《电工技术学报》论文投稿模板.docx

D01:10.19595/ki.l000-6753.tces.基于卷积神经网络和简单循环单元集成模型的风电场内多风机风速预测XXXX(西安交通大学电气工程学院西安710049)摘要在传统风电场风速预测中，往往将风电场视作一个整体，进而给出较大空间尺度下的单一整体风速预测结果。但在实际风电场中，多台风机分布在不同的地理位置上，其各自的本地风速也存在明显差异。对此，该文提出一种通过学习历史风速和历史风向中空间相关性和时间相关性，从而实现不同地理位置上多风机各自本地风速的预测方法。该方法首先利用卷积神经网络(CNN)提取空间相关性信息，然后将蕴含空间信息的特征序列交由简单循环单元(SRU)处理，进而学习时间相关性信息。风速和三角函数化的风向构成类似于RGB图像结构的三维矩阵。CNN非常适合处理RGB图像类型的数据，故使用CNN提取多风机的风速和风向在同一个时刻下的空间信息。与其他循环神经网络相比，由于SRU可大幅减小计算代价，故使用SRU提取多风机的风速和风向随时间变化的动态信息。在实际风电场数据上的仿真测试表明：在多个不同的预测时域下，该方法与现有利用时空相关性的预测方法相比，不仅显著减小了计算代价，而且提高了预测的准确性。关键词：多风机风速预测卷积神经网络简单循环单元改进循环神经网络时空相关性中图分类号：TM614WindSpeedForecastsofMultipleWindTurbinesinaWindFarmBasedonIntegrationModelBuiltbyConvolutionalNeuralNetworkandSimpleRecurrentUnitXXXX(SchoolofElectricalEngineeringXi,anJiaotongUniversityXi,an710049China)AbstractConventionalwindspeedforecastsfocusedontheoverallwindspeedofawindfarm.However,inanactualwindfarm,multiplewindturbinesarewidelydistributedindifferentgeographicallocations,andtheirlocalwindspeedsaresignificantlydifferent.Toaddressthis,thispaperproposesamethodfortheturbine-specificwindspeedforecastsinawindfarm.Thismethodteamsthehistoricalspatialandtemporalcorrelationbetweenwindspeedandwinddirection.Firstly,theconvolutionalneuralnetwork(CNN)isusedtoextractthespatialcorrelationinformationamongmultiplewindturbines.Subsequently,theextractedspatialinformationisprocessedbythesimplerecurrentunit(SRU),whichlearnsthetemporalcorrelationinformation.Duringthedatapreprocessprocedure,windspeedandtrigonometricwinddirectionformathree-dimensionalmatrix,whichissimilartotheRGBimageseries.CNNisverysuitableforprocessingdataofRGBimagetype,sothespatialinformationofwindspeedandwinddirectionofmultiplewindturbinesatthesamemomentisextractedbyCNN.Comparedwithotherrecurrentneuralnetwork(RNN),SRUhasmuchlowercomputationalcost.SoSRUisutilizedtoextractthedynamicinformationofwindspeedandwinddirectionofmultiplewindturbinesovertime.The国家自然科学基金(51777162)和中央高校基本科研业务费专项资金(XZyOI2019022)资助项目。收稿日期2019-12-08改稿日期2020-02-24simulationresultsonactualwindfarmdatavalidatetheeffectivenessoftheproposedmethod.Keywords：Windspeedforecastofmultiplewindturbines,convolutionalneuralnetwork,simplerecurrentunit,improvedrecurrentneuralnetwork,spatio-temporalcorrelation0引言随着经济的发展，人类社会对电力的需求越来越大。鉴于化石能源的不可再生性和其造成的环境压力，新能源发电技术越来越受到世界各国的重视。风力发电是新能源发电中重要的一部分，在2018年，全球风电装机容量规模达到597GW,中国的风电装机容量规模占据全球第一，超过200GW。随着风电渗透率的不断增加，由于风速的随机性和不确定性，风电功率的波动会对电网的安全性造成影响e*风电功率主要由风速决定%明准确的风速预测可用于指导设计高效的风电控制策略，进而减小对电网不利影响。