。其中，CMA-WSP V1.0 是由中國氣象局風能太陽能中心下發(fā)的面向風能和太陽能的數(shù)值天氣預(yù)報[12]，水平分辨率為3 km × 3 km(下簡寫為3 km)，預(yù)報時長為未來72 h。CMA-GD 是由廣東省區(qū)域數(shù)值天氣預(yù)報重點實驗室基于GRAPES 非靜力模式[15]開發(fā)的華南區(qū)域中尺度模式，水平分辨率為3 km，預(yù)報時長為未來72 h。WHMM V2.0 是由中國氣象局武漢暴雨所提供，華中區(qū)域中尺度數(shù)值天氣預(yù)報系統(tǒng)以廣泛使用的中尺度數(shù)值天氣模式WRF 為基礎(chǔ)。模式區(qū)域中心位于(114.133°E,30.617°N)，采用3 層嵌套包括全國、華中、湖北省3 個區(qū)域，其分辨率分別為27 km、9 km 和3 km 。本項目中采用湖北區(qū)域的預(yù)報，預(yù)報時效為84 h。EC 預(yù)報采用數(shù)據(jù)來自歐洲氣象中心的再分析資料，資料水平分辨率為1 km，每天模擬時效為72 h。在本研究中通過網(wǎng)格間隔選取數(shù)據(jù)點的方式得到水平分辨率為3 km 的數(shù)據(jù)進行使用。此外，本研究還采用了基于機器學習的5種集合預(yù)報方法，在研究中對比以上5 種方法和直接采用數(shù)值預(yù)報模式及通過選取多種數(shù)值預(yù)報模式在預(yù)報地點的預(yù)報結(jié)果取平均值的方法（簡稱為均值法）進行對比。

為了方便后續(xù)對比，本文選取的4 種模式均選取相同的模式水平分辨率和預(yù)報時效。本文統(tǒng)一使用的模式分辨率為3 km，時間分辨率為 15 min。對于分辨率不同的預(yù)報模式，如果該預(yù)報模式有水平分辨率為3 km 的數(shù)據(jù)源則采用該數(shù)據(jù)源，如果該預(yù)報模式的水平分辨率比3 km 更高則采用間隔取網(wǎng)格數(shù)據(jù)點的方式將水平分辨率降為3 km 后進行對比。所有數(shù)據(jù)每日08：00(北京時間，下同)起報，僅采用未來72 h 的預(yù)報結(jié)果進行使用。在根據(jù)模式計算場站實際格點數(shù)據(jù)的時候采用線性插值的方式計算從網(wǎng)格數(shù)據(jù)到格點的具體數(shù)值。

本文使用的資料年限為2021～2022 年兩年的數(shù)據(jù)，主要種類如下：7 個風電場的測風塔觀測數(shù)據(jù)，時間分辨率為15 min，7 個風電場基本情況如表1所示。

表1 7 個代表性風電場基本信息表Tab.1 Basic information of seven representative wind farms

所選風電場在湖北省的地圖位置如圖1 所示。圖中顏色代表所在地區(qū)70 m 高度層的年平均風速，越接近紅色代表年，平均風速越高，越接近藍色代表年，平均風速越低。

圖1 湖北省典型風電場選取分布圖Fig.1 Distribution of typical wind farms selected in Hubei Province

2 機器學習及集合預(yù)報方法

2.1 RF 算法

RF 算法是隨機訓練決策樹的集合，被廣泛應(yīng)用于解決分類和回歸問題，隨機森林回歸模型是一種集成方法，它結(jié)合了各種不相關(guān)的回歸樹，減輕了每棵樹的不穩(wěn)定性問題，每棵樹基于隨機抽樣的訓練數(shù)據(jù)和隨機選擇的特征進行構(gòu)建。在分類任務(wù)中，每棵樹對樣本進行分類，最后通過投票機制確定最終的分類結(jié)果。對于回歸任務(wù)，各樹的輸出取平均值。該算法在數(shù)據(jù)和特征的選擇上體現(xiàn)出隨機性，使得每棵樹都是獨立且略有不同的，提高了整個模型的泛化能力。

