程江濤，王靈梅，孟恩隆，劉玉山，賈成真，陳政坤，李永龍，王凱林，原升耀

(1.山西大學綠色能源與電力智能控制研究所，山西 太原 030013) (2.青海省綠色發(fā)電集團股份有限公司，青海 西寧 810008)

隨著“30·60雙碳”目標的提出，我國風電將迎來新一輪的發(fā)展，其中以山地風力發(fā)電場居多。以新能源為首的新型電力系統(tǒng)中，新能源裝機容量占比越來越高。準確的超短期風電功率預測在解決電網(wǎng)調(diào)峰問題、制定合理的調(diào)度策略等方面發(fā)揮著不可替代的作用。

由于風電功率序列具有非線性及非平穩(wěn)性的特征，因此難以提升風電功率的預測準確率。國內(nèi)外學者為提升預測準確率做了大量研究，提出各種風電功率預測模型，最常見的有自回歸滑動平均模型(ARMA)[1]、長短時間記憶網(wǎng)絡(LSTM)[2-4]和卷積神經(jīng)網(wǎng)絡(CNN)[5-6]等。Zhang等[7]提出基于互補經(jīng)驗模式分解(CEEMD)、改進遺傳算法(IGA)優(yōu)化的T-S模糊神經(jīng)網(wǎng)絡和馬爾可夫誤差修正的組合模型，用來提高超短期風電預測的準確性；李大中等[8]提出一種基于深度學習與誤差修正的超短期風電功率預測方法，該方法采用了隨機森林算法對雙向門控循環(huán)網(wǎng)絡模型的預測誤差進行修正，仿真結(jié)果驗證了該方法具有一定的有效性及適用性。

近年來，生成對抗網(wǎng)絡[9]以其獨特的對抗思想和無監(jiān)督學習方式成為深度學習領域中的重要分支，并且生成對抗網(wǎng)絡具有良好的捕捉數(shù)據(jù)間隱含深層關系的能力，因此生成對抗網(wǎng)絡也越來越多地應用于時間序列預測領域。Zhou等[10]首次采用生成對抗網(wǎng)絡對高頻股票市場進行預測，有效地提高了股價預測精度，降低了預測誤差；王靜等[11]基于經(jīng)驗模態(tài)分解(EMD)生成對抗網(wǎng)絡的金融時間序列預測，利用經(jīng)驗模態(tài)分解對金融時間序列進行分析并對目標函數(shù)進行改進，以提高預測準確率，但EMD容易發(fā)生模態(tài)混疊，導致預測效果欠佳。上述文獻雖然將生成對抗網(wǎng)絡應用于時間序列預測，但大多采用原始生成對抗網(wǎng)絡模型，存在預測精度不高、模型不穩(wěn)定等問題，并且對于多特征融合也未能采取較好的策略。

為了解決上述問題，提出一種基于變分模態(tài)分解的生成對抗網(wǎng)絡(VMD-AM-WGAN)的超短期風電功率預測模型。該模型采用變分模態(tài)分解(VMD)[12-13]對風電功率序列進行降噪及降低非平穩(wěn)性，同時利用注意力機制(AM)[14]對多個特征的權重進行動態(tài)調(diào)整及優(yōu)化，最后利用改進型的生成對抗網(wǎng)絡模型(WGAN)的對抗思想及對數(shù)據(jù)間深層隱含關系的捕捉能力，對風電功率進行預測，以提高模型的預測準確率。

以華北某風電場的實際數(shù)據(jù)進行超短期風電功率預測，將基于VMD-AM-WGAN的超短期風電功率預測模型在風電場的實際預測效果與同時刻風電場的實際風電功率、WGAN網(wǎng)絡模型的預測結(jié)果、風電場場站風電功率實際預測結(jié)果進行對比，結(jié)果表明，本文提出的預測模型能有效提升風電功率預測精度，具有較強的適用性。

1 VMD分解

由于山地風電場的湍流強度高且極端天氣頻繁出現(xiàn)，使得風電出力具有較強的波動性及間歇性，是明顯的非平穩(wěn)時間序列，所以本文采用VMD分解的方法對風電功率序列進行降噪及信號的平滑處理。通過迭代搜尋的方式構(gòu)建變分模型，將原始風電功率時間序列P(t)分解為不同的具有有限帶寬的分量，通過交替迭代尋找變分模型的最優(yōu)解。

