苗長新，李 昊，王 霞，韓 麗，馬 也，李 衡

（中國礦業(yè)大學(xué)電氣與動(dòng)力工程學(xué)院，江蘇省徐州市 221116）

0 引言

隨著風(fēng)電并網(wǎng)規(guī)模的增加，風(fēng)電的隨機(jī)性、波動(dòng)性和間歇性給電力系統(tǒng)運(yùn)行的安全性、穩(wěn)定性和經(jīng)濟(jì)性帶來了巨大挑戰(zhàn)，準(zhǔn)確的風(fēng)電功率預(yù)測是應(yīng)對(duì)該問題的重要手段［1-2］。

風(fēng)電功率預(yù)測的研究主要分為機(jī)理預(yù)測及數(shù)據(jù)驅(qū)動(dòng)預(yù)測，兩者之間存在本質(zhì)區(qū)別［3-4］。機(jī)理預(yù)測建立在對(duì)大氣運(yùn)動(dòng)刻畫的基礎(chǔ)之上，根據(jù)地形地貌、氣象環(huán)境等信息，利用流體力學(xué)、熱力學(xué)等物理規(guī)律建立模型，重點(diǎn)關(guān)注邊界條件和物理求解規(guī)則的優(yōu)化，建模困難、計(jì)算量大，一般適用于中長期預(yù)測［5］。數(shù)據(jù)驅(qū)動(dòng)預(yù)測強(qiáng)調(diào)從多源、多維、多模態(tài)數(shù)據(jù)中找尋其內(nèi)在規(guī)律，以數(shù)據(jù)挖掘手段和人工智能算法為基礎(chǔ)，建立輸入與目標(biāo)之間的映射關(guān)系，一般更適用于超短期和短期預(yù)測［6-7］。

基于數(shù)據(jù)驅(qū)動(dòng)的風(fēng)電功率預(yù)測的發(fā)展背景為：人工智能、大數(shù)據(jù)、云服務(wù)等技術(shù)的發(fā)展，電網(wǎng)數(shù)字新基建、智能電網(wǎng)、能源互聯(lián)網(wǎng)等生態(tài)的完善，數(shù)據(jù)采集與監(jiān)控（SCADA）系統(tǒng)、數(shù)值天氣預(yù)報(bào)（NWP）系統(tǒng)、地理信息系統(tǒng)（GIS）等平臺(tái)采集儲(chǔ)存的海量數(shù)據(jù)資源［8-9］。發(fā)展歷程包括統(tǒng)計(jì)法、傳統(tǒng)機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等幾個(gè)主要階段。以時(shí)間序列法、持續(xù)法、卡爾曼濾波為代表的統(tǒng)計(jì)法和以人工神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、支持向量機(jī)［10］為代表的早期人工智能算法，都有各自的適用場景和局限性［11-12］，但共同之處在于，多采用僅反映預(yù)測對(duì)象某一特征的方法進(jìn)行預(yù)測，如只對(duì)單一的風(fēng)速或風(fēng)電序列進(jìn)行統(tǒng)計(jì)分析或信號(hào)分解［13-14］，建模過程僅需要該風(fēng)電場單維的數(shù)據(jù)。這些方法忽略了風(fēng)電場分布排列、上下游效應(yīng)的影響和風(fēng)電功率與氣象數(shù)據(jù)之間的相互耦合，一方面導(dǎo)致數(shù)據(jù)資源的浪費(fèi)，同時(shí)也限制了預(yù)測的精度［15-16］。