2.2 Adaboost 算法

Adaboost 是一種集成學習算法，旨在通過組合多個弱分類器來構(gòu)建一個更強大的分類器。其核心思想是通過迭代訓練，每一輪關(guān)注被前一輪分類錯誤的樣本，為其分配更高的權(quán)重，從而集中處理難以分類的樣本。新的分類器以加權(quán)投票的方式與之前的分類器進行組合。AdaBoost 算法的主要思想是將每次迭代產(chǎn)生的弱學習者結(jié)合起來，形成一個強學習分類器。該算法通過迭代，每次迭代都關(guān)注之前模型分類錯誤的樣本，提高其權(quán)重。在每個迭代中，構(gòu)建一個基礎(chǔ)分類器，最終通過加權(quán)投票將這些基礎(chǔ)分類器組合成一個強分類器。樣本的權(quán)重會被調(diào)整，以便后續(xù)模型更加關(guān)注先前分類錯誤的樣本，從而逐步改善整體性能。

2.3 LightGBM 算法

LightGBM（也簡寫為LGBM）是于2016 年提出的一種基于決策樹GBDT(Gradient Boosting Decision Tree）的梯度提升算法[7]。它通過迭代地訓練決策樹，每次迭代都試圖糾正上一輪迭代的錯誤。采用直方圖算法，將連續(xù)的特征值分桶，然后在桶上進行分裂，大幅提高了訓練速度。

LightGBM 的核心思想是基于直方圖的決策樹算法，將樣本中連續(xù)的浮點特征值離散化成K 個整數(shù)并構(gòu)造與之長度相等的直方圖。遍歷時，將離散化后的值作為索引在直方圖中累計統(tǒng)計量，然后根據(jù)直方圖的離散值，遍歷尋找最優(yōu)的分割點。這樣可以有效地降低內(nèi)存消耗，同時達到降低時間復(fù)雜度的目的。LightGBM 在處理大規(guī)模數(shù)據(jù)集時具有較好的性能，并且能夠處理高維稀疏特征，還支持并行化訓練。

基于LightGBM 算法能夠并行處理海量數(shù)據(jù)的特性，將該算法用于對時間序列的殘差和風速、溫度、濕度、氣壓等多種參數(shù)進行多特征并行處理，能夠更好地降低模型計算的時間復(fù)雜度，提高預(yù)測的效率和精度。

2.4 GRU 算法

GRU 是一種門控循環(huán)神經(jīng)網(wǎng)絡(luò)。它包括更新門、重置門和候選隱藏狀態(tài)。這些門控制著信息的選擇性傳遞和遺忘。GRU 旨在解決傳統(tǒng)RNN 中的梯度消失問題，能夠更好地捕捉序列數(shù)據(jù)中的長期依賴關(guān)系。由于其門控機制，特別適用于處理序列數(shù)據(jù)，如時間序列數(shù)據(jù)[16]。GRU 算法的核心公式見式（1）：

式中：

zt——代表更新門；

rt——代表重置門；

ht——代表候選隱藏層細胞狀態(tài)；

ht——最終的隱藏狀態(tài)。

這個公式描述了GRU 網(wǎng)絡(luò)的控機制和細胞狀態(tài)更新方式，通過控制信息的流動從而可以生成合理的時間序列處理輸出結(jié)果。

2.5 Bi-LSTM 算法

雙向LSTM(Bi-LSTM)由兩個LSTM 單元組成，它考慮了過去和未來的輸入特性。相比GRU，它通過引入門控機制和雙向LSTM 單元更有效地解決了長期依賴性的問題[17]。LSTM 的核心原理是通過一系列的門控單元來控制信息的流動和遺忘。具體而言，LSTM 包括輸入門、遺忘門和輸出門3 個關(guān)鍵組件。輸入門決定了當前輸入信息的重要程度，遺忘門控制了前一時刻的記憶是否被保留，輸出門決定了當前記憶的輸出。LSTM 算法的核心計算公式見式（2）：

式中：

it——代表輸入門；

ft——代表遺忘門；

ct——代表隱藏層細胞狀態(tài)；

ot——輸出門的輸出；

ht——最終的隱藏狀態(tài)。

Bi-LSTM 通過將數(shù)據(jù)雙向輸入可以進一步提升長期依賴數(shù)據(jù)的利用效果，使用Bi-LSTM 可以捕捉過去和未來狀態(tài)的影響。Bi-LSTM 的計算公式見式（3）：

