摘要：隨著風(fēng)電裝機(jī)容量的逐年增加，風(fēng)電功率預(yù)測(cè)要求不斷提高。因此，提出了一種基于神經(jīng)網(wǎng)絡(luò)的超短期風(fēng)電功率預(yù)測(cè)方法，電力調(diào)度部門可以根據(jù)精準(zhǔn)的預(yù)測(cè)結(jié)果制訂合理的發(fā)電和檢修計(jì)劃。首先，介紹了風(fēng)力發(fā)電原理，分析了風(fēng)電功率影響因素；其次，提出了基于圖卷積網(wǎng)絡(luò)- 長(zhǎng)短期記憶（graphconvolutional network-long short term memory，GCN-LSTM）的超短期風(fēng)電功率預(yù)測(cè)方法；最后，通過實(shí)驗(yàn)驗(yàn)證了該方法的可靠性和有效性。實(shí)驗(yàn)結(jié)果表明，該方法提升了超短期風(fēng)電功率預(yù)測(cè)的準(zhǔn)確性，為風(fēng)力發(fā)電并網(wǎng)提供了可靠的技術(shù)支持。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)模型；超短期；風(fēng)電功率預(yù)測(cè)；GCN-LSTM

中圖分類號(hào)：TM614 文獻(xiàn)標(biāo)識(shí)碼：A

0 引言

近年來，風(fēng)電作為一種清潔、可再生的能源，在全球范圍內(nèi)得到了廣泛關(guān)注和快速發(fā)展。然而，風(fēng)電的波動(dòng)性與不確定性給電網(wǎng)的安全穩(wěn)定運(yùn)行帶來了巨大挑戰(zhàn)，同時(shí)也給電力系統(tǒng)調(diào)度與管理造成了壓力。超短期風(fēng)電功率預(yù)測(cè)技術(shù)不僅能夠提高風(fēng)電資源的利用效率，還能夠?yàn)殡娏ο到y(tǒng)提供有效的數(shù)據(jù)支持，幫助電網(wǎng)在面對(duì)風(fēng)電波動(dòng)時(shí)采取更為靈活的調(diào)度策略。隨著人工智能和大數(shù)據(jù)技術(shù)的快速發(fā)展，風(fēng)電功率預(yù)測(cè)的研究也日趨多樣化，其中深度學(xué)習(xí)方法逐漸成為研究熱點(diǎn)[1]?；诖?，本文將著重探討基于神經(jīng)網(wǎng)絡(luò)的超短期風(fēng)電功率預(yù)測(cè)方法。

1 風(fēng)力發(fā)電原理及風(fēng)電功率影響因素分析

1.1 風(fēng)力發(fā)電原理

風(fēng)能是地表受熱不均勻?qū)е驴諝饬鲃?dòng)所產(chǎn)生的動(dòng)能。在太陽照射期間，受太陽照射時(shí)間較長(zhǎng)地區(qū)，地表溫度普遍偏高，空氣上升；受太陽照射時(shí)間較短地區(qū)，地表溫度普遍偏低，空氣下降。上升與下降的空氣之間形成大氣循環(huán)，進(jìn)而產(chǎn)生風(fēng)，風(fēng)在運(yùn)動(dòng)過程中產(chǎn)生風(fēng)能。風(fēng)力發(fā)電就是利用風(fēng)能帶動(dòng)風(fēng)力發(fā)電機(jī)葉片轉(zhuǎn)動(dòng)，從而驅(qū)動(dòng)發(fā)電機(jī)發(fā)電，是將動(dòng)能（風(fēng)能）先轉(zhuǎn)化為機(jī)械能再轉(zhuǎn)換成電能的過程[2]。

