馬軍巖 袁逸萍 柴 同 趙 琴

新疆大學(xué)機(jī)械工程學(xué)院，烏魯木齊，830047

0 引言

風(fēng)力發(fā)電具有清潔性和可持續(xù)性特點(diǎn)，已成為解決能源與環(huán)境問(wèn)題的重要戰(zhàn)略之一[1]。風(fēng)電機(jī)組的故障率隨風(fēng)速變化具有時(shí)變性，短期風(fēng)速預(yù)測(cè)值會(huì)直接影響風(fēng)電機(jī)組的運(yùn)行可靠性評(píng)估結(jié)果[2]，因此風(fēng)速預(yù)測(cè)結(jié)果也被認(rèn)為是風(fēng)電場(chǎng)運(yùn)行與維護(hù)的重要依據(jù)[3]。現(xiàn)有研究主要針對(duì)整個(gè)風(fēng)電場(chǎng)區(qū)域進(jìn)行風(fēng)速預(yù)測(cè)，主要研究方法包括基于數(shù)值氣象預(yù)報(bào)(numerical weather forecast，NWP)模型的后處理法和基于統(tǒng)計(jì)模型的外推法。文獻(xiàn)[4-6]探討了卡爾曼濾波(Kalman filtering，KF)作為后處理方法來(lái)修正NWP模型的預(yù)測(cè)結(jié)果，提高了數(shù)值預(yù)測(cè)的精度。ZHAO等[7]結(jié)合非線性自相關(guān)網(wǎng)絡(luò)和混合核密度估計(jì)法對(duì)NWP風(fēng)速數(shù)據(jù)誤差進(jìn)行了校正優(yōu)化。DING等[8]采用門(mén)控循環(huán)單元(gated recurrent unit，GRU)修正了NWP風(fēng)速數(shù)據(jù)。WANG等[9]提出了一種針對(duì)NWP風(fēng)速的序列傳遞校正算法(sequence transfer correction algorithm，STCA)。上述研究中的NWP模型均基于中尺度模式，空間范圍遠(yuǎn)大于單個(gè)風(fēng)電機(jī)組所占面積，且時(shí)間上為提前一天預(yù)測(cè)風(fēng)速。綜合考慮空間和時(shí)間尺度，基于NWP模型的外推法預(yù)測(cè)粒度過(guò)大，無(wú)法適用于風(fēng)電機(jī)組輪轂處的短期(6 h以內(nèi))風(fēng)速預(yù)測(cè)。

基于統(tǒng)計(jì)模型的外推法通常使用統(tǒng)計(jì)模型對(duì)測(cè)風(fēng)塔風(fēng)速序列的時(shí)間演化進(jìn)行建模來(lái)預(yù)測(cè)整個(gè)風(fēng)場(chǎng)范圍內(nèi)的平均風(fēng)速。相關(guān)研究模型包括自回歸(AR)模型、自回歸移動(dòng)平均(ARMA)模型、人工神經(jīng)網(wǎng)絡(luò)(ANN)及深度學(xué)習(xí)(DL)模型等[10-14]。為了克服單個(gè)模型的不穩(wěn)定性和各自的缺點(diǎn)，部分學(xué)者將各種預(yù)測(cè)方法與不同的預(yù)測(cè)框架和策略合理地結(jié)合起來(lái)，從而產(chǎn)生更強(qiáng)的預(yù)測(cè)器，以獲得更準(zhǔn)確和穩(wěn)健的預(yù)測(cè)結(jié)果。MONFARED等[15]利用模糊邏輯和神經(jīng)網(wǎng)絡(luò)對(duì)風(fēng)速時(shí)間序列統(tǒng)計(jì)特性進(jìn)行了建模。POURMOUSAVI KANI等[16]使用ANN和Markov鏈來(lái)捕獲風(fēng)速時(shí)間序列中的特征。CHEN等[17]將支持向量回歸(support vector regression，SVR)與KF相結(jié)合，實(shí)現(xiàn)了風(fēng)速的動(dòng)態(tài)預(yù)測(cè)。ZHANG等[18]采用變分模態(tài)分解-小波變換(variational mode decomposition-wavelet transform，VMD-WT)方法將原始風(fēng)速進(jìn)行二次分解，采用徑向基(RBF)網(wǎng)絡(luò)分別預(yù)測(cè)各子序列，再合成為最終的風(fēng)速預(yù)測(cè)值。MA等[19]分別對(duì)原始風(fēng)速序列和誤差序列進(jìn)行模態(tài)分解，利用長(zhǎng)短期記憶(long short-term memory，LSTM)網(wǎng)絡(luò)對(duì)各子序列進(jìn)行預(yù)測(cè)，得到了修正后的預(yù)測(cè)值。上述統(tǒng)計(jì)外推法基于歷史數(shù)據(jù)進(jìn)行預(yù)測(cè)，缺乏對(duì)實(shí)時(shí)氣象風(fēng)速變化的考慮，預(yù)測(cè)模型中包含的規(guī)則種類有限，且由于存在時(shí)間序列慣性，在風(fēng)速驟變情況下其變化規(guī)律與模型訓(xùn)練所得規(guī)則無(wú)法匹配，會(huì)產(chǎn)生較大的時(shí)間序列慣性誤差，導(dǎo)致短期風(fēng)速預(yù)測(cè)效果較差。

