摘 要：為確保發(fā)電場(chǎng)正常供應(yīng)電力，設(shè)計(jì)短時(shí)強(qiáng)降雨天氣風(fēng)電場(chǎng)發(fā)電功率預(yù)測(cè)模型，提升發(fā)電功率預(yù)測(cè)效果。通過(guò)歐式距離與角度原則擴(kuò)充短時(shí)強(qiáng)降雨天氣小樣本；利用改進(jìn)深度可分離卷積算法，在正常天氣樣本內(nèi)，提取氣象-功率時(shí)空特征，并輸入長(zhǎng)短期記憶網(wǎng)絡(luò)內(nèi)，建立正常天氣風(fēng)電場(chǎng)發(fā)電功率基準(zhǔn)值預(yù)測(cè)模型，得到發(fā)電功率基準(zhǔn)值；在Transformer算法內(nèi)，輸入擴(kuò)充樣本，建立短時(shí)強(qiáng)降雨天氣下發(fā)電功率損失值預(yù)測(cè)模型；利用基于注意力機(jī)制的Sequence to Sequence網(wǎng)絡(luò)，結(jié)合擴(kuò)樣本，構(gòu)造發(fā)電功率損失時(shí)間點(diǎn)預(yù)判模型，結(jié)合損失值預(yù)測(cè)模型，得到最終發(fā)電功率損失值；利用基準(zhǔn)值減去損失值，得到短時(shí)強(qiáng)降雨天氣下風(fēng)電場(chǎng)發(fā)電功率預(yù)測(cè)結(jié)果。實(shí)驗(yàn)證明：該模型可有效擴(kuò)充短時(shí)強(qiáng)降雨天氣小樣本；該方法可精準(zhǔn)預(yù)判發(fā)電功率損失時(shí)間點(diǎn)，得到發(fā)電功率損失值，完成發(fā)電功率預(yù)測(cè)；不同風(fēng)速下，該模型發(fā)電功率預(yù)測(cè)的關(guān)鍵失誤指數(shù)與偏移程度均較低，即發(fā)電功率預(yù)測(cè)精度較高。

關(guān)鍵詞：短時(shí)強(qiáng)降雨；風(fēng)電場(chǎng)；發(fā)電功率；預(yù)測(cè)模型；可分離卷積；注意力機(jī)制

中圖分類(lèi)號(hào)：TM73"""""""""""""""" """"""""""""""""""""""" 文獻(xiàn)標(biāo)志碼：A

0 引 言

短時(shí)強(qiáng)降雨天氣具備持續(xù)時(shí)間短、風(fēng)險(xiǎn)高與危害大的特性，會(huì)嚴(yán)重影響風(fēng)電場(chǎng)的正常運(yùn)行［1-3］。為此，預(yù)測(cè)短時(shí)強(qiáng)降雨天氣風(fēng)電場(chǎng)的發(fā)電功率，可為風(fēng)電場(chǎng)制定發(fā)電功率安全預(yù)警與調(diào)度指令提供參考，避免受短時(shí)強(qiáng)降雨天氣影響，導(dǎo)致風(fēng)電場(chǎng)無(wú)法正常供應(yīng)電力［4-5］。例如，胡帥等［6］利用高斯算法，構(gòu)造數(shù)值天氣預(yù)報(bào)風(fēng)速修正模型，并考慮其他氣象因素，構(gòu)造風(fēng)電場(chǎng)發(fā)電功率預(yù)測(cè)模型；通過(guò)分析鄰近風(fēng)電場(chǎng)間風(fēng)速空間的相關(guān)性，構(gòu)造風(fēng)速空間相關(guān)性風(fēng)電發(fā)電功率預(yù)測(cè)模型，以組合加權(quán)的方式，融合兩個(gè)預(yù)測(cè)模型，得到最終的風(fēng)電場(chǎng)發(fā)電功率預(yù)測(cè)模型；通過(guò)拉格朗日乘子法求解該模型，得到風(fēng)電場(chǎng)發(fā)電功率預(yù)測(cè)結(jié)果。該模型可有效提升風(fēng)電場(chǎng)發(fā)電功率預(yù)測(cè)精度。盛四清等［7］通過(guò)變分模式分解算法，分解歷史風(fēng)電場(chǎng)放電功率序列信息，得到不同模態(tài)分量，以其為多尺度特征，在權(quán)值共享門(mén)控循環(huán)單元內(nèi)，輸入多尺度特征，構(gòu)造風(fēng)電場(chǎng)發(fā)電功率預(yù)測(cè)模型。該方法可較好地分析風(fēng)電場(chǎng)發(fā)電功率的變化趨勢(shì)，具備較高的發(fā)電功率預(yù)測(cè)精度。對(duì)于短時(shí)強(qiáng)降雨天氣，上述方法均無(wú)法精準(zhǔn)確定發(fā)電功率跌落時(shí)間點(diǎn)，即無(wú)法確定發(fā)電功率損失時(shí)間與損失值，影響發(fā)電功率預(yù)測(cè)效果。針對(duì)上述問(wèn)題，設(shè)計(jì)短時(shí)強(qiáng)降雨天氣風(fēng)電場(chǎng)發(fā)電功率預(yù)測(cè)模型，通過(guò)建立發(fā)電功率損失時(shí)間點(diǎn)模型，確定發(fā)電功率損失值，以提升發(fā)電場(chǎng)發(fā)電功率預(yù)測(cè)精度。

