王勃，馮雙磊，劉曉琳，王釗

（1. 新能源與儲(chǔ)能運(yùn)行控制國(guó)家重點(diǎn)實(shí)驗(yàn)室，中國(guó)電力科學(xué)研究院有限公司，北京 100192；2. 電力氣象國(guó)家電網(wǎng)有限公司聯(lián)合實(shí)驗(yàn)室，北京 100192）

0 引言

短期風(fēng)電功率預(yù)測(cè)可單次預(yù)測(cè)未來(lái)24~72 h 的風(fēng)電功率，這為中時(shí)間尺度下的電力調(diào)度計(jì)劃提供了依據(jù)。一般情況下短期風(fēng)電功率預(yù)測(cè)主要依賴于數(shù)值天氣預(yù)報(bào)（numerical weather prediction，NWP），通常將日前甚至更長(zhǎng)時(shí)間跨度的數(shù)值天氣預(yù)報(bào)關(guān)鍵氣象要素，例如風(fēng)速、風(fēng)向、溫度、濕度、氣壓等相關(guān)量作為人工智能算法的輸入特征進(jìn)行功率預(yù)測(cè)［1-7］受制于NWP 的預(yù)報(bào)精度，且隨著預(yù)見期的增加，短期風(fēng)電功率預(yù)測(cè)精度也會(huì)惡化，其主要原因是NWP 預(yù)報(bào)精度隨預(yù)見期增加而變差。為解決NWP 預(yù)報(bào)精度的問(wèn)題，常采用天氣類型劃分［8］、波動(dòng)場(chǎng)景劃分［9］等方法來(lái)提高精細(xì)化建模精度。

盡管日前NWP 預(yù)報(bào)具有較高精度，但是在極端甚至轉(zhuǎn)折性天氣過(guò)程條件下，NWP 經(jīng)常存在預(yù)報(bào)偏差，這一偏差主要表現(xiàn)在NWP 關(guān)鍵氣象要素，例如風(fēng)速、降水、氣溫等預(yù)報(bào)信息在預(yù)報(bào)網(wǎng)格區(qū)域內(nèi)存在落區(qū)范圍偏大或偏小、關(guān)鍵氣象要素預(yù)報(bào)時(shí)序超前或滯后、要素幅值偏高或偏低等情況［10-13］，這些預(yù)報(bào)偏差也會(huì)給風(fēng)電功率預(yù)測(cè)產(chǎn)生不利影響，造成風(fēng)電功率序列在時(shí)序和幅值上的偏差［14］。

以往的研究大多是對(duì)NWP 特征進(jìn)行聚類分型或者引入歷史功率序列來(lái)提高短期風(fēng)電功率預(yù)測(cè)精度，師洪濤等［15］為提升風(fēng)電功率的多區(qū)間復(fù)合預(yù)測(cè)性能對(duì)功率序列的一階差分序列進(jìn)行趨勢(shì)聚類，分趨勢(shì)對(duì)短期風(fēng)電功率進(jìn)行預(yù)測(cè)，提升了多區(qū)間復(fù)合預(yù)測(cè)性能。文獻(xiàn)［16］采用k-means 聚類方法對(duì)原始數(shù)據(jù)進(jìn)行聚類分型，并將聚類后的數(shù)據(jù)進(jìn)行核主成分特征降維，提高了短期風(fēng)電功率預(yù)測(cè)精度。文獻(xiàn)［17］為減小風(fēng)的隨機(jī)性和波動(dòng)性帶來(lái)的預(yù)測(cè)誤差，基于搖擺窗算法識(shí)別風(fēng)的波動(dòng)性，采用BFSN（broad first search neighbors）算法對(duì)波動(dòng)風(fēng)速序列進(jìn)行聚類劃分，根據(jù)預(yù)測(cè)時(shí)段的風(fēng)速波動(dòng)過(guò)程進(jìn)行匹配建模，提升了風(fēng)電功率短期預(yù)測(cè)的精度。文獻(xiàn)［18］基于最大相關(guān)最小冗余的方法，提取風(fēng)電功率預(yù)測(cè)關(guān)鍵氣象特征，并對(duì)風(fēng)速波動(dòng)程度進(jìn)行細(xì)化分型，分波動(dòng)大小分別訓(xùn)練模型，提升了整體預(yù)測(cè)精度。

為進(jìn)一步挖掘相關(guān)信息，已有文獻(xiàn)采用特征提取或序列分解重構(gòu)的方法，文獻(xiàn)［19］對(duì)氣象因素提取多時(shí)間尺度下的統(tǒng)計(jì)特征、組合特征和類別特征，并基于深度學(xué)習(xí)模型進(jìn)行特征排序得到最優(yōu)特征組合，提高了短期風(fēng)電功率預(yù)測(cè)精度。文獻(xiàn)［20］利用 CEEMDAN （complete ensemble empirical mode decomposition with adaptive noise） 算法對(duì)風(fēng)電功率序列進(jìn)行分解，結(jié)合關(guān)鍵氣象要素進(jìn)行模型訓(xùn)練和建模，對(duì)預(yù)測(cè)序列進(jìn)行重構(gòu)，提升了功率預(yù)測(cè)精度。文獻(xiàn)［21］采用魯棒回歸模型對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，并基于變分模態(tài)分解對(duì)原始功率序列進(jìn)行分解后預(yù)測(cè)重構(gòu)，證明了該方法的有效性。