式中：

這種受控存儲是長短期記憶網(wǎng)絡(luò)和門控循環(huán)單元的基礎(chǔ)，可以緩解梯度爆炸和消失等問題。長短時記憶神經(jīng)網(wǎng)絡(luò)在時序序列數(shù)據(jù)中具有良好的性能。

2.6 集合預(yù)報算法

針對復(fù)雜轉(zhuǎn)折性天氣，單一數(shù)值模式預(yù)報產(chǎn)品無法有效提高預(yù)報準確率[18]，采用多種集合預(yù)報方法進行對比檢驗是一種比較好的方法[19]。集合預(yù)報算法是一種通過將多種數(shù)值預(yù)報模式數(shù)據(jù)進行對比優(yōu)選，再輸入給機器學習方法或傳統(tǒng)預(yù)報方法進行檢驗，最終輸出表現(xiàn)最優(yōu)的預(yù)報結(jié)果的方法。其主要特征在于針對每種預(yù)報算法，在集合預(yù)報過程中都會通過對比優(yōu)選數(shù)值預(yù)報數(shù)據(jù)源進行預(yù)報檢驗得到最終輸出。許楊等[3,11,13]在過去的研究中提出了基本的集合預(yù)報思想，本研究采用的集合預(yù)報方法核心思想與之前的研究保持一致，依然是通過多種預(yù)報源與算法進行對比的方式得到較好的結(jié)果。本研究在對比過程中通過數(shù)據(jù)組合計算，并討論分析集合預(yù)報的表現(xiàn)來探討適合于湖北省的集合預(yù)報算法。本研究采用的集合預(yù)報系統(tǒng)流程如圖2 所示。

圖2 集合預(yù)報流程圖Fig.2 Flow chart of ensemble forecasting

為確保實驗的全面性和可信度，本研究采用了多個數(shù)據(jù)集和場景，并綜合考慮了算法的準確性、泛化能力和計算效率等方面的指標。在本研究中，所采用的評價指標包括主觀評價指標與客觀評價指標兩種。其中主觀評價指標主要是針對預(yù)報結(jié)果繪制成的預(yù)報曲線進行人工交叉檢驗對比，客觀評價指標主要采用平均均方根誤差計算、算法運行時間計算等指標進行集合預(yù)報的算法評價。

3 實驗設(shè)計

本研究實驗使用RF、LightGBM、AdaBoost、GRU、Bi-LSTM 共5 種先進的機器學習進行集合預(yù)報，并與數(shù)值預(yù)報模式方法及根據(jù)場站優(yōu)選數(shù)值預(yù)報模式取均值的方法進行對比檢驗，根據(jù)對比檢驗結(jié)果優(yōu)選準確率較高的方法。

3.1 實驗平臺

為公平對比，實驗平臺統(tǒng)一使用同一臺計算機。實驗計算機配置為1 顆英特爾Xeno Gold 6330 CPU，內(nèi)存大小為128 GB，所用操作系統(tǒng)為銀河麒麟V10 Linux 操作系統(tǒng)，Python 版本為Python 3.7，深度學習算法使用Pytorch 1.8 框架。

3.2 實驗訓練方法

所有基于機器學習的集合預(yù)報實驗均采用被經(jīng)常采用的10 折交叉驗證[20]來驗證效果。具體而言，研究中將整個數(shù)據(jù)集分為10 個子集，其中8 個用作訓練數(shù)據(jù)，1 個用作測試數(shù)據(jù)，1 個用作驗證數(shù)據(jù)。我們重復(fù)這個過程10 次，每次選擇不同的子集作為測試及驗證數(shù)據(jù)，并計算模型在每次驗證集上的性能指標，如平均誤差、均方根誤差。最終，我們對這10 次評估結(jié)果進行平均，得到模型在整個數(shù)據(jù)集上的性能評估。

