基于ES-GRU-LSTM的风电场群功率预测

王佳钰，郝思鹏，李森文，王腾洲，张 伟

(南京工程学院，江苏 南京 211167)

目前，我国电力行业正从以火力发电为主的传统电力系统向低碳化的新型电力系统转型，高比例可再生能源将成为未来我国能源系统的主要发展方向。风能由于其绿色清洁、资源丰富等优势，得到了广泛的推广与运用。到2020年我国新增风电装机约为7000万千瓦，装机总量超过2.8亿千瓦，规模居全球首位。为在2060年实现碳中和这一宏伟目标，具有显著优势的风电占比将进一步增加。由于风能具有波动性与随机性，提高风电占比的同时也给电力系统的安全与稳定运行带来更高的要求，实现快速、准确地对风电功率做出预测并提前制定发电计划以便及时应对系统扰动成为未来的重要研究方向。

风电预测方法主要有三类：物理方法、统计方法以及人工智能。传统的物理方法受环境差异等影响实用性差，统计方法依赖于大量历史数据建立映射，均难以推广。而人工智能方法具有自学习、自适应强、大规模并行处理等优点，能探索训练数据的深层特征，在风电功率的短期与超短期预测中得到了广泛关注。文献[4]利用长短期记忆(Long-Short Term Memory，LSTM)模型实现风电功率短期预测，相较于统计方法模型，LSTM预测更精确、性能更优异，但结构复杂、训练时间有待缩减。文献[5]构建了一种特殊的门控循环单元(Gated Recurrent Unit，GRU)，研究表明大多场景下GRU的训练时间比LSTM短。文献[6]证明了组合模型的各项性能比单一模型更好，后续应重点研究如何有效组合模型以实现预期效果。文献[7]提出了一种改进LSTM模型与GRU模型组合的预测方法，两者分别进行运算再赋予不同权重，虽预测结果更精确，但预测时间较长，且模型各自独立运行并未充分结合二者优势。

为了同时提高风电场群功率预测的精度与速度，本文提出了一种ES-GRU-LSTM组合模型预测，为大规模海上风电接入风险评估及协调运行研究提供了一种优化的短期风电功率预测方法。针对前处理过程中出现的异常值，考虑到数据在时间上存在依赖关系，将其视作缺失值并利用指数平滑法(Exponential Smoothing, ES)求出的预测值来填补，增加了输入数据的可依赖度与平滑性。同时，在预测过程中引入GRU单元以优化模型运算速度，实现精度高、速度快的风电场群功率预测。

1 风电场群功率预测模型

1.1 指数平滑法

受极端天气或检修等影响海上风电厂停机可能会导致出力数据缺失，在信息存储与传输过程中也存在异常数据。本文将异常数据视作缺失处理，利用时序指数平滑法求出风电功率预测值进行填补，保证风电出力数据的可信度与平滑性。

指数平滑法是一种广泛应用于中短期预测的时序预测方法，原理是对前期的数据进行加权平均得到未来的预测结果，基本公式如式(1)所示：

=·+(1-)·-1

(1)

式中：、-1分别为时刻、-1时刻的平滑值，为平滑权数介于0到1之间，为时刻的实际值，-1为-1时刻的平滑值。

在使用指数平滑法进行预测来填补缺失数据时，初始平滑值选取异常点前一小时采样数据的平均值。本文采取试算法选取平滑权数，根据待填充点前的一段时间序列大致确定权数区间，再取不同的值来试算，采用误差最小的值作为平滑权数。

相较于使用ES预测整个风电场数据的传统方法，针对数据缺失与异常点进行预测，大大减少了运行时间，增加了数据平滑性；相较于直接人工填充、中位数填充等处理方法，改进措施降低了经验性与主观性，使输入组合预测模型的数据更为可靠。

