日本在线www-日本在线播放一区-日本在线不卡免费视频一区-日本在线不卡视频-成人影院久久久久久影院-成人影院一区二区三区

王兆國(guó) 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(guó)家實(shí)驗(yàn)室（籌）

劉座銘 國(guó)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(guó)家實(shí)驗(yàn)室（籌）

李　靜 電網(wǎng)安全與節(jié)能國(guó)家重點(diǎn)實(shí)驗(yàn)室（中國(guó)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(guó)家實(shí)驗(yàn)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(dǎo)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(shí)。同期，我國(guó)提出全球能源互聯(lián)網(wǎng)戰(zhàn)略，實(shí)現(xiàn)風(fēng)能、光能、水能和火能互補(bǔ)的發(fā)展戰(zhàn)略[1]。國(guó)家能源局印發(fā)的《風(fēng)電發(fā)展“十三五”規(guī)劃》中明確指出，提高風(fēng)能比重，實(shí)現(xiàn)風(fēng)電由補(bǔ)充向替代能源轉(zhuǎn)變[2]。國(guó)家能源局發(fā)布風(fēng)電并網(wǎng)統(tǒng)計(jì)數(shù)據(jù)，2016年新增風(fēng)電裝機(jī)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(guī)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(jié)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(zhǔn)預(yù)測(cè)、電網(wǎng)的調(diào)度、運(yùn)行和控制帶來(lái)極大影響。僅2016年全社會(huì)用電量達(dá)59198億kW h，其中3.5%因電力預(yù)測(cè)的偏差，而白白消耗。

在電力預(yù)測(cè)方面，風(fēng)電功率預(yù)測(cè)是指風(fēng)電場(chǎng)風(fēng)力發(fā)電機(jī)發(fā)電功率的預(yù)測(cè)，按照時(shí)間劃分主要包含：超短期預(yù)測(cè)、短期預(yù)測(cè)、中期預(yù)測(cè)和長(zhǎng)期預(yù)測(cè)。超短期預(yù)測(cè)主要預(yù)測(cè)未來(lái)30min以內(nèi)數(shù)據(jù)，主要用于風(fēng)機(jī)智能控制及電能質(zhì)量評(píng)估。短期預(yù)測(cè)一般預(yù)測(cè)未來(lái)30min到72h，主要用于電力系統(tǒng)調(diào)度、電力系統(tǒng)穩(wěn)定和電能質(zhì)量控制。中期預(yù)測(cè)一般預(yù)測(cè)未來(lái)數(shù)周或數(shù)月，主要用于設(shè)備狀態(tài)評(píng)估和制定維修計(jì)劃。長(zhǎng)期預(yù)測(cè)是針對(duì)未來(lái)幾年的預(yù)測(cè)，主要用于發(fā)電廠投入決策和全年發(fā)電量預(yù)估。

按照預(yù)測(cè)方法劃分主要包含：持續(xù)法、時(shí)間序列分析法、卡爾曼濾波法、神經(jīng)網(wǎng)絡(luò)、機(jī)器學(xué)習(xí)模型和組合預(yù)測(cè)方法。持續(xù)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(yù)測(cè)的方法，常用于超短期預(yù)測(cè)。時(shí)間序列分析法[5,6]，主要通過(guò)系統(tǒng)采集的風(fēng)功率數(shù)據(jù)，按照時(shí)間序列擬合曲線建模，并基于模型預(yù)測(cè)。卡爾曼濾波法[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(xiàn)預(yù)測(cè)，此類算法主要用于實(shí)時(shí)在線計(jì)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(jì)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(tǒng)模式識(shí)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(yù)測(cè)[10]。依據(jù)機(jī)器學(xué)習(xí)模型完成風(fēng)功率預(yù)測(cè)的方法主要包含梯度提升[11]、支持向量機(jī)[12]、隨機(jī)森林[13]、K近鄰[14]等模型。組合預(yù)測(cè)[15-17]方法主要通過(guò)多種預(yù)測(cè)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(yù)測(cè)模型，該方法首先通過(guò)統(tǒng)計(jì)觀察歷史風(fēng)機(jī)功率數(shù)據(jù)，發(fā)現(xiàn)風(fēng)功率具有明顯季節(jié)變化特性，并基于季度風(fēng)電功率數(shù)據(jù)建立多工況的風(fēng)機(jī)預(yù)測(cè)模型。而對(duì)于同一時(shí)刻的多次天氣預(yù)報(bào)數(shù)據(jù)采用均值互補(bǔ)策略，消除偶然氣象數(shù)據(jù)的誤差。其次，利用構(gòu)建好的歷史風(fēng)電功率數(shù)據(jù)和氣象數(shù)據(jù)，建立隨機(jī)森林預(yù)測(cè)模型。實(shí)驗(yàn)結(jié)果表明，本文方法具有較小的預(yù)測(cè)誤差，適用于多工況復(fù)雜的風(fēng)電功率預(yù)測(cè)問(wèn)題。

