基于VMD-AM-WGAN的超短期风电功率预测
时间：2023-01-25 16:50:06 来源：柠檬阅读网 本文已影响 人 
程江涛，王灵梅，孟恩隆，刘玉山，贾成真，陈政坤，李永龙，王凯林，原升耀
(1.山西大学绿色能源与电力智能控制研究所，山西 太原 030013) (2.青海省绿色发电集团股份有限公司，青海 西宁 810008)
随着“30·60双碳”目标的提出，我国风电将迎来新一轮的发展，其中以山地风力发电场居多。以新能源为首的新型电力系统中，新能源装机容量占比越来越高。准确的超短期风电功率预测在解决电网调峰问题、制定合理的调度策略等方面发挥着不可替代的作用。
由于风电功率序列具有非线性及非平稳性的特征，因此难以提升风电功率的预测准确率。国内外学者为提升预测准确率做了大量研究，提出各种风电功率预测模型，最常见的有自回归滑动平均模型(ARMA)[1]、长短时间记忆网络(LSTM)[2-4]和卷积神经网络(CNN)[5-6]等。Zhang等[7]提出基于互补经验模式分解(CEEMD)、改进遗传算法(IGA)优化的T-S模糊神经网络和马尔可夫误差修正的组合模型，用来提高超短期风电预测的准确性；
李大中等[8]提出一种基于深度学习与误差修正的超短期风电功率预测方法，该方法采用了随机森林算法对双向门控循环网络模型的预测误差进行修正，仿真结果验证了该方法具有一定的有效性及适用性。
近年来，生成对抗网络[9]以其独特的对抗思想和无监督学习方式成为深度学习领域中的重要分支，并且生成对抗网络具有良好的捕捉数据间隐含深层关系的能力，因此生成对抗网络也越来越多地应用于时间序列预测领域。Zhou等[10]首次采用生成对抗网络对高频股票市场进行预测，有效地提高了股价预测精度，降低了预测误差；
王静等[11]基于经验模态分解(EMD)生成对抗网络的金融时间序列预测，利用经验模态分解对金融时间序列进行分析并对目标函数进行改进，以提高预测准确率，但EMD容易发生模态混叠，导致预测效果欠佳。上述文献虽然将生成对抗网络应用于时间序列预测，但大多采用原始生成对抗网络模型，存在预测精度不高、模型不稳定等问题，并且对于多特征融合也未能采取较好的策略。
为了解决上述问题，提出一种基于变分模态分解的生成对抗网络(VMD-AM-WGAN)的超短期风电功率预测模型。该模型采用变分模态分解(VMD)[12-13]对风电功率序列进行降噪及降低非平稳性，同时利用注意力机制(AM)[14]对多个特征的权重进行动态调整及优化，最后利用改进型的生成对抗网络模型(WGAN)的对抗思想及对数据间深层隐含关系的捕捉能力，对风电功率进行预测，以提高模型的预测准确率。
以华北某风电场的实际数据进行超短期风电功率预测，将基于VMD-AM-WGAN的超短期风电功率预测模型在风电场的实际预测效果与同时刻风电场的实际风电功率、WGAN网络模型的预测结果、风电场场站风电功率实际预测结果进行对比，结果表明，本文提出的预测模型能有效提升风电功率预测精度，具有较强的适用性。
由于山地风电场的湍流强度高且极端天气频繁出现，使得风电出力具有较强的波动性及间歇性，是明显的非平稳时间序列，所以本文采用VMD分解的方法对风电功率序列进行降噪及信号的平滑处理。通过迭代搜寻的方式构建变分模型，将原始风电功率时间序列P(t)分解为不同的具有有限带宽的分量，通过交替迭代寻找变分模型的最优解。
选取500条风电机组输出功率数据作为VMD分析的功率序列样本，采样时间为15 min，采样频率为1/900。对该样本进行VMD变分模态分解，得到不同分量，首先设置分解个数K=3,4,5，并计算得到不同分解次数下各分量的中心频率，见表1。
