國(guó)電南瑞科技股份有限公司深圳分公司 熊 歡 王 坤 杜業(yè)冬 黃東晨

本文介紹了人工智能相關(guān)的人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、循環(huán)神經(jīng)網(wǎng)絡(luò)等模型在風(fēng)電功率預(yù)測(cè)領(lǐng)域中的應(yīng)用。結(jié)合國(guó)內(nèi)外學(xué)者的相關(guān)研究工作，介紹了各模型的特色以及不足之處。然后，對(duì)未來(lái)的技術(shù)發(fā)展進(jìn)行了展望，介紹了遷移學(xué)習(xí)和增量學(xué)習(xí)兩種有潛力的人工智能算法。最后，本文指出人工智能技術(shù)要在風(fēng)電功率預(yù)測(cè)領(lǐng)域中實(shí)習(xí)真正落地，需要對(duì)待預(yù)測(cè)的風(fēng)電場(chǎng)做精細(xì)化的數(shù)據(jù)分析工作，并進(jìn)行針對(duì)性建模。

世界經(jīng)濟(jì)的迅猛發(fā)展促進(jìn)了能源利用方式的變革，綠色能源逐漸興起。作為綠色的可再生能源，風(fēng)力發(fā)電具有不可估量的商業(yè)化發(fā)展前景，對(duì)相關(guān)預(yù)測(cè)技術(shù)的研究也顯得更加重要。然而，風(fēng)資源的隨機(jī)性、波動(dòng)性和間歇性，給電力系統(tǒng)的穩(wěn)定運(yùn)行帶來(lái)了極大的困擾與挑戰(zhàn)，傳統(tǒng)的風(fēng)電功率預(yù)測(cè)技術(shù)已不足以解決上述問(wèn)題。為此，亟需引入前沿的人工智能技術(shù)。人工智能是計(jì)算機(jī)科學(xué)的一個(gè)分支，致力于研究、開(kāi)發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)。近年來(lái)，與人工智能相關(guān)的機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等技術(shù)的迅猛發(fā)展為高精度風(fēng)電功率預(yù)測(cè)技術(shù)的研究和落地提供了新的思路，帶來(lái)了新的發(fā)展機(jī)遇。

1 人工智能在風(fēng)電功率預(yù)測(cè)領(lǐng)域的應(yīng)用

1.1 機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)是人工智能技術(shù)的核心研究方向，能夠從有限的觀測(cè)數(shù)據(jù)中自動(dòng)學(xué)習(xí)出具有一般性的規(guī)律，并利用這些學(xué)到的規(guī)律對(duì)未知數(shù)據(jù)進(jìn)行預(yù)測(cè)。當(dāng)前較為主流的機(jī)器學(xué)習(xí)模型包括人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network， ANN)、支持向量機(jī)(Support Vector Machine，SVM)等。

1.1.1 人工神經(jīng)網(wǎng)絡(luò)

ANN是由大量簡(jiǎn)單單元通過(guò)豐富和完善的連接而構(gòu)成的高度非線性、自適應(yīng)的網(wǎng)絡(luò)，被用來(lái)模擬生物神經(jīng)系統(tǒng)對(duì)真實(shí)世界物體的交互反應(yīng)。與傳統(tǒng)方法相比，ANN以其靈活的網(wǎng)絡(luò)結(jié)構(gòu)、更強(qiáng)的特征提取能力以及出色的非線性擬合能力成為風(fēng)電功率預(yù)測(cè)領(lǐng)域的熱門方法，當(dāng)中以反向傳播(Back propagation，BP)神經(jīng)網(wǎng)絡(luò)最為典型。范高鋒等人介紹了基于數(shù)值天氣預(yù)報(bào)的BP神經(jīng)網(wǎng)絡(luò)架構(gòu)，該架構(gòu)成功地將預(yù)測(cè)精度控制15%左右。為精簡(jiǎn)輸入變量，周松林等人在訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)前先利用主成分分析(Principle Component Analysis，PCA)法對(duì)原始數(shù)據(jù)進(jìn)行了降維，從而降低了模型的復(fù)雜性，減少計(jì)算開(kāi)銷。然而，由于風(fēng)能具有間歇性和隨機(jī)性等特點(diǎn)以及風(fēng)機(jī)輸出功率受多種外部因素的影響，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測(cè)方法面臨容易過(guò)擬合、收斂速度慢、容易陷入局部極小值等諸多問(wèn)題。

