碳中和背景下多通道特征组合超短期风电功率预测

黄树帮，陈耀，金宇清

碳中和背景下多通道特征组合超短期风电功率预测

黄树帮1,2，陈耀1,2，金宇清3*

（1．新疆金风科技股份有限公司，北京市 大兴区 100176；2．江苏金风软件技术有限公司，江苏省 无锡市 214000;3．河海大学能源与电气学院，江苏省 南京市 211100）

碳中和背景下，风电将成为我国的主导能源之一。随着人工智能技术快速发展，人工神经网络被广泛应用于风力发电功率预测。传统的人工神经网络算法采用固定形式数据集和单一网络结构，限制了整体表达能力，导致超短期风电功率预测由于各种不确定因素造成难以控制的误差。为此，提出一种基于人工神经网络的多通道特征组合模型，用于超短期风电功率预测。首先将数据集进行重新分类，分别输入到3个神经网络，建立3种特征组合形式；再将多通道特征进行拼接融合，并将融合后的特征加入到全连接神经网络中进行功率预测，可消除不同特征之间的干扰，有效学习到长期依赖的数据特征；最后对5个风电场数据进行算法验证。实验结果表明，该方法比单通道模型能够获得更好的预测精度，而且增加了网络稳定性。

碳中和；风力发电；超短期功率预测；人工神经网络；多通道

0 引言

为了达成2060年实现碳中和的目标，必须大力发展风电等清洁能源。风力发电已成为全球重要的能源生产来源，到2023年，全球新增风电装机容量将超过300GW[1]。我国新能源发电连续多年发展迅速，截至2019年年底，风电累计装机2.1亿kW，预计到2025年年底，风电装机规模将超过4亿kW，占全国电源总装机比例14%以上。与传统的化石能源发电不同，由于风速固有的随机性和间歇性，风力发电很难在电网中进行精准调度[2-3]。因此，风电功率预测成为应对风电不确定性、减少电力系统调度偏差和售电交易偏差的有效方法[4-5]。尤其近2年随着电力现货市场快速发展，超短期风电功率预测能力直接影响电力实时调度水平和售电交易偏差考核结果，如何提高超短期风电功率预测的准确性，具有重大的现实意义。

风电功率预测方法可以分为4类：物理模型、统计模型、空间相关性和人工智能模型。基于物理模型的方法总是需要物理传感器、卫星或气象仪器来预测特定位置的气象数据，然后根据气象数据的物理动力学对测量数据进行建模，结果相对准确，但计算成本和硬件设备是一个问题。基于统计模型的方法，比较流行的模型是自回归积分移动平均(autoregressive integrated moving average model，ARIMA)[6]和指数平滑(exponential smoothing，ES)[7]模型，尽管这些模型具有计算成本低的优点，但由于线性关系，它们只适用于短期预测。空间相关性预报是一种利用本地周围地区的历史天气资料、未来天气预报对本地进行预报的方法。典型的人工智能模型包括人工神经网络[8-10]、核岭回归[11]、支持向量机[12-13]和最小二乘支持向量机[14]、模糊逻辑系统[15]及其组合方法。目前主流的人工智能模型以深度学习(deep learning，DL)模型为主，主要包括卷积神经网络(convolutional neural networks，CNN)和长短期记忆网络[16-17](long short-term memory，LSTM)系列，CNN主要依靠局部感受野学习局部的内在联系，LSTM主要是具有记忆能力，能将过去学习到的规律延续到之后的学习当中。

