劉 姝，張麗紅，祁慶豐

(1.沈陽工程學院新能源學院，遼寧 沈陽 110136；2.沈陽工程學院電力學院，遼寧 沈陽 110136；3.華能新能源股份有限公司遼寧分公司，遼寧 沈陽 110001)

受環(huán)境污染嚴重及相關政策影響，風電裝機容量持續(xù)增加[1]。高精度風電預測已成為新能源接入電力系統(tǒng)高比例運行的必要技術[2-3]。預測風機的運行狀態(tài)，可以有效提高運行的可靠性，及時發(fā)現(xiàn)異常情況，提前進行預防性維護。深度學習和各種統(tǒng)計方法在風電預測中得到廣泛應用，風電預測的準確性不斷提高。

文獻[4]對氣象特征和風電數(shù)據(jù)的波動過程進行了劃分，建立了基于氣象特征和風電波動過程相關性的組合預測模型，有效提高了預測精度。文獻[5]基于天氣移動背景，對NWP中風速波動過程進行了劃分，建立了多步風速和風電功率預測模型?；诓▌舆^程的數(shù)據(jù)挖掘方法可以有效提高風電預測精度，但沒有考慮波動過程的劃分閾值對預測精度的影響。文獻[6]中設定風速、風向和槳距角作為系統(tǒng)輸入，轉(zhuǎn)子轉(zhuǎn)速作為系統(tǒng)輸出。最后利用模型輸出電機的轉(zhuǎn)子轉(zhuǎn)速值進行故障預測。文獻[7]對極限學習機的優(yōu)化采用多目標灰狼優(yōu)化方法，預測未來短期的風速，有效提高了風速預測的準確性和魯棒性。

本文探討風電機組的運行特性，對鐵嶺某風電場實際運行的50 MW并網(wǎng)風電機組SCADA系統(tǒng)數(shù)據(jù)進行分析，應用深度置信網(wǎng)絡進行建模,并通過實例進行仿真分析。經(jīng)統(tǒng)計數(shù)據(jù)驗證，風速、溫度、濕度和氣壓等參數(shù)可以直接影響機組的出力情況。因此，本文將風速、溫度、濕度、氣壓定為系統(tǒng)輸入，將功率作為系統(tǒng)輸出，最終利用所建模型輸出功率值進行預測。

1 影響風力發(fā)電的因素

風的產(chǎn)生是由于空氣密度不均勻?qū)е碌目諝饬鲃?，風能是空氣流動產(chǎn)生的動能[8]。簡單來說，風力發(fā)電就是將風能轉(zhuǎn)化為機械能再到電能的過程，機組的輸出功率為

(1)

式中：vn為額定風速；Pn為額定功率；Cp為風能利用系數(shù)；ρ為空氣密度，kg/m3；A為風輪掃過的有效面積，m2；υ為實測風速，m/s。由式(1)可知，輸出功率主要與風速、空氣密度和被風輪掃過的有效面積有關，主要的影響因素為風速，風功率與風速的三次方成正比，即風速增大1倍，風電功率增加7倍。因此本文將風速作為主要影響因素進行研究分析[9]。

空氣密度與輸出功率也有直接關系，而根據(jù)氣象學知識，空氣密度與氣壓、溫度、濕度密切相關，關系式為

(2)

式中：p為氣壓，×100 Pa；t為溫度，℃；pw為水氣壓，×100 Pa。由式(2)可知，壓強、溫度和濕度會影響空氣密度的大小，進而決定風功率的大小。因此，在風電功率預測研究時，應考慮壓強、溫度和濕度等影響因素[10]。

本次研究綜合考慮所有影響因素，將風速、壓強、溫度和濕度作為預測模型的輸入變量。

2 深度置信網(wǎng)絡

深度置信網(wǎng)絡(deep belief network，DBN)由若干限制的玻爾茲曼機(restricted boltzmann machine,RBM)組成[11]，是一種能夠隨機生成觀測數(shù)據(jù)的模型，該模型是生成模型和判別模型的結合。生成模型將RBM逐層疊加，使DBN模型從輸入數(shù)據(jù)中逐層提取相應的特征，進而得到一些高層次且準確的表達式。判別模型用于達到分類或預測的目的，是有監(jiān)督的神經(jīng)網(wǎng)絡模型[12]。

RBM是一種隨機神經(jīng)網(wǎng)絡，包含2層神經(jīng)元。一層是顯層，也稱可視層，由可見單元組成，用于訓練數(shù)據(jù)的輸入。另一層為隱藏層，由隱藏單元組成，用作特征檢測器。RBM構架如圖1所示。

這些單元除了自身調(diào)節(jié)外，還有0或1兩種存在形式：當單元為狀態(tài)1時，參與網(wǎng)絡權值的訓練過程；當狀態(tài)為0時，不參與訓練。設顯層單元的狀態(tài)為V，隱層單元的狀態(tài)為H，則RBM的能量函數(shù)為

