基于深度學習網絡的風電場功率短期預測研究

摘 要：對風電功率進行有效預測能夠減少風電接入對電網的不良影響，利于電網調度。以上海某風場為對象，基于深度學習網絡建立了功率智能預測的模型，并對該模型的實用性進行探討，以探究預測精度更高的功率預測方法。首先對數值天氣預報（Numerical Weather Prediction，NWP）數據和風電場數據進行分析處理，然后基于深度學習網絡建立數值天氣預報數據的校正模型，并仿真該模型，將計算得到校正后的數值天氣預報數據作為功率輸出模型的輸入參數，最后基于深度學習網絡建立考慮風速、風向、溫度、氣壓和歷史功率的風機功率輸出模型，并仿真該模型，預測24 h內各風機的有功輸出情況。預測過程和結果顯示，基于深度學習網絡的智能功率預測模型能夠提高短期功率預測的精度，且基于深度學習網絡的數值天氣預報校正能有效修正模型的輸入誤差。

關鍵詞：風電場；數值天氣預報；功率預測；深度學習網

中圖分類號：TM614 文獻標識碼：A DOI：10.15913/j.cnki.kjycx.2015.19.004

隨著風電在我國的快速發展，大型風電場（幾十萬千瓦級甚至百萬千瓦級）的并網運行對電力系統的影響也越來越大。我國風能資源豐富的地區一般人口稀少、負荷量小、電網結構相對薄弱。由于風能具有的隨機性、間歇性和不可控性以及在實際運行中多數風電具有的反調峰特性，因此，人們難以預測風電場發電出力的變化趨勢，造成電網運行調度的困難和復雜化，對電網的安全、穩定運行造成了很大的影響，甚至會導致電力系統崩潰，最后造成大規模停電事故，對電能質量也有相當大的影響，而且這種不穩定性也不利于電網的調度。為了減少大規模風電并網給電網運行造成的影響，風電場需要及時、合理預測風電功率，然后發送給電網調度部門。目前，風電功率預測己經成為阻礙風電產業發展的瓶頸，同時也成為了它的技術必需品。

目前在我國，風電的利用率較低，棄風現象普遍。要提高對風電的開發、利用程度，就需要進一步提高風電功率預測的準確性。本文以上海某風電場為研究對象，首先對來自該風電場的原始數據和對應的數值天氣預報數據按照一定準則進行預處理，研究其之間的關系和蘊藏的統計規律，然后基于深度學習網絡建立NWP數據校正模型和短期功率預測模型，最后基于實際仿真驗證該方法的實用性。

1 深度學習網絡

1.1 簡介

深度學習網絡是指一大類的機器學習和各種層次結構結合的網絡，其特性是使用多層非線性信息處理方法（這與一般神經網絡結構類似，包含了更多的隱層）。根據這些結構和技術的應用領域，比如綜合/生成或識別/分類，這些結構大致可以分為三類：①非監督學習或生成學習深度網絡。當目標的類標簽信息不可獲取的時候，這類深度網絡趨向于為了模式分析和綜合的目的，提取了可視數據中的高度自相關性。在學術上，非監督特征或者表示學習指的就是這類深度網絡。②監督學習深度網絡。這類模型用于直接提供模式分類中的識別能力，經常以描述可視數據的后驗分布形式給出。類標簽可以直接或間接得到（監督學習）。③混合深度網絡。目標是輔加生成學習或者深度非監督學習效果的數據分類問題。一般可以使用最優化和第2類深度網絡模型來解決。這種網絡使用監督學習的標準去估計任何深度生成模型或者非監督深度網絡中的參數。

1.2 深度信念網絡

2006年，Hinton 提出了深度信念網絡（Deep Belief Nets，DBN）模型及學習算法，即基于層疊的受限玻爾茲曼機（Restricted Boltzmann Machines，RBM）深度信念網絡的學習算法。它是深度學習網絡的一種，同時是一種生成模型，通過訓練其神經元間的權重，我們可以讓整個神經網絡按照最大概率來生成訓練數據。DBN不僅可以用來識別特征、分類數據，還可以用它來生成數據。一個深度信念網絡模型可以看成是由若干個RBM堆疊在一起，而訓練學習的過程就是由低層到高層，無監督地逐步訓練這些RBM，其中，每一個RBM都可以通過對比散度（Contrastive Divergence，CD）算法來進行快速訓練。所以，整個深度學習網絡的訓練過程就轉化為對多個 RBM 訓練學習的問題，而直接繞過了從整體上進行訓練的高度復雜性。這種通過 RBM 算法而訓練生成的網絡，其頂層是無方向連接的，下邊所有低層的方向全是向下的。在進行分層RBM 算法之后，通過神經網絡的學習算法再微調網絡的參數，從而使整個深度學習網絡收斂到一個局部最優點上。

