團(tuán)隊(duì)介紹

王晨，碩士研究生，主要研究方向?yàn)槿斯ぶ悄芗夹g(shù)在電力系統(tǒng)中的應(yīng)用，目前在參與國(guó)家自然科學(xué)基金等項(xiàng)目的研究。

寇鵬，副教授，博士生導(dǎo)師，主要研究方向?yàn)樾履茉窗l(fā)電與智能微電網(wǎng)、電機(jī)先進(jìn)控制、預(yù)測(cè)控制與智能控制等。近年來(lái)主持及參與了國(guó)家自然科學(xué)基金、企業(yè)合作研究等多項(xiàng)科研項(xiàng)目。在IEEE Transaction on Power Systems、IEEE Transactions on Energy Conversion、IEEE Transactions on Smart Grid、電力系統(tǒng)自動(dòng)化等本學(xué)科重要學(xué)術(shù)期刊以及重要國(guó)際會(huì)議（如IEEE CDC、IEEE PESGM 、ICCET、WCICA等）發(fā)表科研論文共計(jì)30余篇。

導(dǎo)語(yǔ)

本文提出了一種通過(guò)學(xué)習(xí)歷史風(fēng)速和歷史風(fēng)向中空間相關(guān)性和時(shí)間相關(guān)性信息，從而實(shí)現(xiàn)不同地理位置上多風(fēng)機(jī)各自本地風(fēng)速的預(yù)測(cè)方法。

該方法首先利用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）提取空間相關(guān)性信息，然后將蘊(yùn)含空間信息的特征序列交由簡(jiǎn)單循環(huán)單元（Simple Recurrent Unit，SRU）處理，進(jìn)而學(xué)習(xí)時(shí)間相關(guān)性信息。

在實(shí)際風(fēng)電場(chǎng)數(shù)據(jù)上的仿真測(cè)試表明：在多個(gè)不同的預(yù)測(cè)時(shí)域下，該方法與現(xiàn)有利用時(shí)空相關(guān)性的預(yù)測(cè)方法相比，不僅顯著減小了計(jì)算代價(jià)，而且提高了預(yù)測(cè)的準(zhǔn)確性。

項(xiàng)目研究背景

鑒于化石能源的不可再生性和其造成的環(huán)境壓力，新能源發(fā)電技術(shù)越來(lái)越受到世界各國(guó)的重視。風(fēng)力發(fā)電是新能源發(fā)電中重要的一部分，在2018年，全球風(fēng)電裝機(jī)容量規(guī)模達(dá)到597GW，中國(guó)的風(fēng)電裝機(jī)容量規(guī)模占據(jù)全球第一，超過(guò)200GW。

隨著風(fēng)電滲透率的不斷增加，由于風(fēng)速的隨機(jī)性和不確定性，風(fēng)電功率的波動(dòng)會(huì)對(duì)電網(wǎng)的安全性造成影響。風(fēng)電功率主要由風(fēng)速?zèng)Q定，準(zhǔn)確的風(fēng)速預(yù)測(cè)可用于指導(dǎo)設(shè)計(jì)高效的風(fēng)電控制策略，進(jìn)而減小對(duì)電網(wǎng)不利影響。但由于一個(gè)風(fēng)電場(chǎng)中的風(fēng)機(jī)廣泛分布在不同的地理位置上，每個(gè)風(fēng)機(jī)的風(fēng)速都不相同。

論文所解決的問(wèn)題及意義

在傳統(tǒng)風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)中，往往是將風(fēng)電場(chǎng)視作一個(gè)整體，進(jìn)而給出較大空間尺度下的單一整體風(fēng)速預(yù)測(cè)結(jié)果。但在實(shí)際風(fēng)電場(chǎng)中，多臺(tái)風(fēng)機(jī)分布在不同的地理位置上，其各自的本地風(fēng)速也存在明顯差異。

針對(duì)這一問(wèn)題，本文提出了一種集成預(yù)測(cè)模型，該集成預(yù)測(cè)模型可以精細(xì)化地預(yù)測(cè)風(fēng)電場(chǎng)中每臺(tái)風(fēng)機(jī)的本地風(fēng)速，為風(fēng)電場(chǎng)控制提供更為充分的信息，進(jìn)而提升風(fēng)電場(chǎng)控制的靈活性和最優(yōu)性。

