陳金車，蘇士翔，蔣 強(qiáng)

（蘭州大學(xué) 大氣科學(xué)學(xué)院，甘肅 蘭州 730000）

風(fēng)能是一種清潔能源，如果在風(fēng)力發(fā)電方面得到高效利用，將極大地推動(dòng)社會(huì)經(jīng)濟(jì)的發(fā)展。早在1985年Bossanyi E A[1]就通過(guò)卡爾曼濾波預(yù)報(bào)了風(fēng)速；后來(lái)隨著人工智能的發(fā)展，李大中[2]結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)了風(fēng)速，發(fā)現(xiàn)準(zhǔn)確性更高。風(fēng)電功率反映著風(fēng)電廠的供電能力及穩(wěn)定性，它會(huì)隨著風(fēng)速的大小不斷變化，當(dāng)其異常波動(dòng)時(shí)，人們的生產(chǎn)生活會(huì)受到影響。因此，風(fēng)電功率大小的模擬就顯得很重要。人工智能算法近些年在環(huán)境和氣象等領(lǐng)域取得了不錯(cuò)的發(fā)展[3-6]。周永生[7]采用長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM，Long Short-Term Memory）創(chuàng)新了預(yù)測(cè)PM2.5濃度的方法；孫全德[8]等人通過(guò)人工智能算法對(duì)數(shù)值天氣預(yù)測(cè)模式ECMWF對(duì)于華北地區(qū)10m風(fēng)速的預(yù)測(cè)結(jié)果做了訂正。隨著經(jīng)濟(jì)社會(huì)的不斷發(fā)展，風(fēng)力發(fā)電技術(shù)開始扮演著愈來(lái)愈重要的角色。然而，利用風(fēng)功率曲線計(jì)算得到的風(fēng)電功率誤差較大，這是由于在計(jì)算過(guò)程中只考慮了風(fēng)速，而忽略了其它氣象因子可能會(huì)對(duì)風(fēng)電功率產(chǎn)生的影響。例如，溫度雖然不能直接影響風(fēng)電功率，但是可以通過(guò)影響風(fēng)速間接對(duì)風(fēng)電功率產(chǎn)生影響。因此，本文引入差分進(jìn)化算法（DE，Differential Evolution Algorithm） 和遺傳算法 （GA，Genetic Algo rithm）以及BP、LSTM和隨機(jī)森林（RF）模型，以包括風(fēng)速、風(fēng)向和溫度在內(nèi)的氣象數(shù)據(jù)作為自變量輸入模型對(duì)風(fēng)電場(chǎng)的風(fēng)力發(fā)電功率進(jìn)行了模擬，從而達(dá)到更精確計(jì)算風(fēng)電功率的目的，給電力部門制定發(fā)電計(jì)劃提供參考。

1 資料與方法

1.1 數(shù)據(jù)來(lái)源

風(fēng)電功率數(shù)據(jù)和氣象數(shù)據(jù)來(lái)源于華家?guī)X風(fēng)力發(fā)電廠，共計(jì)兩年時(shí)間的風(fēng)力發(fā)電功率數(shù)據(jù)和風(fēng)速、風(fēng)向以及溫度數(shù)據(jù)，時(shí)間段為北京時(shí)間2017-01-01 00：00至2018-12-31 23：00，時(shí)間間隔為15min一次。采用線性插值的方法對(duì)殘缺的風(fēng)電功率數(shù)值和氣象數(shù)值進(jìn)行補(bǔ)齊。

1.2 方法

BP神經(jīng)網(wǎng)絡(luò)[9]是使用范圍最廣的一種神經(jīng)網(wǎng)絡(luò)模型，在這種模型中，誤差是反向傳播的；LSTM[10]是被瑞士科學(xué)家Schmidhuber提出的，它能將重要內(nèi)容記住，將不重要內(nèi)容忽略；RF[11]是由美國(guó)Leo Breiman教授提出的，對(duì)于回歸問(wèn)題，采用最小方均差原則將每棵決策樹的模擬結(jié)果匯總，然后取均值得到最終結(jié)果。本文以2017-01-01 00：00 至2018-12-31 23：00 的風(fēng)電功率及氣象數(shù)據(jù)為基礎(chǔ)，選取2017-12-05 09：45至2017-12-07 04：00的數(shù)據(jù)用來(lái)進(jìn)行風(fēng)電功率的模擬，前90%的數(shù)據(jù)（153條）用來(lái)訓(xùn)練，后10%的數(shù)據(jù)（17條）用來(lái)測(cè)試。用平均絕對(duì)誤差（MAE）和均方根誤差（RMSE）來(lái)檢驗(yàn)?zāi)M效果，其計(jì)算方法如公式（1）和（2）所示，其中，Yi為模擬值，yi為實(shí)際值。

