王麗杰，唐宏芬，張真真，張路娜

(中國大唐集團(tuán)新能源科學(xué)技術(shù)研究院有限公司，北京 100052)

1 引言

近年來，風(fēng)力發(fā)電機(jī)在全球范圍內(nèi)得到大量推廣，在滿足電力需求降低電價的同時減少了溫室氣體的排放，極大的推動了全球綠色能源可持續(xù)發(fā)展的進(jìn)程。預(yù)計未來風(fēng)力發(fā)電量將繼續(xù)增加，以實現(xiàn)2030年可再生能源占總發(fā)電量50%的能源目標(biāo)[1]。但是如果沒有采取適當(dāng)?shù)拇胧?，如電力精?zhǔn)預(yù)測、建立儲能系統(tǒng)等，那么風(fēng)力發(fā)電的性能劣化可能會嚴(yán)重破壞供電可靠性、安全性和經(jīng)濟(jì)性[2]。建立儲能系統(tǒng)雖然可以起到降低風(fēng)力發(fā)電性能劣化的作用，但是在處理過程中所需面臨的環(huán)境問題、土地使用問題以及費用問題極大的增加了投入成本。發(fā)電功率預(yù)測模型是一種環(huán)保經(jīng)濟(jì)的解決方案，可以協(xié)助管理部門對風(fēng)電機(jī)組的運行狀態(tài)進(jìn)行評價判斷。當(dāng)風(fēng)電機(jī)組出現(xiàn)發(fā)電性能劣化時，發(fā)出預(yù)警并提醒工作人員關(guān)注風(fēng)電機(jī)組運行狀態(tài)，同時指導(dǎo)維護(hù)人員完成相關(guān)設(shè)備維護(hù)，杜絕發(fā)電性能劣化的持續(xù)發(fā)生，保證風(fēng)電機(jī)組發(fā)電效率，有效提高風(fēng)電機(jī)場的運行水平[3]。

目前，風(fēng)電機(jī)組發(fā)電性能判斷主要依賴發(fā)電功率曲線進(jìn)行判斷。具體而言，通過設(shè)備采集到的運行數(shù)據(jù)，建立機(jī)組發(fā)電功率曲線模型，并通過該模型實時監(jiān)測風(fēng)電機(jī)組發(fā)電功率變化，準(zhǔn)確發(fā)出風(fēng)電機(jī)組性能劣化預(yù)警[4]。然而，由于自然環(huán)境中的風(fēng)速具有非線性特征且有高變化率，且大氣溫度和壓力等也會影響風(fēng)電機(jī)組發(fā)電功率，使得發(fā)電功率預(yù)測模型準(zhǔn)確性較差[5]?，F(xiàn)階段，還沒有典型的風(fēng)電功率預(yù)測模型。因此如何通過提前調(diào)度來提取特征和建立準(zhǔn)確預(yù)測發(fā)電功率的模型以確保電力系統(tǒng)可靠、安全運行成為國內(nèi)外專家研究的重點。

預(yù)測風(fēng)電機(jī)組發(fā)電功率的預(yù)測方法有很多，包括物理模型、統(tǒng)計模型、混合人工神經(jīng)網(wǎng)絡(luò)模型等[6-7]。物理模型方法主要在考慮初始值和邊界條件的基礎(chǔ)上通過物理和大氣的水動力和熱力學(xué)模型進(jìn)行預(yù)測，該方法的發(fā)電功率預(yù)測性能較差[8-9]。常見的統(tǒng)計學(xué)方法如概率自回歸模型和概率質(zhì)量偏差模型等，可建立風(fēng)力發(fā)電與解釋變量之間的關(guān)系，但該方法存在適應(yīng)性和學(xué)習(xí)能力較差的問題，并其性能隨著預(yù)測時間段的增加而降低[10-11]。人工神經(jīng)網(wǎng)絡(luò)具有映射非線性關(guān)系、自學(xué)習(xí)能力強(qiáng)等優(yōu)點，在風(fēng)力發(fā)電預(yù)測中得到廣泛的應(yīng)用[12-14]。該技術(shù)的主要優(yōu)點是不需要任何數(shù)學(xué)模型來建立輸入和輸出數(shù)據(jù)之間的關(guān)系，雖然人工神經(jīng)網(wǎng)絡(luò)在預(yù)測風(fēng)力發(fā)電功率方面表現(xiàn)出了良好的性能，但它也存在著模型過擬合和欠擬合的問題以及在更新隱藏層權(quán)重和偏差方面效率低下[15]。針對這些缺點，Lu等提出了一種使用支持向量機(jī)(Support Vector Machine，SVM)算法預(yù)測短期風(fēng)電發(fā)電功率的框架，即在支持向量機(jī)模型中采用灰狼算法調(diào)整核函數(shù)的參數(shù)[16]。Li等提出了一種支持向量機(jī)與改進(jìn)蜻蜓算法相結(jié)合的風(fēng)力發(fā)電預(yù)測模型，其中采用自適應(yīng)學(xué)習(xí)因子和微分進(jìn)化方法改進(jìn)的蜻蜓算法，對支持向量機(jī)的參數(shù)進(jìn)行優(yōu)化選擇[17]。

