基于RCC-GRU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)

1 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(GRU)预测模型。薛等[5]提出了CNN-GRU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GRU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GRU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。

鉴此，考虑到RCC方法在训练样本分类筛选和GRU网络在小规模样本预测中的优势，提出了基于RCC-GRU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，RCC-GRU模型在预测精度和效率上具有明显的优势。

2 RCC-GRU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PR，相对湿度H。用ρX，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。

(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

(2)

其中，Gstart，Gmean，Gend分别是预测时间点i之前的时间段(i-n，i-1)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。

(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ρd，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

图2 不同时间步长的ρd，p平均值和标准偏差

根据上述特征，提出了辐射坐标分类(RCC)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，PRt，Ht，Pt+1)组成的特征数组A。数组A的结构如下所示

A={Ad-30，Ad-29，…，Ad-1，Ad}

(4)

(5)

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

(6)

其中Akl-new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λ。该公式定义为

(7)

选择λ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。

2.2 GRU循环神经网络[8]

循环神经网络(RNN)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。GRU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，GRU的隐藏层节点的内部结构不使用单个激活功能。GRU递归神经网络如图3所示。

图3 GRU循环神经网络

GRU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。GRU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。

(8)

(9)

(10)

(11)

2.3 RCC-GRU预测模型

为了更直观地描述RCC-GRU预测方法，其实现过程如图4所示。

图4 RCC-GRU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RCC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GRU神经网络的阈值和权重。

Step5：使用相似时间段样本训练GRU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(R2)，平均绝对百分比误差(MAPE)、均方根误差(RMSE)、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]作为评价指标，RMSE用于表示结果的分散程度，MAE和MAPE来表示预测的偏差，确定系数(R2)来表示实际值和预测值之间的线性相关性。各评价指标定义如下所示

(12)

(13)

(14)

(15)

(16)

3 算例分析

文中选取了福建省某风电场的历史气象数据和功率数据作为实验对象，其风电场开机容量为850kW，数据采集时间为2016年1月1日至2017年12月31日，每15min采集一次数据，一天共96个数据。

3.1 实验环境配置

实验基于Python3.6和64位操作系统的个人计算机实现的，该计算机的CPU为i5-7300HQ，RAM为8.00GB。软件框架基于Tensorflow框架，绘图软件采用OriginPro8。

3.2 仿真验证

3.2.1 预测效果分析

为了验证所提出的RCC-GRU模型的有效性，选择了几种典型网络，包括RCC-LSTM模型，LSTM模型和GRU模型进行比较，并在4个季节中对不同的评价指标(MAPE，MSE，RMSE)进行对比分析。此外，还采用了确定系数R2和准确率r1来验证RCC-GRU模型的预测准确性和稳定性。在测试数据时间范围内，随机选取一天中采用不同预测模型得到的超短期风电功率预测结果和训练时间成本结果如图5-6所示。

图5 不同模型的预测结果

图6 不同的预测模型的训练时间

不同模型的预测准确率和平均训练时间如表2所示。由于RCC-GRU模型的训练集样本采用了RCC算法进行收集，训练数据集很小。因此，每个实时预测步骤仅需要几秒钟，这在实际应用中是可以接受的。与GRU模型相比，RCC-GRU模型不仅提高了预测的准确性，而且降低了预测模型的训练时间成本，其准确率提高了3.16%，训练时间降低了37.95%。RCC-GRU模型与RCC-LSTM模型都采用了RCC算法来筛选训练集样本，但RCC-GRU模型的平均训练时间成本降低了52.47%，预测准确率提高了1.11%，充分体现了GRU算法在小规模样本时的性能优势。

表2 不同模型的预测准确率和平均训练时间

综上，与RCC-LSTM模型，LSTM模型和GRU模型进行比较，RCC-GRU模型的预测结果与风电功率实际值拟合度最高，预测准确性最高，且在预测效率上也具有一定优势。

3.2.2 通用性分析

为了进一步测试RCC-GRU模型在不同季节的通用性，选择了不同季节中的几天来扩展验证样本集，每个季节中随机选择3天。下面显示了有关不同评估指标的详细信息。

图7 RMSE均值

图7显示了不同季节预测结果的平均RMSE值。RCC-GRU模型在每个季节的RMSE值均低于其它模型，RMSE的平均值为21.175KW，与其它模型相比，分别降低了20.17%，51.79%和59.24%，说明了该方法具有更好的预测精度。

不同季节预测结果的平均MAE值如图8所示，与其它模型相比，RCC-GRU模型的平均MAE值分别降低了18.56%，42.46%和49.55%。

图8 MAE均值

不同季节预测结果的平均MAPE值如图9所示，与其它模型相比，RCC-GRU模型的平均MAPE值分别降低了15.53%，39.75%和47.99%。

图9 MAPE均值

综合图7-9可知，与RCC-LSTM模型，LSTM模型和GRU模型相比，RCC-GRU模型的3个误差指标值(RMSE，MAE，MAPE)在每个季节均为最低，体现了RCC-GRU风电功率预测模型的精确性和稳定性。

除了RMSE，MAPE和MAE，确定系数R2也是评估预测模型的有效的参数，不同预测模型的R2的平均值(%)和标准偏差如图10所示。从图10可发现，这些模型均具有良好的预测性能，而所提出的模型的R2平均值和标准偏差分别为0.9899和0.013，均优于其它比较模型，说明了RCC-GRU模型具有更高的预测精度和更好的稳定性。

图10 不同模型的平均确定系数R2和R2的标准差

4 结论

提出了一种基于RCC-GRU模型的超短期风电功率预测方法，其具有以下优势：

1)RCC算法可以有效的对相似时间段进行分类和选择，降低了预测模型的计算成本，提高了预测精度。

2)RCC-GRU模型的各项评价指标均优于比较模型，其平均RMSE、MAPE、MAE、准确率和确定系数分别为20.43kW，3.52%，18.71kW，97.6%和98.99%，说明该方法具有更高的预测精度。此外，RCC-GRU模型比GRU-LSTM模型和GRU模型更高效，其平均训练时间成本比RCC-LSTM模型降低了52.47%。

3)本文通过RCC方法进行训练样本筛选时，选择λ值较小的前10个时间段的数据作为训练集，后续还可以深入研究不同λ阈值对预测效果的影响。