2　基于隨機(jī)森林的風(fēng)功率預(yù)測(cè)模型

2.1　隨機(jī)深林模型建模過(guò)程

建立2001年Breiman提出隨機(jī)森林模型(RandomForest，RF)[18]。隨機(jī)森林模型是一個(gè)包含多個(gè)決策樹(shù)的分類器，以分類回歸樹(shù)（CART）作為元分類器，用Bootstrap完成有放回的重抽樣方法，從原始訓(xùn)練數(shù)據(jù)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(jié)果。隨機(jī)森林模型具有計(jì)算精度高、泛化誤差可控、收斂速度快、有效解決不平衡分類等優(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(jī)器學(xué)習(xí)比賽平臺(tái)聯(lián)合發(fā)起的GEFCom全球能源預(yù)測(cè)比賽之一的風(fēng)力發(fā)電預(yù)測(cè)，數(shù)據(jù)集包含發(fā)電量數(shù)據(jù)和氣象數(shù)據(jù)。發(fā)電量數(shù)據(jù)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(shù)據(jù)，清洗并歸一化處理后共18758條記錄。其中“date”參數(shù)表示數(shù)據(jù)采集時(shí)間，如“2009070100”表示為2009年7月1日0時(shí)。“wp1-7”表示7個(gè)參數(shù)歸一化后的7家風(fēng)電場(chǎng)的發(fā)電量數(shù)據(jù)，如“wp1 0.045”表示第一家風(fēng)電場(chǎng)發(fā)電量為0.045，數(shù)據(jù)樣例如表1所示。

表1 風(fēng)電功率數(shù)據(jù)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(jié)性周期變化。為了探尋風(fēng)電功率數(shù)據(jù)的季節(jié)性變化，本文將風(fēng)電功率數(shù)據(jù)按照季度刻畫風(fēng)電功率變化趨勢(shì)，如圖1所示。由圖1觀測(cè)可知，風(fēng)電功率數(shù)據(jù)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(dú)訓(xùn)練模型，以提高預(yù)測(cè)的精度。

圖1 風(fēng)電功率季節(jié)性變化趨勢(shì)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(jī)森林模型對(duì)發(fā)電量進(jìn)行預(yù)測(cè)，重要依據(jù)是氣象數(shù)據(jù)，數(shù)據(jù)中包含了風(fēng)的各項(xiàng)預(yù)報(bào)，包括風(fēng)向、風(fēng)速和相對(duì)的發(fā)電裝置的風(fēng)向分量。氣象數(shù)據(jù)中“date”參數(shù)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(shù)據(jù)。“h”參數(shù)表示未來(lái)某時(shí)刻數(shù)據(jù)，如“1”表示2009年7月1日1時(shí)預(yù)計(jì)的氣象數(shù)據(jù)；“u、v”分別表示相對(duì)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(biāo)準(zhǔn)化處理，將風(fēng)速數(shù)據(jù)轉(zhuǎn)化為0~10的數(shù)據(jù)；“wd(wind direction)”表示風(fēng)向數(shù)據(jù)，數(shù)據(jù)樣例如表2所示，每個(gè)風(fēng)電場(chǎng)氣象數(shù)據(jù)約10萬(wàn)條。

表2 氣象數(shù)據(jù)示例

氣象數(shù)據(jù)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(yù)測(cè)數(shù)據(jù)，因此每個(gè)時(shí)間點(diǎn)至多有四次氣象預(yù)報(bào)數(shù)據(jù)，數(shù)據(jù)示例如圖2所示。基于數(shù)據(jù)特性，部分氣象數(shù)據(jù)缺失，且同時(shí)刻多次預(yù)測(cè)數(shù)據(jù)均有浮動(dòng)誤差，為了提高預(yù)測(cè)準(zhǔn)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(yù)測(cè)數(shù)據(jù)的平滑處理。

圖2 平滑均值氣象數(shù)據(jù)

2.3　基于隨機(jī)森林的風(fēng)電功率預(yù)測(cè)流程

2001年，Breiman提出的隨機(jī)森林模型，對(duì)于風(fēng)電功率預(yù)測(cè)主要包含：數(shù)據(jù)清洗與建模、多工況數(shù)據(jù)分類、機(jī)器學(xué)習(xí)模型訓(xùn)練、實(shí)時(shí)氣象數(shù)據(jù)輸入、風(fēng)電功率預(yù)測(cè)等幾個(gè)模塊，如圖3所示。數(shù)據(jù)清洗與建模主要包含對(duì)天氣預(yù)報(bào)數(shù)據(jù)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(shù)據(jù)集，并依據(jù)已有的機(jī)器學(xué)習(xí)模型分別對(duì)不同工況的子數(shù)據(jù)集建模，形成多工況的數(shù)據(jù)預(yù)測(cè)模型。當(dāng)實(shí)時(shí)氣象數(shù)據(jù)作為數(shù)據(jù)輸入多工況風(fēng)電功率預(yù)測(cè)模型時(shí)，模型自動(dòng)預(yù)測(cè)并輸出預(yù)測(cè)的數(shù)據(jù)。

