馬 寧,董 澤,馮 斌
(1.華北電力科學(xué)研究院有限責(zé)任公司,北京 100045;2.華北電力大學(xué)河北省發(fā)電過(guò)程仿真與優(yōu)化控制技術(shù)創(chuàng)新中心,河北 保定 071003;3.華北電力科學(xué)研究院有限責(zé)任公司西安分公司,陜西 西安 710065)
近年來(lái),隨著全球石化能源的不斷減少和人們對(duì)環(huán)境污染問(wèn)題日益重視,電力生產(chǎn)由原來(lái)的煤炭資源逐漸向可再生清潔能源轉(zhuǎn)變。其中,風(fēng)能作為一種常見(jiàn)的可再生能源,具有巨大的開(kāi)發(fā)利用價(jià)值。目前,我國(guó)風(fēng)力發(fā)電規(guī)模正在不斷擴(kuò)大,風(fēng)電裝機(jī)總?cè)萘恳盐痪邮澜缜傲小H欢?,風(fēng)電的間接性會(huì)對(duì)電網(wǎng)的穩(wěn)定性帶來(lái)安全隱患,這已經(jīng)成為限制風(fēng)電發(fā)展的重要因素。風(fēng)功率預(yù)測(cè)可以為電網(wǎng)調(diào)度部門(mén)提供有效指導(dǎo),進(jìn)而提升風(fēng)電的利用效率。因此,風(fēng)電功率預(yù)測(cè)是智慧電網(wǎng)的重要組成部分。
由于風(fēng)功率預(yù)測(cè)的重要意義,國(guó)內(nèi)外諸多學(xué)者采用不同方法對(duì)其進(jìn)行了研究。這些研究大致可劃分3 種方法,即風(fēng)電功率預(yù)測(cè)統(tǒng)計(jì)模型、物理預(yù)測(cè)模型和人工智能預(yù)測(cè)模型。以上這些單一的預(yù)測(cè)方法可以對(duì)平緩變化風(fēng)電功率進(jìn)行較為精準(zhǔn)的預(yù)測(cè),但是難以對(duì)風(fēng)功率波動(dòng)較大的工況進(jìn)行預(yù)測(cè)。風(fēng)功率爬坡就是一種典型的風(fēng)電功率大幅度波動(dòng)的代表,在短時(shí)間內(nèi)風(fēng)功率發(fā)生較大范圍波動(dòng),這種情況會(huì)嚴(yán)重破壞風(fēng)功率預(yù)測(cè)的準(zhǔn)確程度。為了克服功率爬坡帶來(lái)的影響,通常采用棄風(fēng)、儲(chǔ)能等控制手段。近年來(lái),許多學(xué)者對(duì)風(fēng)功率爬坡預(yù)測(cè)進(jìn)行了深入研究。文獻(xiàn)[1]通過(guò)重構(gòu)氣象因子數(shù)據(jù)建立了包含多個(gè)變量的基本預(yù)測(cè)模型,并提出了訓(xùn)練模型的鄰近點(diǎn)策略,最后對(duì)實(shí)際數(shù)據(jù)仿真測(cè)試,驗(yàn)證了所提算法的有效性;文獻(xiàn)[2]將風(fēng)電功率爬坡事件按照波動(dòng)幅值大小和變化方向劃分為不同等級(jí),并利用支持向量機(jī)建立不同等級(jí)的風(fēng)電功率爬坡預(yù)測(cè)模型,仿真結(jié)果表明該方法可以對(duì)各等級(jí)爬坡事件進(jìn)行較精準(zhǔn)地預(yù)估。組合預(yù)測(cè)模型可以有效地降低風(fēng)電功率波動(dòng)特性對(duì)預(yù)測(cè)精度的影響,往往比單一預(yù)測(cè)模型的穩(wěn)定性和預(yù)測(cè)精度更好,此類(lèi)型方法通常采用小波分解、經(jīng)驗(yàn)?zāi)B(tài)變換等方法對(duì)風(fēng)功率時(shí)間序列進(jìn)行分解,分解后的序列相比于原始數(shù)據(jù)序列的非線性程度更低,分別對(duì)分解后的序列建立預(yù)測(cè)模型,最后組合各模型預(yù)測(cè)值,達(dá)到提高預(yù)測(cè)精度的目的。文獻(xiàn)[3]利用經(jīng)驗(yàn)?zāi)B(tài)分解方法對(duì)原始風(fēng)電功率時(shí)間序列分解并用支持向量機(jī)建立組合預(yù)測(cè)模型,比單一支持向量機(jī)表現(xiàn)出更好的預(yù)測(cè)精度。文獻(xiàn)[4]利用集合經(jīng)驗(yàn)?zāi)B(tài)分解與最小二乘支持向量機(jī)建立了風(fēng)電功率預(yù)測(cè)組合模型。
