查雯婷，楊 帆，陳 波，李亞龍

(1. 中國(guó)礦業(yè)大學(xué)(北京)機(jī)電與信息工程學(xué)院，北京 100083；2. 內(nèi)蒙古電力科學(xué)研究院，內(nèi)蒙古 呼和浩特 010020)

1 引言

隨著能源結(jié)構(gòu)的不斷優(yōu)化，以風(fēng)力發(fā)電為主導(dǎo)的新能源占比呈現(xiàn)高增長(zhǎng)發(fā)展趨勢(shì)。由于自然風(fēng)具有強(qiáng)隨機(jī)波動(dòng)性，因此風(fēng)功率預(yù)測(cè)精度不高，給電力系統(tǒng)調(diào)度帶來困難，如何提高預(yù)測(cè)精度成為研究的焦點(diǎn)問題[1-2]。

風(fēng)電功率的預(yù)測(cè)方法主要有物理方法、統(tǒng)計(jì)方法和人工智能方法，目前應(yīng)用最多的是統(tǒng)計(jì)方法和人工智能方法，物理方法一般和兩者結(jié)合使用[3]。

一般來說，測(cè)量風(fēng)電場(chǎng)實(shí)際地形、地貌條件下風(fēng)電機(jī)組輪體高度的風(fēng)速、風(fēng)向等參數(shù)計(jì)算得出實(shí)際輸出功率的方法稱之為物理方法，物理方法只適用于單風(fēng)電機(jī)組的預(yù)測(cè)且精度不高，也未考慮到歷史數(shù)據(jù)中的規(guī)律，難以實(shí)現(xiàn)多步預(yù)測(cè)。

統(tǒng)計(jì)方法主要是在系統(tǒng)輸入與風(fēng)電功率兩者之間建立映射關(guān)系實(shí)現(xiàn)預(yù)測(cè)[4-6]，文獻(xiàn)[4]采用灰色模型預(yù)測(cè)方法，通過構(gòu)建微分方程和最小二乘法求解出下一點(diǎn)的預(yù)測(cè)值，最優(yōu)預(yù)測(cè)百分誤差為12.6%。文獻(xiàn)[5]采用馬爾可夫預(yù)測(cè)方法，使用最大期望值算法來估計(jì)預(yù)測(cè)誤差所處的隱式狀態(tài)，計(jì)算出預(yù)測(cè)區(qū)間，再通過區(qū)間滾動(dòng)估計(jì)的方法得出最終預(yù)測(cè)結(jié)果，預(yù)測(cè)效果有近90%的區(qū)間覆蓋率。統(tǒng)計(jì)方法有建模簡(jiǎn)單、運(yùn)算速度快和數(shù)據(jù)量需求較小等優(yōu)點(diǎn)，但模型結(jié)構(gòu)較為簡(jiǎn)單，預(yù)測(cè)精度有很大提升空間。

人工智能方法是指將支持向量機(jī)[7-9]、人工神經(jīng)網(wǎng)絡(luò)[10-13]等機(jī)器學(xué)習(xí)[14-15]/深度學(xué)習(xí)[16-18]算法用于風(fēng)功率預(yù)測(cè)過程，通過建立模型和精確調(diào)參，能更準(zhǔn)確擬合非線性關(guān)系。文獻(xiàn)[7]為支持向量機(jī)回歸預(yù)測(cè)方法，文中將八種常見核函數(shù)進(jìn)行了算例比較，得出指數(shù)徑向基核函數(shù)預(yù)測(cè)準(zhǔn)確性最高，在與引力搜索算法等優(yōu)化方法結(jié)合后，最優(yōu)模型平均百分誤差為12.0%。文獻(xiàn)[10]為BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法，采用人工蜂群的優(yōu)化算法，將平均相對(duì)誤差控制在10%以內(nèi)。人工智能方法對(duì)數(shù)據(jù)的需求量大、模型訓(xùn)練速度較慢，但預(yù)測(cè)精度較前兩種方法一般更高。近幾年，人工智能算法逐漸成為研究的熱點(diǎn)，不斷有新的模型和結(jié)構(gòu)被提出，在預(yù)測(cè)精度和運(yùn)算速度上有了一定的提高。