本文將監(jiān)控與數(shù)據(jù)采集(supervisory control and data acquisition，SCADA)系統(tǒng)記錄的近期風(fēng)速序列外推法和NWP風(fēng)速后處理法相結(jié)合，以期避免統(tǒng)計(jì)外推法導(dǎo)致的相位誤差、估計(jì)規(guī)則無(wú)法匹配等問(wèn)題以及基于NWP模型的預(yù)測(cè)粒度過(guò)大的缺點(diǎn)。建立卷積神經(jīng)網(wǎng)絡(luò)與門(mén)控循環(huán)單元(convolutional neural networks and gated recurrent units，CNNGRU)模型和Elman模型分別對(duì)SCADA近期風(fēng)速序列的趨勢(shì)項(xiàng)和細(xì)節(jié)項(xiàng)進(jìn)行預(yù)測(cè)，并對(duì)誤差部分進(jìn)行概率擬合。結(jié)合NWP風(fēng)速降尺度模型和廣義自回歸條件異方差(generalized autoregressive conditional heteroscedasticity，GARCH)模型進(jìn)行誤差修正，從而提高風(fēng)速驟變情況下的短期風(fēng)速預(yù)測(cè)精度。

1 建?；舅惴?/h2>

1.1 數(shù)據(jù)預(yù)處理方法

由于風(fēng)速數(shù)據(jù)本身具有非線性和非平穩(wěn)的特點(diǎn)，如果直接將原始風(fēng)速序列應(yīng)用于模型預(yù)測(cè)，則無(wú)法獲得準(zhǔn)確穩(wěn)定的預(yù)測(cè)值[20]，因此，在風(fēng)速預(yù)測(cè)中，時(shí)間序列分解(time series decomposition，TSD)方法等數(shù)據(jù)預(yù)處理方法越來(lái)越受到研究者的重視[21]。例如，經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition，EMD)[22]和集成經(jīng)驗(yàn)?zāi)B(tài)分解(ensemble empirical mode decomposition，EEMD)[23]被研究人員廣泛用于處理原始時(shí)間序列。雖然這兩種數(shù)據(jù)處理方法可以在一定程度上捕捉到風(fēng)速數(shù)據(jù)的有效信息，但仍存在EMD模式混合問(wèn)題、EEMD風(fēng)速數(shù)據(jù)存在殘差噪聲等缺點(diǎn)。EMD和EEMD缺乏嚴(yán)格的數(shù)學(xué)理論[24]，針對(duì)這些方法的不足，本文采用變分模態(tài)分解(variational mode decomposition-wavelet transform，VMD)[25]方法對(duì)風(fēng)速序列進(jìn)行處理，獲取有效信息，減少不確定性。