1 風(fēng)電場(chǎng)發(fā)電功率預(yù)測(cè)模型

因?yàn)槎虝r(shí)強(qiáng)降雨天氣下，風(fēng)電場(chǎng)發(fā)電功率波動(dòng)性強(qiáng)，所以同一風(fēng)速下的風(fēng)電場(chǎng)發(fā)電功率并不一致［8］。為此，需考慮短時(shí)強(qiáng)降雨天氣下，風(fēng)速對(duì)風(fēng)電場(chǎng)發(fā)電功率的影響，提升風(fēng)電場(chǎng)發(fā)電功率預(yù)測(cè)精度。

短時(shí)強(qiáng)降雨天氣下，大風(fēng)會(huì)導(dǎo)致風(fēng)機(jī)偏航、變槳修正時(shí)間增長(zhǎng)，降低風(fēng)力機(jī)出力的穩(wěn)定性［9-10］。短時(shí)強(qiáng)降雨天氣往往伴隨著強(qiáng)風(fēng)或風(fēng)暴，在這種情況下，風(fēng)電機(jī)組可能受到較大的風(fēng)速變化。當(dāng)風(fēng)速達(dá)到風(fēng)力發(fā)電機(jī)切入風(fēng)速時(shí)，風(fēng)力發(fā)電機(jī)開(kāi)始運(yùn)行，但如果風(fēng)速過(guò)快，可能會(huì)超出風(fēng)力發(fā)電機(jī)的安全運(yùn)行范圍，導(dǎo)致其停機(jī)保護(hù)，從而影響發(fā)電功率［11］。

1.1 短時(shí)強(qiáng)降雨天氣小樣本擴(kuò)充

因?yàn)槎虝r(shí)強(qiáng)降雨天氣持續(xù)時(shí)間較短，且出現(xiàn)次數(shù)不多，所以短時(shí)強(qiáng)降雨天氣屬于小樣本事件，但樣本數(shù)量較少，會(huì)影響風(fēng)電場(chǎng)發(fā)電功率預(yù)測(cè)精度［12-13］，為此，利用歐式距離與角度原則，擴(kuò)充歷史短時(shí)強(qiáng)降雨天氣小樣本。

令短時(shí)強(qiáng)降雨天氣數(shù)據(jù)訓(xùn)練樣本集的數(shù)量為[N]，第[i]、[j]個(gè)短時(shí)強(qiáng)降雨天氣數(shù)據(jù)樣本為[xi]、[xj]；利用歐式距離與角度原則，計(jì)算[xi]與[xj]間的相似度[sij]，并依據(jù)[sij]擴(kuò)充小樣本，具體步驟如下：

1）求解[xi]與[xj]間的歐式距離[dij]為：

[dij=xi，" xj2]""" （1）

求解[xi]與[xj]間的角度[cosαij]為：

[cosαij=xj-xj-1·xi-xi-1Txj-xj-1·xi-xi-12]""""""" （2）

式中：[xi-1]、[xj-1]——第[i-1]、[j-1]個(gè)短時(shí)強(qiáng)降雨天氣數(shù)據(jù)樣本。

2）若[cosαij≥0]，則[sij]的計(jì)算公式為：

[sij=ω1e-d2ij+ω2cosαij]"""""" （3）

式中：[ω1]、[ω2]——[dij]與[cosαij]對(duì)應(yīng)的權(quán)值。

3）當(dāng)[sij≥ε]時(shí)，則計(jì)算組內(nèi)[xi]與[xj]的算術(shù)均值，作為新樣本，擴(kuò)充到短時(shí)強(qiáng)降雨天氣數(shù)據(jù)樣本內(nèi)［14］，其中，樣本選取閾值是[ε]；當(dāng)[sijlt;ε]時(shí)，則剔除該組天氣數(shù)據(jù)樣本。

1.2 風(fēng)電場(chǎng)發(fā)電功率基準(zhǔn)值預(yù)測(cè)模型

利用改進(jìn)深度可分離卷積算法，在正常天氣數(shù)據(jù)樣本內(nèi)，提取氣象-功率時(shí)空特征［15］，并輸入長(zhǎng)短期記憶網(wǎng)絡(luò)內(nèi)，建立風(fēng)電場(chǎng)發(fā)電功率基準(zhǔn)值預(yù)測(cè)模型。