此外，根據(jù)電網(wǎng)運(yùn)行的實(shí)際情況，單個(gè)風(fēng)電場(chǎng)的風(fēng)功率預(yù)測(cè)已經(jīng)不能滿足調(diào)度需要，區(qū)域風(fēng)功率預(yù)測(cè)的重要性逐漸體現(xiàn)出來。區(qū)域風(fēng)電功率預(yù)測(cè)是指將同一區(qū)域的各風(fēng)電場(chǎng)視為整體進(jìn)行風(fēng)電總功率預(yù)測(cè)。區(qū)域預(yù)測(cè)方法強(qiáng)調(diào)風(fēng)電總功率的規(guī)律性在預(yù)測(cè)過程中的作用，有效減少了需要的信息量和個(gè)別風(fēng)電場(chǎng)局部隨機(jī)因素的干擾，對(duì)電力部門優(yōu)化電力系統(tǒng)調(diào)度、減少旋轉(zhuǎn)備用容量、降低電力系統(tǒng)運(yùn)行成本具有重要的現(xiàn)實(shí)意義。目前，針對(duì)區(qū)域風(fēng)功率的預(yù)測(cè)問題還沒有得到有效解決，由于無法獲得整個(gè)區(qū)域內(nèi)的各項(xiàng)物理參數(shù)，從而物理方法不再適用。統(tǒng)計(jì)方法和傳統(tǒng)人工智能方法由于不能很好的挖掘出歷史風(fēng)功率的規(guī)律，預(yù)測(cè)效果不佳。

本文針對(duì)上述問題或不足，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks， CNN)的區(qū)域風(fēng)功率超短期預(yù)測(cè)方法。CNN屬于深度學(xué)習(xí)范疇，利用多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，從大數(shù)據(jù)中挖掘數(shù)據(jù)特征，較統(tǒng)計(jì)方法和傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)具有更加復(fù)雜的網(wǎng)絡(luò)和數(shù)據(jù)結(jié)構(gòu)，預(yù)測(cè)效果更佳。通過對(duì)十年歷史數(shù)據(jù)的研究發(fā)現(xiàn)，風(fēng)功率不僅一定程度上跟蹤到了相鄰日的曲線走向，還同時(shí)擁有季節(jié)性的特征。在CNN的基礎(chǔ)上，引入風(fēng)功率數(shù)據(jù)的季節(jié)性是本文的一大創(chuàng)新點(diǎn)，并利用華北某地區(qū)風(fēng)電場(chǎng)數(shù)據(jù)對(duì)比驗(yàn)證該模型算法的優(yōu)越性。

2 CNN的學(xué)習(xí)方法

2.1 風(fēng)功率規(guī)律分析

風(fēng)功率規(guī)律存在于預(yù)測(cè)日的相鄰日和同季中其它日的風(fēng)功率之中，充分挖掘歷史風(fēng)功率規(guī)律對(duì)于風(fēng)功率的預(yù)測(cè)問題有著十分重要的意義。在氣象信息不發(fā)生較大變化的條件下，相似的風(fēng)功率規(guī)律出現(xiàn)在相鄰日中，其中某年相似的相鄰日如圖1所示。

