李相俊，許格健

基于長短期記憶神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電功率預(yù)測方法

李相俊，許格健

（新能源與儲能運行控制國家重點實驗室(中國電力科學(xué)研究院有限公司)，北京市 海淀區(qū) 100192）

風(fēng)力發(fā)電過程具有較強的隨機(jī)性，導(dǎo)致風(fēng)力發(fā)電功率的預(yù)測準(zhǔn)確度不高。針對上述問題，提出了一種融合深度學(xué)習(xí)算法的風(fēng)力發(fā)電功率預(yù)測方法。以歷史風(fēng)力發(fā)電功率數(shù)據(jù)作為輸入，建立風(fēng)力發(fā)電功率預(yù)測模型，實現(xiàn)對未來一個時間刻度的風(fēng)力發(fā)電功率預(yù)測。算例結(jié)果表明，與傳統(tǒng)時序預(yù)測方法相比，基于長短期記憶神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電功率預(yù)測結(jié)果在各項指標(biāo)中誤差更小，驗證了上述方法在風(fēng)力發(fā)電功率預(yù)測中的可行性和有效性，提升了風(fēng)力發(fā)電功率預(yù)測的準(zhǔn)確性。

深度學(xué)習(xí)；時序預(yù)測；風(fēng)力發(fā)電；長短期記憶神經(jīng)網(wǎng)絡(luò)

0 引言

隨著能源與環(huán)境問題的日益突出[1]，風(fēng)能作為一種無污染、可持續(xù)的清潔能源成為了能源發(fā)展的關(guān)注點。國內(nèi)風(fēng)力發(fā)電水平也保持著穩(wěn)步增長，2018年風(fēng)力發(fā)電量達(dá)到了3 660億kW·h，占全部發(fā)電量的5.2%[2]。在風(fēng)力發(fā)電規(guī)模穩(wěn)步增長的同時，其本身存在的問題也被逐漸放大。由于受多種環(huán)境因素的影響，風(fēng)力發(fā)電的波動性及隨機(jī)性[3-5]成為了制約其發(fā)展的重要因素。為了解決這一問題，需進(jìn)行風(fēng)力發(fā)電功率預(yù)測研究，以判斷其變化趨勢并提前采取相應(yīng)措施。

物理模型預(yù)測方法與數(shù)據(jù)模型預(yù)測方法是目前針對風(fēng)力發(fā)電功率預(yù)測的兩大主要方法。物理模型預(yù)測方法主要考慮數(shù)值天氣預(yù)報(numerical weather prediction，NWP) 及其他多種因素的影響?；谠摲椒ǖ娘L(fēng)力發(fā)電功率預(yù)測需要較多的參數(shù)，如歷史數(shù)據(jù)、地形地貌、氣象數(shù)據(jù)等[6-13]，導(dǎo)致其在短期預(yù)測能力上表現(xiàn)較為一般，其結(jié)果更適合作為長期預(yù)測的參考標(biāo)準(zhǔn)。

數(shù)學(xué)模型預(yù)測方法是目前研究最廣泛的風(fēng)力發(fā)電功率預(yù)測方法，在數(shù)學(xué)預(yù)測模型中，針對風(fēng)力發(fā)電功率的預(yù)測分為2種形式。一種預(yù)測方法是考慮多種因素對風(fēng)力發(fā)電功率的影響，通過建立數(shù)學(xué)模型得到相應(yīng)的非線性回歸曲線，并依此進(jìn)行風(fēng)力發(fā)電功率預(yù)測。傳統(tǒng)的數(shù)學(xué)模型預(yù)測方法，如小波算法(wavelet)[14-15]、支持向量機(jī)(support vector machine，SVM)[16]等，都是基于風(fēng)力發(fā)電功率的相關(guān)特征進(jìn)行短時預(yù)測，通過對影響風(fēng)速以及風(fēng)電力發(fā)電功率的特征進(jìn)行分析，預(yù)測未來一段時間內(nèi)的風(fēng)力發(fā)電功率。另一種預(yù)測方法是不考慮其余環(huán)境條件的影響，只考慮風(fēng)力發(fā)電功率本身隨時間變化的特性趨勢，并依此進(jìn)行風(fēng)力發(fā)電功率時序預(yù)測分析。自回歸移動平均(autoregressive moving average，ARMA)模型[17]是時序預(yù)測的主要應(yīng)用算法，通過量化當(dāng)前數(shù) 據(jù)與之前數(shù)據(jù)的關(guān)系，同時解決隨機(jī)變化項的 求解問題，進(jìn)一步求得需求預(yù)測的下一時刻 數(shù)據(jù)。