1.2 长短期记忆网络

LSTM是一种带记忆遗忘模式的时间循环神经网络，为解决时序预测中梯度消失、梯度爆炸引发的长期记忆丢失等问题提供了更好的解决方法。针对梯度消失，LSTM引入独特的门机制，选择性地添加或删除信息；针对短期记忆覆盖长期记忆，LSTM引入一个类似“传送带”的细胞状态来存储长期记忆，并与门结构配合过滤信息，从而控制长期记忆。与RNN、GRU相比，LSTM预测精度更高，但训练过程略复杂，程序运行时间较长。

LSTM由遗忘门、输入门和输出门来保存过往信息，图1为用于风电场群功率预测的LSTM模型单元结构。

图1 LSTM模型单元结构图

计算见式(2)至式(8)：

(2)

=(·[-1,]+)

(3)

=(·[-1,]+)

(4)

=tanh(·[-1,]+)

(5)

(6)

=·-1+·

(7)

=(·[-1,]+)

(8)

式中：为sigmoid激活函数，为最后一层神经元被舍弃的概率，为遗忘门权重矩阵，为偏差向量，和为输入门输出的信息即当前要保留的信息比，与为输出门权重矩阵，与为偏差向量，为输出门权重矩阵，为偏差向量，为输出门得到的结果，仅为通过运算决定输出的部分。

最终得到的风电场群功率预测结果计算公式如式(9)所示：

=·tanh()

(9)

1.3 门控循环单元

GRU作为循环神经网络的一种，其更新门相当于长短记忆网络中遗忘门与输入门的整合，并且隐藏状态和细胞状态也合为一体，可视作LSTM的一种简化版本。相比LSTM，GRU模型更容易训练，大大提高训练效率，应用更为广泛。图2为用于风电场群功率预测的GRU单元结构：

图2 GRU模型单元结构图

GRU中的重置门选择接受或舍弃历史状态，其值趋近于0时表示遗忘上个状态信息-1，将隐藏状态作为此时输入的信息，由更新门选择是否更新。更新门、重置门、隐藏状态与最终时刻GRU输出结果的计算步骤如式(10)至式(13)所示：

=(·[-1,])

(10)

=(·[-1,])

(11)

=tanh(·[·-1,])

(12)

=(1-)·-1+·

(13)

式中：、分别为更新门、重置门的权重矩阵，为相应权重参数。

1.4 组合预测模型

考虑到预测效率和准确性等多方面要求，提出了一种基于ES-GRU-LSTM的组合模型对风电场群功率进行预测，采用指数平滑(ES)对个别点处数据做出预估并填补，修正异常数据；将门控循环单元(GRU)与长短期记忆网络(LSTM)相结合，对ES处理过的数据进行出力预测，实现精度高、速度快的功率预测。图3为组合模型结构图。

图3 ES-GRU-LSTM模型结构

模型的网络结构主要分为三层，第一层为ES层，ES模型对原始数据集中的异常值和缺失值所在点进行针对性预测和填补，提高了输入模型数据的可信度和平滑性。组合模型的第二层为GRU层，发挥了GRU参数较少、结构较为简单的优势，提高训练速度，缩短模型的训练时间及测试时间，从而保证组合模型预测出力的快速性。第三层为LSTM层，由于LSTM模型参数较多，结构相对复杂，数据预测具有较高的准确性。因此本文提出一种ES-GRU-LSTM组合模型，采用ES层优化处理数据集，并结合GRU训练速度快与LSTM预测准确性高的特点，优化改进风电场群功率的预测方法。

2 算例分析

使用江苏省盐城市5座海上风电场的出力数据作为原始数据集，时间跨度为2020年1月1日0点0分至2020年12月31日24时55分，分辨率为5分钟。其中，装机容量为400 MW的龙源丰海风电场、400 MW的华能丰海风电场、300 MW的上电亮海风电场和300 MW的三峡丰海风电场位于盐城市大丰区毛竹沙海域，装机容量为300 MW的国华华海风电场位于盐城东台市北条子泥海域。由于5座风电场地理距离较近，且与用电中心的电气距离较远，在一定程度上，受海上天气的影响趋势也有相似之处，可以近似看作具有强相关性的海上风电场群，总装机容量为1700 MW。