令正常天氣數(shù)據(jù)樣本的高度、寬度、深度為[H]、[W]、[D]；用于描述[H]個(gè)采樣時(shí)間，[W]個(gè)風(fēng)電場(chǎng)氣象數(shù)據(jù)與歷史實(shí)測(cè)發(fā)電功率數(shù)據(jù)，[N]個(gè)風(fēng)電場(chǎng)數(shù)量，即通道數(shù)。依據(jù)[H]、[W]、[D]，生成一張三維張量特征圖，輸入改進(jìn)深度可分離卷積算法。

令改進(jìn)深度可分離卷積算法首層卷積層輸出的特征圖尺寸為[H1]、[W1]，其公式為：

[H1=H-3+2PHSW1=W-3+2PWS]"""""" （4）

式中：[S]——卷積核滑窗步幅；[PH]、[PW]——[H]、[W]的填充。

該層負(fù)責(zé)按順序提取[N]個(gè)風(fēng)電場(chǎng)內(nèi)的[N1]個(gè)氣象-功率時(shí)空特征[H1，W1， D， N1]。同理，在第二層卷積層內(nèi)輸入[H1， W1， D， N1]，輸出的氣象-功率時(shí)空特征[H2， W2， D1， N2]，分別代表第二層輸出特征圖的高度、寬度、深度與特征數(shù)量。轉(zhuǎn)置[H2， W2， D1， N2]獲取[H3， W3， D1×D2]，分別代表轉(zhuǎn)置后的高度、寬度、深度。

利用最大池化層輸出最終的氣象-功率時(shí)空特征[H4，W4， D1×D2]，令該層的滑窗步幅為[S]，則[H4]與[W4]的計(jì)算公式為：

[H4=H3-F+2P′HSW4=W3-F+2P′WS]"" （5）

式中：[F]——卷積核尺寸；[P′H]、[P′W]——[H3]與[W3]的填充。轉(zhuǎn)置[H4，W4，D1×D2]獲取最終的氣象-功率時(shí)空特征[X=H，W，D]，分別代表特征圖的高度、寬度與深度［16-17］。

在長(zhǎng)短期記憶網(wǎng)絡(luò)內(nèi)輸入[X]，建立正常天氣下風(fēng)電場(chǎng)發(fā)電功率預(yù)測(cè)模型為：

[Zt=wZXt+wZYt-1+wAAt-1+bZ]""""""" （6）

[Rt=φwRXt+wRYt-1+wAAt-1+bR]" （7）

[At=RtAt-1+Zttanh?wAXt+wAYt-1+bA]""" （8）

[Qt=φwQXt+wQYt-1+wAAt+bQ]""" （9）

[Yt=QttanhAt] （10）

式中：[Zt]、[wZ]、[bZ]——輸入門(mén)的輸出、權(quán)值、偏置；[Yt-1]——[t-1]時(shí)刻的隱藏狀態(tài)；[At-1]、[At]——不同時(shí)刻記憶單元狀態(tài)；[φ?]——激活函數(shù)；[Rt]、[wR]、[bR]——遺忘門(mén)的輸出、權(quán)值、偏置；[wA]、[bA]——記憶單元的權(quán)值、偏置；[tanh?]——tanh函數(shù)；[Qt]、[wQ]、[bQ]——輸出門(mén)的輸出、權(quán)值、偏置；[Yt]——風(fēng)電場(chǎng)發(fā)電功率基準(zhǔn)值預(yù)測(cè)結(jié)果。

1.3 短時(shí)強(qiáng)降雨天氣發(fā)電功率預(yù)測(cè)模型的實(shí)現(xiàn)

1.3.1 短時(shí)強(qiáng)降雨天氣風(fēng)電場(chǎng)發(fā)電功率損失值預(yù)測(cè)模型

在Transformer算法內(nèi)，輸入2.1節(jié)擴(kuò)充的短時(shí)強(qiáng)降雨天氣數(shù)據(jù)樣本，建立短時(shí)強(qiáng)降雨風(fēng)電場(chǎng)發(fā)電功率損失值預(yù)測(cè)模型。

令短時(shí)強(qiáng)降雨天氣數(shù)據(jù)樣本[X]內(nèi)的查詢向量為[U]；關(guān)鍵詞向量為[K]；值向量為[V]。求解第[n]個(gè)多頭注意的特征[On]為：