VMD利用固有模態(tài)函數(shù)(intrinsic mode function，IMF)將信號(hào)分解為K個(gè)固有模態(tài)，提取相應(yīng)IMF的中心頻率，使得模態(tài)uk在中心頻率ωk附近波動(dòng)。VMD算法可分為構(gòu)造變分問(wèn)題和求解變分問(wèn)題兩個(gè)過(guò)程。VMD分解原始信號(hào)時(shí)，變分問(wèn)題可表示為

(1)

式中，K為需要分解的模態(tài)總數(shù)量；uk(t)為第k個(gè)模態(tài)分量函數(shù)；ωk為第k個(gè)模態(tài)分量的中心頻率；f(t)為原始輸入信號(hào)；δ(t)為單位脈沖函數(shù)；t為時(shí)間；*為卷積運(yùn)算符。

通過(guò)引入懲罰因子α和拉格朗日乘子λ(t)，將約束變分問(wèn)題轉(zhuǎn)化為無(wú)約束變分問(wèn)題：

L({uk},{ωk},λ)=

(2)

其中，{uk}={u1，u2,…,uK}，表示分解得到的K個(gè)模態(tài)分量，{ωk}={ω1,ω2,…,ωK}，表示各模態(tài)分量的中心頻率。采用交替乘法求解無(wú)約束變分問(wèn)題，即通過(guò)交替更新uk、ωk和λ，得到擴(kuò)展拉格朗日表達(dá)式的最小值。uk、ωk和λ的表達(dá)式如下：

(3)

(4)

(5)

VMD首先根據(jù)原始信號(hào)的特征劃分頻帶，然后對(duì)每個(gè)IMF及其對(duì)應(yīng)的中心頻率進(jìn)行連續(xù)更新，最后根據(jù)約束條件實(shí)現(xiàn)原始信號(hào)的自適應(yīng)分解。

1.2 CNNGRU網(wǎng)絡(luò)

由VMD得到的風(fēng)速時(shí)間序列的主趨勢(shì)分量不僅具有長(zhǎng)短期時(shí)間的相關(guān)性，而且具有風(fēng)速變化規(guī)律的深層隱含特征。為預(yù)測(cè)主趨勢(shì)分量，設(shè)計(jì)了CNNGRU網(wǎng)絡(luò)。在CNNGRU網(wǎng)絡(luò)中，卷積層用于捕獲深度特征，而GRU層用于獲取長(zhǎng)-短時(shí)間依賴關(guān)系。

卷積層利用過(guò)濾器自動(dòng)提取特征，本文設(shè)計(jì)的卷積層一共包括兩層卷積，第一層為4個(gè)大小為3×1的卷積核，第二層為36個(gè)大小為3×1的卷積核。對(duì)于相同的卷積層，神經(jīng)元之間不存在連接，權(quán)值可以共享。在正向傳播階段，每個(gè)卷積層對(duì)前一層的輸出進(jìn)行函數(shù)激活和卷積運(yùn)算。

卷積的最后輸出層(X1，X2，…，XC)作為GRU的輸入，每一個(gè)Xc都包含一個(gè)向量，其數(shù)量與卷積層的最后一層輸出相同。此外，以序列(Y1，Y2，…，YC)為訓(xùn)練標(biāo)簽，表示風(fēng)速序列的主要趨勢(shì)分量。GRU采用遞歸網(wǎng)絡(luò)單元從c=1到c=C逐步映射輸入與輸出關(guān)系。在第C步GRU單元的激活計(jì)算過(guò)程參考文獻(xiàn)[25]。在本研究中，采用Adam算法[26]作為優(yōu)化函數(shù)。