圖1 相鄰日近期規(guī)律

一般情況下，相似的相鄰日規(guī)律表現(xiàn)于出現(xiàn)較大波峰、波谷和平穩(wěn)段的時(shí)間區(qū)間相似，全日峰谷差變化較小。

風(fēng)功率數(shù)據(jù)的季節(jié)性特征如表1所示，表中列舉了不同季節(jié)同一時(shí)段間的平均值(AVG)、標(biāo)準(zhǔn)差(STD)、相鄰點(diǎn)平均變化率(ACR)的指標(biāo)?？梢钥闯鲈撃攴葜写杭靖黜?xiàng)數(shù)據(jù)指標(biāo)均較為平均；夏季的平均值和標(biāo)準(zhǔn)差指標(biāo)都維持在最低的水平，但相鄰點(diǎn)平均變化率最高；秋冬兩季與夏季的特征相反。

表1 某年各季度每日0-4時(shí)數(shù)據(jù)指標(biāo)

夏冬兩季相鄰點(diǎn)平均變化率趨勢(shì)如圖2所示，結(jié)合表1可以看出：不同季節(jié)間差異性較大，每個(gè)季節(jié)中不同日的相鄰點(diǎn)平均變化率均在季平均值附近波動(dòng)，反常天出現(xiàn)較少。因此，區(qū)域風(fēng)功率數(shù)據(jù)在時(shí)間上不僅存在較強(qiáng)的近期規(guī)律，還存在一定的季節(jié)性規(guī)律，為規(guī)律的學(xué)習(xí)提供了保障。

圖2 夏冬兩季相鄰點(diǎn)平均變化率趨勢(shì)圖

此外，不同年份間的差異性也主要通過其同季度數(shù)據(jù)指標(biāo)的變化顯示出來。將不同年份的相鄰點(diǎn)平均變化率按表1中的時(shí)間段進(jìn)行統(tǒng)計(jì)的結(jié)果如圖3所示．

圖3 各年份變化率趨勢(shì)圖

可見不同年份夏季風(fēng)功率數(shù)據(jù)相鄰點(diǎn)平均變化率最大且波動(dòng)最小；春秋兩季存在不同程度的波動(dòng)現(xiàn)象，但變化率均小于夏季；冬季波動(dòng)最為劇烈，其變化率甚至出現(xiàn)超過夏季的情況。由此可見，夏季的同季規(guī)律性最強(qiáng)，冬季的同季規(guī)律性最差。為了最好地挖掘出相鄰日和同季節(jié)中數(shù)據(jù)的規(guī)律，本文將規(guī)律的尋找范圍設(shè)置為近幾年。合適的尋找范圍可以在學(xué)習(xí)近期規(guī)律的同時(shí)也充分考慮到同季節(jié)的規(guī)律性，從而進(jìn)一步提高預(yù)測(cè)精度。

2.2 CNN模型介紹及其適用性分析

CNN網(wǎng)絡(luò)總結(jié)構(gòu)如圖4所示，其中卷積層可以看成對(duì)輸入數(shù)據(jù)提取特征的過程，每次按式(1)計(jì)算出自身與感受野坐標(biāo)值的加權(quán)和，生成一張?zhí)卣鲌D。一般來說，卷積層需要多個(gè)卷積核共同作用于輸入數(shù)據(jù)，多角度提取輸入數(shù)據(jù)的特征，然后將所有特征圖作為下一層的輸入。

圖4 CNN結(jié)構(gòu)圖

(1)

式中：Mj為第j個(gè)卷積核的感受野，xi為感受野中的坐標(biāo)值，kij為xi對(duì)應(yīng)卷積核上的權(quán)重，bj為卷積核的偏置，yi為特征圖上的輸出值。一般來說，卷積層需要多個(gè)卷積核共同作用于輸入數(shù)據(jù)，多角度提取輸入數(shù)據(jù)的特征，然后將所有特征圖作為下一層的輸入。

池化層即下采樣層，減小特征圖的大小，不改變特征圖的數(shù)量。經(jīng)過多個(gè)卷積層和池化層的特征提取后，得到的特征圖大小逐漸減小，數(shù)量增多。這時(shí)就需要通過Flatten處理，將高維數(shù)據(jù)排列成一維數(shù)組，輸入進(jìn)全連接層，最終輸出一個(gè)預(yù)測(cè)值。

