劉建華， 蔣偉， 賀健， 張興橋， 范銘, 陳思達

(1.天生橋一級水電開發(fā)有限責任公司水力發(fā)電廠， 貴州， 興義 562400；2.廣州兆和電力技術(shù)有限公司， 廣東， 廣州 510630)

0 引言

水電作為廉價、易得的能源在人們生活及工業(yè)生產(chǎn)中發(fā)揮著至關(guān)重要的作用，如何正確評估水電能源以及發(fā)電站各種數(shù)據(jù)參數(shù)對于工業(yè)的生產(chǎn)與發(fā)展具有重要的作用。隨著工業(yè)智能化、信息化技術(shù)的發(fā)展以及人們需求的增加，如何預測水電站輸出功率及評估水電站輸出參數(shù)具有重要的意義。

針對上述問題，相關(guān)學者對上述技術(shù)進行了一定的研究，文獻[1]通過構(gòu)建粒子群算法模型實現(xiàn)了配售電公司收益的分布式電源優(yōu)化配置，該技術(shù)通過制定可控分布式電源和可控負荷的時序出力，在一定程度上實現(xiàn)了能源與清潔，對于水電價值預測尚未提及，用戶難以對多種水電價值參數(shù)信息進行分析和應(yīng)用。文獻[2]通過構(gòu)建雙層市場仿真與管控模型實現(xiàn)在不同管控條件下梯級水電站運行方式的仿真與研究，并應(yīng)用迭代優(yōu)化算法對市場運行進行了仿真和計算，該方法雖然利用雙層市場仿真與管控模型獲得了基數(shù)電量方案，在一定程度上實現(xiàn)市場優(yōu)化管控運行，但是該方法對水電價值的誤差評估尚未提及。

1 水電價值預測方法

針對上述技術(shù)， 通過構(gòu)建Bi-LSTM 神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)水電價值的預測與評估，通過小波變換的方式對水電價值評估參數(shù)進行計算和轉(zhuǎn)換，最終實現(xiàn)水電價值預測與評估[3]，下面對上述方法進行詳細說明。采用改進型LSTM神經(jīng)網(wǎng)絡(luò)模型，實現(xiàn)不同環(huán)境下水電價值預測，其創(chuàng)新點在于：

(1)通過在輸入層輸入影響水電價值的各種預測參數(shù)，充分考慮多種因素的情況下實現(xiàn)水電價值預測，提高了水電價值預測的能力；

(2)改進型LSTM神經(jīng)網(wǎng)絡(luò)模型為Bi-LSTM 神經(jīng)網(wǎng)絡(luò)模型, 該模型利用相同的前向與后向結(jié)構(gòu)，將網(wǎng)絡(luò)結(jié)構(gòu)中的數(shù)學模型以反向堆疊的狀態(tài)方式實現(xiàn)輸入數(shù)據(jù)的學習[4]，提高了學習精度；

(3)通過構(gòu)建的不同層級關(guān)系，通過提取抽象的數(shù)據(jù)特征，實現(xiàn)各種不同數(shù)據(jù)的微觀分析，并實現(xiàn)各種數(shù)據(jù)形式的參數(shù)學習修正[5]，進一步提高了學習評估，使得評估能力大大提高。

通過上述思路分析，下面對水電價值預測方法進行詳細介紹。整體模型結(jié)構(gòu)示意圖如圖1所示。

圖1 整體模型結(jié)構(gòu)示意圖

在圖1的模型結(jié)構(gòu)中，水電價值的不同參數(shù)數(shù)據(jù)信息包含但不限于影響水電站容量和運行的裝機容量、水電站出力參數(shù)、水電站發(fā)電量、水電站裝機容量、水電站發(fā)電時的正常蓄水位、水電站的死水位等各種數(shù)據(jù)參數(shù)，這些數(shù)據(jù)信息可以作為數(shù)據(jù)輸入計算[6]。

由于數(shù)據(jù)范圍比較大、類型多，在具體應(yīng)用時，需要將上述數(shù)據(jù)信息進行標準化處理。處理公式為

(1)

式中，x表示影響水電站正常運行的各種數(shù)據(jù)參數(shù)，xmax表示影響水電站正常運行的各種數(shù)據(jù)參數(shù)的最大值，xmin表示影響水電站正常運行的各種數(shù)據(jù)參數(shù)的最小值[7]。

