新建風電場短期風電預測方法

導語：新建風電場短期風電預測方法一文來源于網友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

長久以來，人類社會以化石燃料作為主要能源。化石能源長期地開采使用，也帶來了資源枯竭、大氣污染和氣候變暖等一系列問題。風能作為傳統(tǒng)化石能源的一種替代能源，具有分布地域廣、儲量豐富和可再生等特點，在滿足人們對能源需求的同時，也能實現(xiàn)人類社會的可持續(xù)性發(fā)展。但風力發(fā)電具有和傳統(tǒng)發(fā)電方式不同的特點，例如風能具有季節(jié)性、間接性、隨機波動等，這都決定了風力發(fā)電相關技術更加復雜。其中對風電功率的預測，直接影響到風電并網安全性和電力市場競爭力。風電功率的準確預測對風力發(fā)電企業(yè)非常重要，是電力調度中的重點、難點問題，也是研究當中的熱點問題。風電功率預測可以按時間尺度、空間尺度、預測形式等多個角度進行分類，按照不同的預測模型主要可分為物理模型、統(tǒng)計模型和人工智能方法三類。物理模型方法通過將風力、風向角以及電機可調參數(shù)等影響因素，抽象為相應的數(shù)學模型，在風場中通過傳感器實時監(jiān)控相關參數(shù)，實現(xiàn)電機功率的實時預測。統(tǒng)計模型方法利用統(tǒng)計學知識，將歷史采集數(shù)據(jù)進行識別、擬合和趨勢分析，最終對風電功率做出預測。人工智能方法則是以數(shù)據(jù)為驅動，通過深度神經網絡對數(shù)據(jù)的學習，提取數(shù)據(jù)內部的關聯(lián)性和高維特征，并據(jù)此對風電功率短期情況給出預測結果。風電功率預測本質上是建立風廠內各因素的相互關系，其預測精準度必須建立在足夠多的歷史數(shù)據(jù)上。而新建風電場往往缺少風場內相關信息，難以為風電功率的預測提供支撐。

基于對抗神經網絡的風電數(shù)據(jù)生成數(shù)據(jù)清洗

由于風電本身的不穩(wěn)定性，以及非預計停機、棄風限電、天氣異常等原因，風場采集的數(shù)據(jù)中往往會存在大量的異常點，這些異常點將對正常情況下的風電功率預測產生影響。本文用變點分組法原理、最小二乘法原理和四分位法來處理原始數(shù)據(jù)，從而實現(xiàn)異常點的剔除，另外使用臨近值補全的方法對缺失值進行一個填補。這樣處理得到的數(shù)據(jù)更有利于風電功率的預測。

風電數(shù)據(jù)生成

生成對抗網絡屬于非監(jiān)督式學習方法，是深度學習領域的一個重要生成模型。其內部主要包含生成器和判別器兩個網絡，生成器神經網絡負責利用已有數(shù)據(jù)樣本生成新的樣本，而判別器神經網絡則負責將生成樣本從真實樣本中盡可能分辨出來。兩個網絡相互對抗、不斷調整參數(shù)，最終目的是使判別網絡無法判斷生成網絡的輸出樣本是否真實。因為有些風電場歷史數(shù)據(jù)量較小，可以利用生成器網絡產生的樣本，進行數(shù)據(jù)樣本的擴充。并且對抗神經網絡是基于非監(jiān)督式學習，所以不需要準備非常多的數(shù)據(jù)。利用風電場已有的風電數(shù)據(jù)來訓練對抗生成網絡，其中的生成模型網絡可以模擬真實數(shù)據(jù)的概率分布，并輸出合成樣本。而判別網絡需要學習區(qū)分這個生成的風電數(shù)據(jù)是否來自真實的數(shù)據(jù)分布，經過多輪不斷地對抗，從而使合成數(shù)據(jù)也能夠達到真實數(shù)據(jù)的效果。用于合成風電數(shù)據(jù)的對抗生成網絡框架設計如圖1所示。在GAN神經網絡訓練時使用到的對抗損失函數(shù)可以下式來表示。行業(yè)曲線開放度創(chuàng)新度生態(tài)度互交度持續(xù)度可替代度影響力可實現(xiàn)度行業(yè)關聯(lián)度真實度楊乘勝，男，碩士，安徽蕪湖，高級工程師，南京華盾電力信息安全測評有限公司，研究方向：電力系統(tǒng)及其自動化。在式（1）中，z代表隨機變量，pz（z）代表z的數(shù)據(jù)分布，Pdata（x）代表真實樣本的分布，D和G分別代表判別器和生成器，minGmaxDV（D，G）在于最大化判別器D的價值函數(shù)而最小化生成器G的價值函數(shù)。在GAN神經網絡整個訓練過程中，一個隨機變量會輸入生成器G并輸出合成數(shù)據(jù)，之后由判斷器D確定它是否為真數(shù)據(jù)。整個訓練過程需要最大化判別器的概率logD（x），即讓所有的數(shù)據(jù)都被認為來自真實的數(shù)據(jù)集，相對的要最小化生成器的概率log（1-D（G（z））），使得合成數(shù)據(jù)愈加接近真實數(shù)據(jù)的分布。網絡采取的是向后傳播的方式來調整內部參數(shù)，使得網絡能夠結合預測值和真實值之間的誤差，學習到風電數(shù)據(jù)的高維特征。

