趙冬梅,杜剛,劉鑫,吳志強,李超
(1. 華北電力大學(xué)電氣與電子工程學(xué)院,北京市昌平區(qū) 102206;2. 國網(wǎng)吉林省電力有限公司長春供電公司,吉林省長春市 130000;3. 國網(wǎng)吉林省電力有限公司培訓(xùn)中心,吉林省長春市 130000)
近年來,以風(fēng)力發(fā)電、光伏發(fā)電為代表的可再生能源發(fā)電裝機容量在電力系統(tǒng)中的占比持續(xù)提高。風(fēng)電具有隨機性強、間歇性明顯、波動幅度大、波動頻率無規(guī)律性、反調(diào)峰等特性。這些不確定性因素增加了電網(wǎng)穩(wěn)定運行的潛在風(fēng)險及電網(wǎng)調(diào)峰的難度[1]。只有風(fēng)電功率預(yù)測精度達(dá)到電網(wǎng)考核標(biāo)準(zhǔn),電網(wǎng)調(diào)度人員才可依據(jù)風(fēng)電預(yù)測結(jié)果制定合理的發(fā)電計劃,削減電力系統(tǒng)為保障可靠供電所預(yù)留的周轉(zhuǎn)備用容量,促進(jìn)電網(wǎng)安全、經(jīng)濟(jì)運行。從風(fēng)電場層面考慮,風(fēng)電功率預(yù)測有助于合理安排檢修計劃、增加運營效益。然而受限于風(fēng)電功率預(yù)測技術(shù),面對復(fù)雜區(qū)域風(fēng)電功率波動較大的風(fēng)電場,風(fēng)電功率預(yù)測精度無法達(dá)到電網(wǎng)的考核標(biāo)準(zhǔn),導(dǎo)致風(fēng)電場棄風(fēng)現(xiàn)象頻發(fā)。因此構(gòu)建高精度的風(fēng)電功率預(yù)測系統(tǒng)對新能源企業(yè)合理運營風(fēng)電場具有重要意義。
風(fēng)電功率時序數(shù)據(jù)屬于非平穩(wěn)性序列,難以捕捉其變化特征及時間序列中的自相關(guān)性。因此,直接針對風(fēng)電功率時序數(shù)據(jù)進(jìn)行預(yù)測,預(yù)測結(jié)果并不理想。對此,文獻(xiàn)[2]利用小波變換理論對風(fēng)速時序數(shù)據(jù)先進(jìn)行分解,再采用Elman 神經(jīng)網(wǎng)絡(luò)針對不同頻段數(shù)據(jù)分別搭建預(yù)測模型。利用小波變換理論分解風(fēng)電時序數(shù)據(jù)的要點是尋找小波函數(shù),但是基波需要人為選擇,因此基于小波變換理論的分解結(jié)果客觀性不足;文獻(xiàn)[3]將風(fēng)電功率時序數(shù)據(jù)先進(jìn)行經(jīng)驗?zāi)B(tài)分解,再利用集對分析理論針對不同分量分別預(yù)測。但采用經(jīng)驗?zāi)B(tài)技術(shù)分解風(fēng)電功率時序數(shù)據(jù)不可避免地存在模式混疊現(xiàn)象、端點效應(yīng)及終止條件難以判定等缺陷。為了解決經(jīng)驗?zāi)B(tài)分解中存在的模態(tài)混疊等問題,文獻(xiàn)[4]引入集合經(jīng)驗?zāi)B(tài)分解將高斯白噪聲引入風(fēng)電功率時序數(shù)據(jù)中進(jìn)行輔助分析,但隨著加入噪聲的不同,可能會產(chǎn)生不同數(shù)量的模式,需要對不同階的本征模函數(shù)(intrinsicmode function, IMF)進(jìn)行平均運算,最終導(dǎo)致虛假分量的產(chǎn)生,影響后續(xù)規(guī)律分析及特征提取,且重構(gòu)序列包含殘余噪聲;文獻(xiàn)[5]采用變分模態(tài)分解法對風(fēng)電功率時序數(shù)據(jù)進(jìn)行分解,再針對不同的分量進(jìn)行預(yù)測。相較于經(jīng)驗?zāi)B(tài)分解,變分模態(tài)分解可以有效地克服經(jīng)驗?zāi)B(tài)分解中產(chǎn)生的模式混疊現(xiàn)象及端點效應(yīng)。但變分模態(tài)分解存在邊界效應(yīng)和突發(fā)信號的局限性問題,且變分模態(tài)分解法需要人為設(shè)定模態(tài)數(shù)K。