基于人工智能模型的功率预测方法结构简单，易于在风电场中实施，但由于风能的随机性和间歇性，通常很难得到准确的预测结果。许多学者致力于提高风功率预测精度，并取得了一定的成果，文献[18]利用LSTM不同神经元来提取同一个数据集的特征，虽然一定程度上增加了特征表达能力，但是由于固定数据集的原因，表达能力依然受限。文献[19]通过构建数据集利用LSTM的学习能力，并通过Adboost来进行决策，固定形式数据集和网络限制了整体表达能力。文献[20]利用与电场相关性较高的上游电场数据或者测风塔数据进行预测，此方法实施条件较高，首先需要得到上游电场的数据，同时需要主导风向长时间一致，在满足条件情况下电场预测精度较高。文献[15]指出在季风区利用季风在地理空间上的大范围一致性，可以显著提高风速空间相关性预测的效果。文献[21]利用CNN和LSTM同时提取特征并进行预测，虽然得到了较好的结果，但是未对数据集进行划分，没有发挥CNN的局部感受野特性和LSTM记忆能力强的特性。

在风力发电过程中，由于局部地形的影响，风电场的不均匀性、风电机组的非线性动力学、非计划停机等仍存在不确定性，风电预测存在难以控制的误差，给电网调度带来较大风险。传统的功率预测方法难以满足电力系统实际运行的需要。本文对传统的预测模式进行改进，将数据集进行重新分类，减少风力不确定性因素之间的干扰，通过不同通道的不同任务来提高超短期风电功率预测的准确率。

1 人工神经网络

1.1 卷积神经网络

卷积神经网络主要由卷积层、池化层和全连接层组成，如图1所示。其中，卷积层是CNN的核心，运用卷积核对数据进行卷积操作以提取数据的内部特征。池化层对卷积层的输出进行池化操作，作用是对数据进行压缩，提高网络泛化能力。卷积神经网络在图像、视频和语音方面都得到了广泛的应用并取得了优异的成绩。卷积神经网络作为深度学习[22]的重要分支，能够应用在众多领域中，主要得益于它的局部感受野和权值共享机制。

图1 卷积神经网络基本模型

在功率预测领域，由于其样本为单点数据的时间序列，且存在一定的季节周期和人为因素，单纯的局部感受野可能会丢失一部分特征，所以急需一种适合提取时序样本特征的网络。所以，在原始卷积神经网络的基础上结合膨胀卷积[23]，具有了在时间序列上提取特征的能力。

1.2 长短期记忆网络

长短期记忆网络[24](long short term memory networks，LTSM)，是一种时间循环神经网络，适用于处理和预测时间序列中间隔和延迟较长的重要事件，其结构如图2所示。在深度学习领域中，以CNN为代表的传统前馈神经网络在解决分类任务方面表现优异，但无法处理信息之间复杂的时间相关性。由于LSTM的神经网络中包含时间记忆单元，因此，在时间序列预测中应用较多。本文利用LSTM强大的记忆功能在第1个实测数据通道中用来提取时序特征。

图2 LSTM网络结构

2 基于多通道特征组合预测模型的设计

2.1 多通道特征组合模型

本文对传统的人工神经网络进行改进，用多通道神经网络代替以往的单通道神经网络，缓解数据之间的干扰，从而能够提取更多的有用信息。具体流程如图3所示，在特征组合环节建立3种不同数据集组合形式，分别是：1）历史实测数据的历史时序信息，此部分通过LSTM网络来提取时序特征；2）在实测数据中加入对应时间的数值气象预报(numerical weather prediction，NWP)信息，用来提取实测数据与NWP之间的耦合关系，此部分通过一维卷积神经网络提取特征；3）将全量数据加入到一维卷积神经网络中提取特征，用来对之前的特征加以补充。在特征融合环节，将3种特征提取结果进行拼接融合，并将融合后的特征加入全连接神经网络(fully connected layer，FC)中进行功率预测。

图3 多通道特征组合模型

2.2 超短期功率预测特征

超短期功率预测是指能够以当前时刻为基准，预测未来4h、时间粒度15min的风电场发电功率。超短期预测用到的数据主要有历史实测以及NWP数据。具体的数据形式如图4所示。历史数据一般包含时序信息，即包含过去一段时间的风况，利用LSTM网络的记忆功能，可以大致预测未来一段时间的时序信息；NWP数据包含整个大气变化过程信息，可以描述风速运动过程，通过不同组合可得到更多新特征。