1.3 Elman神經(jīng)網(wǎng)絡(luò)

具有前饋連接結(jié)構(gòu)的Elman神經(jīng)網(wǎng)絡(luò)是一種簡(jiǎn)單的循環(huán)遞歸神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)模型。它可以存儲(chǔ)來(lái)自隱含層的輸出信息，并在下一次迭代中轉(zhuǎn)發(fā)之前的狀態(tài)，因此具有快速存儲(chǔ)短期時(shí)間序列中所包含信息的特點(diǎn)[27]。由于風(fēng)速時(shí)間序列往往具有短期依賴性，因此Elman神經(jīng)網(wǎng)絡(luò)是風(fēng)速預(yù)測(cè)的良好選擇。

1.4 GARCH模型

(6)

(7)

(8)

式中，εt為白噪聲序列;δt為條件方差；ηl、ζm為負(fù)時(shí)變系數(shù)。

由于風(fēng)速誤差ξt(式(7))具有時(shí)變性，且其條件方差滿足式(8)，因此誤差ξt符合GARCH(p,q)模型要求。

拉格朗日乘子(Lagrange multiplier，LM)統(tǒng)計(jì)量如下：

λ=br2～χ2(q)

(9)

其中，b表示樣本數(shù)量，r2表示擬合度,χ2表示卡方分布函數(shù)。采用拉格朗日乘子λ確定是否有必要建立GARCH模型。如果λ值大于χ2(q)，則采用GARCH模型修正預(yù)測(cè)結(jié)果。在本研究中，利用標(biāo)準(zhǔn)GARCH(1,1)模型修正預(yù)測(cè)結(jié)果。

2 風(fēng)速預(yù)測(cè)過(guò)程

2.1 數(shù)據(jù)分析

選取中國(guó)新疆某風(fēng)場(chǎng)的歷史風(fēng)速數(shù)據(jù)作為案例分析的對(duì)象，其中包括3組2.0 MW風(fēng)電機(jī)組SCADA系統(tǒng)的歷史風(fēng)速數(shù)據(jù)和同一時(shí)期的風(fēng)場(chǎng)NWP風(fēng)速數(shù)據(jù)。數(shù)據(jù)集1為2018年11月份70 m高空NWP風(fēng)速序列和13號(hào)機(jī)組SCADA系統(tǒng)記錄的10 min平均風(fēng)速序列；數(shù)據(jù)集2為2018年10月份70 m高空NWP風(fēng)速序列和22號(hào)機(jī)組SCADA系統(tǒng)記錄的10 min平均風(fēng)速序列；數(shù)據(jù)集3為2018年1月份70 m高空NWP風(fēng)速序列和4號(hào)機(jī)組SCADA系統(tǒng)記錄的10 min平均風(fēng)速序列，每組風(fēng)速序列包括3000個(gè)樣本。

2.2 建模過(guò)程

提出一種將統(tǒng)計(jì)預(yù)測(cè)法和NWP模型輸出集成到一個(gè)統(tǒng)一框架中的風(fēng)速預(yù)測(cè)與誤差修正策略。風(fēng)速預(yù)測(cè)模型的建立主要分為數(shù)據(jù)處理、組合模型的建立和風(fēng)速預(yù)測(cè)的有效性驗(yàn)證三個(gè)部分。本文以數(shù)據(jù)集1為例詳細(xì)介紹這三部分的實(shí)現(xiàn)過(guò)程。組合預(yù)測(cè)模型的整個(gè)架構(gòu)如圖1所示。

圖1 組合預(yù)測(cè)模型架構(gòu)Fig.1 Framework of combined forecasting model

風(fēng)速數(shù)據(jù)處理過(guò)程如下。

(1)采用VMD將 SCADA系統(tǒng)記錄的歷史風(fēng)速序列分解為多個(gè)不同頻帶的子序列，如圖2所示。趨勢(shì)項(xiàng)包含長(zhǎng)短期依賴關(guān)系，細(xì)節(jié)項(xiàng)子序列包含風(fēng)速短期相關(guān)性。由于所有固有模態(tài)函數(shù)相加所得結(jié)果與原始信號(hào)之間存在誤差，本文提取了VMD算法的誤差序列，記作ER。