CNN擅長(zhǎng)處理矩陣型數(shù)據(jù)，廣泛應(yīng)用于圖片分類和視頻識(shí)別等領(lǐng)域。有別于傳統(tǒng)的人工智能算法，CNN不將輸入看做一段前向序列，而是作為一個(gè)矩陣空間，不僅可以提取時(shí)間維度上的特征，還可以捕捉到空間維度上的特征。CNN橫縱雙方向捕捉規(guī)律的特點(diǎn)十分利于風(fēng)功率預(yù)測(cè)問題，在應(yīng)對(duì)陣風(fēng)和非平穩(wěn)風(fēng)的問題上有獨(dú)特的效果。因此，本文選擇CNN作為風(fēng)功率規(guī)律的學(xué)習(xí)算法。

但值得注意的是：輸入矩陣數(shù)據(jù)源的優(yōu)劣對(duì)算法的精度影響較大；卷積層和池化層的網(wǎng)絡(luò)結(jié)構(gòu)組合方式將直接影響預(yù)測(cè)效果。因此，本文在應(yīng)用CNN時(shí)，重點(diǎn)考慮了數(shù)據(jù)的預(yù)處理和網(wǎng)絡(luò)結(jié)構(gòu)的確定。

3 CNN的區(qū)域風(fēng)功率預(yù)測(cè)方法

3.1 數(shù)據(jù)的預(yù)處理

由于自然風(fēng)具有波動(dòng)性與間歇性的特點(diǎn)，多個(gè)風(fēng)電場(chǎng)的總輸出曲線會(huì)在不同點(diǎn)處產(chǎn)生抵消或加重波動(dòng)的現(xiàn)象，導(dǎo)致風(fēng)功率曲線存在一定的干擾點(diǎn)。若未經(jīng)過預(yù)處理過程，直接作為訓(xùn)練集，會(huì)導(dǎo)致神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中出現(xiàn)學(xué)習(xí)效果差的現(xiàn)象。因此，需先對(duì)原始數(shù)據(jù)使用最小二乘法k階曲線擬合，平滑處理后才能作為CNN的輸入層的輸入數(shù)據(jù)。k值得選取對(duì)于數(shù)據(jù)的處理效果有著重要的影響。若k值取值過小，會(huì)導(dǎo)致擬合曲線與真實(shí)曲線間隔變大，提高系統(tǒng)誤差；反之，若k值取得過大，容易導(dǎo)致訓(xùn)練過擬合現(xiàn)象，提高學(xué)習(xí)誤差。本文通過給定k的取值區(qū)間，利用誤差尋優(yōu)的方法確定k值。

此外，在輸入之初還需要進(jìn)行歸一化處理，歸一化不僅可以統(tǒng)一標(biāo)量到(0，1)之間方便計(jì)算，還利于誤差在反向傳播時(shí)，通過梯度下降找到全局最優(yōu)解。本文選用2015年由Google提出的批歸一化算法(Batch Normalization，BN)，有別于傳統(tǒng)的最大最小歸一化和標(biāo)準(zhǔn)歸一化算法，BN算法在將輸入數(shù)據(jù)轉(zhuǎn)化為符合正太分布新數(shù)據(jù)的基礎(chǔ)上，增加了可學(xué)習(xí)的平移參數(shù)和縮放參數(shù)，避免強(qiáng)行限制數(shù)據(jù)的分布規(guī)律使得網(wǎng)絡(luò)的表達(dá)能力變?nèi)??；驹砣缦?/p>

(2)