以上的短期風(fēng)電功率提升預(yù)測(cè)精度的思路大多是考慮NWP 數(shù)據(jù)特征提取或是規(guī)律性挖掘，并結(jié)合歷史功率序列的方法，鮮有考慮轉(zhuǎn)折性天氣過(guò)程導(dǎo)致NWP 預(yù)報(bào)偏差所帶來(lái)的風(fēng)電功率預(yù)測(cè)精度變差的情況?；谝陨戏治觯疚目紤]轉(zhuǎn)折性天氣過(guò)程下，NWP 預(yù)報(bào)精度變差的情況，對(duì)轉(zhuǎn)折性天氣過(guò)程進(jìn)行識(shí)別，并基于轉(zhuǎn)折性天氣過(guò)程識(shí)別結(jié)果采用面向?qū)ο蟮脑\斷檢驗(yàn)方法（method for objectbased on diagnostic evaluation，MODE）進(jìn)行檢驗(yàn)；對(duì)各類轉(zhuǎn)折性完整天氣過(guò)程進(jìn)行分天氣過(guò)程單獨(dú)建模的思路，采用天氣過(guò)程匹配的方式對(duì)短期風(fēng)電功率進(jìn)行預(yù)測(cè)。

1 總體研究思路

本文主要提出了一種考慮轉(zhuǎn)折性天氣過(guò)程識(shí)別與檢驗(yàn)的風(fēng)電功率短期預(yù)測(cè)方法，其主要分為以下4個(gè)步驟。

1） 轉(zhuǎn)折性天氣過(guò)程識(shí)別：首先對(duì)于NWP 大量的冗余特征采用隨機(jī)森林進(jìn)行特征重要性分析，得到少數(shù)幾個(gè)與天氣過(guò)程具有較強(qiáng)相關(guān)性的特征，基于特征重要性分析結(jié)果，采用門控循環(huán)單元（gated recurrent unit，GRU）神經(jīng)網(wǎng)絡(luò)對(duì)原始NWP 15 min采樣間隔的樣本進(jìn)行逐點(diǎn)轉(zhuǎn)折性天氣時(shí)點(diǎn)的識(shí)別檢測(cè)。

2） MODE 空間檢驗(yàn)及評(píng)價(jià)：對(duì)轉(zhuǎn)折性天氣過(guò)程進(jìn)行MODE空間檢驗(yàn)并針對(duì)檢驗(yàn)結(jié)果計(jì)算評(píng)價(jià)指標(biāo)以判別NWP 在不同轉(zhuǎn)折性天氣過(guò)程條件下對(duì)實(shí)況場(chǎng)的預(yù)報(bào)能效。

3） NWP 預(yù)報(bào)規(guī)律性挖掘：基于MODE 檢驗(yàn)結(jié)果，對(duì)不同轉(zhuǎn)折性天氣場(chǎng)景下NWP 的預(yù)報(bào)規(guī)律進(jìn)行分析挖掘以得到其在不同轉(zhuǎn)折性天氣過(guò)程下的預(yù)報(bào)規(guī)律性以便于后續(xù)的分場(chǎng)景建模。

4） 分天氣場(chǎng)景預(yù)測(cè)建模：基于NWP 預(yù)報(bào)規(guī)律性分析考慮不同轉(zhuǎn)折性天氣場(chǎng)景下NWP 的預(yù)報(bào)能效，采用不同的模型來(lái)匹配不同的天氣類型以達(dá)到最佳的預(yù)測(cè)效果，對(duì)確定性轉(zhuǎn)折天氣過(guò)程單獨(dú)訓(xùn)練模型用于預(yù)測(cè)時(shí)段天氣類型匹配和功率預(yù)測(cè)。其主要流程如圖1所示。

圖1 整體研究思路流程圖Fig. 1 Flow chart of overall research ideas

2 轉(zhuǎn)折性天氣過(guò)程識(shí)別及檢驗(yàn)

2.1 轉(zhuǎn)折性天氣過(guò)程識(shí)別

本文主要考慮對(duì)NWP 時(shí)點(diǎn)的轉(zhuǎn)折性天氣類型進(jìn)行識(shí)別，其識(shí)別機(jī)制主要是將時(shí)點(diǎn)的轉(zhuǎn)折性天氣過(guò)程關(guān)鍵氣象要素輸入門控循環(huán)單元深度學(xué)習(xí)分類器，輸出則是對(duì)應(yīng)的天氣過(guò)程類別，劃分出對(duì)應(yīng)的天氣過(guò)程。

考慮到循環(huán)神經(jīng)網(wǎng)絡(luò)RNN 計(jì)及過(guò)去時(shí)刻信息的訓(xùn)練方法容易導(dǎo)致梯度消失，造成信息損失或者導(dǎo)致過(guò)去時(shí)刻信息占比增加，導(dǎo)致訓(xùn)練效果變差的情況，提出了長(zhǎng)短期記憶網(wǎng)絡(luò)來(lái)解決這一問(wèn)題［22］。而GRU 在LSTM 遺忘門的基礎(chǔ)上做了一定的簡(jiǎn)化，這一簡(jiǎn)化使得GRU 在性能上優(yōu)于LSTM 網(wǎng)絡(luò)。GRU 把內(nèi)部狀態(tài)向量和輸出向量合并，統(tǒng)一為狀態(tài)向量h，門控?cái)?shù)量也減少到2 個(gè)，其分別是復(fù)位門和更新門，其可以保存很久之前的信息，并且提取相關(guān)信息，解決了梯度消失問(wèn)題［23-24］，其內(nèi)部運(yùn)行機(jī)制如式（1）—（4）所示，網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 GRU網(wǎng)絡(luò)結(jié)構(gòu)Fig. 2 GRU network structure