(a)IMF5風(fēng)速

(2)對(duì)每個(gè)子序列樣本進(jìn)行熵值計(jì)算，計(jì)算結(jié)果如表1所示。熵值越大，序列混亂程度越高。采用VMD算法分解原始信號(hào)時(shí)，需要設(shè)定帶寬參數(shù)，本文通過(guò)對(duì)比各模態(tài)分量的熵值，得知當(dāng)帶寬參數(shù)設(shè)定為3830時(shí)，分解所得各子序列熵值之和小于原始風(fēng)速序列熵值，且子序列樣本熵值呈均勻遞減趨勢(shì)，能夠更好地區(qū)分各子序列。

表1 VMD分解后的各子序列樣本熵值Tab.1 Sample entropy of each subsequence in VMD decomposition

風(fēng)速預(yù)測(cè)組合模型建模過(guò)程如下。

(1)分別建立各IMF子序列的預(yù)測(cè)模型。趨勢(shì)項(xiàng)為低頻非線性序列，其變化趨勢(shì)不僅依賴于風(fēng)速的短期變化，而且與風(fēng)速的長(zhǎng)期變化規(guī)律緊密相關(guān)。為了提取風(fēng)速序列變化的深層特征，準(zhǔn)確預(yù)測(cè)風(fēng)速序列變化趨勢(shì)，基于趨勢(shì)項(xiàng)的主成分建立CNNGRU網(wǎng)絡(luò)，數(shù)據(jù)集中SCADA風(fēng)速序列的前2000個(gè)數(shù)據(jù)作為訓(xùn)練集，后1000個(gè)數(shù)據(jù)作為測(cè)試集。2018年11月1日至2018年11月30日期間13號(hào)機(jī)組輪轂處風(fēng)速時(shí)間序列趨勢(shì)項(xiàng)的特征提取結(jié)果如圖3所示。其余各子序列表征SCADA風(fēng)速變化的詳細(xì)過(guò)程，其變化依賴于短時(shí)間內(nèi)風(fēng)速序列所包含的信息，因此針對(duì)其余各子序列分別建立Elman神經(jīng)網(wǎng)絡(luò)，預(yù)測(cè)各子序列的變化。由于各模態(tài)分量相加所得結(jié)果與原始風(fēng)速信號(hào)之間存在誤差，因此擬合ER序列的概率分布，得知誤差序列符合正態(tài)分布，并計(jì)算其分位數(shù)，得到90%置信度時(shí)ER序列的分位數(shù)為1.2711，70%置信度時(shí)ER序列的分位數(shù)為0.5204。

圖3 低頻序列的特征提取Fig.3 Feature extraction of low frequency sequence

(2)考慮導(dǎo)致風(fēng)速預(yù)測(cè)效果變差的原因是風(fēng)速在某一時(shí)刻變化趨勢(shì)發(fā)生突變，即風(fēng)速由上升變?yōu)橄陆祷蚍粗党叨群蟮腘WP風(fēng)速數(shù)據(jù)在一定程度上可以對(duì)實(shí)際風(fēng)速的突變拐點(diǎn)進(jìn)行有效預(yù)測(cè)[29]。基于NWP風(fēng)速序列和目標(biāo)風(fēng)電機(jī)組SCADA實(shí)測(cè)風(fēng)速序列，建立數(shù)據(jù)集1的NWP風(fēng)速的SVR回歸模型，如圖4所示。利用降尺度模型對(duì)NWP風(fēng)速進(jìn)行降尺度計(jì)算，將風(fēng)電場(chǎng)范圍內(nèi)的大尺度NWP風(fēng)速映射為目標(biāo)風(fēng)力發(fā)電機(jī)輪轂處的風(fēng)速。

