CN115759465A - 基于多目标协同训练和nwp隐式校正的风电功率预测方法 - Google Patents

Abstract

本发明提供了一种基于多目标协同训练和NWP隐式校正的风电功率预测方法，该方法以实测风电功率为最终输出，实测气象数据为隐层输出，通过多目标损失函数协同训练网络，使得模型同时具备风电功率预测和气象预测能力。本发明模型网络在优化训练时，不仅优化了风电功率及实测气象对应NWP输入的误差，还同时优化了风电功率对应隐含层输出NWP校正结果的误差，避免二步预测法可能失效的问题。此外，本发明方法仅采用一个网络同时实现NWP的隐式校正和功率预测，避免二次计算，节省了计算储存成本，通过NWP校正可改善预测性能。

Description

基于多目标协同训练和NWP隐式校正的风电功率预测方法

技术领域

本发明属于风电功率预测技术领域，具体涉及一种基于多目标协同训练和NWP隐式校正的风电功率预测方法。

背景技术

随着新能源的迅速发展，如何建设新型电力***，实现高比例新能源并网已经成为大家的研究热点，同时这也是实现双碳战略目标的必经路径；风电当前在新能源中占比最高，同时也是未来新能源的主体。根据国家能源局的统计信息，截至2021年11月29日，我国风电并网装机容量已突破3亿千瓦大关，是2020年底欧盟风电总装机的1.4倍，是美国的2.6倍，连续12年稳居世界第一。但随着风电装机容量的不断增加，电网中风电比例日益提高，新的风电问题不断产生并亟需解决，因此需要研究更高精度的风电功率预测技术。

风电功率预测一般分为超短期预测、短期预测和中长期预测，超短期预测主要帮助优化调频旋转储备能力，短期预测则主要用于电网的调度，而中长期预报时长从几天到几周甚至几个月不等，预测结果可为风电场设备维护与调试提供计划，也可为风电场的建设可行性提供评估数据。目前，短期、超短期风电功率预测的相关研究已相对成熟，其预测结果已可以基本满足国家能源局的要求，研究难点也因此逐渐从短期、超短期预测转为中长期预测，且主要基于智能学习方法进行改进优化。智能学习方法主要以NWP(NumericalWeather Predicition，数值天气预报)数据及相关历史数据为输入，以机器学习模型为主网络进行建模。随着人工智能算法的快速发展，智能学习模型具备了更强大的非线性拟合能力，越来越多的智能学习模型如长短时记忆网络、随机森林及梯度提升决策树等被用于风电功率预测建模。

公开号为CN113379142A的中国专利提出了一种基于风速修正和融合模型的短期风电功率预测方法，以解决NWP预报数据精度有待提高，NWP预报风速与风电场实际风速存在偏差，导致预测效果欠佳的问题；但是该专利技术只是修正了风速误差，且只用修正后的风速进行功率预测，而与风电功率相关性较大的风向、温度、湿度、压强等特征值并未考虑。文献[蔡祯祺.基于数值天气预报NWP修正的BP神经网络风电功率短期预测研究[D].浙江大学,2012]先利用实测气象数据对NWP进行校正，随后用NWP校正结果进行预测，将其称为二步预测法；该预测方法提升了短期风电功率预测的精度，但其未进行中长期风电功率预测的算例分析；并且，当二步预测法引入的误差大于功率预测模型带来的误差改善时，二步预测法将会失效，甚至显著降低预测精度。

上述现有技术从误差修正、模型优化、数据预处理层面提升了风电功率预测精度，但算法均涉及多个模型，较为复杂，可适用性不强。

发明内容

鉴于上述，本发明提供了一种基于多目标协同训练和NWP隐式校正的风电功率预测方法，该方法以实测风电功率为最终输出，实测气象数据为隐层输出，通过多目标损失函数协同训练网络，使得模型同时具备风电功率预测和气象预测能力。

一种基于多目标协同训练和NWP隐式校正的风电功率预测方法，包括如下步骤：

(1)采集目标区域过去一段时间内的风电场数据，包括风电功率实测数据、NWP数据以及气象实测数据；

(2)对上述三类数据进行预处理，从而得到大量以时间序列形式的数据样本，每组数据样本包含固定长度时间对应的风电功率实测数据序列、NWP数据序列以及气象实测数据序列；

(3)将所有数据样本分成训练集和测试集；

(4)搭建基于神经网络的预测模型，其采用多层的前向神经网络，包括输入层、隐含层和输出层，其中输入层的神经元数量为NWP气象特征的数量，中间隐含层通过非线性激活函数及嵌套运算对NWP数据进行特征提取，输出层作为风电功率的预测输出；

