基于長短期記憶神經網絡的風力發電功率預測方法

李相俊，許格健

基于長短期記憶神經網絡的風力發電功率預測方法

李相俊，許格健

（新能源與儲能運行控制國家重點實驗室(中國電力科學研究院有限公司)，北京市 海淀區 100192）

風力發電過程具有較強的隨機性，導致風力發電功率的預測準確度不高。針對上述問題，提出了一種融合深度學習算法的風力發電功率預測方法。以歷史風力發電功率數據作為輸入，建立風力發電功率預測模型，實現對未來一個時間刻度的風力發電功率預測。算例結果表明，與傳統時序預測方法相比，基于長短期記憶神經網絡的風力發電功率預測結果在各項指標中誤差更小，驗證了上述方法在風力發電功率預測中的可行性和有效性，提升了風力發電功率預測的準確性。

深度學習；時序預測；風力發電；長短期記憶神經網絡

0 引言

隨著能源與環境問題的日益突出[1]，風能作為一種無污染、可持續的清潔能源成為了能源發展的關注點。國內風力發電水平也保持著穩步增長，2018年風力發電量達到了3 660億kW·h，占全部發電量的5.2%[2]。在風力發電規模穩步增長的同時，其本身存在的問題也被逐漸放大。由于受多種環境因素的影響，風力發電的波動性及隨機性[3-5]成為了制約其發展的重要因素。為了解決這一問題，需進行風力發電功率預測研究，以判斷其變化趨勢并提前采取相應措施。

物理模型預測方法與數據模型預測方法是目前針對風力發電功率預測的兩大主要方法。物理模型預測方法主要考慮數值天氣預報(numerical weather prediction，NWP) 及其他多種因素的影響。基于該方法的風力發電功率預測需要較多的參數，如歷史數據、地形地貌、氣象數據等[6-13]，導致其在短期預測能力上表現較為一般，其結果更適合作為長期預測的參考標準。

數學模型預測方法是目前研究最廣泛的風力發電功率預測方法，在數學預測模型中，針對風力發電功率的預測分為2種形式。一種預測方法是考慮多種因素對風力發電功率的影響，通過建立數學模型得到相應的非線性回歸曲線，并依此進行風力發電功率預測。傳統的數學模型預測方法，如小波算法(wavelet)[14-15]、支持向量機(support vector machine，SVM)[16]等，都是基于風力發電功率的相關特征進行短時預測，通過對影響風速以及風電力發電功率的特征進行分析，預測未來一段時間內的風力發電功率。另一種預測方法是不考慮其余環境條件的影響，只考慮風力發電功率本身隨時間變化的特性趨勢，并依此進行風力發電功率時序預測分析。自回歸移動平均(autoregressive moving average，ARMA)模型[17]是時序預測的主要應用算法，通過量化當前數 據與之前數據的關系，同時解決隨機變化項的 求解問題，進一步求得需求預測的下一時刻 數據。

除傳統預測方法外，人工神經網絡也常應用于風力發電功率的短時預測中。由于神經網絡形式多樣，其對應的預測方法也不同。如李彬等[18]提出了基于人工神經網絡的預測方法，以多種特征因素作為神經網絡輸入，預測得到其當月的風力發電功率概率分布曲線。江岳春等[19]將傳統BP神經網絡與多種算法相結合，對風力發電功率的時間序列進行短時時序預測，取得了良好的預測效果。由于神經網絡出色的非線性數據擬合能力，在許多針對風力發電功率的短時及超短時預測方法中，都會應用神經網絡算法對歷史數據進行分析，再采取其余預測方法進行風力發電功率及其分布概率的預測[20-24]。

隨著人工智能及深度學習的不斷推廣應 用[25-26]，各種針對不同數據的深度學習算法逐漸成為各領域專家關注的焦點，也在新能源領域得到了廣泛的應用[27-28]。其中循環神經網絡(recurrent neural networks，RNN)作為深度學習中一種典型的序列分析模型，在語言翻譯、流量預測等方面都得到了廣泛的應用。但在應用過程中，RNN算法的序列數據處理能力在面對大規模數據進行跨度較大的序列預測時，易出現梯度消失和梯度爆炸的問題。在RNN的發展過程中，一種特殊的循環神經網絡結構，即長短期記憶(long short-term memory，LSTM)神經網絡結構，很大程度上解決了這一問題，更加適用于數據規模較大的序列數據[26]，并且在預測精度上有著良好的表現。但是該方法在風力發電功率預測方面的應用國內外鮮見報道。