風(fēng)電大數(shù)據(jù)中不僅包含單一風(fēng)電場自相關(guān)的時(shí)間關(guān)聯(lián)，還包含氣象信息與風(fēng)電功率的因果關(guān)聯(lián)和相鄰風(fēng)電場間互相關(guān)的時(shí)空關(guān)聯(lián)［17-20］。隨著數(shù)據(jù)密集時(shí)代的到來，傳統(tǒng)的統(tǒng)計(jì)方法和機(jī)器學(xué)習(xí)算法漸漸難以滿足預(yù)測任務(wù)的需求，越來越多的研究開始使用深度學(xué)習(xí)工具挖掘風(fēng)電數(shù)據(jù)中的深層耦合［21-22］。文獻(xiàn)［23］采用隨機(jī)森林法評(píng)估多位置NWP 信息的重要程度，再將加權(quán)后的NWP 特征與功率一同輸入門控循環(huán)單元（GRU）進(jìn)行預(yù)測；文獻(xiàn)［24］采用主成分分析法（PCA）分析風(fēng)電功率的影響因素，再將降維后的特征輸入長短期記憶（LSTM）網(wǎng)絡(luò)。這類方法的特征工程依賴專家指導(dǎo)和人為設(shè)置條件，難以發(fā)揮深度學(xué)習(xí)特征工程自動(dòng)化的優(yōu)勢(shì)。文獻(xiàn)［25］先對(duì)輸入的各時(shí)間序列建立GRU 并提取時(shí)間關(guān)聯(lián)，再采用卷積神經(jīng)網(wǎng)絡(luò)（CNN）壓縮GRU 的隱藏狀態(tài)；文獻(xiàn)［26］先采用CNN 提取多源輸入的耦合特征，再通過GRU 完成預(yù)測。針對(duì)時(shí)空關(guān)聯(lián)，文獻(xiàn)［27］提出了先提取空間特征，后捕捉時(shí)間依賴的兩階段建模方法，分別采用CNN 和雙向GRU 提取空間特征和時(shí)序特征，但輸入僅考慮了單維的風(fēng)速，特征較為單一。

綜上，本文提出一種多尺度時(shí)空網(wǎng)絡(luò)（multiscale spatio-temporal network，MSTN），它是一個(gè)集成了多層、多尺度卷積網(wǎng)絡(luò)（multi-scale convolution network，MCNN）和GRU 的深層模型。首先，以相鄰風(fēng)電場的功率和氣象數(shù)據(jù)構(gòu)造MCNN 的多通道輸入，設(shè)計(jì)并行架構(gòu)的多尺寸卷積核，提取風(fēng)電場不同尺度的時(shí)空特征。然后，采用1×1 卷積層對(duì)不同尺度的時(shí)空特征進(jìn)行賦權(quán)、融合、降維，并根據(jù)預(yù)測目標(biāo)動(dòng)態(tài)調(diào)整網(wǎng)絡(luò)對(duì)不同特征的依賴。最后，將融合特征輸入GRU 來提取時(shí)序聯(lián)系，輸出預(yù)測結(jié)果，并基于真實(shí)數(shù)據(jù)集的仿真結(jié)果驗(yàn)證了所提模型的有效性。

1 風(fēng)電大數(shù)據(jù)

1.1 數(shù)據(jù)概述

風(fēng)電大數(shù)據(jù)包含GIS 提供的風(fēng)電場地形描述等靜態(tài)數(shù)據(jù)和氣象單位提供的NWP 信息等動(dòng)態(tài)數(shù)據(jù)，具有多源、多維、多模態(tài)的特點(diǎn)。地理位置信息，風(fēng)速、風(fēng)向、溫度、氣壓、空氣密度等氣象信息，以及風(fēng)電功率數(shù)據(jù)，在離散/連續(xù)、采樣頻率、數(shù)值大小、計(jì)量單位、物理意義上都有顯著差異，但同時(shí)又存在風(fēng)力、風(fēng)電的因果關(guān)聯(lián)和相鄰風(fēng)電場的時(shí)空關(guān)聯(lián)。

因此，基于數(shù)據(jù)驅(qū)動(dòng)的風(fēng)電功率預(yù)測的關(guān)鍵在于既統(tǒng)一又差異化地把握數(shù)據(jù)間的聯(lián)系和區(qū)別，抽象多源數(shù)據(jù)的耦合關(guān)系并根據(jù)預(yù)測目標(biāo)篩選輸入信息和構(gòu)造特征向量，這也是本文基于數(shù)據(jù)驅(qū)動(dòng)的MSTN 模型的關(guān)鍵環(huán)節(jié)。

1.2 數(shù)據(jù)關(guān)聯(lián)

1.2.1 風(fēng)電功率與氣象數(shù)據(jù)的關(guān)聯(lián)

風(fēng)力發(fā)電受風(fēng)速、風(fēng)向、溫度、氣壓、空氣密度等多因素共同影響，各因素與風(fēng)電出力的Pearson 系數(shù)絕對(duì)值見附錄A 圖A1。圖中，Speed 指風(fēng)速信息，Speed-cleaning 指數(shù)據(jù)清洗后的風(fēng)速信息，清洗方法見1.3.1 節(jié)。