對于機器學習算法RF、LightGBM、AdaBoost，使用網(wǎng)格搜索方式來確定最優(yōu)超參數(shù)組合，它的特征在于首先確定每個對結(jié)果影響較大的超參數(shù)的值域空間，在該空間內(nèi)等間隔生成超參數(shù)值并與其他超參數(shù)進行組合形成超參數(shù)空間進行實驗搜索。對于RF 方法最核心的超參數(shù)為最大深度（max_depth），和弱學習器個數(shù)（n_estimators）;對于Adaboost 最核心的超參數(shù)為學習率（lr）及弱學習器個數(shù)（n_estimators）；對于LightGBM 最核心的超參數(shù)包括學習率（lr），最大深度（max_depth）、弱學習器個數(shù)（n_estimators）、列采樣比例（feature_fraction）；在實驗過程中，通過搜索超參數(shù)組合確定對當前機器學習算法最優(yōu)的學習配置。

對于深度學習算法，使用動態(tài)學習率調(diào)整方式根據(jù)訓練曲線動態(tài)降低學習率避免過擬合，同時引入早停訓練機制，當連續(xù)5 個epoch 在測試集上的效果不再下降的時候停止訓練，避免過擬合。二者組合使用解決了epoch 數(shù)量需要手動設(shè)置或設(shè)置不合理的問題，同時可以保證針對各種算法均在一定范圍內(nèi)可以體現(xiàn)該算法的最優(yōu)效果。

對于均值法采用同一時刻的多個數(shù)值預(yù)報模式通過線性插值算法將格點預(yù)報轉(zhuǎn)換到站點預(yù)報的風速值求平均值計算的算法進行比較。

在以上算法中，為了公平評估各個集合預(yù)報方法的性能。由于均值法是直接使用數(shù)值預(yù)報的結(jié)果因此直接輸出的結(jié)果只有風速，其他機器學習算法都可以通過配置學習數(shù)據(jù)直接生成功率預(yù)報結(jié)果。為了公平比較，所有預(yù)報方法都只預(yù)報風速，而不是對比預(yù)報功率準確性。因為從風速轉(zhuǎn)換到發(fā)電功率可以使用不同的公式計算，不同的公式選擇會對結(jié)果產(chǎn)生微小的影響，這對于評估均值法和其他算法的差異情況有不利影響。本研究通過對比預(yù)報風速的偏差來比較不同算法的實際效果，對于后續(xù)應(yīng)用評估功率預(yù)報的準確性也具有指導(dǎo)意義。

3.3 實驗結(jié)果

為有效評估實驗結(jié)果，實驗采用平均均方根誤差RMSE 指標確定不同集合預(yù)報方法的偏差，RMSE 計算公式見式（4）：

式中：

y ——預(yù)報風速（m/s）；

表2 是各集合預(yù)報算法均方根誤差逐月對比結(jié)果，在此表中集合預(yù)報的時候使用了全部預(yù)報成員進行預(yù)報，控制算法變量不同從而對比不同的預(yù)報算法的優(yōu)劣。表3 是各集合預(yù)報算法均方根誤差按年對比的情況，其中列“集合成員1”和列“集合成員2”是分別優(yōu)選2 個不同的集合成員（見電場名稱列，列中名稱從左到右分別對應(yīng)集合成員1 和集合成員2）進行預(yù)報后得到的預(yù)報結(jié)果。

表2 各集合預(yù)報算法均方根誤差逐月對比Tab.2 Monthly comparison of root mean square errors of ensemble forecasting algorithms m/s

表3 各集合預(yù)報算法均方根誤差按年對比Tab.3 Yearly comparison of root mean square errors of various ensemble forecasting algorithms m/s

通過表2～表3、圖3 進行對比分析發(fā)現(xiàn)，在所有風電場中，傳統(tǒng)均值法預(yù)報誤差最大。在象河風電場，Adaboost 集合預(yù)報算法的均方根誤差最小，在天河口風電場、周樓風電場、蔡家寨風電場深度學習算法GRU 和Bi-LSTM 算法優(yōu)于傳統(tǒng)機器學習算法，在周樓風電場和蔡家寨風電場GRU 算法優(yōu)于Bi-LSTM，在天河口風電場Bi-LSTM 優(yōu)于GRU 算法。

