基于深度学习的风光场群功率预测方法研究

刘永前，林爱美，阎 洁，韩 爽，李 莉，孟 航

(1.新能源电力系统国家重点实验室(华北电力大学)，北京市 昌平区 102206； 2.华北电力大学新能源学院，北京市 昌平区 102206)

0 引言

截止2020年年底，我国风电并网装机容量达到28 153万 kW，太阳能发电并网装机容量达到25 343万 kW[1]。大规模的风光发电并网会影响电力系统电能质量，不利于电力系统安全稳定运行[2]，较为精准的风光场站功率预测是解决这一问题的重要方向。

按照建模原理，风光功率预测均可分为物理方法和统计方法两种。但物理方法在建模过程中需要详细的地理、气象信息和机组/组件参数，建模过程复杂、计算量大，建模结果难以适应一些极端情况，使得统计预测方法成为当前主流的风光功率预测方法。统计方法是通过大量历史数据进行模型训练，建立输入变量和输出变量之间的映射关系，基于训练后的模型，预测未来的场站功率值。在统计预测中，为提升功率预测建模的精度和泛化性能，国内外学者尝试了大量精细化建模工作。主要分为以下几条途径：(1)改进预测模型或者算法。目前主要的风光功率预测算法包括：神经网络[3-6]、支持向量机[7-8]和自回归差分移动平均模型[9]等；现有的改进途径主要是通过特征提取(如经验模态分解[10-11]、卡尔曼滤波[12-13]等)以及组合预测(如集成学习[14]、灰色关联度法[15]等)等方式改进原有模型，提升模型对预测相关特征的学习能力和泛化性能；(2)修正数值天气预报。数值天气预报是预测误差的主要来源，通过实测风光数据对数值天气预报数据进行订正，可以明显提高预测精度。

目前风光场站功率预测的研究主要集中在场站级别。但是随着大规模的风电、太阳能开发，单个场站的功率预测已经不能满足电网调度的需求。与单个场站出力变化相比，调度部门更关注整个区域不确定性的功率总量。此外，区域风光功率预测值更有助于电力系统提前制定调度计划和有效控制联络交换功率，避免风光穿透功率提高而造成脱网事件，保障电力系统稳定运行[16-17]。集群功率预测的方法主要有累加法[18]和统计升尺度法。1)累加法是一种简单的区域功率预测方法，即直接加和区域各个风电场的预测功率。但是这种预测方法具有较大的局限性，要求区域内包含的风电场都具备较完备的数据信息，且预测精度易受到区域内任一场站预测精度的影响。文献[18]采用累加法对内蒙古功率区域功率预测展开初步研究，但是也没有给出一个最终的区域预测结果。2)统计升尺度法将区域划分成若干个子区域，每个子区域内选取相关性最强或功率预测精度最高的场站为基准场站，并根据基准场站的功率预测结果倍增至整个子区域，最后加和每个子区域的功率得到区域功率预测结果。这2种方法都忽略风光场站的时空相关性。因此，本文在考虑风光资源分布的时空相关性的基础上，提出一种基于多对多映射关系的堆叠降噪自编码器的风光功率预测模型，以实现对场站-区域出力的预测。

1 风光场群出力平滑效应

对于分布在一个区域内的风光场站而言，资源在空间上的差异性使得风光场群之间通过协同产生了解耦作用，解耦作用在一定程度抵消了对方的波动，从而在大的空间尺度上缓解了风光功率的间歇波动性[19]，这一现象称为风光出力平滑效应。本文采用相对波动幅值为指标衡量风光出力的平滑效应。相对波动幅值计算公式为

(1)

式中：Pt+1和Pt分别表示t+1时刻和t时刻的实际出力；n为实际出力样本个数；Pcap表示相应场站的装机容量。

以我国某省11个风电场和6个光伏场站的历史功率数据为例，分析风光场群出力平滑效应。其中风电场1—风电场6和光伏场站1—光伏场站6分布在平坦地形，称为区域1；风电场7—风电场11分布在复杂地形，称为区域2。

1.1 风电场群出力平滑效应

以我国某省11个风电场的历史功率数据为例，分析风电场群功率平滑效应。验证所提模型的有效性。表1为11个风电场的年功率相对波动幅值，图1为功率相对波动随风电场个数变化的趋势图。