除傳統(tǒng)預(yù)測方法外，人工神經(jīng)網(wǎng)絡(luò)也常應(yīng)用于風(fēng)力發(fā)電功率的短時預(yù)測中。由于神經(jīng)網(wǎng)絡(luò)形式多樣，其對應(yīng)的預(yù)測方法也不同。如李彬等[18]提出了基于人工神經(jīng)網(wǎng)絡(luò)的預(yù)測方法，以多種特征因素作為神經(jīng)網(wǎng)絡(luò)輸入，預(yù)測得到其當(dāng)月的風(fēng)力發(fā)電功率概率分布曲線。江岳春等[19]將傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)與多種算法相結(jié)合，對風(fēng)力發(fā)電功率的時間序列進(jìn)行短時時序預(yù)測，取得了良好的預(yù)測效果。由于神經(jīng)網(wǎng)絡(luò)出色的非線性數(shù)據(jù)擬合能力，在許多針對風(fēng)力發(fā)電功率的短時及超短時預(yù)測方法中，都會應(yīng)用神經(jīng)網(wǎng)絡(luò)算法對歷史數(shù)據(jù)進(jìn)行分析，再采取其余預(yù)測方法進(jìn)行風(fēng)力發(fā)電功率及其分布概率的預(yù)測[20-24]。

隨著人工智能及深度學(xué)習(xí)的不斷推廣應(yīng) 用[25-26]，各種針對不同數(shù)據(jù)的深度學(xué)習(xí)算法逐漸成為各領(lǐng)域?qū)＜谊P(guān)注的焦點，也在新能源領(lǐng)域得到了廣泛的應(yīng)用[27-28]。其中循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural networks，RNN)作為深度學(xué)習(xí)中一種典型的序列分析模型，在語言翻譯、流量預(yù)測等方面都得到了廣泛的應(yīng)用。但在應(yīng)用過程中，RNN算法的序列數(shù)據(jù)處理能力在面對大規(guī)模數(shù)據(jù)進(jìn)行跨度較大的序列預(yù)測時，易出現(xiàn)梯度消失和梯度爆炸的問題。在RNN的發(fā)展過程中，一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，即長短期記憶(long short-term memory，LSTM)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，很大程度上解決了這一問題，更加適用于數(shù)據(jù)規(guī)模較大的序列數(shù)據(jù)[26]，并且在預(yù)測精度上有著良好的表現(xiàn)。但是該方法在風(fēng)力發(fā)電功率預(yù)測方面的應(yīng)用國內(nèi)外鮮見報道。

本文提出一種基于 LSTM神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電功率時序預(yù)測方法，采用某風(fēng)電場的發(fā)電數(shù)據(jù)進(jìn)行時序預(yù)測分析，并與傳統(tǒng)時序預(yù)測方法進(jìn)行對比分析。結(jié)果表明，該方法可有效提高風(fēng)力發(fā)電功率的預(yù)測精度，并且針對不同規(guī)模數(shù)據(jù)均有良好的預(yù)測效果。

1 時序預(yù)測方法

1.1 差分整合移動平均自回歸模型

在傳統(tǒng)時序算法中，差分整合移動平均自回歸(autoregressive integrated moving average，ARIMA)算法是一種常用的時序預(yù)測算法[29-31]，該算法通過將ARMA模型與差分模型相結(jié)合，提升了原有算法的時序預(yù)測能力。ARIMA算法主要分為3部分：1）通過自回歸(autoregressive，AR)模型描述當(dāng)前值與歷史值之間的關(guān)系；2）用變量自身的歷史時間數(shù)據(jù)對自身進(jìn)行預(yù)測；3）通過移動平均法(moving average，MA)消除預(yù)測中的隨機(jī)波動，并通過適當(dāng)?shù)牟罘执螖?shù)使數(shù)據(jù)序列更加平穩(wěn)。

在ARIMA模型中，AR模型可表示為：

式中：y表示當(dāng)前值；與r分別為常數(shù)項與常系數(shù)；e為誤差；為階數(shù)，表示以之前多少歷史值為參考。在AR模型中，主要關(guān)注的是當(dāng)前值與歷史值之間的關(guān)系。

在ARIMA模型中，MA模型可表示為：

式中：l為常系數(shù)。在MA模型中，主要關(guān)注的是計算當(dāng)前值的過程中誤差的累加。

將AR模型與MA模型相結(jié)合所得即為ARMA模型，通過2種模型的結(jié)合，可觀測到在一組時間序列中穩(wěn)定因素的趨勢與作為波動因素的誤差趨勢，將兩者相結(jié)合即可預(yù)測未來時刻會出現(xiàn)的數(shù)值，即