(5)利用训练集样本中的NWP数据序列作为模型输入，风电功率实测数据序列和气象实测数据序列作为真值标签，对网络模型进行训练；

(6)将测试集样本中的NWP数据序列输入训练好的预测模型中，即可直接输出得到风电功率和气象的预测结果。

进一步地，所述风电功率实测数据和气象实测数据由风电场的SCADA(Supervisory Control And Data Acquisition，监视控制与数据采集)***采集获得，NWP数据从相关第三方公司获得；所述NWP数据每日更新且提供未来7日的预测数据，步骤(1)中采集的NWP数据取每日数据更新时间点未来24小时的数据，以提高NWP数据质量。

进一步地，所述步骤(2)的具体实施方式为：首先将三类数据以24小时为固定长度分成多段，每段中的数据值以15分钟为间隔，整合成时间序列的形式；然后识别数据序列中重复值、异常值以及因清洗风电机组造成空值，进而采用相关性分析对这些值进行替换或填充；最后对所有数据序列进行归一化，即将序列中的数据值统一映射到[0，1]区间上。

进一步地，采集目标区域过去一年内的风电场数据，将前9个月的数据样本作为训练集，后3个月的数据样本作为测试集。

进一步地，所述前向神经网络采用5层隐含层H1～H5，H1～H5的神经元数量分别为100、50、40、20、10，提取H3中最后4个神经元的输出即作为气象的预测结果，对应风电机组轮毂高处的风速、气温、气压、相对湿度共4项输出特征。

进一步地，从隐含层中提取的气象预测结果同时也将输入后续的隐含层，参与后续的特征提取。

进一步地，所述隐含层中非线性激活函数采用ReLU函数与Sigmoid函数搭配实现。

进一步地，所述步骤(5)的具体实施方式如下：

5.1初始化模型参数，包括每一层的偏置向量和权值矩阵、学习率以及优化器；

5.2将训练集样本中的NWP数据序列输入至模型，模型正向传播输出得到对应风电功率和气象的预测结果，计算预测结果与真值标签之间的损失函数L；

5.3根据损失函数L利用优化器通过随机梯度下降(Stochastic GradientDescent，SGD)法对模型参数不断迭代更新，直至损失函数L收敛，训练完成。

进一步地，训练过程中优化器采用Adam算法，并采用BP算法进行梯度求解。

进一步地，所述损失函数L的表达式如下：

其中：P_pred，i和，P_real，i分别表示第i时刻的风电功率预测值和风电功率实测值，C_i表示第i时刻的开机容量，W_pred，i和W_real，i分别表示第i时刻的气象预测值和气象实测值，β为权重系数，n为数据序列的长度。

基于上述技术方案，本发明具有以下有益技术效果：

1.本发明模型网络在优化训练时，不仅优化了风电功率及实测气象对应NWP输入的误差，还同时优化了风电功率对应隐含层输出NWP校正结果的误差，避免二步预测法可能失效的问题。

2.本发明方法仅采用一个网络同时实现NWP的隐式校正和功率预测，避免二次计算，节省了计算储存成本。

3.随着预测时长增加，预测精度下降，本发明通过端到端的训练方式，在优化模型的同时完成了NWP隐式校正和风电功率预测，并提升了预测精度。

4.本发明基于多目标协同训练的NWP隐式校正算法来提升风电功率预测的准确性和鲁棒性，通过NWP校正可改善预测性能。

附图说明

图1为本发明基于神经网络的预测模型结构示意图。

图2为本发明基于多目标协同训练的NWP隐式校正算法的原理示意图。

具体实施方式

为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。

本发明基于多目标协同训练和NWP隐式校正的风电功率预测方法，包括如下步骤：

(1)采集预测区域一段时间内的风电功率实测数据、NWP数据、实测气象数据。

采集某风电场数据，风电功率实测数据与实测气象数据由风电场的SCADA***采集获得，NWP数据从相关公司获得；NWP数据每日更新，提供未来7日的预测数据，取每日数据更新时间点未来24小时的数据，以提高NWP数据质量。

(2)对数据进行预处理，得到时间间隔为15min的时间序列数据，并将数据划分为训练集和测试集。

2.1将三类数据统一整合为时间间隔为15min的时间序列数据。

2.2识别与清洗风电机组空值、重复值与异常数据，数据缺失较多部分替换为和该风电场数据相关性较大的另一风电场数据，寻找相关性较大的风电场通过皮尔逊系数，计算公式如下：