本文提出一種基于 LSTM神經網絡的風力發電功率時序預測方法，采用某風電場的發電數據進行時序預測分析，并與傳統時序預測方法進行對比分析。結果表明，該方法可有效提高風力發電功率的預測精度，并且針對不同規模數據均有良好的預測效果。

1 時序預測方法

1.1 差分整合移動平均自回歸模型

在傳統時序算法中，差分整合移動平均自回歸(autoregressive integrated moving average，ARIMA)算法是一種常用的時序預測算法[29-31]，該算法通過將ARMA模型與差分模型相結合，提升了原有算法的時序預測能力。ARIMA算法主要分為3部分：1）通過自回歸(autoregressive，AR)模型描述當前值與歷史值之間的關系；2）用變量自身的歷史時間數據對自身進行預測；3）通過移動平均法(moving average，MA)消除預測中的隨機波動，并通過適當的差分次數使數據序列更加平穩。

在ARIMA模型中，AR模型可表示為：

式中：y表示當前值；與r分別為常數項與常系數；e為誤差；為階數，表示以之前多少歷史值為參考。在AR模型中，主要關注的是當前值與歷史值之間的關系。

在ARIMA模型中，MA模型可表示為：

式中：l為常系數。在MA模型中，主要關注的是計算當前值的過程中誤差的累加。

將AR模型與MA模型相結合所得即為ARMA模型，通過2種模型的結合，可觀測到在一組時間序列中穩定因素的趨勢與作為波動因素的誤差趨勢，將兩者相結合即可預測未來時刻會出現的數值，即

在ARIMA模型中，為了保證序列數據的平穩，添加了差分模型對原有數據進行差分運算，整體運算過程仍滿足ARMA模型的運算方法。由于其本身以歷史數據預測自身的特性，因此常用于能源領域的時序功率預測。ARIMA在計算過程中要經過復雜的數據處理過程，而且由于本身對輸入數據的要求，其對個別輸入數據無法識別，導致其應用受到了一定程度的限制。

1.2 LSTM神經網絡模型

1.2.1 LSTM神經網絡單元

深度學習中的LSTM神經網絡本質上是循環神經網絡的一種，與普通循環神經網絡所不同的是，LSTM神經網絡是一種時間尺度較長的短時記憶網絡。其主要運算方法仍是基于循環神經網絡的“記憶”基礎，其網絡結構雖然與循環神經網絡結構相似，但其內部構成及運算更加復雜。

LSTM神經網絡單元結構如圖1所示，其網絡單元相較于傳統循環神經網絡運算方法的優勢在于其特殊的“遺忘”過程，該過程確保LSTM神經網絡可以進行時間跨度更長的預測。

圖1 LSTM神經網絡單元結構

LSTM神經網絡的遺忘率是由前一時刻的輸出與該時刻網絡的輸入共同計算得出的，計算方法如下：

以和分別為權重及截距，將-1時刻的神經網絡輸出-1與時刻的輸入數據相結合進行線性變換。表示sigmoid激活函數，通過sigmoid激活函數將線性變換結果映射為0~1的衰減函數，得到f。

在計算遺忘率后，需進行同一時刻輸入的記憶運算。所需的衰減系數記為，當前的記憶狀態記為￠，其對應的求取方法為：

式中：W、W為權重；b、b為截距。

1.2.2 LSTM神經網絡結構

LSTM神經網絡進行預測通常有2種方法：1）與傳統深度神經網絡相似的反向傳播誤差算法，這種方法考慮多因素輸入，在不同時刻將LSTM展開為隨時間推移的深度神經網絡；2）只考慮單一時序序列的實時遞歸學習算法。在應用上，2種方法各有優勢。本文的預測過程是基于時序算法的風力發電功率預測，由于只考慮單一變量的時序變化，因此主要應用實時遞歸學習算法。