1.2 風(fēng)電功率影響因素分析

影響風(fēng)電功率的因素較多。根據(jù)式（1）可知，影響風(fēng)電功率的最大因素是風(fēng)速，其次為葉輪掃過的面積和空氣密度。

式中，Cp 為風(fēng)能利用系數(shù)；ρ 為空氣密度；A 為葉輪掃過的面積；v 為風(fēng)速。

在實(shí)際運(yùn)行中，風(fēng)能會(huì)有一定的損耗，因此風(fēng)能利用率無法達(dá)到100%，但可以通過不斷調(diào)整風(fēng)機(jī)葉片角度來使風(fēng)能利用率達(dá)到最大。此外，溫度、相對(duì)濕度、氣壓等因素也會(huì)對(duì)風(fēng)速產(chǎn)生影響，進(jìn)而導(dǎo)致風(fēng)電功率出現(xiàn)變化[3]。

1.2.1 風(fēng)速

在理想條件下，風(fēng)速與風(fēng)電功率之間存在非線性關(guān)系且相關(guān)性較強(qiáng)。由于是理想情況，因此可以忽略風(fēng)電轉(zhuǎn)換中的各種不確定因素，此時(shí)風(fēng)力發(fā)電的功率特性就可以視為風(fēng)電功率與風(fēng)速之間的關(guān)系。風(fēng)速一般分為初始的切入風(fēng)速vin、額定風(fēng)速v 額、切出風(fēng)速vout。風(fēng)電功率與風(fēng)速之間的關(guān)系可以用分段形式表示[4]，其計(jì)算公式如下：

式中，Pv 為風(fēng)力發(fā)電機(jī)切出功率；PN 為風(fēng)力發(fā)電機(jī)的額定輸出功率。

1.2.2 風(fēng)向

風(fēng)向是指風(fēng)吹來的方向，常用方位來描述。風(fēng)向是隨時(shí)變化的，為了確保風(fēng)力發(fā)電機(jī)輸出電力的穩(wěn)定性，并使風(fēng)能利用率達(dá)到最大，風(fēng)電場(chǎng)會(huì)配置偏航裝置。該裝置會(huì)實(shí)時(shí)跟蹤風(fēng)向的變化，及時(shí)調(diào)整風(fēng)輪所處位置，使風(fēng)力發(fā)電機(jī)的葉片始終與風(fēng)向垂直。此外，風(fēng)電場(chǎng)還會(huì)配置測(cè)風(fēng)塔和數(shù)據(jù)采集與監(jiān)視控制（supervisory control and data acquisition，SCADA）系統(tǒng)，用于風(fēng)向、風(fēng)速等狀態(tài)的監(jiān)測(cè)。由于風(fēng)力發(fā)電機(jī)本身性能的限制，偏航裝置可能無法隨著風(fēng)向進(jìn)行精確動(dòng)作，風(fēng)向與葉片存在偏角，此時(shí)風(fēng)能無法被充分利用。因此，風(fēng)向?qū)︼L(fēng)力發(fā)電機(jī)的輸出電力具有一定的影響[5]。

1.2.3 氣壓

根據(jù)式（1）可知，空氣密度對(duì)風(fēng)電功率有一定的影響。在標(biāo)準(zhǔn)大氣壓和一定溫度下，單位體積內(nèi)含有的氣體質(zhì)量即為空氣密度，其計(jì)算公式如下：

式中，P空為空氣的絕對(duì)壓力；T 為熱力學(xué)溫度；φ為空氣的相對(duì)濕度；pb 為飽和水蒸氣的壓力。

根據(jù)式（3）可知，氣壓、溫度、空氣的相對(duì)濕度等因素都會(huì)直接影響空氣密度，而間接影響風(fēng)電功率。空氣密度與氣壓呈正相關(guān)：當(dāng)氣壓變大時(shí)，空氣密度就會(huì)變大，從而使風(fēng)電功率增加[6]。

1.2.4 溫度

風(fēng)能是空氣對(duì)流產(chǎn)生的，而產(chǎn)生空氣對(duì)流的主要原因是不同環(huán)境溫差形成了較大的氣壓差：環(huán)境溫差越大，氣壓差也就越大，產(chǎn)生的風(fēng)速也就越大。因此，溫度是影響風(fēng)速的重要因素。此外，溫度還對(duì)空氣密度產(chǎn)生影響。根據(jù)式（1）可知，空氣密度與風(fēng)電功率呈正相關(guān)關(guān)系，這意味著溫度會(huì)間接影響風(fēng)電功率。根據(jù)式（3）可以看出，空氣密度與溫度呈反比關(guān)系。因此，地區(qū)溫度越高，空氣密度越小，風(fēng)電功率越??；地區(qū)溫度越低，空氣密度越大，風(fēng)電功率越大。溫度對(duì)風(fēng)速的影響是間接的，需要考慮環(huán)境溫差、氣壓、空氣的相對(duì)濕度等多個(gè)因素的綜合作用。綜上，溫度會(huì)直接或間接影響風(fēng)電功率。