1.1.2 支持向量機(jī)

SVM是一種以統(tǒng)計(jì)學(xué)理論為基礎(chǔ)構(gòu)建的機(jī)器學(xué)習(xí)算法。它具備優(yōu)異的泛化性能，十分適合處理小樣本問(wèn)題。與ANN相比，它結(jié)構(gòu)參數(shù)確定簡(jiǎn)單，也沒(méi)有容易陷入局部極小值的問(wèn)題，同時(shí)還克服了維數(shù)災(zāi)難等問(wèn)題。王爽心等人將灰色預(yù)測(cè)算法與小世界化的SVM結(jié)合，對(duì)風(fēng)電功率進(jìn)行變權(quán)組合預(yù)測(cè)；李智等人則利用SVM選取回歸函數(shù)，采用分位點(diǎn)回歸技術(shù)預(yù)測(cè)風(fēng)電功率波動(dòng)區(qū)間。

1.2 深度學(xué)習(xí)

深度學(xué)習(xí)是從數(shù)據(jù)中學(xué)習(xí)表示的一種新方法，通過(guò)逐層堆疊，構(gòu)建具有一定“深度”的模型，并通過(guò)學(xué)習(xí)算法讓模型自動(dòng)學(xué)習(xí)出深度的、本質(zhì)的特征表示。深度學(xué)習(xí)近年來(lái)也被大量應(yīng)用與風(fēng)電功率預(yù)測(cè)領(lǐng)域中。其中，循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）和卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）為當(dāng)今最典型的兩種深度學(xué)習(xí)模型。

1.2.1 循環(huán)神經(jīng)網(wǎng)絡(luò)

在很多應(yīng)用場(chǎng)合中，網(wǎng)絡(luò)的輸入和當(dāng)前時(shí)間的輸入以及前期某些時(shí)刻的輸出均存在一定程度的相關(guān)性。RNN是一類具有短期記憶能力的神經(jīng)網(wǎng)絡(luò)。它能夠挖掘時(shí)間序列隱含的時(shí)序相關(guān)性，以便更充分地利用歷史信息進(jìn)行時(shí)間序列建模。然而，簡(jiǎn)單RNN存在模型訓(xùn)練相關(guān)的梯度消失或爆炸問(wèn)題，長(zhǎng)短期記憶(long short-term memory，LSTM)神經(jīng)網(wǎng)絡(luò)作為RNN的改進(jìn)，能夠通過(guò)自身特殊的結(jié)構(gòu)設(shè)計(jì)，有效解決上述問(wèn)題，從而真正有效地利用歷史序列信息。目前，LSTM已經(jīng)在自然語(yǔ)言處理、行為識(shí)別等諸多前沿領(lǐng)域中得到了廣泛研究和應(yīng)用。近年來(lái)，也有研究者將LSTM應(yīng)用于風(fēng)電功率預(yù)測(cè)領(lǐng)域中。QU Xiaoyun等人將PCA用于對(duì)風(fēng)電功率預(yù)測(cè)相關(guān)輸入進(jìn)行降維，隨后使用LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，具有一定的效果。GRU是LSTM的一種變體，相較LSTM，它的結(jié)構(gòu)更加精簡(jiǎn)，參數(shù)較少因而能夠更快收斂。Niu Z等人使用了GRU作為風(fēng)電功率預(yù)測(cè)模型，并引入注意力機(jī)制，使得模型能夠更加關(guān)注時(shí)間序列信息中更加關(guān)鍵的信息，提高預(yù)測(cè)精度。