基于遺傳算法的風電預測

遺傳算法的理論基礎是達爾文的進化論，它通過模擬自然界中競爭的方式產生優(yōu)勝劣汰的分化。在使用遺傳算法時，將潛在的解集設定為初始的種群，并通過遺傳算法的自然選擇原理進行不斷地進化，最終得出一個最優(yōu)個體作為整體的一個最優(yōu)解。遺傳算法的構造過程可以按照以下方式進行：（1）確定決策變量及其各種約束條件，即確定出個體的表現(xiàn)型X和問題的解空間。（2）建立優(yōu)化模型，即確定出目標函數(shù)的類型及其數(shù)學描述形式或量化方法。（3）確定個體適應度的量化評價方法，即確定出由目標函數(shù)值f（X）到個體適應度F（X）的轉換規(guī)則。（4）設計遺傳算子，即確定出選擇運算、交叉運算、變異運算等遺傳算子的具體操作方法。（5）選擇運算，選擇算子作用于群體。選擇的目的是把優(yōu)化的個體直接遺傳到下一代或通過配對交叉產生新的個體再遺傳到下一代。選擇操作是建立在群體中個體的適應度評估基礎上的。（6）交叉運算：將交叉算子作用于群體。遺傳算法中起核心作用的就是交叉算子。（7）變異運算：將變異算子作用于群體。即是對群體中的個體串的某些基因座上的基因值作變動，群體P（t）經過選擇、交叉、變異運算之后得到下一代群體P（t+1）。遺傳算法用于風電功率預測有以下優(yōu)點：它是以問題集的串集進行預測的，而不是以某個節(jié)點為依據(jù)進行的預測，這更有利于得到一個全局擇優(yōu)的結果，減少陷入局部最優(yōu)解的風險。且遺傳算法不是采用確定性規(guī)則，而是用概率變簽規(guī)則來進行預測的，能夠做到模糊自適應，并且具有自組織、自適應和自學習能力。遺傳算法以上的特征都保證了風電效率的預測能有很好的精度。在遺傳算法中，如果某個體i的適應度fi種群大小為NP，則i被選擇的概率通過公式（2）計算：

實驗結果和分析

評價標準和對照算法為了對風電模型的預測結果進行評估，我們選用了平均絕對百分比誤差和均方根百分比誤差作為評估的手段。其公式如下所示：上述公式中N為預測的點數(shù)，y（k）真實數(shù)據(jù)，y~（k）模型產生的預測數(shù)據(jù)。這兩個公式主要用來評估預測值的實時誤差和時間段內總體誤差率，能夠很好地反映出模型的單點和整體的預測效果。為驗證本文提出的GAN神經網絡擴充樣本以及后續(xù)遺傳算法對于短期風電功率預測性能，我們將長短期記憶網絡（LSTM）作為對比參照算法。LSTM是一種時間循環(huán)神經網絡，適合于處理和預測時間序列中間隔和延遲非常長的情況，在風電功率短期預測上已被證實是有效的方法。