選取500條風電機組輸出功率數(shù)據(jù)作為VMD分析的功率序列樣本，采樣時間為15 min，采樣頻率為1/900。對該樣本進行VMD變分模態(tài)分解，得到不同分量，首先設置分解個數(shù)K=3,4,5，并計算得到不同分解次數(shù)下各分量的中心頻率，見表1。

表1 VMD分解及各分量的中心頻率

當K取5時，分量3、分量4和分量5的中心頻率分別為2.317E-04、3.613E-04和4.494E-04，出現(xiàn)了3個中心頻率相近的分量，屬于過分解；當K取3時，3個中心頻率波動較為不穩(wěn)定，屬于欠分解；當K取4時，各中心頻率相差較大，所以確定分量個數(shù)K為4。VMD分解及分量的頻譜密度如圖1所示。

圖1 基于VMD分解及分量的頻譜密度

2 基于VMD-AM-WGAN的超短期風電功率預測模型

2.1 VMD-AM-WGAN網(wǎng)絡的模型結(jié)構(gòu)

VMD-AM-WGAN網(wǎng)絡的模型結(jié)構(gòu)如圖2所示，主要包括3部分：數(shù)據(jù)預處理、生成器G和判別器D。

圖2 VMD-AM-WGAN網(wǎng)絡的模型結(jié)構(gòu)

數(shù)據(jù)預處理是利用MIC(最大信息系數(shù))對各個特征進行相關性分析，篩選出風電功率預測的關鍵性因素：風速、風向、偏航誤差(風機機艙方向與風向的夾角)、溫度、濕度。然后對原始數(shù)據(jù)集S中的異常點進行識別剔除并通過隨機森林算法進行缺失值插補，最后進行歸一化處理，便于進一步分析及預測。

生成器G由VMD分解和K個AM-LSTM網(wǎng)絡組成。本文提出的預測模型首先利用VMD將風電功率時間序列分解成K個子序列分量，并通過加權的方式將K個AM-LSTM網(wǎng)絡的輸出疊加得到生成器的生成值，即預測的風電功率值。

本文采用CNN作為判別器，判別器的作用是估計生成器預測的風電功率數(shù)據(jù)與真實風電功率樣本之間的W距離，然后使用生成器去拉近兩者之間的距離。CNN由輸入層、輸出層及隱含層組成，其中隱含層包括卷積層、池化層和全連接層。生成器生成的超短期風電功率預測數(shù)據(jù)與真實風電功率數(shù)據(jù)一起通過判別器的輸入層，然后卷積層通過卷積運算提取特征，池化層進行特征降維、減少數(shù)據(jù)輸出復雜度、防止過擬合，最后經(jīng)過全連接層連接并輸出。

2.2 目標函數(shù)

為解決原始生成對抗網(wǎng)絡梯度消失、訓練不收斂、模型容易崩潰的問題，引入W距離，用判別器估計生成分布與真實分布的W距離，用生成器拉近W距離，達到生成逼近真實功率的預測功率的目標。將判別器相對于輸入數(shù)據(jù)列X的梯度限制在一定范圍內(nèi)，使得判別器滿足Lipschitz條件。本文在判別器中加入了梯度懲罰項，判別器損失函數(shù)J(D)為：

(1)

生成器損失函數(shù)J(G)為：

J(G)=-EZ～PZ[fw(G(Z))]

(2)

2.3 算法流程

本文的VMD-AM-WGAN神經(jīng)網(wǎng)絡模型采用的優(yōu)化算法為RMSProp，生成器由VMD和4個AM-LSTM神經(jīng)網(wǎng)絡構(gòu)成，LSTM隱含層包含10個神經(jīng)元，激活函數(shù)為tanh，學習率為0.000 1。判別器由CNN構(gòu)成，包含1層卷積層、1層池化層和1層全連接層；輸入神經(jīng)元數(shù)量為16，卷積核為32，激活函數(shù)為LRELU，學習率為0.000 1；池化方法為最大池化。

訓練過程如下：

1)初始化生成器和判別器的學習速率及生成器G的網(wǎng)絡參數(shù)θd、判別器D的網(wǎng)絡參數(shù)θω，將經(jīng)過數(shù)據(jù)預處理后不包含風電功率時間序列的數(shù)據(jù)集S進行滑窗分組(滑動窗口大小為m)，分解后的數(shù)據(jù)集表示為Sq；將經(jīng)過數(shù)據(jù)預處理后的數(shù)據(jù)集S中的風電功率時間序列進行滑窗分組(滑動窗口大小為n)，分解后的數(shù)據(jù)集表示為Y。

