王兆國 清華大學(xué)信息技術(shù)研究院，清華大學(xué)信息科學(xué)技術(shù)國家實(shí)驗室（籌）

劉座銘 國網(wǎng)吉林省電力有限公司電力科學(xué)研究院

徐麗媛 清華大學(xué)信息技術(shù)研究院，清華大學(xué)信息科學(xué)技術(shù)國家實(shí)驗室（籌）

李　靜 電網(wǎng)安全與節能?chē)抑攸c(diǎn)實(shí)驗室（中國電力科學(xué)研究院）

薛一波 清華大學(xué)信息技術(shù)研究院，清華大學(xué)信息科學(xué)技術(shù)國家實(shí)驗室（籌）

1　引言

化石能源是目前全球主要消耗的能源，大量化石能源消耗導致環(huán)境污染、氣候變暖等諸多問(wèn)題。近幾年清潔能源的使用，大力發(fā)展可再生能源已經(jīng)成為全球共識。同期，我國提出全球能源互聯(lián)網(wǎng)戰略，實(shí)現風(fēng)能、光能、水能和火能互補的發(fā)展戰略[1]。國家能源局印發(fā)的《風(fēng)電發(fā)展“十三五”規劃》中明確指出，提高風(fēng)能比重，實(shí)現風(fēng)電由補充向替代能源轉變[2]。國家能源局發(fā)布風(fēng)電并網(wǎng)統計數據，2016年新增風(fēng)電裝機容量1930萬(wàn)kW，風(fēng)電發(fā)電量2410億kW h[3]，可見(jiàn)風(fēng)電正在逐步大規模并入電網(wǎng)。但風(fēng)力發(fā)電易受到風(fēng)向、風(fēng)速、時(shí)間、季節等環(huán)境因素影響，具有間歇性和波動(dòng)性等特性。這些多變因素給風(fēng)力發(fā)電量精準預測、電網(wǎng)的調度、運行和控制帶來(lái)極大影響。僅2016年全社會(huì )用電量達59198億kW h，其中3.5%因電力預測的偏差，而白白消耗。

在電力預測方面，風(fēng)電功率預測是指風(fēng)電場(chǎng)風(fēng)力發(fā)電機發(fā)電功率的預測，按照時(shí)間劃分主要包含：超短期預測、短期預測、中期預測和長(cháng)期預測。超短期預測主要預測未來(lái)30min以?xún)葦祿?，主要用于風(fēng)機智能控制及電能質(zhì)量評估。短期預測一般預測未來(lái)30min到72h，主要用于電力系統調度、電力系統穩定和電能質(zhì)量控制。中期預測一般預測未來(lái)數周或數月，主要用于設備狀態(tài)評估和制定維修計劃。長(cháng)期預測是針對未來(lái)幾年的預測，主要用于發(fā)電廠(chǎng)投入決策和全年發(fā)電量預估。

按照預測方法劃分主要包含：持續法、時(shí)間序列分析法、卡爾曼濾波法、神經(jīng)網(wǎng)絡(luò )、機器學(xué)習模型和組合預測方法。持續法[4]是通過(guò)將最近時(shí)刻的歷史風(fēng)速值作為下一刻預測的方法，常用于超短期預測。時(shí)間序列分析法[5,6]，主要通過(guò)系統采集的風(fēng)功率數據，按照時(shí)間序列擬合曲線(xiàn)建模，并基于模型預測?？柭鼮V波法[7,8]主要通過(guò)單一序列建立模型，基于卡爾曼濾波器原理實(shí)現預測，此類(lèi)算法主要用于實(shí)時(shí)在線(xiàn)計算。神經(jīng)網(wǎng)絡(luò )方法[9]，如BP神經(jīng)網(wǎng)絡(luò )等，是基于并行信息計算的算法模型，通過(guò)仿生物學(xué)原理利用神經(jīng)元互通互聯(lián)提升系統模式識別能力，最新進(jìn)展利用深度神經(jīng)網(wǎng)絡(luò )方法完成風(fēng)功率預測[10]。依據機器學(xué)習模型完成風(fēng)功率預測的方法主要包含梯度提升[11]、支持向量機[12]、隨機森林[13]、K近鄰[14]等模型。組合預測[15-17]方法主要通過(guò)多種預測方法組合的方法，進(jìn)而提高精度、減小誤差。