在ARIMA模型中，為了保證序列數(shù)據(jù)的平穩(wěn)，添加了差分模型對原有數(shù)據(jù)進(jìn)行差分運算，整體運算過程仍滿足ARMA模型的運算方法。由于其本身以歷史數(shù)據(jù)預(yù)測自身的特性，因此常用于能源領(lǐng)域的時序功率預(yù)測。ARIMA在計算過程中要經(jīng)過復(fù)雜的數(shù)據(jù)處理過程，而且由于本身對輸入數(shù)據(jù)的要求，其對個別輸入數(shù)據(jù)無法識別，導(dǎo)致其應(yīng)用受到了一定程度的限制。

1.2 LSTM神經(jīng)網(wǎng)絡(luò)模型

1.2.1 LSTM神經(jīng)網(wǎng)絡(luò)單元

深度學(xué)習(xí)中的LSTM神經(jīng)網(wǎng)絡(luò)本質(zhì)上是循環(huán)神經(jīng)網(wǎng)絡(luò)的一種，與普通循環(huán)神經(jīng)網(wǎng)絡(luò)所不同的是，LSTM神經(jīng)網(wǎng)絡(luò)是一種時間尺度較長的短時記憶網(wǎng)絡(luò)。其主要運算方法仍是基于循環(huán)神經(jīng)網(wǎng)絡(luò)的“記憶”基礎(chǔ)，其網(wǎng)絡(luò)結(jié)構(gòu)雖然與循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相似，但其內(nèi)部構(gòu)成及運算更加復(fù)雜。

LSTM神經(jīng)網(wǎng)絡(luò)單元結(jié)構(gòu)如圖1所示，其網(wǎng)絡(luò)單元相較于傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)運算方法的優(yōu)勢在于其特殊的“遺忘”過程，該過程確保LSTM神經(jīng)網(wǎng)絡(luò)可以進(jìn)行時間跨度更長的預(yù)測。

圖1 LSTM神經(jīng)網(wǎng)絡(luò)單元結(jié)構(gòu)

LSTM神經(jīng)網(wǎng)絡(luò)的遺忘率是由前一時刻的輸出與該時刻網(wǎng)絡(luò)的輸入共同計算得出的，計算方法如下：

以和分別為權(quán)重及截距，將-1時刻的神經(jīng)網(wǎng)絡(luò)輸出-1與時刻的輸入數(shù)據(jù)相結(jié)合進(jìn)行線性變換。表示sigmoid激活函數(shù)，通過sigmoid激活函數(shù)將線性變換結(jié)果映射為0~1的衰減函數(shù)，得到f。

在計算遺忘率后，需進(jìn)行同一時刻輸入的記憶運算。所需的衰減系數(shù)記為，當(dāng)前的記憶狀態(tài)記為￠，其對應(yīng)的求取方法為：

式中：W、W為權(quán)重；b、b為截距。

1.2.2 LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測通常有2種方法：1）與傳統(tǒng)深度神經(jīng)網(wǎng)絡(luò)相似的反向傳播誤差算法，這種方法考慮多因素輸入，在不同時刻將LSTM展開為隨時間推移的深度神經(jīng)網(wǎng)絡(luò)；2）只考慮單一時序序列的實時遞歸學(xué)習(xí)算法。在應(yīng)用上，2種方法各有優(yōu)勢。本文的預(yù)測過程是基于時序算法的風(fēng)力發(fā)電功率預(yù)測，由于只考慮單一變量的時序變化，因此主要應(yīng)用實時遞歸學(xué)習(xí)算法。

在實時遞歸學(xué)習(xí)算法中，以1.2.1中所述的神經(jīng)網(wǎng)絡(luò)單元結(jié)構(gòu)為LSTM基本網(wǎng)絡(luò)單元，生成的神經(jīng)網(wǎng)絡(luò)單元的連接形式與輸入形式如圖2所示。

圖2 LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖2中，神經(jīng)網(wǎng)絡(luò)在每個時刻都進(jìn)行數(shù)據(jù)輸入，經(jīng)過“遺忘”與“記憶”的處理后，保留-1時刻數(shù)據(jù)特征C-1，并結(jié)合時刻的輸入數(shù)據(jù)x計算本時刻的數(shù)據(jù)特征，記作C，其對應(yīng)的計算公式為：