图4 超短期功率预测可用数据形式

2.3 膨胀卷积设置

当时，膨胀卷积就成为一般卷积操作；当时，膨胀卷积能够扩展前后数据宽度。膨胀卷积的基本结构如图5所示。

2.4 改进多通道的神经网络设计

传统多通道神经网络基于单一形式数据集进行建模，限制了整体表达能力。本文对传统模型加以改进，将数据集划分为3种组合，输入到3个不同的通道。第1个组合是纯实测数据，旨在能够学习到数据的时序特征；第2个组合是实测数据加上历史NWP数据，期望能够学习到实测数据与NWP的内在耦合关系；第3个组合是放入所有的数据，期望能够让网络自身能够学习到数据之间的关联性。通过采用改进多通道的设计，期望在有效的数据集中提取更多的有效特征，一般神经网络的多通道形式如图6所示。其中：LSTM单元组成一个时间链式结构，即该层为LSTM层；CNN单元组成卷积层；实测数据为风电场的历史实际功率；NWP历史为当前时刻以及以前的气象预报数据；NWP未来为当前时刻以后的气象预报数据。针对输入数据采用不同的网络进行特征提取，从而在很大程度上扩充单一网络的特征提取能力。

图6 多通道神经网络改进形式

3 算法实现

本文通过采用多通道特征组合方法，在同一层中融入时序信息和数据耦合关系，让网络的同一层能够学习到更多的数据特征，从而提高预测准确率。

该算法流程图设计如图7所示，首先对数据进行预处理，过滤掉由于风电场限电、停机、维修等人为因素造成的异常数据；然后对数据进行归一化处理，分别建立3个通道的训练数据，根据3个通道的各自任务设计特定的神经网络，再把3个通道得到的特征进行融合，输入到全连接层，获得网络输出；最后对网络输出数据进行归一化逆向操作，得到预测结果。本算法采用Python下的Keras-GPU计算框架来实现。

图7 多通道神经网络算法流程图

图8是该算法设计的网络结构输出图，由 图8可以看到3个通道逐步加入特征，通过各自网络的转换后进行特征融合的整个过程。

图8 多通道神经网络结构图

4 实验分析与讨论

为了验证本文提出多通道特征组合模型的有效性和鲁棒性，分别选取了具有全国代表性风况区域的5个风电场进行实验，分别是华东地区江苏的2个风电场、东北地区内蒙的一个风电场、中南部地区云南的一个风电场和西北地区甘肃的一个风电场。训练数据(包括历史实测数据和数值气象预报数据)时间范围选取自2019年3月1日至2020年2月29日，测试数据时间范围选取自2020年3月1日至2020年3月31日。本实验基于Ubuntu操作系统，服务器CPU为InterI5-7 300HQ，GPU为GTX1050Ti。

4.1 数据预处理

图10为过滤前后的折线图对比，对于风速大、功率小的异常值进行删除处理。

图10 实测功率与实测风速折线图过滤前后对比

4.2 评价指标

为评估模型的预测性能，本实验采用国家能源局西北监管局下发的考核细则中均方根误差(root mean square error，RMSE)准确率及调和平均(harmonic mean，HM)准确率作为本实验的评价指标。

均方根误差准确率表示为

调和平均准确率表示为

调和平均准确率计算复杂并且与实测功率和预测功率大小有关，为电网调度考核公式，本文只作为模型评价参考指标。

4.3 对比分析

为了分析和验证本方法的预测精度效果，将其与单通道神经网络模型进行了对比分析，其中，单通道神经网络模型是将数据直接输入到单一的神经网络中进行预测。为了使分析结果具有充分的代表性，本次实验选取了分布在中国不同地区的5个风力发电场进行测试。

1）江苏地区。选取装机容量均为99MW的某风电场A和B，该电场处于温带季风气候、亚热带季风气候，四季分明，春暖多变，夏雨集中，秋高气爽，冬季寒冷，是季风气候明显的区域。表1是针对2个电场数据采用不同算法的预测结果对比。图11为不同算法预测值折线对比图，从图中可看出多通道预测结果更贴合实际功率，在部分时间段可以有效抑制超短期预测滞后现象，充分证明了本算法的有效性。