深度學(xué)習(xí)模型因其具備較高預(yù)測準(zhǔn)確性，且能克服傳統(tǒng)神經(jīng)網(wǎng)絡(luò)缺點如訓(xùn)練時間長和收斂速度慢等而受到國內(nèi)外學(xué)者的廣泛關(guān)注。Abedinia 等提出了一種二維卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)，用于預(yù)測短期和長期風(fēng)力發(fā)電功率，其中小波變換方法用于分解數(shù)據(jù)，粒子群優(yōu)化算法用于調(diào)整CNN的權(quán)重以提高模型的預(yù)測精度[18]。

Li等通過使用梯度下降法訓(xùn)練LSTM(long short-term memory，LSTM)神經(jīng)網(wǎng)絡(luò)來預(yù)測短期風(fēng)力發(fā)電功率[19]。Sun等提出了一種由LSTM、小波分解和主成分分析法組成的超短期概率預(yù)測方法，通過建立正態(tài)分布模型以解釋預(yù)測中的不確定誤差[20]。Wang等設(shè)計了一種貝葉斯平均和集合學(xué)習(xí)的混合模型來預(yù)測短期風(fēng)電機(jī)組發(fā)電功率[21]。Niu等提出了一種基于注意力的門控循環(huán)單元(Attention-based Gated Recurrent Unit，AGRU)，并開發(fā)一種識別基本輸入變量的注意力機(jī)制作為功能選擇方法用于預(yù)測短期風(fēng)力發(fā)電功率[22]。

He等通過小波變換分解風(fēng)速序列，并使用深度置信網(wǎng)絡(luò)提取特征，開發(fā)了深度學(xué)習(xí)和集成學(xué)習(xí)的組合以預(yù)測風(fēng)力發(fā)電功率。然而，通過機(jī)器學(xué)習(xí)等方法建立的風(fēng)電機(jī)組發(fā)電功率預(yù)測模型需要通過大量數(shù)據(jù)進(jìn)行訓(xùn)練，其中輸入數(shù)據(jù)為監(jiān)測系統(tǒng)采集到的影響發(fā)電功率和性能的相關(guān)因素[23]。郭鵬等基于風(fēng)電機(jī)組的運行原理，分析了環(huán)境因素、變槳系統(tǒng)、偏航系統(tǒng)和控制系統(tǒng)對風(fēng)電機(jī)組性能和發(fā)電功率的影響[24]。謝生清等在上述研究基礎(chǔ)上對風(fēng)向標(biāo)、風(fēng)速儀、葉片機(jī)械對零等幾個影響發(fā)電功率的外部因素進(jìn)行了分析總結(jié)[25]。馬東等考慮了風(fēng)速、槳距角、偏航誤差、葉輪轉(zhuǎn)速等其他變量對發(fā)電功率的影響[5]。但是上述文獻(xiàn)并沒有將影響風(fēng)電機(jī)組發(fā)電功率的所有因素全部考慮進(jìn)去，因此構(gòu)建的發(fā)電功率預(yù)測模型存在一定偏差。