在實時遞歸學習算法中，以1.2.1中所述的神經網絡單元結構為LSTM基本網絡單元，生成的神經網絡單元的連接形式與輸入形式如圖2所示。

圖2 LSTM神經網絡結構

圖2中，神經網絡在每個時刻都進行數據輸入，經過“遺忘”與“記憶”的處理后，保留-1時刻數據特征C-1，并結合時刻的輸入數據x計算本時刻的數據特征，記作C，其對應的計算公式為：

求取時刻的數據特征后，進行LSTM神經網絡本身記憶階段的算法實現。時刻的記憶輸出記為h，與之前所求取遺忘部分的衰減系數相似，計算得到輸出門的衰減系數：

2 LSTM網絡風力發電功率預測

由于LSTM網絡的結構需求，在進行預測分析之前，需先進行輸入數據的預處理以及LSTM神經網絡超參數設定。

2.1 數據預處理

使用風力發電功率數據進行時序預測時，考慮到神經網絡預測模型中使用的非線性激活函數的輸入、輸出范圍，為避免神經元飽和，需要對風力發電功率數據進行歸一化處理。本文所采用的歸一化標準為最小、最大值標準化方法，其對應的公式如下：

式中：為當前時刻的風力發電功率數據值；min、max分別為所有數據中風力發電功率的最小值、最大值；￠為求得的風力發電功率歸一化結果。

在數據輸入階段完成歸一化后，對實際輸出的預測數據需應用歸一化還原函數將數據還原至其原有大小，最小、最大值標準化方法對應的還原函數為：

式中：￠pre為未經還原的LSTM神經網絡預測輸出值；pre為還原后的風力發電功率預測值。

數據輸入階段除了對數據進行歸一化處理之外，還要對輸入數據進行數據分類處理。風力發電功率數據分為訓練集和測試集2個集合。通過訓練集數據對LSTM神經網絡進行訓練，在訓練的過程不斷優化神經網絡結構及內部參數，再用測試集數據測試訓練后的LSTM神經網絡的預測效果。

2.2 確定LSTM神經網絡超參數

在建立 LSTM 神經網絡時序風電預測模型的過程中，需進行LSTM神經網絡超參數的設定。其中網絡步長(epoch)以及隱層個數為神經網絡結構參數，另外，為了防止網絡出現過擬合，還需設定神經網絡中神經元失活系數(dropout)與批尺寸(batch_size)。

在LSTM神經網絡中，網絡步長表示在神經網絡運算過程中從輸入到輸出再返回輸入的一次過程。隨著步長的增加，神經網絡的運算精度也得到提高，同時運算時間也會增加。在LSTM神經網絡的數據輸入階段，輸入維度表示每次運算輸入數據的個數。神經元失活系數表示在進行神經網絡運算的過程中，棄用其中一部分神經元進行計算的概率。通過應用該參數，取代了原本在神經網絡中需要的正則化方法，也避免了過擬合的出現。在神經網絡運算的過程中，通過設定適當的批尺寸，可以節省運算時間，避免全數據的同時計算。

2.3 風力發電功率預測

將經過歸一化處理的風力發電功率數據作為LSTM神經網絡的輸入，以LSTM單元結構以及網絡連接結構為基礎，并完成LSTM神經網絡超參數的設定，得到LSTM神經網絡風力發電功率預測流程，如圖3所示。其運算公式如下：

式中：pre表示LSTM神經網絡預測模型；epoch，batch_size，dropout根據網絡超參數確定。

圖3 LSTM神經網絡風力發電功率預測流程

￠由式(10)計算得出，為風力發電功率經數據預處理后所得結果，以￠作為輸入求取對應的預測值￠pre。在進行預測的過程中，LSTM神經網絡會根據設定的網絡步長進行循環計算，不斷更新LSTM神經網絡內部參數在循環結束后，根據式(11)將輸出結果還原為原有風力發電功率大小的pre，即為所求取的LSTM神經網絡風力發電功率預測數據。