表1 江苏地区2种算法的预测结果对比

图11 江苏地区2种算法预测值折线对比图

2）内蒙古地区。选取装机容量为60MW的某风电场C。该电场处于温带大陆性气候、温带季风气候，地势由东北向西南斜伸，呈狭长形，全区基本属一个高原型的地貌区。表2是针对该电场数据采用不同算法的预测结果对比，图12为不同算法预测值折线对比图。

表2 内蒙古地区2种算法的预测结果对比

图12 内蒙古地区2种算法预测值折线对比图

3）云南地区。选取装机容量为100MW的某风电场D。该电场处于亚热带季风气候、热带季风气候、高原山地气候。表3是针对该电场数据采用不同算法的预测结果对比，图13为不同算法预测值折线对比图。

表3 云南地区2种算法的预测结果对比

图13 云南地区2种算法预测值折线对比图

4）甘肃地区。选取装机容量为99MW的某大型风电场E。该电场处于亚热带季风气候、温带大陆性气候、高原山地气候。表4是针对该电场数据采用不同算法的预测结果对比，图14为不同算法预测值折线对比图。

表4 甘肃地区2种算法的预测结果对比

图14 甘肃地区2种算法预测值折线对比图

综合分析以上不同地区风电场的预测对比结果得出：无论是在气候特点复杂的甘肃地区，还是气候特点规律性较强的江苏地区，抑或是高原型的内蒙古和云南地区，采用多通道神经网络模型均表现良好，获得准确度更高的预测结果。与单通道模型相比，在均方根误差准确率上平均可提高0.55个百分点，在调和平均准确率上平均可提高0.42个百分点。

5 结论

1）通过实际风电场数据的对比分析，基于卷积神经网络的多通道特征组合超短期风电功率预测模型和预测方法比传统单通道算法预测效果更优，而且增强了对原始数据集的抗干扰能力。

2）采用改进多通道神经网络的设计，针对历史实测数据、数值天气预报数据及其数据耦合关系建立3个不同的通道，采用不同的网络进行特征提取，可捕捉到更多的数据特征，扩充了单一网络的特征提取能力，并减少了风力不确定性因素之间的干扰，提升了超短期功率预测准确率。

3）考虑到实测数据的随机性，下一步，本算法可以与小波变换结合，将实测功率进行小波分解，得到高频信息和低频信息，高频信息中含有大量随机数据，针对高频信息和低频信息分别建模研究，期望获得更佳的应用效果。

[1]全球风能理事会．全球风能报告[R]．全球风能理事会，2019．

Global Wind Energy Council．Global wind energy report[R]．Global Wind Energy Council，2019．

[2]钱峰，陈艺，刘俊磊，等．大规模风电接入的电力系统协调控制策略[J]．广东电力，2019，32(11)：12-18．

QIAN F，CHEN Y，LIU J L，et al．Coordinated control strategy for power systems with large-scale wind power integration[J]．Guangdong Electric Power，2019，32(11)：12-18．

[3]施涛，李春来，朱慧敏．考虑功率预测不确定性的风电消纳随机调度[J]．电网与清洁能源，2019，35(4)：55-59．

SHI T，LI C L，ZHU H M．Stochastic dispatching of wind power accommodation considering uncertainty of power prediction[J]．Power System and Clean Energy，2019，35(4)：55-59．

[4]张坤，张金环，张巍巍，等．基于ASD-KDE的风电出力超短期区间预测[J]．智慧电力，2019，47(5)：32-37．

ZHANG K，ZHANG J H，ZHANG W W，et al．Ultra-short-term wind power interval prediction based on ASD-KDE[J]．Smart Power，2019，47(5)：32-37．