DBN 由多層神經元構成，這些神經元又分為顯性神經元和隱性神經元（以下簡稱為“顯元”和“隱元”）。顯元用于接受輸入；隱元用于提取特征，因此隱元也有個別名，叫特征檢測器（feature detectors）。最頂上的兩層間的連接是無向的，組成聯合內存，較低的其他層之間有連接上下的有向連接。最底層代表了數據向量，每一個神經元代表數據向量的一維。DBN 的組成元件是RBM，其結構如圖1所示。

1.3 深度信念網絡的訓練方法

RMB具有的所有可見節點對于其他可見節點是獨立的，隱藏節點對于其他隱藏節點也是獨立的。將RBM堆疊起來就組成了深度信念網絡，而深度學習網絡可以從高維復雜抽象的輸入中抽取更加抽象的特征。圖2所示為一個三層的深度信念網絡。

DBN 是由多層 RBM 組成的一個神經網絡，它既可以被看作一個生成模型，也可以被當作判別模型，其訓練過程是：使用非監督貪婪逐層方法去預訓練獲得權值。具有兩個隱含層的DBN的訓練過程為：①充分訓練第一個RBM；②固定第一個RBM的權重和偏移量，然后使用其隱性神經元的狀態，作為第二個RBM的輸入向量；③充分訓練第二個RBM后，將第二個RBM堆疊在第一個RBM的上方。

生成模型使用Contrastive Wake-Sleep算法進行調優，其算法過程是：①第一層的RBM 的權重被分成向上的認知權重和向下的生成權重；②Wake階段，即認知過程。通過外界的特征和向上的權重（認知權重）產生每一層的抽象表示（結點狀態），并使用梯度下降修改層間的下行權重（生成權重）。③Sleep階段，即生成過程。通過頂層表示和向下權重，生成底層的狀態，同時修改層間向上的權重。

2 模型建立及數據處理

2.1 數據預處理

本文用于建模的數據來源主要有兩個：①上海某風電場2013-04-01—28每隔15 min記錄的風速、風向、和實測功率值。②數值天氣預報給出的2013-04-10—28每隔1 h的30 m處風速、風向，100 m處風速、風向、氣溫、濕度和氣壓。天氣預報數據為每隔8 h循環預測未來3 d的天氣。

首先對所選數據的合理性進行校驗，校驗的標準為國家標準《風電場風能資源評估方法》（GB/T 18710—2002）。 該標準規定了評估風能資源應收集的氣象數據、測風數據的處理方法、主要參數的計算方法、風功率密度的分級、評估風能資源的參考判據、風能資源評估報告的內容和格式等。其中，風速的合理范圍為0～40 m/s，風向的合理范圍為0～360°，1 h風速變化的合理范圍為0～6 m/s。數據的具體處理方法如下：①缺失及異常的數據用相鄰時刻的數據插補；②功率小于0的以0代替，功率大于風機最大功率的以最大功率替代；③對于不合理數據值，沿用前一時刻數據。

最后轉換數值天氣預報數據。由于數值天氣預報數據的時間間隔為1 h，而風場SCADA數據的采樣時間為15 min，因此要對數值天氣預報數據進行時間轉換。將每隔1 h的數據點拆分為4個數據點，最后將數值天氣預報數據轉換為時間間隔為15 min的數據，與SCADA數據保持一致。

2.2 數據相關性研究

考察NWP預報給出30 m處的風速數據與風機輪轂處風速的相關性，如圖3～圖6所示。

比較圖3和圖4可以看出，NWP給出的30 m處的風速數據點比實際風速數據點集中，且整體比實際風速數據點靠左，表明預報數據整體比實際風速要小。從圖5中可以看出，NWP給出的30 m處風速預報數據點與實際風速的數據點幾乎每一時刻都存在誤差，但其變化模式及其走勢基本保持一致。圖6給出的NWP預報數據與實際風速的線性相關系數為0.545 3，表明NWP給出的數據與實際數據的整體相關性，驗證了NWP給出的預報數據的有效性和準確性。

由于風機功率與風速的三次方成正比，風速的誤差對風機功率預測的準確性影響較大，NWP預測數據的變化模式與實際風速保持一致，因而NWP數據具有可校正性。本文將利用深度信念網絡的特征提取能力和非線性擬合能力對NWP給出的30 m風速數據和100 m風速數據進行校正。通過校正降低因NWP數據不準確產生的誤差，從理論上整體提高功率預測模型的預測精度。

2.3 建立NWP數據校正模型與功率預測模型

基于上述的數據處理與分析，可以判定NWP預報產生的誤差具有某種規律性，例如大多數比實際值偏低、整體變化趨勢大體一致等。利用這些規律可以對NWP的預報數據進行校正。由于校正無法利用具體函數來表示，因此考慮利用深度學習網絡的自動學習功能及其深層次的特征提取能力，輸入歷史NWP預報的風速（30 m和100 m處）、風向及其相關數據，將相應時間點風電場實測數據作為輸出訓練深度學習網絡，從而得到校正模型。得到的模型可以對NWP給出的預報數據進行校正，然后用校正得到的風速替代NWP的預測數據作為功率預測模型的輸入項，其網絡結構示意圖如圖7所示。

