基于氣象特征自適應重構算法與機器學習的超短期發電功率預測方法

郭軍，王茵茵，陳水明

（1.大唐（內蒙古）能源開發有限公司集控中心，呼和浩特 010050；2.上海遠景科創智能科技有限公司，上海 200000）

引言

伴隨人類社會經濟的快速發展，以煤炭和石油為主的化石能源消耗量大量上升，不僅引起了能源危機還帶來了環境變化，基于此，世界各國達成了改變現有能源結構的全新戰略，在這一戰略目標下才能夠實現經濟與社會的可持續發展。推進清潔能源和可再生能源的開發和利用，提高新能源在國家能源結構中的占比，已經成為世界各國政府的統一目標，在此背景下對開發清潔能源的發電技術也逐漸成為新的研究熱點。我國政府為實現可持續發展，在戰略目標明確表明力爭在2060 年實現碳中和。若想實現這一目標，需要對清潔能源和可再生能源進行優化利用，其中，風能和光能正是有效的措施之一[1]。利用風力和光伏發電具有明顯優勢，從理論上講，兩者都是一種取之不盡用之不竭的清潔能源，風能和光能屬于可再生的清潔能源，其產生的電能對環境較為友好，且風電廠和光伏系統的運維成本和發電成本較低，且機組占地較少，更容易在不同的范圍內實現擴建。隨著現階段風力發電和光伏發電技術的成熟，世界范圍內對風能和光伏能源的開發和應用已經具有較大規模，全球范圍內的裝機容量和新增容量不斷增加。但風力和光伏屬于自然自然，其具有較大的隨機性和不可控性，因此，通過風電場和光伏系統中輸出的功率可控性較低，難以保證電力系統發電和用電的平衡，為此只需要準確地對未來的風電和光伏出力進行預測[2]。基于此，本文通過氣象特征自適應重構算法與機器學習設計一個新預測方法，為實現超短期發電功率的預測提供理論支持。

1 氣象特征自適應重構算法定量功率與特征相關性

氣象特征的自適應重構能夠對數據進行預處理，不管是光伏發電還是風力發電產生的功率，均具有較多影響因素，為實現較高精度的發電功率預測，需要通過最優特征自己進行數據降維，以此保證發電功率的后期預測[3]。在原始數據中存在一些氣象特征，其與電站的輸出功率可能存在相關性低的問題，以定量分析方式進行特征向量篩選，見表1。

表1 原始數據參量中氣象特征向量

根據表中內容所示，按照不同的類型對原始數據集合進行劃分，包括時間類型、溫度類型、風向類型、輻射類型等，并在每一個類型中選擇出多個數據特征向量[4]。由于上述類型均來來自于原始數據集合，其與發電功率的相關性，不能直接進行確定，因此需要通過最優子集和方式確定氣象特征與發電功率的關系，如下：

式中：

w—原始數據集合中的數據個數，對應有w個氣象特征，且e∈w[5]；

re—第e個數據；

te—第e個氣象特征；

q—相關系數，其取值為q∈[ -1 ,1]，當≈ 1時表明兩者具有較強相關性，而當q= 0時說明兩者不相關。

因此，需要從中選擇出最優特征子集，通過最優特征子集來確定功率與特征的相關性，可以對電站的原始數據進行最優篩選，在預測過程中以最優氣象特征作為指標進行分析，通過更最優特征決定數據的預測精度上限，只有無限接近這一上限才能保證預測精度[6]。基于此，通過神經網絡進行特征數據的不斷輸入和輸出，構建超短期發電功率的預測函數。

2 長短期記憶網絡確定超短期發電功率預測函數

長短期記憶網絡具有特殊性結構，其屬于遞歸神經網絡的一種，能夠解決傳統神經網絡中的梯度問題，可以將不同類型的數據進行長時間存儲，以此保證數據的長期學習和記憶[7]。該網絡同樣具有輸入層、隱藏層、輸出層，主要是隱藏層具有獨立的記憶單元，能夠直接對輸入層和輸出層的數據進行控制。在不同的層次關系中，通過時間節點進行單元重置，以此獲取新的數據信息，實現超短期數據的發電功率預測函數構建：

式中：

u—時刻；

au—輸入數據，即代表歷史發電功率數據[8]；

su、su-1—當前和上一個輸出數據，即經過記憶和分類后的輸出結果；

δ—激活函數；

du、du-1—當前和上一個記憶單元狀態向量；

yu—遺忘門狀態向量；

gu—輸入門狀態向量；

pu—輸出門狀態向量；

du—記憶單元狀態向量；

iay、iag、iap、iad—au到yu、gu、pu、du之間的權重矩陣[9]；

isy、isg、isp、isd—su-1到yu、gu、pu、du之間的權重矩陣；

idy、idg、idp—du-1到yu、gu、pu之間的權重矩陣；

fy、fg、fp、fd—yu、gu、pu、du的偏置向量。

不同“門”結構中包含有激活函數，激活函數能夠對信息進行壓縮，以此實現信息的更新和遺忘，并將其在對應時間步長下進行存儲[10]。在此基礎上，重新定義“門”和記憶單元之間的關系，對不同單元的偏置向量進行分析，以du、du-1之間的關系，不斷更新輸入數據與輸出數據之間的激活函數，將其作為超短期發電功率的預測函數，表示為：