附錄A 圖A1 表明，風(fēng)速是決定風(fēng)電出力最直接、最根本的影響因素，同時(shí)風(fēng)向也是時(shí)空關(guān)聯(lián)的重要指標(biāo)，因此選取風(fēng)速和風(fēng)向作為氣象特征，與功率一同用于構(gòu)造MSTN 的多通道輸入。

1.2.2 相鄰風(fēng)電場的時(shí)空關(guān)聯(lián)

本文相鄰風(fēng)電場的Pearson 相關(guān)系數(shù)如附錄A圖A2 所示，相鄰風(fēng)電場按位置信息編號(hào)。圖A2 表明，距離較近的風(fēng)電場，出力相關(guān)程度較高；而距離較遠(yuǎn)的風(fēng)電場，相關(guān)程度較低，為了避免冗余和減小計(jì)算復(fù)雜度，可以適當(dāng)撇棄。

1）時(shí)空關(guān)聯(lián)的絕對(duì)性

風(fēng)在空間內(nèi)的連續(xù)性和風(fēng)電場的相對(duì)位置決定了相鄰風(fēng)電場的出力具有時(shí)空關(guān)聯(lián)：處在同一風(fēng)向上的風(fēng)電場，出力將會(huì)趨于一致。下游機(jī)組與上游機(jī)組的功率序列，會(huì)表現(xiàn)出相似的波動(dòng)規(guī)律，且具有一定的延時(shí)性。

2）時(shí)空關(guān)聯(lián)的相對(duì)性

風(fēng)向和風(fēng)電場的相對(duì)位置決定了時(shí)延的先后，風(fēng)速和風(fēng)電場間的距離則決定了時(shí)延的大小。一般來說，風(fēng)速越快，相鄰站點(diǎn)的時(shí)延越?。伙L(fēng)速越慢，相鄰站點(diǎn)的時(shí)延越大。

因此，在一定的時(shí)空范圍內(nèi)，可以認(rèn)為時(shí)空關(guān)聯(lián)是絕對(duì)的，關(guān)聯(lián)程度是相對(duì)的。時(shí)空關(guān)聯(lián)可以幫助克服依賴單一時(shí)間序列預(yù)測未來出力的本質(zhì)性困難，上游風(fēng)電場的實(shí)時(shí)出力為下游風(fēng)電場的預(yù)測提供了未來知識(shí)。

1.3 數(shù)據(jù)預(yù)處理

多源輸入變量的采樣頻率存在差異，因此，先統(tǒng)一采樣頻率至15 min。多源變量的量綱不同，數(shù)值差異也較大，需要對(duì)其分別做歸一化處理。風(fēng)電功率和風(fēng)速采用式（1）的min-max 法歸一化，風(fēng)向則采用三角函數(shù)化方法歸一化。

式中：x為實(shí)測值；xmin和xmax分別為x的最小值和最大值；x′為歸一化值。

值得注意的是，對(duì)于多風(fēng)電場，一般將它們的功率（風(fēng)速）合并歸一化。

1.3.1 風(fēng)速清洗

額定風(fēng)速是風(fēng)機(jī)的重要參數(shù)，是指風(fēng)機(jī)以額定功率輸出的最小風(fēng)速，不同類型的風(fēng)機(jī)對(duì)應(yīng)的額定風(fēng)速不同。在實(shí)際生產(chǎn)中，大量存在風(fēng)機(jī)滿功率輸出、風(fēng)速溢出的場景，即當(dāng)風(fēng)速超過一定閾值的時(shí)候，機(jī)組達(dá)到滿功率輸出狀態(tài)，此時(shí)風(fēng)速繼續(xù)爬升不再對(duì)風(fēng)電出力有額外貢獻(xiàn)。風(fēng)速與風(fēng)電出力的映射關(guān)系在滿功率狀態(tài)和不飽和狀態(tài)下存在較大變化，但神經(jīng)網(wǎng)絡(luò)往往難以準(zhǔn)確捕捉這種變化。

因此，本文把此類場景視為風(fēng)電功率預(yù)測的一種異常、故障狀態(tài)。從歷史數(shù)據(jù)中篩選出此類場景，對(duì)風(fēng)速信息進(jìn)行統(tǒng)計(jì)，定義保證所有機(jī)組滿功率輸出的最小風(fēng)速為滿載風(fēng)速，超出滿載風(fēng)速的數(shù)值（如圖1 中紫色虛線框所示）都削平為滿載風(fēng)速，低于滿載風(fēng)速的數(shù)值保持不變。對(duì)于本文數(shù)據(jù)集，100 m高度處風(fēng)速達(dá)到14.2 m/s 時(shí)，達(dá)到滿功率輸出。數(shù)據(jù)清洗后，風(fēng)速與風(fēng)電功率的Pearson 相關(guān)系數(shù)由0.934 4 上升至0.979 5。

