基于BP-AHP風機狀態評估的超短期風電功率動態預測研究

楊國清,王文坤,王德意,劉世林,戚相成

(1.西安理工大學電氣工程學院,西安 710048;2.西安市智慧能源重點實驗室(西安理工大學),西安 710048)

0 前言

隨著風力發電技術發展以及風電裝機容量不斷擴大,雙饋感應發電機被廣泛應用在風力發電中;截至2020年底全國風電累計裝機2.81 億千瓦,裝機占比高達12.8%,風電逐步由“輔助電源” 向“主力電源” 轉變[1]。然而,由于風能本身的間歇性及不確定性使得風機出力具有較強波動性,當大規模風電并網后將會給電力系統運行、調度、計劃發電等方面帶來一系列不利影響[2-3]。超短期風電功率的準確預測是解決此問題的有效途徑[4],其在電網經濟調度、運行策略調整等方面發揮了較為關鍵的作用,同時也為電力市場交易提供了基礎信息,利于保持系統實時功率平衡[5],對于電網安全、經濟、穩定運行均具有重要意義[6-7]。

近幾年,機器學習的快速發展及其在非線性系統控制方面的廣泛應用為風電功率預測問題提供了新的解決方案[8-9]。人工智能和大數據的興起也使得國內外大多研究學者在統計模型中采用人工智能算法建立風況信息與風電功率之間的非線性映射關系[10-12]。文獻[13]～[15]提出相對成熟的卷積神經網絡(convolutional neural networks,CNN)和循環神經網絡(recurrent neural network,RNN),前者側重于挖掘高維特征中的空間關聯性,后者則側重于挖掘序列信息的時間關聯性。在RNN 的基礎上還引申出了較為前沿的長短期記憶(long short-term memory,LSTM)人工神經網絡,將此類算法用于功率預測,在預測精度上相較傳統的人工神經網絡略勝一籌。文獻[16]和[17]提出一種基于集合經驗模態分解和最小二乘支持向量機的組合預測模型,所采用的集合經驗模態分解方法能夠有效解決波形混疊現象。

目前風電功率的預測普遍采用僅考慮外部氣象因素的靜態預測方法,即多以數值天氣預報(numerical weather prediction,NWP)數據作為模型輸入[18],利用各類機器學習算法的非線性擬合能力實現風電功率的精準預測。然而由于風電場地理位置、地形及風機排布方式導致風機捕獲的風能與NWP 數據之間存在一定的偏差,以及NWP 氣象數據本身所存在的誤差在一定程度上制約了風電功率預測精度。風速是影響風電功率大小最主要的因素[19],故推算風電機組所捕獲的真實風能即風機狀態是消除上述制約最有效的方法之一。但由于風機所處環境以及自身結構復雜,使得風機狀態難以量化,對于風電功率的動態預測研究少之又少。如何高效精準地評估風機狀態并將其應用到預測模型中成了一個需迫切解決的問題。文獻[20]基于機器學習算法提出了一種數據驅動的預測框架,模型以渦輪機控制輸入、流入風速和方向作為預測變量來預測風電場的功率輸出和結構疲勞,有效提高了預測精度。文獻[21]中分別采用AHP 和隨機矩陣理論(random matrix theory,RMT)評估風機狀態,提出一種計及風電場狀態的動態功率預測模型;預測精度較不計風電場狀態的模型有一定的提升,但仍存在以下問題:由于AHP 包含較多的人為主觀因素導致評估模型的不合理[22-23],故其評估結果不能很好地追蹤風機出力變化趨勢;而隨機矩陣理論存在適用性不確定、評估判據指標只有平均譜半徑(mean spectral radius,MSR)、數據處理步驟復雜等不足[24-25],并不能普遍地應用到各類風電場。

針對目前研究現狀,本文綜合考慮風電場地形、風電機組排布及風機自身性能等多種因素,通過在傳統AHP 評估模型中引入BP 算法構建BP-AHP 評估模型,由于BP 算法基于數據建模,使評估模型克服了AHP 模型包含較多人為主觀因素的問題。進而基于BP-AHP 模型進行評估,并將結果引入功率預測,建立了計及風機狀態的超短期風電功率動態預測模型,以期提高風電場功率預測精度。