仿真實驗設計與結果分析

仿真實驗使用的數(shù)據(jù)來自西班牙SotaventoGalicia風場，由風場中的實時傳感器每10min對相關數(shù)據(jù)進行采取，其中包括風向角、風速、發(fā)電功率等信息。本文使用SotaventoGalicia風場2022年3月1日至3月15日采集的數(shù)據(jù)作為訓練數(shù)據(jù)，其中包含了共2130個訓練樣本。并將3月16日至3月20日共426條數(shù)據(jù)進行保留，作為訓練后模型的測試數(shù)據(jù)集。另外使用GAN神經網絡對訓練數(shù)據(jù)進行擴充，共得到510個合成數(shù)據(jù)樣本，擴充的訓練數(shù)據(jù)集包含了2640個數(shù)據(jù)樣本。本文在pytorch深度學習框架中實現(xiàn)GAN神經網絡并進行訓練，用Python語言實現(xiàn)遺傳算法，實驗計算機硬件配置為NVDIAGTA2060T顯卡和IntelCorei78700KCPU。訓練中將GAN神經網絡參數(shù)epoch設置為300，batchsize設置為18，學習率設置為0.001；遺傳算法基本參數(shù)設置為種群數(shù)量為20，終止代數(shù)為40，交叉概率為0.45，變異概率為0.01。為了驗證本文的GAN神經網絡合成數(shù)據(jù)和遺傳算法的風電功率預測性能，本文共設計了3個對比實驗，第一個將擴充訓練數(shù)據(jù)集的2640個樣本數(shù)據(jù)作為遺傳算法的輸入，并且對3月16日到20日的短期風電功率進行預測。另外兩個對比實驗僅僅只用到原始訓練數(shù)據(jù)集的2130個訓練樣本，分別用于遺傳算法和LSTM并對16日至20日的風電功率進行預測，實驗結果如圖3所示。通過上面的仿真結果對比，可以發(fā)現(xiàn)在未使用GAN神經網絡擴充訓練數(shù)據(jù)集的情況下，遺傳算法依然優(yōu)于LSTM的預測性能，預測結果更加接近于真實值。而在3個對比仿真實驗中，本文提出的GAN神經網絡和遺傳算法的組合，取得了最優(yōu)異的預測結果。相對于未使用擴充訓練數(shù)據(jù)的遺傳算法的預測結果，GAN神經網絡和遺傳算法的預測結果更加精準且在整體趨勢上更貼合真實數(shù)據(jù)。這個結果說明利用GAN神經網絡合成的數(shù)據(jù)樣本，可以用來訓練預測模型，且有助于提高最終的預測精確度。另外，為了研究不同數(shù)量訓練樣本情況下，各類算法的預測性能的區(qū)別以及GAN神經網絡擴充數(shù)據(jù)集對預測性能的提升效果，本文將SotaventoGalicia風場2022年3月1日至3月15日采集的2130個訓練樣本，其中的20%，50%，70%和全部樣本選取出來，形成4個不同樣本數(shù)量的訓練數(shù)據(jù)集。這4個訓練數(shù)據(jù)集用于訓練遺傳算法和LSTM，并對之后200個時間點風電功率進行預測。而本文提出的GAN神經網絡和遺傳算法的組合方法，首先將使用GAN神經網絡對訓練數(shù)據(jù)集進行擴充，合成數(shù)據(jù)量基本為原樣本數(shù)量的25%，之后合成數(shù)據(jù)和原始訓練數(shù)據(jù)合成為擴充訓練數(shù)據(jù)集，用于遺傳算法并對之后200個時間點風電功率進行預測。實驗中使用均方根百分比誤差對各模型的預測結果性能進行評價，評價結果如表1所示。從表1的實驗結果看，在不同數(shù)量訓練樣本情況下，遺傳算法的預測性能依然優(yōu)于LSTM算法。基于GAN神經網絡擴充數(shù)據(jù)集的方法，在樣本數(shù)量較小時也能取得較好的預測結果。隨著樣本訓練集大小的不斷增加，各個模型的均方百分比誤差都在逐漸減小，這是因為不斷增加的樣本給模型預測，提供了更多的信息和特征。GAN神經網絡合成數(shù)據(jù)的提升效果也慢慢降低，但是依然對預測準確度有一定程度地提升效果，比如在樣本只有總樣本20%和70%的時候，GAN神經網絡生成數(shù)據(jù)集的提升效果分別為16.2%和8.12%，這可能是在數(shù)據(jù)量較小時模型獲得的信息更加匱乏，合成數(shù)據(jù)可能起到更大的作用。

技術總結

本文提出了基于GAN神經網絡和遺傳算法進行短期風電功率預測，用來解決某些風電場缺少歷史數(shù)據(jù)而難以預測發(fā)電功率的問題。根據(jù)仿真實驗結果，我們可以得出以下結論：當樣本數(shù)據(jù)集較小的時候，我們可以利用GAN神經網絡對抗生成數(shù)據(jù)，并將生成數(shù)據(jù)用于模型的訓練和預測當中。它有助于提高預測的準確率，減少樣本量過少帶來的影響；GAN神經網絡和遺傳算法的組合，在缺少樣本的情況下，也可以有效地進行短期風電功率的預測，相對于LSTM算法取得較好的一個預測結果。在進一步的工作中，將充分探索GAN神經網絡和其他算法的組合，在小樣本風電功率預測上取得更精準的結果。

作者：楊乘勝