綜上所述，現(xiàn)有文獻(xiàn)針對風(fēng)電機(jī)組發(fā)電功率預(yù)測模型的研究存在以下問題：預(yù)測輸入變量種類多需求量大，同時這些變量需要進(jìn)行預(yù)測，導(dǎo)致附加誤差；通過公式將預(yù)測風(fēng)速轉(zhuǎn)換為風(fēng)力發(fā)電功率時會導(dǎo)致累積誤差；由于技術(shù)局限性，無法使用數(shù)據(jù)分解技術(shù)處理大量數(shù)據(jù)如季節(jié)性影響的數(shù)據(jù)；忽略預(yù)測模型的參數(shù)調(diào)整等。

針對現(xiàn)有預(yù)測模型的局限性，本文設(shè)計了一種新型混合深度學(xué)習(xí)預(yù)測模型提高對風(fēng)電機(jī)組發(fā)電功率的預(yù)測準(zhǔn)確性。該預(yù)測模型由卷積層(convolution layers)，門控循環(huán)單元(gated recurrent units，GRU)和神經(jīng)網(wǎng)絡(luò)(neural network)組成，首先通過卷積層提取復(fù)雜數(shù)據(jù)集的高維特征，然后使用這些特征訓(xùn)練門控循環(huán)單元以獲取基本特征的長期存儲，最后通過神經(jīng)網(wǎng)絡(luò)建立由前一層處理的輸出和輸入數(shù)據(jù)集之間的關(guān)系。新型混合深度學(xué)習(xí)預(yù)測模型的參數(shù)通過網(wǎng)格搜索技術(shù)進(jìn)行系統(tǒng)調(diào)整，以提高預(yù)測準(zhǔn)確性。

2 基于混合深度學(xué)習(xí)預(yù)測模型設(shè)計與實現(xiàn)

2.1 混合深度學(xué)習(xí)模型

傳統(tǒng)風(fēng)力發(fā)電功率預(yù)測模型中，首先需要通過其他預(yù)測方法對影響風(fēng)力發(fā)電功率的影響因素如風(fēng)速，風(fēng)向，氣溫，氣壓數(shù)據(jù)等進(jìn)行預(yù)測估計，然后依據(jù)這些預(yù)測數(shù)據(jù)通過預(yù)測模型對發(fā)電功率進(jìn)行預(yù)測，因此會導(dǎo)致更多的預(yù)測誤差。本文設(shè)計的基于混合深度學(xué)習(xí)預(yù)測模型通過時間序列法預(yù)測風(fēng)力發(fā)電功率，不需要對影響風(fēng)力發(fā)電功率的影響因素進(jìn)行先驗預(yù)測，只需要通過分析過去數(shù)據(jù)的模式來預(yù)測風(fēng)力發(fā)電量。時間序列法中X=x1,x2,……xt是一段時間范圍內(nèi)的觀察序列，其中表示在時間t處的觀察數(shù)據(jù)值，X表示觀察數(shù)值的總數(shù)目?；旌仙疃葘W(xué)習(xí)模型的輸入和輸出數(shù)據(jù)集通過滑動窗口方法從時序數(shù)據(jù)中獲得，如圖1所示。其中，Sw代表滑動窗口，fh代表預(yù)測范圍區(qū)間，d(t)代表在時間t處的時間序列，Y代表輸出數(shù)據(jù)。在滑動窗口范圍內(nèi)的時間序列作為模型的輸入數(shù)據(jù)，預(yù)測范圍區(qū)間內(nèi)的數(shù)據(jù)為輸出數(shù)據(jù)，滑動窗口每次移動一個單位時間步長。圖1展示了用于訓(xùn)練和測試模型的數(shù)據(jù)集，其中n代表輸出數(shù)據(jù)集中的時間步長。

圖1 滑動窗口方法獲取數(shù)據(jù)

2.2 卷積神經(jīng)網(wǎng)絡(luò)

混合深度學(xué)習(xí)模型架如圖2所示。

圖2 混合深度學(xué)習(xí)模型框架

卷積神經(jīng)網(wǎng)絡(luò)CNN由卷積層，池化層和全連接層組成，具有捕獲相同數(shù)據(jù)模式的能力，可以成功用于復(fù)雜較高的數(shù)據(jù)格式。CNN主要用于的網(wǎng)格狀拓?fù)浣Y(jié)構(gòu)，例如視覺圖像的二維或三維數(shù)據(jù)，但同時它也可用于一維的數(shù)據(jù)，例如作為單變量時間序列數(shù)據(jù)。在本文中，一維CNN用于提取短期風(fēng)力發(fā)電的非線性輸入和輸出數(shù)據(jù)集之間復(fù)雜關(guān)系的特征。

