向 勇, 王一軍, 孔寅恪

(中南大學 自動化學院,湖南 長沙 410083)

1 引言

風電作為未來清潔能源的一種，應用前景廣大，但風電輸出的獨特波動和間歇性，成為制約其快速發(fā)展的因素之一。大型風電場功率波動容易引起電網運行和調度較大的波動，尤其是風力發(fā)電特殊的防峰調節(jié)特性，造成電網調度與管理的難度。隨著風電場在電力領域的不斷增加和擴容，為保證電網平穩(wěn)運行，發(fā)電站通過限制風力發(fā)電產量的辦法進行管理與協(xié)調，難以適應后續(xù)發(fā)展。風能的隨機性和波動性等難以控制因素，進一步導致了風力發(fā)電機運作穩(wěn)定性差、功率波動、諧波污染、電壓波動、電流異常、回路異常等問題，供電網絡規(guī)模越大，對系統(tǒng)性能影響越大[1-3]。準確預測風力發(fā)電的輸出功率，可以減少頻率調制和峰值調節(jié)帶來的壓力，降低電力系統(tǒng)的波動及異常，提高電力系統(tǒng)對風力發(fā)電的兼容和提升能力[4-5]，降低運行成本，擴大風電覆蓋面，提高風電場使用率、穩(wěn)定性和安全性，是保證電網高效運行、促進清潔能源發(fā)展的有效措施之一。

本文通過分析大規(guī)模風力發(fā)電功率特性和風電預測時間序列特性，提出以深度循環(huán)神經網絡進行預測，結合小波系數(shù)多尺度分析的隱馬爾可夫預測方法，將深度學習引入到循環(huán)神經網絡中來，構建基于多尺度隱馬爾可夫模型-深度循環(huán)神經網絡模型的大規(guī)模風力發(fā)電功率預測模型(MHMM-DRNN)，并通過仿真實驗對多種預測方法進行分析比較。

2 風電預測時間序列特性

時序是一組按時間排序的序列變量，如流量、推力、氣候、溫度、濕度、壓力等。時間序列的序列可以是基本時間，也可采用年等單位，沒有具體規(guī)定。時間序列有確定時間特性和非確定時間特性。確定時間特性是指統(tǒng)計數(shù)據與時間發(fā)生聯(lián)系的序列特征；非確定時間特性是指統(tǒng)計數(shù)據不與時間發(fā)生聯(lián)系的序列特征。根據實際風電特性如裝機容量特性、地域特性、氣象特性等，結合時域分析與頻域分析，研究對風力發(fā)電信號時間序列特性，探索風電預測時間序列分析和預測方法，以實現(xiàn)準確預測。預測風能主要通過分析風的歷史時間序列，并對其進行統(tǒng)計預測風力發(fā)電功率提供指導，同時采用時變解釋模型變量預判和評價風力發(fā)電功率[6-8]。

主要結果如下：

(1)連續(xù)預測法是風電預測中一種相對簡單的方法?；跁r間序列分析的預測模型，預測模型分析了風速的時間序列，然后將風速轉化為風力發(fā)電功率。

(2)數(shù)值天氣預報以電場周圍的實際情況為基礎，在一定的受限條件下，通過熱力學和水動力學的數(shù)學模型解釋天氣演化過程的變化規(guī)律。因此，數(shù)值預測模型的輸出(包括風、氣溫、氣壓等)在給定時間中詳細預測了大氣狀態(tài)。

(3)物理預測方法利用微氣象學理論，轉換風電場功率曲線，可以描述風電場周圍影響因素的特點和風電場設備的特點。

(4)采用統(tǒng)計方法無需考慮風電場周圍影響因素的特征與風電設備特性的關系。

(5)如果只使用功率曲線進行預測，非線性風向曲線誤差引起的誤差將進一步放大，風速的微小變化可能導致較大的偏差功率，使用功率曲線的組合e測得的風速和功率曲線可使預測的根均方誤差(RMSE) 增加近20%[9-12]。