此外,國內(nèi)外眾多專家學(xué)者針對風(fēng)電功率預(yù)測模型的研究已開展了大量的工作。依據(jù)時間尺度的不同,風(fēng)電功率預(yù)測模型可分為中長期預(yù)測、短期預(yù)測及超短期預(yù)測;依據(jù)空間尺度的不同,可分為單機預(yù)測、單風(fēng)電場預(yù)測及風(fēng)電場集群預(yù)測;依據(jù)采用數(shù)據(jù)來源的不同,可分為物理方法(間接預(yù)測法)和統(tǒng)計學(xué)習(xí)方法(直接預(yù)測法);依據(jù)數(shù)學(xué)模型的不同,可分為持續(xù)法、時間序列法、卡爾曼濾波、人工智能法及模型融合法等;依據(jù)預(yù)測結(jié)果的不同,可分為點預(yù)測、概率預(yù)測及風(fēng)電爬坡預(yù)測,其中概率預(yù)測又可分為區(qū)間預(yù)測和概率密度預(yù)測[6]。
風(fēng)電功率與風(fēng)速等氣象數(shù)據(jù)息息相關(guān),采用風(fēng)電功率物理預(yù)測法,需要建立準(zhǔn)確的風(fēng)速-功率曲線模型,利用風(fēng)速數(shù)據(jù)估計未來時段的風(fēng)機出力[7]。但實際中,風(fēng)速數(shù)據(jù)也須通過預(yù)測獲取,這導(dǎo)致風(fēng)電功率物理預(yù)測模型存在二次預(yù)測誤差。同時,雖然風(fēng)速直接影響風(fēng)機出力的大小,但風(fēng)機出力并非僅由風(fēng)速確定。風(fēng)向、濕度、溫度、氣壓、槳距角等因素對于風(fēng)機出力的影響同樣不可忽視。隨著國家對新能源消納的重視,電網(wǎng)對風(fēng)電場上報風(fēng)電功率預(yù)測精度考核標(biāo)準(zhǔn)越來越高,僅考慮單一風(fēng)速而忽略其他相關(guān)因素的風(fēng)電功率物理預(yù)測模型勢必?zé)o法獲得更高精度的預(yù)測結(jié)果。
有別于風(fēng)電功率預(yù)測的物理模型,統(tǒng)計法直接針對風(fēng)電功率時間序列數(shù)據(jù)進(jìn)行分析,并搭建統(tǒng)計學(xué)習(xí)模型。如自回歸移動平均(auto regressive moving average, ARMA)模型、廣義自回歸條件異方差(generalized autoregressive conditional heteroscedasticity, GARCH)模型、模糊模型及灰色理論模型。由于風(fēng)電功率時序數(shù)據(jù)自身固有的不確定性,風(fēng)電功率統(tǒng)計法難以精確掌控未來時段風(fēng)電功率趨勢走向,尤其是針對處于地形相對復(fù)雜區(qū)域的風(fēng)電場進(jìn)行預(yù)測[8]。而利用機器學(xué)習(xí)等人工智能算法構(gòu)建風(fēng)電功率預(yù)測模型具有更好的預(yù)測穩(wěn)定性及預(yù)測精度。反向傳播(back propagation, BP)神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)(radial basis function, RBF)神經(jīng)網(wǎng)絡(luò)、人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN)、支持向量機(support vector machine, SVM)、極限學(xué)習(xí)機(extreme learning machine, ELM)等技術(shù)均被廣泛應(yīng)用到風(fēng)電功率預(yù)測。