[5]张金环，王超群，张彤，等．基于高斯混合分布模型的风电功率预测误差统计分析研究[J]．智慧电力，2020，48(7)：59-64．

ZHANG J H，WANG C Q，ZHANG T，et al．Statistical analysis of wind power forecasting errors based on Gaussian mixture model[J]．Smart Power，2020，48(7)：59-64．

[6]赵滨滨，王莹，王彬，等．基于ARIMA时间序列的分布式光伏系统输出功率预测方法研究[J]．可再生能源，2019，37(6)：820-823．

ZHAO B B，WANG Y，WANG B，et al．Photovoltaic power prediction in distribution network based on ARIMA model time series[J]．Renewable Energy Resources，2019，37(6)：820-823．

[7]田波，朴在林，王慧．基于时间序列建模在风力发电功率短期预测中的研究[J]．电网与清洁能源，2016，32(3)：115-119．

TIAN B，PIAO Z L，WANG H．Short term prediction of wind power based on time series modeling[J]．Power System and Clean Energy，2016，32(3)：115-119．

[8]朱红路，李旭，姚建曦，等．基于小波分析与神经网络的光伏电站功率预测方法[J]．太阳能学报，2015，36(11)：2725-2730．

ZHU H L，LI X，YAO J X，et al．The power prediction method for photovoltaic power station based on wavelet analysis and neural networks[J]．Acta Energiae Solaris Sinica，2015，36(11)：2725-2730．

[9]潘志刚，刘三明，李莹，等．基于深度学习网络的风电场功率短期预测研究[J]．科技与创新，2015 (19)：4-6．

PAN Z G，LIU S M，LI Y，et al．Research on the short-term forecasting of wind power based on deep learning network[J]．Science and Technology & Innovation，2015(19)：4-6．

[10]叶興，薛家祥．改进型LSTM网络光伏发电功率预测研究[J]．中国测试，2019，45(11)：14-20．

YE Y，XUE J X．Research on photovoltaic power generation prediction based on improved LSTM network[J]．China Measurement & Testing Technology，2019，45(11)：14-20．

[11]王瑞，刘明山，周原．一种基于DBN和卡尔曼滤波算法的AGV定位算法：CN201710027637.3 [P]．2017-05-17．

WANG R，LIU M S，ZHOU Y．An AGV location algorithm based on DBN and Kalman filter algorithm：CN201710027637.3[P]．2017-05-17．

[12]赵怡茗．基于VMD-SE-LSSVM和迭代误差修正的光伏发电功率预测[D]．西安：西安理工大学，2018．

ZHAO Y M．PV power prediction based on VMD-SE-LSSVM and iterative error correction[D]．Xi'an：Xi'an University of Technology，2018．

[13]CHANG C C，LIN C J．LIBSVM：a library for support vector machines[J]．ACM Transactions on Intelligent Systems & Technology，2011，2(3)：1-27．

[14]杨延西，刘丁．基于小波变换和最小二乘支持向量机的短期电力负荷预测[J]．电网技术，2005，29(13)：60-64．

YANG Y X，LIU D．Short-term load forecasting based on wavelet transform and least square support vector machines[J]．Power System Technology，2005，29(13)：60-64．

[15]周志华．机器学习[J]．中国民商，2016，3(21)：93．

ZHOU Z H．Machine learning[J]．China's civil and commercial，2016，3(21)：93．

[16]李相俊，许格健．基于长短期记忆神经网络的风力发电功率预测方法[J]．发电技术，2019，40(5)：426-433．

LI X J，XU G J．Wind power prediction method based on long short-term memory neural network[J]．Power Generation Technology，2019，40(5)：426-433．

[17]郎伟明，麻向津，周博文，等．基于LSTM和非参数核密度估计的风电功率概率区间预测[J]．智慧电力，2020，48(2)：31-37．

LANG W M，MA X J，ZHOU B W，et al．Wind power probabilistic intervals prediction based on LSTM and nonparametric kernel density estimation[J]．Smart Power，2020，48(2)：31-37．