3.2 輸入數(shù)據(jù)的選取

預(yù)處理過程結(jié)束后，需要對(duì)數(shù)據(jù)集進(jìn)行劃分。人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練、驗(yàn)證和預(yù)測(cè)過程分別對(duì)應(yīng)訓(xùn)練集Tr、驗(yàn)證集V和測(cè)試集Te，其中測(cè)試集不能和前兩者存在數(shù)據(jù)交叉。過大和過小的數(shù)據(jù)集分別會(huì)導(dǎo)致過擬合和學(xué)習(xí)不到規(guī)律的現(xiàn)象，所以數(shù)據(jù)集的合理劃分有利于提高訓(xùn)練質(zhì)量和預(yù)測(cè)精度。

例如對(duì)第x年春季進(jìn)行預(yù)測(cè)，選取x-2全年和x-1年(除春季)作為訓(xùn)練集，x-1年春季作為驗(yàn)證集，第x年春季作為測(cè)試集，數(shù)據(jù)集的劃分結(jié)果如圖5所示。按上述方法進(jìn)行數(shù)據(jù)集的劃分后，模型不僅可以學(xué)習(xí)到近期數(shù)據(jù)的規(guī)律，還可利用上一年同季節(jié)進(jìn)行驗(yàn)證過程，捕捉風(fēng)功率數(shù)據(jù)的季節(jié)性特征。

圖5 數(shù)據(jù)集劃分示意圖

3.3 網(wǎng)絡(luò)結(jié)構(gòu)的確定

CNN網(wǎng)絡(luò)擁有眾多的模型參數(shù)，每一個(gè)參數(shù)都會(huì)對(duì)最終預(yù)測(cè)結(jié)果產(chǎn)生影響。首先是網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的確定，由于風(fēng)功率數(shù)據(jù)的波動(dòng)性，本文采用雙卷積層和雙池化層的拓?fù)浣Y(jié)構(gòu)，經(jīng)預(yù)處理的數(shù)據(jù)依次通過卷積層conv1、池化層pool1、卷積層conv2、池化層pool2、全連接FC層、最終輸出一個(gè)預(yù)測(cè)值。

接下來需要確定上述每層中的結(jié)構(gòu)大小和運(yùn)算方式，卷積層和池化層輸入選擇s×s正方形型矩陣；卷積核選擇c×c大小，池化單元在輸入數(shù)據(jù)不大的情況下，一般選擇2×2大??；全連接FC層選用單隱藏層結(jié)構(gòu)，輸入節(jié)點(diǎn)數(shù)為池化層pool2的輸出大小，隱藏層節(jié)點(diǎn)數(shù)設(shè)置為h，輸出層節(jié)點(diǎn)數(shù)為1。運(yùn)算方式包括步長(zhǎng)的確定、padding邊緣補(bǔ)0的設(shè)置、激活函數(shù)的選取等。

上述結(jié)構(gòu)均確定完成后，還需要設(shè)置模型訓(xùn)練參數(shù)，才可將劃分好的數(shù)據(jù)放入網(wǎng)絡(luò)進(jìn)行訓(xùn)練過程。訓(xùn)練參數(shù)包括迭代次數(shù)、誤差計(jì)算間隔、誤差函數(shù)選擇、優(yōu)化器選擇等。

3.4 預(yù)測(cè)

根據(jù)確定好的網(wǎng)絡(luò)結(jié)構(gòu)，首先將訓(xùn)練集輸入CNN模型進(jìn)行訓(xùn)練。訓(xùn)練過程中將輸出值與真實(shí)值之間的誤差反向傳播，通過梯度下降的方法不斷修正模型中的權(quán)重和偏置。同時(shí)計(jì)算驗(yàn)證集的均方根誤差，并保存均方根誤差最小的模型權(quán)重和參數(shù)，作為最優(yōu)模型。最后將測(cè)試集數(shù)據(jù)作為最優(yōu)模型的輸入，通過滾動(dòng)預(yù)測(cè)的方法完成對(duì)未來超短期的預(yù)測(cè)，預(yù)測(cè)流程如圖6所示。