(3)

式中：ai為第i個顯層單元偏置限定值；bj為第j個隱層單元偏置限定值；wij為第i顯層單元和第j隱層單元之間的權重；vi、hj為顯層和隱層單元的存在形式[13]。

能量函數(shù)的大小反映了整個結構框架的狀態(tài)，訓練過程要實現(xiàn)參數(shù)尋優(yōu)的目的，使其與相應的樣本數(shù)值相吻合，這樣能量函數(shù)會逐漸趨于穩(wěn)定，在進行優(yōu)化的情況下，RBM神經(jīng)元節(jié)點的隨機分布規(guī)律要與樣本數(shù)值相同[14]。

在給定可見單元狀態(tài)時，連接其隱層單元的活化概率為

(4)

在其他條件相同時，限定隱藏層單元不變時，可見單元的活化概率為

(5)

RBM的激活公式為sigmoid函數(shù),此函數(shù)在(-∞,+∞)函數(shù)值始終在0～1,通過計算可以得出相應節(jié)點的激活概率[16]，函數(shù)圖如圖2所示。

在訓練過程中，每次循環(huán)執(zhí)行命令時，會隨機為節(jié)點設置1個0～1的隨機數(shù)，然后將該隨機數(shù)與激活概率進行對比。只有當隨機數(shù)大于激活概率時，各個單元才被激活。

在訓練預測模型時，隨機初始化參數(shù)使輸出值在穩(wěn)定值附近上下波動的次數(shù)增加，不能突出該模型的代表性特征。因此，需要確定最佳參數(shù)值來提高預測模型的性能，此時的參數(shù)雖是一個近似值，但在尋優(yōu)過程中可以減少波動次數(shù)，提高模型的預測精度。尋優(yōu)參數(shù)為RBM的顯層和隱層節(jié)點數(shù)、迭代次數(shù)和學習效率。參數(shù)尋優(yōu)過程如圖3所示。由圖3可知，隨著迭代次數(shù)的增加，訓練誤差越來越小，逐漸逼近于零，當?shù)螖?shù)為1000時訓練誤差最小，因此本次試驗設置的迭代次數(shù)為1000。

3 建立風電機組功率預測模型

3.1 數(shù)據(jù)歸一化

由于風電系統(tǒng)歷史數(shù)據(jù)包含多個變量，每個變量具有不同的維度和大小，不利于數(shù)據(jù)特征的分析。為了消除不同維度在數(shù)據(jù)間的沖擊，避免計算節(jié)點飽和，減少計算量，需要將不同表征的數(shù)據(jù)歸一化到一定維度上，如圖4、圖5所示。在本研究中，使用最大和最小歸一化方法將每個數(shù)據(jù)限制在[0,1]范圍內(nèi)。歸一化公式如式(6)所示。

(6)

式中：x為待歸一化的序列；xmax和xmin分別為該序列的最大值和最小值；x′為歸一化結果[17]。

歸一化后可更明顯看出，幾個變量之間的變化程度及風速、溫度、濕度、壓強等變量之間的相互作用機制，更有利于模型訓練的建立。

3.2 建立預測模型

DBN的訓練過程由2個階段組成，一種是正向的訓練階段，將訓練集作為輸入對RBM進行無監(jiān)督訓練，另一種是反向訓練階段，將上層輸出的誤差作為BP神經(jīng)網(wǎng)絡的輸入進行有監(jiān)督微調(diào)訓練，直至預測模型完成參數(shù)更新，獲得較好的結構參數(shù)[18]。預測模型結構如圖6所示。

該模型利用歸一化后的歷史數(shù)據(jù)作為輸入，預測功率作為輸出，將多層RBM結構和BP神經(jīng)網(wǎng)絡進行結合，通過誤差微調(diào)及反饋，提高了整個模型的性能。

3.3 深度置信網(wǎng)絡的訓練流程

深度置信網(wǎng)絡主要是將輸入數(shù)據(jù)和輸出數(shù)據(jù)建立對應關系來完成預測流程。該網(wǎng)絡基于經(jīng)過預處理的數(shù)值天氣預報數(shù)據(jù)和風電場的歷史數(shù)據(jù)建立風電場預測模型，該模型前2層由RBM組成，最后1層為BP神經(jīng)網(wǎng)絡輸出層，模型的算法流程如圖7所示。