其中重置門rt可表示為：

更新門ut可表示為：

候選隱藏層狀態(tài)h?t可表示為：

隱藏狀態(tài)ht可表示為：

式中：rt、ut分別為重置門和更新門在t時(shí)刻的輸出；wr和br分別為重置門的參數(shù)矩陣和殘差向量；wu和bu分別為更新門的參數(shù)矩陣和殘差向量；σ為激活函數(shù)，一般為sigmoid 函數(shù)；tanh 為雙曲線激活函數(shù)；xt為t時(shí)刻模型的輸入；ht-1為模型t- 1時(shí)刻的網(wǎng)絡(luò)輸出。

2.2 MODE空間檢驗(yàn)

為挖掘NWP 對(duì)于各類轉(zhuǎn)折性天氣過(guò)程的預(yù)報(bào)規(guī)律性，對(duì)各類轉(zhuǎn)折性天氣過(guò)程進(jìn)行MODE 檢驗(yàn)，評(píng)估NWP 對(duì)于此類天氣過(guò)程的預(yù)報(bào)準(zhǔn)確程度，這一檢驗(yàn)過(guò)程主要包括預(yù)報(bào)場(chǎng)和實(shí)況場(chǎng)的預(yù)報(bào)落區(qū)范圍匹配度，預(yù)報(bào)場(chǎng)預(yù)報(bào)要素在幅值或相位上的偏差，其主要檢驗(yàn)過(guò)程如下［10］。

1） 平滑處理：剔除診斷目標(biāo)范圍內(nèi)的零散細(xì)碎小目標(biāo)，設(shè)置卷積半徑R，其作用主要是平滑掉半徑小于R的目標(biāo)物，減小細(xì)碎小目標(biāo)對(duì)檢驗(yàn)結(jié)果的干擾。

2） 檢驗(yàn)要素閾值確定和掩膜場(chǎng)構(gòu)建：由于轉(zhuǎn)折性天氣過(guò)程中預(yù)報(bào)要素的檢驗(yàn)是對(duì)其某一閾值，即天氣過(guò)程發(fā)展程度進(jìn)行檢驗(yàn)，這一閾值衡量了該要素的影響程度，此時(shí)設(shè)定要素閾值為T，僅對(duì)≥T的要素范圍進(jìn)行檢驗(yàn)，設(shè)定閾值后對(duì)滿足閾值條件的原始場(chǎng)進(jìn)行要素重構(gòu)，滿足≥T的落區(qū)保留，反之剔除，從而得到掩膜場(chǎng)，如式（5）所示。

式中：D(x，y)為掩膜場(chǎng)，D(x，y) = 1表示原始場(chǎng)要素保留，D(x，y) = 0表示原始場(chǎng)要素剔除；C(x，y)為原始場(chǎng)檢驗(yàn)要素。

3） 重構(gòu)場(chǎng)生成：基于閾值設(shè)定得到掩膜場(chǎng)后，由于網(wǎng)格位置由0 或1 表示，此時(shí)為得到重構(gòu)場(chǎng)，需要將滿足閾值條件的原始場(chǎng)檢驗(yàn)要素重新賦值給掩膜場(chǎng)得到重構(gòu)場(chǎng)，即原始場(chǎng)要素與掩膜場(chǎng)作乘積，其表達(dá)式為：

式中F(x，y)為生成的重構(gòu)場(chǎng)。

3 算例分析

為驗(yàn)證本文所提出的計(jì)及轉(zhuǎn)折性天氣過(guò)程識(shí)別與檢驗(yàn)的短期風(fēng)電功率預(yù)測(cè)方法的有效性，選取吉林省2019—2021 年3 年的全網(wǎng)格的NWP 預(yù)報(bào)數(shù)據(jù)和實(shí)測(cè)氣象數(shù)據(jù)進(jìn)行算例分析，其中2019—2020年兩年的數(shù)據(jù)用于轉(zhuǎn)折性天氣過(guò)程的識(shí)別建模與NWP 轉(zhuǎn)折性天氣過(guò)程的寒潮、系統(tǒng)性降水、冷鋒過(guò)境等關(guān)鍵氣象要素的MODE 檢驗(yàn)，2021 年全年數(shù)據(jù)用于天氣過(guò)程識(shí)別和風(fēng)電功率短期預(yù)測(cè)分析。本文所使用的NWP 預(yù)報(bào)數(shù)據(jù)和實(shí)測(cè)氣象數(shù)據(jù)時(shí)間分辨率均為15 min，而空間分辨率為3 km×3 km，風(fēng)電場(chǎng)額定裝機(jī)容量為149.9 MW。

3.1 評(píng)價(jià)指標(biāo)

3.1.1 轉(zhuǎn)折性天氣過(guò)程識(shí)別評(píng)價(jià)指標(biāo)

由于轉(zhuǎn)折性天氣過(guò)程的識(shí)別可以認(rèn)為是一種有監(jiān)督模式的分類問(wèn)題，所以本文在考慮轉(zhuǎn)折性天氣過(guò)程的識(shí)別時(shí)采用多分類評(píng)價(jià)指標(biāo)的準(zhǔn)確率（Accuracy）、精確率（Precision）、特異性（Specificity）、靈敏度（Sensitivity）等指標(biāo)，其公式如下［25］。

