莊霞

摘要：風(fēng)能作為一種可再生資源，在當前新能源快速發(fā)展的背景下得到了廣泛的應(yīng)用和開發(fā)，而風(fēng)能本身受限于風(fēng)的流動來提供能量，使其具有較強的隨機性和波動性?；诖吮疚膶娘L(fēng)電功率預(yù)測特點出發(fā)，探析風(fēng)電功率波動性，并研究基于誤差分類的風(fēng)電功率區(qū)間評估，以期準確可靠的預(yù)測風(fēng)電功率，降低運行成本，確保電力系統(tǒng)的安全。

關(guān)鍵詞：風(fēng)電功率;誤差分類;區(qū)間預(yù)測

引言：

國內(nèi)外對風(fēng)電功率的預(yù)測方法進行了大量的研究，物理方法需要收集大量的相關(guān)信息，而統(tǒng)計學(xué)方法可以建立影響風(fēng)電功率的關(guān)系模型來完成預(yù)測，不過單一預(yù)測的方式都存在精度較低的弊端。

1風(fēng)電功率預(yù)測的特點

風(fēng)作為影響風(fēng)電功率預(yù)測的關(guān)鍵因素，風(fēng)的特點關(guān)系到風(fēng)電功率預(yù)測的特點，除了風(fēng)之外，風(fēng)電功率還會被溫度、濕度、氣壓等因素影響，而這些因素都具有不確定性?？偨Y(jié)風(fēng)電功率預(yù)測的特點，有助于對風(fēng)電預(yù)測區(qū)間的選取提供幫助，其特點主要包括四點。第一點是不確定性，受風(fēng)速、風(fēng)向、氣壓等諸多因素的動態(tài)變化影響，不確定性是風(fēng)電功率預(yù)測的最重要特點;第二點是條件性，當待測時段影響因素變化不明顯時，整個風(fēng)電功率區(qū)間更為平穩(wěn)，反之當干擾明顯時，風(fēng)電功率區(qū)間波動很大;第三點是地域性，風(fēng)資源決定了影響因素的大致特點，比如我國東南沿海地區(qū)和“三北”地區(qū)都屬于風(fēng)資源密集地區(qū)，但是東南沿海天氣多變，風(fēng)電不確定性極強，風(fēng)電功率預(yù)測難度較大，而“三北”地區(qū)地形平坦、氣候變化溫和，風(fēng)電功率預(yù)測的模型和區(qū)間更容易構(gòu)建;第四點是多方案性，風(fēng)電功率有著多種方式，物理方法、統(tǒng)計學(xué)方法、基于預(yù)測誤差的分析方法、分位點估計法等，需要根據(jù)實際情況選取預(yù)測方法，本文就是研究基于誤差分類的風(fēng)電功率區(qū)間評估[1]。

2風(fēng)電功率波動性分析

研究風(fēng)電功率的波動性，就是研究風(fēng)電功率預(yù)測誤差的特點并對這些誤差數(shù)據(jù)進行分類，使評估誤差區(qū)間的范圍縮小且精度提升。風(fēng)電波動性需要從兩方面進行分析。一方面是根據(jù)風(fēng)電功率日波動量均值，結(jié)合過往風(fēng)電不確定性特點來量化描述，計算出風(fēng)電日功率波動量均值，從得到的數(shù)據(jù)結(jié)果可以看出風(fēng)電功率年度概率分布狀況，進而觀察風(fēng)電功率波動性情況，還需選擇某一采樣點作為基本對象，分析該采樣點的風(fēng)電功率年度概率分析。然后按照此方式依次對季度、月、周、日風(fēng)電功率波動特性進行分析，能夠展現(xiàn)出地區(qū)氣候特征以及日功率波動量誤差情況。一般來說夏季風(fēng)電功率波動性最為明顯，誤差概率分布較大。

另一方面需要分析在不同日期，相同時刻下風(fēng)電功率的波動性情況，根據(jù)風(fēng)電出力的變化率進行分析，反映不同日期氣候變化對風(fēng)電功率的影響，也就是出力變化率?？梢赃x取一年中每日12時出力數(shù)據(jù)分析風(fēng)電出力的波動性，在氣候變化明顯的地區(qū)風(fēng)電出力變化率有明顯的波動性，風(fēng)電功率預(yù)測誤差在0～20%，這是由于不同日期氣候變化對風(fēng)電功率的影響。

3基于誤差分類的風(fēng)電功率區(qū)間評估

3.1神經(jīng)網(wǎng)絡(luò)選擇

風(fēng)電功率受風(fēng)的流動不穩(wěn)定影響會產(chǎn)生較強的隨機性，這種隨機特點難以被一般的人工神經(jīng)網(wǎng)絡(luò)所預(yù)測，就會使得區(qū)間評估范圍不夠準確。因此選用LSTM長短期記憶人工神經(jīng)網(wǎng)絡(luò)，可以克服一般神經(jīng)網(wǎng)絡(luò)存在的對數(shù)據(jù)信息的長期依賴問題，增強對風(fēng)電功率時間序列動態(tài)變化的獲取能力。