[On=softmaxUKlV]"" （11）

式中：[l]——向量維度。

融合[n]個(gè)特征[On]后獲取最終的特征[O]為：

[O=ρZ1，Z2，…，Zn?] （12）

式中：[ρ?]——融合函數(shù)；[?]——權(quán)值。

依據(jù)[O]，建立風(fēng)電場(chǎng)發(fā)電功率損失值預(yù)測(cè)模型式為：

[Pt，loss=ψO]"" （13）

式中：[Pt，loss]——[t]時(shí)刻短時(shí)強(qiáng)降雨天氣風(fēng)電場(chǎng)發(fā)電功率預(yù)測(cè)損失值；[ψ?]——非線性映射函數(shù)；[O]——短時(shí)強(qiáng)降雨天氣數(shù)據(jù)特征。

1.3.2 短時(shí)強(qiáng)降雨天氣發(fā)電功率損失時(shí)段預(yù)判模型

利用基于注意力機(jī)制的Sequence to Sequence（Seq2Seq）網(wǎng)絡(luò)，構(gòu)造短時(shí)強(qiáng)降雨天氣可能出現(xiàn)風(fēng)電功率損失時(shí)段的預(yù)判模型。

Seq2Seq網(wǎng)絡(luò)利用編碼器[Γ1]編碼擴(kuò)充短時(shí)強(qiáng)降雨天氣數(shù)據(jù)[X]，得到編碼數(shù)據(jù)[δ]，利用解碼器[Γ2]解碼[δ]，得到風(fēng)電場(chǎng)發(fā)電功率狀態(tài)序列。[Γ1]內(nèi)，各單元均需接收當(dāng)下擴(kuò)充短時(shí)強(qiáng)降雨天氣數(shù)據(jù)[X]，以及上一時(shí)刻的隱藏狀態(tài)[θt-1]；[Γ2]內(nèi)，各單元均需接收上一時(shí)刻的隱藏狀態(tài)[λt-1]、發(fā)電功率狀態(tài)預(yù)判結(jié)果[κt-1]與相應(yīng)的[δt]。在Seq2Seq網(wǎng)絡(luò)內(nèi)添加注意力機(jī)制，可避免[X]內(nèi)關(guān)鍵信息缺失，就是聚集當(dāng)下隱藏狀態(tài)信息，再次求解[i]內(nèi)每個(gè)隱藏狀態(tài)權(quán)值。利用[Γ1]內(nèi)全部單元的[θt-1]求解獲取[δ]，通過(guò)注意力機(jī)制結(jié)合加權(quán)方式，傳輸至[Γ2]內(nèi)的各單元。風(fēng)電場(chǎng)發(fā)電功率損失時(shí)段預(yù)判模型為：

[δt=fθ1，θ2，…，θtθt=fX，θt-1λt=fδt，λt-1，κt-1κt=fδt，λt，κt-1]"""""" （14）

式中：[f]——非線性映射函數(shù)；[κt]——[t]時(shí)刻短時(shí)強(qiáng)降雨天氣發(fā)電功率損失時(shí)段預(yù)判結(jié)果。

通過(guò)注意力機(jī)制結(jié)合加權(quán)方式，計(jì)算[δt]為：

[δt=i=1Mμβtiθi]""""""" （15）

式中：[M]——[Γ1]內(nèi)單元數(shù)量；[μ]——修正系數(shù)；[βti]——[θi]占據(jù)的權(quán)值；[θj]——第[i]個(gè)單元的隱藏狀態(tài)。

[βti]的計(jì)算公式為：

[βti=eλt-1-θij=1Meλt-1-θj]"""" （16）

式中：[θj]——第[j]個(gè)單元的隱藏狀態(tài)。

按輸入擴(kuò)充短時(shí)強(qiáng)降雨天氣數(shù)據(jù)，分析相應(yīng)時(shí)間序列是否存在發(fā)電功率損失，并為預(yù)判模型設(shè)置二值變量0-1的輸出結(jié)果，當(dāng)[κt=0]時(shí)，說(shuō)明[t]時(shí)刻無(wú)發(fā)電功率損失情況，當(dāng)[κt=1]時(shí)，說(shuō)明[t]時(shí)刻有發(fā)電功率損失情況。

通過(guò)結(jié)合短時(shí)強(qiáng)降雨天氣可能出現(xiàn)風(fēng)電功率損失時(shí)段的預(yù)判模型，以及風(fēng)電場(chǎng)發(fā)電功率損失值預(yù)測(cè)模型，得到最終短時(shí)強(qiáng)降雨天氣風(fēng)電場(chǎng)發(fā)電功率損失值預(yù)測(cè)結(jié)果。

1.3.3 短時(shí)強(qiáng)降雨天氣發(fā)電功率預(yù)測(cè)模型構(gòu)建流程

短時(shí)強(qiáng)降雨天氣風(fēng)電場(chǎng)發(fā)電功率預(yù)測(cè)模型的設(shè)計(jì)步驟如下：

1）通過(guò)歐式距離與角度原則擴(kuò)充短時(shí)強(qiáng)降雨天氣小樣本。

2）利用改進(jìn)深度可分離卷積算法，在正常天氣樣本內(nèi)，提取氣象-功率時(shí)空特征；在長(zhǎng)短期記憶網(wǎng)絡(luò)內(nèi)輸入時(shí)空特征，建立正常天氣風(fēng)電場(chǎng)發(fā)電功率基準(zhǔn)值預(yù)測(cè)模型，得到發(fā)電功率基準(zhǔn)值。