2 研究結(jié)果與分析

風(fēng)電功率的模擬結(jié)果：圖 1（a）-1（e）分別表示傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)、經(jīng)差分算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)、經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)、LSTM和RF模擬結(jié)果的絕對(duì)誤差以及風(fēng)電功率隨時(shí)間的變化。從圖中可以看出，幾種模型模擬值的曲線都能較好地反映真實(shí)值的變化趨勢(shì)和走向，而圖1（b）-1（e）中模擬值與真實(shí)值的接近程度較圖1（a）更強(qiáng)。傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)對(duì)于風(fēng)電功率模擬結(jié)果的絕對(duì)誤差范圍在0～150MW，絕對(duì)誤差的中值為40.3MW。經(jīng)差分算法和遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)以及LSTM和RF分別可以使得模擬結(jié)果絕對(duì)誤差的范圍降至 0～93MW、0～69MW、0～81MW 和 0～59MW，絕對(duì)誤差的中值也都被降低至25MW以下。特別是經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)，更是將絕對(duì)誤差的中值從40.3MW降低至了11.3MW，對(duì)00：15這個(gè)采樣點(diǎn)的風(fēng)電功率值模擬最為準(zhǔn)確，模擬值僅僅比真實(shí)值高出了0.3MW，模擬準(zhǔn)確率接近100%，模擬效果最差的采樣點(diǎn)為02：00，真實(shí)值為140.2MW，模擬值為191MW，模擬誤差為50.8MW，模擬準(zhǔn)確率為73.4%。在這幾種模型中，LSTM的表現(xiàn)最為穩(wěn)定，雖然其模擬結(jié)果的平均絕對(duì)誤差（MW）略大于經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)和RF，但其在各個(gè)采樣點(diǎn)上模擬結(jié)果的準(zhǔn)確率變化幅度不大，全部維持在80%以上，模擬準(zhǔn)確率最高的采樣點(diǎn)為00：00，模擬值僅比真實(shí)值低了1.4MW，模擬準(zhǔn)確率高達(dá)99.7%?？偟膩?lái)說(shuō)，不管是經(jīng)差分算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)和經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)，還是LSTM和RF，模擬性能相比于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)都有明顯提升，模擬曲線能夠很好地反映出風(fēng)電功率的大小及變化態(tài)勢(shì)。其中，經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)可以使模擬結(jié)果的平均絕對(duì)誤差（MW）減至最小，而LSTM模擬性能則更穩(wěn)定，模擬效果最差采樣點(diǎn)的模擬準(zhǔn)確率都達(dá)到了83.0%。

風(fēng)電功率模擬結(jié)果的誤差分布如表1所示，經(jīng)差分算法優(yōu)化和遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)以及LSTM和RF對(duì)風(fēng)電功率的模擬明顯優(yōu)于傳統(tǒng)的BP模型，準(zhǔn)確率分別提高了2.1%、5.5%、4.1%和3.6%。對(duì)于最大功率點(diǎn)的模擬而言，5種方法均表現(xiàn)出了優(yōu)異的模擬性能，準(zhǔn)確率都保持在90%以上。對(duì)于最小功率點(diǎn)的模擬而言，BP模型的模擬值為0MW，而該點(diǎn)的實(shí)際觀測(cè)功率值為64.8MW。根據(jù)國(guó)家能源局西北監(jiān)管局印發(fā)的《西北區(qū)域發(fā)電廠并網(wǎng)運(yùn)行管理實(shí)施細(xì)則》及《西北區(qū)域并網(wǎng)發(fā)電廠輔助服務(wù)管理實(shí)施細(xì)則》的規(guī)定，對(duì)于風(fēng)力發(fā)電功率的模擬，當(dāng)模擬值為0時(shí)，當(dāng)風(fēng)電功率的實(shí)際觀測(cè)值在裝機(jī)容量的3%以內(nèi)，則不予考核；當(dāng)風(fēng)電功率的實(shí)際觀測(cè)值超過(guò)裝機(jī)容量的3%時(shí)，誤差值按100%計(jì)算。因此BP模型對(duì)小功率點(diǎn)的模擬無(wú)法滿足要求，經(jīng)差分算法優(yōu)化的BP模型以及RF模型雖然使得最小功率點(diǎn)的模擬準(zhǔn)確率提高至了56.5%和58.8%，但準(zhǔn)確率仍然較低，而經(jīng)遺傳算法優(yōu)化的BP模型以及LSTM模型可以使得最小功率點(diǎn)的模擬準(zhǔn)確率提高至80%以上，改善了傳統(tǒng)BP模型對(duì)小功率點(diǎn)模擬性能不佳的問(wèn)題。

3 結(jié)論

本文利用BP神經(jīng)網(wǎng)絡(luò)、經(jīng)差分算法優(yōu)化的BP網(wǎng)絡(luò)、經(jīng)遺傳算法優(yōu)化的BP網(wǎng)絡(luò)、LSTM與RF等多種人工智能算法，基于風(fēng)電場(chǎng)的氣象數(shù)據(jù)對(duì)風(fēng)電功率進(jìn)行了模擬，并對(duì)模擬結(jié)果的誤差進(jìn)行對(duì)比分析，評(píng)價(jià)不同模型的模擬性能。

（1）對(duì)于風(fēng)電功率的模擬而言，BP模型模擬結(jié)果的平均絕對(duì)誤差為47.0MW，模擬值與實(shí)際觀測(cè)值之間有良好的線性對(duì)應(yīng)關(guān)系，但對(duì)小功率點(diǎn)的模擬效果欠佳，在各個(gè)方面還有較大的提升空間。

（2）經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)和LSTM可以克服傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)對(duì)小功率點(diǎn)模擬效果不佳的問(wèn)題。在這幾種人工智能算法中，LSTM模型對(duì)所有采樣點(diǎn)的模擬準(zhǔn)確率均達(dá)到了80%以上，表現(xiàn)最穩(wěn)定。