然后將水電站的出力功率進行標準化計算，標準化的功率為：

(2)

式中，P表示水電站的實際功率數(shù)據(jù)，S表示水電站的裝機容量。然后將不同水電出力的參數(shù)(比如電流、電壓或者功率)按照有用功率進行標準化處理[8]，則通過以下公式完成：

(3)

通過上述計算后，將多個不同的Bi-LSTM 模型和結(jié)構(gòu)層次構(gòu)成隱含層進行多種不同數(shù)據(jù)的計算與處理[9]。該模型示意圖如圖2所示。

圖2 Bi-LSTM 神經(jīng)網(wǎng)絡(luò)模型Bi-LSTM隱含層結(jié)構(gòu)特征

在圖2中，將不同的Bi-LSTM層進行反向堆疊，使得每層神經(jīng)網(wǎng)絡(luò)層的單向門控神經(jīng)網(wǎng)絡(luò)層的前向結(jié)構(gòu)與后向結(jié)構(gòu)相同，通過層級機構(gòu)對抽象數(shù)據(jù)信息進行特征提取，通過對不同的數(shù)據(jù)特征進行提取，進而實現(xiàn)數(shù)據(jù)信息的修正，通過這種方式，實現(xiàn)了水電價值各種數(shù)據(jù)特征的分析與學習[10]。

為了進一步優(yōu)化算法，在Bi-LSTM 神經(jīng)網(wǎng)絡(luò)模型中融入Adam 優(yōu)化器，以對輸入的不同數(shù)據(jù)信息進行更新和二次計算，最終查到局部最優(yōu)解[9]，采用的優(yōu)化公式為

(4)

2 評估方法

電力市場下，在評估水電價值時，下面通過分步驟說明。

步驟一 假設(shè)其輸出的各個參數(shù)值分別為離散值，用字母表示可以為n=0,1,2,…,N-1,σt為對水電價值評估時，對不同數(shù)據(jù)進行采樣的周期間隔，假設(shè)評估輸出數(shù)據(jù)信息的周期間隔為1周，則水電價值評估參數(shù)通過小波變換的方式實現(xiàn)數(shù)據(jù)的轉(zhuǎn)換和計算。通過初始數(shù)據(jù)序列獲取的水電價值數(shù)據(jù)序列記作為

U0=[U0(1),U0(2),…,U0(n)]

(5)

其中，U0(n)為任意時間下電價值數(shù)據(jù)。

步驟二 數(shù)據(jù)特征提取，經(jīng)過間隔為1周的時間時段后，通過數(shù)據(jù)特征抽取，獲取的水電價值數(shù)據(jù)序列可以記作為

U1=[U1(1),U1(2),…,U1(n)]

(6)

將待評估的水電價值數(shù)據(jù)進行累加之后，可以輸出的水電數(shù)據(jù)信息為

(7)

其中，?g=1,2,…,n。

在上述公式中，為了對其任意參數(shù)值進行求解，需要采用微分方程進行求解，以計算不同時間下的數(shù)據(jù)方程。

(8)

由于輸入的水電價值參數(shù)數(shù)據(jù)量較多，為了便于求解，通過構(gòu)建矩陣方程進行求解，則有：

(9)

式中,a和b分別表示水電市場下水電價值的類型，αT為一種類型下的水電矩陣，B為水電市場下水電價值的另一種數(shù)據(jù)類型的水電數(shù)據(jù)矩陣，Y表示水電評估影響因子。

步驟三 對式(9)中的函通過累加生成序列公式，可以有:

(10)

反映水電價值不同參數(shù)的數(shù)據(jù)信息可以記作為

(11)

(12)

通過上述公式，則獲取的水電價值預測的模型可以記作為

(13)

步驟四 計算輸出，通過上述計算后，輸出的估計值可以為

(14)

其中，i=1,2,…,n。

步驟五 計算結(jié)果優(yōu)化：為了提高利用效果，引入了小波變換函數(shù)，則啟動的公式為

(15)

式中，Yn(r)表示信號序列，λ(·)為小波函數(shù)，*表示復數(shù)共軛[23]，其中的g、n和r分別表示進行小波變換時虛設(shè)的時間軸上，不同參數(shù)數(shù)據(jù)位置變量與小波尺度變量。