3）在Transformer算法內(nèi)，輸入擴(kuò)充樣本，建立短時(shí)強(qiáng)降雨天氣下發(fā)電功率損失值預(yù)測(cè)模型。

4）利用基于注意力機(jī)制的Seq2Seq網(wǎng)絡(luò)，結(jié)合擴(kuò)樣本，構(gòu)造發(fā)電功率損失時(shí)間點(diǎn)預(yù)判模型，結(jié)合損失值預(yù)測(cè)模型，得到最終的發(fā)電功率損失值。

5）對(duì)于各時(shí)間段，如果預(yù)判結(jié)果為存在發(fā)電功率損失，則利用基準(zhǔn)值減去損失值，作為短時(shí)強(qiáng)降雨天氣下風(fēng)電場(chǎng)發(fā)電功率預(yù)測(cè)結(jié)果；反之，以基準(zhǔn)值為風(fēng)電場(chǎng)發(fā)電功率預(yù)測(cè)結(jié)果。

2 實(shí)驗(yàn)分析

以某省3座風(fēng)電場(chǎng)為實(shí)驗(yàn)對(duì)象，記作1號(hào)風(fēng)電場(chǎng)、2號(hào)風(fēng)電場(chǎng)、3號(hào)風(fēng)電場(chǎng)，裝機(jī)容量分別為50、150、200 MW。風(fēng)電場(chǎng)內(nèi)風(fēng)力機(jī)的部分參數(shù)如表1所示。

以該省2022年短時(shí)強(qiáng)降雨天氣數(shù)據(jù)以及3個(gè)風(fēng)電場(chǎng)的實(shí)際發(fā)電功率值為實(shí)驗(yàn)數(shù)據(jù)集，利用本文模型預(yù)測(cè)該省風(fēng)電場(chǎng)在短時(shí)強(qiáng)降雨天氣下的發(fā)電功率，為制定風(fēng)電場(chǎng)發(fā)電功率安全預(yù)警與功率調(diào)度指令提供參考。

利用本文方法擴(kuò)充短時(shí)強(qiáng)降雨天氣數(shù)據(jù)小樣本，以降雨量數(shù)據(jù)樣本為例，短時(shí)強(qiáng)降雨天氣數(shù)據(jù)小樣本擴(kuò)充結(jié)果如圖1所示。

如圖1所示，原始降雨量數(shù)據(jù)樣本的分布值較低，最高分布值僅在約0.05。經(jīng)過(guò)本文模型擴(kuò)充后，該降雨量數(shù)據(jù)樣本的分布值明顯提升，最高分布值在約0.098，且擴(kuò)充后數(shù)據(jù)樣本的變化趨勢(shì)基本一致，說(shuō)明本文模型可較好地學(xué)習(xí)原始數(shù)據(jù)樣本特征，生成真實(shí)性較高的新樣本。實(shí)驗(yàn)證明本文方法可有效擴(kuò)充短時(shí)強(qiáng)降雨天氣數(shù)據(jù)小樣本。

以1號(hào)風(fēng)電場(chǎng)某日短時(shí)強(qiáng)降雨天氣為例，利用本文模型預(yù)判該風(fēng)電場(chǎng)發(fā)電功率損失時(shí)段，預(yù)判結(jié)果如圖2所示，該日實(shí)際短時(shí)強(qiáng)降雨時(shí)段分別為03：00—05：00、14：00—16：00。

根據(jù)圖2可知，本文模型可有效預(yù)判短時(shí)強(qiáng)降雨天氣下，風(fēng)電場(chǎng)發(fā)電功率損失時(shí)段，由預(yù)判結(jié)果可知，該日在時(shí)段03：00—05：00以及14：00—16：00之間，預(yù)判結(jié)果為1，說(shuō)明這兩個(gè)時(shí)段風(fēng)電場(chǎng)發(fā)電功率存在損失情況。其余時(shí)段的預(yù)判結(jié)果均為0，說(shuō)明其余時(shí)段風(fēng)電場(chǎng)發(fā)電功率無(wú)損失情況，本文模型的預(yù)判結(jié)果與實(shí)際情況完全一致。實(shí)驗(yàn)證明：本文模型可精準(zhǔn)預(yù)判短時(shí)強(qiáng)降雨天氣風(fēng)電場(chǎng)發(fā)電功率損失時(shí)段。

