馮惠麗

（中國(guó)大唐集團(tuán)科學(xué)技術(shù)研究總院有限公司，北京 100000）

隨著化石能源的枯竭，可再生能源的開(kāi)發(fā)已經(jīng)引起了全世界的廣泛關(guān)注。由于風(fēng)能無(wú)污染、分布廣等優(yōu)點(diǎn)，風(fēng)力發(fā)電技術(shù)近年來(lái)發(fā)展迅速。然而，風(fēng)能的間歇性和波動(dòng)性將極大地影響電力系統(tǒng)的安全性和穩(wěn)定性。因此，準(zhǔn)確可靠的風(fēng)電功率預(yù)測(cè)對(duì)于促進(jìn)合理的電力調(diào)度和安排停機(jī)維護(hù)以保證電力系統(tǒng)的穩(wěn)定運(yùn)行至關(guān)重要[1-2]。

一般來(lái)說(shuō)，根據(jù)預(yù)測(cè)范圍，風(fēng)電功率預(yù)測(cè)可以分為4 種類型：超短期、短期、中期、長(zhǎng)期[3]。超短期風(fēng)電功率預(yù)測(cè)旨在保證電網(wǎng)實(shí)時(shí)穩(wěn)定調(diào)度和高質(zhì)量供電。短期預(yù)測(cè)的目的是制定發(fā)電計(jì)劃，安排區(qū)域調(diào)度，調(diào)整檢修計(jì)劃。中長(zhǎng)期預(yù)測(cè)主要服務(wù)于對(duì)預(yù)測(cè)精度要求不高的風(fēng)電機(jī)組和輸電線路的維護(hù)計(jì)劃。為了滿足風(fēng)電功率預(yù)測(cè)的不同需求，研究開(kāi)發(fā)了多種預(yù)測(cè)模型。一般來(lái)說(shuō)，這些預(yù)測(cè)方法可以分為2 類：物理方法、統(tǒng)計(jì)方法。前一類方法主要依靠數(shù)值天氣預(yù)報(bào)（NWP）信息，這通常適用于中長(zhǎng)期風(fēng)電功率預(yù)測(cè)[4]。相反，統(tǒng)計(jì)方法試圖基于歷史時(shí)間序列數(shù)據(jù)開(kāi)發(fā)經(jīng)驗(yàn)?zāi)Ｐ?，適用于超短期及短期預(yù)測(cè)的數(shù)據(jù)驅(qū)動(dòng)模型。其中每種風(fēng)電功率預(yù)測(cè)類型又分為點(diǎn)預(yù)測(cè)和概率預(yù)測(cè)，點(diǎn)預(yù)測(cè)常見(jiàn)統(tǒng)計(jì)模型主要基于自回歸綜合移動(dòng)平均法（ARⅠMA）[5]、人工神經(jīng)網(wǎng)絡(luò)（ANN）[6]和卡爾曼濾波器[7]等。但點(diǎn)預(yù)測(cè)方法側(cè)重于未來(lái)某個(gè)時(shí)間點(diǎn)的預(yù)報(bào)，而不考慮預(yù)測(cè)不確定性的估計(jì)。而概率預(yù)測(cè)模型還可以提供預(yù)測(cè)的置信區(qū)間，適用性越來(lái)越強(qiáng)[8]。

本文基于貝葉斯神經(jīng)網(wǎng)絡(luò)，結(jié)合LSTM 提取時(shí)序數(shù)據(jù)特征的優(yōu)勢(shì)，構(gòu)建了貝葉斯LSTM 網(wǎng)絡(luò)，通過(guò)多種仿真實(shí)驗(yàn)可知，本文所提方法具有較好的概率預(yù)測(cè)效果。

1 貝葉斯LSTM（Bayesian LSTM）神經(jīng)網(wǎng)絡(luò)

1.1 貝葉斯神經(jīng)網(wǎng)絡(luò)

對(duì)于依賴于新輸入樣本x及權(quán)重W有輸出y（x；W）的神經(jīng)網(wǎng)絡(luò)模型來(lái)進(jìn)行回歸預(yù)測(cè)時(shí)，其參數(shù)積分如下：