3 風力發(fā)電功率預測模型

3.1 深度循環(huán)神經網絡

循環(huán)神經網絡(Recurrent Neural Network，RNN)是其特征為一個具有無限層次結構的深度神經網絡。循環(huán)神經網絡每個層次結構的基本屬性是記憶數(shù)據，而不是聯(lián)合處理相關數(shù)據。通過每次層次結構的推進，新數(shù)據被記憶到每一層次結構, 利用大量數(shù)據更新層次結構信息，循環(huán)神經網絡可以得到大量數(shù)據信息[8-10]。深度循環(huán)神經網絡作為一種深層神經網絡，具備多層感應功能，其基本功能是時間反饋和信息傳遞。每次層次結構更新數(shù)據，新數(shù)據都通過層次結構之間聯(lián)系進行傳遞，神經網絡的每一層次結構可獲取大量實時信息[12-14]。

設定n維導入序列x1，x2，…，xn，m維網絡的隱層時間序列為h1，h2，…，hm，k維導出序列為y1，y2，…，yk，迭代公式如下：

ti=Whxxi+Whhhi-1+bh,hi=e(ti)

Si=Wyhhi+by,yi=g(si)

(1)

式中：Whx、Whh、Wyh為權值矩陣；bh、by為基底；ti為隱層參數(shù)導入，Si為導出序列的設置，他們同為k維的參數(shù)e、g提前設置的非線性向量參數(shù)函數(shù)：

(2)

其中第一層隱層的公式如下：

h(1)(xt)=σ(W(1)xt+b(1)+Uh(1)(xt-i))

(3)

式中：RNN模型基于狀態(tài)參數(shù)的輸入數(shù)據xt和狀態(tài)參數(shù)對xt-1重構參數(shù)；h(1)(xt-1) 為計算網絡結構h(1)(xt) 激活參數(shù)；W(1)和U為連接參數(shù)權值；b(1)是當前層的基底數(shù)據；σ代表sigmoid函數(shù)激活式為：

σ(z)=1/(1+e-z)

(4)

深度循環(huán)神經網絡(Deep Recurrent Neural Network，DRNN)模型是基于多層RNN模型進行構建，數(shù)據具有良好的非線性化適用性，可以兼容不同的狀態(tài)變量的變化。在此，通過式(5)來描述DRNN網絡模型為：

h(i)(xt)=σ(W(i)h(i-1)xt+b(i))

(5)

式中：h(i)(xt) 描述第i層的狀態(tài)變量，在此i大于1，同時對于每個隱層狀態(tài)變量都有設置一定權重W(i)和基準值b(i)。

3.2 多尺度隱馬爾可夫模型

在有限狀態(tài)馬爾可夫模型中，定義初始分布參數(shù)和狀態(tài)轉換概率矩陣參數(shù)來分析與評價當前狀態(tài)的概率特征，而在隱藏的馬爾可夫模型，只能分析與評價狀態(tài)的過程概率。隱馬爾可夫樹模型更具體反映小波變換的聚合和持久性[15-16]。隱馬爾可夫模型樹結構的父節(jié)點和子節(jié)點之間的聯(lián)系，可以類似于小波變換比例之間的依賴性特征。隱馬爾可夫模型和小波變換之間的狀態(tài)變量聯(lián)系可以體現(xiàn)在隱馬爾可夫樹模型結構中，即當每個父狀態(tài)參數(shù)通過一定概率變化到其他子狀態(tài)參數(shù)，或者變化到子狀態(tài)參數(shù)變量時，小波系數(shù)可以描述為高斯混合模型特征。相應的隱藏馬爾可夫結構描述為：

(6)

式中：ps1(m)為根節(jié)點Si的概率密度函數(shù)；給定父狀態(tài)|Sρ(i)為r，子狀態(tài)Si為m的條件概率。

參數(shù)向量θ表示為：

r=1,2,…,M}

(7)