基于皮尔逊相关系数对该风电场风电数据与其邻近风电场的风电数据进行处理，选择r值最接近1的风电场数据，对数据缺失或异常部分较多的部分进行数据替换。

2.3对获取风电功率时间序列进行归一化，将风电数据集统一映射到[0，1]区间上，将前9个月的数据作为训练集，后3个月的数据作为测试集，得到归一化后的风电时间序列训练集和测试集。

归一化公式为：

其中：X_normal是归一化之后的数据，X为原始风电功率数据，X_max、X_min分别为原始数据的最大值和最小值。

(3)如图2所示，搭建基于神经网络的预测网络模型，以NWP数据作为模型的输入，模型同时输出风电功率预测结果及气象预测结果，联合实测风电功率数据及实测气象数据对模型进行多目标协同训练。

基于神经网络的预测网络模型主体为多层的前向神经网络，如图1所示，输入层的神经元数量等于NWP气象特征的数量，中间隐含层通过非线性激活函数及嵌套运算对NWP数据进行特征提取，输出层作为实测功率的预测。

本发明基于神经网络的预测网络模型采用5层隐含层神经网络，隐含层的神经元数量分别为100、50、40、20、10。输入层为NWP数据和构造的时间特征，共计38维特征；将第3层隐含层的最后4个神经元输出作为实测气象的预测输出，拟合轮毂高处的风速、气温、气压以及相对湿度共计4项输出特征。

激活函数采用ReLU函数和Sigmoid函数的搭配，训练过程中采用Adam算法进行优化，初始学习率设为0.0001，采用早停法进行训练；

ReLU函数是一种人工神经网络中常用的激活函数，通常意义下，其指代数学中的斜坡函数，其公式为：

f(x)＝max(0，x)

Sigmoid函数用于隐层神经元输出，取值范围为(0，1)，它可以将一个实数映射到(0，1)的区间，可以用来做二分类。

Adam(Adaptive Moment Estimation)是一种可以替代传统随机梯度下降过程的一阶优化算法，它能基于训练数据迭代地更新神经网络权重。Adam本质上是带有动量项的RMSprop，它利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学***稳，其主要公式如下：

m_t＝μ*m_t-1+(1-μ)*gt

两个公式分别是对梯度的一阶矩估计和二阶矩估计，可以看作是对期望E|gt|，E|gt^2|的估计。

以上公式是对一阶二阶矩估计的校正，这样可以近似为对期望的无偏估计。可以看出，直接对梯度的矩估计对内存没有额外的要求，而且可以根据梯度进行动态调整。

公式前面部分是对学习率η形成的一个动态约束，而且有明确的范围。

本发明采用SGD优化算法来求得网络参数的近似最优解，采用BP算法进行梯度求解，目标的损失函数为：

其中：N为训练样本的数目，f_loss代表单条或一组数据的损失函数，y_pred，i、y_real，i分别表示预测样本和实际样本。

SGD算法的更新公式为：

目标损失函数确定了网络优化的目标，梯度决定了参数优化的方向，回归任务选择均方误差(Mean Square Error，MSE)函数，其表达式为：

其中：y_pred，i表示i时刻的预测值，y_real，i表示i时刻真实值。

本发明通过多目标损失函数协同训练网络，设计损失函数，总体损失函数由风电功率预测误差和实测气象预测误差两部分构成，表达式如下所示：

其中：P_pred，i，P_real，i分别表示i时刻的预测风电功率和实测风电功率，W_pred，i，W_real，i分别表示i时刻的预测气象和实测气象，C_i表示i时刻的开机容量，用于归一化数据；β为权重系数，用于调节两者权重，本实施例取0.5。

(4)将测试集NWP数据输入预测网络模型，将神经网络的隐含层输出作为NWP的隐式校正结果，并将隐式校正结果输入后续隐含层得到最终输出功率预测值。

4.1根据训练完成得到的最优神经网络模型与权重，将测试集输入到最优神经网络模型当中，得到归一化的风电功率最优预测结果。

4.2对步骤4.1所得的功率预测结果进行反归一化，得到风电功率最优预测结果。

X＝X_normal(X_max-X_min)+X_min

以下我们选取国内某风电场作为实际算例进行仿真分析，该风电场装机容量为99MW，配套数据包含：2020年采样间隔为15min数据的实测出力数据、实测气象数据(共9项)、NWP数据(共22项)，其中NWP数据每日更新，提供未来7日的预测数据。本仿真例以2020年1～8月份的数据作为训练集，9～10月份的数据作为测试集进行算例分析。