伴隨著人工智能技術(shù)的發(fā)展,深度學(xué)習(xí)、強化學(xué)習(xí)和集成學(xué)習(xí)等新一代前沿人工智能技術(shù)已在風(fēng)電功率預(yù)測領(lǐng)域嶄露頭角,馬爾科夫決策(Markov decision process, MDP)、隱式馬爾可夫模型(hidden Markov model, HMM)、卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)、循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)、長短期記憶(long short term memory,LSTM)神經(jīng)網(wǎng)絡(luò)、廣義回歸神經(jīng)網(wǎng)絡(luò)(generalized regression neural network, GRNN)及樸素貝葉斯(naive Bayes, NBC)等技術(shù)已逐步應(yīng)用在風(fēng)速預(yù)測、風(fēng)電功率預(yù)測及風(fēng)電爬坡預(yù)測等方面[9-13]。
盡管前沿人工智能算法的應(yīng)用、改進(jìn)與創(chuàng)新為風(fēng)電功率預(yù)測技術(shù)發(fā)展提供了全新的研究導(dǎo)向,但其仍無法突破單一預(yù)測模型在數(shù)據(jù)特征提取、訓(xùn)練數(shù)據(jù)、泛化能力、過擬合或欠擬合等方面的不足。為了彌補單一預(yù)測模型存在的缺陷,本文利用多種時間序列分解及深度學(xué)習(xí)技術(shù),構(gòu)建一種風(fēng)電功率雙層組合預(yù)測模型。
經(jīng)驗?zāi)B(tài)分解可將復(fù)雜的非平穩(wěn)時間序列或數(shù)據(jù)分解為多個頻率各異,且相對平穩(wěn)的 IMF分量[14]。該分解法無須提前假定基函數(shù),而是基于時間序列數(shù)據(jù)本身固有的時間周期特征進(jìn)行分解的一種方法,因此可以應(yīng)用于全部信號分解,尤其是處理非平穩(wěn)性時間序列具有更加凸出的優(yōu)勢。
EMD分解法可將非平穩(wěn)時間序列或數(shù)據(jù)變得相對平穩(wěn),再利用希爾伯特變換獲得具有物理意義的頻率分量。相較于傅里葉變換或小波分解,EMD分解法最大的優(yōu)點在于其能夠克服基函數(shù)無自適應(yīng)性的問題。但高比例待處理的非平穩(wěn)時間序列或數(shù)據(jù)并不是IMF,而是紛繁復(fù)雜的,任何一個時間點的數(shù)據(jù)由多個IMF疊加而成,這也是大多數(shù)時間序列或數(shù)據(jù)無法用希爾伯特變換來表征其頻域特性[15]的原因。但針對時間序列或數(shù)據(jù)使用EMD分解法需滿足以下約束條件:
1)時間序列或數(shù)據(jù)的極值點與零點的個數(shù)差值小于等于1;
2)任何時刻處,上包絡(luò)線與下包絡(luò)線的平均值為零。
變分模態(tài)分解(variational mode decomposition,VMD)的核心思想是構(gòu)建并求解變分問題[16]。VMD需事先假定非平穩(wěn)時間序列或數(shù)據(jù)f被分解為相對平穩(wěn)的k個分量,為確保分解后各模態(tài)分量仍具有中心頻率的有限帶寬,且全部模態(tài)分量帶寬之和最小,需滿足所有模態(tài)之和與原始信號具有相等的約束條件,如下式所示
式中:K為需要分解的模態(tài)個數(shù);{uk}、{wk}分別對應(yīng)分解后第k個模態(tài)分量和中心頻率;δ(t)為狄拉克函數(shù);?為卷積運算符。
為得到式(1)的解,需將變分約束轉(zhuǎn)化為非約束問題。因此,引入拉格朗日乘法算子λ,得到增廣拉格朗日表達(dá)式為