本文提出一種新型的風(fēng)功率預測模型，該方法首先通過(guò)統計觀(guān)察歷史風(fēng)機功率數據，發(fā)現風(fēng)功率具有明顯季節變化特性，并基于季度風(fēng)電功率數據建立多工況的風(fēng)機預測模型。而對于同一時(shí)刻的多次天氣預報數據采用均值互補策略，消除偶然氣象數據的誤差。其次，利用構建好的歷史風(fēng)電功率數據和氣象數據，建立隨機森林預測模型。實(shí)驗結果表明，本文方法具有較小的預測誤差，適用于多工況復雜的風(fēng)電功率預測問(wèn)題。

2　基于隨機森林的風(fēng)功率預測模型

2.1　隨機深林模型建模過(guò)程

建立2001年Breiman提出隨機森林模型(RandomForest，RF)[18]。隨機森林模型是一個(gè)包含多個(gè)決策樹(shù)的分類(lèi)器，以分類(lèi)回歸樹(shù)（CART）作為元分類(lèi)器，用Bootstrap完成有放回的重抽樣方法，從原始訓練數據中抽取多個(gè)樣本子集進(jìn)行決策樹(shù)建模，通過(guò)多個(gè)決策樹(shù)基于投票原則得出最終結果。隨機森林模型具有計算精度高、泛化誤差可控、收斂速度快、有效解決不平衡分類(lèi)等優(yōu)點(diǎn)。

2.2　基于時(shí)間序列的風(fēng)電功率建模

IEEE與Kaggle[20]機器學(xué)習比賽平臺聯(lián)合發(fā)起的GEFCom全球能源預測比賽之一的風(fēng)力發(fā)電預測，數據集包含發(fā)電量數據和氣象數據。發(fā)電量數據為2009/7/1/1時(shí)至2010/12/31/24時(shí)之間以1小時(shí)為時(shí)段記錄，分別由七家發(fā)電站產(chǎn)生的真實(shí)發(fā)電量數據，清洗并歸一化處理后共18758條記錄。其中“date”參數表示數據采集時(shí)間，如“2009070100”表示為2009年7月1日0時(shí)?！皐p1-7”表示7個(gè)參數歸一化后的7家風(fēng)電場(chǎng)的發(fā)電量數據，如“wp1 0.045”表示第一家風(fēng)電場(chǎng)發(fā)電量為0.045，數據樣例如表1所示。

表1 風(fēng)電功率數據示例

風(fēng)電功率受限于風(fēng)資源的變化，而風(fēng)能資源易受到海陸熱力差異、行星風(fēng)帶位置移動(dòng)、風(fēng)季環(huán)流等方面的影響，而形成季節性周期變化。為了探尋風(fēng)電功率數據的季節性變化，本文將風(fēng)電功率數據按照季度刻畫(huà)風(fēng)電功率變化趨勢，如圖1所示。由圖1觀(guān)測可知，風(fēng)電功率數據具有明顯季度變化特性，因此在建模時(shí)，分別按照不同季度單獨訓練模型，以提高預測的精度。

圖1 風(fēng)電功率季節性變化趨勢圖

2.3　基于滑動(dòng)均值的氣象信息模型

建立2001年Breiman提出隨機森林模型對發(fā)電量進(jìn)行預測，重要依據是氣象數據，數據中包含了風(fēng)的各項預報，包括風(fēng)向、風(fēng)速和相對的發(fā)電裝置的風(fēng)向分量。氣象數據中“date”參數表示采集時(shí)間，如“2009070100”表示為2009年7月1日0時(shí)發(fā)布的氣象數據?！癶”參數表示未來(lái)某時(shí)刻數據，如“1”表示2009年7月1日1時(shí)預計的氣象數據；“u、v”分別表示相對于的發(fā)電裝置的風(fēng)向分量；“ws（wind speed）”表示風(fēng)速，通過(guò)標準化處理，將風(fēng)速數據轉化為0~10的數據；“wd(wind direction)”表示風(fēng)向數據，數據樣例如表2所示，每個(gè)風(fēng)電場(chǎng)氣象數據約10萬(wàn)條。

表2 氣象數據示例

氣象數據每日兩次分別于0時(shí)及12時(shí)發(fā)布，每次發(fā)布未來(lái)48小時(shí)的氣象預測數據，因此每個(gè)時(shí)間點(diǎn)至多有四次氣象預報數據，數據示例如圖2所示?；跀祿匦?，部分氣象數據缺失，且同時(shí)刻多次預測數據均有浮動(dòng)誤差，為了提高預測準確性，減小偶然誤差，本文采取滑動(dòng)平均值方法完成氣象預測數據的平滑處理。