具體步驟如下：

a.采集歷史數(shù)據(jù)，并將數(shù)據(jù)集分為訓練集和預測集[19]；

b.篩選數(shù)據(jù)并進行歸一化；

c.參數(shù)選擇，并進行尋優(yōu)處理；

d.將訓練集輸入到預測模型中進行訓練，調(diào)整RBM的學習速率，從而改變訓練過程中的權重；

e.當訓練誤差達到要求時，訓練結束，并根據(jù)此時的DBN模型參數(shù)建立預測模型，將預測集輸入到預測模型中進行預測，得出結果。

4 實例仿真分析

4.1 數(shù)據(jù)提取與預處理

本文試驗研究數(shù)據(jù)來源鐵嶺風電場SCADA系統(tǒng)。實時采集系統(tǒng)數(shù)據(jù)庫中的數(shù)據(jù)，會在傳輸過程中由于設備損壞、人工失誤等因素導致數(shù)據(jù)丟失和冗余，從而降低功率預測的準確性。因此收集到的數(shù)據(jù)需要進行處理，以保證預測結果的普遍性。異常數(shù)據(jù)的風速-功率曲線如圖8所示。

為了使預測結果在相應的誤差范圍內(nèi)，需要對風場中提取的數(shù)據(jù)進行篩選和處理，具體處理方法如下：

a.數(shù)據(jù)的時間分辨率為15 min；

b.用相鄰數(shù)據(jù)的平均值代替中間的缺測數(shù)據(jù)或異常數(shù)據(jù)；

c.采用風機的額定值代替超過閾值的功率值或小于零的值。

利用以上方法對源數(shù)據(jù)進行處理，要盡可能保留歷史信息，不破壞其本身的性質(zhì)。

舉部分數(shù)據(jù)點為例，選取3000個風場實際運行的數(shù)據(jù)點，從圖9中發(fā)現(xiàn)4個功率缺測點。

對發(fā)現(xiàn)的異常數(shù)據(jù)進行預處理后，樣本的功率缺失點消失，得到圖10。

經(jīng)處理過的數(shù)據(jù)信息更加完善，生成相對標準的風速-功率曲線進行仿真分析，如圖11所示。

4.2 預測結果分析

基于圖6的算法，建立了深度置信網(wǎng)絡的風電功率預測模型。經(jīng)數(shù)據(jù)預處理，選取鐵嶺某風電場提供的2020年5月1日至10月31日每15 min采樣1次的數(shù)值天氣預報數(shù)據(jù)和風場實際運行數(shù)據(jù)進行功率預測。將數(shù)值天氣預報風速、溫度、濕度、氣壓及前一刻風電場功率作為模型的輸入，風電場實際輸出功率作為輸出進行訓練和預測。

DBN網(wǎng)絡的訓練過程首先使用訓練集訓練模型，其次為驗證預測模型的泛化性在測試集上運行模型，測試對新樣本的判斷能力，風電功率預測結果如圖12所示，藍色的圓形標點代表真實值，紅色的星形標點代表輸出預測值，均方誤差為105.9934。

為進一步說明深度置信網(wǎng)絡模型的功率預測效果，在均使用經(jīng)過篩選后的訓練樣本前提下，本文利用深度置信網(wǎng)絡和BP神經(jīng)網(wǎng)絡模型作比較分析，如圖13所示。

為了定量分析2種方法的預測效果，采用橫向誤差和縱向誤差進行對比分析?？v向誤差反映了風電機組長期的工作情況，橫向誤差則說明了預測系統(tǒng)的性質(zhì)和效能。當分析模型的性能時，縱向誤差視為平均絕對誤差、均方根誤差，橫向誤差視為相關系數(shù)[20]。各指標的公式為

(7)

表1 誤差比較分析

通過表1可知，深度置信網(wǎng)絡(DBN)的預測模型優(yōu)于BP神經(jīng)網(wǎng)絡預測模型，在采用深層次多隱含層網(wǎng)絡結構時，BP神經(jīng)網(wǎng)絡結構的訓練能力低于深度學習網(wǎng)絡結構，深度學習模型更具優(yōu)勢。在訓練過程中對參數(shù)尋優(yōu)，大大提高了預測模型的性能，與BP神經(jīng)網(wǎng)絡相比DBN預測模型的平均絕對誤差大大降低，精確度明顯提高，DBN預測模型更適用于風電場功率的分析預測。

5 結語

本文結合風電機組的運行特點，將深度置信網(wǎng)絡應用到風功率預測中。在訓練過程中對RBM參數(shù)進行尋優(yōu)，從而縮短訓練時間，減少振蕩次數(shù)，提高了預測精度。最后通過實例驗證了DBN網(wǎng)絡模型的預測效果優(yōu)于BP神經(jīng)網(wǎng)絡，預測功率和實際功率之間的誤差較小。在功率平穩(wěn)變化階段，預測值與實際值比較接近。因此，可以及時更新風機數(shù)據(jù)，實時調(diào)整誤差，實現(xiàn)深度置信網(wǎng)絡模型的優(yōu)化。通過對風電機組功率的預測，可以預知下一時間段的預測值，基于歷史數(shù)據(jù)對風電機組的有功、無功、電壓等進行預判，從而可以提前了解并調(diào)控風力機的運行狀態(tài)。