求取時刻的數(shù)據(jù)特征后，進(jìn)行LSTM神經(jīng)網(wǎng)絡(luò)本身記憶階段的算法實現(xiàn)。時刻的記憶輸出記為h，與之前所求取遺忘部分的衰減系數(shù)相似，計算得到輸出門的衰減系數(shù)：

2 LSTM網(wǎng)絡(luò)風(fēng)力發(fā)電功率預(yù)測

由于LSTM網(wǎng)絡(luò)的結(jié)構(gòu)需求，在進(jìn)行預(yù)測分析之前，需先進(jìn)行輸入數(shù)據(jù)的預(yù)處理以及LSTM神經(jīng)網(wǎng)絡(luò)超參數(shù)設(shè)定。

2.1 數(shù)據(jù)預(yù)處理

使用風(fēng)力發(fā)電功率數(shù)據(jù)進(jìn)行時序預(yù)測時，考慮到神經(jīng)網(wǎng)絡(luò)預(yù)測模型中使用的非線性激活函數(shù)的輸入、輸出范圍，為避免神經(jīng)元飽和，需要對風(fēng)力發(fā)電功率數(shù)據(jù)進(jìn)行歸一化處理。本文所采用的歸一化標(biāo)準(zhǔn)為最小、最大值標(biāo)準(zhǔn)化方法，其對應(yīng)的公式如下：

式中：為當(dāng)前時刻的風(fēng)力發(fā)電功率數(shù)據(jù)值；min、max分別為所有數(shù)據(jù)中風(fēng)力發(fā)電功率的最小值、最大值；￠為求得的風(fēng)力發(fā)電功率歸一化結(jié)果。

在數(shù)據(jù)輸入階段完成歸一化后，對實際輸出的預(yù)測數(shù)據(jù)需應(yīng)用歸一化還原函數(shù)將數(shù)據(jù)還原至其原有大小，最小、最大值標(biāo)準(zhǔn)化方法對應(yīng)的還原函數(shù)為：

式中：￠pre為未經(jīng)還原的LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測輸出值；pre為還原后的風(fēng)力發(fā)電功率預(yù)測值。

數(shù)據(jù)輸入階段除了對數(shù)據(jù)進(jìn)行歸一化處理之外，還要對輸入數(shù)據(jù)進(jìn)行數(shù)據(jù)分類處理。風(fēng)力發(fā)電功率數(shù)據(jù)分為訓(xùn)練集和測試集2個集合。通過訓(xùn)練集數(shù)據(jù)對LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，在訓(xùn)練的過程不斷優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及內(nèi)部參數(shù)，再用測試集數(shù)據(jù)測試訓(xùn)練后的LSTM神經(jīng)網(wǎng)絡(luò)的預(yù)測效果。

2.2 確定LSTM神經(jīng)網(wǎng)絡(luò)超參數(shù)

在建立 LSTM 神經(jīng)網(wǎng)絡(luò)時序風(fēng)電預(yù)測模型的過程中，需進(jìn)行LSTM神經(jīng)網(wǎng)絡(luò)超參數(shù)的設(shè)定。其中網(wǎng)絡(luò)步長(epoch)以及隱層個數(shù)為神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，另外，為了防止網(wǎng)絡(luò)出現(xiàn)過擬合，還需設(shè)定神經(jīng)網(wǎng)絡(luò)中神經(jīng)元失活系數(shù)(dropout)與批尺寸(batch_size)。

在LSTM神經(jīng)網(wǎng)絡(luò)中，網(wǎng)絡(luò)步長表示在神經(jīng)網(wǎng)絡(luò)運算過程中從輸入到輸出再返回輸入的一次過程。隨著步長的增加，神經(jīng)網(wǎng)絡(luò)的運算精度也得到提高，同時運算時間也會增加。在LSTM神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)輸入階段，輸入維度表示每次運算輸入數(shù)據(jù)的個數(shù)。神經(jīng)元失活系數(shù)表示在進(jìn)行神經(jīng)網(wǎng)絡(luò)運算的過程中，棄用其中一部分神經(jīng)元進(jìn)行計算的概率。通過應(yīng)用該參數(shù)，取代了原本在神經(jīng)網(wǎng)絡(luò)中需要的正則化方法，也避免了過擬合的出現(xiàn)。在神經(jīng)網(wǎng)絡(luò)運算的過程中，通過設(shè)定適當(dāng)?shù)呐叽纾梢怨?jié)省運算時間，避免全數(shù)據(jù)的同時計算。