圖6 CNN預(yù)測(cè)流程圖

預(yù)測(cè)過程中采用滾動(dòng)預(yù)測(cè)的目的，在于不引入真實(shí)值的條件下對(duì)未來一段時(shí)間內(nèi)進(jìn)行預(yù)測(cè)。滾動(dòng)預(yù)測(cè)需將第一個(gè)預(yù)測(cè)值看做真實(shí)值放入輸入序列的最后，并去除掉第一個(gè)時(shí)間距離較遠(yuǎn)的數(shù)據(jù)，然后再放入最優(yōu)網(wǎng)絡(luò)中進(jìn)行預(yù)測(cè)過程，不斷重復(fù)上述步驟既可得到多步預(yù)測(cè)結(jié)果。

預(yù)測(cè)結(jié)束后，需要建立符合風(fēng)電預(yù)測(cè)的評(píng)價(jià)指標(biāo)，本文在傳統(tǒng)均方根誤差、百分誤差的基礎(chǔ)上引入了合格率的概念，計(jì)算方法見式(3)

(3)

其中m和n均是可調(diào)節(jié)的參數(shù)，根據(jù)電網(wǎng)實(shí)際調(diào)度情況確定。一般地，m選擇范圍為10%～20%。由于在無風(fēng)或微風(fēng)情況下，風(fēng)功率輸出接近于0，在一定的誤差范圍內(nèi)不會(huì)對(duì)電網(wǎng)的運(yùn)行造成影響，所以固定偏置n的存在十分必要。將所有預(yù)測(cè)值與真實(shí)值統(tǒng)計(jì)后，True所占比例即為合格率。

4 實(shí)例分析

根據(jù)上一章建立的CNN模型，利用某地區(qū)風(fēng)電場(chǎng)兆瓦級(jí)總輸出功率的十年歷史數(shù)據(jù)(15min/dot， 350592dot)，對(duì)2018年風(fēng)功率進(jìn)行超短期預(yù)測(cè)(4個(gè)小時(shí))，從不同時(shí)間尺度上(典型日、不同季節(jié)、全年)對(duì)預(yù)測(cè)效果進(jìn)行分析，并將預(yù)測(cè)結(jié)果與現(xiàn)有方法進(jìn)行對(duì)比，分析模型算法的優(yōu)越性。

4.1 CNN預(yù)測(cè)模型的建立

本文選擇python中的Keras深度學(xué)習(xí)框架進(jìn)行CNN模型的構(gòu)建。首先對(duì)數(shù)據(jù)進(jìn)行最小二乘法擬合，令k值在區(qū)間[10，20]變化，按誤差最小的方法尋找出最優(yōu)k=15，曲線階數(shù)k取10、15和20的擬合效果如圖7所示。然后將最小二乘法擬合后的數(shù)據(jù)集進(jìn)行BN歸一化處理。

圖7 最小二乘法擬合效果

預(yù)處理結(jié)束后，按照2.2節(jié)中的方法分別選出訓(xùn)練集、驗(yàn)證集和測(cè)試集，將劃分好的數(shù)據(jù)集reshape成為8×8矩陣形式作為模型的輸入，然后依次通過卷積層1、池化層1、卷積層2、池化層2、全連接層后輸出一個(gè)預(yù)測(cè)點(diǎn)。兩卷積層的卷積核大小和數(shù)量分別為(3×3，4)和(2×2，16)；池化層的下采樣面積均為2×2；卷積層和池化層中步長(zhǎng)取1，padding=’valid’，均使用relu作為激活函數(shù)；全連接層節(jié)點(diǎn)數(shù)依次為128/64/1，其中最后一個(gè)節(jié)點(diǎn)為輸出節(jié)點(diǎn)，實(shí)現(xiàn)64對(duì)1的預(yù)測(cè)結(jié)構(gòu)，目標(biāo)預(yù)測(cè)值為輸入數(shù)據(jù)下一個(gè)點(diǎn)的風(fēng)電輸出值，將目標(biāo)預(yù)測(cè)值與實(shí)際輸出的差值作為訓(xùn)練誤差。