步驟六 頻域計算

則通過上述公式后，頻域計算公式可以為

(16)

在式(16)中，存在以下關(guān)系式：

(17)

其中，g=0,1,2,…,N-1；

(18)

式中，eω為小波變換時的卷積系數(shù)。

通過小波變換，可以將水電價值的評估值通過以下公式計算:

(19)

式中，i=1,2,…,n。通過上述小波函數(shù)，實現(xiàn)不同時間尺度下的拉伸，最終清楚地獲取水電價值預測的最終結(jié)果。

3 試驗結(jié)果與分析

為了提高水電價值預測方法的精度，該研究方法利用雙路 GTX 1080ti GPU 的軟件計算方法，在該計算方法中，融入Tensorflow 人工智能框架，編程環(huán)境采用 Jupyter Notebook。為了對比該研究技術(shù)方案的技術(shù)優(yōu)越性，采集某電力公司24小時相關(guān)數(shù)據(jù)，得如表1所示的數(shù)據(jù)計算信息表。

表1 數(shù)據(jù)計算信息表

通過24小時的數(shù)據(jù)采集和計算發(fā)現(xiàn)，經(jīng)過卡爾曼濾波算法計算后的預測精度在95%左右，BP神經(jīng)網(wǎng)絡(luò)模型的預測精度在96%左右，而該研究方法的平均預測精度大于99%，通過上述方法可以看到，該研究方法預測精度較高。為了使該研究方法的效果更為明顯，下面通過曲線圖對該研究方法應(yīng)用的預測精度進行評估(見圖3)。在啟動Simulink仿真軟件之后。

在圖3的曲線圖中，方案1中卡爾曼預測法的增長幅度比較平穩(wěn)，預測能力較為滯后。方案2采用的BP預測模型，其預測精度雖然大于卡爾曼預測法模型，但是在整個時間周期中， 方法的預測精度最高。

圖3 仿真對比示意圖

下面從相對誤差上對該研究方法進行評估， 當采用卡爾曼預測法模型時，卡爾曼預測法模型的誤差示意圖如圖4所示。

圖4 卡爾曼預測法模型的誤差示意圖

采用卡爾曼預測法模型的方法時，開始誤差數(shù)據(jù)很小，隨著時間的加長，誤差逐步增加;應(yīng)用BP神經(jīng)網(wǎng)絡(luò)模型時，采用的評估誤差示意圖如圖5所示。

圖5 BP神經(jīng)網(wǎng)絡(luò)模型的誤差示意圖

當采用BP神經(jīng)網(wǎng)絡(luò)模型時，雖然誤差的準確度程度比較均勻，但是平均誤差較大。

采用本研究方法計算時，估計的誤差示意圖如圖6所示。

圖6 估計的誤差示意圖

通過上述可以看到，相比于卡爾曼預測法模型和BP神經(jīng)網(wǎng)絡(luò)模型，研究的方法相對誤差相對較低，因此，研究的方法具有較好的應(yīng)用效果。

4 總結(jié)

針對電力市場下，水電價值預測能力差，精度不高的問題， 做出了以下技術(shù)研究：

(1)針對水電價值數(shù)據(jù)維度高的問題，構(gòu)建新型Bi-LSTM 神經(jīng)網(wǎng)絡(luò)模型，在輸入層輸入影響水電價值的各種預測參數(shù)，大大提高了水電價值預測的能力；

(2)針對水電價值預測精度的問題，通過利用相同的前向與后向結(jié)構(gòu)，將網(wǎng)絡(luò)結(jié)構(gòu)中的數(shù)學模型以反向堆疊的狀態(tài)方式實現(xiàn)輸入數(shù)據(jù)的學習，提高了學習精度；

(3)針對數(shù)據(jù)分析能力差的問題，通過構(gòu)建的不同層級關(guān)系，提取抽象的數(shù)據(jù)特征，實現(xiàn)各種不同數(shù)據(jù)的微觀分析，并實現(xiàn)各種數(shù)據(jù)形式的參數(shù)學習修正，進一步提高了學習評估，使得評估能力大大提高。

通過試驗證明，本文所提技術(shù)方案分析能力高、誤差率低，雖然該研究方法具有一定的實踐意義，但是仍存在一些問題，比如水電預測過程中的數(shù)據(jù)處理問題、數(shù)據(jù)篩選問題等，有待進一步研究與分析。