我们采用常用的纵向指标均方根误差(root mean squared error，RMSE)和常用的横向指标相关系数(correlation coefficient，CC)对预测结果进行评价，具体计算公式为：

式中：N表示样本数量，

p_i分别表示第i时刻的预测值和实际值，cov(p^，p)表示二者协方差，δ(p^)，δ(p)分别表示二者的标准差。

建立并对比分析不同的预测模型。首先，以NWP数据为输入，实测功率为输出，分别基于支持向量回归模型(Support Vector Regression，SVR)、梯度提升决策树(GradientBoosting Decision Tree，GBDT)和本发明NN模型建立常用的功率预测模型，该类模型不考虑NWP校正问题，直接基于NWP数据和实测出力进行端到端训练，分别称为SVR模型、GBDT模型和NN模型；其次基于GBDT和NN模型使用二步预测法，即先进行NWP显式校正再进行风电功率预测，将其分别称为GBDT-T模型和NN-T模型；最后，建立基于多目标协同训练的NWP隐式校正模型，因其是一种虚拟校正模型，所以将其称为NN-V模型，共计6类模型。

为了公平对比，基于NN网络的模型均采用5层隐含层神经网络，隐含层的神经元数量分别为100、50、40、20、10，输入层为NWP数据和构造的时间特征，共计38维特征。对二步预测法而言，共拟合轮毂高处的风速、气温、气压以及相对湿度共计4项输出特征。而对本发明算法模型，将第3层隐含层的最后4个神经元输出作为实测气象的预测输出，激活函数采用ReLU函数和Sigmoid函数的搭配，采用Adam算法进行优化，初始学习率设为0.0001，采用早停法进行训练。

由于NWP数据提供了未来7个预测日，且每个预测日均进行更新，因此本位对每个预测日均建立对应模型，实现不同时间尺度的功率预测，即对每个预测日分别建立上述6类模型，可得不同预测日不同模型的RMSE指标如表1所示，CC指标如表2所示。

表1

表2

根据以上表格，首先对比NN-T模型和NN模型发现，NN-T模型的RMSE指标在第1、4、5个预测日优于NN模型，CC指标在第1、2、5、6个预测日优于NN模型；对比GBDT-T模型和GBDT模型发现，GBDT-T模型的RMSE指标和CC指标在第2～7个预测日均优于GBDT模型。这说明了进行NWP校正虽然可以改善预测性能，但同时存在不稳定性。

其次，对比NN-T模型和GBDT-T模型发现，GBDT-T模型的RMSE指标在所有预测日均优于NN-T模型，CC指标仅在第1个预测日不如NN-T模型。GBDT-T模型相对于GBDT模型平均优化RMSE指标0.71％，CC指标1.77％。而NN-T模型相对于NN模型仅在CC指标平均优化0.94％。这说明基于GBDT的校正模型相对于基于NN的校正模型效果更加稳定，而且精度更高。

最后，对比本发明NN-V模型与其余模型发现，NN-V模型的RMSE指标只在第2个预测日为次优，其余预测日均为最优，其CC指标在所有预测日均明显优于其余模型，效果最为稳定，精度最高。其中，NN-V模型相对于NN模型平均优化RMSE指标1.02％，CC指标5.21％，这充分说明了本发明算法对提升风电功率预测精度的有效性和优越性。

同时，为进一步说明本发明算法的优越性，表3给出了各个模型采用的网络数量：

表3

由表3可得，GBDT-T模型虽然效果较好，但最少需要5个不同的GBDT网络来实现不同气象特征及风电功率的预测，且模型数量随气象特征的增多线性增长。而本发明NN-V模型仅需1个神经网络便可同时进行NWP隐式校正和风电功率预测，同时还改善了预测性能，节省了计算存储成本，更加简便快捷。

为了辅助说明本发明算法的有效性，将NWP隐式校正结果与显式校正结果进行对比，其具体结果见表4：

表4

由表4可见，校正后的NWP指标相对原始NWP数据有明显的改善。通过对比发现，NWP隐式校正结果要比显式校正结果差一些，这是因为在网络的优化过程中，隐式校正结果对应的损失函数只占总体损失函数的一部分，此外还有输出层的损失函数值；即NWP隐式校正是为了让隐含层神经元在进行特征提取时能够捕捉到实测气象的特征，并将二步预测法带来的显式校正误差优化减弱，而不是为了得到精准的NWP显式校正结果。