2.3 風(fēng)力發(fā)電功率預(yù)測

將經(jīng)過歸一化處理的風(fēng)力發(fā)電功率數(shù)據(jù)作為LSTM神經(jīng)網(wǎng)絡(luò)的輸入，以LSTM單元結(jié)構(gòu)以及網(wǎng)絡(luò)連接結(jié)構(gòu)為基礎(chǔ)，并完成LSTM神經(jīng)網(wǎng)絡(luò)超參數(shù)的設(shè)定，得到LSTM神經(jīng)網(wǎng)絡(luò)風(fēng)力發(fā)電功率預(yù)測流程，如圖3所示。其運算公式如下：

式中：pre表示LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測模型；epoch，batch_size，dropout根據(jù)網(wǎng)絡(luò)超參數(shù)確定。

圖3 LSTM神經(jīng)網(wǎng)絡(luò)風(fēng)力發(fā)電功率預(yù)測流程

￠由式(10)計算得出，為風(fēng)力發(fā)電功率經(jīng)數(shù)據(jù)預(yù)處理后所得結(jié)果，以￠作為輸入求取對應(yīng)的預(yù)測值￠pre。在進(jìn)行預(yù)測的過程中，LSTM神經(jīng)網(wǎng)絡(luò)會根據(jù)設(shè)定的網(wǎng)絡(luò)步長進(jìn)行循環(huán)計算，不斷更新LSTM神經(jīng)網(wǎng)絡(luò)內(nèi)部參數(shù)在循環(huán)結(jié)束后，根據(jù)式(11)將輸出結(jié)果還原為原有風(fēng)力發(fā)電功率大小的pre，即為所求取的LSTM神經(jīng)網(wǎng)絡(luò)風(fēng)力發(fā)電功率預(yù)測數(shù)據(jù)。

2.4 誤差計算

本文選用2種不同的誤差標(biāo)準(zhǔn)進(jìn)行預(yù)測效果比較，其中一種誤差標(biāo)準(zhǔn)為均方根誤差(root mean squared error，RMSE)，該誤差標(biāo)準(zhǔn)可以表明預(yù)測值與真實值之間的偏差，其計算公式如下：

除了上述誤差標(biāo)準(zhǔn)，本文同樣選擇了平均絕對誤差(mean absolute error，MAE)作為另一種誤差標(biāo)準(zhǔn)，對預(yù)測結(jié)果進(jìn)行誤差計算。與RMSE不同， MAE主要表現(xiàn)的是預(yù)測值誤差的實際情況，其計算公式如下：

3 算例分析

3.1 實驗設(shè)計

本文采用國內(nèi)某風(fēng)電場不同季節(jié)典型風(fēng)力發(fā)電功率作為數(shù)據(jù)，數(shù)據(jù)采樣時間間隔為1 min。數(shù)據(jù)總體為2類：1）一天24 h的風(fēng)力發(fā)電功率數(shù)據(jù)；2）一周168 h的風(fēng)力發(fā)電功率數(shù)據(jù)。通過2組不同規(guī)模的數(shù)據(jù)，與ARIMA算法分別進(jìn)行預(yù)測精度對比，以驗證LSTM神經(jīng)網(wǎng)絡(luò)在不同時間尺度以及不同數(shù)據(jù)規(guī)模下的預(yù)測效果。

為了優(yōu)化神經(jīng)網(wǎng)絡(luò)運算效率及精度，在所應(yīng)用的LSTM神經(jīng)網(wǎng)絡(luò)中，激活函數(shù)選擇線性整流函數(shù)(rectified linear unit，ReLU)，優(yōu)化函數(shù)選擇自適應(yīng)矩估計(adaptive moment estimation，ADAM)，網(wǎng)絡(luò)訓(xùn)練過程中的誤差函數(shù)選擇均方誤差(mean squared error，MSE)。

3.2 預(yù)測性能分析

分別采用ARIMA算法與LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行春季日風(fēng)力發(fā)電功率時序預(yù)測分析，并對所得的真實值與預(yù)測值進(jìn)行對比。針對一天1 440個風(fēng)力發(fā)電功率數(shù)據(jù)，本文將0:00—16:00的864個數(shù)據(jù)作為訓(xùn)練集，16:00—24:00的576個數(shù)據(jù)作為測試集，開展了2種方法的預(yù)測效果分析。圖4為基于測試集數(shù)據(jù)得到的日風(fēng)力發(fā)電功率ARIMA、LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果，及應(yīng)用2種方法的預(yù)測殘差對比?？梢钥闯觯琇STM神經(jīng)網(wǎng)絡(luò)的時序預(yù)測結(jié)果在整體趨勢上更接近風(fēng)力發(fā)電功率真實值，且不會產(chǎn)生較大偏差，相較于傳統(tǒng)ARIMA算法有更好的預(yù)測效果。