論文方法及創(chuàng)新點(diǎn)

本文提出了一種基于深度學(xué)習(xí)的風(fēng)電場(chǎng)內(nèi)多風(fēng)機(jī)風(fēng)速集成預(yù)測(cè)模型，該模型學(xué)習(xí)多風(fēng)機(jī)間風(fēng)速和風(fēng)向的時(shí)空相關(guān)性。

在集成預(yù)測(cè)模型中，CNN負(fù)責(zé)多風(fēng)機(jī)風(fēng)速序列間空間相關(guān)性和風(fēng)向序列間空間相關(guān)性的建模。風(fēng)速和經(jīng)三角函數(shù)處理的風(fēng)向構(gòu)成三維輸入矩陣，此特征輸入矩陣與彩色圖像RGB三維通道的結(jié)構(gòu)類(lèi)似。而CNN非常適合處理具有類(lèi)似彩色圖像結(jié)構(gòu)的數(shù)據(jù)，所以在空間相關(guān)性方面使用CNN進(jìn)行空間特征提取。

RNN是一種專(zhuān)門(mén)用來(lái)處理具有時(shí)序特征數(shù)據(jù)的深度神經(jīng)網(wǎng)絡(luò)，RNN不僅具有并行處理能力，能極大地減小計(jì)算代價(jià)，而且可以有效地緩解梯度消失，解決長(zhǎng)期依賴(lài)問(wèn)題，所以將經(jīng)過(guò)CNN處理后、蘊(yùn)含空間信息的數(shù)據(jù)再輸入到SRU中進(jìn)行時(shí)間特征提取。

該時(shí)空集成預(yù)測(cè)模型的整體結(jié)構(gòu)如圖1所示，在預(yù)測(cè)時(shí)域?yàn)閔=1時(shí)，風(fēng)機(jī)組在某一時(shí)刻的預(yù)測(cè)輸出誤差熱力圖如圖2所示，編號(hào)1風(fēng)機(jī)在多個(gè)時(shí)刻的迭代預(yù)測(cè)結(jié)果如圖3所示。

圖1 集成預(yù)測(cè)模型結(jié)構(gòu)

圖2 風(fēng)機(jī)組在某一時(shí)刻的預(yù)測(cè)輸出誤差熱力圖

圖3 編號(hào)1風(fēng)機(jī)的風(fēng)速預(yù)測(cè)結(jié)果

結(jié)論

針對(duì)于在同一風(fēng)電場(chǎng)中不同地理位置分布的多風(fēng)機(jī)風(fēng)速預(yù)測(cè)問(wèn)題，本文提出了一種基于CNN和SRU集成預(yù)測(cè)模型的預(yù)測(cè)方法，通過(guò)仿真對(duì)比分析，可以得出以下結(jié)論：

1）與其他循環(huán)神經(jīng)網(wǎng)絡(luò)相比，SRU具有并行計(jì)算的能力，進(jìn)而顯著的減小了計(jì)算成本。并且在整個(gè)訓(xùn)練過(guò)程中，SRU一直保持著較大的梯度，可以有效的解決隨著網(wǎng)絡(luò)層次的增加帶來(lái)的梯度消失問(wèn)題。

2）通過(guò)學(xué)習(xí)風(fēng)速和風(fēng)向的時(shí)空相關(guān)性，首先提取空間特征，然后將蘊(yùn)含空間特征的數(shù)據(jù)輸入到多個(gè)SRU中提取時(shí)間特征，從而CNN和SRU的集成預(yù)測(cè)模型可以提取到十分豐富和有效的預(yù)測(cè)信息。

引用本文

王晨, 寇鵬. 基于卷積神經(jīng)網(wǎng)絡(luò)和簡(jiǎn)單循環(huán)單元集成模型的風(fēng)電場(chǎng)內(nèi)多風(fēng)機(jī)風(fēng)速預(yù)測(cè)[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(13): 2723-2735. Wang Chen, Kou Peng. Wind Speed Forecasts of Multiple Wind Turbines in a Wind Farm Based on Integration Model Built by Convolutional Neural Network and Simple Recurrent Unit. Transactions of China Electrotechnical Society, 2020, 35(13): 2723-2735.