卷積層的功能是通過數(shù)學(xué)卷積算子和求解交叉相關(guān)對輸入數(shù)據(jù)進(jìn)行特征提取，卷積運算公式如下：

(1)

在卷積層進(jìn)行特征提取后，輸出的特征圖會被傳遞至池化層(pooling layer)進(jìn)行特征選擇和信息過濾，通過將混合一層的神經(jīng)元簇輸出到下一層中的單個神經(jīng)中來減小數(shù)據(jù)的大小。

池化層包含預(yù)設(shè)定的池化函數(shù)，其功能是將特征圖中單個點的結(jié)果替換為其相鄰區(qū)域的特征圖統(tǒng)計量。上一層中每個神經(jīng)元簇的最大值用于最大池，而神經(jīng)元簇的平均值用于平均池，在本文基于深度學(xué)習(xí)模型中使用平均池。每個特征圖都分類為一組子區(qū)域，并且每個子區(qū)域通過下采樣進(jìn)行組合以生成新元素。通過順序向下采樣可以創(chuàng)建一個新的低維特征圖，其表示如下：

(2)

2.3 門控循環(huán)單元

GRU由Kyunghyun Cho在2014年提出的循環(huán)網(wǎng)絡(luò)的門控機(jī)制，是LSTM的簡化版本。GRU解決了梯度消失的問題，即長期依賴關(guān)系中的梯度傳播失敗，類似于LSTM模型，但參數(shù)較少。GRU網(wǎng)絡(luò)的主要思想是利用具有簡單結(jié)構(gòu)的特定神經(jīng)元在長時間內(nèi)存儲和傳輸信息，以獲得永久性記憶，減少信息破壞的速度，捕獲長期依賴性。在GRU架構(gòu)，只有兩個柵極，復(fù)位柵極和更新柵極，如圖2中所示。數(shù)學(xué)建?？梢员硎救缦拢?/p>

zt=σ(Wzg[ht-1,xt]+bz)

(3)

rt=σ(Wrg[ht-1,xt]+br)

(4)

(5)

(6)

2.4 人工神經(jīng)網(wǎng)絡(luò)

通過使用輸入和輸出數(shù)據(jù)集訓(xùn)練網(wǎng)絡(luò)來執(zhí)行這些操作，從而建立它們之間的關(guān)系。提供輸入數(shù)據(jù)后，將經(jīng)過訓(xùn)練的網(wǎng)絡(luò)用作預(yù)測輸出的模型。在訓(xùn)練中，網(wǎng)絡(luò)會更新其權(quán)重以盡可能準(zhǔn)確地了解這種關(guān)系。為了學(xué)習(xí)輸入和輸出數(shù)據(jù)之間的復(fù)雜關(guān)系，本研究使用ReLU激活函數(shù)來簡化訓(xùn)練并獲得更好的性能。

對于任何大于零的值，ReLU都是線性的，但是對于任何負(fù)值，ReLU仍然是非線性的。由于該函數(shù)對于任何正值都是線性的，因此在使用反向傳播訓(xùn)練網(wǎng)絡(luò)期間，可以輕松更新其權(quán)重。

3 實驗分析

本節(jié)通過分析預(yù)測風(fēng)力發(fā)電功率來驗證混合深度學(xué)習(xí)模型的預(yù)測結(jié)果以及對風(fēng)電機(jī)組發(fā)電性能劣化的預(yù)警情況。首先，對混合深度學(xué)習(xí)網(wǎng)絡(luò)的超參數(shù)調(diào)整，以確定最佳預(yù)測模型。通過網(wǎng)格搜索方法，從可能的參數(shù)設(shè)置中選擇最佳參數(shù)。然后，針對同樣的算例，對比不同預(yù)測方法LSTM、SVM、GRU、RNN下的預(yù)測結(jié)果，通過對比預(yù)測結(jié)果驗證本文所提模型的有效性。預(yù)測模型和算例實驗在處理器Intel Core i7 9th，主頻3.00 GHz，內(nèi)存16 G的測試平臺上進(jìn)行，編程語言環(huán)境為Python 3.7。