為了驗證LSTM的預(yù)測能力，應(yīng)用時間尺度更長的春季周風(fēng)力發(fā)電功率曲線進(jìn)行時序預(yù)測分析。針對一周10080個風(fēng)力發(fā)電功率數(shù)據(jù)，本文將初始約100h的6048個數(shù)據(jù)作為訓(xùn)練集，后續(xù)約68h的4032個數(shù)據(jù)作為測試集，開展了預(yù)測效果分析。圖5為基于測試集數(shù)據(jù)得到的周風(fēng)力發(fā)電功率ARIMA、LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果，及應(yīng)用2種方法的預(yù)測殘差對比。可以看出，由于訓(xùn)練數(shù)據(jù)增加，LSTM神經(jīng)網(wǎng)絡(luò)與ARIMA算法的預(yù)測效果均有明顯提升；但LSTM神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果更符合原時序序列的趨勢，且不會出現(xiàn)較大波動，在長時間序列的周數(shù)據(jù)預(yù)測中計算效果更好。應(yīng)用式(14)、(15)分別對LSTM神經(jīng)網(wǎng)絡(luò)與ARIMA算法的預(yù)測結(jié)果進(jìn)行了對比，如表1所示。在春季日風(fēng)力發(fā)電功率曲線中，LSTM神經(jīng)網(wǎng)絡(luò)的2種預(yù)測誤差RMSE、MAE比ARIMA算法分別降低了7.7%、7%。在數(shù)據(jù)規(guī)模更大的春季周風(fēng)力發(fā)電功率曲線中，LSTM神經(jīng)網(wǎng)絡(luò)的2種預(yù)測誤差RMSE、MAE比ARIMA算法分別降低了4.3%、3.1%。隨著數(shù)據(jù)規(guī)模的增大，LSTM神經(jīng)網(wǎng)絡(luò)本身的預(yù)測性能也得到了提高。與春季日風(fēng)力發(fā)電功率LSTM神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差相比，春季周風(fēng)力發(fā)電功率預(yù)測誤差RMSE降低了7.1%，MAE降低了12.5%。由此可知，在針對不同數(shù)據(jù)規(guī)模的風(fēng)力發(fā)電功率預(yù)測中，深度學(xué)習(xí)算法均有良好表現(xiàn)，且隨著數(shù)據(jù)規(guī)模的提升，可獲得更好預(yù)測效果。

表1 基于LSTM神經(jīng)網(wǎng)絡(luò)與ARIMA算法的春季數(shù)據(jù)預(yù)測結(jié)果對比

3.3 四季風(fēng)力發(fā)電功率預(yù)測分析結(jié)果

為了體現(xiàn)LSTM神經(jīng)網(wǎng)絡(luò)更優(yōu)的預(yù)測效果，針對同一風(fēng)電場的風(fēng)電數(shù)據(jù)，選取另外3個季節(jié)的日風(fēng)力發(fā)電功率數(shù)據(jù)與周風(fēng)力發(fā)電功率數(shù)據(jù)進(jìn)行了對比分析，如表2所示。可以看出，LSTM神經(jīng)網(wǎng)絡(luò)在各季節(jié)風(fēng)力發(fā)電功率的時序預(yù)測結(jié)果中，相較于ARIMA算法的預(yù)測精度都有明顯提升；同時隨著數(shù)據(jù)規(guī)模變大，LSTM神經(jīng)網(wǎng)絡(luò)可以獲得更好的預(yù)測結(jié)果，在短時數(shù)據(jù)基礎(chǔ)以及長時數(shù)據(jù)基礎(chǔ)中均有良好表現(xiàn)。

表2 基于LSTM神經(jīng)網(wǎng)絡(luò)與ARIMA算法的風(fēng)力發(fā)電功率數(shù)據(jù)預(yù)測結(jié)果對比

4 結(jié)論

通過對LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行分析，提出了一種基于深度學(xué)習(xí)算法的風(fēng)力發(fā)電功率預(yù)測方法，以多種誤差精度標(biāo)準(zhǔn)作為參考，通過與傳統(tǒng)時序預(yù)測算法ARIMA進(jìn)行對比分析得到了以下結(jié)論：

1）基于深度學(xué)習(xí)算法的風(fēng)力發(fā)電功率時序預(yù)測方法可較好擬合原風(fēng)力發(fā)電功率曲線，驗證了該方法的有效性；

2）通過與傳統(tǒng)ARIMA時序預(yù)測算法進(jìn)行對比分析可知，LSTM神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差相對更小，整體效果優(yōu)于ARIMA方法；