式中：TP為實(shí)際為正類預(yù)測(cè)為正類的數(shù)量；FP為實(shí)際為正類預(yù)測(cè)為負(fù)類的數(shù)量；TN為實(shí)際為負(fù)類預(yù)測(cè)為負(fù)類的數(shù)量；FN為實(shí)際為負(fù)類預(yù)測(cè)為正類的數(shù)量。其中，準(zhǔn)確率反映了所有正例和負(fù)例中完全預(yù)測(cè)正確的樣本比例；精確率表示預(yù)測(cè)為正例的樣本中有多少比例的樣本為正例；特異性反映了真實(shí)為負(fù)例的樣本中有多少比例的樣本被預(yù)測(cè)為負(fù)例；靈敏度反映了真實(shí)為正例的樣本中有多少比例的樣本被預(yù)測(cè)為正例。這幾個(gè)指標(biāo)越接近1，表示預(yù)測(cè)結(jié)果精度越高，模型性能越好。

3.1.2 MODE檢驗(yàn)評(píng)價(jià)指標(biāo)

MODE 檢驗(yàn)評(píng)估指標(biāo)主要是針對(duì)檢驗(yàn)對(duì)象所提出的用于評(píng)價(jià)NWP 預(yù)報(bào)準(zhǔn)確程度的指標(biāo)集，其主要包括：面積比、質(zhì)心距離、軸角差、交集比、綜合匹配度等指標(biāo)，其計(jì)算方法如下［10］。

1） 面積比：表示預(yù)報(bào)場(chǎng)和實(shí)況場(chǎng)目標(biāo)物面積之比，其中面積比越接近于1 則目標(biāo)場(chǎng)與實(shí)況場(chǎng)匹配效果越好。

2） 質(zhì)心距離：表示預(yù)報(bào)場(chǎng)目標(biāo)物質(zhì)心與實(shí)況場(chǎng)目標(biāo)物質(zhì)心之間的空間距離，其中質(zhì)心距離越小，表示目標(biāo)場(chǎng)與實(shí)況場(chǎng)目標(biāo)單體越接近，預(yù)報(bào)效果越好。

3） 軸角差：表示預(yù)報(bào)場(chǎng)和實(shí)況場(chǎng)目標(biāo)物對(duì)稱軸與東西向水平軸線所成銳角之差，其中軸角差越小，表示預(yù)報(bào)場(chǎng)和實(shí)況場(chǎng)匹配效果越好。

4） 交集比：表示預(yù)報(bào)場(chǎng)和實(shí)況場(chǎng)目標(biāo)物重疊部分所占比值，其中交集比越接近于1，表示預(yù)報(bào)場(chǎng)預(yù)報(bào)效果與實(shí)況場(chǎng)更接近。

5） 匹配度參數(shù)：用于衡量目標(biāo)單體之間的綜合匹配度，這一指標(biāo)越接近于1，表示預(yù)報(bào)場(chǎng)預(yù)報(bào)效果與實(shí)況場(chǎng)更接近。

3.1.3 風(fēng)電功率預(yù)測(cè)結(jié)果評(píng)價(jià)指標(biāo)

本文誤差評(píng)價(jià)指標(biāo)有：平均絕對(duì)誤差EMAE（mean absolute error，MAE）、均方根誤差ERMSE（root mean square error，RMSE），其計(jì)算公式為：

式中：n為預(yù)測(cè)序列的點(diǎn)預(yù)測(cè)數(shù)量；Pi為實(shí)際值；為預(yù)測(cè)值；Cap為額定裝機(jī)容量。

3.2 轉(zhuǎn)折性天氣過(guò)程識(shí)別

由于本文主要考慮寒潮、系統(tǒng)性降水、冷鋒過(guò)境等轉(zhuǎn)折性天氣過(guò)程的識(shí)別，而天氣過(guò)程識(shí)別因子與這些天氣過(guò)程息息相關(guān)，考慮到寒潮天氣過(guò)程常導(dǎo)致短時(shí)間內(nèi)氣溫驟降，冷鋒過(guò)境時(shí)溫度下降同時(shí)氣壓上升，系統(tǒng)性降水則是與降水相關(guān)，同時(shí)考慮一些輔助誘因，此時(shí)將原始特征序列進(jìn)行隨機(jī)森林重要特征的篩選，以得出原始特征的重要性。如圖3 所示，可以看出降水量、氣壓和溫度重要性占比較大，因此考慮將氣溫、海平面氣壓、大尺度降水等作為識(shí)別轉(zhuǎn)折性天氣過(guò)程的識(shí)別要素。為提升寒潮以及冷鋒過(guò)境等天氣類型的識(shí)別準(zhǔn)確率，對(duì)溫度以及海平面氣壓進(jìn)行一階差分序列重構(gòu)［26］，得到24 h 采樣間隔的一階差分溫度序列和海平面氣壓序列，作為輔助新增敏感特征，其計(jì)算公式如下。

圖3 原始特征重要性占比Fig. 3 Percentages of importance of original features

式中：Temp為間隔24 h 的溫度一階差分值；temp，i表為實(shí)時(shí)溫度值；Pressure為間隔24 h 的海平面氣壓一階差分值；pressure，i為實(shí)時(shí)海平面氣壓值；n為序列樣本數(shù)量，其中樣本間采樣間隔為15 min。

