基于RF-TCN-SA的风电功率超短期预测及误差修正方法

技术领域

本发明属于风电功率预测技术领域，具体涉及基于RF-TCN-SA的风电功率超短期预测及误差修正方法。

背景技术

风力发电由于具有开发技术较为成熟、建设周期短以及可靠性较高等优点，逐渐成为实现能源结构转型及绿色可持续发展的主力军。但由于风能具有显著的波动性、随机性及间歇性，对电力系统的安全稳定运行产生巨大挑战，而准确的风电功率预测技术能够为电力系统调度工作及发电厂发电、检修计划提供数据参考，对减小风电不稳定性影响以及提高风电消纳能力等具有重要意义。

一般，风电功率预测主要可分为物理模型、统计模型及人工智能模型三大类。物理模型通常无需对场站历史数据进行训练，凭借数值天气预报数据(NWP)及风电场地形、地貌等数据进行风电功率预测，模型较为复杂、可移植性差；统计模型如时间序列法、回归分析法等，通过对大量历史数据进行学习，建立自变量与因变量间的映射关系，从而实现风电功率预测，具有输入简单、建模较为容易且运算效率高等优点，但其建立以风电功率序列有较强延续性及相关性，且短期内影响风电功率的气象因素不会改变为前提，在实际生活中这两个条件往往难以满足，故误差较大；人工智能神经网络如支持向量机、人工神经网络算法等，直接通过建立输入与输出之间的复杂映射关系实现对未来数据的预测，具有较强非线性拟合能力、自适应能力及表达能力，适用于输入输出参数较多且原理不明的预测场景。

近年来，随着深度学习的不断发展，循环神经网络(RNN)、长短期记忆神经网络(LSTM)、门控循环单元神经网络(GRU)等由于具有更为优异的数据挖掘及复杂函数拟合能力，在风电功率预测方面得到了广泛应用。但RNN在训练过程中易存在长期依赖、梯度消失、梯度爆炸等问题，LSTM、GRU采用了特殊的门结构来缓解这一问题。但LSTM、GRU仍采用循环结构，只能顺序处理数据，导致预测效率低。

发明内容

本发明的目的是提供基于RF-TCN-SA的风电功率超短期预测及误差修正方法，解决了现有技术预测精度及效率低的问题。

本发明所采用的技术方案是，基于RF-TCN-SA的风电功率超短期预测及误差修正方法，具体按照以下步骤实施：

步骤1，采集风电场历史风电功率数据进行预处理；

步骤2，对步骤1处理后的历史电功率数据进行特征选择，经归一化处理后构建特征样本集，将特征样本集分为训练集和测试集；

步骤3，构建改进TCN风电功率预测模型，将训练集输入改进TCN风电功率预测模型中进行训练，得到训练好的改进TCN风电功率预测模型；

步骤4，将测试集输入至训练好的改进TCN风电功率预测模型中后再经过全连接层后输出风电功率初步预测值；

步骤5，计算风电功率预测误差序列；

步骤6，将风电功率预测误差序列进行预处理后输入改进TCN预测模型，得到风电功率误差预测值；

步骤7，将步骤4得到的风电功率初步预测值与步骤6得到的风电功率误差预测值进行叠加，得到最终风电功率预测值。

本发明的特点还在于，

步骤1中，历史风电功率数据包括风塔10m、30m、50m及70m高度的风速、风向数据，以及温度、湿度、气压数据。

步骤1的具体过程为：采用四分位法将历史风电功率数据按照轮毂风速大小以1m/s划分区间后进行异常值清洗，再采用拉格朗日插值法对清洗后数据集进行空值填充；

拉格朗日插值法对清洗后数据集进行空值填充的过程为：

若已知函数f(x)在n+1个插值节点a≤x

其中，l

步骤2的具体过程为：

步骤2.1，随机选出RF中某棵树l

其中，m

将随机赋值后的特征v

其中，O′

重复上述过程，计算各个特征的平均精度下降值，然后降序排列；

步骤2.2，对步骤2.1得到排序后的各个特征的平均精度下降值进行归一化处理；

离差归一化方法计算公式如下：

其中，f(x)

步骤2.3，将步骤2.2归一化处理后的平均精度下降值作为特征样本集，将样本集分为训练集和测试集。

步骤3中，改进TCN风电功率预测模型由改进TCN预测模型和SA模块组成；

改进TCN预测模型为采用Lookahead优化器替代TCN模型中原有的Adam优化器，采用PReLU激活函数替代TCN模型中原有的ReLU激活函数；

SA模块输出向量表示如下：

其中，Q指查询向量序列，K指键向量序列，V指值向量序列，d

步骤5中，风电功率预测误差序列的表达式为：

e＝P-P′ (12)

其中，P＝(y

步骤6的具体过程为：

步骤6.1，采用SG平滑法先对风电功率误差序列进行处理，得到平稳的风电功率误差序列；

步骤6.2，将步骤6.1得到的平稳的风电功率误差序列输入至改进TCN预测模型，得到风电功率误差预测值；

风电功率误差预测值的计算公式如下：

e′(t)＝f[e(t-T)，e(t-2T)，…，e(t-nT)](15)