从表1和图1可以看出：1)全省风电功率相对波动幅值要小于任何一个风电场或者一个区域的风电功率相对波动幅值；2)区域1风电功率相对波动幅值要小于在这个区域内任一风电场功率相对波动幅值；3)区域2风电的功率相对波动幅值要小于在这个区域内任一风电场功率相对波动幅值；4)功率相对波动幅值随着风电场个数的增加下降。这说明参与聚合的风电场站越多，整体风电出力的波动性越小，平滑效应越明显。

表1 风电场年功率相对波动幅值Table 1 Relative fluctuation amplitude of annual power of wind farms %

图1 功率波动相对幅值随风电场个数变化图Fig.1 Relative amplitude of power fluctuation changes with the number of wind farms

图2 区域1、2以及全省风电月功率波动相对幅值Fig.2 Relative fluctuation amplitude of month power of wind farms in Area 1, Area 2 and within the province’s regional scope

图2为区域1、2以及全省风电月功率波动相对幅值，从图2可以看出：1)区域1风电出力波动在1—3月份和9月份较为剧烈，在4—7月份较为平缓；2)区域2风电在8—12月份出力波动较为平缓，在其余出力波动幅值较大；3)全省整体的风电出力波动幅值要小于任一区域，且波动幅值也较为平缓，这是因为区域1、2的风电出力呈现出了互补性，从而使得全省风电出力平滑效应增强。

1.2 光伏场群出力平滑效应

以我国某省6个光伏场站的历史功率数据为例，分析光伏场群功率平滑效应，6个光伏场站均分布在区域1(平坦地形)。表2为6个光伏场站的年功率相对波动幅值，图3为功率波动相对幅值随光伏场站个数变化的趋势图。

表2 光伏场站年功率波动相对幅值Table 2 Relative fluctuation amplitude of annual power of solar stations %

图3 功率波动相对幅值随光伏场站个数变化图Fig.3 Relative amplitude of power fluctuation changes with the number of solar stations

从表2和图3可以看出：1)区域1整体光伏功率波动相对幅值要小于在这个区域内任一光伏场站单功率波动相对幅值；2)功率波动相对幅值随着参与聚合的光伏场站个数的增加而下降。这说明在参与聚合的光伏场站越多，整体光伏功率的波动性越小，平滑效应越明显。

图4 光伏月功率波动相对幅值Fig.4 Relative fluctuation amplitude of month power of solar stations

图4是区域1光伏月功率波动相对幅值。从图4可以看出，区域1光伏功率在秋季波动较大，冬季波动较小，这主要是由秋季和冬季辐射强度和温度等环境因素的差异造成的。

2 基于堆叠降噪自编码器的风光场群功率预测模型

2.1 堆叠降噪自编码器

降噪自动编码机(denoising auto-encoder, DAE)是自编码机(auto-encoder, AE)的变形算法。其结构如图5所示。

图5 堆叠降噪自编码器的结构Fig.5 Structure of Denoising auto-encoder

(2)

重构结果为：

z=gθ′(y)=S(W′y+b′)

(3)

DAE的优化目标可写为：

(4)

2.2 建模步骤

所提预测模型的建模步骤如下：

1) 以数值天气预报数据为输入，筛选功率数据并进行归一化出力；选取每个月的后7天为测试数据集，其余天数为训练数据集。

2) 逐层训练：设置网络结构，通过数值天气预报数据逐层训练网络，获得各层网络参数。

3) 网络微调：使用步骤 2)中得到的网络参数，初始化深度神经网络，以修正数值天气预报数据为输入，功率数据为输出，并通过小批量梯度下降法迭代网络权值，直至收敛。

4) 输入测试数据前馈计算生成网络输出，反标准化处理得到功率预测值，并通过评价指标测试模型预测效果。

3 算例分析

3.1 数据说明

以我国某省11个风电场和6个光伏场站的数值天气预报数据和实测功率数据为例，验证所提模型的有效性。

数据时间为2019年1月1日至2019年12月31日。选取每个月的后7天数据为训练样本，其余天为测试样本。

以均方根误差(root mean square error，RMSE)为所提模型功率预测精度的评价指标，计算公式为

(5)

