基于长短期记忆网络的水力发电功率预测研究

汪 哿,郭志刚

(中国长江电力股份有限公司,湖北 宜昌 443002)

0 引言

随着中国新一轮电力体制改革的不断推进,电力现货交易市场的重要性日益凸显[1]。有效发挥电力现货交易市场的作用,对实现可再生能源优化配置具有积极意义[2-3]。为促进大型水力发电量的消纳能力,不仅需要水电站有序组织和参与电力市场交易,还需要水电站精准预测发电功率[4-5]。

许多学者对水电站发电功率预测作了大量研究。文献[6]提出了1种极限学习机的水电站发电功率预测方法,通过趋势导向学习提高水电站发电功率预测精度。文献[7]提出了1种基于蒙特卡洛法的水电站发电功率预测方法,通过改进支配方案进行水电站发电功率预测。文献[8]提出了1种基于动态规划的水电站发电功率预测方法,通过对日均径流的预测提高水电站发电功率预测准确性。文献[9]采用了1种多任务嵌套方法,以提高水电站发电功率预测准确性。由此可见,水电站发电功率预测方法多样。但上述方法对多时间尺度的功率预测关联分析较少,对大型水电站发电功率预测的准确率较低。

为解决水电站发电功率预测中存在的多时间尺度关联分析少、发电功率预测准确率低的问题,本文提出了1种基于长短期记忆 (long short-term memory,LSTM)网络的水力发电功率预测方法。该方法采用了LSTM网络,实现了多时间尺度的时、日、月、季、年发电预测的内在关系挖掘;通过分时影响因素分析,提高了水电站发电功率预测准确率。

1 水力发电功率预测流程

本文所述的基于LSTM网络的水力发电功率预测方法的流程包括历史发电功率预测数据清洗、发电功率影响因素分析和发电功率预测等。

水力发电功率预测流程如图1所示。

图1 水力发电功率预测流程图

2 水力发电功率预测模型

2.1 历史发电功率预测数据清洗

水电站地处环境偏僻的江河流域,电气、电子设备运行环境恶劣。水电站发电功率数据采集过程中容易受环境影响,进而造成水电站发电功率数据存在错误和缺失的情况。因此,在进行水电站发电功率预测前,需要对历史的水电站发电功率数据进行质量评估与数据清洗,以消除错误和缺失数据对水电站发电功率数据预测模型的影响。

水电站历史发电功率数据质量采用六要素方式进行评估。水电站历史发电功率数据质量评估指标中,历史发电功率有效性ca、历史发电功率完整性cb、历史发电功率及时性cδ、历史发电功率准确性cd、历史发电功率唯一性ce、历史发电功率一致性cf为:

(1)

式中:call为水电站历史发电量采集数据的总数;c1为有效的水电站历史发电功率;c2为完整的水电站历史发电功率;c3为及时的水电站历史发电功率;c4为准确的水电站历史发电功率;c5为唯一的水电站历史发电功率;c6为一致的水电站历史发电功率。

水电站历史发电功率数据清洗是针对水电站历史发电功率数据质量评估中的异常数据进行修复的过程。

线性插值是一种数据修复方法,通过对2个已知的异常数据邻近点的数值进行线性插入以预估数据[10]。线性插值具有方法简单、运行效率高的特点。因此,本文采用线性插值方法进行水电站历史发电功率数据清洗。水电站历史发电功率修复数据gs为:

(2)

式中:gd和ge分别为异常发电功率数之前和之后时刻的正常观测功率值;hd和he分别为异常发电功率数据之前和之后的时刻点;hδ为hd和he之间的水电站发电功率任意一时间值。

通过线性插值可以获取水电站历史发电功率的预估值,从而完成水电站历史发电功率数据修复。

2.2 发电功率影响因素分析

影响水电站发电功率的主要因素包括通过水轮发电机的水径流量、水轮发电机的工作水头高度、水轮发电机的工作效率[11]。水电站发电功率Pa为:

Pa=lqrhλ

(3)

式中:lq为通过水轮发电机的水径流量;rh为水轮发电机的工作水头高度,即发电机的水位落差;λ为水轮发电机的工作效率。

水轮发电机的工作水头高度由水头损耗和上下游水位差构成。rh可分解为:

rh=ra-rb-rδ

(4)

式中:ra为发电站的上游水位高度;rb为发电站的下游水位高度;rδ为发电站的水头损耗。

通过水轮发电机的水径流量与降雨量和气温具有强相关性。其中,降雨量越大,河流中的水量越多,通过水轮发电机的水径流量也越大。气温越高,河流的水面蒸发量越大,通过水轮发电机的水径流量也越小。因此,修正的水轮发电机的水径流量lnew为:

lnew=loldβα

(5)