其中，t为预测时间点，T为预测时间尺度，e′(t)为t时刻风电功率误差预测值。

步骤7中，最终风电功率预测值的表达式为：

P″＝P′+e′ (16)

其中，P″为修正后风电功率预测值，即最终输出风电功率值。

本发明的有益效果是：

(1)本发明方法采用改进TCN风电功率预测模型，采用Lookahead优化器及PReLU激活函数对原始TCN结构中的Adam优化器和ReLU激活函数，有效提高了TCN学习及收敛的性能，获得了比传统循环神经网络LSTM及GRU等更好的预测效果；

(2)本发明方法虑风电功率相关特征因素影响，采用RF及SA算法，分别通过筛选与风电功率强相关特征因素以及为模型不同时刻输出分配不同权重，有效提高了模型预测的性能，相比于各单一预测模型，获得了更高的预测精度；

(3)本发明方法进一步提高风电功率预测精度，采用改进TCN预测模型作为误差修正模型对风电功率预测误差序列进行学习，修正初步风电功率预测值，有效提高了风电功率超短期预测精度。

附图说明

图1为本发明于RF-TCN-SA的风电功率超短期预测及误差修正方法的流程图；

图2为现有TCN的结构示意图；

图3为本发明方法中改进TCN预测模型中残差块的结构示意图；

图4为本发明方法改进TCN风电功率预测模型的结构示意图；

图5为本发明方法实施例3中采用不同优化器及激活函数时TCN训练Loss函数图像；

图6为本发明方法预测结果图；

图7为本发明方法与LSTM、GRU、TCN、RF-TCN-SA五种预测模型预测结果对比。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

实施例1

本发明提供基于RF-TCN-SA的风电功率超短期预测及误差修正方法，如图1所示，具体按照以下步骤实施：

步骤1，采集风电场历史风电功率数据进行预处理；

其中，历史风电功率数据包括风塔10m、30m、50m及70m高度的风速、风向数据，以及温度、湿度、气压数据；

预处理具体过程为：

采用四分位法将历史风电功率数据按照轮毂风速大小以1m/s划分区间后进行异常值清洗，再采用拉格朗日插值法对清洗后数据集进行空值填充；

若已知函数f(x)在n+1个插值节点a≤x

其中，l

步骤2，采用RF算法对步骤1处理后的历史电功率数据进行特征选择，经归一化处理后构建特征样本集，将特征样本集分为训练集和测试集；

步骤2.1，随机选出RF中某棵树l

其中，m

将随机赋值后的特征v

其中，O′

重复上述过程，计算各个特征的平均精度下降值，然后降序排列；

步骤2.2，对步骤2.1得到排序后的各个特征的平均精度下降值进行归一化处理；

离差归一化方法计算公式如下：

其中，f(x)

步骤2.3，将步骤2.2归一化处理后的平均精度下降值作为特征样本集，将样本集分为训练集和测试集；

步骤3，构建改进TCN风电功率预测模型，将训练集输入改进TCN风电功率预测模型中进行训练，得到训练好的改进TCN风电功率预测模型；

如图4所示，改进TCN风电功率预测模型由改进TCN预测模型和SA模块组成(即训练集依次经过改进TCN预测模型、SA模块进行训练)，其中，改进TCN预测模型为采用Lookahead优化器替代TCN模型中原有的Adam优化器，避免器传统TCN易陷入局部最优解问题，提高模型学习收敛效果；采用PReLU激活函数替代TCN模型中原有的ReLU激活函数，解决ReLU激活函数“神经元坏死”问题，提高TCN逼近复杂非线性函数能力；

改进TCN风电功率预测模型采用的损失函数为MSE；

TCN模型主要由因果卷积、膨胀卷积以及残差连接三部分组成；因果卷积用于保证模型t时刻的输出y

如图2所示，TCN共为4层，每一层都由一个残差块组成，而每一个残差块都由因果膨胀卷积、权重归一化、激活函数、Dropout正则化、因果膨胀卷积、权重归一化、激活函数、Dropout正则化及一个一维卷积网络组成；

其结构如图3所示，本发明中改进TCN预测模型中的残差块个数为1，因果膨胀卷积层的卷积核个数设置为32，卷积核大小设置为2，膨胀系数设置为[1，2，4，8，16，32]，损失函数为MSE，迭代次数为30；Dropout正则化层中dropout rate设置为0.3；一维卷积网络卷积核个数设置为32，卷积核大小设置为1；

采用Lookahead优化器对改进TCN风电功率预测模型权值进行反向优化，首先将模型参数复制两份，分为快速、慢速权重，先由内循环优化器进行k次模型权值更新，并进行保存，然后通过观察内循环优化器所生成的快速序列权重选择搜索前进方向，再对慢速权重进行更新，保证模型的稳定性；