1 風機狀態評估

風力機通過葉輪捕獲風能、輸出機械轉矩,傳動軸及齒輪箱將風力機的驅動作用傳遞給發電機提升轉速[26]。因此,影響風電機組出力的因素主要有外部因素和內部因素兩種:外部因素是指風速、風向等氣象因素;內部因素是指風機狀態即風機捕獲風能以及將風能轉化為電能的能力。因此在風速等氣象因素引起風電功率波動的同時會導致風機狀態發生不同變化,風機狀態的改變將會使風電功率波動更加復雜。不同風機功率與風電場風速之間的關系如圖1所示。

圖1 風機出力對比圖

由圖1 可知,在采樣點80～110 之間,當風速處于中等偏上時,18 號和19 號風機出現了不同的行為特征。19 號風機正常發電的同時18 號風機處于停機狀態,此時風電場出力也發生了劇烈波動。說明各風機將風能轉換為電能的能力即風機狀態是不同的,并且是隨時變化的。由此推斷,風機狀態在一定程度上影響風電場整體出力,能否準確評估風機狀態將直接影響風電功率預測的精度。

1.1 評估指標

風機在運行過程中產生的數據種類多,數據量大。從風機數據采集與監控(supervisory control and data acquisition,SCADA)系統導出的數據通常包括溫度數據、風況數據、電網數據以及與偏航有關的數據等[27]。如何從眾多的運行參量中選出能夠表征風機運行狀態的有效參量是至關重要的。下面從風機運行的實測數據出發分析各運行參量與風機出力之間的關系。

圖2 反映了兩臺同型號風機的齒輪箱油溫與發電機軸承溫度的變化趨勢。結合圖1 可知,在采樣點40～80 和采樣點120～140 之間,兩風機功率波動處于正常變化范圍內,其齒輪箱油溫以及發電機軸承溫度的隨機波動是平穩的。在采樣點80～110 之間,當兩風機功率發生不同幅度的變化時,兩風機齒輪箱溫度和電機軸承溫度的平穩波動過程隨之被打破,其中18 號風機各溫度參數大幅下降,溫度曲線呈鋸齒狀;19 號風機各溫度參數也發生了一定程度的波動,但其波動幅度相對較小。

通過圖1 和圖2 的對比分析可知,在一般情況下這些溫度參量保持在均值附近波動,這種隨機波動是平穩的。若某一參量或者多個參量發生異常波動,則有理由懷疑風機系統狀態發生變化。

綜合對實測數據的分析結果可知,風機狀態可由齒輪箱油溫、偏航系統參數及軸承溫度等多種運行參數表征;同時風機運行時其性能還受風電場風況以及電網側因素的影響。因此,本文采用風機運行時SCADA 系統記錄的各參數實測數據作為評估風機狀態的數據源。

1.2 AHP

AHP 是一種定性與定量分析相結合的多準則決策方法,同時也是多目標、多判據系統綜合評價方法。它將評估的目標、考慮的因素及各子因素按照它們之間的相互關系分為最高層、中間層和最低層,并將因素按不同層次凝聚組合,構建遞階層次結構模型如圖3所示。

該模型進行系統綜合評價時所要求解的是最底層各因素對于最高層目標的貢獻權重,具體求解步驟如下:

步驟1:針對最底層及中間層諸多因素分別構建判斷矩陣(以最底層為例),判斷矩陣W中的元素wij表示i因素對于j因素的重要程度,其取值依照九分位比例尺表。

步驟2:判斷矩陣一致性檢驗。

由于根據量表給出的判斷結果具有主觀性和模糊性,使得判斷結果不可靠,因此需要根據式(2)計算一致性比例CR,當CR＜0.1 時,認為矩陣A具有滿意的一致性,否則需要重新修正判斷矩陣。

式中,CI為一致性指標;n為矩陣階數;λmax為判斷矩陣的最大特征值;RI表示平均隨機一致性指標,本文RI的取值通過表1 給出。

表1 隨機一致性指標表

步驟3:調整判斷矩陣。

若判斷矩陣通過步驟2 的一致性檢驗,則通過判斷矩陣求出的權重向量作為最底層各因素的相對權重。否則需對判斷矩陣進行調整,直至滿足一致性檢驗。

步驟4:計算貢獻權重。

確定各層中每個因素之間的相對權重后,按照遞階層次結構對各層權重進行遞階相乘得到最終的貢獻權重。

綜上可知,采用AHP 確定最底層對于最高層貢獻權重,在構建判斷矩陣時難免會存在以下問題:一方面若狀態參量數目較多,在選取和計算時將面臨較為復雜的問題;另一方面若對各狀態參量不甚了解,每個指標的確定不可避免的帶有人為主觀因素,不能客觀的反映出每個指標對總目標的貢獻大小。

