基于RCC-GRU模型的超短期风电功率预测方法_程江洲.pdf

基金项目:国家自然科学基金面上项目(61876097);湖北省科技计划项目技术创新专项重大项目(2016AAA040)收稿日期:20210315修回日期:20210408第 40 卷第 2 期计算机仿真2023 年 2 月文章编号:10069348(2023)02007905基于 CCGU 模型的超短期风电功率预测方法程江洲，潘飞，鲍刚(三峡大学电气与新能源学院，湖北 宜昌 443000)摘要:准确高效的风电功率预测对于风电场和电网的稳定运行非常重要。提出了一种基于辐射分类坐标(CC)和门控循环单元(GU)的超短期风电功率预测方法。首先，分析了不同气象因素对风力发电的影响以及不同时间段的影响程度。其次，提出了一种辐射分类坐标方法对相似的时间段进行分类和选择，将所选相似时间段的数据集(包括发电量和多元气象数据)重建为训练数据集。然后，将 GU 神经网络作为该模型的学习网络。实验结果表明，所提出的模型的预测准确率和确定系数分别为 97.6%和 98.99%，并结合 3 个误差指标和训练时间分析，CCGU 模型的准确性和效率均优于其它 3个比较模型。关键词:超短期风电预测;辐射分类坐标;相似时间段;门控循环单元中图分类号:TM614文献标识码:BUltraShortTerm Wind Power Prediction MethodBased onCCGU ModelCHENG Jiangzhou，PAN Fei，BAO Gang(College of Electrical New Energy，Three Gorges University，Yichang Hubei443000，China)ABSTACT:Accurate and efficient wind power prediction is very important for the stable operation of wind farmsand power grids This paper proposes an ultrashortterm wind power prediction method based on adiation Classifi-cation Coordinates(CC)and Gated ecurrent Unit(GU)First，the influence of different meteorological factorson wind power generation and the degree of influence in different time periods arewere analyzed Secondly，a radiationclassification coordinate method iwas proposed to classify and select similar time periods，and reconstruct the data set(including power generation and multiweather data)of the selected similar time period into a training data setThen，the GU neural network iwas used as the learning network of the model Experimental results show that theprediction accuracy and determination coefficient of the proposed model are 976%and 9899%，respectively Com-bined with 3 error indicators and training time analysis，the accuracy and efficiency of the CCGU model are bet-ter than the other 3 comparisons modelKEYWODS:Ultrashortterm wind power prediction;CC;Similar time periods;GU1引言发展可再生能源可以有效减少对化石能源和其它燃烧能源的依赖，从而改善世界的能源和经济安全性1。由于其清洁，安全和可持续的特性，风电在全球范围内受到持续关注2。为了提高风电市场需求侧和供应侧的灵活性，提高风力发电预测准确性变得至关重要而紧迫3。专家学者们在风电功率预测方面已经做了很多研究。最近，智能算法和统计方法的结合进一步发展了预测技术。殷等4 提出了级联式卷积神经网络(CCNN)门控循环单元(GU)预测模型。薛等5 提出了 CNNGU 模型的超短期风电预测模型，克服了训练过程中的梯度爆炸和消失问题。Liu 等6 提出了一种基于 copula 函数，双变量经验模态分解(BEMD)算法和 GU神经网络的超短期风电功率预测方法。赏等7 提出一种将随机森林与 GU 神经网络相结合的超短期风电预测模型。上述预测方法，均采用不同的智能算法提取风电相关数据的特征，再通过神经网络算法进行预测，没有针对训练样本的分类和筛选进行研究。97鉴此，考虑到 CC 方法在训练样本分类筛选和 GU 网络在小规模样本预测中的优势，提出了基于 CCGU 模型的超短期风电功率预测方法。实验结果表明，该方法降低了模型的计算成本，提高了预测精度。与 3 种典型方法比较，CCGU 模型在预测精度和效率上具有明显的优势。2CCGU 模型2.1辐射坐标分类方法风电功率输出与许多因素有关，包括一些气象因素和临近日风电功率因素等，几乎不可能包括所有影响因素。然而，这些因素对风电功率影响的权重不是恒定的。在不同的时间段和不同的天气条件下有不同的影响。