风电场短期功率预测研究

刘 倩，李 时，陈 苗

（1.滁州职业技术学院 电气工程学院，安徽 滁州 239000；2.国网滁州供电公司，安徽 滁州 239000）

风能作为储备丰富、无污染的可再生能源，在全球经济高速发展的情形下获得越来越多的关注，我国风电项目的总体容量在我国电力系统所占比例不断提升［1］。风速具有较大波动性和间歇性，导致风力发电的实际功率具有随机性、不稳定性、受季节因素影响大等缺点，提高风电功率预测系统的预测精度是保证风电系统安全稳定运行的必要前提和保证［2］.

通过研究国内外文献知，风电预测方法主要有两种：统计模型法和人工智能法［3-4］.统计模型法主要是处理线性数据并建模，风电属于非线性数据，统计模型法难以克服其对预测精度的影响；人工智能法适用于线性、非线性甚至极高复杂度的数值关系，无需构建精确的数学模型，广泛应用于风电预测，但其精准度依赖于输入参数和训练样本［5-6］.近年来，深度学习法广泛应用于电力负荷预测并取得不错的预测效果，在众多深度神经网络模型中，LSTM网络模型是一种能兼顾时序数据的时序性和非线性关系的一种深度神经网络模型，如何提高模型的预测精准度和减少计算量和复杂度成为研究重点.鉴于此，笔者提出一种基于CNN-LSTM的短期风电预测模型，通过试验结果表明，此模型的预测精度远高于传统LSTM预测模型，具有普遍适应性.

1 预测理论分析

1.1 卷积神经网络

CNN近年来在数据特征提取、高维数据降维上取得广泛应用，它通过卷积层、池化层这两个主要部分对多维时间序列在空间结构上的关系进行提取.

典型的卷积神经网络结构如图1所示，卷积层通过对输入数据进行卷积运算，提取数据特征，一维卷积计算为：

图1 卷积神经网络数据处理过程

式中oc为某层卷积的特征映射，fc（x）为卷积激活函数，⊗为卷积操作，Wc为当前卷积核的权值向量，bc为当前卷积层的偏置.

池化层是数据特征的深层提取以保留主要特征数据，在卷积层之后，采用最大池化法对数据进行降维（即降采样），可以减少网络的参数和计算复杂度.

式中op为全局池化层的输出最大序列，oc为卷积层输出向量集.全连接层将池化层的输出特征映射成固定长度的列向量，用于模型的训练分类和回归运算.

1.2 LSTM算法

LSTM算法是Hochreiter和Schmidhuber提出的一种特殊的循环神经网络，它克服了传统RNN在处理尝试序列时的梯度消失问题，LSTM算法通过“门”逻辑控制和状态传递单元（图2）找出时间序列内部变化规律，并记住较长期的信息，通过状态单元不断更新避免了梯度消失，适用于预测风电的短期负荷［7］.

如图2所示，LSTM能有效地对输入数据进行利用，将过去

的长期数据形成记忆，LSTM单元将前一个单元的输出信息ct-1和本单元联系在一起，实现状态单元不断更新ct，通过输入门τi、遗忘门τf、输出门τo三种控制门机制来实现的.

式中h，x，c为单元的3个变量，变量下标为t-1对应的是上一个单元的输出，sigmoid和tanh对应的是激活函数的变量.bi、bf、bo、bc表示偏移常数，Wi、Wf、Wo、Wc分别对应3个门和状态单元的权系数矩阵.

控制长期状态c是LSTM算法的关键，输入门τi决定了输入xt保存至当前ct的程度、遗忘门τf决定上一单元ct保存至这一单元ct的程度、输出门τo决定了ct多大程度输出至当前ht.

2 CNN-LSTM算法过程

（1）数据预处理阶段主要针对风电数据中的异常值和空值比如设备损坏、异常干扰、停电等，笔者利用pandas工具对数据进行读取，查看并利用函数修补法或者直接剔除异常值.再对数据归一化处理，消除风电场装机容量差异及数据集维度在量纲上的差异.综合考虑风电负荷数据的特点，将风电原始数据：风电功率、风速、风向χs采用公式进行归一化处理，χc为归一化处理之后的输入数据，大小在［0-1］之间的，用于模型的输入数据.为原始数据，χmax、χmin为原始数据的最值.

（2）采用一维卷积神经网络CNN对风电数据进行降维处理，χc为1*3向量，卷积核向右平移，移动步长为2，经过大小为1*2的池化层池化，完成一次卷积池化过程，再经过几次卷积层池化层，全连接后得到维度大幅度缩减之后的特征值χc’，提取能最大程度代表风电功率的特征数据，以减少训练参数，降低算法的复杂度，能有效地避过度拟合，使训练时间加快，提高算法的泛化能力.

（3）将特征序列作为LSTM预测模型的输入，生成初始预测结果.

（4）对N个验证数据，Yi为风电预测数据，Yi-1为风电实际数据，以相对误差值、RMSE为预测综合评价指标

3 算例分析

本实验样本采用安徽省某市风电负荷数据及气象数据风电功率、风速、风向，采样间隔时间为1小时，数据中前70%数据作为训练数据，20%作为验证样本，10%的数据作为测试数据，数据维度为36.首先对负荷数据及气象数据进行预处理，包括异常值去除后再对数据进行归一化处理，采用双层CNN神经网络对数据进行降维处理，并在改变LSTM的单元数测试不同的LSTM模型预测效果，实验结果表明，1个、2个、4个LSTM的隐含层其RMSE分别是0.68、0.61和0.6，3个LSTM的隐含层能达到最佳拟合效果，RMSE=0.53，训练时长随着隐含层的增多呈增加的趋势.

本文采用CNN-LSTM和传统LSTM两种模型分别进行预测，图示3和图4为风电功率的预测效果图：黑色曲线（·标识）对应的是传统LSTM模型的预测值，细实线为实际值，虚线（o标识）为采用CNNSLTM模型的预测值.从下图的曲线可以看出，传统的LSTM预测模型和CNN-LSTM预测模型都能对短期风电进行预测，曲线的变化符合实际风电曲线的变化趋势.

图4 步长为3时的风电预测曲线图

对比图3、图4可以看出，步长增加时的预测效果会下降，是由于在增加步长的同时，风电的随机性导致预测数据和训练数据之间的关联性减低，影响模型的预测精度；CNN的移动步长分别选择2、3时的预测数据对比，平均减少27.6%、29.1%.

图3 步长为2时的风电预测曲线图

如图5所示，虚线标识的是LSTM传统模型的相对误差曲线，实线为笔者预测模型结果的相对误差曲线.经CNN处理之后的LSTM模型在数据特征选取上的优点更加明显，卷积层和池化层能有效地选取更能代表风电功率的特征数据，极大提高模型的预测效果.

图5 预测模型的相对误差

4 结语

为了提高短期风电预测模型的精度，提出了一种基于CNNLSTM的预测模型.通过CNN的卷积层和池化层的堆叠作用，提取最能代表风电特征的特征数据并对其降维处理，同时保留其在时间维度上的特征，实现了对特征数据的深度挖掘；LSTM特有的“门”机制和对时间序列的记忆作用能高效地利用历史特征数据进行风电预测，此模型的预测精度远高于传统LSTM模型的预测效果，本实验为短期风电预测技术的研究积累了经验.