综合上述比较，我们可以得出以下几点结论：

1.随着预测时长增加，预测精度下降，进行NWP校正可改善预测性能。

2.基于GBDT的二步预测模型比基于NN的模型要更加稳定且RMSE指标、CC指标更优，但二步预测法引入的NWP显式校正误差会在某些情况下降低预测精度。

3.基于多目标协同训练的NWP隐式校正算法仅需1个网络，并提升了风电功率预测精度，效果最为稳定，其短期及中长期的预测结果的RMSE指标、CC指标均最优。

由此可知，本发明算法更容易实现，在现有NN模型基础上进行轻微修改便可应用，具有较强的可拓展性。

上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明，熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (10)

1.一种基于多目标协同训练和NWP隐式校正的风电功率预测方法，包括如下步骤：

(1)采集目标区域过去一段时间内的风电场数据，包括风电功率实测数据、NWP数据以及气象实测数据；

(2)对上述三类数据进行预处理，从而得到大量以时间序列形式的数据样本，每组数据样本包含固定长度时间对应的风电功率实测数据序列、NWP数据序列以及气象实测数据序列；

(3)将所有数据样本分成训练集和测试集；

(4)搭建基于神经网络的预测模型，其采用多层的前向神经网络，包括输入层、隐含层和输出层，其中输入层的神经元数量为NWP气象特征的数量，中间隐含层通过非线性激活函数及嵌套运算对NWP数据进行特征提取，输出层作为风电功率的预测输出；

(5)利用训练集样本中的NWP数据序列作为模型输入，风电功率实测数据序列和气象实测数据序列作为真值标签，对网络模型进行训练；

(6)将测试集样本中的NWP数据序列输入训练好的预测模型中，即可直接输出得到风电功率和气象的预测结果。

2.根据权利要求1所述的风电功率预测方法，其特征在于：所述风电功率实测数据和气象实测数据由风电场的SCADA***采集获得，NWP数据从相关第三方公司获得；所述NWP数据每日更新且提供未来7日的预测数据，步骤(1)中采集的NWP数据取每日数据更新时间点未来24小时的数据，以提高NWP数据质量。

3.根据权利要求1所述的风电功率预测方法，其特征在于：所述步骤(2)的具体实施方式为：首先将三类数据以24小时为固定长度分成多段，每段中的数据值以15分钟为间隔，整合成时间序列的形式；然后识别数据序列中重复值、异常值以及因清洗风电机组造成空值，进而采用相关性分析对这些值进行替换或填充；最后对所有数据序列进行归一化，即将序列中的数据值统一映射到[0，1]区间上。

4.根据权利要求1所述的风电功率预测方法，其特征在于：采集目标区域过去一年内的风电场数据，将前9个月的数据样本作为训练集，后3个月的数据样本作为测试集。

5.根据权利要求1所述的风电功率预测方法，其特征在于：所述前向神经网络采用5层隐含层H1～H5，H1～H5的神经元数量分别为100、50、40、20、10，提取H3中最后4个神经元的输出即作为气象的预测结果，对应风电机组轮毂高处的风速、气温、气压、相对湿度共4项输出特征。

6.根据权利要求5所述的风电功率预测方法，其特征在于：从隐含层中提取的气象预测结果同时也将输入后续的隐含层，参与后续的特征提取。

7.根据权利要求1所述的风电功率预测方法，其特征在于：所述隐含层中非线性激活函数采用ReLU函数与Sigmoid函数搭配实现。

8.根据权利要求1所述的风电功率预测方法，其特征在于：所述步骤(5)的具体实施方式如下：

5.1初始化模型参数，包括每一层的偏置向量和权值矩阵、学习率以及优化器；

5.2将训练集样本中的NWP数据序列输入至模型，模型正向传播输出得到对应风电功率和气象的预测结果，计算预测结果与真值标签之间的损失函数L；

5.3根据损失函数L利用优化器通过随机梯度下降(Stochastic Gradient Descent，SGD)法对模型参数不断迭代更新，直至损失函数L收敛，训练完成。

9.根据权利要求8所述的风电功率预测方法，其特征在于：训练过程中优化器采用Adam算法，并采用BP算法进行梯度求解。

10.根据权利要求8所述的风电功率预测方法，其特征在于：所述损失函数L的表达式如下：

其中：P_pred,i和,P_real,i分别表示第i时刻的风电功率预测值和风电功率实测值，C_i表示第i时刻的开机容量，W_pred,i和W_real,i分别表示第i时刻的气象预测值和气象实测值，β为权重系数，n为数据序列的长度。

Images