表1 VMD分解及各分量的中心频率
当K取5时，分量3、分量4和分量5的中心频率分别为2.317E-04、3.613E-04和4.494E-04，出现了3个中心频率相近的分量，属于过分解；
当K取3时，3个中心频率波动较为不稳定，属于欠分解；
当K取4时，各中心频率相差较大，所以确定分量个数K为4。VMD分解及分量的频谱密度如图1所示。
图1 基于VMD分解及分量的频谱密度
2.1 VMD-AM-WGAN网络的模型结构
VMD-AM-WGAN网络的模型结构如图2所示，主要包括3部分：数据预处理、生成器G和判别器D。
图2 VMD-AM-WGAN网络的模型结构
数据预处理是利用MIC(最大信息系数)对各个特征进行相关性分析，筛选出风电功率预测的关键性因素：风速、风向、偏航误差(风机机舱方向与风向的夹角)、温度、湿度。然后对原始数据集S中的异常点进行识别剔除并通过随机森林算法进行缺失值插补，最后进行归一化处理，便于进一步分析及预测。
生成器G由VMD分解和K个AM-LSTM网络组成。本文提出的预测模型首先利用VMD将风电功率时间序列分解成K个子序列分量，并通过加权的方式将K个AM-LSTM网络的输出叠加得到生成器的生成值，即预测的风电功率值。
本文采用CNN作为判别器，判别器的作用是估计生成器预测的风电功率数据与真实风电功率样本之间的W距离，然后使用生成器去拉近两者之间的距离。CNN由输入层、输出层及隐含层组成，其中隐含层包括卷积层、池化层和全连接层。生成器生成的超短期风电功率预测数据与真实风电功率数据一起通过判别器的输入层，然后卷积层通过卷积运算提取特征，池化层进行特征降维、减少数据输出复杂度、防止过拟合，最后经过全连接层连接并输出。
2.2 目标函数
为解决原始生成对抗网络梯度消失、训练不收敛、模型容易崩溃的问题，引入W距离，用判别器估计生成分布与真实分布的W距离，用生成器拉近W距离，达到生成逼近真实功率的预测功率的目标。将判别器相对于输入数据列X的梯度限制在一定范围内，使得判别器满足Lipschitz条件。本文在判别器中加入了梯度惩罚项，判别器损失函数J(D)为：
(1)
生成器损失函数J(G)为：
J(G)=-EZ～PZ[fw(G(Z))]
(2)
2.3 算法流程
本文的VMD-AM-WGAN神经网络模型采用的优化算法为RMSProp，生成器由VMD和4个AM-LSTM神经网络构成，LSTM隐含层包含10个神经元，激活函数为tanh，学习率为0.000 1。判别器由CNN构成，包含1层卷积层、1层池化层和1层全连接层；
输入神经元数量为16，卷积核为32，激活函数为LRELU，学习率为0.000 1；
池化方法为最大池化。
训练过程如下：
1)初始化生成器和判别器的学习速率及生成器G的网络参数θd、判别器D的网络参数θω，将经过数据预处理后不包含风电功率时间序列的数据集S进行滑窗分组(滑动窗口大小为m)，分解后的数据集表示为Sq；
将经过数据预处理后的数据集S中的风电功率时间序列进行滑窗分组(滑动窗口大小为n)，分解后的数据集表示为Y。
2)将经过数据预处理后的数据集S中的风电功率时间序列分解成K个子序列分量，对每个子序列分量进行滑窗分组(滑动窗口大小为m)并将每个子序列分量分别与步骤1中的数据集Sp结合，生成K个新数据集Sp。
3)将K个新数据集Sp分别输入生成器G的K个AM-LSTM网络中，并将K个预测结果相加得到生成数据集G(Z)，G(Z)和Y一起输入判别器D，使用随机梯度下降算法更新判别器D的网络参数θω。
4)使用随机梯度下降算法更新生成器G的网络参数θd。
5)每训练5次判别器，训练1次生成器，直至判别器的网络参数θω收敛，训练结束。