圖4 NWP風(fēng)速降尺度模型Fig.4 Downscaling model of NWP wind speed

2.3 驗(yàn)證預(yù)測(cè)效果

(1)確定性預(yù)測(cè)結(jié)果的評(píng)價(jià)。選取平均絕對(duì)誤差(mean absolute error，MAE)、均方誤差(mean square error，MSE)、平均絕對(duì)百分比誤差(mean absolute percentage error，MAPE)作為誤差評(píng)價(jià)指標(biāo)，預(yù)測(cè)誤差的范圍、平均值和標(biāo)準(zhǔn)差作為穩(wěn)定性指標(biāo)。MAE、MSE、MAPE的值越小，預(yù)測(cè)的精度越高。通過(guò)上述各個(gè)指標(biāo)對(duì)各預(yù)測(cè)模型性能進(jìn)行對(duì)比。計(jì)算公式如下：

(10)

(2)不確定性預(yù)測(cè)評(píng)價(jià)。根據(jù)預(yù)測(cè)區(qū)間的直徑和實(shí)際值的覆蓋率，可以評(píng)估區(qū)間預(yù)測(cè)的效果。覆蓋范圍越大，區(qū)間預(yù)測(cè)的可靠性越高。間隔寬度越小，靈敏度越高。計(jì)算區(qū)間直徑和覆蓋率的計(jì)算公式如下：

(11)

(12)

3 結(jié)果分析與對(duì)比

3.1 確定性風(fēng)速預(yù)測(cè)

為驗(yàn)證該模型的預(yù)測(cè)性能，將該模型應(yīng)用于3個(gè)數(shù)據(jù)集進(jìn)行測(cè)試并將所提出的混合模型(VMD-CNNGRU-Elman-NWPE)與其他6個(gè)模型的預(yù)測(cè)結(jié)果作對(duì)比。涉及的模型包括持續(xù)法(autoregressive integrated moving average，ARIMA)模型、Elman模型、CNNGRU模型、VMD-Elman模型、VMD-CNNGRU-Elman模型、VMD-CNNGRU-Elman-E模型和VMD-CNNGRU-Elman-NWPE模型。各模型在3個(gè)數(shù)據(jù)集上的評(píng)價(jià)指標(biāo)結(jié)果如表2所示。

在數(shù)據(jù)集1和數(shù)據(jù)集3中，由于未來(lái)6 h內(nèi)SCADA風(fēng)速與降尺度后的NWP風(fēng)速有共同風(fēng)速拐點(diǎn)，故在共同拐點(diǎn)處以NWP風(fēng)速拐點(diǎn)為依據(jù)進(jìn)行風(fēng)速修正，由表2評(píng)價(jià)指標(biāo)結(jié)果可知，VMD-CNNGRU-Elman-NWPE組合預(yù)測(cè)模型在短期風(fēng)速預(yù)測(cè)中表現(xiàn)良好，具有更高的預(yù)測(cè)精度；數(shù)據(jù)集2在未來(lái)6 h內(nèi)SCADA風(fēng)速與降尺度后的NWP風(fēng)速?zèng)]有共同風(fēng)速拐點(diǎn)，修正結(jié)果與初步預(yù)測(cè)結(jié)果相同，即VMD-CNNGRU-Elman-NWPE與VMD-CNNGRU-Elman-E組合預(yù)測(cè)模型的精度相同。

表2 各模型在3個(gè)數(shù)據(jù)集上的評(píng)價(jià)指標(biāo)結(jié)果Tab.2 Evaluation index results of each model in three datasets

由于風(fēng)電場(chǎng)中風(fēng)資源的不確定性、數(shù)據(jù)采集系統(tǒng)的固有測(cè)量誤差及現(xiàn)有的流場(chǎng)模型參數(shù)設(shè)置誤差等不可避免的影響因素，使得預(yù)測(cè)風(fēng)速與實(shí)際風(fēng)速之間必然存在偏差，本文所提VMD-CNNGRU-Elman-NWPE組合模型綜合考慮風(fēng)速變化趨勢(shì)的深層特征提取與拐點(diǎn)處誤差修正策略，預(yù)測(cè)偏差在3.85%以內(nèi)。通過(guò)對(duì)比圖5～圖7中各模型的預(yù)測(cè)結(jié)果可知，所提模型提高了預(yù)測(cè)精度，適用于風(fēng)速驟變情況下的短期風(fēng)速預(yù)測(cè)。