2.1 数据处理

将异常数据视作缺失值一同处理，通过指数平滑法由前期数据求出异常点处的预测值进行填充，得到初步处理后的海上风电场群2020年每五分钟采样功率数据；为了防止传感器失效等因素放大误差影响算例实验结果，本文降低分辨率每小时一个采样点，最终得到了8760个可用的风电功率数据。ES处理后的风电场群出力曲线如图4所示。

图4 风电场群出力曲线

2.2 评价指标

本文提出ES-GRU-LSTM组合模型对风场场群功率预测，综合考虑预测精度和预测速度，采用平均绝对误差(Mean Absolute Error，MAE)和均方根误差(Root Mean Square Error，RMSE)作为性能评价指标；为了更直观地体现各模型的相对预测性能，用*、*表示标幺化后的风电功率预测指标，计算公式如下：

(14)

(15)

(16)

(17)

模型预测可分为训练和测试两部分，在评价模型预测速度时，本文采用训练时间和测试时间作为评价标准。

2.3 实验过程

实验硬件平台的CPU为AMD Ryzen 5 4600H，GPU为GTX1650，操作系统为Windows10。程序通过Anaconda搭建Python3.7+TensorFlow2.1.0+Keras1.0.8虚拟环境，模型流程如图5所示。

图5 ES-GRU-LSTM流程图

实验步骤如下：

(1)采用ES处理数据，修正异常值、填补缺失值，生成风电场群每一小时采样功率数据集；

(2)取前7800个的功率值作为训练集，后960个作为验证集和测试集，并归一化处理；

(3)将数据输入GRU-LSTM模型进行训练，设置循环核时间展开步数为60，即用前60个数据预测第61个数据，GRU网络层数为16，LSTM网络层数为32，单一模型与组合模型均训练10轮；

(4)测试集输入组合模型进行预测；

(5)分别对预测数据和真实数据进行还原，反归一化到原始范围；

(6)使用评价指标分析、对比模型，输出风电场群功率预测结果。

预测结果如图6所示。

图6 ES-GRU-LSTM功率预测结果图

从预测结果中看出，采用的ES-GRU-LSTM组合模型的预测结果基本符合真实数据的变动趋势，预测值与真实值相差不大，在出力上升或下降过程中甚至能基本拟合，证明该方法较为准确。

2.4 对比分析

分别采用LSTM、GRU和ES-GRU-LSTM对风电场群功率进行预测，分析对比三种模型下的预测结果。不同模型功率预测的结果对比如图7所示。

图7 不同模型功率预测对比图

性能评价指标对比如表1所示。

表1 评价指标对比

从图7中可以看出，与GRU、LSTM单一模型相比，提出的ES-GRU-LSTM组合模型预测结果最为接近真实值，能更好地跟随风电场群功率的改变趋势。分析不同模型的评价指标可知，采用ES处理数据集修正异常值，再通过GRU优化LSTM网络，一方面ES-GRU-LSTM模型的平均绝对误差、均方根误差相比单一的GRU模型和LSTM模型均有所降低，证明ES-GRU-LSTM模型的预测精度高于传统单一模型；另一方面，ES-GRU-LSTM模型的训练时间和测试时间相较于传统的LSTM模型都有所减少，证明GRU的引入改善了模型预测速度。因此，相较于传统的GRU、LSTM单一模型，本文所提的ES-GRU-LSTM模型预测兼具快速性与准确性，综合性能得到了显著提高。

3 结 论

综合考虑目前短期风电功率预测快速性与精确性的要求，本文提出一种ES-GRU-LSTM组合模型对海上风电场群功率进行预测。首先，在处理数据时采用ES修正海上风电功率数据集，提高了功率数据的可信度与平滑性。其次，引入GRU对传统的LSTM单一模型进行改进，得到的ES-GRU-LSTM模型将GRU训练速度快与LSTM预测准确性好的优势相结合。最后，采用ES-GRU-LSTM组合模型预测风电场群功率，并与单一的GRU、LSTM模型比较。结果表明，ES-GRU-LSTM模型预测精度更高，且预测速度得到改善。