圖3 集合預(yù)報算法RMSE 按年對比分析Fig.3 Yearly comparative analysis of ensemble forecasting algorithm RMSE

在天河口風電場集合預(yù)報算法RF、AdaBoost、LightGBM、GRU 和Bi-LSTM、均值法的均方根誤差分別為2.44 m/s、2.25 m/s、2.41 m/s、1.94 m/s、1.90 m/s，在5 種算法中，Bi-LSTM 算法最優(yōu)，較均值法誤差降低0.73 m/s。Bi-LSTM 集合算法相較于集合成員EC 預(yù)報均方根誤差3.24 m/s 下降了1.34 m/s，CMA-WSP 預(yù)報均方根誤差3.03 m/s 下降了1.13 m/s。分析發(fā)現(xiàn)EC 預(yù)報與CMA-WSP 均方根誤差較大，但是從圖形檢驗來看CMA-WSP 預(yù)報方法的偏差相對較穩(wěn)定，因此誤差下降較大。

在周樓風電場GRU 算法最優(yōu)，均值法預(yù)報誤差最大，較均值法均方根誤差降低了0.33 m/s，Bi-LSTM 與GRU 算法誤差接近。其次是RF 算法較均值法下降0.1 m/s，AdaBoost 算法較均值法下降了0.06 m/s。最優(yōu)的GRU 集合預(yù)報算法相較于集合成員EC 預(yù)報均方根誤差1.8 m/s 下降了0.06 m/s，相較于CMA-GD 預(yù)報均方根誤差2.42 m/s 下降了0.68 m/s。

在象河風電場AdaBoost 最優(yōu)，較均值法均方根誤差降低了0.52 m/s，傳統(tǒng)均值法預(yù)報誤差最大。其次是，RF 較均值法誤差降低了0.46 m/s，LightGBM算法較均值法誤差降低了0.42 m/s。深度學習算法GRU 和Bi-LSTM 的誤差相同，均為1.52 m/s。集合預(yù)報算法AdaBoost 相較于集合成員CMA-WSP 均方根誤差3.14 m/s 下降了1.71 m/s，EC 預(yù)報均方根誤差1.67 m/s 下降了0.24 m/s。

在蔡家寨風電場GRU 算法誤差最小，較均值均方根誤差降低了0.36 m/s，Bi-LSTM 比GRU 誤差略大，其次AdaBoost 誤差較均值法降低了0.14 m/s，LightGBM 誤差較均值法降低了0.11 m/s，RF 較均值法均降低了0.06 m/s。最優(yōu)集合預(yù)報算法GRU 相較于集合預(yù)報成員CMA-GD 的均方根誤差2.49 m/s下降了0.86 m/s，相較于EC 均方根誤差1.86 m/s 下降了0.23 m/s。

綜上可以看出，在集合預(yù)報算法中，一般情況下深度學習算法GRU 和Bi-LSTM 優(yōu)于傳統(tǒng)機器學習算法，傳統(tǒng)機器學習算法又優(yōu)于均值法，其中Bi-LSTM 在天河口風電場提升最為顯著，較集合成員EC 預(yù)報均方根誤差3.24 m/s 下降了1.34 m/s，較均值法均方根誤差全年下降了0.73 m/s。

3.4 實驗曲線檢驗

為了進一步驗證不同方法的實驗結(jié)果，本研究進一步抽取象河風電場2022 年8 月作為典型月份，通過曲線比較驗證不同集合預(yù)報方法的效果。繪制結(jié)果如圖4 所示，圖中圖例RF_WS 代表使用RF 方法預(yù)測的風速波動曲線，其他圖例依次類推，圖例OBS_WS 代表實際風速。

圖4 象河風電場2022 年8 月不同預(yù)報風速隨時間波動曲線Fig.4 Fluctuation curve of different forecast wind speed with time in Xianghe wind farm in August 2022

從圖中可以觀察均值法（綠色曲線）在大部分時間對比實際風速曲線都存在相對最大的誤差，AdaBoost 的預(yù)報走勢在大部分時間與實際風速差值不大。這與數(shù)值分析結(jié)論基本一致。