式（2）中：P（W｜D）為權(quán)重的后驗(yàn)分布。

設(shè)P（W）是在取得訓(xùn)練數(shù)據(jù)前對(duì)神經(jīng)網(wǎng)絡(luò)權(quán)重W的先驗(yàn)分布，那么定義如下正則化器：

則基于貝葉斯規(guī)則并結(jié)合式（2）（3）可得：

式（4）中：const 為常數(shù)。

另貝葉斯神經(jīng)網(wǎng)絡(luò)回歸預(yù)測(cè)模型的總誤差函數(shù)為U（W）=E（W）+R（W），則可依式（4）得：

式（5）中：Z為歸一化常參數(shù)。

將式（5）與式（2）合并可得：

則神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)變?yōu)閷?duì)式（6）的計(jì)算，可式（6）沒(méi)法直接求得其解析解，需要借助諸如馬爾科夫鏈蒙特卡洛（MCMC）等數(shù)值積分近似法來(lái)解。

假設(shè)馬爾可夫鏈具有遍歷性，那么通過(guò)在此鏈上的大量采樣所趨于的穩(wěn)定分布便能夠表征式（5）的后驗(yàn)概率分布。用結(jié)果馬爾可夫鏈上的樣本序列｛Wt｝，則針對(duì)式（6）積分的近似計(jì)算式如下：

式（7）中：n0為為保證收斂性而舍棄的一些初始馬爾可夫鏈；ns為平衡后驗(yàn)分布的權(quán)重向量樣本數(shù)。

1.2 貝葉斯LSTM 網(wǎng)絡(luò)結(jié)構(gòu)

LSTM 是目前機(jī)器學(xué)習(xí)領(lǐng)域中廣泛使用的深度學(xué)習(xí)方法，由 HOCHREⅠTER 等[9]在 1997 年提出。LSTM是專門(mén)用于處理時(shí)間序列數(shù)據(jù)的深度學(xué)習(xí)模型，其在網(wǎng)絡(luò)模型中加入門(mén)控制器，可以解決RNN 中的長(zhǎng)期依賴問(wèn)題（梯度爆炸或消失），結(jié)構(gòu)如圖1 所示。

圖1 LSTM 結(jié)構(gòu)圖

LSTM 模型在原有的短期記憶單元ht的基礎(chǔ)上，增加一個(gè)記憶單元ct來(lái)保持長(zhǎng)期記憶，同時(shí)增加3 個(gè)門(mén)控機(jī)制來(lái)控制整個(gè)學(xué)習(xí)過(guò)程中的信息流。LSTM 單元在每個(gè)時(shí)間步長(zhǎng)t的狀態(tài)被定義為一組5 個(gè)向量Rd：輸入門(mén)it、遺忘門(mén)ft、輸出門(mén)ot、隱藏狀態(tài)ht、存儲(chǔ)單元ct。d是LSTM 單位的數(shù)量。LSTM 傳遞函數(shù)為：

式（8）中：σ為sigmoid 函數(shù)；W和b為權(quán)重和偏置參數(shù)；xt為當(dāng)前輸入。

遺忘門(mén)控制從存儲(chǔ)單元?jiǎng)h除不需要的信息，而輸入門(mén)控制向存儲(chǔ)單元添加新信息，輸出門(mén)控制內(nèi)部存儲(chǔ)狀態(tài)的暴露。通過(guò)3 個(gè)門(mén)，存儲(chǔ)單元ct可以選擇性地更新、刪除和遺忘內(nèi)部信息，從而更好地理解序列中的長(zhǎng)期依賴性，提取時(shí)序數(shù)據(jù)中隱藏特征。

本文利用上述LSTM 網(wǎng)絡(luò)處理風(fēng)電功率歷史運(yùn)行數(shù)據(jù)，提取時(shí)序數(shù)據(jù)關(guān)聯(lián)特征，隨后將學(xué)習(xí)的趨勢(shì)特征送入貝葉斯神經(jīng)網(wǎng)絡(luò)，構(gòu)建了貝葉斯LSTM 預(yù)測(cè)模型。