2 基于GCN-LSTM的超短期風(fēng)電功率預(yù)測(cè)方法

2.1 長(zhǎng)短期記憶網(wǎng)絡(luò)

長(zhǎng)短期記憶（long short-term memory，LSTM）網(wǎng)絡(luò)是深度學(xué)習(xí)算法中的一種，可以有效挖掘時(shí)間序列中的特征關(guān)系，并且能夠進(jìn)行大量的數(shù)據(jù)處理和更新，適合對(duì)風(fēng)電功率這種非線性序列進(jìn)行預(yù)測(cè)。LSTM 網(wǎng)絡(luò)源于循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neuralnetwork，RNN），其在RNN 的基礎(chǔ)上添加了多個(gè)門控單元和記憶細(xì)胞，通過門控單元實(shí)現(xiàn)對(duì)信息流的控制與存儲(chǔ)，有效改善了反向傳播中的梯度消失問題，因此被廣泛應(yīng)用。LSTM 網(wǎng)絡(luò)主要包括遺忘門、輸入門和輸出門3 個(gè)部分。

（1）遺忘門：輸入由上一時(shí)刻的輸出yt-1 和此刻的輸入xt 構(gòu)成，并由sigmoid 函數(shù)決定從單元狀態(tài)中可以拋棄哪些信息，然后將剩下的信息作為輸出。它的輸出是取值為[0，1] 的向量，且具有與細(xì)胞狀態(tài)Ct-1 相同的長(zhǎng)度，遺忘門輸出Ft 計(jì)算公式如下：

Ft = σ（WF·[yt-1，xt]+bF）。 （ 4）

式中，σ 為sigmoid 函數(shù)；WF 為遺忘門權(quán)重系數(shù)，bF 為偏置項(xiàng)。

（2）輸入門：篩選出可以保留到當(dāng)前單元狀態(tài)的信息。輸入門主要由兩個(gè)部分組成，一部分是確定需要更新的舊狀態(tài)，用It 表示；另一部分是通過tanh 激活函數(shù)生成臨時(shí)的新狀態(tài)，用gt 表示，具體計(jì)算公式如下：

式中，WI、Wg 為輸入門的不同權(quán)重系數(shù)；bI、bg 為偏置項(xiàng)。

（3）輸出門：通過sigmoid 函數(shù)計(jì)算權(quán)重并確定哪些信息需要輸出，再用tanh 激活函數(shù)處理細(xì)胞狀態(tài)Ct，最后乘以sigmoid 值，確定輸出。輸出門輸出Ot 計(jì)算公式如下：

式中，WO 為輸出門的權(quán)重系數(shù)；bO 為偏置項(xiàng)；yt為當(dāng)前時(shí)刻的輸出。

2.2 圖卷積網(wǎng)絡(luò)