2.4 模型预测结果的评价指标
超短期风电功率预测准确率的评估方法有很多，如均方根误差、平均绝对误差等。本文采用2021年山西省下发的《山西能源监管办关于印发山西并网发电厂辅助管理实时细则和并网运行管理实施细则2021》中超短期风电预测的评价指标作为本文的模型预测评估指标，计算公式如下：
(3)
(4)
本文采用华北某山地风电场2020年的全场单机SCADA系统(数据采集与监视控制系统)数据集，其包含历史风电功率、风速、风向、温度、湿度、压力等特征量。该风电场装机容量为100 MW，东西跨度近50 km且地势复杂，小气候现象明显，极端天气出现频繁，因而一个测风塔的测风数据对整个风电场的风资源情况代表性严重不足，基于此，本文采用单机风电功率预测反推全场超短期风电功率预测的技术路线。
确定好VMD分解个数后，对训练数据进行滑窗分组，建立多步(16步)预测模型，同时预测未来4 h的风电机组输出功率。将经过VMD分解并进行筛选处理后的风电功率分量结合相对应时刻的风速、偏航误差角、压力、温度、湿度特征，输入训练好的生成器，经过权重调整后得到各分量的预测结果，将各预测结果相加得到单风电机组输出功率预测值，最后将每台机组的预测值相加，得到整场的超短期预测输出功率。各个模型的预测效果与风电场场站实际功率如图3所示。
图3 不同风况下各预测模型与风电场实际功率对比曲线图
由图3可知，在大风、小风、风速发生陡降风况下，本文提出的基于VMD-AM-WGAN的超短期风电功率预测模型的预测结果与同时刻WGAN网络模型的预测结果、风电场场站风电功率实际预测结果相比，其更接近风电场实际功率，预测准确率也更高，并且较少出现预测曲线滞后的现象。结果表明，本文提出的预测模型可以有效提升多种风况下的超短期风电功率预测准确率。对该风电场进行为期3个月的超短期风电功率预测，统计月平均准确率、日平均最高准确率和日平均最低准确率，见表2。
表2 VMD-AM-WGAN模型准确率统计表
由表2可知，本文提出的基于VMD-AM-WGAN的超短期风电功率预测模型的月平均准确率均高于90%，达到最新的电网要求水平，与现有的其他风电功率预测产品相比，该预测结果处于较高水平。
本文引入VMD分解方法对风电功率序列进行降噪及信号的平滑处理，并引入特征注意力机制实时计算风电功率数据与相关气象特征量(风速、偏航误差角、压力、温度、湿度)之间的相关性，动态调整生成器中各特征的权重系数，最后利用WGAN的对抗思想及对数据间深层隐含关系的捕捉能力，对风电功率进行预测。通过现场试验及多模型仿真的预测结果对比分析，验证了本文所提模型的有效性。
猜你喜欢 电功率风电场分量 基于PCC-CNN-GRU的短期风电功率预测成都信息工程大学学报(2022年2期)2022-06-14数字化风电场后评估指标体系研究能源工程(2021年2期)2021-07-21画里有话读者·校园版(2020年19期)2020-09-1618.2电功率（教学设计）学校教育研究(2020年12期)2020-06-27《海上风电场设施施工检验指南》(GD01—2020)发布船舶标准化工程师(2020年1期)2020-06-12一斤生漆的“分量”——“漆农”刘照元的平常生活当代陕西(2019年19期)2019-11-23一物千斤智族GQ(2019年9期)2019-10-28基于PSS/E的风电场建模与动态分析电子制作(2018年17期)2018-09-28论《哈姆雷特》中良心的分量英美文学研究论丛(2018年1期)2018-08-16第11讲 电能与电功率专题复习中学生数理化·中考版(2016年2期)2016-09-10