圖2 平滑均值氣象數據

2.3　基于隨機森林的風(fēng)電功率預測流程

2001年，Breiman提出的隨機森林模型，對于風(fēng)電功率預測主要包含：數據清洗與建模、多工況數據分類(lèi)、機器學(xué)習模型訓練、實(shí)時(shí)氣象數據輸入、風(fēng)電功率預測等幾個(gè)模塊，如圖3所示。數據清洗與建模主要包含對天氣預報數據的平滑均值處理和基于時(shí)間序列的風(fēng)電功率分析，得到多工況的多個(gè)子數據集，并依據已有的機器學(xué)習模型分別對不同工況的子數據集建模，形成多工況的數據預測模型。當實(shí)時(shí)氣象數據作為數據輸入多工況風(fēng)電功率預測模型時(shí)，模型自動(dòng)預測并輸出預測的數據。

圖3 風(fēng)電功率預測流程圖

3　實(shí)驗評估

3.1　實(shí)驗平臺與數據集說(shuō)明

實(shí)驗平臺采用航天聯(lián)志Aisino5230R服務(wù)器，雙CPU共32核，DDR3-32G內存，4T硬盤(pán)，2MCache，前端總線(xiàn)1333Mhz， 實(shí)驗環(huán)境為SKlearn[21]。為了檢驗模型的準確性和抗過(guò)擬合能力，按照比賽規則：訓練數據集為2009/7/1/1時(shí)至2010/12/31/24時(shí)，間隔為1小時(shí)的風(fēng)電功率數據和同時(shí)段的氣象數據，訓練過(guò)程采用實(shí)則交叉驗證方法防止過(guò)擬合。而測試集為2011/1/1/1時(shí)至2012/6/28/12時(shí)間隔1小時(shí)的風(fēng)電功率數據和氣象數據。按照圖3的訓練測試流程，模型輸入為測試集的氣象數據，預測風(fēng)電場(chǎng)的風(fēng)電功率。

3.2　評價(jià)指標

均方根誤差（Root-Mean-Square Error，RMSE）是觀(guān)測值與真值偏差的平方和與觀(guān)測次數N比值的平方根。均方根誤差對觀(guān)測數據中的特大或者特小誤差反應敏感，因此均方根誤差能夠很好的反應出測量的精密度。在Kaggle[20]機器學(xué)習比賽中，均選擇RMSE作為模型評價(jià)標準。

3.3　實(shí)驗評估

按照圖3的系統測試流程，其預測結果與真值結果擬合度評估如圖4所示，其中橫坐標為2011/1/1/1時(shí)至2012/6/28/12時(shí)間隔1小時(shí)對應的氣象數據，縱坐標為相應時(shí)刻對應的風(fēng)電功率。從圖4中觀(guān)測結果所示風(fēng)電功率的預測曲線(xiàn)和真值曲線(xiàn)擬合度良好。

圖4 真實(shí)值與測量值擬合實(shí)驗

為了進(jìn)一步評估算法和模型，選取普通最小二乘（Ordinary Least Square，OLS）、梯度提升（Gradient Boosting Regressor，GBR）、隨機森林（Random Forest Regressor， RFR）、K最近鄰（K Neighbors Regressor，KNN）完成模型構建和評估，并分別對七個(gè)風(fēng)電場(chǎng)風(fēng)電功率數據建模，并根據測試結果完成RSME評估，其檢測結果如表3所示。

由表3數據可知，本文提出基于不同季度數據和多工況預測模型在七個(gè)風(fēng)電場(chǎng)中預測結果均表現優(yōu)異，其中隨機森林模型的RSME為0.1371695，此結果優(yōu)于Kaggle[20]機器學(xué)習比賽第一名成績(jì)0.14566。

表3 模型算法評估

4　結語(yǔ)

本文方法充分考慮風(fēng)電特性，按照季度和多工況特性訓練多工況的風(fēng)電功率預測模型。該模型具有較好的擬合特性和較低的均方根誤差值，其實(shí)驗結果表明本文方法優(yōu)于Kaggle測評比賽中第一名成績(jì)，可見(jiàn)本文數據建模方法、模型選擇和模型訓練方面具有較好的特性，適合多工況復雜條件下的風(fēng)功率預測。

基金項目： 國家科技支撐計劃資助項目（2015BAK34B00）；國家電網(wǎng)公司科技項目互聯(lián)大電網(wǎng)一體化網(wǎng)絡(luò )分析計算支撐服務(wù)及關(guān)鍵技術(shù)研究（KY-SG-2016-031-JLDKY）

作者簡(jiǎn)介

王兆國（1986-），男，黑龍江七臺河人?，F為清華大學(xué)信息技術(shù)研究院博士后，主要研究方向為電力大數據智慧分析、網(wǎng)絡(luò )與信息安全。

參考文獻：

[1] 劉振亞. 全球能源互聯(lián)網(wǎng)[M]. 北京: 中國電力出版社, 2015.