式中:α是二次懲罰因子,具有抑制高斯噪聲干擾的作用。利用交替方向乘子算法(alternating direction multiplier method, ADMM)結(jié)合傅里葉等距變換,優(yōu)化得到各模態(tài)分量和中心頻率,并搜尋增廣拉格朗日函數(shù)的鞍點,交替尋優(yōu)迭代后uk、wk和λ的表達(dá)式如下
式中:γ為噪聲容忍度,以滿足信號分解保真度的要求;和分別ui(t)、f(t)和λ(t)的傅里葉變換。
LSTM神經(jīng)網(wǎng)絡(luò)演化于RNN。LSTM 網(wǎng)絡(luò)由1個輸入層、1個輸出層以及多個隱藏層所組成(隱藏層由記憶元組構(gòu)成)。LSTM的優(yōu)勢在于無需付出過多代價就可自動記憶先前時刻的信息。
如圖1所示:LSTM 元組包含3個門,分別為輸入門、遺忘門和輸出門,3個門控制著元組和網(wǎng)絡(luò)之間的信息流動。LSTM中各門控制機理如下式所示[11]
式中:ft、it、ot分別表示遺忘門、輸入門及輸出門的狀態(tài)信號;gt表示tanh層為新的候選值創(chuàng)建一個向量;ct?1、ct分別表示細(xì)胞的舊狀態(tài)和新狀態(tài);ht表示主線生產(chǎn)輸出;w、wih、wgh、woh分別表示連接隱藏層ht?1的權(quán)重;wfx、wix、wgx、wox分別表示連接輸入信號xt的權(quán)重;bf、bi、bg、bo分別表示偏置項;σ表示sigmoid 激活函數(shù)。
LSTM的核心在于細(xì)胞狀態(tài),用ct來表示。ct的功能在于存儲當(dāng)前LSTM網(wǎng)絡(luò)的狀態(tài)信息,并將其傳遞至下一個LSTM網(wǎng)絡(luò)。即當(dāng)前LSTM接收的信號輸入xt與上一時刻的細(xì)胞狀態(tài)ct?1相互作用生成當(dāng)前ct。ct串聯(lián)整個LSTM網(wǎng)絡(luò),細(xì)胞狀態(tài)貫穿整條鏈,其中只發(fā)生一些小的線性作用。信息流過這條線而不發(fā)生改變是非常容易的。而LSTM采用Sigmoid神經(jīng)網(wǎng)絡(luò)層和逐點相乘器組成門限后,具有剔除或存儲神經(jīng)元狀態(tài)中信息的功能[17]。
如圖1所示,LSTM的遺忘門被用來決斷ct中信息的取舍,它接收ht?1和xt,并且細(xì)胞狀態(tài)ct-1可用0和1來表示,其中1 表示“接受”,0 表示“忽略”。與遺忘門的功能相反,記憶門決定新輸入的信息ht-1和xt中的信息存留,主要包含2部分:第1部分由輸入門的 S 形網(wǎng)絡(luò)層確定需要更新的信息;第2部分由一個tanh形網(wǎng)絡(luò)生成一個新的備選值向量gt,可用來添加ct。將上面的2部分相結(jié)合,就可更新ct。將遺忘門的輸出ft與ct?1相乘來決斷刪除或留存的信息,再將記憶門的輸出與遺忘門決斷后的信息相加獲得ct。故ct包含了當(dāng)前時刻所需剔除t-1時刻的傳遞信息及t時刻從輸入信號得到的新加入的信息it?gt。ct將作為新的細(xì)胞狀態(tài)繼續(xù)傳遞到t+1時刻的LSTM網(wǎng)絡(luò)中[18]。
深度置信網(wǎng)絡(luò)(deep belief network, DBN)是由多層節(jié)點所組成的一種深層概率有向圖網(wǎng)絡(luò)模型。底層網(wǎng)絡(luò)為可觀測變量,而其他層神經(jīng)元節(jié)點為隱含變量。除了頂層連接是無向的,其他各層之間均為有向連接。其主要功能在于利用可視變量,推斷未知變量的狀態(tài),并調(diào)整隱含狀態(tài)以盡可能重構(gòu)出可觀測數(shù)據(jù)[19]。