2.4 誤差計算

本文選用2種不同的誤差標準進行預測效果比較，其中一種誤差標準為均方根誤差(root mean squared error，RMSE)，該誤差標準可以表明預測值與真實值之間的偏差，其計算公式如下：

除了上述誤差標準，本文同樣選擇了平均絕對誤差(mean absolute error，MAE)作為另一種誤差標準，對預測結果進行誤差計算。與RMSE不同， MAE主要表現的是預測值誤差的實際情況，其計算公式如下：

3 算例分析

3.1 實驗設計

本文采用國內某風電場不同季節典型風力發電功率作為數據，數據采樣時間間隔為1 min。數據總體為2類：1）一天24 h的風力發電功率數據；2）一周168 h的風力發電功率數據。通過2組不同規模的數據，與ARIMA算法分別進行預測精度對比，以驗證LSTM神經網絡在不同時間尺度以及不同數據規模下的預測效果。

為了優化神經網絡運算效率及精度，在所應用的LSTM神經網絡中，激活函數選擇線性整流函數(rectified linear unit，ReLU)，優化函數選擇自適應矩估計(adaptive moment estimation，ADAM)，網絡訓練過程中的誤差函數選擇均方誤差(mean squared error，MSE)。

3.2 預測性能分析

分別采用ARIMA算法與LSTM神經網絡進行春季日風力發電功率時序預測分析，并對所得的真實值與預測值進行對比。針對一天1 440個風力發電功率數據，本文將0:00—16:00的864個數據作為訓練集，16:00—24:00的576個數據作為測試集，開展了2種方法的預測效果分析。圖4為基于測試集數據得到的日風力發電功率ARIMA、LSTM神經網絡預測結果，及應用2種方法的預測殘差對比。可以看出，LSTM神經網絡的時序預測結果在整體趨勢上更接近風力發電功率真實值，且不會產生較大偏差，相較于傳統ARIMA算法有更好的預測效果。

為了驗證LSTM的預測能力，應用時間尺度更長的春季周風力發電功率曲線進行時序預測分析。針對一周10080個風力發電功率數據，本文將初始約100h的6048個數據作為訓練集，后續約68h的4032個數據作為測試集，開展了預測效果分析。圖5為基于測試集數據得到的周風力發電功率ARIMA、LSTM神經網絡預測結果，及應用2種方法的預測殘差對比。可以看出，由于訓練數據增加，LSTM神經網絡與ARIMA算法的預測效果均有明顯提升；但LSTM神經網絡的預測結果更符合原時序序列的趨勢，且不會出現較大波動，在長時間序列的周數據預測中計算效果更好。應用式(14)、(15)分別對LSTM神經網絡與ARIMA算法的預測結果進行了對比，如表1所示。在春季日風力發電功率曲線中，LSTM神經網絡的2種預測誤差RMSE、MAE比ARIMA算法分別降低了7.7%、7%。在數據規模更大的春季周風力發電功率曲線中，LSTM神經網絡的2種預測誤差RMSE、MAE比ARIMA算法分別降低了4.3%、3.1%。隨著數據規模的增大，LSTM神經網絡本身的預測性能也得到了提高。與春季日風力發電功率LSTM神經網絡的預測誤差相比，春季周風力發電功率預測誤差RMSE降低了7.1%，MAE降低了12.5%。由此可知，在針對不同數據規模的風力發電功率預測中，深度學習算法均有良好表現，且隨著數據規模的提升，可獲得更好預測效果。

表1 基于LSTM神經網絡與ARIMA算法的春季數據預測結果對比

3.3 四季風力發電功率預測分析結果

為了體現LSTM神經網絡更優的預測效果，針對同一風電場的風電數據，選取另外3個季節的日風力發電功率數據與周風力發電功率數據進行了對比分析，如表2所示。可以看出，LSTM神經網絡在各季節風力發電功率的時序預測結果中，相較于ARIMA算法的預測精度都有明顯提升；同時隨著數據規模變大，LSTM神經網絡可以獲得更好的預測結果，在短時數據基礎以及長時數據基礎中均有良好表現。