选用了Adam优化器作为内循环优化器，记为A(·)，设输入数据为d，则模型快速权值更新如下：

θ

其中，i为内循环优化器模型权重更新次数，i＝1,2,…,k，L表示模型目标函数，j为Lookahead优化器的训练次数，θ

然后根据所保存的k次序列权重通过指数加权平均算法更新慢速权重，即模型第j次训练权重：

其中，ω

然后将慢速权重重置：

θ

其中，θ

将改进TCN预测模型的输出结果直接输入SA模块(自注意力机制模块)，得到不同时刻输出信息分配的权重，重复上述过程，直至达到最大迭代次数则终止循环；

自注意力机制层输出向量表示如下：

其中，Q指查询向量序列，K指键向量序列，V指值向量序列，d

Lookahead优化器性能主要由内循环优化器向前同步周期sync_period及更新时慢速优化器权重所占比率slow_step_size两个参数控制，一般情况下slow_step_size设置为0.5，内循环优化器向前同步周期sync_period参数经实验对比后选择为6，即内循环优化器更新次数为6次，初始学习率lr设置为0.001；

PReLU激活函数的计算公式如下：

其中，β为PReLU激活函数所引入斜率，其初始值设置为0.1；

步骤4，将测试集输入至训练好的改进TCN风电功率预测模型中后再经过全连接层后输出风电功率初步预测值；

步骤5，计算风电功率预测误差序列，表达式为：

e＝P-P′ (12)

其中，P＝(y

步骤6，对步骤5得到的风电功率预测误差序列进行预处理后输入改进TCN预测模型，得到风电功率误差预测值；

步骤6.1，采用SG平滑法先对风电功率误差序列进行处理，得到平稳的风电功率误差序列；

SG平滑法本质是一种移动窗口的加权平均算法，通过式(13)对一个移动时间窗口内的n＝2m+1个数据点进行k阶多项式拟合：

y＝a

移动窗口n越大，则数据平滑效果越好，而多项式拟合阶数k越高，则越能够保持原始数据中更多的细节信息，设置移动窗口大小为5，多项式拟合阶数k设置为3；

然后使拟合数据点与原数据点残差平方和最小计算出采样窗口内中心点估计值，具体数据平滑计算公式如下：

其中，x

步骤6.2，将步骤6.1得到的平稳的风电功率误差序列输入至改进TCN预测模型，得到风电功率误差预测值；

风电功率误差预测值的计算公式如下：

e′(t)＝f[e(t-T)，e(t-2T)，…，e(t-nT)](15)

其中，t为预测时间点，T为预测时间尺度，e′(t)为t时刻风电功率误差预测值；

其中，改进TCN预测模型共4层，每层设置残差块个数为1，卷积核个数为32，卷积核大小为2，膨胀系数列表为[1，2，4，8，16，32]，优化器为Lookahead，激活函数为PReLU，损失函数为MSE，迭代次数为30；

步骤7，将步骤4得到的风电功率初步预测值与步骤6得到的风电功率误差预测值进行叠加，得到最终风电功率预测值；

最终风电功率预测值的表达式为：

P″＝P′+e′ (16)

其中，P″为修正后风电功率预测值，即最终输出风电功率值。

实施例2

以新疆某风电场2017年实测数据为例，取后两个月数据为测试集，其他数据为训练集，采用滑动窗口的方式构建输入数据集，以过去24小时的历史数据预测未来4小时的风电功率值，即滑窗长度为96。采用均方根误差(RMSE)、平均绝对误差(MAE)及决定系数(R2)为模型评价指标，计算公式如下：

其中，N为样本个数，y

经RF算法选择重要度排前六的特征因素，即测风塔70m、50m、30m风速数据及温度、湿度、气压数据结合风电功率历史数据作为改进TCN风电功率预测模型的输入。为验证Lookahead优化器及PReLU激活函数的有效性，对比了采用不同优化器及激活函数时模型预测效果，模型训练损失函数值如图5所示，由图5可以看出，当采用Lookahead优化器及PReLU激活函数时，模型收敛速度最快，且训练时损失函数值最小。TCN采用不同优化器及激活函数时模型各项评价指标如表1所示：

表1采用不同优化器及激活函数时模型评价指标

由表1也可以看出，改进TCN风电功率预测模型相比原始采用Adam优化器及ReLU激活函数时，模型的预测效果得到了有效提升，RMSE、MAE分别降低了2.2％、8％，R2提高了0.26％。

实施例3

发明所提方法预测结果如图6所示，为验证其有效性，分别建立了LSTM、GRU、TCN及RF-TCN-SA等四种风电功率预测模型进行对比实验，结果如图7所示，其各项评价指标如表2所示：

表2各预测模型评价指标

由表2及图6可以看出，本发明所提风电功率预测方法具有更为优异的表现，相比于传统循环神经网络LSTM、GRU，RMSE分别降低了25.3％、23.7％，MAE分别降低了30.2％、28.1％，R