表1 展示了測(cè)試集3 類轉(zhuǎn)折性天氣過(guò)程和正常天氣過(guò)程按15 min 分辨率的樣本數(shù)量，可以看到，轉(zhuǎn)折性天氣過(guò)程出現(xiàn)的情況較少，僅占整個(gè)數(shù)據(jù)集的16%，其中冷鋒過(guò)境天氣過(guò)程占比最少，僅為1.79%。圖4 展示了驗(yàn)證集的轉(zhuǎn)折性天氣過(guò)程的分類混淆矩陣圖，可以看到，采用GRU 作為分類器時(shí)，寒潮天氣過(guò)程識(shí)別效果最好，其余3 種天氣過(guò)程均存在一定的誤識(shí)別，但是總體的識(shí)別準(zhǔn)確率達(dá)到了99.58%，其中各類天氣過(guò)程識(shí)別精確率、特異性和靈敏度指標(biāo)如表2 所示，可以看到各類轉(zhuǎn)折性天氣過(guò)程的識(shí)別結(jié)果評(píng)價(jià)指標(biāo)相差不大，且處于較高的準(zhǔn)確率范圍內(nèi)。圖5 展示了各類天氣過(guò)程識(shí)別結(jié)果評(píng)價(jià)指標(biāo)的對(duì)比圖，其結(jié)果不僅體現(xiàn)了識(shí)別精度同時(shí)也反映了模型具有較為突出的識(shí)別性能。

表1 各類天氣過(guò)程樣本占比Tab. 1 Percentages of samples for each type of weather process

表2 各類天氣過(guò)程分類結(jié)果評(píng)估指標(biāo)Tab. 2 Evaluation indicators of various types of classification results of weather processes%

圖4 分類結(jié)果混淆矩陣圖Fig. 4 Confusion matrix of classification results

圖5 各類天氣過(guò)程分類評(píng)價(jià)指標(biāo)Fig. 5 Classification and evaluation indicators for each type of weather process

為突出GRU 深度學(xué)習(xí)模型的分類性能，采用極限學(xué)習(xí)機(jī)（extreme learning machine，ELM）、隨機(jī)森林（random forest，RF）、長(zhǎng)短期記憶網(wǎng)絡(luò)（long and short-term memory，LSTM）等模型進(jìn)行對(duì)比，其分類評(píng)價(jià)指標(biāo)如表3所示。其中基于GRU分類器得到的識(shí)別準(zhǔn)確率相較于LSTM 以及ELM 和RF 均要高，其中相較于LSTM 深度學(xué)習(xí)分類器準(zhǔn)確率提升有限，但是基于傳統(tǒng)的淺層網(wǎng)絡(luò)的ELM以及集成學(xué)習(xí)算法的RF 準(zhǔn)確率具有較高提升，采用GRU作為轉(zhuǎn)折性天氣過(guò)程的識(shí)別效果突出。

表3 各分類器的轉(zhuǎn)折性天氣過(guò)程識(shí)別結(jié)果Tab. 3 Results of transitional weather process identification for each classifier%

為衡量模型的預(yù)測(cè)效能，對(duì)GRU 識(shí)別結(jié)果繪制其ROC 曲線對(duì)預(yù)測(cè)模型進(jìn)行綜合分析。如圖6所示，其中ROC 曲線在基準(zhǔn)曲線上方所占面積越大表示模型分類準(zhǔn)確率越高，可以看到采用GRU 深度學(xué)習(xí)分類器所得ROC 曲線面積接近于1，具有較高識(shí)別精度，滿足轉(zhuǎn)折性天氣過(guò)程的分類準(zhǔn)確率要求。

圖6 GRU模型分類結(jié)果ROC曲線Fig. 6 ROC curve of GRU model classification results

為衡量模型的預(yù)測(cè)效能，對(duì)GRU 識(shí)別結(jié)果繪制其ROC 曲線對(duì)預(yù)測(cè)模型進(jìn)行綜合分析。如圖6所示，其中ROC 曲線在基準(zhǔn)曲線上方所占面積越大表示模型分類準(zhǔn)確率越高，可以看到采用GRU 深度學(xué)習(xí)分類器所得ROC 曲線面積接近于1，具有較高識(shí)別精度，滿足轉(zhuǎn)折性天氣過(guò)程的分類準(zhǔn)確率要求。

3.3 MODE空間檢驗(yàn)及NWP預(yù)報(bào)能效挖掘

由于NWP 在極端或轉(zhuǎn)折性天氣條件下的預(yù)報(bào)精度存在差異性，并且不同的轉(zhuǎn)折性天氣過(guò)程的預(yù)報(bào)性能也有所差異，通常來(lái)說(shuō)，轉(zhuǎn)折性天氣過(guò)程的預(yù)報(bào)誤差大于正常天氣過(guò)程。為挖掘NWP 在不同天氣過(guò)程下的預(yù)報(bào)規(guī)律性，對(duì)轉(zhuǎn)折性天氣過(guò)程進(jìn)行MODE 檢驗(yàn)。而本文主要是檢驗(yàn)與風(fēng)電功率強(qiáng)相關(guān)的NWP 關(guān)鍵氣象要素在轉(zhuǎn)折性天氣過(guò)程條件下的預(yù)報(bào)偏差并挖掘其預(yù)報(bào)規(guī)律性，用于指導(dǎo)風(fēng)電功率預(yù)測(cè)，因此在各類轉(zhuǎn)折性天氣過(guò)程條件下其檢驗(yàn)要素均為風(fēng)速。其中，對(duì)發(fā)生在2019 年11 月24 日的寒潮天氣過(guò)程、2019 年11 月17 日的冷鋒過(guò)境天氣過(guò)程以及2019 年7 月29 日的系統(tǒng)性降水天氣過(guò)程進(jìn)行MODE空間檢驗(yàn)。