2)將經(jīng)過數(shù)據(jù)預處理后的數(shù)據(jù)集S中的風電功率時間序列分解成K個子序列分量，對每個子序列分量進行滑窗分組(滑動窗口大小為m)并將每個子序列分量分別與步驟1中的數(shù)據(jù)集Sp結(jié)合，生成K個新數(shù)據(jù)集Sp。

3)將K個新數(shù)據(jù)集Sp分別輸入生成器G的K個AM-LSTM網(wǎng)絡中，并將K個預測結(jié)果相加得到生成數(shù)據(jù)集G(Z)，G(Z)和Y一起輸入判別器D，使用隨機梯度下降算法更新判別器D的網(wǎng)絡參數(shù)θω。

4)使用隨機梯度下降算法更新生成器G的網(wǎng)絡參數(shù)θd。

5)每訓練5次判別器，訓練1次生成器，直至判別器的網(wǎng)絡參數(shù)θω收斂，訓練結(jié)束。

2.4 模型預測結(jié)果的評價指標

超短期風電功率預測準確率的評估方法有很多，如均方根誤差、平均絕對誤差等。本文采用2021年山西省下發(fā)的《山西能源監(jiān)管辦關于印發(fā)山西并網(wǎng)發(fā)電廠輔助管理實時細則和并網(wǎng)運行管理實施細則2021》中超短期風電預測的評價指標作為本文的模型預測評估指標，計算公式如下：

(3)

(4)

3 算例分析

本文采用華北某山地風電場2020年的全場單機SCADA系統(tǒng)(數(shù)據(jù)采集與監(jiān)視控制系統(tǒng))數(shù)據(jù)集，其包含歷史風電功率、風速、風向、溫度、濕度、壓力等特征量。該風電場裝機容量為100 MW，東西跨度近50 km且地勢復雜，小氣候現(xiàn)象明顯，極端天氣出現(xiàn)頻繁，因而一個測風塔的測風數(shù)據(jù)對整個風電場的風資源情況代表性嚴重不足，基于此，本文采用單機風電功率預測反推全場超短期風電功率預測的技術路線。

確定好VMD分解個數(shù)后，對訓練數(shù)據(jù)進行滑窗分組，建立多步(16步)預測模型，同時預測未來4 h的風電機組輸出功率。將經(jīng)過VMD分解并進行篩選處理后的風電功率分量結(jié)合相對應時刻的風速、偏航誤差角、壓力、溫度、濕度特征，輸入訓練好的生成器，經(jīng)過權重調(diào)整后得到各分量的預測結(jié)果，將各預測結(jié)果相加得到單風電機組輸出功率預測值，最后將每臺機組的預測值相加，得到整場的超短期預測輸出功率。各個模型的預測效果與風電場場站實際功率如圖3所示。

圖3 不同風況下各預測模型與風電場實際功率對比曲線圖

由圖3可知，在大風、小風、風速發(fā)生陡降風況下，本文提出的基于VMD-AM-WGAN的超短期風電功率預測模型的預測結(jié)果與同時刻WGAN網(wǎng)絡模型的預測結(jié)果、風電場場站風電功率實際預測結(jié)果相比，其更接近風電場實際功率，預測準確率也更高，并且較少出現(xiàn)預測曲線滯后的現(xiàn)象。結(jié)果表明，本文提出的預測模型可以有效提升多種風況下的超短期風電功率預測準確率。對該風電場進行為期3個月的超短期風電功率預測，統(tǒng)計月平均準確率、日平均最高準確率和日平均最低準確率，見表2。

表2 VMD-AM-WGAN模型準確率統(tǒng)計表

由表2可知，本文提出的基于VMD-AM-WGAN的超短期風電功率預測模型的月平均準確率均高于90%，達到最新的電網(wǎng)要求水平，與現(xiàn)有的其他風電功率預測產(chǎn)品相比，該預測結(jié)果處于較高水平。

4 結(jié)束語

本文引入VMD分解方法對風電功率序列進行降噪及信號的平滑處理，并引入特征注意力機制實時計算風電功率數(shù)據(jù)與相關氣象特征量(風速、偏航誤差角、壓力、溫度、濕度)之間的相關性，動態(tài)調(diào)整生成器中各特征的權重系數(shù)，最后利用WGAN的對抗思想及對數(shù)據(jù)間深層隱含關系的捕捉能力，對風電功率進行預測。通過現(xiàn)場試驗及多模型仿真的預測結(jié)果對比分析，驗證了本文所提模型的有效性。