數(shù)值分析均值法集合預(yù)報誤差為2.06 m/s，RF集合預(yù)報誤差為1.37 m/s，LightGBM 為1.49 m/s，二者預(yù)報誤差較接近。GRU 為1.58 m/s，Bi-LSTM 為1.64 m/s，AdaBoost 為1.35 m/s，預(yù)報性能最優(yōu)，較傳統(tǒng)均值法集合預(yù)報誤差降低0.71 m/s。這些數(shù)值與實驗曲線觀察到的差距基本一致。因此通過以上分析，針對象河風電場選取AdaBoost 算法可以獲得最佳的集合預(yù)報效果。

3.5 實驗結(jié)果討論

本文旨在提供對比不同機器學習算法在集合預(yù)報中性能的深入理解，為未來預(yù)測算法的選擇和優(yōu)化提供有益的參考。通過對比實驗結(jié)果，確定了適用于湖北省不同地區(qū)的合適算法和預(yù)報模式的組合，為提高集合預(yù)報的準確性和效率提供了實際參考。通過數(shù)據(jù)分析及實驗研究，本文主要有以下兩個貢獻：

1）通過研究對比確定了適合湖北省內(nèi)“三帶一區(qū)”中各個地域最適合的數(shù)值預(yù)報模式。

2）通過開展集合預(yù)報方法的對比研究，確定使用單一數(shù)值模式預(yù)報產(chǎn)品無法有效提高預(yù)報準確率。通過采用多種集合預(yù)報方法，使用先進的機器學習、人工智能方法進行集合預(yù)報，如使用AdaBoost、RF、BI-LSTM 等機器學習方法，并與傳統(tǒng)的均值法、加權(quán)法以及熵值法等傳統(tǒng)集合預(yù)報進行對比檢驗，根據(jù)對比檢驗結(jié)果優(yōu)選一種準確率較高的方法。

4 結(jié)論

本文實驗項目研制完成的不同數(shù)值預(yù)報在湖北省內(nèi)不同區(qū)域的適用范圍，以及研究了集合預(yù)報算法技術(shù)。具體結(jié)論如下：

1）在棗陽周樓和蔡家寨風電場GRU 集合預(yù)報效果最優(yōu)，在天河口風電場Bi-LSTM 集合預(yù)報效果最優(yōu)，GRU 集合預(yù)報算法接近Bi-LSTM，在象河風電場AdaBoost 集合預(yù)報效果最優(yōu)。

2）GRU 和Bi-LSTM 集合預(yù)報算法相對于CMAWSP 單一預(yù)報月均方根誤差最大降低了2.41 m/s，相對于EC 單一預(yù)報GRU 集合預(yù)報算法月平均方根誤差最大降低了1.91 m/s，Bi-LSTM 集合預(yù)報算法月平均降低了1.85 m/s。年平均GRU 和Bi-LSTM 相對于CMA-WSP 誤差降低了1.45 m/s，相對于EC 誤差降低了0.42 m/s。

3）GRU 在4 個電站的預(yù)報性能比Bi-LSTM 和AdaBoost 兩種集合預(yù)報算法表現(xiàn)更為穩(wěn)定，均值法集合預(yù)報誤差作為對比參照算法，在所有集合預(yù)報算法中誤差最大。

該項研究對于指導(dǎo)風電場功率預(yù)報有指導(dǎo)意義，因此具有廣闊的市場前景。如果能獲得準確的風速預(yù)報，通過風速到功率的計算公式可以計算出適用于風電場的功率預(yù)報結(jié)果。本文所使用的基于機器學習的集合預(yù)報方法通過調(diào)整訓練數(shù)據(jù)的方式在未來也可以直接輸出較為準確的風力發(fā)電功率預(yù)報。通過提高功率預(yù)報的準確率，一方面可以幫助風電場減輕電網(wǎng)對其考核壓力，提高發(fā)電并網(wǎng)比例，提升風電場的經(jīng)濟收益；另一方面也有利于提高電網(wǎng)運行的穩(wěn)定性，有著明顯的社會效益。此研究的結(jié)論在未來也可以通過類比推廣到湖北省外其他地域，對于全國風力發(fā)電多模式集合預(yù)報的準確率改進也具有指導(dǎo)意義。