人工智能在风电功率预测领域中的应用与展望

国电南瑞科技股份有限公司深圳分公司 熊 欢 王 坤 杜业冬 黄东晨

本文介绍了人工智能相关的人工神经网络、支持向量机、循环神经网络等模型在风电功率预测领域中的应用。结合国内外学者的相关研究工作，介绍了各模型的特色以及不足之处。然后，对未来的技术发展进行了展望，介绍了迁移学习和增量学习两种有潜力的人工智能算法。最后，本文指出人工智能技术要在风电功率预测领域中实习真正落地，需要对待预测的风电场做精细化的数据分析工作，并进行针对性建模。

世界经济的迅猛发展促进了能源利用方式的变革，绿色能源逐渐兴起。作为绿色的可再生能源，风力发电具有不可估量的商业化发展前景，对相关预测技术的研究也显得更加重要。然而，风资源的随机性、波动性和间歇性，给电力系统的稳定运行带来了极大的困扰与挑战，传统的风电功率预测技术已不足以解决上述问题。为此，亟需引入前沿的人工智能技术。人工智能是计算机科学的一个分支，致力于研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统。近年来，与人工智能相关的机器学习、深度学习等技术的迅猛发展为高精度风电功率预测技术的研究和落地提供了新的思路，带来了新的发展机遇。

1 人工智能在风电功率预测领域的应用

1.1 机器学习

机器学习是人工智能技术的核心研究方向，能够从有限的观测数据中自动学习出具有一般性的规律，并利用这些学到的规律对未知数据进行预测。当前较为主流的机器学习模型包括人工神经网络(Artificial Neural Network， ANN)、支持向量机(Support Vector Machine，SVM)等。

1.1.1 人工神经网络

ANN是由大量简单单元通过丰富和完善的连接而构成的高度非线性、自适应的网络，被用来模拟生物神经系统对真实世界物体的交互反应。与传统方法相比，ANN以其灵活的网络结构、更强的特征提取能力以及出色的非线性拟合能力成为风电功率预测领域的热门方法，当中以反向传播(Back propagation，BP)神经网络最为典型。范高锋等人介绍了基于数值天气预报的BP神经网络架构，该架构成功地将预测精度控制15%左右。为精简输入变量，周松林等人在训练BP神经网络前先利用主成分分析(Principle Component Analysis，PCA)法对原始数据进行了降维，从而降低了模型的复杂性，减少计算开销。然而，由于风能具有间歇性和随机性等特点以及风机输出功率受多种外部因素的影响，传统神经网络风电功率预测方法面临容易过拟合、收敛速度慢、容易陷入局部极小值等诸多问题。

1.1.2 支持向量机

SVM是一种以统计学理论为基础构建的机器学习算法。它具备优异的泛化性能，十分适合处理小样本问题。与ANN相比，它结构参数确定简单，也没有容易陷入局部极小值的问题，同时还克服了维数灾难等问题。王爽心等人将灰色预测算法与小世界化的SVM结合，对风电功率进行变权组合预测；李智等人则利用SVM选取回归函数，采用分位点回归技术预测风电功率波动区间。

1.2 深度学习

深度学习是从数据中学习表示的一种新方法，通过逐层堆叠，构建具有一定“深度”的模型，并通过学习算法让模型自动学习出深度的、本质的特征表示。深度学习近年来也被大量应用与风电功率预测领域中。其中，循环神经网络（Recurrent Neural Network，RNN）和卷积神经网络（Convolutional Neural Network，CNN）为当今最典型的两种深度学习模型。

1.2.1 循环神经网络

在很多应用场合中，网络的输入和当前时间的输入以及前期某些时刻的输出均存在一定程度的相关性。RNN是一类具有短期记忆能力的神经网络。它能够挖掘时间序列隐含的时序相关性，以便更充分地利用历史信息进行时间序列建模。然而，简单RNN存在模型训练相关的梯度消失或爆炸问题，长短期记忆(long short-term memory，LSTM)神经网络作为RNN的改进，能够通过自身特殊的结构设计，有效解决上述问题，从而真正有效地利用历史序列信息。目前，LSTM已经在自然语言处理、行为识别等诸多前沿领域中得到了广泛研究和应用。近年来，也有研究者将LSTM应用于风电功率预测领域中。QU Xiaoyun等人将PCA用于对风电功率预测相关输入进行降维，随后使用LSTM神经网络进行预测，具有一定的效果。GRU是LSTM的一种变体，相较LSTM，它的结构更加精简，参数较少因而能够更快收敛。Niu Z等人使用了GRU作为风电功率预测模型，并引入注意力机制，使得模型能够更加关注时间序列信息中更加关键的信息，提高预测精度。

1.2.2 卷积神经网络

卷积神经网络是一种深层前馈神经网络，具有局部连接、权重共享及汇聚的特性。卷积神经网络相较传统前馈神经网络参数更少，从而更易于学习。通过卷积神经网络，能够从原始数据中挖掘出本质的、高阶的特征。牛哲文、殷豪等人在神经网络模型的设计中均引入了一维CNN，这种做法使得模型能够抽取时间序列信息中最具精华、最有利用价值的信息，有助于提升模型的预测能力。黄睿等人则采用了一种更新的CNN——时间卷积神经网络(Temporal Convolution NetworksTCN)，获得了理想的预测效果。TCN相较传统CNN而言，针对时间序列问题进行了改进。其特有的因果空洞卷积在保证了模型因果性，在避免未来到过去的数据泄露的同时也能够增加感受野。此外，TCN还具有可并行处理、稳定的梯度以及更低的内存开销等优点。

2 未来技术展望

2.1 迁移学习

迁移学习是运用已有知识解决相似任务的一种新的机器学习方法，是一项潜力巨大的人工智能技术。当前电力系统中存在一些新建风电场，由于投入运营时间较短，缺乏足够的历史运行数据作为模型的训练数据。若此时能够通过使用迁移学习，将已投入较长时间的风电场训练模型直接迁移用于新建风电场的风电功率预测中，上述历史运行数据不足的问题将能够得到很好的解决。

2.2 增量学习

在一些具有实时性要求的风电功率预测场景中，在线建模能够方便模型利用到最近一段时间的数据，从而确保模型的时效性。然而，若在模型训练阶段对所有历史数据进行加载，将有可能带来巨大的计算开销，影响建模的效率。在风电功率预测领域中，增量学习算法能够做到在前期先利用部分历史搭建基础预测模型。在后期有新训练数据到来时，仅使用这些数据更新模型，从而满足在线建模的实时性需求。

结语：近年来，人工智能的发展日新月异，而相关新技术的引进也使得当今的风电功率预测的研究思路相较以往更加丰富和新颖。然而，目前发表的许多研究成果要实现真正落地，还有很长一段路要走。在风电功率预测相关的实际应用中，位置气候条件、风电场布局、地形地貌等因素导致了不同风电场拥有的数据基础不同。目前，很难找到一种适用于多个风电场的风电功率预测模型。在预测一个风电场的发电功率时，做一些精细化的数据分析工作，有针对性地构建合适的模型，是提高预测精度的一大关键途径。