為了進(jìn)一步提高風(fēng)電功率預(yù)測(cè)精度,本文提出一種基于經(jīng)驗(yàn)小波變換和量子粒子群優(yōu)化核極限學(xué)習(xí)機(jī)的短期風(fēng)電功率預(yù)測(cè)模型。該模型首先利用經(jīng)驗(yàn)小波變換將原始風(fēng)功率序列分解成為若干個(gè)固有模態(tài)分量序列;然后采用量子粒子群算法優(yōu)化的核極限學(xué)習(xí)機(jī)模型對(duì)每個(gè)固有模態(tài)分量序列進(jìn)行建模,最后將所有的預(yù)測(cè)分量疊加,得到實(shí)際的預(yù)測(cè)結(jié)果。通過(guò)仿真試驗(yàn)表明,本文所提風(fēng)功率預(yù)測(cè)模型相比其他模型具有更高的預(yù)測(cè)精度。
經(jīng)驗(yàn)小波變換(Empirical Wavelet Transform,EWT)[5]是一種處理非平穩(wěn)序列的新方法,原理為建立自適應(yīng)小波濾波器提取信號(hào)的調(diào)幅-調(diào)頻(AMFM)成分,并對(duì)得到的數(shù)據(jù)作希爾伯特變換,進(jìn)而得到數(shù)據(jù)序列的瞬時(shí)頻率和幅值。設(shè)原始數(shù)據(jù)信號(hào)為f(t),其可被分解為M個(gè)模態(tài)函數(shù)的累積和:
式中:fi(t)為調(diào)幅-調(diào)頻信號(hào);Fi(t)為調(diào)幅部分函數(shù);φi(t)為調(diào)頻部分函數(shù)。對(duì)原始數(shù)據(jù)序列f(t)的傅里葉譜進(jìn)行分割,將區(qū)間[0,π]分為M部分,即Λm=[ωm-1,ωm],m=1,2,…,M,在每個(gè)Λm里,EWT 被認(rèn)作是一個(gè)帶通濾波器,依據(jù)Meyer 小波建立經(jīng)驗(yàn)小波,進(jìn)而得到式(2)和式(3)。
式中:β(x)為在0 到1 之間的任意函數(shù);τm和β(x)如式(4)所示。
核極限學(xué)習(xí)機(jī)(Kernel Extreme LearningMachine,KELM)是核學(xué)習(xí)與極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)結(jié)合的新機(jī)器學(xué)習(xí)算法這是一種極限學(xué)習(xí)機(jī)器方法的擴(kuò)展[6],Huang 等人深入研究支持向量機(jī)后發(fā)現(xiàn)核函數(shù)在處理大規(guī)模復(fù)雜數(shù)據(jù)時(shí)具有很大優(yōu)勢(shì),因此將核函數(shù)引入到ELM中構(gòu)成具有最小平方最優(yōu)解的極限學(xué)習(xí)機(jī),通過(guò)仿真實(shí)驗(yàn)證明了核極限學(xué)習(xí)機(jī)對(duì)于數(shù)據(jù)處理更加簡(jiǎn)單具有調(diào)節(jié)參數(shù)少、收斂速度及精度高的特點(diǎn)。近年來(lái),KELM已被廣泛應(yīng)用于解決包括電廠在內(nèi)的各類(lèi)工業(yè)中各種復(fù)雜問(wèn)題[7-10]。
考慮經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化以及結(jié)構(gòu)風(fēng)險(xiǎn),使系統(tǒng)訓(xùn)練誤差L達(dá)到最小化,數(shù)學(xué)表達(dá)式為[11]:
式中:β為隱含層到輸出層之間的權(quán)重;xi、ti為輸入和輸出;δi為模型輸出值與實(shí)際數(shù)據(jù)之間的誤差值;N為訓(xùn)練樣本個(gè)數(shù);C為非負(fù)常數(shù);h(xi)為激勵(lì)函數(shù)。由Karush-Kuhn-Tucker(KKT)條件可得
其中a為拉格朗日算子,對(duì)應(yīng)的優(yōu)化限制條件:
將式(12)代入到?jīng)Q策函數(shù)中,
通常
將上式帶入到式(9)得
引入核函數(shù),KELM表達(dá)式為
式中:H為隱藏層矩陣;H+為H的廣義逆矩陣;T為預(yù)測(cè)目標(biāo)向量;K(·)為核函數(shù);本文選取徑向基函數(shù)作為核函數(shù)為
