基于格拉姆角场与改进CNN...sNet的风电功率预测方法_张淑清.pdf

第 47 卷 第 4 期 电 网 技 术 Vol.47 No.4 2023 年 4 月 Power System Technology Apr.2023 文章编号：1000-3673（2023）04-1540-08 中图分类号：TM 614 文献标志码：A 学科代码：47040 基于格拉姆角场与改进的风电功率预测方法张淑清1，杜灵韵1，王册浩1，姜安琦1，徐丽华2（1教育部智能控制系统与智能装备工程研究中心(燕山大学)，河北省 秦皇岛市 066004；2国网冀北电力有限公司唐山供电公司，河北省 唐山市 063000）Wind Power Forecasting Method Based on GAF and Improved CNN-ResNet ZHANG Shuqing1,DU Lingyun1,WANG Cehao1,JIANG Anqi1,XU Lihua2(1.Engineering Research Center for Intelligent Control System and Intelligent Equipment(Yanshan University),Ministry of Education,Qinhuangdao 066004,Hebei Province,China;2.Tangshan Power Supply Company of North Hebei Electric Power Co.,Ltd.,Tangshan 063000,Hebei Province,China)ABSTRACT:The uncertainty of wind power brings about great difficulties to the power system scheduling,so it is particularly significant to accurately forecast the wind power variations.Under the influence of the rapid development of the image processing in recent years,it is possible to improve the accuracy of classification and computation by encoding the time series into two-dimensional images,which allows the neural networks to recognize and learn from the data visually.Therefore,a wind power forecast based on the GAF and the improved CNN-ResNet is proposed.Firstly,the Gramian Angular Fields(GAF)is used to convert the one-dimensional historical wind power data into two-dimensional images.The correlation and features of the time-series are extracted by the Convolutional Neural Network(CNN).Secondly,the Residual Neural Network(ResNet)is used to extract the features of the other relevant data to wind power,and the degradation problem is solved while the network depth is increased to improve the accuracy of prediction.Then,the two neural networks are fused to construct a dual-input neural network structure.Finally,this method is successfully applied to the data sets of the Mahuangshan NO.1 wind farm in Ningxia Hui Autonomous Region in China and the Galicia wind farm in Spain.Compared with the ResNet,the CNN-MLP,the GRU,the BP,the LSTM and the BiLSTM network models,the forecast method of the GAF and the improved CNN-ResNet proposed in this paper 基金项目：国家重点研发计划项目(2021YFB3201600)；国家自然科学基金项目(52275067)；河北省自然科学基金项目(F2020203058)。Project Supported by National Key Research and Development Program of China(2021YFB3201600);National Natural Science Foundation of China(52275067);Natural Science Foundation of Hebei Province(F2020203058).has less error and higher prediction accuracy,which provides a new idea for the wind power forecast.KEY WORDS:wind power forecast;Gramian angular fields(GAF);convolutional neural network(CNN);residual neural network(ResNet);CNN-ResNet;network convergence 摘要：风电输出功率的不确定性给电力系统的调度带来了较大的困难，因此准确地预测风电功率变化显得尤为重要。