圖1 風(fēng)電功率與風(fēng)速相關(guān)性Fig.1 Correlation between wind power and wind speed

1.3.2 風(fēng)向的三角函數(shù)歸一化

風(fēng)向的范圍為0°～360°，從物理意義上講，0°、360°、1°和359°對(duì)風(fēng)機(jī)出力是基本等效的，但對(duì)神經(jīng)網(wǎng)絡(luò)而言，輸入的數(shù)值差異卻很大，因此，對(duì)風(fēng)向采用三角函數(shù)化處理，即取風(fēng)向的sin 值和cos 值［28］。

2 多尺度時(shí)空網(wǎng)絡(luò)

本文所提MSTN 模型的結(jié)構(gòu)如圖2 所示。圖中，3×3、5×5 等指單個(gè)通道特征圖上的卷積核尺寸，對(duì)于多通道卷積而言，其卷積核尺寸實(shí)際為C×3×3、C×5×5，參數(shù)C的數(shù)值取決于上一層輸出的特征通道數(shù)。

2.1 MCNN

2.1.1 多尺寸卷積核

如圖3 所示，各風(fēng)電場按縱向排列，風(fēng)電時(shí)間序列按橫向排列，功率、風(fēng)速、風(fēng)向按通道方向排列。

CNN 可通過設(shè)置不同尺寸的卷積核來獲取更小或更大視野范圍內(nèi)的特征，例如：本文3×1 卷積核對(duì)應(yīng)提取同一時(shí)刻相鄰風(fēng)電場的空間相關(guān)性；1×3 卷積核提取單一風(fēng)電場自相關(guān)的時(shí)間相關(guān)性；3×3 卷積核提取3 個(gè)時(shí)間單位內(nèi)，相鄰3 個(gè)風(fēng)電場的時(shí)空關(guān)聯(lián)；5×5 卷積核對(duì)應(yīng)的是更大時(shí)間和空間范圍內(nèi)的時(shí)空相關(guān)性。同理，設(shè)計(jì)3×5、3×7、5×3、5×7 等其他尺寸的卷積核，由模型端到端自主學(xué)習(xí)輸入數(shù)據(jù)不同時(shí)空尺度的特征，并通過零填充（zero-padding）控制多尺寸卷積的輸出具有相同的尺寸。同時(shí)，多通道卷積引入了功率與風(fēng)速、風(fēng)向之間的耦合關(guān)系，為預(yù)測提供了更多知識(shí)。

圖2 模型結(jié)構(gòu)Fig.2 Structure of model

圖3 多尺寸卷積核Fig.3 Multi-scale convolution kernel

2.1.2 1×1 卷積

通道特征拼接（Concat）是深度學(xué)習(xí)中實(shí)現(xiàn)特征融合的經(jīng)典操作，即在通道方向上對(duì)輸入向量進(jìn)行特征拼接［29］。1×1 卷積層進(jìn)一步對(duì)多尺度時(shí)空特征進(jìn)行跨通道的信息融合，并通過控制通道數(shù)量靈活調(diào)節(jié)系統(tǒng)運(yùn)算規(guī)模。1×1 卷積層的輸入為MCNN 的多通道特征，輸出為其融合特征，該層的訓(xùn)練參數(shù)為多通道時(shí)空特征的加權(quán)系數(shù)。特征融合的過程可以表示為：

式中：YCin×L表示輸入的特征，其中Cin為輸入特征的通道數(shù)，L為特征向量的長度；為輸出的融合特征，其中Cout為輸出特征的通道數(shù)；ωCout×Cin為加權(quán)系數(shù)。

因此，1×1 卷積層輸出特征的每一個(gè)通道實(shí)質(zhì)上都是其輸入特征在通道方向上的加權(quán)。定義輸入特征通道的平均權(quán)重來衡量各個(gè)通道的重要程度，具體地，第i個(gè)通道的平均權(quán)重αi定義為：