利用本文模型預(yù)測(cè)正常天氣下，風(fēng)電場(chǎng)發(fā)電功率基準(zhǔn)值、短時(shí)強(qiáng)降雨天氣風(fēng)電場(chǎng)發(fā)電功率損失值，以及最終的發(fā)電功率預(yù)測(cè)值，預(yù)測(cè)結(jié)果如圖3所示，以1號(hào)風(fēng)電場(chǎng)為例。

根據(jù)圖3可知，本文模型可有效預(yù)測(cè)正常天氣下風(fēng)電場(chǎng)發(fā)電功率基準(zhǔn)值，以及短時(shí)強(qiáng)降雨天氣風(fēng)電場(chǎng)發(fā)電功率損失值；在時(shí)間為03：00時(shí)，風(fēng)電場(chǎng)發(fā)電功率損失值約在5 MW，04：00時(shí)，風(fēng)電場(chǎng)發(fā)電功率損失值約在7.5 MW，05：00時(shí)，風(fēng)電場(chǎng)發(fā)電功率損失值約在6 MW，14：00時(shí)，風(fēng)電場(chǎng)發(fā)電功率損失值約在10 MW，15：00時(shí)，風(fēng)電場(chǎng)發(fā)電功率損失值約在6 MW，16：00時(shí)，風(fēng)電場(chǎng)發(fā)電功率損失值約在15 MW；利用基準(zhǔn)值減去損失值，即最終的風(fēng)電場(chǎng)發(fā)電功率預(yù)測(cè)結(jié)果。實(shí)驗(yàn)證明：本文模型可有效預(yù)測(cè)強(qiáng)降雨天氣風(fēng)電場(chǎng)發(fā)電功率。

利用關(guān)鍵失誤指數(shù)與偏移程度衡量本文模型短時(shí)強(qiáng)降雨天氣風(fēng)電場(chǎng)發(fā)電功率預(yù)測(cè)效果，關(guān)鍵失誤指數(shù)與偏移程度值越小，說(shuō)明發(fā)電功率預(yù)測(cè)精度越高，關(guān)鍵失誤指數(shù)閾值是15，偏移程度閾值是10。分析不同風(fēng)速下3個(gè)風(fēng)電場(chǎng)發(fā)電功率預(yù)測(cè)的關(guān)鍵失誤指數(shù)與偏移程度，分析結(jié)果如表2所示。

根據(jù)表2可知，隨著風(fēng)速的提升，3個(gè)風(fēng)電場(chǎng)發(fā)電功率預(yù)測(cè)的關(guān)鍵失誤指數(shù)與偏移程度值均呈上升趨勢(shì)，但最大關(guān)鍵失誤指數(shù)與偏移程度均未超過(guò)設(shè)置閾值，說(shuō)明本文模型在不同風(fēng)速下發(fā)電功率預(yù)測(cè)的關(guān)鍵失誤指數(shù)較低，偏移程度也較低，即發(fā)電功率預(yù)測(cè)精度較高。

3 結(jié) 論

針對(duì)短時(shí)強(qiáng)降雨天氣下數(shù)據(jù)樣本少、發(fā)電功率預(yù)測(cè)精度低的問(wèn)題，設(shè)計(jì)短期強(qiáng)降雨天氣風(fēng)電場(chǎng)發(fā)電功率預(yù)測(cè)模型，通過(guò)歐式距離與角度原則擴(kuò)充數(shù)據(jù)樣本，解決數(shù)據(jù)樣本少的問(wèn)題，利用基于注意力機(jī)制的Seq2Seq網(wǎng)絡(luò)，結(jié)合擴(kuò)樣本，構(gòu)造發(fā)電功率損失時(shí)間點(diǎn)預(yù)判模型，通過(guò)考慮短時(shí)強(qiáng)降雨天氣風(fēng)電場(chǎng)發(fā)電功率損失值，提升發(fā)電功率預(yù)測(cè)精度，為其余惡劣天氣下發(fā)電功率預(yù)測(cè)提供參考。經(jīng)實(shí)驗(yàn)驗(yàn)證，本文模型可精準(zhǔn)預(yù)判短時(shí)強(qiáng)降雨天氣風(fēng)電場(chǎng)發(fā)電功率損失時(shí)段；可有效預(yù)測(cè)正常天氣下風(fēng)電場(chǎng)發(fā)電功率基準(zhǔn)值，以及短時(shí)強(qiáng)降雨天氣風(fēng)電場(chǎng)發(fā)電功率損失值。

［參考文獻(xiàn)］

［1］"""""" 冉靖， 張智剛， 梁志峰， 等. 風(fēng)電場(chǎng)風(fēng)速和發(fā)電功率預(yù)測(cè)方法綜述［J］. 數(shù)理統(tǒng)計(jì)與管理， 2020， 39（6）： 1045-1059.

RAN J， ZHANG Z G， LIANG Z F， et al. Review of wind speed and wind power prediction methods［J］. Journal of applied statistics and management， 2020， 39（6）： 1045-1059.