受近些年图像处理蓬勃发展的影响，若将时间序列编码为二维图像，能够让神经网络从“视觉上”对数据进行识别和学习，一定程度上能提高分类和计算方法的准确度。因此，提出了一种基于格拉姆角场(Gramian angular fields，GAF)与卷积神经网络残差网络(convolutional neural network-residual neural network，CNN-ResNet)的预测风电功率的方法。首先，利用 GAF 将一维历史风电功率数据转换为二维图像，经过CNN 提取时间序列的相关性和特征，再利用 ResNet 提取与风电功率相关的其他相关数据的特征，在增加网络深度的同时解决退化问题，以提高预测的准确度。然后，将两种网络融合，构建双输入网络结构。最后，将该方法应用在宁夏麻黄山第一风电场和西班牙加利西亚风电场数据集上，通过与ResNet、CNN-MLP(muti-layer perception)、门控循环单元、反向传播算法、长短期记忆网络和 BiLSTM(bi-directional long-short term memory)网络模型相比，所提出的 GAF 与改进 CNN-ResNet 的预测方法误差更小、预测准确度更高，从而为风电功率预测提供了新思路。关键词：风电功率预测；格拉姆角场；卷积神经网络；残差网络；CNN-ResNet；网络融合 DOI：10.13335/j.1000-3673.pst.2022.0487 0 引言 电力装机结构不断优化，正在向绿色低碳转型。同时，风力发电作为清洁能源的一种，越来越第 47 卷 第 4 期 电 网 技 术 1541 受到重视。截至 2020 年底，中国累计并网风电装机28 153万kW，占全国电源总装机容量的12.8%1。未来风电装机容量也会持续增长，保持高速发展的势头。但风电因其本身的随机性、波动性和间歇性导致难以预测，如果能够对风电功率进行准确的预测，就能利于电力系统调度部门对用电计划做出调整，减轻风电对整个电网的影响，利用预测数据为风电场制定合适的决策，减少系统运行成本2-3。目前，对风电功率的预测方法主要分为物理方法、统计学习方法和组合与集合的方法4。物理方法根据功率曲线将相关数据作为输入变量对风电场功率进行预测5，如文献6提出粗糙度变化模型和地形变化模型预测风速。物理方法在中长期功率预测方向表现较好，但其过程复杂，计算量大，不适用于短期风电功率预测。统计学习方法主要有回归拟合、时间序列方法等，如差分自回归滑动平均模型及其改进7-8。统计学习方法要求时间序列的平稳性，适用的范围有限。除此之外，机器学习、深度学习等智能算法在风电功率预测上的应用也越来越多，如支持向量回归9、随机森林算法10、长短期记忆网络(long-short term memory，LSTM)11等。这类方法通常需要大量的历史相关数据，而且单一的模型表达能力有限，当风电功率数据不稳定或波动较大时难以确定最优解。单一方法没有充分考虑各种因素导致准确度不够，将不同的模型或方法结合，充分发挥其优势，能够克服这一缺点12。如用小波包分解13、经验模态分解14处理数据，再与其他算法相结合以实现预测。或者将优化算法与预测模型结合，以提高准确度，如粒子群优化算法15、缎蓝园丁鸟优化算法16、多目标灰狼优化算法17等。也可将不同的网络组合，如文献18用卷积神经网络(convolutional neural network，CNN)和 LSTM 提取特征，并结合门控循环单元(gated recurrent unite，GRU)网络构建组合预测模型。文献19在栈式自编码器后加上反向传播(back propagation，BP)算法对网络权重进行微调。文献20在 GRU 的基础上融合 CNN。通过组合不同的网络模型，可以提高特征提取的能力，一定程度上提升预测的准确率。鉴于此，为提高短期风电功率预测的准确度，本文提出了一种基于格拉姆角场与改进 CNN-残差网络(residual neural network，ResNet)21的预测方法，构造出 CNN-ResNet 组合网络模型。利用格拉姆角场(Gramian angular fields，GAF)22将一维历史风电功率数据转换为二维图像，通过改变数据维度的方式让神经网络从“视觉上”对数据进行识别和学习。将二维图像经过 CNN 提取时间序列的相关性和特征，再利用 ResNet 提取其他相关气象数据的特征，将这两种网络融合，预测风电功率的变化。本文的主要工作如下：1）利用 GAF 方法，将原始的一维风电功率信号转换为二维的彩色图像。通过改变数据维度，以利用机器视觉中的 CNN 处理数据，进而充分挖掘风电功率信号在图像表示下的不同时间点的相关性特征、时间序列的短时序特征。2）利用图像识别中的 ResNet 网络表达能力强这一特性，通过改进将其应用在风电功率预测领域，充分提取数据内部的时序特征，来拟合非线性回归曲线。3）创建了双输入网络 CNN-ResNet，一个输入为一维信号通过 GAF 转换成的二维图像，一个输入为时间序列加其他影响风电的因素。将多个神经网络融合，实现提取不同维度数据的时间序列特征的功能。最后通过对宁夏麻黄山第一风电场和西班牙加利西亚风电场实际风电数据的预测分析，证明了该方法的有效性和优越性。1 格拉姆角场原理 给定一个具有 n 个值的时间序列12,Xx x,3nxx,，将序列归一化至1,1之间，