DBN是由多個受限玻爾茲曼機(restricted Boltzmann machine,RBM) 層疊(堆棧)所構(gòu)成,并采用一種貪心的方式訓(xùn)練。當(dāng)前RBM的隱藏層就是下一個RBM的顯層,即上一個RBM的輸出也是當(dāng)前RBM的輸入。在RBM訓(xùn)練過程中,只有前層RBM訓(xùn)練結(jié)束后,輸出訓(xùn)練結(jié)果作為當(dāng)前RBM的輸入層,當(dāng)前RBM才能開始訓(xùn)練,由此以往,多層RBM由底層向高層逐層訓(xùn)練[20]。如圖2所示,RBM是雙層神經(jīng)網(wǎng)絡(luò),它的第1層是可視層(顯層),即數(shù)據(jù)輸入層;第2層為隱藏層。無論是可視層還是隱藏層,同層神經(jīng)元之間無任何連接,但可視層與隱藏層之間的神經(jīng)元為雙向全連接。
如同普通的玻爾茲曼機,受限玻爾茲曼機也存在能量模型,由能量函數(shù)可獲得其聯(lián)合概率分布,式(5)表征一個RBM的能量
式中:Nv是可視層所包含神經(jīng)元的個數(shù);Nh是隱藏層包含神經(jīng)元的個數(shù);ai是可視層第i個神經(jīng)元的偏置;bj是隱藏層第j個神經(jīng)元的偏置;wij是可視層神經(jīng)元i與隱藏層神經(jīng)元j的權(quán)重。
可視層與隱藏層的聯(lián)合概率分布如式(6)所示
在RBM中,隱藏層神經(jīng)元hj被激活的概率如下式所示
由于可視層與隱藏層存在雙向連接,可視層神經(jīng)元vi同樣可被隱藏層神經(jīng)元激活的概率如下式所示
本文利用DBN構(gòu)造的風(fēng)電功率預(yù)測模型由2層RBM 和1層 BP 所構(gòu)成, 其內(nèi)部構(gòu)造如圖3所示。
DBN訓(xùn)練模型的過程可分為2步。
1)預(yù)訓(xùn)練:每一層RBM需經(jīng)過單獨、無監(jiān)督訓(xùn)練,以保證映射到特征空間的特征向量能夠保存更多的特征信息。
2)微調(diào):BP神經(jīng)網(wǎng)絡(luò)設(shè)置在DBN的尾層,以前一層RBM的輸出結(jié)果作為它的特征向量輸入進(jìn)行有監(jiān)督地訓(xùn)練。由于每層RBM網(wǎng)絡(luò)都是單獨訓(xùn)練,因此每層RBM內(nèi)的權(quán)值只是保證RBM層內(nèi)特征向量映射最優(yōu),而不是針對DBN網(wǎng)絡(luò)最優(yōu)。因此需要將偏差信號由上至下傳遞給各層RBM進(jìn)行修正,進(jìn)而優(yōu)化DBN。
模擬退火(simulated annealing, SA)算法由固體退火原理衍化而來,是一種基于概率的算法。SA是將時變且最終趨于零的概率突跳性賦予搜索過程,進(jìn)而避免陷入局部極小值,并最終趨于全局最優(yōu)的串行結(jié)構(gòu)的優(yōu)化算法[21]。SA主要分為Metropolis算法和退火過程2部分。Metropolis算法就是如何在局部最優(yōu)解的情況下讓其跳出來,是退火的基礎(chǔ)。1953年Metropolis提出重要性采樣方法,即以概率來接受新狀態(tài),而不是使用完全確定的規(guī)則,稱為Metropolis準(zhǔn)則,計算量較低。Metropolis 準(zhǔn)則如式(9)所示
式中:T為溫度;E(xnew)、E(xold)分別為能量的不同狀態(tài)。
模擬退火算法可以分解為解空間、目標(biāo)函數(shù)和初始解3部分。模擬退火算法的基本流程如圖4所示。
極端梯度提升(extreme gradient boost,XGboost)模型是一種特殊的梯度提升決策樹(gradient boost decision tree, GBDT),其本質(zhì)上是基于樹結(jié)構(gòu)并結(jié)合集成學(xué)習(xí)的一種方法,其基礎(chǔ)樹結(jié)構(gòu)為分類回歸樹(classification and regression tree, CART)。
CART是由基于決策樹算法衍化而來,而基于樹的回歸算法又是一種特殊的局部回歸算法,其將一組數(shù)據(jù)分為若干份,并分別建立模型。基于樹的回歸算法屬于基于參數(shù)學(xué)習(xí)算法,采用訓(xùn)練數(shù)據(jù)確定訓(xùn)練模型的參數(shù)后就固定不變[22]。