1.3 構建BP-AHP 評估模型

針對上述AHP 評估方法存在的問題,為更加客觀、合理的確定每個指標對總目標的貢獻,本文在AHP 的多層次結構模型中引入BP 算法,并結合1.1節所確定的各項評估指標構建如圖4所示的BP-AHP評估模型。

圖4 BP-AHP 評估模型

BP-AHP 模型采用完全獨立結構(即上層每一因素都有獨立的下層要素)并以風機狀態為評估目標。由于風電機組是工作在戶外的旋轉機械,并與區域電網關聯,需考慮除風機運行參量以外的其他影響因素,因此選取風機性能與外界因素兩大主因素以及它們對應的各子因素共同作為中間層指標。最底層指標則是中間層各指標所對應的具體參數,包含SCADA系統中記錄的16 種參數。

BP-AHP 模型仍以最底層各因素對于最高層目標的貢獻權重為求解目標。由于BP 算法是通過構建輸入層與輸出層之間的非線性映射關系,利用信號的前向傳播和誤差的反向傳遞確定各輸入變量的權重,其具有以下兩方面的優勢:(1)相較于AHP 算法通過構建判斷矩陣確定各因素的相對權重而言,BP 完全依托數據構建各輸入與輸出之間的映射關系,所確定的相對權重中不包含人為主觀因素;(2)引入BP 算法能夠實現對每臺風機單獨訓練進而確定風機參數所對應的權重,相較于AHP 算法只能利用一臺風機參數所對應的權重代替所有風電機組而言,引入BP 算法更能保證風電場各風電機組的獨立性。利用AHP 和BP 分別對模型中間層、最底層所對應各因素的權重進行計算,進而求解最終貢獻權重,計算步驟如下:

(1)依據1.2 中AHP 原理,計算中間各層相對權重向量,計算如下:

其中,wA為中間第一層風機性能與外界因素兩個指標構成的判斷矩陣;wB、wC為中間第二層所包含指標所構成的判斷矩陣。

由于wA、wB只包含兩個因素,故不存在一致性問題,無需檢驗。根據AwmC=λwmC,求得λmax=3.99,CI=0,選取RI=0.9,即可得CR= -0.0001＜0.1;則wC滿足條件。綜上可知,wA、wB、wC矩陣均通過一致性檢驗,故wm1、wm2、wm3向量均可作為對應層的相對權重。

(2)針對于遞階層次模型最低層對于中間層的相對權重,采用BP 算法建立最低層各因素與總目標之間的映射關系,通過數據訓練模型從而獲取各因素相對權重。由于總目標風機狀態待求,故可利用風機狀態的相關量——功率作為目標,構建各因素與功率之間的映射關系。BP 算法模型如式(5)所示:

該BP 模型僅含輸入層和輸出層,其中xi表示第i個輸入參量;wi為該輸入參量對應的權重;y為風機功率;f為激活函數;m代表參數個數。

利用單臺風電機組歷史實測數據訓練BP 神經網絡模型,并以均方根誤差(root mean square error,RMSE)為評價指標。按RMSE 值較小為優的原則確定最優模型,并從中獲取各參量對應的權重。由于各參數與功率的相關性存在正負相關性之分,因此對權重進行歸一化處理時依照式(6)保留權重的正負號,進而得到單臺風機各運行參數相對的權重向量,作為BP-AHP 模型中最底層各指標相對權重。

(3)依照式(7)及BP-AHP 評估模型架構將BP 客觀權重與AHP 主觀權重遞階相乘得BP-AHP 模型中最底層各指標對于最高層目標的貢獻權重wf。

最后,基于上述所確定的貢獻權重,將風電機組各參數的實測數據與相對應的貢獻權重相乘即實現單臺風電機組的狀態評估,如式(8)所示:

式中,xnT為風機在T時刻的第n個運行參量;T為時間點;n為參量個數;v為風機狀態。

2 功率預測模型

本文采用比較成熟的梯度提升算法XGBoost 構建輸入輸出的非線性映射關系如式(9)所示,并且在訓練模型時使用網格搜索算法(Grid Search)確定模型的最優參數,以此建立效果較優的風電場超短期功率預測模型來驗證本文所提方法的有效性。

XGBoost 模型是一種基于Boosting 的改進集成樹模型[28],目標函數如式(10)所示。

該算法通過貪心策略和最優化思想集合若干弱分類器,在生成新樹的同時擬合前棵樹的殘差,使模型損失函數下降,隨著迭代次數的不斷增加,預測精度顯著提高。XGBoost 算法原理如圖5所示。

圖5 XGBoost 算法原理圖

為提升風電功率預測的精準度,根據本文所提BP-AHP 評估模型所評估出的風機狀態構建一種動態的預測模型,該模型在原有靜態模型的基礎上引入風機狀態這一輸入變量,能準確的反映風電機組出力狀態。由于風機為轉動機械,因此可假設風電場狀態在一定時間范圍內具有持續性,即風電場狀態具有短時不變性,故模型以當前t時刻的風電場狀態、功率以及t+1 時刻的風況數據為輸入預測t+1 時刻的功率。動態預測模型如式(11)所示。

式中,nwp(t+1)、p(t+1)分別為t+1 時刻天氣預報信息和風電場的預測功率;fDT表示輸入輸出的非線性關系;p(t)為t時刻風電場的功率;v(t)為當前t時刻風電場狀態。

3 算例分析

本文采用西北某風電場數據進行算例分析,該風場裝機容量49.5MW,單臺風機額定容量1.5MW,風機數量為33 臺,風電機組排布如圖6所示。選取2020年5月1日至8月1日共12960 個采樣點的運行數據,時間分辨率為10min,并結合相應氣象站所采集的氣象數據為例分析驗證本文所建模型。

圖6 風電機組排布圖

3.1 實驗數據清洗及重構

基于數據驅動的風電功率預測研究中,準確的風電機組運行數據與氣象數據是進行功率預測的前提和基礎。但由于風電場在實際運營中常包含因限電、異常停機、記錄儀故障、通信設備異常等外在因素導致實測數據中產生較高比例的異常運行數據[27],弱化了各參數間的相關性,使得模型的擬合能力變差,嚴重影響預測的精度。因此,為避免數據誤差所帶來的影響,同時滿足模型輸入要求,有必要對實驗數據進行清洗、重構,以此提高風電功率預測模型的準確性與適應性。本文采用統計學中的3-sigma 原則檢測異常數據,如式(12)所示。識別異常數據后依照如圖7所示的數據重構原理流程對原始數據進行重構得到訓練數據。訓練數據包含10716 個樣本,將其中的9000個樣本作為訓練集,1000 個作為驗證,剩余部分用于預測。

3.2 風電場狀態

由于氣候、地形及機組排布等因素綜合作用,各參數表征各機組狀態的程度不同,同一種參數對不同的機組影響程度可能存在較大差異。若單純地以單一某臺風電機組的貢獻權重代表風電場所有機組參數權重水平,將難以保證各風機的獨立性,不能反映各風機真實出力狀態。因此,針對風電場所有風電機組均采用BP-AHP 評估模型,計算得到33 臺風機的貢獻權重見表2(表中A,B,…,P字母代表BP-AHP 模型最底層所對應的16 個參數)。進而可得各風機狀態,最后以33 臺風電機組狀態取均值作為風電場狀態,風電場狀態評估具體流程如圖8所示。

圖8 風電場狀態評估流程

基于BP-AHP 所評估的風電場狀態與風電場功率之間的關系如圖9所示。

圖9 風電場狀態與功率對比圖

不難看出,兩曲線整體變化趨勢相似,結合圖1分析可知在第80 個采樣點處,風場部分風電機組由于接收風速大于切出風速出現自動停機,這一過程導致風電場狀態急劇下降,風電場功率隨之呈現下降趨勢。為驗證風電場功率與狀態之間的相關性,引入Pearson 相關系數衡量二者之間的線性關系,相關系數rxy的取值范圍為-1～1,當rxy取值的絕對值越大表征相關程度越高。根據式(13)計算得到風電場功率與狀態的相關系數rxy=0.789,屬于強相關。由此可認為利用BP-AHP 模型評估的風電場狀態能夠較好地反映風電場真實出力狀態,可以將評估結果引入風機功率預測模型中。