3.1 數(shù)據(jù)預(yù)處理

由于SCADA數(shù)據(jù)取自實際風(fēng)電場，這些數(shù)據(jù)容易受到噪聲，異常值和丟失數(shù)據(jù)的影響，進(jìn)而影響到模型的準(zhǔn)確度。通信失敗是丟失數(shù)據(jù)的主要原因，數(shù)據(jù)的異常值被簡單地刪除并視為缺失值。

缺失值：風(fēng)力發(fā)電的缺失值由缺失數(shù)據(jù)的前三個和下一個時間步的平均值填充；

數(shù)據(jù)轉(zhuǎn)換：由于通過捕獲風(fēng)電機(jī)組發(fā)電記錄的數(shù)據(jù)種類繁多，存在不同種類數(shù)據(jù)描述風(fēng)電機(jī)組同一個屬性特征的情況，首先要將關(guān)于風(fēng)電機(jī)組同一屬性特征的不同種類數(shù)據(jù)進(jìn)行合并，在降低數(shù)據(jù)維度的同時可以得到更為全面的數(shù)據(jù)信息。故首先通過數(shù)據(jù)聚合技術(shù)對捕獲的數(shù)據(jù)樣本進(jìn)行數(shù)據(jù)聚合。然后對聚合后的數(shù)據(jù)進(jìn)行歸一化處理，以消除參數(shù)間不同數(shù)量級對機(jī)器學(xué)習(xí)模型的差異性影響。

數(shù)據(jù)結(jié)構(gòu)：為了在接下來的步驟中預(yù)測風(fēng)電場的風(fēng)力發(fā)電功率，通過使用移動窗口方法將輸入時間序列轉(zhuǎn)換為輸入-輸出對，將數(shù)據(jù)分為輸入和輸出格式，如下所示：

[xt+1,xt+2,…,xt+h]=f(xt,xt-1,…,xt-w)

(8)

式中：w輸入數(shù)據(jù)的窗口大?。粁t時間序列數(shù)據(jù)；h預(yù)測范圍；f通過訓(xùn)練建立的深度學(xué)習(xí)模型。

3.2 超參數(shù)校驗

通過網(wǎng)格搜索方法對混合深度學(xué)習(xí)模型進(jìn)行的調(diào)整，以實現(xiàn)風(fēng)力發(fā)電預(yù)測的最佳預(yù)測模型。由于混合深度學(xué)習(xí)模型是隨機(jī)的，需要對模型進(jìn)行多次評估以獲得在預(yù)測方面的可靠配置，本文在校驗參數(shù)時進(jìn)行10次評估，并選擇樣本結(jié)果的中位數(shù)作為參數(shù)的最佳配置的標(biāo)準(zhǔn)。通過算例實驗得出各個超參數(shù)的最佳標(biāo)準(zhǔn)：GRU層2層，神經(jīng)網(wǎng)絡(luò)層2層，卷積層中卷積核大小為3，過濾器尺寸為64。

3.3 評價指標(biāo)

通過使用平均絕對誤差(Mean Absolute Error，MAE)指標(biāo)對所提出模型的性能進(jìn)行不同預(yù)測方法對比評價。MAE是指實際值和預(yù)測值之間的絕對誤差的平均值，MAE可用作性能指標(biāo)，可以避免數(shù)據(jù)集中的異常值(極值)的影響，MAE的較小值表示預(yù)測的準(zhǔn)確性較高。

(9)

3.4 預(yù)測模型驗證

收集某地風(fēng)電機(jī)場的1個自然年的數(shù)據(jù)樣本用于訓(xùn)練和測試預(yù)測模型，樣本時間間隔為5min，其中95%的數(shù)據(jù)用于訓(xùn)練預(yù)測模型，剩余5%的數(shù)據(jù)用于測試所提模型的有效性。該預(yù)測模型在5%數(shù)據(jù)下的測試結(jié)果如圖3所示。

圖3 模型預(yù)測結(jié)果

其中圖3(a)是整體預(yù)測結(jié)果，圖3(b)是為進(jìn)一步清晰展示預(yù)測結(jié)果，截取第600～1000的樣本數(shù)據(jù)及其預(yù)測結(jié)果?？梢钥闯鲱A(yù)測值接近實際值，且在圖所示的預(yù)測數(shù)據(jù)中存在幾個峰值之后，預(yù)測值的誤差也非常低。在預(yù)測測試數(shù)據(jù)時，預(yù)測值與實際值之間的平均絕對差為2.48，同時也沒有出現(xiàn)過度擬合和擬合不足的問題。