2019年11月24日寒潮天氣過(guò)程存在持續(xù)大風(fēng)，其中NWP 預(yù)報(bào)范圍內(nèi)不同位置處的當(dāng)日平均風(fēng)速變化如圖7 所示，其中可以看到吉林省西南部分區(qū)域的風(fēng)速相較于整個(gè)吉林省來(lái)說(shuō)偏大，其平均風(fēng)速已超過(guò)10 m/s，而吉林省位于NWP 網(wǎng)格范圍的中部，其風(fēng)速值偏低，而MODE檢驗(yàn)結(jié)果顯示，在寒潮持續(xù)時(shí)間范圍內(nèi)，吉林省存在大風(fēng)天氣過(guò)程，這說(shuō)明NWP 存在漏報(bào)，其預(yù)報(bào)風(fēng)速幅值偏低，沒(méi)能捕獲到關(guān)鍵大風(fēng)天氣現(xiàn)象。

圖7 NWP預(yù)報(bào)范圍內(nèi)風(fēng)速日平均曲線Fig. 7 Daily average wind speed curves within the NWP forecast range

2019 年11 月17 日冷鋒天氣過(guò)程仍存在持續(xù)大風(fēng)，其中NWP 預(yù)報(bào)范圍內(nèi)不同位置處的當(dāng)日平均風(fēng)速變化如圖8 所示。此時(shí)吉林省西南部的日平均風(fēng)速明顯高于其余范圍，但是風(fēng)電場(chǎng)所在網(wǎng)格處的風(fēng)速也相對(duì)較大，但是基于MODE 檢驗(yàn)結(jié)果顯示，在同一檢驗(yàn)時(shí)間下，經(jīng)過(guò)掩模場(chǎng)生成后，其預(yù)報(bào)場(chǎng)的風(fēng)速總是超前于實(shí)測(cè)場(chǎng)，經(jīng)過(guò)時(shí)間延遲得到錯(cuò)位時(shí)間點(diǎn)的MODE檢驗(yàn)結(jié)果顯示其預(yù)報(bào)場(chǎng)和實(shí)測(cè)場(chǎng)目標(biāo)匹配較好，即NWP 預(yù)報(bào)序列具有超前效應(yīng)。2019 年7 月29 日的系統(tǒng)性降水天氣過(guò)程的MODE檢驗(yàn)結(jié)果顯示，這一次系統(tǒng)性降水天氣過(guò)程中各位置處的平均風(fēng)速并無(wú)明顯偏大的現(xiàn)象，尤其是風(fēng)電場(chǎng)所在網(wǎng)格處的風(fēng)速如圖9所示。其中圖10展示了此次檢驗(yàn)的冷鋒過(guò)境天氣過(guò)程下，預(yù)報(bào)風(fēng)速與實(shí)際風(fēng)速的在持續(xù)時(shí)間內(nèi)的變化趨勢(shì)，可以看到NWP預(yù)報(bào)風(fēng)速在幅值上與實(shí)際風(fēng)速相近，但是在相位上，NWP 風(fēng)速峰值時(shí)刻顯著超前于實(shí)際風(fēng)速序列。

圖8 NWP預(yù)報(bào)范圍內(nèi)風(fēng)速日平均曲線Fig. 8 Daily average wind speed curves within the NWP forecast range

圖9 NWP預(yù)報(bào)范圍內(nèi)風(fēng)速日平均曲線Fig. 9 Daily average wind speed curves within the NWP forecast range

圖10 冷鋒過(guò)境天氣過(guò)程下的預(yù)報(bào)風(fēng)速與實(shí)際風(fēng)速序列Fig. 10 Forecasted wind speed and actual wind speed series under cold front weather processes

圖11-13 分別展示了寒潮、冷鋒過(guò)境以及系統(tǒng)性降水天氣過(guò)程MODE檢驗(yàn)結(jié)果。其中寒潮天氣過(guò)程存在明顯的漏報(bào)現(xiàn)象，實(shí)況場(chǎng)第6 目標(biāo)對(duì)在預(yù)報(bào)場(chǎng)中未被檢驗(yàn)到，而實(shí)況場(chǎng)和預(yù)報(bào)場(chǎng)其余目標(biāo)對(duì)的匹配結(jié)果顯示數(shù)值天氣預(yù)報(bào)基本涵蓋了實(shí)況場(chǎng)的檢驗(yàn)?zāi)繕?biāo)，在這一天氣條件下，NWP 具有一定的預(yù)報(bào)效果。在冷鋒過(guò)境天氣過(guò)程下，預(yù)報(bào)場(chǎng)預(yù)報(bào)要素有超前于實(shí)況場(chǎng)要素的情況出現(xiàn)，經(jīng)過(guò)將預(yù)報(bào)場(chǎng)時(shí)間延遲1 h 后的MODE 檢驗(yàn)結(jié)果與實(shí)況場(chǎng)對(duì)比，其預(yù)報(bào)場(chǎng)和實(shí)況場(chǎng)目標(biāo)對(duì)具有較好的匹配效果，說(shuō)明在冷鋒過(guò)境天氣條件下，NWP 存在一定的預(yù)報(bào)時(shí)序偏移。在系統(tǒng)性降水天氣過(guò)程條件下，預(yù)報(bào)場(chǎng)和實(shí)況場(chǎng)目標(biāo)對(duì)匹配得較好，系統(tǒng)性降水天氣過(guò)程對(duì)NWP得風(fēng)速預(yù)報(bào)影響較小，其中表4展示了MODE檢驗(yàn)結(jié)果的預(yù)報(bào)場(chǎng)和實(shí)況場(chǎng)的目標(biāo)對(duì)匹配結(jié)果的診斷指標(biāo)，可以看到寒潮天氣過(guò)程除去漏報(bào)場(chǎng)景，其余目標(biāo)對(duì)匹配效果較好，冷鋒過(guò)境天氣過(guò)程考慮預(yù)報(bào)時(shí)序偏差后其預(yù)報(bào)場(chǎng)和實(shí)況場(chǎng)目標(biāo)對(duì)匹配結(jié)果最佳，系統(tǒng)性降水天氣過(guò)程，其NWP 預(yù)報(bào)結(jié)果與實(shí)際結(jié)果具有較好的匹配度，說(shuō)明NWP 在不同轉(zhuǎn)折性天氣場(chǎng)景下具有一定的預(yù)報(bào)能效，在實(shí)際使用NWP 時(shí)，應(yīng)充分考慮不同天氣場(chǎng)景下的預(yù)報(bào)規(guī)律。