圖3 風(fēng)電功率預(yù)測(cè)流程圖

3　實(shí)驗(yàn)評(píng)估

3.1　實(shí)驗(yàn)平臺(tái)與數(shù)據(jù)集說(shuō)明

實(shí)驗(yàn)平臺(tái)采用航天聯(lián)志Aisino5230R服務(wù)器，雙CPU共32核，DDR3-32G內(nèi)存，4T硬盤，2MCache，前端總線1333Mhz， 實(shí)驗(yàn)環(huán)境為SKlearn[21]。為了檢驗(yàn)?zāi)Ｐ偷臏?zhǔn)確性和抗過(guò)擬合能力，按照比賽規(guī)則：訓(xùn)練數(shù)據(jù)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(shù)據(jù)和同時(shí)段的氣象數(shù)據(jù)，訓(xùn)練過(guò)程采用實(shí)則交叉驗(yàn)證方法防止過(guò)擬合。而測(cè)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(shù)據(jù)和氣象數(shù)據(jù)。按照?qǐng)D3的訓(xùn)練測(cè)試流程，模型輸入為測(cè)試集的氣象數(shù)據(jù)，預(yù)測(cè)風(fēng)電場(chǎng)的風(fēng)電功率。

3.2　評(píng)價(jià)指標(biāo)

均方根誤差（Root-Mean-Square Error，RMSE）是觀測(cè)值與真值偏差的平方和與觀測(cè)次數(shù)N比值的平方根。均方根誤差對(duì)觀測(cè)數(shù)據(jù)中的特大或者特小誤差反應(yīng)敏感，因此均方根誤差能夠很好的反應(yīng)出測(cè)量的精密度。在Kaggle[20]機(jī)器學(xué)習(xí)比賽中，均選擇RMSE作為模型評(píng)價(jià)標(biāo)準(zhǔn)。

3.3　實(shí)驗(yàn)評(píng)估

按照?qǐng)D3的系統(tǒng)測(cè)試流程，其預(yù)測(cè)結(jié)果與真值結(jié)果擬合度評(píng)估如圖4所示，其中橫坐標(biāo)為2011/1/1/1時(shí)至2012/6/28/12時(shí)間隔1小時(shí)對(duì)應(yīng)的氣象數(shù)據(jù)，縱坐標(biāo)為相應(yīng)時(shí)刻對(duì)應(yīng)的風(fēng)電功率。從圖4中觀測(cè)結(jié)果所示風(fēng)電功率的預(yù)測(cè)曲線和真值曲線擬合度良好。

圖4 真實(shí)值與測(cè)量值擬合實(shí)驗(yàn)

為了進(jìn)一步評(píng)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(jī)森林（Random Forest Regressor， RFR）、K最近鄰（K Neighbors Regressor，KNN）完成模型構(gòu)建和評(píng)估，并分別對(duì)七個(gè)風(fēng)電場(chǎng)風(fēng)電功率數(shù)據(jù)建模，并根據(jù)測(cè)試結(jié)果完成RSME評(píng)估，其檢測(cè)結(jié)果如表3所示。

由表3數(shù)據(jù)可知，本文提出基于不同季度數(shù)據(jù)和多工況預(yù)測(cè)模型在七個(gè)風(fēng)電場(chǎng)中預(yù)測(cè)結(jié)果均表現(xiàn)優(yōu)異，其中隨機(jī)森林模型的RSME為0.1371695，此結(jié)果優(yōu)于Kaggle[20]機(jī)器學(xué)習(xí)比賽第一名成績(jī)0.14566。

表3 模型算法評(píng)估

4　結(jié)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(xùn)練多工況的風(fēng)電功率預(yù)測(cè)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(yàn)結(jié)果表明本文方法優(yōu)于Kaggle測(cè)評(píng)比賽中第一名成績(jī)，可見(jiàn)本文數(shù)據(jù)建模方法、模型選擇和模型訓(xùn)練方面具有較好的特性，適合多工況復(fù)雜條件下的風(fēng)功率預(yù)測(cè)。

基金項(xiàng)目： 國(guó)家科技支撐計(jì)劃資助項(xiàng)目（2015BAK34B00）；國(guó)家電網(wǎng)公司科技項(xiàng)目互聯(lián)大電網(wǎng)一體化網(wǎng)絡(luò)分析計(jì)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(guó)（1986-），男，黑龍江七臺(tái)河人。現(xiàn)為清華大學(xué)信息技術(shù)研究院博士后，主要研究方向?yàn)殡娏Υ髷?shù)據(jù)智慧分析、網(wǎng)絡(luò)與信息安全。

參考文獻(xiàn)：

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

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

[3] 國(guó)家能源局. 2016年風(fēng)電并網(wǎng)運(yùn)行情況[Z]. 北京: 國(guó)家能源局, 2017.

[4] 李麗, 葉林. 基于改進(jìn)持續(xù)法的短期風(fēng)電功率預(yù)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 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(tǒng)信息安全》專刊第四輯