3.5 風(fēng)電機(jī)組劣化檢測實例

在本節(jié)中通過預(yù)測某地風(fēng)電場的風(fēng)力發(fā)電功率，進(jìn)一步評估了預(yù)測模型對風(fēng)電機(jī)組發(fā)電性能劣化判斷的可行性。選取實驗機(jī)組為期1年的數(shù)據(jù)并對數(shù)據(jù)進(jìn)行預(yù)處理。其中95%的數(shù)據(jù)用于訓(xùn)練預(yù)測模型，5%的數(shù)據(jù)用于測試驗證。通過與對比預(yù)測模型LSTM、SVM、GRU、RNN進(jìn)行比較，可以得到MAE性能指標(biāo)的結(jié)果，如圖4所示。

從圖4可知，LSTM模型的MAE指數(shù)為2.34，GRU模型的MAE指數(shù)為2.35，SVM模型的MAE指數(shù)為2.37，RNN模型的MAE指數(shù)為2.37，而本文所提預(yù)測模型的MAE指數(shù)為2.32，性能最好。

圖4 不同預(yù)測模型預(yù)測結(jié)果比較

圖5展示了本文所提預(yù)測模型對該地風(fēng)電機(jī)組發(fā)電功率的預(yù)測曲線與實際發(fā)電功率曲線。

圖5 基于混合深度學(xué)習(xí)預(yù)測模型預(yù)測結(jié)果

通過觀察圖5中(a)圖可得：在統(tǒng)計數(shù)據(jù)時間剛開始時，發(fā)電機(jī)組運行正常，預(yù)測模型預(yù)測發(fā)電功率數(shù)據(jù)與實際發(fā)電功率數(shù)據(jù)高度吻合，但是存在部分時段實際發(fā)電功率數(shù)據(jù)與預(yù)測發(fā)電功率數(shù)據(jù)出現(xiàn)偏差，將圖5(a)中虛線框內(nèi)的偏差數(shù)據(jù)結(jié)果放大如圖5中(b)圖所示，此時預(yù)測數(shù)值大于實際數(shù)值。

同時對該部分樣本數(shù)據(jù)進(jìn)行統(tǒng)計指數(shù)加權(quán)移動平均值控制圖法(Exponentially Weighted Moving-Average，EWMA)殘差分析[5]可以得出此時超出EWMA控制圖的上下控制限，如圖6所示。

圖6 EWMA殘差分析

WMA統(tǒng)計量在該時間段內(nèi)出現(xiàn)多次持續(xù)超過控制圖下限，則此時說明發(fā)電機(jī)組出現(xiàn)性能劣化情況，系統(tǒng)發(fā)出警報。風(fēng)電機(jī)組維護(hù)小組維護(hù)后，實際發(fā)電功率數(shù)據(jù)與預(yù)測發(fā)電功率數(shù)據(jù)重新高度吻合，此時風(fēng)電機(jī)組性能得到恢復(fù)。

4 結(jié)論

(1)提出了一種新型混合深度學(xué)習(xí)模型預(yù)測風(fēng)電機(jī)組發(fā)電功率，該模型由卷積層，門控循環(huán)單元層和神經(jīng)網(wǎng)絡(luò)層組成。卷積層提取數(shù)據(jù)特征，門控循環(huán)單元將信息保留在內(nèi)存中，提高了預(yù)測準(zhǔn)確性。通過風(fēng)電場中實際風(fēng)力發(fā)電的數(shù)據(jù)樣本對預(yù)測模型進(jìn)行訓(xùn)練和測試，系統(tǒng)地調(diào)整預(yù)測模型的參數(shù)，確保了預(yù)測模型的準(zhǔn)確度。最后通過對比其他現(xiàn)有文獻(xiàn)的預(yù)測模型，驗證了本文所提預(yù)測模型的有效性。

(2)未來將考慮不同的大氣條件的情況下，將短期風(fēng)電功率預(yù)測的準(zhǔn)確性與短期風(fēng)能預(yù)測的準(zhǔn)確性進(jìn)行比較，進(jìn)一步研究混合模型的有效性。