表2 基于LSTM神經網絡與ARIMA算法的風力發電功率數據預測結果對比

4 結論

通過對LSTM神經網絡進行分析，提出了一種基于深度學習算法的風力發電功率預測方法，以多種誤差精度標準作為參考，通過與傳統時序預測算法ARIMA進行對比分析得到了以下結論：

1）基于深度學習算法的風力發電功率時序預測方法可較好擬合原風力發電功率曲線，驗證了該方法的有效性；

2）通過與傳統ARIMA時序預測算法進行對比分析可知，LSTM神經網絡的預測誤差相對更小，整體效果優于ARIMA方法；

3）通過對典型四季日風力發電功率與周風力發電功率的預測分析可知，在數據規模明顯提升的情況下，LSTM神經網絡的預測效果優于ARIMA算法。

然而，若風力發電功率發生連續突變時，深度學習算法的跟蹤變化能力有待進一步完善。下一步的研究中將融合多種優化算法，以提升深度學習算法的預測性能。

[1] 陳國初，公維祥，馮兆紅．熵判別人工蜂群算法優化的風電功率[J]．電力系統及其自動化學報，2017，29(7)：41-45，67．

[2] 國家能源局．2018年風電并網運行情況[EB/ OL]．[2019-01-28]．http://www.nea.gov.cn/2019-01/28/c_137780779.htm．

[3] 周云，嚴正，李乃湖，等．BESS平抑風功率波動算法中多重SOC反饋策略設計[J]．太陽能學報，2017，38(6)：1459-1467．

[4] 薛禹勝，郁琛，趙俊華，等．關于短期及超短期風電功率預測的評述[J]．電力系統自動化，2015，39(6)：141-151．

[5] 閆鶴鳴，李相俊，麻秀范，等．基于超短期風電預測功率的儲能系統跟蹤風電計劃出力控制方法[J]．電網技術，2015，39(2)：433-439．

[6] Liu C Y，Chao Q，Wei L L．Wind-storage coupling based on actual data and fuzzy control in multiple time scales for real-time rolling smoothing of fluctuation [J]．Electric Power Automation Equipment，2015，35(2)：35-41．

[7] Fang S，Chiang H D．A high-accuracy wind power forecasting model[J]．IEEE Transactions on Power Systems，2017，32(2)：1589-1590．

[8] Qian Z，Pei Y，Cao L X，et al．Review of wind power forecasting method[J]．High Voltage Engineering，2016, 42(4)：1047-1060．

[9] Hu M Y，Hu Z J，Zhang M L，et al．Research on wind power forecasting method based on improved AdaBoost．RT and KELM algorithm[J]．Power System Technology，2017，37(2)：536-542．