在訓(xùn)練過程中迭代70輪之后，誤差逐漸趨于穩(wěn)定，因此相關(guān)網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)置如下：迭代次數(shù)epoch=100，批處理參數(shù)batch_size=128；誤差函數(shù)選擇均方根誤差計(jì)算損失；優(yōu)化器選擇adam，實(shí)現(xiàn)學(xué)習(xí)率的自動(dòng)調(diào)節(jié)；節(jié)點(diǎn)丟棄率Dropout=0.05。此外，合格率評(píng)價(jià)指標(biāo)中m和n分別取15%和350。

4.2 預(yù)測(cè)效果分析

4.2.1 超短期預(yù)測(cè)的數(shù)值效果分析

按照3.1節(jié)中建立的CNN模型，對(duì)2018年12月6日0-4時(shí)的風(fēng)電功率進(jìn)行超短期預(yù)測(cè)。由于典型日處于冬季，因此將2016年12月1日至2017年11月30日和2018年3月1日至2018年12月5日的數(shù)據(jù)作為訓(xùn)練集；將2017年12月1日至2018年2月28日作為驗(yàn)證集；2018年12月6日0-4時(shí)作為測(cè)試集。典型日預(yù)測(cè)曲線如圖8所示。

圖8 2018年12月6日預(yù)測(cè)效果圖

由圖8可以看出：前8個(gè)點(diǎn)的預(yù)測(cè)精度很高，后8個(gè)點(diǎn)近預(yù)測(cè)精度雖有所下降，但較現(xiàn)有水平更貼近于真實(shí)曲線。通過分析表明CNN模型可以充分學(xué)習(xí)風(fēng)功率數(shù)據(jù)中的規(guī)律，成功跟蹤上了風(fēng)功率曲線波動(dòng)下降的趨勢(shì)，然而在小的波峰波谷處跟蹤效果有待提升。為了更好顯示預(yù)測(cè)誤差，對(duì)絕對(duì)誤差進(jìn)行分段統(tǒng)計(jì)，統(tǒng)計(jì)結(jié)果如圖9所示。

圖9 2018年0-4時(shí)誤差分布曲線

統(tǒng)計(jì)結(jié)果顯示，CNN模型60%的誤差均分布在400兆瓦以內(nèi)，并誤差曲線下降較快；而現(xiàn)有水平誤差在400兆瓦內(nèi)的只有不到50%，且誤差曲線下降緩慢。由此可見，CNN模型比現(xiàn)有水平預(yù)測(cè)效果更佳，同時(shí)驗(yàn)證了方法的可行性和有效性。

4.2.2 超短期預(yù)測(cè)的統(tǒng)計(jì)規(guī)律分析

對(duì)典型日0-4時(shí)的數(shù)值進(jìn)行分析后，為了更好地探究季節(jié)性規(guī)律，對(duì)2018年每天0-4時(shí)的風(fēng)功率數(shù)據(jù)進(jìn)行預(yù)測(cè)，并對(duì)預(yù)測(cè)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析。根據(jù)3.1節(jié)中建立的CNN模型對(duì)春季進(jìn)行預(yù)測(cè)時(shí)，選擇2016年3月1日至2017年2月28日和2017年6月1日至2018年2月28日作為訓(xùn)練集；選擇2017年3月1日至2017年5月31日作為驗(yàn)證集；2018年3月1日至2018年5月31日作為測(cè)試集。其余三個(gè)季度的數(shù)據(jù)集依次按照春季預(yù)測(cè)的劃分結(jié)果向后移動(dòng)一個(gè)季度。全年0-4時(shí)分季預(yù)測(cè)數(shù)據(jù)評(píng)價(jià)指標(biāo)如表2所示。

表2 2018年0-4時(shí)分季預(yù)測(cè)數(shù)據(jù)評(píng)價(jià)指標(biāo)

