人工智能算法對風功率曲線的改進

陳金車，蘇士翔，蔣 強

（蘭州大學 大氣科學學院，甘肅 蘭州 730000）

風能是一種清潔能源，如果在風力發電方面得到高效利用，將極大地推動社會經濟的發展。早在1985年Bossanyi E A[1]就通過卡爾曼濾波預報了風速；后來隨著人工智能的發展，李大中[2]結合卷積神經網絡和循環神經網絡預報了風速，發現準確性更高。風電功率反映著風電廠的供電能力及穩定性，它會隨著風速的大小不斷變化，當其異常波動時，人們的生產生活會受到影響。因此，風電功率大小的模擬就顯得很重要。人工智能算法近些年在環境和氣象等領域取得了不錯的發展[3-6]。周永生[7]采用長短期記憶網絡（LSTM，Long Short-Term Memory）創新了預測PM2.5濃度的方法；孫全德[8]等人通過人工智能算法對數值天氣預測模式ECMWF對于華北地區10m風速的預測結果做了訂正。隨著經濟社會的不斷發展，風力發電技術開始扮演著愈來愈重要的角色。然而，利用風功率曲線計算得到的風電功率誤差較大，這是由于在計算過程中只考慮了風速，而忽略了其它氣象因子可能會對風電功率產生的影響。例如，溫度雖然不能直接影響風電功率，但是可以通過影響風速間接對風電功率產生影響。因此，本文引入差分進化算法（DE，Differential Evolution Algorithm） 和遺傳算法 （GA，Genetic Algo rithm）以及BP、LSTM和隨機森林（RF）模型，以包括風速、風向和溫度在內的氣象數據作為自變量輸入模型對風電場的風力發電功率進行了模擬，從而達到更精確計算風電功率的目的，給電力部門制定發電計劃提供參考。

1 資料與方法

1.1 數據來源

風電功率數據和氣象數據來源于華家嶺風力發電廠，共計兩年時間的風力發電功率數據和風速、風向以及溫度數據，時間段為北京時間2017-01-01 00：00至2018-12-31 23：00，時間間隔為15min一次。采用線性插值的方法對殘缺的風電功率數值和氣象數值進行補齊。

1.2 方法

BP神經網絡[9]是使用范圍最廣的一種神經網絡模型，在這種模型中，誤差是反向傳播的；LSTM[10]是被瑞士科學家Schmidhuber提出的，它能將重要內容記住，將不重要內容忽略；RF[11]是由美國Leo Breiman教授提出的，對于回歸問題，采用最小方均差原則將每棵決策樹的模擬結果匯總，然后取均值得到最終結果。本文以2017-01-01 00：00 至2018-12-31 23：00 的風電功率及氣象數據為基礎，選取2017-12-05 09：45至2017-12-07 04：00的數據用來進行風電功率的模擬，前90%的數據（153條）用來訓練，后10%的數據（17條）用來測試。用平均絕對誤差（MAE）和均方根誤差（RMSE）來檢驗模擬效果，其計算方法如公式（1）和（2）所示，其中，Yi為模擬值，yi為實際值。

2 研究結果與分析

風電功率的模擬結果：圖 1（a）-1（e）分別表示傳統BP神經網絡、經差分算法優化的BP神經網絡、經遺傳算法優化的BP神經網絡、LSTM和RF模擬結果的絕對誤差以及風電功率隨時間的變化。從圖中可以看出，幾種模型模擬值的曲線都能較好地反映真實值的變化趨勢和走向，而圖1（b）-1（e）中模擬值與真實值的接近程度較圖1（a）更強。傳統的BP神經網絡對于風電功率模擬結果的絕對誤差范圍在0～150MW，絕對誤差的中值為40.3MW。經差分算法和遺傳算法優化的BP神經網絡以及LSTM和RF分別可以使得模擬結果絕對誤差的范圍降至 0～93MW、0～69MW、0～81MW 和 0～59MW，絕對誤差的中值也都被降低至25MW以下。特別是經遺傳算法優化的BP神經網絡，更是將絕對誤差的中值從40.3MW降低至了11.3MW，對00：15這個采樣點的風電功率值模擬最為準確，模擬值僅僅比真實值高出了0.3MW，模擬準確率接近100%，模擬效果最差的采樣點為02：00，真實值為140.2MW，模擬值為191MW，模擬誤差為50.8MW，模擬準確率為73.4%。在這幾種模型中，LSTM的表現最為穩定，雖然其模擬結果的平均絕對誤差（MW）略大于經遺傳算法優化的BP神經網絡和RF，但其在各個采樣點上模擬結果的準確率變化幅度不大，全部維持在80%以上，模擬準確率最高的采樣點為00：00，模擬值僅比真實值低了1.4MW，模擬準確率高達99.7%。總的來說，不管是經差分算法優化的BP神經網絡和經遺傳算法優化的BP神經網絡，還是LSTM和RF，模擬性能相比于傳統的BP神經網絡都有明顯提升，模擬曲線能夠很好地反映出風電功率的大小及變化態勢。其中，經遺傳算法優化的BP神經網絡可以使模擬結果的平均絕對誤差（MW）減至最小，而LSTM模擬性能則更穩定，模擬效果最差采樣點的模擬準確率都達到了83.0%。

風電功率模擬結果的誤差分布如表1所示，經差分算法優化和遺傳算法優化的BP神經網絡以及LSTM和RF對風電功率的模擬明顯優于傳統的BP模型，準確率分別提高了2.1%、5.5%、4.1%和3.6%。對于最大功率點的模擬而言，5種方法均表現出了優異的模擬性能，準確率都保持在90%以上。對于最小功率點的模擬而言，BP模型的模擬值為0MW，而該點的實際觀測功率值為64.8MW。根據國家能源局西北監管局印發的《西北區域發電廠并網運行管理實施細則》及《西北區域并網發電廠輔助服務管理實施細則》的規定，對于風力發電功率的模擬，當模擬值為0時，當風電功率的實際觀測值在裝機容量的3%以內，則不予考核；當風電功率的實際觀測值超過裝機容量的3%時，誤差值按100%計算。因此BP模型對小功率點的模擬無法滿足要求，經差分算法優化的BP模型以及RF模型雖然使得最小功率點的模擬準確率提高至了56.5%和58.8%，但準確率仍然較低，而經遺傳算法優化的BP模型以及LSTM模型可以使得最小功率點的模擬準確率提高至80%以上，改善了傳統BP模型對小功率點模擬性能不佳的問題。

3 結論

本文利用BP神經網絡、經差分算法優化的BP網絡、經遺傳算法優化的BP網絡、LSTM與RF等多種人工智能算法，基于風電場的氣象數據對風電功率進行了模擬，并對模擬結果的誤差進行對比分析，評價不同模型的模擬性能。

（1）對于風電功率的模擬而言，BP模型模擬結果的平均絕對誤差為47.0MW，模擬值與實際觀測值之間有良好的線性對應關系，但對小功率點的模擬效果欠佳，在各個方面還有較大的提升空間。

（2）經遺傳算法優化的BP神經網絡和LSTM可以克服傳統BP神經網絡對小功率點模擬效果不佳的問題。在這幾種人工智能算法中，LSTM模型對所有采樣點的模擬準確率均達到了80%以上，表現最穩定。