3）通過對典型四季日風(fēng)力發(fā)電功率與周風(fēng)力發(fā)電功率的預(yù)測分析可知，在數(shù)據(jù)規(guī)模明顯提升的情況下，LSTM神經(jīng)網(wǎng)絡(luò)的預(yù)測效果優(yōu)于ARIMA算法。

然而，若風(fēng)力發(fā)電功率發(fā)生連續(xù)突變時，深度學(xué)習(xí)算法的跟蹤變化能力有待進(jìn)一步完善。下一步的研究中將融合多種優(yōu)化算法，以提升深度學(xué)習(xí)算法的預(yù)測性能。

[1] 陳國初，公維祥，馮兆紅．熵判別人工蜂群算法優(yōu)化的風(fēng)電功率[J]．電力系統(tǒng)及其自動化學(xué)報，2017，29(7)：41-45，67．

[2] 國家能源局．2018年風(fēng)電并網(wǎng)運行情況[EB/ OL]．[2019-01-28]．http://www.nea.gov.cn/2019-01/28/c_137780779.htm．

[3] 周云，嚴(yán)正，李乃湖，等．BESS平抑風(fēng)功率波動算法中多重SOC反饋策略設(shè)計[J]．太陽能學(xué)報，2017，38(6)：1459-1467．

[4] 薛禹勝，郁琛，趙俊華，等．關(guān)于短期及超短期風(fēng)電功率預(yù)測的評述[J]．電力系統(tǒng)自動化，2015，39(6)：141-151．

[5] 閆鶴鳴，李相俊，麻秀范，等．基于超短期風(fēng)電預(yù)測功率的儲能系統(tǒng)跟蹤風(fēng)電計劃出力控制方法[J]．電網(wǎng)技術(shù)，2015，39(2)：433-439．

[6] Liu C Y，Chao Q，Wei L L．Wind-storage coupling based on actual data and fuzzy control in multiple time scales for real-time rolling smoothing of fluctuation [J]．Electric Power Automation Equipment，2015，35(2)：35-41．

[7] Fang S，Chiang H D．A high-accuracy wind power forecasting model[J]．IEEE Transactions on Power Systems，2017，32(2)：1589-1590．

[8] Qian Z，Pei Y，Cao L X，et al．Review of wind power forecasting method[J]．High Voltage Engineering，2016, 42(4)：1047-1060．

[9] Hu M Y，Hu Z J，Zhang M L，et al．Research on wind power forecasting method based on improved AdaBoost．RT and KELM algorithm[J]．Power System Technology，2017，37(2)：536-542．

[10] 張俊，賀旭，陸春良，等．基于數(shù)值天氣預(yù)報的光伏功率短期預(yù)測分類組合算法[J]．廣東電力，2019，32(6)：55-60．

[11] 楊正瓴，劉仍祥，李真真．基于季風(fēng)和大氣壓分布的我國風(fēng)電功率預(yù)測研究[J]．分布式能源，2018，3(2)：29-38．

[12] 吳宇杭，溫步瀛，江岳文，等．基于變分模式分解和深度門控循環(huán)網(wǎng)絡(luò)的風(fēng)速短期預(yù)測模型[J]．電網(wǎng)與清潔能源，2018，34(12)：59-64．

[13] 雷爽，王鵬卉，張亞剛．基于集合經(jīng)驗?zāi)B(tài)分解的組合風(fēng)速預(yù)測方法[J]．電力科學(xué)與工程，2018，34(1)：18-23．

[14] 楊明莉，劉三明，王致杰，等．卡爾曼小波神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測[J]．電力系統(tǒng)及其自動化學(xué)報，2015(12)：42-46．

[15] 方必武，劉滌塵，王波，等．基于小波變換和改進(jìn)螢火蟲算法優(yōu)化 LSSVM 的短期風(fēng)速預(yù)測[J]．電力系統(tǒng)保護(hù)與控制，2016(8)：37-43．

[16] 李國慶，張鈺，張明江，等．基于 MRMR 的集合經(jīng)驗?zāi)B(tài)分解和支持向量機(jī)的風(fēng)電功率實時預(yù)測[J]．東北電力大學(xué)學(xué)報，2017，37(2)：39-44．

[17] 曹俊波，周任軍，鄧學(xué)華，等．考慮優(yōu)化 ARIMA 模型差分次數(shù)的風(fēng)功率預(yù)測[J]．電力系統(tǒng)及其自動化學(xué)報，2019，31(1)：105-111．