式中：ωji為ωCout×Cin中第j行、第i列的元素。

2.2 GRU

基于循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）改進(jìn)的LSTM 網(wǎng)絡(luò)和GRU 在提取數(shù)據(jù)時(shí)序特征上有著出色表現(xiàn)。GRU 獨(dú)特的更新門和重置門的設(shè)計(jì)，使其能有效實(shí)現(xiàn)對(duì)歷史特征的加強(qiáng)與遺忘。與LSTM 網(wǎng)絡(luò)相比，GRU 有更加簡潔的網(wǎng)絡(luò)參數(shù)及網(wǎng)絡(luò)結(jié)構(gòu)，這使得GRU 在時(shí)間成本方面更加經(jīng)濟(jì)。

輸入時(shí)間序列長度的設(shè)置一直是GRU 的難點(diǎn)，序列太短會(huì)導(dǎo)致信息缺失，序列太長會(huì)導(dǎo)致GRU 難以準(zhǔn)確捕捉輸入數(shù)據(jù)的關(guān)鍵尺度和關(guān)鍵特征。MCNN 交替堆疊的卷積池化結(jié)構(gòu)，具有增強(qiáng)模型壓縮數(shù)據(jù)規(guī)模、凸顯關(guān)鍵特征的能力。將輸入向量壓縮降維后再傳遞給GRU，可以有效提高預(yù)測準(zhǔn)確性。值得注意的是，MCNN 特征輸入GRU 前需要經(jīng)扁平層（Flatten）將特征扁平化處理。

3 算例分析

3.1 數(shù)據(jù)集和誤差指標(biāo)

應(yīng)用美國國家可再生能源實(shí)驗(yàn)室的公開數(shù)據(jù)集進(jìn)行驗(yàn)證。本文多風(fēng)電場的裝機(jī)容量均為16 MW，地理坐標(biāo)為78.594 5°～79.866 6°W，39.036 9°～40.344 5°N，數(shù)據(jù)發(fā)生時(shí)間為2012 年1 月1 日至12 月31 日，所用風(fēng)速和風(fēng)向均為100 m 高度處數(shù)據(jù)，氣象數(shù)據(jù)和功率數(shù)據(jù)的分辨率統(tǒng)一設(shè)置為15 min。將全年數(shù)據(jù)劃分為4 個(gè)季度，每個(gè)季度取前70 d 為訓(xùn)練集，后20 d 為測試集，即每組訓(xùn)練集和測試集分別包含6 720 個(gè)和1 920 個(gè)樣本。

本文模型同時(shí)輸出多個(gè)風(fēng)電場的風(fēng)電功率預(yù)測值，選取均方誤差（MSE）作為預(yù)測結(jié)果的評(píng)價(jià)指標(biāo)。單個(gè)風(fēng)電場和多個(gè)風(fēng)電場風(fēng)電功率的均方誤差εmse和εMSE的定義分別見式（4）和式（5）。

式中：T為樣本個(gè)數(shù)；PMt和PPt分別為t時(shí)刻實(shí)測值和預(yù)測值的歸一化功率值；N為風(fēng)電場數(shù)；和分別為t時(shí)刻第n個(gè)風(fēng)電場的實(shí)測值和預(yù)測值的歸一化功率值。當(dāng)N的值退化為1 時(shí)，εMSE反映一個(gè)特定風(fēng)電場的預(yù)測誤差。

3.2 實(shí)驗(yàn)環(huán)境和超參數(shù)設(shè)置

本文預(yù)測任務(wù)在Python3.8 環(huán)境下執(zhí)行，實(shí)驗(yàn)硬件配置為Intel Core i5-10300H CPU/16 GB RAM/GeForce GTX 1650。超參數(shù)設(shè)置如下。

輸入數(shù)據(jù)的尺寸：通道數(shù)為4，即風(fēng)電功率、風(fēng)速、風(fēng)向sin 值、風(fēng)向cos 值；單個(gè)通道特征圖尺寸為5×32，即相鄰5 個(gè)風(fēng)電場待預(yù)測時(shí)段前8 h 的數(shù)據(jù)。

MCNN：堆疊2 個(gè)多尺度卷積單元，每個(gè)單元均含有多尺寸的卷積核，每種尺寸的卷積核數(shù)量均設(shè)置為10 個(gè)；池化方式為最大池化；后接一個(gè)小尺寸卷積層，進(jìn)一步壓縮特征圖尺寸。設(shè)置1×1 卷積層輸出的特征通道數(shù)為10。

GRU：隱藏層節(jié)點(diǎn)數(shù)設(shè)置為20，經(jīng)全連接層同時(shí)輸出多個(gè)風(fēng)電場待預(yù)測時(shí)刻的功率。