2 基于貝葉斯LSTM 的風(fēng)電功率概率性預(yù)測(cè)

2.1 風(fēng)電特征輸入構(gòu)建

風(fēng)電功率與多種因素相關(guān)，包括歷史風(fēng)電功率、各氣象因素，如風(fēng)速、風(fēng)向、溫度以及氣壓等。但各因素對(duì)風(fēng)電功率預(yù)測(cè)的影響程度不一樣，如果把所有因素均送入深度學(xué)習(xí)網(wǎng)絡(luò)，一方面造成模型結(jié)構(gòu)復(fù)雜、參數(shù)眾多，效率也會(huì)較低，同時(shí)與風(fēng)電功率相關(guān)性較低的因素的加入對(duì)預(yù)測(cè)模型來(lái)說(shuō)是一種噪聲干擾，會(huì)帶來(lái)負(fù)面影響，從而降低模型的預(yù)測(cè)精度。因此，需要對(duì)風(fēng)電數(shù)據(jù)集進(jìn)行相關(guān)性分析，剔除價(jià)值小的因素，同時(shí)也可降低數(shù)據(jù)維度。

本文采用Pearson 相關(guān)系數(shù)法計(jì)算風(fēng)電歷史數(shù)據(jù)集中不同因素與當(dāng)前時(shí)刻風(fēng)電功率的相關(guān)程度，其中二維變量的Pearson 相關(guān)系數(shù)計(jì)算公式如式（9）所示：

通過(guò)Pearson 相關(guān)計(jì)算分析，比較前一時(shí)刻的各個(gè)因素與下一個(gè)時(shí)刻風(fēng)電功率的相關(guān)性大小，選取合適的輸入變量。相關(guān)性分析結(jié)果如表1 所示。

表1 各因素與光伏功率的Person 相關(guān)系數(shù)

從表1 可知，各氣象因素與風(fēng)電功率的Person 相關(guān)系數(shù)由大到小分別是風(fēng)速、風(fēng)向、溫度和氣壓，也即風(fēng)速和風(fēng)向與風(fēng)電功率相關(guān)性最高，均大于0.5。

為了最大程度平衡訓(xùn)練精度和訓(xùn)練效率的關(guān)系，本文最終將Person 相關(guān)系數(shù)較高的前兩種氣象因素，風(fēng)速和風(fēng)向作為風(fēng)電功率貝葉斯神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型最終的輸入變量，同時(shí)，如前文所述，通過(guò)LSTM 對(duì)風(fēng)電歷史運(yùn)行數(shù)據(jù)進(jìn)行特征構(gòu)建后亦作為輸入喂給貝葉斯神經(jīng)網(wǎng)絡(luò)。

2.2 概率預(yù)測(cè)評(píng)價(jià)標(biāo)準(zhǔn)

本文采用了2 種常用的概率評(píng)分方法。一個(gè)是彈球（pinball）失分，可以綜合表示可靠性和銳度，另一個(gè)是Winkler 評(píng)分，可以表示預(yù)測(cè)區(qū)間的銳度和無(wú)條件覆蓋度。

pinball 失分是對(duì)任何分位數(shù)q∈（0，1）的加權(quán)絕對(duì)誤差度量，可表述為：

概率預(yù)測(cè)的總體彈球損失分?jǐn)?shù)可以通過(guò)累積預(yù)測(cè)范圍內(nèi)所有目標(biāo)分位數(shù)的彈球損失來(lái)獲得。彈球損失越低，預(yù)測(cè)效果越好。

對(duì)于（1-α）×100%置信水平，Winkler 得分定義為：

式（11）中：δ=Ui-Li為區(qū)間寬度；Li和Ui分別為預(yù)測(cè)區(qū)間的下界和上界。

如果實(shí)際功率值落入預(yù)測(cè)區(qū)間，那么Winkler 分?jǐn)?shù)僅取決于預(yù)測(cè)區(qū)間寬度。否則，由于懲罰因子，分?jǐn)?shù)會(huì)很高。分?jǐn)?shù)越低，表示預(yù)測(cè)效果越好。