[18]周飞燕，金林鹏，董军．卷积神经网络研究综述[J]．计算机学报，2017，40(6)：1229-1251．

ZHOU F Y，JIN L P，DONG J．Review of convolutional neural network[J]．Chinese Journal of Computers，2017，40(6)：1229-1251．

[19]牛哲文，余泽远，李波，等．基于深度门控循环单元神经网络的短期风功率预测模型[J]．电力自动化设备，2018，38(5)：43-49．

NIU Z E，YU Z Y，LI B，et al．Short-term wind power forecasting model based on deep gated recurrent unit neural network[J]．Electric Power Automation Equipment，2018，38(5)：43-49．

[20]AHMED A，KHALID M．A review on the selected applications of forecasting models in renewable power systems[J]．Renewable and Sustainable Energy Reviews，2019，100：9-21．

[21]杨正瓴，冯勇，熊定方，等．基于季风特性改进风电功率预测的研究展望[J]．智能电网，2015，3(1)：1-7．

YANG Z L，FENG Y，XIONG D F．Research prospects of improvement in wind power forecasting based on characteristics of monsoons[J]．Smart Grid，2015，3(1)：1-7．

[22]郭丽丽，丁世飞．深度学习研究进展[J]．计算机科学，2015，42(5)：28-33．

GUO L L，DING S F．Research progress of deep learning[J]．Computer Science，2015，42(5)：28-33．

[23]王星，李超，陈吉．基于膨胀卷积神经网络模型的中文分词方法[J]．中文信息学报，2019，33(9)：24-30．

WANG X，LI C，CHEN J．Dilated convolution neural networks for Chinese word segmentation[J]．Journal of Chinese Information Processing，2019，33(9)：24-30．

[24]应稼田，程良伦，林锦发．一种用于风电功率预测的双存储结构LSTM模型[J]．无线互联科技，2019，16(5)：117-120．

YING J T，CHENG L L，LIN J F．A dual storage structure LSTM model for wind power prediction[J]．Wuxian Hulian Keji，2019，16(5)：117-120．

[25]刘彬，戴桂平．基于白化检验和3σ准则的小波阈值去噪算法[J]．传感技术学报，2005，18(3)：473-476．

LIU B，DAI G P．Adaptive wavelet thresholding denoising algorithm based on white noise detection and 3σ rule[J]．Chinese Journal of Sensors and Actuators，2005，18(3)：473-476．

A Multi-channel Feature Combination Model for Ultra-short-term Wind Power Prediction Under Carbon Neutral Background

HUANG Shubang1,2, CHEN Yao1,2, JIN Yuqing3*

(1. Xinjiang Goldwind Science & Technology Co., Ltd., Daxing District, Beijing 100176, China;2. Jiangsu Goldwind Software & Technology Co., Ltd., Wuxi 214000, Jiangsu Province, China;3. College of Energy and Electrical Engineering, Hohai University, Nanjing 211100, Jiangsu Province, China)

Wind power will become one of the dominant power sources of China oriented to carbon neutral. With the rapid development of artificial intelligence technology, artificial neural networks are widely used in wind power generation forecasting. Traditional artificial neural network algorithms use fixed-form data sets and simple network structures, which limits the overall expression ability and results in uncontrollable errors in ultra-short-term wind power forecasting due to various uncertain factors. In this work, a multi-channel feature combination model based on artificial neural network for ultra-short-term wind power prediction was proposed. Firstly, the data were reclassified and input into three neural networks to establish three feature combinations. After that, multi-channel features splicing and fusion were performed. The fused features were added to the fully connected neural network for power prediction, which can eliminate the interference between different features and effectively learn long-term dependent data features. Finally, the algorithm was verified on the actual data of five wind farms. The experimental results show that this method has better prediction accuracy than the single-channel model, and can improve the network stability.

carbon neutral; wind power generation; ultra-short-term power prediction; artificial neural network; multi-channel

10.12096/j.2096-4528.pgt.20103

TK 89

国家自然科学基金项目(52077059)。

Project Supported by National Natural Science Foundation of China (52077059).

2020-10-09。

(责任编辑 辛培裕)