圖卷積網(wǎng)絡(luò)（graph convolution network，GCN）因具備良好的空間特征提取能力，被廣泛應(yīng)用于交通流預(yù)測(cè)、電價(jià)預(yù)測(cè)、空氣質(zhì)量預(yù)測(cè)等時(shí)空預(yù)測(cè)問題中。GCN 的出現(xiàn)為圖結(jié)構(gòu)數(shù)據(jù)的研究提供了一個(gè)新方法。GCN 的核心是卷積和池化，其原理是將當(dāng)前節(jié)點(diǎn)的特征與鄰居節(jié)點(diǎn)的特征進(jìn)行聚合，以表征當(dāng)前節(jié)點(diǎn)的新特征。每個(gè)節(jié)點(diǎn)的預(yù)測(cè)結(jié)果都受鄰居節(jié)點(diǎn)的影響，這有利于引入圖節(jié)點(diǎn)的全部信息特征，實(shí)現(xiàn)對(duì)數(shù)據(jù)潛在特征關(guān)系的進(jìn)一步挖掘。GCN 有以下特征：將每個(gè)時(shí)刻的所有特征作為一個(gè)節(jié)點(diǎn)，這些節(jié)點(diǎn)構(gòu)成了集合S；每個(gè)節(jié)點(diǎn)之間的相關(guān)性構(gòu)成了集合E，也稱為節(jié)點(diǎn)之間的邊；通過每個(gè)節(jié)點(diǎn)之間的關(guān)系，建立了鄰接矩陣A。GCN 信息特征G 的表達(dá)式如下：

G =（ S，E，A）。 （ 7）

對(duì)于每個(gè)節(jié)點(diǎn)i 均有其特征xi，可以用矩陣xN×M 表示，其中，N 為節(jié)點(diǎn)的數(shù)量，M 為每個(gè)節(jié)點(diǎn)的特征數(shù)。本文基于所有節(jié)點(diǎn)的特征構(gòu)建了特征矩陣X。將鄰接矩陣A 和特征矩陣X 輸入模型進(jìn)行一系列的卷積操作，從而得到圖數(shù)據(jù)的全局特征，GCN 嵌入模型計(jì)算公式如下：

式中，H （l） 為第l 層的GCN 嵌入模型；A為無向圖的鄰接矩陣，A =A+In，In 是n 階單位矩陣；D為無向圖的度矩陣；W（l）為第l 層的輸入。

2.3 GCN-LSTM 模型預(yù)測(cè)流程

本文根據(jù)節(jié)點(diǎn)之間的相關(guān)性，將鄰接矩陣作為GCN 的輸入，再將歷史風(fēng)電功率、風(fēng)速、風(fēng)向、溫度等數(shù)據(jù)作為節(jié)點(diǎn)的特征，構(gòu)建特征矩陣，然后輸入GCN 進(jìn)行一系列的卷積操作。在考慮空間特征的同時(shí)，還要提取歷史風(fēng)電功率數(shù)據(jù)之間的時(shí)序特征，而LSTM 作為典型的時(shí)間序列預(yù)測(cè)算法可以滿足相關(guān)要求。因此，本文從時(shí)間和空間兩個(gè)方面進(jìn)行考慮，提出了GCN 與LSTM 相結(jié)合的GCNLSTM 預(yù)測(cè)模型，以提高超短期風(fēng)電功率預(yù)測(cè)的精度。

本文首先將時(shí)間長(zhǎng)度為t 的歷史風(fēng)電功率數(shù)據(jù)集作為模型輸入，利用GCN 對(duì)輸入數(shù)據(jù)進(jìn)行解析，以提取空間特征；然后將數(shù)據(jù)輸入LSTM 提取時(shí)序特征；最后通過線性回歸層計(jì)算得到最終的預(yù)測(cè)數(shù)據(jù)。完整的預(yù)測(cè)流程如圖1 所示。首先，對(duì)從某風(fēng)電場(chǎng)獲取的歷史風(fēng)電功率和氣象數(shù)據(jù)進(jìn)行預(yù)處理，將處理完的數(shù)據(jù)以8∶2 的比例分為訓(xùn)練集和測(cè)試集。其次，將訓(xùn)練集輸入GCN-LSTM 預(yù)測(cè)模型進(jìn)行迭代訓(xùn)練，完成后再將測(cè)試集輸入訓(xùn)練完成的模型進(jìn)行測(cè)試。最后，通過均方根誤差（rootmean squared error，RMSE）、平均絕對(duì)誤差（meanabsolute error，MAE）和預(yù)測(cè)準(zhǔn)確率等評(píng)價(jià)指標(biāo)，判斷輸出結(jié)果的誤差和準(zhǔn)確率是否達(dá)到標(biāo)準(zhǔn)。如果結(jié)果不符合標(biāo)準(zhǔn)，需要對(duì)模型進(jìn)行誤差分析，并不斷優(yōu)化修正，直到輸出結(jié)果達(dá)到標(biāo)準(zhǔn)后輸出預(yù)測(cè)值。