表4 各轉(zhuǎn)折性天氣過(guò)程MODE檢驗(yàn)的診斷指標(biāo)Tab. 4 Diagnostic indicators for the MODE test for each transitional weather process

圖11 寒潮天氣過(guò)程的MODE檢驗(yàn)結(jié)果Fig. 11 MODE test results for cold weather processes

圖12 冷鋒天氣過(guò)程的MODE檢驗(yàn)結(jié)果Fig. 12 MODE test results for cold front weather processes

圖13 系統(tǒng)性降水天氣過(guò)程的MODE檢驗(yàn)結(jié)果Fig. 13 MODE test results for systematic precipitation weather processes

3.4 計(jì)及轉(zhuǎn)折性天氣過(guò)程和NWP規(guī)律性挖掘的風(fēng)電功率短期預(yù)測(cè)

基于MODE 空間檢驗(yàn)結(jié)果可知，寒潮天氣過(guò)程與冷鋒天氣過(guò)程類似，在以上空間檢驗(yàn)結(jié)果中顯示，寒潮天氣過(guò)程其預(yù)報(bào)風(fēng)速在幅值上存在明顯偏低的情況，這可能導(dǎo)致最終預(yù)測(cè)模型不收斂，此時(shí)考慮采用深度學(xué)習(xí)模型GRU 提高模型的收斂能力；而冷鋒過(guò)境天氣過(guò)程檢驗(yàn)結(jié)果顯示，其風(fēng)速預(yù)報(bào)要素存在時(shí)序超前性，此時(shí)考慮采用BILSTM 模型挖掘時(shí)序特征進(jìn)行該天氣過(guò)程的功率預(yù)測(cè)；而系統(tǒng)性降水過(guò)程所涉及到的關(guān)鍵氣象要素較少，對(duì)風(fēng)電功率預(yù)測(cè)結(jié)果影響較小，考慮其與正常天氣過(guò)程一樣，采用淺層網(wǎng)絡(luò)的ELM 進(jìn)行建模和預(yù)測(cè)。

由于本文所考慮的轉(zhuǎn)折性天氣過(guò)程在連續(xù)時(shí)間序列上并沒(méi)有同時(shí)出現(xiàn)的情況，在測(cè)試階段考慮選取2019 年一年中出現(xiàn)轉(zhuǎn)折性天氣過(guò)程的離散時(shí)段進(jìn)行測(cè)試，以檢驗(yàn)本文所提出的考慮轉(zhuǎn)折性天氣過(guò)程識(shí)別與檢驗(yàn)的短期功率預(yù)測(cè)方法的有效性。此時(shí)基于GRU 深度學(xué)習(xí)分類器的轉(zhuǎn)折性天氣過(guò)程識(shí)別結(jié)果，對(duì)每一種天氣過(guò)程選取兩次非連續(xù)的發(fā)生的轉(zhuǎn)折性天氣事件進(jìn)行功率預(yù)測(cè)。

圖14 顯示了寒潮天氣過(guò)程的功率預(yù)測(cè)結(jié)果，可以看到，寒潮天氣過(guò)程下風(fēng)電功率實(shí)際值較正常天氣過(guò)程存在一定波動(dòng)，并且其功率幅值偏大，在這一天氣過(guò)程下采用GRU 深度模型結(jié)合天氣過(guò)程劃分的預(yù)測(cè)結(jié)果相較不劃分的方法以及其余模型的預(yù)測(cè)結(jié)果，誤差更低，更能擬合實(shí)際功率曲線。圖15顯示了系統(tǒng)性降水天氣過(guò)程的功率預(yù)測(cè)結(jié)果，由于系統(tǒng)性降水天過(guò)程一次持續(xù)時(shí)間較長(zhǎng)，兩次這樣的天氣過(guò)程持續(xù)時(shí)間接近一周，而實(shí)際上采用上述的3 種預(yù)測(cè)方法得到的預(yù)測(cè)誤差相差并不大，但是ELM 結(jié)合分天氣過(guò)程的預(yù)測(cè)模式，誤差相對(duì)更低。圖16 顯示了冷鋒過(guò)境天氣過(guò)程的功率預(yù)測(cè)結(jié)果，其中這一天氣過(guò)程與寒潮天氣過(guò)程類似，具有強(qiáng)風(fēng)天氣過(guò)程，其實(shí)際出力相較于正常天氣過(guò)程偏大，采用BILSTM 其預(yù)測(cè)結(jié)果誤差更低，尤其是結(jié)合天氣過(guò)程劃分的方法，其RMSE 值為0.039，MAE 值為0.035。圖17 為其他天氣過(guò)程的功率預(yù)測(cè)結(jié)果，由于其他天氣過(guò)程較少受到轉(zhuǎn)折性天氣過(guò)程的影響，其NWP 預(yù)報(bào)精度稍微偏高，導(dǎo)致最后的預(yù)測(cè)序列在預(yù)測(cè)方法上要求不高，即各模型預(yù)測(cè)誤差較接近，采用天氣劃分的方法能在一定程度上提高預(yù)測(cè)效果。