[18] 李彬，彭曙蓉，彭君哲，等．基于深度學(xué)習(xí)分位數(shù)回歸模型的風(fēng)電功率概率密度預(yù)測[J]．電力自動化設(shè)備，2018，38(9)：15-20．

[19] 江岳春，張丙江，邢方方，等．基于混沌時間序列 GA-VNN 模型的超短期風(fēng)功率多步預(yù)測[J]．電網(wǎng)技術(shù)，2015，39(8)：2160-2166．

[20] 陳寧，薛禹勝，丁杰，等．利用空間相關(guān)性的超短期風(fēng)速預(yù)測[J]．電力系統(tǒng)自動化，2017(12)：124-130．

[21] 陳杰，沈艷霞，陸欣，等．一種風(fēng)電功率概率區(qū)間多目標(biāo)智能優(yōu)化預(yù)測方法[J]．電網(wǎng)技術(shù)，2016，40(8)：2281-2287．

[22] 吳曉剛，孫榮富，喬穎，等．基于風(fēng)電場功率特性的風(fēng)電預(yù)測誤差分布估計[J]．電網(wǎng)技術(shù)，2017，41(6)：1802-1807．

[23] Li D，Ren Z Y，Yan W，et al．Month-ahead wind power curve probabilistic prediction based on factor analysis and quantile regression neural network[J]．Proceedings of the CSEE，2017，37(18)：5238-5248．

[24] 董偉，楊強，葛磊蛟，等．基于混合智能模型的分布式風(fēng)力發(fā)電預(yù)測方法[J]．供用電，2019(1)：34-39.

[25] Li Y，Li X J，Jia X C，et al．Monitoring and control for hundreds megawatt scale battery energy storage station based on multi-agent：methodology and system design[C]//2018 IEEE International Conference of Safety Produce Informatization．Chongqing，China：IEEE，2018．

[26] Li X J，Wang S X．A review on energy management，operation control and application methods for grid battery energy storage systems[J]．CSEE Journal of Power and Energy Systems，DOI：10.17775/CSEEJPES，2019.00160．

[27] 馮澤磊，吳美鳳．基于大數(shù)據(jù)平臺的火電機(jī)組實時運行狀態(tài)監(jiān)測[J]．華電技術(shù)，2019，41(4)：29-32，37．

[28] 李冰，張妍，劉石．基于LSTM的短期風(fēng)速預(yù)測研究[J]．計算機(jī)仿真，2018，35(11)：456-461．

[29] 梁榮，王洪濤，吳奎華，等．基于神經(jīng)網(wǎng)絡(luò)和 ARIMA 模型的冷熱電短期負(fù)荷預(yù)測[J]．電力系統(tǒng)及其自動化學(xué)報，DOI：10.19635/j.cnki.csu-epsa.000260．

[30] 赫衛(wèi)國，郝向軍，郭雅娟，等．基于ARIMA和SVR的光伏電站超短期功率預(yù)測[J]．廣東電力，2017，30(8)：32-37．

[31] 王旭，陳瀟一．基于AHP、ARIMA算法的電力信息系統(tǒng)負(fù)載預(yù)測研究與應(yīng)用[J]．電網(wǎng)與清潔能源，2017，33(8)：20-25．

Wind Power Prediction Method Based on Long Short-term Memory Neural Network

LI Xiangjun, XU Gejian

(State Key Laboratory of Control and Operation of Renewable Energy and Storage Systems (China Electric Power Research Institute), Haidian District, Beijing 100192, China)

Wind power generation process has strong randomness, which leads to low accuracy of wind power prediction. In view of the above phenomenon，a wind power generation power prediction method based on deep learning algorithm was proposed. Taking the historical wind power data as input, a wind power prediction model was established to realize the wind power prediction on a time scale in the future. The results of the example show that compared with the traditional time-series prediction method, the average absolute error of the wind power prediction results based on long short-term memory neural network is smaller in each index, which verifies the feasibility and effectiveness of the above method in wind power generation prediction, and improves the accuracy of wind power generation prediction.

deep learning; time-series prediction; wind

10.12096/j.2096-4528.pgt.19108

國家電網(wǎng)公司科技項目(DG71-19-015)。

Project Supported by Science and Technology Project of State Grid Corporation of China (DG71-19-015).power generation; long short-term memory (LSTM) neural network

2019-07-16。

李相俊(1979)，男，博士，教授級高級工程師，研究方向為大規(guī)模儲能技術(shù)、新能源與分布式發(fā)電、電力系統(tǒng)運行與控制，li_xiangjun@126.com。

李相俊

(責(zé)任編輯 尚彩娟)