由表1和表2可以看出：合格率與數(shù)據(jù)本身的相鄰點(diǎn)平均變化率關(guān)系最為緊密，而數(shù)據(jù)本身的平均值和標(biāo)準(zhǔn)差影響較為次要。四季中夏季的平均變化率最大，但由于平均值和標(biāo)準(zhǔn)差低且同季規(guī)律性強(qiáng)的緣故，預(yù)測(cè)效果處于居中水平；與之相反，秋冬兩季雖然平均值和標(biāo)準(zhǔn)差較高且同季規(guī)律性差，但該年份平均變化率很低，導(dǎo)致預(yù)測(cè)效果良好。

綜上可見，近期的數(shù)據(jù)指標(biāo)對(duì)預(yù)測(cè)效果起主導(dǎo)作用，其中相鄰點(diǎn)平均變化率關(guān)聯(lián)最大；同季規(guī)律性對(duì)預(yù)測(cè)效果起輔助作用，避免了較大相鄰點(diǎn)平均變化率對(duì)預(yù)測(cè)結(jié)果造成的影響。

4.2.3 全年預(yù)測(cè)效果分析

對(duì)2018年分季預(yù)測(cè)結(jié)果進(jìn)行統(tǒng)計(jì)整合，得到2018全年的預(yù)測(cè)結(jié)果，與現(xiàn)有水平和統(tǒng)計(jì)方法(ARMA)的對(duì)比結(jié)果如表3所示。

表3 2018年0-4時(shí)不同模型預(yù)測(cè)數(shù)據(jù)評(píng)價(jià)指標(biāo)對(duì)比

由表3可以看出：CNN模型各指標(biāo)在現(xiàn)有水平上均有所提高，且比傳統(tǒng)統(tǒng)計(jì)方法提升較大，均方根誤差、百分誤差和合格率比現(xiàn)有水平分別提高了10.3%、16.4%和13.5%，比傳統(tǒng)統(tǒng)計(jì)方法(ARMA)分別提高了19.2%、31.7%和29.7%。

實(shí)驗(yàn)結(jié)果表明，CNN模型應(yīng)用于區(qū)域風(fēng)功率預(yù)測(cè)領(lǐng)域上具有良好的效果，驗(yàn)證了方法的優(yōu)越性。

5 結(jié)論

本文建立了區(qū)域風(fēng)功率超短期預(yù)測(cè)的CNN模型，并利用某地區(qū)風(fēng)電場(chǎng)的十年歷史數(shù)據(jù)進(jìn)行實(shí)驗(yàn)分析。實(shí)驗(yàn)結(jié)果表明，在均方根誤差、百分誤差和合格率的評(píng)價(jià)指標(biāo)中，CNN模型在比現(xiàn)有水平和傳統(tǒng)統(tǒng)計(jì)方法有著更好的預(yù)測(cè)精度，且具有以下特點(diǎn)：

1)通過設(shè)置特定的訓(xùn)練集和驗(yàn)證集，提高了模型對(duì)風(fēng)功率數(shù)據(jù)本身季節(jié)性規(guī)律的捕捉能力，一定程度上消除了季節(jié)差異性造成的影響，對(duì)高平均變化率的季節(jié)也有很好的預(yù)測(cè)效果。

2)由于CNN網(wǎng)絡(luò)矩陣化輸入和雙維度提取特征的特點(diǎn)，加強(qiáng)了模型學(xué)習(xí)近期規(guī)律的能力，在應(yīng)對(duì)陣風(fēng)和非平穩(wěn)風(fēng)的問題上有一定效果，能及時(shí)跟蹤上風(fēng)功率曲線的變化趨勢(shì)。

3)風(fēng)功率曲線小波動(dòng)處的預(yù)測(cè)效果有待提升。在模型結(jié)構(gòu)和優(yōu)化算法的選取上，仍有一定進(jìn)步空間。