3.3 基準(zhǔn)模型

為了驗(yàn)證本文所提MSTN 模型的有效性，選取持續(xù)法（Persistence）、PCA-GRU、深度 CNN（DeepCNN）、CNN-GRU、GRU-CNN 作為對(duì)比實(shí)驗(yàn)的基準(zhǔn)模型。其中，PCA 是機(jī)器學(xué)習(xí)領(lǐng)域特征分析的經(jīng)典算法，CNN-GRU 和GRU-CNN 是當(dāng)前深度學(xué)習(xí)在風(fēng)電功率預(yù)測領(lǐng)域的先進(jìn)算法代表。CNN-GRU 先采用CNN 提取空間聯(lián)系再輸入GRU提取時(shí)間聯(lián)系；GRU-CNN 則先采用GRU 提取各風(fēng)電場的時(shí)間自相關(guān)，再采用CNN 提取空間聯(lián)系。為了保證對(duì)比性，各模型設(shè)計(jì)的層數(shù)和卷積核數(shù)量控制在相似水平。

3.4 預(yù)測結(jié)果

5 個(gè)風(fēng)電場第1 季度的整體預(yù)測誤差如表1 所示，5 個(gè)風(fēng)電場第1 季度的單場預(yù)測誤差分別見附錄A 表A1 至表A5，第2、3、4 季度的預(yù)測結(jié)果見附錄A表A6 至表A8。

附錄A 圖A3 展示了1 號(hào)和2 號(hào)風(fēng)電場前400 個(gè)測試樣本的16 步即4 h 預(yù)測結(jié)果。綜上可得以下結(jié)論。

1）雖然持續(xù)法能夠在數(shù)值上跟蹤風(fēng)電出力，但隨著預(yù)測步長的增加，其時(shí)間延遲和偏移太大，導(dǎo)致了較高的預(yù)測誤差。考慮相鄰風(fēng)電場信息的深度學(xué)習(xí)算法在多步預(yù)測中誤差更小。

表1 5 個(gè)風(fēng)電場第1 季度的功率預(yù)測誤差Table 1 Power prediction errors of five wind farms in the first quarter

2）MSTN 模型在4 個(gè)季度的數(shù)據(jù)集上表現(xiàn)優(yōu)于其他模型，且預(yù)測步長越長，優(yōu)勢(shì)越明顯。在個(gè)別風(fēng)電場的部分時(shí)刻，MSTN 模型的表現(xiàn)可能會(huì)不如GRU-CNN 模型等，這是由于MSTN 模型的訓(xùn)練目標(biāo)是降低5 個(gè)風(fēng)電場整體的預(yù)測誤差，因此，對(duì)單個(gè)風(fēng)電場的風(fēng)電功率預(yù)測誤差的控制不足。當(dāng)對(duì)特定風(fēng)電場的預(yù)測精度有較高要求時(shí)，可以通過修改模型訓(xùn)練過程的損失函數(shù)來實(shí)現(xiàn)，例如：賦予該風(fēng)電場預(yù)測誤差更大的權(quán)重，或?qū)⒂?xùn)練目標(biāo)由全部風(fēng)電場預(yù)測誤差最小改為特定風(fēng)電場預(yù)測誤差最小。

3.5 多尺度時(shí)空特征分析

以MSTN 模型中第1 個(gè)MCNN 單元為例，對(duì)一個(gè)測試樣本分別執(zhí)行4、8、16 步預(yù)測時(shí)，其不同尺寸卷積下的多通道時(shí)空特征、融合特征和各通道的權(quán)重如圖4 所示，可以得到如下結(jié)論。

圖4 特征提取過程Fig.4 Process of feature extraction

1）1×1 卷積層可以有效降低通道數(shù)量，實(shí)現(xiàn)信息降維，并通過對(duì)各通道權(quán)重值的迭代訓(xùn)練，以高權(quán)重值突出關(guān)鍵通道的特征信息。如圖4 所示，4 步預(yù)測中，3×7 卷積核對(duì)應(yīng)的通道權(quán)重較高，表示對(duì)于第1 季度數(shù)據(jù)集的1 h 預(yù)測，每相鄰3 個(gè)風(fēng)電場的7 個(gè)時(shí)間單位窗口學(xué)習(xí)到的時(shí)空特征對(duì)預(yù)測結(jié)果的影響最大。