3.2評估模型設(shè)計

構(gòu)建的模型需要能夠清楚預(yù)測誤差分布的狀態(tài)，并且在評估過程中能夠根據(jù)風(fēng)電功率的變化而進行預(yù)測變化。LSTM評估模型可以通過改變模型本身的數(shù)據(jù)信息來跟隨風(fēng)電功率的變化，進而測得區(qū)間內(nèi)的誤差分布情況，其中不能單獨考慮風(fēng)電功率或是預(yù)測誤差，如果單獨考慮兩者其中一方都會對評估造成影響，不過在LSTM模型的學(xué)習(xí)中可以分別針對這兩種情況所產(chǎn)生的的數(shù)據(jù)輸入評估模型，使LSTM神經(jīng)網(wǎng)絡(luò)獲得影響風(fēng)電波動的數(shù)據(jù)信息以及預(yù)測方法帶來的誤差分布情況。借助LSTM神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)特性，學(xué)習(xí)誤差在風(fēng)電功率區(qū)間的分布特性，并通過對風(fēng)電功率以及評估誤差的直接評估來得到相應(yīng)的誤差區(qū)間，再經(jīng)過不斷疊加得到的誤差區(qū)間，便可得到所需的區(qū)間結(jié)果。若是采用分布擬合方法，在預(yù)測誤差分布范圍較大時會對區(qū)間概率分布產(chǎn)生直接影響，而解決此狀況就需要選取合適的采樣間隔，采樣間隔過大就會導(dǎo)致部分誤差特征被掩蓋，而過小就會導(dǎo)致擬合結(jié)果不夠平滑，適宜的采樣間隔在隨機性和波動性的影響下很難準確找到。

在LSTM誤差評估模型設(shè)計時需要注重參數(shù)設(shè)置，比如輸入層維數(shù)、激活函數(shù)、輸出變量維數(shù)等。一般來說神經(jīng)元的數(shù)量越多，誤差評估的準確性越高，但模型的復(fù)雜程度和訓(xùn)練時間也會相應(yīng)增加，需要合理選取預(yù)測精度較高且用時較少的方案。

3.3仿真分析

確定設(shè)計模型后便可展開針對風(fēng)電功率區(qū)間誤差的評估分析，區(qū)間評估的關(guān)鍵在于評估誤差類別的準確率、評估區(qū)間覆蓋率以及評估區(qū)間平均價值。誤差類別的準確程度是由評估誤差與原始誤差的類別契合程度決定，兩者誤差類別越接近評估的精度就越高，兩者誤差類別越分離，精度就越低。

評估區(qū)間覆蓋率指的是風(fēng)電功率在評估區(qū)間的概率，此數(shù)值應(yīng)當接近于事前估算的概率，若概率預(yù)測與覆蓋率得到的結(jié)果相近，則表示可靠性較強，區(qū)間覆蓋率較好。

評估區(qū)間平均價值是為反映評估區(qū)間是否合理，避免出現(xiàn)為追求準確度而區(qū)間設(shè)定范圍較小的情況，這將無法為風(fēng)電功率預(yù)測提供評估價值。從評估誤差類別的準確率、評估區(qū)間覆蓋率以及評估區(qū)間平均價值三者的計算結(jié)果可以得到風(fēng)電功率和預(yù)測誤差的數(shù)據(jù)組合，之后將得到數(shù)據(jù)組合代入LSTM模型中學(xué)習(xí)，便可以得到評估結(jié)果[2]。

結(jié)論：基于誤差分類的風(fēng)電功率區(qū)間評估，在LSTM神經(jīng)網(wǎng)絡(luò)的支持下可以得到更為準確的數(shù)據(jù)信息，但需要對風(fēng)電功率預(yù)測誤差類別進行計算和分析，了解區(qū)域風(fēng)電功率的波動性區(qū)間，再導(dǎo)入原始誤差和預(yù)測誤差類別，通過時間序列的疊加便可以由LSTM模型學(xué)習(xí)，得到更為準確評估區(qū)間，能夠有效提高風(fēng)電區(qū)間評估的準確性。

參考文獻：

[1]孫榮富，張濤，和青，等.風(fēng)電功率預(yù)測關(guān)鍵技術(shù)及應(yīng)用綜述[J].高電壓技術(shù)，2021，47（04）：1129-1143.

[2]朱滿庭.基于深度學(xué)習(xí)的風(fēng)電功率預(yù)測研究[D].華北電力大學(xué)（北京），2021.