基于深度信念網絡，輸入NWP數據校正后的風速數據、歷史時刻的風速數據和歷史功率數據，預測功率為輸出建立風電功率多步預測模型。模型結構示意圖如圖8所示。

上述基于DBN的NWP數據校正模型和功率預測模型訓練過程主要分為兩個步驟：①分別單獨、無監督地訓練每一層RBM網絡。②在DBN的最后一層設置BP網絡，將接收RBM的輸出特征向量作為它的輸入特征向量，有監督地進行訓練學習。而且每一層 RBM網絡只能確保自身層內的權值對該層特征向量映射達到最優，并不是對整個DBN的特征向量映射達到最優，所以反向傳播網絡還將錯誤信息自頂向下傳播至每一層RBM，微調整個DBN網絡。RBM網絡訓練模型的過程可以被看作對一個深層BP網絡權值參數的初始化，使DBN克服了BP 網絡因隨機初始化權值參數而容易陷入局部最優和訓練時間長的缺點。

為了提高訓練效率，上述訓練模型中RBM采用的是高斯-伯努利限制玻爾茲曼機。它的特點是用具有高斯分布的實可見節點替換了模型中的二進制可見節點，能量函數E（V，H|θ）為：

E（V，H|θ）= .（1）

式（1）中：δ為高斯可見節點的標準方差向量，θ≡（W，b，c，δ）。

GBRBM的可見節點的條件概率服從高斯分布，為：

. （2）

其中，N（μ，δ2）表示均值為μ，標準方差為δ的高斯分布。

GBRBM隱藏節點的條件概率為：

p（Hi=1∣V）=sigmoid（WjV+ci）. （3）

2.4 實驗結果分析

本文使用的數據為上海某風電場2013-04-10—28的歷史監測數據和相應的數值天氣預報數據。模型采用上述給出的基于DBN的NWP數據校正模型和功率預測模型。

圖9是NWP數據校正模型的輸出結果比較。藍色為風場監測的風速數據，綠色為NWP預測30 m處的風速數據，黃色為NWP預測100 m處的風速數據，紅色為校正后的NWP數據。

圖10是功率預測模型給出的提前6 h的功率預測結果，藍色為功率實際值，紅色為模型預測值。從圖10中可以看出，基于深度學習網絡的風電功率預測能很好地跟隨功率變化，且整體誤差較小。

3 結論與展望

本文基于NWP和深度學習網絡分別建立了NWP數據校正

模型和風電功率短期預測模型。深度學習網絡近年來廣受關注，谷歌和百度更是先后成立了深度學習研究院。本文將深度學習網絡引入風電功率預測領域，為深度學習網絡在回歸預測方面作了驗證。驗證結果表明，基于NWP和深度學習網絡的功率預測模型能較好地跟隨風能變化趨勢，在一定程度上能提高預測精度。本文提供的風電功率預測方法可以為風電場功率預測提供參考。

參考文獻

[1]遲永寧.大型風電場接入電網的穩定性問題研究[D].北京：中國電力科學研究院，2006.

[2]A.M.Foley，P.G.Leahy，E.J.McKeogh.Wind Power Forecasting & Prediction Methods[C]//9th International Conference on Environment and Electrical Engineering，2010.

[3]王勃，馮雙磊，劉純.基于天氣分型的風電功率預測方法[J].電網技術，2014（1）

[4]劉瑞葉，黃磊.基于動態神經網絡的風電場輸出功率預測[J].電力系統自動化，2012（11）.

[5]吳昌友.神經網絡的研究及應用[D].哈爾濱：東北農業大學，2007.

[6]陳聰聰，王偉慶.基于小波神經網絡法的短期風電功率預測方法研究[J].工業控制計算機，2010（10）.

[7]魯向擁，陳悅，張瞳.Deep Learning算法分析和模型改進[J].計算機光盤軟件與應用，2014（06）.

〔編輯：王霞〕

Research on the Short-term Forecasting of Wind Power based on Deep Learning Network

Pan Zhigang， Liu Sanming， Li Ying， Zhu Xiaowei， Yang Yang

Abstract： Effective prediction of wind power can reduce the adverse effect of wind power on the power grid， which is conducive to the power grid scheduling. In this paper， a wind farm in Shanghai as the object， based on the deep learning network to establish a power intelligent forecasting model， and the model of the practicality of the study， to explore the higher prediction accuracy of power forecasting method. Numerical weather prediction data and wind farm data are analyzed and processed. Then the model is established based on the deep learning network to establish the numerical weather forecast data. The input parameters of the model are calculated by the model. Finally， the wind turbine power output model is established based on the deep learning network. The forecasting process and results show that the intelligent power forecasting model based on deep learning network can improve the accuracy of short-term power forecasting and the error of the model can be corrected effectively based on the deep learning network.

Key words： wind farm； numerical weather prediction； power prediction； deep learning network