神经网络在超短期风功率预测上的应用

高 鹭，赵连甲，孔繁苗

（内蒙古科技大学 信息工程学院，内蒙古 包头014000）

近几年，风电预测技术取得了长足的发展，无论是预测精度还是预测时间都得到了很大的提高，能够精准地预测到风功率的具体数值，对于电力部门的调度和规划都能起到很好的指导作用，减少不必要的资源浪费[1-3]，避免大量的弃风现象。其中风电预测根据时间尺度来分，常见的是长期预测，短期预测和超短期预测。长期预测能够有利于调度，短期和超短期预测能够用来控制。近两年的论文中对于短期预测研究的比较多，长期和超短期预测研究的论文相对来说要少一些。为了增加对超短期风功率预测的研究，文章用内蒙古的实际数据作为数据集，因为人工智能技术的高速发展和计算能力的大幅提高，神经网络方法在预测精度和预测时间上都能够有很好的表现，所以决定采用神经网络的建模方法进行超短期功率预测。

循环神经网络（recurrent neural network，RNN）[4]对于时间前后相关性强的数据有很强的处理能力，LSTM和GRU都能够很好地预测风功率数据，朱乔木[5]等人提出了一种基于LSTM网络的超短期发电功率预测方法。该方法第一次尝试使用距离分析法挑选出特征里面对风电功率影响程度最大的，从而能够减少输入神经网络的特征数量，进而减少数据输入的数量。牛哲文[6]等人使用CNN结合GRU神经网络进行数据降维和特征提取操作，因为风功率数据波动性和不确定性太强，所以尝试解决这个问题。韩朋[7]等人用了注意力模型筛选相关性系数最高的两个特征作为模型输入，再利用LSTM进行风功率预测。以上几篇论文都利用深度学习模型取得了良好的预测效果，证明了神经网络方法的有效性。

1 风电数据

本文采用的数据集是内蒙古某风场机组一年的实际测量风电数据，数据特征有风向、风速、功率、温度、实测桨距角、气压等，部分数据情况如表1所示。

表1 部分数据特征

实验数据集为2014年一年的数据，从一月一号开始，每十分钟一个数据点，本实验用的数据是历史的风功率数据，利用之前的数据进行学习来预测后面的数据，数据采集有的存在缺失值，采用均值插补法对缺失值进行填充。求得数据的平均值进行填充补全数据。

2 模型介绍

循环神经网络RNN开始在手写识别、语音识别等领域取得了很好的实验成果，后来学者们将它应用在时间序列的预测上，发现在时间序列数据上也表现非俗。再之后成功地应用到了风功率预测上，虽然RNN能够处理时间序列数据，但是如果网络层数够深可能会发生梯度消失和梯度爆炸，GRU和LSTM模型能够避免RNN梯度消失和梯度爆炸[8-9]的问题，并且循环神经网络能够很好地注意到数据前后的相关性，门控循环单元的设置能够记住前面的数据，并且能够选择性遗忘数据，从而使得预测更准确和更快速，适用于超短期风功率预测。GRU模型结构如图1所示。

图1 GRU结构图

3 实验结果

本次实验样本为内蒙古风电场一年的数据，取其中5000条数据来做本次实验，以4：1的比例划分训练测试集。为了去除变量之间量纲的差异所带来的影响。在补全数据的缺失值之后对于数据做了归一化操作，将数据归一到0和1之间，转换函数为：

其中Xmin和Xmax分别为风功率数据的最小值和最大值。在本实验中所用编程语言为Python，使用Keras和TensorFlow完成实验部分，所用模型参数设置为：

BP神经网络：三层的网络结构，神经元数量分别为80.100.80，激活函数用的是Sigmoid和Relu，优化器是Adam。epochs=200，batch_size=20。

LSTM：两层，神经元都为300，激活函数用的是Relu，优化器是Adam，Dropout取值为0.3。epochs=100，batch_size=32。GRU模型参数设置同LSTM。

RNN：两层，神经元都为200，激活函数用的是Sigmoid，优化器是Adam，Dropout取值为0.3。epochs=100，batch_size=64。

横坐标为测试集的1000个数据点，横坐标为数据归一化之后的值，四个模型预测结果汇总如图2所示。

4 误差分析

由图2我们可以看出，以上神经网络对于数据的预测效果都很不错，无论是对于波动强烈和平稳的数据都能有很好的预测效果。为了评价各个模型的拟合程度，我们选取了用标准均方根误差（RMSE）和平均绝对误差（MAE）来评价各个模型对于本实验数据的效果。数值越小实验效果越好，具体公式如下所示：

图2 模型预测结果汇总

其中yi是预测值，另一个是测试值，n是数据的个数，i表示从1开始。四个神经网络在内蒙古风场预测的误差如表2所示。

从表2分析得出：以上算法误差都在10%以内，预测精度都达到了超短期风功率预测对于精准度的要求，GRU在本实验数据的表现最优，但是各个神经网络的误差相差不大。这与实验汇总图的图像总体走向基本一致。

表2 实验误差

5 结论

本文使用了四个神经网络来预测风功率的实际数值，经过前期的大量调参工作，对于数据进行预处理，包括缺失值填充和数据归一化，取得了良好的预测效果。从结果来看，本实验选取的模型预测精度都在92%以上。基本能与真实数据相拟合，尤其是在数据有波动的情况下，对于一段时间内数据波动不大的情况拟合效果有待提高，后续工作会对这类数据进行分析，保证以上几种模型在各种情况的数据中都能取得很好的效果。