[10] 張俊，賀旭，陸春良，等．基于數值天氣預報的光伏功率短期預測分類組合算法[J]．廣東電力，2019，32(6)：55-60．

[11] 楊正瓴，劉仍祥，李真真．基于季風和大氣壓分布的我國風電功率預測研究[J]．分布式能源，2018，3(2)：29-38．

[12] 吳宇杭，溫步瀛，江岳文，等．基于變分模式分解和深度門控循環網絡的風速短期預測模型[J]．電網與清潔能源，2018，34(12)：59-64．

[13] 雷爽，王鵬卉，張亞剛．基于集合經驗模態分解的組合風速預測方法[J]．電力科學與工程，2018，34(1)：18-23．

[14] 楊明莉，劉三明，王致杰，等．卡爾曼小波神經網絡風速預測[J]．電力系統及其自動化學報，2015(12)：42-46．

[15] 方必武，劉滌塵，王波，等．基于小波變換和改進螢火蟲算法優化 LSSVM 的短期風速預測[J]．電力系統保護與控制，2016(8)：37-43．

[16] 李國慶，張鈺，張明江，等．基于 MRMR 的集合經驗模態分解和支持向量機的風電功率實時預測[J]．東北電力大學學報，2017，37(2)：39-44．

[17] 曹俊波，周任軍，鄧學華，等．考慮優化 ARIMA 模型差分次數的風功率預測[J]．電力系統及其自動化學報，2019，31(1)：105-111．

[18] 李彬，彭曙蓉，彭君哲，等．基于深度學習分位數回歸模型的風電功率概率密度預測[J]．電力自動化設備，2018，38(9)：15-20．

[19] 江岳春，張丙江，邢方方，等．基于混沌時間序列 GA-VNN 模型的超短期風功率多步預測[J]．電網技術，2015，39(8)：2160-2166．

[20] 陳寧，薛禹勝，丁杰，等．利用空間相關性的超短期風速預測[J]．電力系統自動化，2017(12)：124-130．

[21] 陳杰，沈艷霞，陸欣，等．一種風電功率概率區間多目標智能優化預測方法[J]．電網技術，2016，40(8)：2281-2287．

[22] 吳曉剛，孫榮富，喬穎，等．基于風電場功率特性的風電預測誤差分布估計[J]．電網技術，2017，41(6)：1802-1807．

[23] Li D，Ren Z Y，Yan W，et al．Month-ahead wind power curve probabilistic prediction based on factor analysis and quantile regression neural network[J]．Proceedings of the CSEE，2017，37(18)：5238-5248．

[24] 董偉，楊強，葛磊蛟，等．基于混合智能模型的分布式風力發電預測方法[J]．供用電，2019(1)：34-39.

[25] Li Y，Li X J，Jia X C，et al．Monitoring and control for hundreds megawatt scale battery energy storage station based on multi-agent：methodology and system design[C]//2018 IEEE International Conference of Safety Produce Informatization．Chongqing，China：IEEE，2018．

[26] Li X J，Wang S X．A review on energy management，operation control and application methods for grid battery energy storage systems[J]．CSEE Journal of Power and Energy Systems，DOI：10.17775/CSEEJPES，2019.00160．

[27] 馮澤磊，吳美鳳．基于大數據平臺的火電機組實時運行狀態監測[J]．華電技術，2019，41(4)：29-32，37．

[28] 李冰，張妍，劉石．基于LSTM的短期風速預測研究[J]．計算機仿真，2018，35(11)：456-461．

[29] 梁榮，王洪濤，吳奎華，等．基于神經網絡和 ARIMA 模型的冷熱電短期負荷預測[J]．電力系統及其自動化學報，DOI：10.19635/j.cnki.csu-epsa.000260．

[30] 赫衛國，郝向軍，郭雅娟，等．基于ARIMA和SVR的光伏電站超短期功率預測[J]．廣東電力，2017，30(8)：32-37．

[31] 王旭，陳瀟一．基于AHP、ARIMA算法的電力信息系統負載預測研究與應用[J]．電網與清潔能源，2017，33(8)：20-25．

Wind Power Prediction Method Based on Long Short-term Memory Neural Network

LI Xiangjun, XU Gejian

(State Key Laboratory of Control and Operation of Renewable Energy and Storage Systems (China Electric Power Research Institute), Haidian District, Beijing 100192, China)

Wind power generation process has strong randomness, which leads to low accuracy of wind power prediction. In view of the above phenomenon，a wind power generation power prediction method based on deep learning algorithm was proposed. Taking the historical wind power data as input, a wind power prediction model was established to realize the wind power prediction on a time scale in the future. The results of the example show that compared with the traditional time-series prediction method, the average absolute error of the wind power prediction results based on long short-term memory neural network is smaller in each index, which verifies the feasibility and effectiveness of the above method in wind power generation prediction, and improves the accuracy of wind power generation prediction.

deep learning; time-series prediction; wind

10.12096/j.2096-4528.pgt.19108

國家電網公司科技項目(DG71-19-015)。

Project Supported by Science and Technology Project of State Grid Corporation of China (DG71-19-015).power generation; long short-term memory (LSTM) neural network

2019-07-16。

李相俊(1979)，男，博士，教授級高級工程師，研究方向為大規模儲能技術、新能源與分布式發電、電力系統運行與控制，li_xiangjun@126.com。

李相俊

(責任編輯 尚彩娟)