1.2.2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是一種深層前饋神經(jīng)網(wǎng)絡(luò)，具有局部連接、權(quán)重共享及匯聚的特性。卷積神經(jīng)網(wǎng)絡(luò)相較傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)參數(shù)更少，從而更易于學(xué)習(xí)。通過(guò)卷積神經(jīng)網(wǎng)絡(luò)，能夠從原始數(shù)據(jù)中挖掘出本質(zhì)的、高階的特征。牛哲文、殷豪等人在神經(jīng)網(wǎng)絡(luò)模型的設(shè)計(jì)中均引入了一維CNN，這種做法使得模型能夠抽取時(shí)間序列信息中最具精華、最有利用價(jià)值的信息，有助于提升模型的預(yù)測(cè)能力。黃睿等人則采用了一種更新的CNN——時(shí)間卷積神經(jīng)網(wǎng)絡(luò)(Temporal Convolution NetworksTCN)，獲得了理想的預(yù)測(cè)效果。TCN相較傳統(tǒng)CNN而言，針對(duì)時(shí)間序列問(wèn)題進(jìn)行了改進(jìn)。其特有的因果空洞卷積在保證了模型因果性，在避免未來(lái)到過(guò)去的數(shù)據(jù)泄露的同時(shí)也能夠增加感受野。此外，TCN還具有可并行處理、穩(wěn)定的梯度以及更低的內(nèi)存開(kāi)銷等優(yōu)點(diǎn)。

2 未來(lái)技術(shù)展望

2.1 遷移學(xué)習(xí)

遷移學(xué)習(xí)是運(yùn)用已有知識(shí)解決相似任務(wù)的一種新的機(jī)器學(xué)習(xí)方法，是一項(xiàng)潛力巨大的人工智能技術(shù)。當(dāng)前電力系統(tǒng)中存在一些新建風(fēng)電場(chǎng)，由于投入運(yùn)營(yíng)時(shí)間較短，缺乏足夠的歷史運(yùn)行數(shù)據(jù)作為模型的訓(xùn)練數(shù)據(jù)。若此時(shí)能夠通過(guò)使用遷移學(xué)習(xí)，將已投入較長(zhǎng)時(shí)間的風(fēng)電場(chǎng)訓(xùn)練模型直接遷移用于新建風(fēng)電場(chǎng)的風(fēng)電功率預(yù)測(cè)中，上述歷史運(yùn)行數(shù)據(jù)不足的問(wèn)題將能夠得到很好的解決。

2.2 增量學(xué)習(xí)

在一些具有實(shí)時(shí)性要求的風(fēng)電功率預(yù)測(cè)場(chǎng)景中，在線建模能夠方便模型利用到最近一段時(shí)間的數(shù)據(jù)，從而確保模型的時(shí)效性。然而，若在模型訓(xùn)練階段對(duì)所有歷史數(shù)據(jù)進(jìn)行加載，將有可能帶來(lái)巨大的計(jì)算開(kāi)銷，影響建模的效率。在風(fēng)電功率預(yù)測(cè)領(lǐng)域中，增量學(xué)習(xí)算法能夠做到在前期先利用部分歷史搭建基礎(chǔ)預(yù)測(cè)模型。在后期有新訓(xùn)練數(shù)據(jù)到來(lái)時(shí)，僅使用這些數(shù)據(jù)更新模型，從而滿足在線建模的實(shí)時(shí)性需求。

結(jié)語(yǔ)：近年來(lái)，人工智能的發(fā)展日新月異，而相關(guān)新技術(shù)的引進(jìn)也使得當(dāng)今的風(fēng)電功率預(yù)測(cè)的研究思路相較以往更加豐富和新穎。然而，目前發(fā)表的許多研究成果要實(shí)現(xiàn)真正落地，還有很長(zhǎng)一段路要走。在風(fēng)電功率預(yù)測(cè)相關(guān)的實(shí)際應(yīng)用中，位置氣候條件、風(fēng)電場(chǎng)布局、地形地貌等因素導(dǎo)致了不同風(fēng)電場(chǎng)擁有的數(shù)據(jù)基礎(chǔ)不同。目前，很難找到一種適用于多個(gè)風(fēng)電場(chǎng)的風(fēng)電功率預(yù)測(cè)模型。在預(yù)測(cè)一個(gè)風(fēng)電場(chǎng)的發(fā)電功率時(shí)，做一些精細(xì)化的數(shù)據(jù)分析工作，有針對(duì)性地構(gòu)建合適的模型，是提高預(yù)測(cè)精度的一大關(guān)鍵途徑。