3.2 风电场群功率预测

3.2.1 平坦地形区域风电场群功率预测

区域内包含的6个风电场及区域整体功率预测结果如表3所示。从表3可以看出，与原有系统相比：1)在单场站预测尺度上，本文所提出的基于深度学习的预测模型可以有效提高预测精度，其中风电场4的预测功率精度提升最多，达到38.74%(均方根误差从25.35%降至15.53%)，风电场5的预测功率提升最低，为3.49%(均方根误差从19.97%降至16.86%)；2)在区域预测尺度上，本文所提预测模型提高了平坦地形区域风电场功率预测精度15.65%(均方根误差从19.97%降至16.85%)。

表3 区域1风电场功率预测误差Table 3 Power forecasting errors of wind farms in Area 1 %

图6 区域1风电场功率预测结果Fig.6 Power forecasting results of wind farms in Area 1

图6为选取的2个风电场和区域1的月均方根误差分布情况和功率时序图。从图中可以看出，与原有系统预测结果相比，本文所提出的深度学习预测模型可有效提高每个月的预测精度，且预测功率的月均方根误差基本上小于20%，可以满足电网的考核要求。

3.2.2 复杂地形区域风电场功率预测

区域内包含的5个风电场功率预测结果如表4所示。从表4可以看出，与原有系统相比：1)在单场站预测尺度上，本文所提出的基于深度学习的预测模型可以有效的提高预测精度，其中风电场8的预测功率精度提升最多，达到18.55%(均方根误差从21.19%降至17.26%)，风电场7的预测功率提升最低，为1.50%(均方根误差从22.78%降至22.44%)；2)在区域预测尺度上，本文所提预测模型提高了区域2风电场功率预测精度3.28%(均方根误差从20.13%降至19.47%)。

表4 区域2风电场功率预测误差Table 4 Power forecasting errors of wind farms in Area 2 %

图7为选取的2个风电场和区域2的月均方根误差分布情况和功率时序图。从图中可以看出，与原有系统预测结果相比，本文所提出的深度学习预测模型可有效提高每个月的预测精度，且预测功率的月均方根误差基本上小于20%，可以满足电网的考核要求。

图7 区域2风电场功率预测结果Fig.7 Power forecasting results of wind farms in Area 2

与区域1包含的风电场相比，区域2包含的风电场所处地形和气候条件较为复杂，场内不同机组点位处的风况差异较大，故预测精度提高较小。

3.3 平坦地形区域光伏场站功率预测

区域包含的6个光伏场站及区域整体功率预测结果如表5所示。从表中可以看出，与原有系统相比，1)在单场站预测尺度上，本文所提出的基于深度学习的预测模型可以有效提高预测精度，其中光伏场站3的预测功率精度提升最多，达到43.39%(均方根误差从18.91%降至10.70%)，光伏场站6的预测功率提升最低，为5.50%(均方根误差从9.15%降至8.69%)；2)在区域预测尺度上，本文所提预测模型提高了平坦地形区域光伏场站功率预测精度21.75%(均方根误差从13.29%降至10.40%)。

图8为选取的2个光伏场站和区域1整体的月均方根误差分布情况和功率时序图。从图中可以看出，与原有系统预测结果相比，本文所提出的深度学习预测模型可有效提高每个月的预测精度，且预测功率的月均方根误差基本上小于20%，可以满足电网的考核要求。

表5 区域1光伏场站功率预测误差Table 5 Power forecasting errors of solar stations in Area 1 %

图8 区域1光伏场站功率预测结果Fig.8 Power forecasting result of solar stations in Area 1

4 结论

本文提出了一种基于堆叠降噪自编码器的风光场群功率预测模型。与风光场站原有预测模型 相比，所提出的模型大幅度提升了风光场站功率预测精度，平坦地形区域风电场预测功率提高了15.56%，复杂地形区域风电场预测精度提高了3.28%，平坦地形区域光伏功率预测精度提高了21.75%。所提模型在复杂地形区域的精度提升低于平坦地形区域，是因为复杂地形区域地形和气候条件复杂，增大了预测难度。