［2］"""""" 王一妹， 劉輝， 宋鵬， 等. 基于高斯混合模型聚類(lèi)的風(fēng)電場(chǎng)短期功率預(yù)測(cè)方法［J］. 電力系統(tǒng)自動(dòng)化， 2021， 45（7）： 37-43.

WANG Y M， LIU H， SONG P， et al. Short-term power forecasting method of wind farm based on Gaussian mixture model clustering［J］. Automation of electric power systems， 2021， 45（7）： 37-43.

［3］"""""" 余灃， 董存， 王錚， 等. 考慮山東近海不同風(fēng)能天氣特征的風(fēng)電功率區(qū)間預(yù)測(cè)模型［J］. 電網(wǎng)技術(shù)， 2020， 44（4）： 1238-1247.

YU F， DONG C， WANG Z， et al. Wind power interval forecasting model considering different wind energy weather characteristics in Shandong offshore areas［J］. Power system technology， 2020， 44（4）： 1238-1247.

［4］"""""" 林濤， 趙參參， 趙成林， 等. 計(jì)及頻率分析的風(fēng)電場(chǎng)短期功率預(yù)測(cè)［J］. 計(jì)算機(jī)仿真， 2020， 37（6）： 81-84.

LIN T， ZHAO S S， ZHAO C L， et al. Short-term power prediction of wind farms considering frequency-domain analysis［J］. Computer simulation， 2020， 37（6）： 81-84.

［5］"""""" 王育飛， 楊啟星， 薛花. 考慮混沌特征的增強(qiáng)型大腦情緒神經(jīng)網(wǎng)絡(luò)光伏發(fā)電功率超短期預(yù)測(cè)模型［J］. 高電壓技術(shù)， 2021， 47（4）： 1165-1177.

WANG Y F， YANG Q X， XUE H. Ultra-short-term prediction model of enhanced brain emotional neural network considering chaotic characteristics for photovoltaic power generation［J］. High voltage engineering， 2021， 47（4）： 1165-1177.

［6］"""""" 胡帥， 向月， 沈曉東， 等. 計(jì)及氣象因素和風(fēng)速空間相關(guān)性的風(fēng)電功率預(yù)測(cè)模型［J］. 電力系統(tǒng)自動(dòng)化， 2021， 45（7）： 28-36.

HU S， XIANG Y， SHEN X D， et al. Wind power prediction model considering meteorological factor and spatial correlation of wind speed［J］. Automation of electric power systems， 2021， 45（7）： 28-36.

［7］"""""" 盛四清， 金航， 劉長(zhǎng)榮. 基于VMD-WSGRU的風(fēng)電場(chǎng)發(fā)電功率中短期及短期預(yù)測(cè)［J］. 電網(wǎng)技術(shù)， 2022， 46（3）： 897-904.

SHENG S Q， JIN H， LIU C R. Short-term and mid-short-term wind power forecasting based on VMD-WSGRU［J］. Power system technology， 2022， 46（3）： 897-904.

［8］"""""" 徐一倫， 張彬橋， 黃婧， 等. 考慮天氣類(lèi)型和相似日的IWPA-LSSVM光伏發(fā)電功率預(yù)測(cè)［J］. 中國(guó)電力， 2023， 56（2）： 143-149.

XU Y L， ZHANG B Q， HUANG J， et al. Forecast of photovoltaic power based on IWPA-LSSVM considering weather types and similar days［J］. Electric power， 2023， 56（2）： 143-149.

［9］"""""" 葉林， 李奕霖， 裴銘， 等. 寒潮天氣小樣本條件下的短期風(fēng)電功率組合預(yù)測(cè)［J］. 中國(guó)電機(jī)工程學(xué)報(bào)， 2023， 43（2）： 543-554.

YE L， LI Y L， PEI M， et al. Combined approach for short-term wind power forecasting under cold weather with small sample［J］. Proceedings of the CSEE， 2023， 43（2）： 543-554.

［10］"""" 李丹， 王奇， 楊保華， 等. 基于獨(dú)立稀疏SAE的多風(fēng)電場(chǎng)超短期功率預(yù)測(cè)［J］. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)， 2022， 34（2）： 23-30.

LI D， WANG Q， YANG B H， et al. Ultra-short-term power prediction of multiple wind farms based on independent sparse SAE［J］. Proceedings of the CSU-EPSA， 2022， 34（2）： 23-30.

［11］"""" 時(shí)珉， 許可， 王玨， 等. 基于灰色關(guān)聯(lián)分析和GeoMAN模型的光伏發(fā)電功率短期預(yù)測(cè)［J］. 電工技術(shù)學(xué)報(bào)， 2021， 36（11）： 2298-2305.