3 實(shí)驗(yàn)設(shè)置和結(jié)果分析

本文選用誤差評(píng)價(jià)標(biāo)準(zhǔn)對(duì)GCN-LSTM 預(yù)測(cè)模型的性能進(jìn)行驗(yàn)證。當(dāng)預(yù)測(cè)點(diǎn)數(shù)較少時(shí)，MAE 會(huì)產(chǎn)生較大的誤差，無法反映整體的預(yù)測(cè)效果，因此選用RMSE 作為超短期預(yù)測(cè)的誤差評(píng)價(jià)標(biāo)準(zhǔn)，其不僅可以得到較好的預(yù)測(cè)效果，還可以清晰地表現(xiàn)出數(shù)據(jù)的離散化程度。為了更客觀地表現(xiàn)模型性能，本實(shí)驗(yàn)還選用MAE 和預(yù)測(cè)準(zhǔn)確率Cr，對(duì)GCN 預(yù)測(cè)模型、LSTM 預(yù)測(cè)模型和GCN-LSTM 預(yù)測(cè)模型的預(yù)測(cè)效果進(jìn)行對(duì)比檢驗(yàn)，并對(duì)結(jié)果進(jìn)行了匯總，如表1 所示。

由表1 可知，相較于GCN 和LSTM 預(yù)測(cè)模型，GCN-LSTM 預(yù)測(cè)模型的RMSE、MAE 有明顯下降；在準(zhǔn)確率方面，相較于GCN 和LSTM 預(yù)測(cè)模型，GCN-LSTM 預(yù)測(cè)模型的準(zhǔn)確率較高。這說明GCNLSTM預(yù)測(cè)模型在本文數(shù)據(jù)集下具有較高的預(yù)測(cè)精度。

4 結(jié)論

本文探究了提高超短期風(fēng)電功率預(yù)測(cè)精度的有效途徑，提出的GCN-LSTM 預(yù)測(cè)模型不僅為風(fēng)電功率的精準(zhǔn)預(yù)測(cè)提供了理論依據(jù)，還為電力系統(tǒng)的調(diào)度優(yōu)化和安全控制提供了數(shù)據(jù)參考。這些研究成果對(duì)風(fēng)能資源的高效利用具有重要意義，同時(shí)對(duì)可再生能源的應(yīng)用與發(fā)展起到了積極的促進(jìn)作用。

參考文獻(xiàn)

[1] 耿運(yùn)濤. 基于EMD-PCA-LSTM 的短期風(fēng)電功率預(yù)測(cè)研究[J]. 船電技術(shù)，2024，44（11）：20-23.

[2] 茹瑤，趙永寧，葉林，等. 超短期LSTM 風(fēng)電功率預(yù)測(cè)模型的混合專家模塊化代理解釋方法[J]. 電力建設(shè)，2024，45（11）：114-124.

[3] 夏曉榮，胡鵬飛，王飛，等. 基于小波變換與優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的超短期光伏發(fā)電功率預(yù)測(cè)[J]. 電網(wǎng)與清潔能源，2024，40（10）：159-166.

[4] 李麗芬，陳旭，曹旺斌，等. 基于注意力特征融合時(shí)空?qǐng)D網(wǎng)絡(luò)的超短期風(fēng)電功率預(yù)測(cè)[J]. 電力科學(xué)與工程，2024，40（10）：19-29.

[5] 陳磊，黃凱陽，張怡，等. 基于信息調(diào)控和MATCN的超短期風(fēng)電功率多步預(yù)測(cè)[J]. 現(xiàn)代電子技術(shù)，2024，47（18）：1-7.

[6] 馮芝麗， 郭李平. 基于IVMD-KPCA-LSTM 的超短期風(fēng)電功率預(yù)測(cè)[J]. 湖南工業(yè)職業(yè)技術(shù)學(xué)院學(xué)報(bào)，2024，24（4）：11-18.