人工智能算法对风功率曲线的改进

2021-12-01陈金车苏士翔

智慧农业导刊 2021年2期

陈金车，苏士翔，蒋强

（兰州大学大气科学学院，甘肃兰州 730000）

风能是一种清洁能源，如果在风力发电方面得到高效利用，将极大地推动社会经济的发展。早在1985年Bossanyi E A[1]就通过卡尔曼滤波预报了风速；后来随着人工智能的发展，李大中[2]结合卷积神经网络和循环神经网络预报了风速，发现准确性更高。风电功率反映着风电厂的供电能力及稳定性，它会随着风速的大小不断变化，当其异常波动时，人们的生产生活会受到影响。因此，风电功率大小的模拟就显得很重要。人工智能算法近些年在环境和气象等领域取得了不错的发展[3-6]。周永生[7]采用长短期记忆网络（LSTM，Long Short-Term Memory）创新了预测PM2.5浓度的方法；孙全德[8]等人通过人工智能算法对数值天气预测模式ECMWF对于华北地区10m风速的预测结果做了订正。随着经济社会的不断发展，风力发电技术开始扮演着愈来愈重要的角色。然而，利用风功率曲线计算得到的风电功率误差较大，这是由于在计算过程中只考虑了风速，而忽略了其它气象因子可能会对风电功率产生的影响。例如，温度虽然不能直接影响风电功率，但是可以通过影响风速间接对风电功率产生影响。因此，本文引入差分进化算法（DE，Differential Evolution Algorithm）和遗传算法（GA，Genetic Algo rithm）以及BP、LSTM和随机森林（RF）模型，以包括风速、风向和温度在内的气象数据作为自变量输入模型对风电场的风力发电功率进行了模拟，从而达到更精确计算风电功率的目的，给电力部门制定发电计划提供参考。

1 资料与方法

1.1 数据来源

风电功率数据和气象数据来源于华家岭风力发电厂，共计两年时间的风力发电功率数据和风速、风向以及温度数据，时间段为北京时间2017-01-01 00：00至2018-12-31 23：00，时间间隔为15min一次。采用线性插值的方法对残缺的风电功率数值和气象数值进行补齐。

1.2 方法

BP神经网络[9]是使用范围最广的一种神经网络模型，在这种模型中，误差是反向传播的；LSTM[10]是被瑞士科学家Schmidhuber提出的，它能将重要内容记住，将不重要内容忽略；RF[11]是由美国Leo Breiman教授提出的，对于回归问题，采用最小方均差原则将每棵决策树的模拟结果汇总，然后取均值得到最终结果。本文以2017-01-01 00：00 至2018-12-31 23：00 的风电功率及气象数据为基础，选取2017-12-05 09：45至2017-12-07 04：00的数据用来进行风电功率的模拟，前90%的数据（153条）用来训练，后10%的数据（17条）用来测试。用平均绝对误差（MAE）和均方根误差（RMSE）来检验模拟效果，其计算方法如公式（1）和（2）所示，其中，Yi为模拟值，yi为实际值。

2 研究结果与分析

风电功率的模拟结果：图 1（a）-1（e）分别表示传统BP神经网络、经差分算法优化的BP神经网络、经遗传算法优化的BP神经网络、LSTM和RF模拟结果的绝对误差以及风电功率随时间的变化。从图中可以看出，几种模型模拟值的曲线都能较好地反映真实值的变化趋势和走向，而图1（b）-1（e）中模拟值与真实值的接近程度较图1（a）更强。传统的BP神经网络对于风电功率模拟结果的绝对误差范围在0～150MW，绝对误差的中值为40.3MW。经差分算法和遗传算法优化的BP神经网络以及LSTM和RF分别可以使得模拟结果绝对误差的范围降至 0～93MW、0～69MW、0～81MW 和 0～59MW，绝对误差的中值也都被降低至25MW以下。特别是经遗传算法优化的BP神经网络，更是将绝对误差的中值从40.3MW降低至了11.3MW，对00：15这个采样点的风电功率值模拟最为准确，模拟值仅仅比真实值高出了0.3MW，模拟准确率接近100%，模拟效果最差的采样点为02：00，真实值为140.2MW，模拟值为191MW，模拟误差为50.8MW，模拟准确率为73.4%。在这几种模型中，LSTM的表现最为稳定，虽然其模拟结果的平均绝对误差（MW）略大于经遗传算法优化的BP神经网络和RF，但其在各个采样点上模拟结果的准确率变化幅度不大，全部维持在80%以上，模拟准确率最高的采样点为00：00，模拟值仅比真实值低了1.4MW，模拟准确率高达99.7%。总的来说，不管是经差分算法优化的BP神经网络和经遗传算法优化的BP神经网络，还是LSTM和RF，模拟性能相比于传统的BP神经网络都有明显提升，模拟曲线能够很好地反映出风电功率的大小及变化态势。其中，经遗传算法优化的BP神经网络可以使模拟结果的平均绝对误差（MW）减至最小，而LSTM模拟性能则更稳定，模拟效果最差采样点的模拟准确率都达到了83.0%。

风电功率模拟结果的误差分布如表1所示，经差分算法优化和遗传算法优化的BP神经网络以及LSTM和RF对风电功率的模拟明显优于传统的BP模型，准确率分别提高了2.1%、5.5%、4.1%和3.6%。对于最大功率点的模拟而言，5种方法均表现出了优异的模拟性能，准确率都保持在90%以上。对于最小功率点的模拟而言，BP模型的模拟值为0MW，而该点的实际观测功率值为64.8MW。根据国家能源局西北监管局印发的《西北区域发电厂并网运行管理实施细则》及《西北区域并网发电厂辅助服务管理实施细则》的规定，对于风力发电功率的模拟，当模拟值为0时，当风电功率的实际观测值在装机容量的3%以内，则不予考核；当风电功率的实际观测值超过装机容量的3%时，误差值按100%计算。因此BP模型对小功率点的模拟无法满足要求，经差分算法优化的BP模型以及RF模型虽然使得最小功率点的模拟准确率提高至了56.5%和58.8%，但准确率仍然较低，而经遗传算法优化的BP模型以及LSTM模型可以使得最小功率点的模拟准确率提高至80%以上，改善了传统BP模型对小功率点模拟性能不佳的问题。