基于CNN-LSTM 網絡模型的風電功率短期預測研究

李 艷，彭春華，傅 裕，孫惠娟

（1.華東交通大學電氣與自動化工程學院，江西 南昌330013；2. 國網江西省電力有限公司贛州供電分公司，江西 贛州341000）

目前，風電功率預測方面的研究方法一般可以分為物理模型、統計模型和人工智能三種[1-12]。物理模型是通過物理因素及氣象數據來預估風電功率，其在短期預測中表現欠佳。 統計方法是利用基于歷史數據的數學模型進行風速、風功率預測，典型統計模型是以風速數據是正態分布且為線性相關為前提的，因不符合實際情況，所以預測性能將不能得以保證。

為改進LSTM 存在的不足，提出一種基于CNN-LSTM 網絡模型的風電功率預測方法。借助CNN 序列特征抽象能力以有效提取子序列特征，去除干擾信息后輸入數據至LSTM，保留更長的有效記憶信息以解決梯度彌散問題。 與僅使用單一LSTM 模型進行比較，CNN-LSTM 網絡模型能提供大量的有效數據作為LSTM的輸入數據，從而提高預測精度。

1 風電功率預測影響因素

從物理本質上來說，風電功率影響因素包含風速、風向及溫度等[13]。在現有的部分研究中，只使用歷史功率數據對未來值進行預測，而不考慮其它相關環境影響因素，此類模型的外推能力不足。 因此，為提升預測的精度，在建立模型時需要考慮其它可能對風電出力造成影響的因素。

存在多個變量時，找出影響預測發電功率較大的變量十分必要。 采用Spearman 方法進行相關性分析。式（1）為2 個n 維向量x，y 的Spearman 相關系數，其中x，y 表示進行相關性分析的兩個變量。

本文實驗獲取數據包含我國某風電場2018 年的實際測量數據變量，數據采樣間隔為15 分鐘。 數據包含：測風塔10 m 高度風速、30 m 高度風速、50 m 高度風速、70 m 高度風速和輪轂高度風速、風向、溫度、氣壓、濕度、發電功率。 通過對風電場2018 年風力發電功率與影響因素各變量數據間進行Spearman 相關性計算，分析結果如表1 所示。 風力發電功率與輪轂高度風速具有最強相關性，Spearman 系數達到0.91；同測風塔10 m 風速相關性次之，Spearman 系數是0.90；發電功率與溫度相關程度最低為-0.09，所以發電功率與實測數據中的主要影響變量選擇為發電功率、測風塔10 m 高度風速、30 m 高度風速、50 m 高度風速、70 m 高度風速和輪轂高度風速。

表1 風力發電功率與影響因子間Spearman 分析結果Tab.1 Results of Spearman analysis between wind power and influence factors

考慮風力發電功率不僅與前一時刻的影響因素有關，在不同時刻下，其影響程度高的因素可能還包含之前幾個時刻的風力發電功率及其它影響因子，預測模型輸入數據選擇為影響發電功率的多個時刻數據值時，其預測準確性就可能比只輸入前一時刻數據高。 為此，對表1 中與發電功率影響程度高的影響因子進行分時刻的進一步分析。

對風力發電功率、測風塔10 m 高度風速、30 m 高度風速、50 m 高度風速、70 m 高度風速和輪轂高度風速6 個變量各個時刻數據進行Spearman 相關性分析， 選擇出與預測時刻發電功率具有強相關性的某一個或某幾個時刻數據，并以此為依據確定分時預測模型的輸入數據。 當前風力發電功率與歷史風力發電功率部分時刻、發電功率與測風塔10 m 高度風速部分時刻、發電功率與測風塔30 m 高度風速部分時刻、發電功率與測風塔50 m 高度風速部分時刻、發電功率與測風塔70 m 高度風速部分時刻、發電功率與輪轂高度風速部分時刻的相關性分析結果分別如表2～表7 所示。

表2 當前風力發電功率與歷史風力發電功率部分時刻Spearman 相關性分析結果Tab.2 Spearman correlation analysis results between current wind power and historical wind power

表3 當前發電功率與測風塔10 m 高度風速部分時刻Spearman 相關性分析結果Tab.3 Spearman correlation analysis results of current generation power and wind speed at the height of 10 m at some time

表4 當前發電功率與測風塔30 m 高度風速部分時刻Spearman 相關性分析結果Tab.4 Spearman correlation analysis results of current generation power and wind speed at the height of 30 m at some time

表5 當前發電功率與測風塔50 m 高度風速部分時刻Spearman 相關性分析結果Tab.5 Spearman correlation analysis results of current generation power and wind speed at the height of 50 m at some time

表6 當前發電功率與測風塔70 m 高度風速部分時刻Spearman 相關性分析結果Tab.6 Spearman correlation analysis results of current generation power and wind speed at the height of 70 m at some time

表7 當前發電功率與輪轂高度風速部分時刻Spearman 相關性分析結果Tab.7 Spearman correlation analysis results of current generation power and wind speed at the height of hub at some time