SHI M， XU K， WANG J， et al. Short-term photovoltaic power forecast based on grey relational analysis and GeoMAN model［J］. Transactions of China Electrotechnical Society， 2021， 36（11）： 2298-2305.

［12］"""" 易善軍， 王漢軍， 向勇， 等. 基于集成多尺度LSTM的短時(shí)風(fēng)功率預(yù)測(cè)［J］. 重慶大學(xué)學(xué)報(bào)， 2021， 44（7）： 75-81.

YI S J， WANG H J， XIANG Y， et al. Short-term wind power forecasting based on integrated multi-scale LSTM［J］. Journal of Chongqing University， 2021， 44（7）： 75-81.

［13］"""" 胡威， 張新燕， 郭永輝， 等. 基于游程檢測(cè)法重構(gòu)CEEMD的短時(shí)風(fēng)功率預(yù)測(cè)［J］. 太陽(yáng)能學(xué)報(bào)， 2020， 41（11）： 317-325.

HU W， ZHANG X Y， GUO Y H， et al. Short-time wind power prediction of CEEMD reconstructed based on Run-length detection method［J］. Acta energiae solaris sinica， 2020， 41（11）： 317-325.

［14］"""" 趙凌云， 劉友波， 沈曉東， 等. 基于CEEMDAN和改進(jìn)時(shí)間卷積網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測(cè)模型［J］. 電力系統(tǒng)保護(hù)與控制， 2022， 50（1）： 42-50.

ZHAO L Y， LIU Y B， SHEN X D， et al. Short-term wind power prediction model based on CEEMDAN and an improved time convolutional network［J］. Power system protection and control， 2022， 50（1）： 42-50.

［15］"""" 廖雪超， 伍杰平， 陳才圣. 結(jié)合注意力機(jī)制與LSTM的短期風(fēng)電功率預(yù)測(cè)模型［J］. 計(jì)算機(jī)工程， 2022， 48（9）： 286-297， 304.

LIAO X C， WU J P， CHEN C S. Short-term wind power prediction model combining attention mechanism and LSTM［J］. Computer engineering， 2022， 48（9）： 286-297， 304.

［16］"""" 李宏揚(yáng)， 高丙朋. 基于改進(jìn)VMD和SNS-Attention-GRU的短期光伏發(fā)電功率預(yù)測(cè)［J］. 太陽(yáng)能學(xué)報(bào)， 2023， 44（8）： 292-300.

LI H Y， GAO B P. Short-term PV power forecasting based on improved VMD and SNS-Attention-GRU［J］. Acta energiae solaris sinica， 2023， 44（8）： 292-300.

［17］"""" 王獻(xiàn)志， 曾四鳴， 周雪青， 等. 基于XGBoost聯(lián)合模型的光伏發(fā)電功率預(yù)測(cè)［J］. 太陽(yáng)能學(xué)報(bào)， 2022， 43（4）： 236-242.

WANG X Z， ZENG S M， ZHOU X Q， et al. Power forecast of photovoltaic generation based on XGBoost combined model［J］. Acta energiae solaris sinica， 2022， 43（4）： 236-242.

DESIGN OF POWER GENERATION PREDICTION MODEL FOR WIND FARMS DURING SHORT-TERM HEAVY RAINFALL WEATHER

Hu Jiaqiu1，Tang Jian1，Zhuo Yixin1，Huang Kui1，Li Run2，Gao Xuefei2

（1. Power Dispatching Control Center， Guangxi Power Grid， Nanning 530000， China；

2. Eastern E-Energy（Beijing）Co.， Ltd.， Beijing 100192， China）

Abstractt：To ensure the normal power supply of the power plant， a short-term heavy rainfall weather wind farm power generation prediction model is designed to improve the power generation prediction effect. Expanding small samples of short-term heavy rainfall weather through the principles of Euclidean distance and angle； using the improved depth separable convolution algorithm， the spatio-temporal characteristics of weather power are extracted from the normal weather samples， and input into the long-term and short-term memory network to establish the prediction model of normal weather wind farm power generation reference value， and obtain the power generation reference value； in the Transformer algorithm， input an expanded sample to establish a prediction model for power generation loss value under short-term heavy rainfall weather； using a Sequence to Sequence network based on attention mechanism， combined with expanding samples， a prediction model for the time point of power generation loss is constructed. Combined with a loss value prediction model， the final power generation loss value is obtained； subtract the loss value from the reference value to obtain the prediction results of wind farm power generation under short-term heavy rainfall weather. The experiment proves that the model can effectively expand the small samples of short-term heavy rainfall weather； this method can accurately predict the time point of power generation loss， obtain the value of power generation loss， and complete power generation prediction； under different wind speeds， the key error index and deviation degree of the model’s power generation prediction are relatively low， indicating a higher accuracy of power generation prediction.

Keywords：short term heavy rainfall； wind farms； power generation； prediction model； separable convolution； attention mechanism