[2] 國家能源局. 國家能源局關(guān)于印發(fā)《風(fēng)電發(fā)展“十三五”規劃》的通知[Z]. 北京: 國家能源局.

[3] 國家能源局. 2016年風(fēng)電并網(wǎng)運行情況[Z]. 北京: 國家能源局, 2017.

[4] 李麗, 葉林. 基于改進(jìn)持續法的短期風(fēng)電功率預測[J]. 農業(yè)工程學(xué)報, 2010, 26(12): 182-187.

[5] Wang J, Hu J. A robust combination approach for short-term wind speed forecasting and analysis–Combination of the ARIMA (Autoregressive Integrated Moving Average), ELM (Extreme Learning Machine), SVM (Support Vector Machine) and LSSVM (Least Square SVM) forecasts using a GPR (Gaussian Process Regression) model[J]. Energy, 2015, 93: 41 - 56.

[6] Lydia M, Kumar S S, Selvakumar A I, et al. Linear and non-linear autoregressive models for short-term wind speed forecasting[J]. Energy Conversion and Management, 2016, 112: 115 - 124.

[7] Chen K, Yu J. Short-term wind speed prediction using an unscented Kalman filter based state-space support vector regression approach[J]. Applied Energy, 2014, 113: 690 - 705.

[8] Zuluaga C D, Alvarez M A, Giraldo E. Short-term wind speed prediction based on robust Kalman filtering: An experimental comparison[J]. Applied Energy, 2015, 156: 321 - 330.

[9] Quan H, Srinivasan D, Khosravi A. Short-term load and wind power forecasting using neural network-based prediction intervals[J]. IEEE transactions on neural networks and learning systems, 2014, 25(2): 303 - 315.

[10] Hu Q, Zhang R, Zhou Y. Transfer learning for short-term wind speed prediction with deep neural networks[J]. Renewable Energy, 2016, 85: 83 - 95.

[11] Jiang Y, Xingying C, Kun Y U, et al. Short-term wind power forecasting using hybrid method based on enhanced boosting algorithm[J]. Journal of Modern Power Systems and Clean Energy, 2017, 5(1): 126 - 133.

[12] Liu Y, Sun Y, Infield D, et al. A hybrid forecasting method for wind power ramp based on Orthogonal Test and Support Vector Machine (OT-SVM)[J]. IEEE Transactions on Sustainable Energy, 2017, 8(2): 451 - 457.

[13] Lahouar A, Slama J B H. Hour-ahead wind power forecast based on random forests[J]. Renewable Energy, 2017, 109: 529 - 541.

[14] Yesilbudak M, Sagiroglu S, Colak I. A novel implementation of kNN classifier based on multi-tupled meteorological input data for wind power prediction[J]. Energy Conversion and Management, 2017, 135: 434 - 444.

[15] Yuan X, Tan Q, Lei X, et al. Wind power prediction using hybrid autoregressive fractionally integrated moving average and least square support vector machine[J]. Energy, 2017, 129: 122-137.

[16] Saleh A E, Moustafa M S, Abo-Al-Ez K M, et al. A hybrid neuro-fuzzy power prediction system for wind energy generation[J]. International Journal of Electrical Power & Energy Systems, 2016, 74: 384 - 395.

[17] Yuan X, Tan Q, Lei X, et al. Wind power prediction using hybrid autoregressive fractionally integrated moving average and least square support vector machine[J]. Energy, 2017, 129: 122 - 137.

[18] Breiman L. Random forests[J]. Machine learning, 2001, 45(1): 5 - 32.

[19] Krause J. Introduction to Bootstrap[M]. Introducing Bootstrap 4. Apress, 2016: 23 - 32.

[20] GEFCom2012. Global Energy Forecasting Competition 2012-Wind Forecasting[OL]. https://www.kaggle.com/c/GEF2012-wind-forecasting/leaderboard

[21] Scikit-learn. Scikit-learn[OL]. http://scikit-learn.org/stable/.

摘自《工業(yè)控制系統信息安全》專(zhuān)刊第四輯