3.3 功率預測結果分析

根據是否考慮風電場狀態這一因素以及評估風機狀態的方法,將預測模型分為不計風電場狀態的XGBoost模型和計及風電場狀態的BP-AHP-XGBoost 模型與AHP-XGBoost 模型。訓練模型時損失函數隨迭代次數下降的趨勢圖如圖10所示。從圖中可以看出,基于BP-AHP-XGBoost 的功率預測模型在一定程度上能夠有效避免模型訓練時出現過擬合,即可認為風電場狀態這一變量是有助于提升風電功率預測模型的精度。

圖10 模型損失函數變化趨勢圖

為了進一步驗證本文所提方法在預測精度上的優越性,分別對BP-AHP-XGBoost 模型、XGBoost 模型、AHP-XGBoost 模型進行風電功率超短期預測,預測結果如圖11所示。從圖中不難看出,計及風電場狀態的BP-AHP-XGBoost 模型預測精度明顯高于其他兩種模型。

圖11 風電場功率預測結果

上述3 種預測模型在功率上升、功率下降和功率波動不同出力場景下的預測結果如圖12所示,不計風電場狀態的XGBoost 模型在任一場景都存在明顯的預測偏差;在功率上升階段,BP-AHP-XGBoost 與AHP-XGBoost 模型整體上相差不大,僅在個別點存在偏差;在功率下降階段及功率波動階段,計及狀態的BP-AHP-XGBoost 預測模型仍保持較小的預測偏差,但AHP-XGBoost 模型的預測性能卻明顯低于在功率上升階段的預測性能。這也從側面印證了本文所提方法的有效性,BP-AHP-XGBoost 預測模型面臨風電場狀態各種變化時總能保持較高的預測精度,將誤差控制在合理范圍之內。

為更直觀地比較三種模型的預測效果,選用平均絕對誤差(mean absolute error,MAE)、均方根誤差(root mean square error,RMSE)[29]及確定系數(Rsquared,R2)用以評估各預測模型,R2值越接近1 則模型預測性能越好[30]。各指標定義如式(14)～(16)所示。

各種預測模型的預測誤差見表3,在計及風電場狀態的情況下,BP-AHP-XGB 模型相較于AHP-XGB模型在MAE、RMSE 指標上分別降低了0.7615MW、0.5609MW;在R2模型擬合度方面提升了3.43%;表明利用BP-AHP 模型評估的風電場狀態與風電場真實出力狀態最接近。BP-AHP-XGB 模型相較于不計狀態的XGB 模型在預測精度上也有較大幅度的提升。

表3 預測結果誤差分析

綜上所述,風電場出力受風機狀態的影響較大,而且不同評估方法所對應預測模型的結果不同,表明計及風機狀態的預測模型精準度在一定程度上也依賴于風機狀態的精準評估,也從側面印證了BP-AHP 評估模型的有效性。結合圖1、9、11 分析可知,當風況不穩定導致各風機狀態出現不同變化時,BP-AHP評估模型的預測精度明顯優于不計及狀態的預測模型。這說明在任何風況下本文所提預測模型均能保持較高的精準度,具有較強的魯棒性,能有效提高風電功率整體的預測精度。

4 結論

本文針對僅考慮氣象因素的傳統預測模型精度不足的問題,提出一種基于BP-AHP-XGBoost 的動態預測模型,通過算例分析驗證了該動態模型的可行性與優越性,得出以下結論:

(1)融合了BP 算法特點和AHP 結構模型的BPAHP 評估模型能更準確地評估單臺風電機組狀態,相較于單獨的AHP 模型可以更好地反映風電場真實出力狀態。

(2)針對于傳統靜態預測模型不考慮風機狀態導致預測精度不足的問題,將BP-AHP 模型的評估結果應用到功率預測模型中構建一種BP-AHP-XGBoost 動態預測模型,該模型適應性較強能夠在較復雜風況下保持較高的預測精度;相較于傳統靜態預測模型在MAE、RMSE 誤差指標上分別降低了1.4497MW、1.7921MW,使風電場整體預測的精度提高8.98%,在風電功率超短期預測方面有較高的應用價值。