3 仿真驗(yàn)證

3.1 數(shù)據(jù)集

風(fēng)力發(fā)電數(shù)據(jù)集取自2017 年至2019 年26 311 h的ERCOT 每小時(shí)總風(fēng)力輸出[10]。數(shù)據(jù)顯示了德克薩斯州所有風(fēng)力發(fā)電機(jī)的總輸出功率?？傃b機(jī)風(fēng)力發(fā)電量從16 246 MW 增加到22 607 MW，最大風(fēng)力輸出為19 099 MW。負(fù)荷的最大風(fēng)力輸出百分比為54.6%，出力百分比變化最大為280.6%。在26 311 h 的數(shù)據(jù)中，70%、10%和20%的部分分別用于訓(xùn)練、驗(yàn)證和測(cè)試集。

3.2 預(yù)測(cè)效果

為了測(cè)試本文所述網(wǎng)絡(luò)的實(shí)際可行性和優(yōu)越性，本文分別在80%和90%兩種置信水平下進(jìn)行了光伏功率概率預(yù)測(cè)，并在80%置信水平下，與正態(tài)分布法和持續(xù)區(qū)間預(yù)測(cè)法進(jìn)行了對(duì)比驗(yàn)證。

80%置信水平下預(yù)測(cè)區(qū)間如圖2 所示，90%置信水平下預(yù)測(cè)區(qū)間如圖3 所示。從圖2 和圖3 可知，基于貝葉斯LSTM 神經(jīng)網(wǎng)絡(luò)的風(fēng)電概率預(yù)測(cè)模型可及時(shí)對(duì)功率波動(dòng)作出響應(yīng)，給出下一預(yù)測(cè)點(diǎn)功率可能的波動(dòng)范圍，且準(zhǔn)確率較高。

圖2 80%置信水平風(fēng)電功率概率預(yù)測(cè)

圖3 90%置信水平風(fēng)電功率概率預(yù)測(cè)

不同算法風(fēng)電功率預(yù)測(cè)區(qū)間對(duì)比示意圖如4所示。風(fēng)電概率預(yù)測(cè)性能對(duì)比如表2 所示。

結(jié)合圖4 以及表2 可知，將本文方法與正態(tài)分布法及持續(xù)區(qū)間預(yù)測(cè)法進(jìn)行對(duì)比，從表2 的pinball 指標(biāo)和Winkler 指標(biāo)可知，本文所提方法的預(yù)測(cè)效果更好。

圖4 不同算法風(fēng)電功率預(yù)測(cè)區(qū)間對(duì)比示意圖

表2 風(fēng)電概率預(yù)測(cè)性能對(duì)比

4 結(jié)論

針對(duì)風(fēng)電功率確定性點(diǎn)預(yù)測(cè)無(wú)法對(duì)風(fēng)電功率波動(dòng)進(jìn)行預(yù)測(cè)的問(wèn)題。本文基于貝葉斯神經(jīng)網(wǎng)絡(luò)，結(jié)合LSTM 提取時(shí)序數(shù)據(jù)關(guān)聯(lián)特征的特有優(yōu)勢(shì)，構(gòu)建了貝葉斯LSTM 預(yù)測(cè)模型。并以皮爾森相關(guān)系數(shù)法對(duì)影響風(fēng)電功率預(yù)測(cè)的復(fù)雜氣象輸入因素進(jìn)行了相關(guān)性計(jì)算，剔除了與風(fēng)電功率相關(guān)性低的因子，降低了輸入維度和輸入噪聲，最后以降維后的氣象因子以及LSTM 處理后的功率歷史時(shí)序數(shù)據(jù)為最終輸入，通過(guò)80%和90%兩種置信度下的預(yù)測(cè)仿真以及與正太分布法和持續(xù)區(qū)間預(yù)測(cè)法的對(duì)比驗(yàn)證，可知本文能更好地對(duì)風(fēng)電功率波動(dòng)性進(jìn)行預(yù)測(cè)。