圖15 系統(tǒng)性降水天氣過(guò)程功率預(yù)測(cè)曲線Fig. 15 Power prediction curves for systematic precipitation weather processes

圖16 冷鋒過(guò)境天氣過(guò)程功率預(yù)測(cè)曲線Fig. 16 Power prediction curves of cold front transit weather process

圖17 其他天氣過(guò)程功率預(yù)測(cè)曲線Fig. 17 Power prediction curves of other weather process

其中各類天氣類型的不同預(yù)測(cè)方法所得到的預(yù)測(cè)結(jié)果的誤差評(píng)價(jià)指標(biāo)如表5 所示，可以看到寒潮和冷鋒過(guò)境天氣過(guò)程其各模型預(yù)測(cè)誤差均偏大，尤其是不采用天氣類型劃分的方法，其誤差相對(duì)于劃分的方法高出2%~7%左右，而系統(tǒng)性降水天氣過(guò)程以及正常天氣過(guò)程由于對(duì)NWP 預(yù)報(bào)影響偏小，其與風(fēng)電功率息息相關(guān)的敏感要素預(yù)報(bào)偏差較小，此時(shí)其預(yù)測(cè)誤差偏低。采用天氣類型劃分的方法所所能減小的誤差也相對(duì)有限，其中系統(tǒng)性降水天氣過(guò)程條件下，進(jìn)行天氣過(guò)程劃分的方法相較于不劃分以及其余模型，其降低誤差0.4%~2%，而正常天氣過(guò)程能降低1%~3%。采用天氣過(guò)程劃分再分模型預(yù)測(cè)的方法能夠有效降低預(yù)測(cè)誤差。

表5 各類天氣過(guò)程下各模型預(yù)測(cè)誤差評(píng)價(jià)指標(biāo)Tab. 5 Evaluation indexs of prediction errors of each model under each type of weather process

4 結(jié)論

本文提出了一種計(jì)及轉(zhuǎn)折性天氣過(guò)程識(shí)別與檢驗(yàn)的風(fēng)電功率短期預(yù)測(cè)方法，首先是基于轉(zhuǎn)折性天氣過(guò)程要素進(jìn)行天氣過(guò)程的識(shí)別，基于識(shí)別結(jié)果采用基于面向?qū)ο蟮腗ODE空間方法對(duì)轉(zhuǎn)折性天氣過(guò)程進(jìn)行檢驗(yàn)，以挖掘各類轉(zhuǎn)折性天氣過(guò)程的NWP預(yù)報(bào)規(guī)律性，并根據(jù)規(guī)律性分析采用分天氣過(guò)程建模和預(yù)測(cè)的思路對(duì)不同轉(zhuǎn)折性天氣過(guò)程進(jìn)行風(fēng)電功率預(yù)測(cè)，得出以下結(jié)論。

1） 采用GRU 深度學(xué)習(xí)分類器進(jìn)行轉(zhuǎn)折性天氣過(guò)程識(shí)別時(shí)，不同天氣過(guò)程識(shí)別準(zhǔn)確率較高，相較于LSTM 深度學(xué)習(xí)分類器其準(zhǔn)確率提升不大，但是相較于傳統(tǒng)機(jī)器學(xué)習(xí)模型的ELM 以及RF 其分類準(zhǔn)確率較高，證明本文采用GRU 作為轉(zhuǎn)折性天氣過(guò)程識(shí)別的有效性。

2） 基于面向?qū)ο蟮腗ODE空間檢驗(yàn)方法對(duì)3種不同的天氣過(guò)程的檢驗(yàn)結(jié)果顯示：寒潮天氣過(guò)程存在風(fēng)速漏報(bào)現(xiàn)象，冷鋒天氣過(guò)程N(yùn)WP 風(fēng)速存在時(shí)序預(yù)報(bào)偏差現(xiàn)象，系統(tǒng)性降水天氣過(guò)程風(fēng)速預(yù)報(bào)結(jié)果較好。

3） 考慮天氣類型劃分和分模型預(yù)測(cè)的方法所得到的風(fēng)電功率預(yù)測(cè)誤差更小，不同的模型適合不同的天氣過(guò)程預(yù)測(cè)，寒潮和冷鋒天氣過(guò)程預(yù)測(cè)誤差較大，而系統(tǒng)性降水和其他天氣過(guò)程預(yù)測(cè)誤差更小，采用本文所提及的預(yù)測(cè)模式，各天氣過(guò)程下RMSE 值分別下降了3.88%、0.99%、3.88%、2.34%， MAE 值分別下降了3.54%、 1.13%、3.31%、1.85%。

盡管本文所提出的考慮轉(zhuǎn)折性天氣過(guò)程的識(shí)別方法具有一定的有效性，但是其識(shí)別對(duì)象主要是針對(duì)分辨率為15 min的采樣點(diǎn)，而一個(gè)完整的天氣過(guò)程應(yīng)該是一段連續(xù)的時(shí)間序列，在今后的研究中將進(jìn)一步考慮完整天氣過(guò)程的識(shí)別與校正，并提高天氣過(guò)程的功率預(yù)測(cè)精度。