一種自由分布的LSTM算法在多尺度風速預測中的應用

成驍彬

(上海電氣風電集團股份有限公司,上海 200241)

0 引言

考慮到石油類能源的短缺和市場日益增長的需求,近幾年來我國的可再生能源,如太陽能、風能、水能、生物質能源得到了迅猛的發展。風作為最重要的綠色能源之一,在發電過程中不會產生新的碳排放。在雙碳背景下,風電行業的裝機容量增長極為迅速,2016年全球風電的裝機總量大約在55 GW左右,而這個數字在2022年變為了487 GW。風力發電機組發電的源頭來自風,其擁有不確定性和難以預測性。因此,對于風速的精準預測在風電行業起著決定性的作用,同時在“源網荷儲”一體化的新型電力系統下,精準的風速預測可以有效地減少新能源對于電網的沖擊。Sun等[1～4]顯示結合各類LSTM模型的方法來進行短時風速預測,具有優秀的成果。長短期記憶網絡(LSTM)算法是一種有記憶和遺忘機制的模型,能夠有效得解決“維數爆炸”的問題。Liao等[3]使用了一種雙層長短期記憶網絡和注意力機制的模型(DLSTM-AT)用于多尺度的預測。Shen等[4]使用了一種卷積網絡和長短期記憶網絡混合算法(CNN-LSTM)用于處理風機的時空屬性數據。但上述研究都沒有考慮到工業化應用,尤其是在小樣本數據時,對于LSTM算法在風速預測領域的精度提升,尤其是在不同尺度下的綜合預測進度表現。同時,算法模型本身的退化沒有得到很好的監控,使得模型在線狀態屬于“黑盒”狀態。鑒于此,本文提出了一種自由分布LSTM算法,用于短時風速的預測。該算法利用指數分布(Exponential Distribution)和泊松分布(Poisson Distribution)的共軛屬性,形成一種自由分布解決方案,同時使用概率分布指標作為迭代過程中的損失方程,能讓模型更具有泛化性。該模型在多種尺度上均能保證預測精度。

1 自由分布LSTM算法

1.1 數據收集與處理

數據收集與處理包含數據收集,數據分類和數據清洗。本文數據來源于中國江蘇省某4-MW風機機組,數據采集系統為30秒SCADA數據(Supervisory Control and Data Acquisition),數據采樣周期為2022年6月-2022年8月。本文將數據分為訓練集(1 000個觀測值)和測試集(4 500個觀測值)。在數據清洗過程中,本文進行了包含NA值和缺失值的過濾,為保證數據的真實性,本文并沒有對缺失值進行回填。考慮到行業機理,當風速小于切入風速時,風機不會啟動;當風速大于切出風速時,風機會進行停機保護。因此,本文去除了小于風機切入風速(3 m/s)和大于風機切出風速(25 m/s)的數據。

1.2 算法模型

長短期記憶網絡(LSTM)算法作為一種時間序列的深度模型,其輸入應為時間序列數集。在經過處理后的t時刻數據設定為θi=(x1,x2,…,xi,…,xi+t),此時刻LSTM算法公式為:

ft=σf(Wf·[ht-1,xt]+bf)

(1)

it=σi(Wi·[ht-1,xt]+bi)

(2)

ot=σ0(Wo·[ht-1,xt]+bo)

(3)

(4)

(5)

ht=ot·tanh(Ct)

(6)

在輸入訓練時間序列數據集后,該模型在多次迭代(1 000次)后獲得固定的權值W值和偏置b值?？紤]到公式(1)-(6),長短期記憶網絡(LSTM)算法模型可以簡化為LSTM(θ|W,b)。

自由分布的LSTM算法模型假設LSTM算法輸出符合某一條件概率密度函數(CPD),同時使用負對數最大似然值(NLL)作為迭代過程中的損失函數。相比較傳統的基于誤差數值的損失函數,基于統計概率的負對數最大似然值(NLL),具有更好的泛化性。該特性能夠使所提出的模型在小樣本狀態下擁有更好的預測精度。自由分布的LSTM算法可簡化為:

(7)

(8)

表1 模型參數

2 實際案例

在本文中,一個來自中國江蘇2022年7月-8月的真實風場數據作為案例進行分析。其中訓練集為1 000個觀察數值,風速從3.01 m/s到15.73 m/s,其風速數據主要集中在(3 m/s～7.5 m/s)風速段,概率密度函數呈現‘偏態’狀態,類似韋伯分布;測試集為4 500個觀察數值,風速從3.01 m/s到11.42 m/s,其風速數據主要集中在(3 m/s～5 m/s)風速段并在(7 m/s～9 m/s)風速段也有一個副概率密度段,其概率密度函數呈現“兩頭”狀態,類似2個正態分布組合分布。來自工業真實數據的訓練集和測試集數據不符合同一個分布假設,如圖1所示。本文使用Python 3.6,tensor-flow 2.0和tensor-flow probability 0.8 軟件環境,單機i5-6200U CPU和8GB RAM硬件環境進行建模,模型運行時間為9.8 min。其硬件環境和軟件環境不強依靠高端服務器算力,更具有工業應用推廣性。

圖1 風速數據分析

圖2為在測試集1小時預測尺度下,自由分布LSTM算法和真實數據的比對,兩者趨勢相同。尤其是在觀測值1 400時,在此前沒有訓練過的19 m/s風速下,自由分布LSTM算法依然能夠很好地進行跟隨,顯示其具有優良的模型泛化性。圖3為模型誤差MAE自然對數值的監測圖,本文使用自然對數能更好地監測出異常值,選用2倍最大訓練集MAE自然對數值作為閾值(2),可以看出模型運行穩定,如后續出現持續超出閾值情況,即可通知算法人員,進行模型的重新訓練。同時,表2為不同預測尺度(1小時、6小時、12小時、24小時、48小時)下,自由分布LSTM算法和傳統LSTM算法的比對。自由分布LSTM算法的MAE值分別為:0.64(1小時),1.21(6小時),1.86(12小時)和2.28(24小時),而傳統LSTM算法的MAE值分別為:0.77(1小時),1.33(6小時),2.01(12小時)和2.37(24小時)。在不同尺度下,從其統計指標均值-方差可以看出,自由分布LSTM算法(1.49～0.39)在多個預測尺度下均優異于LSTM算法(1.62～0.38),這證明該算法具有一定的工業應用性和推廣性。

圖2 測試集風速驗證(1小時預測尺度)

圖3 模型狀態監測(1小時預測尺度)

表2 MAE在不同尺度下的比較

3 結語

本文利用一種自由分布的LSTM算法對風速進行短時預測。自由分布的LSTM算法模型利用指數分布和泊松分布的共軛性,去除了特定概率密度函數假設對于風速預測精度的應用。通過和其他方法(LSTM算法)比對,該案可有效地對風速進行預測,在不同尺度下均表現出優異的效果,同時該方案還具有模型監測功能,用于模型迭代時間點的提醒。若風電場的運行維護人員根據預測結果,及時對風機狀態進行校正處理,可提高風電場的發電量。未來,在基于該模型的基礎上,可以繼續探討此模型在不同風場數據下的遷移性,以及模型在運行過程中的模型退化監測機制,為該模型在工業應用上的廣泛性進行驗證和推廣。