(1)初始化多尺度隱馬爾可夫模型向量θ0；

(2)將迭代步長l定義為零；

(3)計算隱狀態(tài)變量S的聯(lián)合概率密度函數(shù)分布p(S|w,θl)；

(4)令θl+1為當Es[lnf(w,S|w,θl]最大時θ的參數(shù)值；

(5)l=l+1 ，如果θ的參數(shù)值達到收斂范圍，則停止，否則轉到步驟(3)。

3.3 MHMM-DRNN預測模型構建

多尺度隱藏馬爾可夫模型用于大規(guī)模風電時間序列的預處理、多尺度分解和單分支重建，建立基于多尺度隱藏馬爾可夫鏈的深循環(huán)神經網絡的大型風力發(fā)電時間序列預測模型(為MHMM-DRNN模型)。圖1顯示了MHMM-DRNN預測模型的結構。

圖1 MHMM-DRNN 預測模型結構

首先，將大規(guī)模風力發(fā)電功率時間序列數(shù)據進行多尺度隱馬爾可夫分解和單支重構成多條序列。

MHMM-DRNN模型包括：

(1)數(shù)據準備：規(guī)范化數(shù)據，并保存其最大值和最小值；

(2)多尺度隱蔽馬爾科夫分解和單分支重建；

(3)階段空間重建；

對于時間序列{sk}，k= 1，2，…，m，采用先對{sk}進行相空間重構，通過轉化為一個nin×mre的矩陣，矩陣結構如下：

式中：X為矩陣導入格式；Y為矩陣出格式。nin×mre的矩陣為n維時間序列x(t)，目標序列可以設置為y(t)。

(4)對DRNN模型進行訓練；

(5)經過訓練的DRNN模型對子系列的測試樣本預測；

(6)多組訓練數(shù)據分別對DRNN模型進行訓練；

(7)用訓練好的DRNN模型對子序列的測試樣本進行預測。

4 實例

選取內蒙古某風電場2015年歷史數(shù)據作為研究對象，利用MHMM-DRNN預測模型進行功率預測。數(shù)據為采集單臺風機輪轂處功率。以二期工程2015年數(shù)據為例，選取現(xiàn)有的2015年數(shù)據進行分析。由于二期工程2014年底才投運，因此前幾個月的數(shù)據采集情況穩(wěn)定性不佳，故選取2015年2月至7月數(shù)據作為歷史實測數(shù)據，如圖2所示。

圖2 2015年2月至7月數(shù)據作為歷史實測數(shù)據

考慮到隨機性使風速可能超過設定范圍，2015年2月開始至7月的設備故障、電路故障、風機故障、維護檢修、設備更換等原因造成的數(shù)據不完整現(xiàn)象(例如2015年5月中一段時間數(shù)據缺失)可以使用期平均數(shù)據進行代替。如2015年2月開始至7月風速波動不大，比較穩(wěn)定，因此用平均值代替對預測的準確性以及整體評價影響較小。

單臺風機2015年6月6日MHMM-DRNN預測模型功率預測數(shù)據如表1所示，其中相對誤差均值約為25.12%，均方根誤差為14.45。

表1 單臺風機2015年6月6日功率預測數(shù)據

通過對風電場功率數(shù)據進行分析，選擇將負功率數(shù)據剔除，使用期平均數(shù)據代替缺失值后，得到如表1的風電場風機功率預測數(shù)據。除了風電功率本身的隨機性以及波動性之外，由于風電場建設運行剛剛開始，設備兼容性有待調整，因此風電場風機功率提取受到了較大的影響。

根據圖3所示，各種單一模型相對誤差平均值：BP神經網絡約為31.56%，ARMA模型約為23.20%，小波分析約為26.11%，而MHMM-DRNN預測模型為16.85%。由此可見，MHMM-DRNN預測模型比BP神經網絡和小波分析預測值更準確，更接近真實值。

圖3 單臺風機功率不同方法誤差分析

5 結論

通過分析大規(guī)模風力發(fā)電功率特性和風電預測時間序列特性，結合小波系數(shù)多尺度分析的隱馬爾可夫預測方法，通過將深度學習引入到循環(huán)神經網絡，構建基于多尺度隱馬爾可夫模型-深度循環(huán)神經網絡模型進行風電功率預測。通過仿真實驗分析可知，本文提出的方法有效提升了大規(guī)模風力發(fā)電功率預測精度。