XGBoost是由K個CART組成的一個加法運算式。將其目標(biāo)函數(shù)定義為目標(biāo)損失與正則項之和。其中,目標(biāo)損失項衡量預(yù)測值與真實值的差異。正則項控制樹的復(fù)雜度。由于樹的葉子節(jié)點個數(shù)和葉子節(jié)點權(quán)重的正則,降低了模型的偏差,使學(xué)習(xí)出來的模型更加簡單,防止過擬合[23]。如式(10)所示
式中:L(θ)是 樣本擬合的損失函數(shù); Ω(θ)表示模型復(fù)雜度的懲罰項;表示樣本的預(yù)測值。
為避免單一分解方法及預(yù)測模型的缺陷,本文分別使用EMD、VMD不同的分解技術(shù)將非平穩(wěn)性的風(fēng)電功率時間序列分解成相對穩(wěn)定的模態(tài)分量,分別對不同模態(tài)分量進(jìn)行預(yù)測,以彌補采用單一分解方法的不足。其次,采用不同的機器學(xué)習(xí)算法LSTM及DBN,構(gòu)建EMD-LSTM及VMD-DBN預(yù)測模型。并采用SA對DBN進(jìn)行參數(shù)優(yōu)化,以提高DBN參數(shù)精度,避免陷入局部極值。多種分解方法與預(yù)測技術(shù)相結(jié)合的風(fēng)電功率組合預(yù)測模型如圖5所示。將風(fēng)電功率歷史數(shù)據(jù)分別輸入到已構(gòu)建的EMD-LSTM和VMD-SADBN上層基礎(chǔ)預(yù)測模型中,以獲得2種基礎(chǔ)預(yù)測模型的預(yù)測結(jié)果。同時,將上層預(yù)測模型的預(yù)測結(jié)果輸入到下層預(yù)測模型,下層預(yù)測模型利用XGBoost對上層預(yù)測結(jié)果進(jìn)行進(jìn)一步優(yōu)化,以得到最終的風(fēng)電功率預(yù)測結(jié)果。
為驗證本文所提出的VMD-SA-DBN風(fēng)電功率預(yù)測模型的有效性,選取平均誤差(mean absolute error, MAE)、均方根誤差(root mean square error, RMSE)和平均絕對百分比誤差(mean absolute percentage error, MAPE)作為預(yù)測模型準(zhǔn)確性評價指標(biāo),其表達(dá)式為
式中:i表示風(fēng)電功率預(yù)測數(shù)據(jù)的樣本數(shù),i=1,2,3,…,n;ypre(i)、ytrue(i)分別為風(fēng)電功率預(yù)測值和實測值。3個指標(biāo)值越小,則風(fēng)電功率預(yù)測模型精度越高。
為了驗證本文所提算法的有效性,采用我國西北地區(qū)某風(fēng)電場2018年2月份共27 d風(fēng)電功率數(shù)據(jù)(采樣周期為15 min)為研究對象,進(jìn)行日內(nèi)短期滾動預(yù)測。該風(fēng)電場共有風(fēng)機133臺,單臺風(fēng)機裝機容量為1.5 MW。將2月1日至2月26日風(fēng)電功率數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),2月27日的風(fēng)電功率數(shù)據(jù)作為測試數(shù)據(jù)。分別利用EMD、VMD分解技術(shù),將風(fēng)電功率時序數(shù)據(jù)進(jìn)行分解,詳情參見附錄 圖A1、A2。
首先,分別采用LSTM、EMD-LSTM預(yù)測算法對風(fēng)電功率進(jìn)行預(yù)測,以驗證EMD-LSTM預(yù)測模型的有效性,預(yù)測結(jié)果參見附錄 圖A3。表1統(tǒng)計了2種預(yù)測模型的評價指標(biāo)值,對比分析不同評價指標(biāo)值可以發(fā)現(xiàn),采用EMD-LSTM預(yù)測模型較LSTM預(yù)測模型具備更低的預(yù)測誤差。