风电功率和气象数据采集系统每 15 分钟记录一次数据，共 96 个时间点，选择 6 个有代表性且容易获得的气象因素进行比较，包括风速 WS，风向正弦值 sWD，风向余弦值cWD，温度 T，压强 P，相对湿度 H。用 X，Y计算不同特征与不同时段输出功率的相关性，并计算其平均值。X，Y=NXY XYNX2(X)2NY2(Y)2(1)式中 X 代表不同的气象影响因子，Y 代表风电功率，N 代表时间点数。图 1 表示 6 种不同气象因素与风电功率输出的相关系数，相关系数越大，说明该影响因子与风电功率输出的相关性越强。从图 1 可发现，风速与风电功率的相关性为 0.758，在所有影响因子中最高，即用风速来筛选相似日更为合理。图 1不同气象因素与风电功率的相关系数因此，为了保证预测模型在学习不同时间段的微小差距的同时，能够适应不同的季节。该方法将不同的时间段分开，并使用滑动窗口进行超短期功率预测。短期内气候参数范围小，气候变化相对稳定。通过分析预测点之前的气候情况来推测预测点的气候是有效的。设定原点(0，0，0)为参考点，通过将时间周期中不同时间点的风速设置为始值、均值和终值的坐标，可以计算这些坐标和原点之间的欧氏距离，如下所示di=(Gstarti)2+(Gmeani)2+(Gendi)2(2)其中，Gstart，Gmean，Gend分别是预测时间点 i 之前的时间段(in，i1)的风速的始值、均值和终值。n 是选定时间段内的时间点数量。选择 n 等于 2、3、4、5 和 6 进行验证。d，p=Ni=1dipiNi=1diNi=1piNi=1d2iNi=1di()Ni=1p2iNi=1pi()2(3)其中 pi是时间节点 i 的风电功率输出值。不同时间步长的 d 与下一时刻的风电功率之间的相关性如表 1 所示。图 2 中显示了不同时间步长的 d，p平均值和标准偏差，当时间步长为 4 时，相关性最高，并且稳定性更好。因此，选择预测点之前的 4 个时间点作为分析时间段。表 1不同时间步长的 d 与下一时刻的风电功率之间的相关性春天夏天秋天冬天20.8570.9940.8850.99530.8730.9940.8870.99640.8840.9930.8920.99550.8820.990.890.99460.8780.9880.8890.991图 2不同时间步长的 d，p平均值和标准偏差根据上述特征，提出了辐射坐标分类(CC)方法作为选择相似时间段的分类方法。将获得的相似时间的对应数据重建为训练数据集。训练后，输入该时间段的相应数据以预测风电功率输出。具体过程如下。首先，在预测当天的前 30 天和预测时间点前的前两个时间段内的相同时间段内收集数据。将这些数据重构为由(Pt，WSt，sWDt，cWDt，Tt，Pt，Ht，Pt+1)组成的特征数组 A。数组 A 的结构如下所示A=Ad30，Ad29，Ad1，Ad(4)Ad=Pt4WSt4Ht4Pt3Pt3WSt3Ht3Pt2Pt2WSt2Ht2Pt1Pt1WSt1Ht1Pt(5)08然后，对特征数组中的功率和气象参数进行归一化处理。归一化公式定义为Aklnew=Akl AkminAkmax Akmin(6)其中 Aklnew是归一化后的数据，Akl表示功率和气象数据的特定值，k 表示值，均值或终值，l 表示时间节点，Akmax和 Akmin分别是气象数据中对应的最大和最小值。其次，通过将辐射分类特征坐标定义为(Gstart，Gmean，Gend)，每个参数的定义与上面相同。将这 32 个时间段合并为相应的三维向量。计算这 32 个特征坐标与目标周期特征坐标之间的欧式距离。该公式定义为=(Gstart Gstart)2+(Gmean Gmean)2+(Gend Gend)2(7)选择 值较小的前 10 个时间段相对应的气象和功率数据用作训练网络的数据集。2.2GU 循环神经网络8 循环神经网络(NN)是一种设计用于处理序列数据的深度神经网络，在序列挖掘领域起着重要作用。GU 模型是循环神经网络的一种改进，是近年来深度学习的热门技术之一。与传统的递归神经网络不同，GU 的隐藏层节点的内部结构不使用单个激活功能。GU 递归神经网络如图 3 所示。图 3GU 循环神经网络GU 使每个循环单元能自适应地捕捉不同时间尺度的依赖关系。GU 有门控单元来调节单元内部的信息流，但是没有单独的存储单元。在时间 t，GU 的激励 hjt是先前激励 hjt1和候选激励hjt之间的线性插值hjt=(1 zjt)hjt1+zjt?hjt(8)其中，更新门 zjt决定了单元更新其激励或内容的程度。更新门的计算方法如下:zjt=(Wzxt+Uzht1)j(9)候选激励 hjt的计算方法与传统递归单位的相似，如?hjt=tanh(Wxt+U(rtht1)j(10)其中 rt是一组重置门和是数组元素依次相乘。rjt接近 0时，重置门有效地使单元如同其正在读取输入序列的第一个符号一样，允许其忘记先前计算的状态。重置门 rjt的计算方法与更新门类似rjt=(Wrxt+Urht1)j(11)2.3CCGU 预测模型为了更直观地描述 CCGU 预测方法，其实现过程如图 4 所示。图 4CCGU 预测模型其详细步骤总结如下:Step1:收集历史风电功率和多元气象因子数据集。Step2:对数据进行预处理，包括异常数据和归一化处理。Step3:根据预测点之前时间段的气象特征值，采用 CC算法确定样本集中预测时间段的相似时间段，以此确定训练样本集。Step4:初始化 GU 神经网络的阈值和权重。Step5:使用相似时间段样本训练 GU 神经网络，然后得到最终的预测模型。Step6:将预测时间点之前的特定时间段的功率和气象数据输入到预测模型中，以预测风电功率值。2.4评估指标采用单一误差指标很难对预测模型进行全面评估，文中选择了确定系数(2)，平均绝对百分比误差(MAPE)、均方根误差(MSE)、平均绝对误差(MAE)9 和国家能源局出台的风电场预测预报考核指标中的准确率(r1)10