但由于一个风电场中的风机广泛分布在不同的地理位置上，每个风机的风速都不相同。若能精细化地预测风电场中每台风机的本地风速，则可为风电场控制提供更为充分的信息，进而提升风电场控制的灵活性和最优性。近年来，国内外学者已经对风速预测做了大量的研究，并且也取得了很多成果。文献9-10利用历史数据的潜在规律，实现单一风机风速的预测，文献11-15利用小波变换等机器学习方法将一个风电场中的所有风机作为一个整体进行风速预测，但这些研究均是对单个风机或者将整个风电场的风机当为整体进行预测。相较于欧美地区，我国季风区在冬季风、夏季风时期的风速有较高的空间相关性故在进行风速预测时，此自然条件应予以充分利用，即应考虑风速和风向的空间相关性。文献17-18利用风速的时间相关性进行多风机风速等预测，但是其均没有考虑不同位置下风速和风向的空间相关性。文献19-21虽然考虑了风场内多风机风速间的空间相关性，但是没有考虑各风速序列内部的时间相关性。文献22使用环境和地理参数(如湿度、温度、大气压力等)预测多风机风速，虽然考虑了风速的时空相关性，但是计算代价大，参数依赖性强。文献23利用卷积神经网络(ConvolutionalNeuralNetwork5CNN)和长短期记忆网络(LongShort-TermMemory,LSTM)进行多风机风速预测，但神经网络输入仅为风机风速，输入特征较为单一，且计算代价较大。一个风电场往往会有多台风机，相应地其数据量也较大，所以需要有高效的处理工具来挖掘其内含的特征信息。深度学习是在海量数据中寻找复杂规律的有效工具，随着特征数据的增大，其表征数据特征的能力会不断提升。因此，风电场内多风机风速预测问题非常适合使用深度学习来解决。准确的风速预测模型需要尽可能地获取到有效信息，所以多风机风速预测需要同时考虑风速及风向的时间相关性和空间相关性。现有基于时空相关性的多风机预测模型的输入特征仅有风速，但多风机之间的时空相关性依赖实时风向，且随风向实时变化。因此，一个有效的空间时域预测模型应同时将多风机的风速和风向作为输入特征。在时间相关性方面，考虑风向之后，特征维数增大，不仅模型计算代价大，而且捕捉不同时刻间风电场整体风速和风向分布动态特性的难度变大，所以需要更加有效，且能减小计算代价的时间域建模方法。鉴于此，本文提出了一种基于深度学习的风电场多风机风速集成预测模型。该模型同时学习多风机间风速和风向的时空相关性。风速和经三角函数处理的风向构成三维输入矩阵，此特征输入矩阵与彩色图像RGB三维通道的结构类似。而CNN非常适合处理具有类似彩色图像结构的数据，CNN每一个卷积层中具有多个卷积核，可以逐层学习到数据在多个方面的特征，所以在空间相关性方面使用CNN进行空间特征提取。将经过CNN处理后、蕴含空间信息的数据再进行时间特征提取。在时间相关性方面，由于简单循环单元(SimPIeRecurrentUnit,SRU)不仅具有并行处理能力，能极大地减小计算代价，而且可以有效地缓解梯度消失问题，解决长期依赖问题124-251,因此可使用SRU进行时间特征提取。1风电场多风机风速预测问题描述本文所采用的时空集成预测模型是基于风电场中每台风机的历史风速数据和历史风向数据，采用CNN和SRU集成预测模型，提取到上述风机特征数据之间内在的时空相关性，进而得到风电场中每台风机精细化风速预测结果。进行风电场中每台风机精细化风速预测需要详细的风机数据，此风机数据必须真实地反映风电场中多个风机的时空相关性。本文所采用的数据来源于美国国家可再生能源实验室(NatiOnaIRenewableEnergyLaboratOry,NREL)提供的风能综合国家数据集(WindIntegrationNationalDataset,WlND),WIND是迄今为止公开可用的最大最完整的风能数据集，通过其网站可以十分容易地获取所需风能数据。WIND现己公开提供2007年2012年美国本土超过12.6万个陆基和海基处的风向、风速、温度、表面空气压力和空气密度等数据，其数据每5min采集一次，即时间分辨率为5mino本文仿真案例选择2012年数据，地点位于怀俄明州的梅迪辛博和埃尔克芒廷之间的144台风机测量点。其中，最大风速为27.353ms,最小风速为0.061ms,144台风机测量点以12x12的矩阵形状排列，各风机测量点轮毂高度一致，均为100m,每两个相邻的风机测量点间距2km,如图1所示。此研究对象可视作拥有多台位于不同地理位置风机风电场的般案例。图IWIND中美国怀俄明州12X12风机矩阵FigJThewindturbinearrayof12×12inWyomingofWIND,USA2多风机风速序列间空间相关性和风向序列间空间相关性建模在集成预测模型中，CNN负责多风机风速序列间空间相关性和风向序列间空间相关性的建模。CNN是深度学习领域中重要的一种学习模型，于1998年被Y.LeCun等提出国，它非常适合处理图像类结构的数据。在很多领域，CNN都得到了广泛的应用，如图像识别、语言识别和气候预测等。与常见的神经网络相比，CNN最主要的特征在于卷积层【26】，即卷积操作。CNN一般由输入层(INPUT)、卷积层(CONV)、池化层(POOL)和全连接层(FC)构成。2.1 卷积神经网络设计基本思想在CNN中，输入层的数据一般先由卷积层进行特征提取，为保持卷积之后的特征图尺寸不变，卷积核尺寸不应为偶数，并且卷积过程中需进行零填充操作。由于卷积层中有多个卷积核，卷积层输出往往具有较大的参数量，而池化层可以减小数据和参数的数量，所以卷积层后一般会加上池化层。为了提取最显著的特征，避免平均池化造成的模糊化效果，选用最大池化。由于在线性模型中加入非线性激活函数可以实现去线性化，故卷积层中每个神经元的输出通过一个修正线性单元(ReCtifiedLinearUint,ReLU)激活函数进行处理。使用多个较小尺寸的卷