根據分析情況，選擇出與預測時刻發電功率Spearman 相關系數在0.9 以上的時刻數據，并以此為依據確定風電功率網絡模型的輸入數據。 例如，預測6:45 時刻的發電功率，則輸入數據為5:15、5:30、5:45、6:00、6:15、6:30 時刻的發電功率，6:30 時刻的10 m 高度風速，6:30 時刻的30 m 高度風速，6:15、6:30 時刻的50 m高度風速及6:30 時刻的輪轂高度風速。

2 CNN-LSTM 網絡模型

2.1 CNN 模型

卷積神經網絡源于Hubel 和Wiesel 對于貓腦感受野的探索，是將多層網絡結構進行成功訓練的學習算法[14]。 CNN 模型通過局部連接及共享權值的方式，交替使用卷積層和池化層以獲取數據有效表征。

2.2 LSTM 網絡模型

LSTM 的記憶單元結構如圖1[15]，記憶單元是記憶模塊的核心，表示時刻的細胞狀態。 LSTM 門結構的作用是增刪細胞狀態信息，選擇性地使信息通過。

各變量之間的計算公式如下

式中：it，ft，ot，Ct分別為輸入門、遺忘門、輸出門、記憶細胞狀態的向量；Wxi，Wxf，Wxc，Wxo為連接輸入 信 號Xt的 權 重 矩 陣；Whi，Whf，Whc，Who為 連 接輸出信號Ht的權重矩陣；Wci，Wcf，Wco為連接矢量Ct和門函數權重矩陣；bt，bc，bf，bo為偏置向量；σ 為激活函數，通常為或函數。

2.3 CNN-LSTM 網絡模型

CNN-LSTM 網絡模型的輸入數據結構是時間序列特征圖。 風力發電功率歷史數據、歷史時刻風速數據等數據為各自獨立的時間序列。 為耦合影響功率的特征信息，將某時刻的歷史發電功率和相關的特征表示成向量并聯合，成為新的時間序列數據。 如圖2 所示，T 時刻的歷史功率與相應影響因素耦合構成時刻的特征圖，下個時刻的特征圖利用滑動窗口的方式滑動一個時間間隔而成。 按順序把輸入的時間序列形成特征圖。 n 指時間步數，t 代表特征圖以時間為尺度。

CNN-LSTM 網絡模型的構成分為兩部分，CNN 部分主要進行數據特征提取，LSTM 網絡則主要進行功率預測。經實驗發現，通過增加CNN層數能夠提高提取特征的能力， 模型精度會變得更高，但是當增加到一定層數之后，模型的擬合精度趨向穩定， 因此最后將卷積層（Conv2D）數定為4。 卷積層通過將特征映射到池化層（Maxpooling2D），減少了輸出維數，實現特征提取。然后使用Flatten 層進行扁平化操作，再采用全連接層（Dense）輸出向量，即歸一化后的風電功率預測結果。

圖1 LSTM 單元結構Fig.1 LSTM unit

圖2 CNN-LSTM 網絡模型輸入數據結構Fig.2 Structure of input data in CNN-LSTM network model

3 算例分析

3.1 實驗評價指標

評估模型預測值與訓練值擬合程度采用均方誤差（MSE）作為損失函數，若損失函數值越小，說明模型擬合的越好，則預測更精確。計算公式為式（7）。以平均絕對誤差（MAE）為指標對預測結果的進行評價，計算公式為式（8）。

式中：N 為樣本個數；pi為發電功率預測值；Pi為發電功率實際值。

3.2 實驗結果分析

采用國內某風電場2018 年4 月6 日至2018 年4 月10 日采集的數據進行實驗，分別應用BP、LSTM 和CNN-LSTM 預測發電功率，可得到如圖3 所示的預測結果對比曲線，以及圖4 所示的對應各時刻的相對誤差情況。 可見CNN-LSTM 的預測結果與實際值最接近。

圖3 4 月9 日預測結果對比圖Fig.3 Comparison chart of forecast results on April 9th

圖4 4 月9 日預測相對誤差曲線Fig.4 The relative error curveof prediction on April 9th

表8 預測結果誤差對比Tab.8 Error comparison of prediction results

從表8 可看出，本文提出的CNN-LSTM 預測方法得到風電場2018 年4 月6 日至2018 年4 月10 日期間的eMAE明顯小于BP 和LSTM 網絡模型得到的eMAE，說明利用CNN-LSTM 模型可提高預測精度。

4 結論

針對提升預測精度的要求，本文提出一種基于CNN-LSTM 網絡的風電功率預測方法，并經過實驗驗證了其有效性。 算例表明：

1） 采用Spearman 分析不同變量間的相關性，可以對預測模型的多變量輸入進行篩選，從而降低數據規模，減少非有效信息給模型精度帶來的影響。

2） 基于CNN-LSTM 網絡構建的預測模型， 不僅具有CNN 適于提取數據特征的優點， 又包含了LSTM處理時間序列的能力，實驗結果驗證文中預測方法能夠提高風電功率的預測精度。

當風力發電功率出現持續性突變時，深度學習算法的跟蹤性能需進一步加強。 下一步的研究可結合優化算法來提升其預測效果。