式中：

du′—更新后的記憶單元，即以遺忘門和輸入門為基礎組成的新的記憶單元[11]；

δu—激活函數，是在記憶單元下通過不斷的數據輸出，從而構建的激活函數，能夠作為數據預測的函數。

面對后進生的家長，家訪談話要講究方法。筆者從表揚優點開始打開家訪局面。姜晨為人聰明、待人熱情、有禮貌、熱愛勞動、講衛生，家長聽了也不住點頭。可是，他拖拉的毛病導致了學習成績差，而且行為習慣也差，尤其是每天放學后到危險的地方玩，這是很不安全的。筆者勸告家長現在管還來得及。嚴是愛，松是害，不管不教要變壞。家長說他們也管，可是管不好，連吃頓飯也要將近一個小時，洗澡也是邊洗，邊玩常常要洗很久，每次叫他快點，他還會生氣地反駁。

通過記憶單元的不斷更新和替代，在長短期記憶網絡中建立預測函數，在此基礎上以機器學習技術對函數進行再次轉換，減少數據預測過程中的偏置情況，以此實現超短期的發電功率預測。

3 基于機器學習對偶轉化函數預測超短期發電功率

機器學習技術的應用需要依靠大量的數據作為支撐，通過上文中處理的原始數據，并參考上文中提出的預測函數，按照機器學習方式進行線性分析，以此對預測函數進行對偶轉換，實現超短期發電功率的預測[12]。由于樣本數據中含有高維線性特征，通過機器學習結合最優特征進行非線性處理，在最優特征下設定發電功率數據的學習集合，在非線性映射下的回歸表達為：

式中：

k(l)—回歸表達[13]；

(l b,nb)—超短期發電功率學習數據集合；

lb—學習樣本；

—期望結果；

ε(l)—非線性映射函數；

在非線性映射下對發電功率數據進行學習，

x—偏置處理向量；

—回歸函數的權值向量[15]；

v—懲罰參量；

m—損失系數；

φb、φ b′—松弛因子。

對上述參數進行對偶轉化，求解回歸過程中的徑向基核系數，實現發電功率的超短期預測：

式中：

Q—對偶表達形式；

bj—徑向基核系數；

、hb—高、低維空間；

k(lb)′—k(l)的回歸表達；

W( ? )—學習效率函數。

通過不同形式的函數轉化和表達，對學習樣本進行非線性映射，使其在高維特征空間中進行映射，以此獲取超短期內的發電功率數據預測。至此，本文基于氣象特征自適應重構算法與機器學習技術，完成預測方法設計。

4 實驗測試分析

上文中結合氣象特征自適應重構算法與機器學習技術，重新設計了新的預測方法，為驗證該方法能夠實現超短期發電功率有效預測，采用對比測試的方式完成論證。采用基于時序分解的預測方法和基于改進循環神經網絡的預測方法作為對照組，分別與本文方法進行對比，驗證不同預測方法的精準度。以風電場并入電力系統作為測試對象，選取較為臨近數據作為測試樣本，對其不同時刻的發電功率進行統計。按照采樣間隔時間為50 min 進行劃分，共劃分為5 個階段，在對應階段下統計不同日期的發電功率數據，具體見圖1。

圖1 不同日期的發電功率

如圖所示，此次選擇連續5 天的數據作為測試對象，且每一天數據的采樣時間不同，每一組數據以15 min進行詳細劃分，根據不同日期內的發電功率可知，每一天發電功率具有突變性和波動性。為驗證不同方法的應用效果，將上述數據傳至MATLAB 測試平臺，并分別連接三組預測方法，以預測精準度作為驗證指標，分別采用不同的預測方法對上述發電功率進行預測，結果見圖2。

圖2 不同方法下的發電功率預測結果

根據圖中內容所示，以連續日期內的發電功率作為測試數據，分別采用不同的方法進行預測，新方法的預測結果與實際的發電功率曲線具有一致性，兩組傳統方法的預測結果可以看出明顯的誤差，其余實際發電功率存在明顯差異。除此以外，在功率突變時刻內，傳統方法具有明顯的滯后性，而新方法沒有出現滯后性，其仍能夠與實際發電功率保持一致。綜合實驗結果說明：新方法得到的預測結果可以與實際發電功率保持一致，即使出現了實際發電功率突變情況，也能夠對發電功率作出準確預測，具有應用價值。

5 結束語

現階段，全世界面臨嚴重的化石能源短缺問題，多種可再生能源的開發和利用，能夠為解決能源短缺問題提供支持。但由于可再生能源的不穩定性，其受到多種因素影響會造成電力系統的波動，因此需要對可再生能源的發電功率進行預測。本次通過氣象特征重構算法和機器學習設計了新的預測方法，并通過實驗測試驗證了新方法的有效性，可以實現對發電功率的短期預測，但在研究過程中只分析了風電發力的情況，后續研究中會針對不同的可再生能源進行驗證，實現更加全面的預測分析。