圖5 數(shù)據(jù)集1的確定性預(yù)測(cè)結(jié)果Fig.5 Deterministic prediction results of dataset 1

圖6 數(shù)據(jù)集2的確定性預(yù)測(cè)結(jié)果Fig.6 Deterministic prediction results of dataset 2

圖7 數(shù)據(jù)集3的確定性預(yù)測(cè)結(jié)果Fig.7 Deterministic prediction results of dataset 3

3.2 不確定性風(fēng)速預(yù)測(cè)

本文給出以數(shù)據(jù)集1為研究對(duì)象的不同置信水平(70%，90%)下風(fēng)速區(qū)間預(yù)測(cè)結(jié)果，如圖8所示。從圖8中可以看出風(fēng)速預(yù)測(cè)的90%置信度區(qū)間寬度大于70%置信度區(qū)間寬度，風(fēng)速實(shí)際值大部分落在90%置信度區(qū)間內(nèi)，少部分落在70%置信度區(qū)間外，不確定性預(yù)測(cè)結(jié)果符合概率統(tǒng)計(jì)規(guī)律，滿足實(shí)際情況。

圖8 數(shù)據(jù)集1的區(qū)間預(yù)測(cè)結(jié)果Fig.8 Interval prediction results of dataset 1

表3反映了三個(gè)風(fēng)速數(shù)據(jù)集上區(qū)間預(yù)測(cè)的覆蓋率和寬度。隨著置信度的降低，置信區(qū)間寬度和覆蓋率也隨之降低，表明預(yù)測(cè)結(jié)果符合統(tǒng)計(jì)規(guī)律且具有準(zhǔn)確性，進(jìn)一步說(shuō)明本文所提VMD-CNNGRU-Elman-NWPE模型可實(shí)現(xiàn)短期內(nèi)風(fēng)速區(qū)間的預(yù)測(cè)。

表3 三個(gè)數(shù)據(jù)集上預(yù)測(cè)區(qū)間的寬度和覆蓋率Tab.3 The width and coverage of prediction intervals on three datasets

4 結(jié)論

(1)基于實(shí)驗(yàn)數(shù)據(jù)，采用變分模態(tài)分解(VMD)算法將監(jiān)控與數(shù)據(jù)采集(SCADA)系統(tǒng)采集的風(fēng)速分解為趨勢(shì)項(xiàng)和細(xì)節(jié)項(xiàng)。建立CNNGRU模型和Elman模型分別對(duì)趨勢(shì)項(xiàng)和細(xì)節(jié)項(xiàng)進(jìn)行預(yù)測(cè)，概率擬合誤差部分符合正態(tài)分布。對(duì)上述三個(gè)部分進(jìn)行重構(gòu)，得到初步風(fēng)速預(yù)測(cè)結(jié)果?；跀?shù)值氣象預(yù)報(bào)(NWP)風(fēng)速降尺度模型和廣義自回歸條件異方差(GARCH)模型的誤差修正模型對(duì)預(yù)測(cè)誤差進(jìn)行了修正。

(2)將本文所提組合模型VMD-CNNGRU-Elman-NWPE與ARIMA模型、Elman模型、CNNGRU模型、VMD-Elman模型、VMD-CNNGRU-Elman模型、VMD-CNNGRU-Elman-E模型進(jìn)行對(duì)比，結(jié)果驗(yàn)證了本文模型的有效性和優(yōu)越性。

(3)該方法可用于風(fēng)速的確定性預(yù)測(cè)和不確定性預(yù)測(cè)。確定性預(yù)測(cè)結(jié)果具有較高的預(yù)測(cè)精度和較強(qiáng)的穩(wěn)定性，尤其在風(fēng)速驟變時(shí)具有較好的預(yù)測(cè)效果；不確定性預(yù)測(cè)結(jié)果具有較高的可信度，為風(fēng)電機(jī)組運(yùn)行可靠性評(píng)估提供了可靠依據(jù)，有助于保證風(fēng)電系統(tǒng)的穩(wěn)定性。