2）同一個(gè)樣本在不同預(yù)測任務(wù)中提取出的特征存在差異，表示MSTN 模型能夠根據(jù)不同的預(yù)測目標(biāo)動(dòng)態(tài)學(xué)習(xí)輸入樣本的特征并調(diào)整通道權(quán)重。

3）各尺度的時(shí)空特征中，都存在權(quán)重相對(duì)較高的通道，表明MCNN 對(duì)于風(fēng)電場時(shí)空特征的挖掘是有意義的。

3.6 靈敏度分析

MCNN 特征通道數(shù)和1×1 卷積輸出的融合特征通道數(shù)是影響模型預(yù)測精度和運(yùn)算時(shí)間的關(guān)鍵參數(shù)，因此，有必要對(duì)它們的取值進(jìn)行測試，測試結(jié)果如表2 所示。

表2 靈敏度分析Table 2 Sensitivity analysis

綜上可以得出以下結(jié)論。

1）MCNN 通道數(shù)決定于卷積核數(shù)量。若卷積核太少，會(huì)降低預(yù)測的準(zhǔn)確性；若卷積核過多，會(huì)大大增加運(yùn)算耗時(shí)，且預(yù)測精度與卷積核數(shù)量非正相關(guān)。融合特征通道數(shù)取10 的條件下，當(dāng)MCNN 通道數(shù)由60 增加到120 時(shí)，訓(xùn)練耗時(shí)增加56%，預(yù)測誤差卻沒有明顯降低。

2）超短期預(yù)測要兼顧準(zhǔn)確性和時(shí)效性，對(duì)于本文數(shù)據(jù)集，MCNN 通道數(shù)和融合特征通道數(shù)分別取60 和10 時(shí)，MSTN 模型有較好的表現(xiàn)。在此結(jié)構(gòu)下，模型訓(xùn)練平均耗時(shí)為29.2 s，預(yù)測單個(gè)樣本的運(yùn)算時(shí)間為0.028 2 s，滿足超短期預(yù)測的要求。

4 結(jié)語

結(jié)合數(shù)據(jù)驅(qū)動(dòng)和深度學(xué)習(xí)的方法在風(fēng)電功率預(yù)測領(lǐng)域有著很大的應(yīng)用潛力。風(fēng)電大數(shù)據(jù)中不僅包含風(fēng)電場的時(shí)間自相關(guān)，同時(shí)也存在相鄰風(fēng)電場間的時(shí)空關(guān)聯(lián)，以及風(fēng)力、風(fēng)電的因果關(guān)聯(lián)。本文所提MSTN 模型有如下特征。

1）在數(shù)據(jù)預(yù)處理環(huán)節(jié)，將風(fēng)電場滿功率輸出，風(fēng)速溢出的場景視為風(fēng)電功率預(yù)測的異常/故障狀態(tài)，并提出相應(yīng)的數(shù)據(jù)清洗策略以增強(qiáng)風(fēng)速、風(fēng)電的相關(guān)性。

2）設(shè)計(jì)多通道卷積挖掘風(fēng)電與氣象數(shù)據(jù)之間的耦合關(guān)系；設(shè)計(jì)多尺度卷積挖掘相鄰風(fēng)電場不同尺度的時(shí)空特征。

3）MSTN 模型同時(shí)具備MCNN 壓縮數(shù)據(jù)規(guī)模、凸顯關(guān)鍵特征的能力和RNN 捕捉時(shí)序特征的能力。因此，在執(zhí)行數(shù)據(jù)多、維度高、耦合強(qiáng)的基于數(shù)據(jù)驅(qū)動(dòng)的風(fēng)電功率預(yù)測任務(wù)時(shí)，具有一定的優(yōu)勢(shì)。

本文所提模型在相鄰數(shù)個(gè)風(fēng)電場的預(yù)測任務(wù)中表現(xiàn)良好，適用于新建風(fēng)電場缺少歷史數(shù)據(jù)或精細(xì)化調(diào)度風(fēng)電場出力等場景，但電網(wǎng)運(yùn)行往往需要關(guān)注更大空間范圍、更多數(shù)量的場群出力情況，因此需要繼續(xù)探索更大時(shí)空尺度下基于數(shù)據(jù)驅(qū)動(dòng)的風(fēng)電場群功率預(yù)測方法。

附錄見本刊網(wǎng)絡(luò)版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網(wǎng)絡(luò)全文。