通過(guò)以上對(duì)核極限學(xué)習(xí)機(jī)的原理介紹可知,KELM 通過(guò)引入核函數(shù)來(lái)求解得到輸出函數(shù)值,避免了輸入權(quán)重和隱含層偏置對(duì)輸出結(jié)果的影響,但核參數(shù)σ與正則化參數(shù)C的選擇也會(huì)在很大程度上影響模型的性能,本文采用量子粒子算法優(yōu)化核極限學(xué)習(xí)機(jī)參數(shù)。
量子粒子群算法(Quantum Particle Swarm Optimization,QPSO)是一種將粒子群算法與量子理論相結(jié)合的新型算法,對(duì)于搜索維度數(shù)為m的優(yōu)化問(wèn)題,設(shè)定算法搜索粒子種群數(shù)量為N,那么搜索粒子為X=[X1,X2,…,XN],在t時(shí)刻的搜索粒子位置Xi(t)=[Xi1,Xi2,…,Xim],最優(yōu)值為Pi(t)=[Pi1,Pi2,…,Pim],整個(gè)種群最優(yōu)粒子對(duì)應(yīng)的適應(yīng)值為Pg(t)=[Pg1,Pg2,…,Pgm],其中g(shù)為全局最優(yōu)值的粒子的下標(biāo),QPSO 算法中的全部搜索粒子屬性用函數(shù)ψ()x,t表 示,通 過(guò)Schrodinger 方程式可以獲得搜索粒子在解空間出現(xiàn)的概率密度函數(shù),搜索粒子位置方程[12]:
其中,u是0到1之間的隨機(jī)數(shù):
其中,mbest表示尋優(yōu)粒子的平均最好位置。
mbest的計(jì)算公式為
量子粒子群算法的粒子進(jìn)化公式:
式中:N,m分別表示搜索粒子數(shù)量和維度數(shù);pbesti為i粒子所經(jīng)歷的最優(yōu)位置;u和φ表示在0到1區(qū)間上隨機(jī)數(shù);α為收縮-擴(kuò)張系數(shù);Pi(t)迭代t次時(shí)最優(yōu)值;Pg(t)為全局最優(yōu)值[13]。
α的計(jì)算公式為
式中:T為最大迭代次數(shù);t為當(dāng)前迭代次數(shù)。
提出的基于模態(tài)分解和量子粒子群算法優(yōu)化核極限學(xué)習(xí)機(jī)參數(shù)(QPSO-KELM)的風(fēng)電功率預(yù)測(cè)方法的流程如圖1所示,具體的建模步驟如下。
圖1 基于模態(tài)分解和量子粒子群優(yōu)化核極限學(xué)習(xí)機(jī)的風(fēng)功率預(yù)測(cè)流程
步驟1:利用經(jīng)驗(yàn)小波變換算法對(duì)原始風(fēng)功率數(shù)據(jù)進(jìn)行信號(hào)分解,并最終得到不同的模態(tài)分量;
步驟2:利用核極限學(xué)習(xí)機(jī)對(duì)經(jīng)驗(yàn)小波變換分解得到的模態(tài)分量進(jìn)行建模,其中核極限學(xué)習(xí)機(jī)的核參數(shù)σ與正則化參數(shù)C由量子粒子群算法優(yōu)化得到,即對(duì)每一個(gè)模態(tài)分量建模QPSO-KELM 預(yù)測(cè)模型;
步驟3:將各模態(tài)數(shù)據(jù)對(duì)應(yīng)模型的預(yù)測(cè)結(jié)果累積疊加得到最終的模型預(yù)測(cè)值;
步驟4:對(duì)模型的預(yù)測(cè)結(jié)果進(jìn)行誤差分析,采用均方根誤差(Root Mean Square Error,RMSE)和平均絕對(duì)誤差(Mean Absolute Error,MAE)作為判斷模型精度的兩種指標(biāo)。
采用歐洲南部某風(fēng)力電場(chǎng)2018 年3 月實(shí)測(cè)發(fā)電功率數(shù)據(jù)作為建模數(shù)據(jù)來(lái)驗(yàn)證所提預(yù)測(cè)模型的有效性,數(shù)據(jù)采樣周期為1 h,選擇連續(xù)700 h 風(fēng)電功率數(shù)據(jù)作為建模樣本,其中前600 h數(shù)據(jù)作為模型訓(xùn)練樣本,其余100 h 數(shù)據(jù)作為測(cè)試數(shù)據(jù)。利用以上數(shù)據(jù)和所提算法進(jìn)行6維度提前3步的預(yù)測(cè)。用于建模的原始風(fēng)功率數(shù)據(jù)變化趨勢(shì)如圖2 所示,從圖中可以看出,該風(fēng)電場(chǎng)發(fā)電功率在一個(gè)月內(nèi)具有較大幅度變化,且變化的隨機(jī)性較強(qiáng)。
圖2 用于建模的風(fēng)電場(chǎng)發(fā)電功率變化趨勢(shì)