其次,分別采用DBN、VMD-DBN及VMDSA-DBN預(yù)測算法對風(fēng)電功率進(jìn)行預(yù)測,以驗證VMD-SA-DBN預(yù)測模型的有效性,預(yù)測結(jié)果參見附錄圖A4。表1統(tǒng)計了3種預(yù)測模型的評價指標(biāo)值,對比分析不同評價指標(biāo)值可以發(fā)現(xiàn),采用VMD-SA-DBN預(yù)測模型較其他2種預(yù)測模型具有更好的預(yù)測效果。
最后,將上面EMD-LSTM和VMD-SA-DBN預(yù)測結(jié)果輸入到下層已構(gòu)建的XGBoost預(yù)測模型中,以獲得本文所提出的組合預(yù)測結(jié)果,如圖6所示。由圖6可知,組合預(yù)測結(jié)果較單一預(yù)測模型可以進(jìn)一步降低風(fēng)電功率“陡升”、“陡降”處風(fēng)電功率預(yù)測誤差。對比分析不同評價指標(biāo)值可以發(fā)現(xiàn),采用EMD-LSTM和VMD-SA-DBN組合預(yù)測模型較單一預(yù)測模型具有更高的預(yù)測精度。
由表1各參數(shù)可以驗證本文所提出的VMDSA-DBN風(fēng)電功率預(yù)測模型的有效性。為了檢驗該模型的適用性,本文引入與西北風(fēng)電場地理位置相距較遠(yuǎn)的東北和美國2個風(fēng)電的實測數(shù)據(jù)進(jìn)行分析。圖7給出了美國風(fēng)電場一年中每月26日風(fēng)電功率數(shù)據(jù)的熱圖。
由圖7可知,該風(fēng)電場的風(fēng)電功率波動并沒有明顯的季節(jié)性變化。為了驗證本文所提的組合預(yù)測模型的有效性,針對不同月份,分別利用本文所提出的組合預(yù)測模型進(jìn)行短期日前預(yù)測,并統(tǒng)計不同月份的預(yù)測評價指標(biāo)MAPE,如圖8所示。
由圖8可知,本文所提的預(yù)測模型較其他預(yù)測模型相比,在不同月份下均有較高的預(yù)測精度。圖9給出了我國西北、東北和美國風(fēng)電場預(yù)測評價指標(biāo)MAPE的統(tǒng)計結(jié)果。在相同預(yù)測模型下,美國風(fēng)電的預(yù)測精度最高,西北風(fēng)電場預(yù)測精度次之,而東北風(fēng)電場預(yù)測精度最低。而造成不同風(fēng)電場預(yù)測精度差異的原因,可能是由于風(fēng)電場距離較遠(yuǎn),地形差異導(dǎo)致風(fēng)電功率波動特性不一致;其次,不同風(fēng)電場采集的數(shù)據(jù)均存在缺失,但數(shù)據(jù)缺失程度并不一致,因此,數(shù)據(jù)缺失也是造成不同風(fēng)電場預(yù)測精度存在偏差的原因。雖然各風(fēng)電場預(yù)測精度互有差異,但本文所提算法在不同風(fēng)電場中均有更高的預(yù)測精度,再次驗證了本文所提出的風(fēng)電功率組合預(yù)測模型的有效性,同時也驗證了本文所提出的組合預(yù)測模型具有更廣泛的適用性。
本文將原始風(fēng)電功率序列進(jìn)行分解得到相對平穩(wěn)的模態(tài)分量,再對不同模態(tài)分量分別進(jìn)行預(yù)測,可降低風(fēng)電功率波動和不確定性對預(yù)測結(jié)果的負(fù)面影響。結(jié)合時間序列分解技術(shù)及機器學(xué)習(xí)前沿算法構(gòu)建風(fēng)電功率雙層預(yù)測模型。有效地將不同預(yù)測模型的優(yōu)點相結(jié)合,彌補單一時間序列分解方法及單一機器學(xué)習(xí)預(yù)測算法的缺陷,進(jìn)一步提高了風(fēng)電功率預(yù)測精度。
后續(xù)工作可以進(jìn)一步綜合考慮風(fēng)速、濕度、風(fēng)向、氣溫、氣壓、槳距角等因素,構(gòu)建風(fēng)電功率物理預(yù)測模型,并將所構(gòu)建的物理模型融入到組合預(yù)測模型中。
(本刊附錄請見網(wǎng)絡(luò)版,印刷版略)
附錄A