式中:lold为预测的水轮发电机的水径流量;β为河流降雨量修正系数;α为河流气温影响因数。

2.3 发电功率预测

发电功率预测的输入包括历史的发电功率数据、历史的河流降雨量和气温信息、数值天气预报预测的河流降雨量与气温信息。

LSTM网络由循环神经网络(recurrent neural network,RNN)发展而来。LSTM网络内部包括门结构和细胞状态,可将信息序列进行学习与传递。通过门结构,可以实现学习过程的遗忘与保存数据。LSTM网络可有效地对年、季、月、日、时多时间尺度的水电站历史功率信息进行挖掘与拟合,从而得到更好的水电站发电功率预测精度[12]。因此,本文采用LSTM网络进行多时间尺度的水电站发电功率分析与预测。

首先,本文采用LSTM网络进行分时的超短期水电站发电功率预测,并将其参数输入到下一层的日水电站发电功率预测;在此基础上,依次通过LSTM网络进行月、季和年的分时预测,形成多时间尺度的水电站发电功率预测结果。

然后,本文采用LSTM网络预测水电站发电功率。预测结果pz为:

pz=φ[(wx,l,ro,λt)×tan(pold)]

(6)

式中:pold为历史的水电站发电功率数据;tan为水电站发电功率预测模型的“遗忘门”激活函数;φ为水电站发电功率预测模型的激活函数;wx为数值天气预报的河流降雨量预测数据;l为数值天气预报的河流气温预测数据;ro为水电站工作水头高度;λt为水电站水轮机的工作效率。

最后,LSTM网络按时、日、月、季、年多时间尺度进行迭代,形成水电站发电功率预测结果。

3 算例分析

3.1 场景与参数设定

为验证基于LSTM网络的水力发电功率预测方法的可行性,本文在某大型水电站进行验证。该水电站装机容量为300×105kW、水头高度为85 m。发电功率、发电电压等数据来源于发电站自动化系统。水径流量数据来源于水流量监测系统。河流降雨量、气温预测数据来源于数值天气预报。历史数据来源于该水电站2021年的数据。

基于LSTM网络的水力发电功率预测方法模型采用Python研发。系统部署在水电站的服务器机房。服务器的操作系统为Linux。服务器采用Intel Xeon E5-2699 V3作为中央处理器。中央处理器颗数为2、核心数为18、运行主频为2.3 GHz、内存为128 GB。与基于LSTM网络的水力发电功率预测方法比较的是文献[13]中的Mann Kendall突变检验发电功率预测模型。该模型在黄河流域发电站广泛应用,具有较好的通用性。

3.2 算例运行分析

①水力发电功率预测性能分析。

水力发电功率预测性能是衡量发电模型计算能力的指标。其统计方法为:从模型输入基础数据开始到输出发电功率预测结果的时段内,水力发电功率预测耗时越短,说明水力发电功率预测模型性能越好。

试验随机模拟10组4小时(超短期)、1日、1月、1季、1年的数据,采用所提基于LSTM网络的水力发电功率预测方法与Mann Kendall突变检验发电功率预测模型比较水力发电功率预测性能。

水力发电功率预测性能如表1所示。

表1 水力发电功率预测性能表

由表1可知,本文所提基于LSTM网络的水力发电功率预测方法的水力发电功率预测性能耗时平均为8.3 s,小于Mann Kendall突变检验发电功率预测模型的预测性能平均耗时(20.9 s)。因此,基于LSTM网络的水力发电功率预测方法性能更优。

②水电站发电功率预测分析。

水电站发电功率预测分析用于评估水电站的发电功率预测曲线与实际的水电站发电功率曲线的分时发电水平情况。

水电站发电功率分时预测结果如图2所示。

图2 水电站发电功率分时预测结果

由图2可知:水电站每日的7～12点和17～22点是发电的高峰时段;23点～次日6点是发电的低谷时段;12点～16点是发电的平段时段。在各时间段内,预测功率曲线与实际功率曲线较为接近。

③水力发电功率预测准确率。

水力发电功率预测准确率是水电站运营管理的关键指标。其计算方法为将水力发电功率预测值与实际值进行比较。若水力发电功率日96点预测值与实际日96点值一致,则表明预测准确。水力发电功率预测值与实际值的比值即为水力发电功率预测准确率。

为简化计算,试验分别采用所提基于LSTM网络的水力发电功率预测方法与Mann Kendall突变检验发电功率预测模型预测10组4小时(超短期)、1日、1月水电站发电功率数据,并将其与实际水电站的发电功率数据进行比较。

水力发电功率预测准确率对比如表2所示。

表2 水力发电功率预测准确率对比

由表2可知,本文所提基于LSTM网络的水力发电功率预测方法平均预测准确率为97.2%,高于Mann Kendall突变检验发电功率预测模型。因此,本文所提基于LSTM网络的水力发电功率预测方法预测更准确。

4 结论

为解决水电站发电功率预测中存在的多时间尺度关联分析少、发电功率预测准确率低的问题,本文提出了1种基于LSTM网络的水力发电功率预测方法。该方法的主要特点如下:首先,充分分析了影响水电站发电功率的因素,通过预测修正参数减少了各类影响因素对发电功率预测准确率的影响;其次,采用LSTM网络挖掘了年、季、月、日、时多时间尺度发电功率数据的蕴含关系,并通过关联分析提高了水电站发电功率预测精度。

后续研究将结合生成对抗网络的特点,对本文所提方法进行优化。