量子粒子群算法參數(shù)設(shè)置為:搜索種群數(shù)為30,搜索維度2,最大迭代次數(shù)200,核參數(shù)σ與正則化參數(shù)C的尋優(yōu)區(qū)間分別為σ∈(0,600],C∈(0,100]。為了增加對(duì)比,進(jìn)一步驗(yàn)證所提算法的優(yōu)越性,同時(shí)建立了粒子群算法(Particle Swarm Optimization,PSO)和差分進(jìn)化算法(Differential Evolution,DE)優(yōu)化核極限學(xué)習(xí)機(jī)參數(shù)的模型,以上兩種算法參數(shù)設(shè)置以及粒子尋優(yōu)范圍與量子粒子群算法相同,其中PSO算法學(xué)習(xí)因子為2.2,慣性權(quán)重系數(shù)為0.85;DE 算法中縮放因子為0.5,交叉參數(shù)為0.4。
根據(jù)以上所述,除本文所提的EWT-QPSOKELM 模型,同時(shí)建立了未經(jīng)模態(tài)分解的兩種模型:分別為QPSO-KELM 模型和基于量子粒子群算法優(yōu)化極限學(xué)習(xí)機(jī)輸入權(quán)值和隱含層節(jié)點(diǎn)閾值的QPSOELM 模型;此外,還有其他兩種算法優(yōu)化的EWTPSO-KELM 模型和EWT-DE-KELM 模型,5 種模型對(duì)于測(cè)試數(shù)據(jù)的預(yù)測(cè)曲線如圖3所示。
圖3 5種模型對(duì)測(cè)試數(shù)據(jù)的預(yù)測(cè)擬合
從圖3 所示的預(yù)測(cè)結(jié)果可以看出,5 種模型均能夠?qū)︼L(fēng)力發(fā)電功率趨勢(shì)進(jìn)行較好的預(yù)測(cè)。為了更加直觀地比較各種預(yù)測(cè)模型對(duì)測(cè)試數(shù)據(jù)的預(yù)測(cè)效果,圖4 給出了各模型預(yù)測(cè)值與實(shí)際值的絕對(duì)誤差分布,可以明顯地看到QPSO-ELM 模型和QPSO-KELM模型的預(yù)測(cè)誤差較大,個(gè)別預(yù)測(cè)點(diǎn)的誤差甚至達(dá)到了±6 MW;相比之下,經(jīng)過(guò)EWT 信號(hào)分解的3種預(yù)測(cè)模型的誤差較小,其中EWT-QPSO-KEL 模型的誤差最接近于0,且誤差曲線最平穩(wěn),這也體現(xiàn)了EWTQPSO-KELM模型良好的預(yù)測(cè)性能。
圖4 5種模型對(duì)測(cè)試數(shù)據(jù)的預(yù)測(cè)結(jié)果絕對(duì)誤差分布
為了定量地體現(xiàn)各模型對(duì)測(cè)試數(shù)據(jù)的預(yù)測(cè)效果,表1給出了5種模型對(duì)測(cè)試數(shù)據(jù)的均方根誤差和平均絕對(duì)誤差,其中EWT-QPSO-KELM 模型的預(yù)測(cè)精度最高,均方根誤差為0.854 9 MW,平均絕對(duì)誤差為0.552 7 MW;相較于EWT-DE-KELM 模型和EWTPSO-KELM模型,平均絕對(duì)誤差大約提升了0.25 MW,這表明了QPSO 算法的優(yōu)化效果高于DE 和PSO 算法;相較于QPSO-ELM 模型和QPSO-KELM 模型,平均絕對(duì)誤差大約提升了0.7 MW,這充分表明了EWT信號(hào)分解對(duì)于提高模型預(yù)測(cè)精度的重要作用。
表1 5種模型對(duì)于測(cè)試數(shù)據(jù)的預(yù)測(cè)誤差 單位:MW
準(zhǔn)確的風(fēng)功率預(yù)測(cè)模型對(duì)于風(fēng)電場(chǎng)維護(hù)以及風(fēng)電并網(wǎng)具有重要意義,提出了一種基于信號(hào)分解和量子粒子群算法優(yōu)化核極限學(xué)習(xí)機(jī)的短期風(fēng)電功率預(yù)測(cè)方法,并采用實(shí)際風(fēng)電場(chǎng)發(fā)電功率進(jìn)行實(shí)驗(yàn)驗(yàn)證,結(jié)果表明所提風(fēng)電功率預(yù)測(cè)模型具有良好的預(yù)測(cè)效果;利用EWT 信號(hào)分解方法和量子粒子群優(yōu)化算法能夠有效地提升模型預(yù)測(cè)性能。利用風(fēng)電功率歷史數(shù)據(jù)對(duì)風(fēng)電功率序列進(jìn)行預(yù)測(cè)研究,并沒(méi)有將風(fēng)速和其他氣象因素融合到模型中,這需要進(jìn)一步深入研究。