-
中国致力于发展可再生能源、实施化石能源清洁替代，到2030年使非化石能源占一次能源消费的比重达到25%左右，其中风力发电是重要组成部分，但大规模风电并网对电力系统的运行和调度带来挑战。 风电的随机性、波动性和间歇性等固有特点严重影响了其并网利用。为了保证电网的安全稳定运行,华中能源局华中监管局 2019 年发布了《关于印发华中区域“两个细则”的通知》，该规定要求风电场日前短期预报准确率要达到80%以上[1]。不能满足上述预报准确率要求的电站的售电经济收益将受到影响。部分电站因功率预报不准确，全年发电量的 3%～5%无法对电站产生经济价值，严重影响了电站的经济效益[2]。甚至有电站因预报准确率不高出现亏损的严重情况。因此准确稳定的日前风电功率预报在风力发电运行过程中起着主导作用。
1）国内外研究现状
国内外传统短期风电功率预报方法主要包括基于数值天气预报数据的物理方法和统计方法[3-4]。物理方法通过数值天气预报数据计算风电场的预计风速，再带入风电场的风功率曲线进行拟合从而得到最终发电功率；而统计方法则基于历史数据和实时数据进行统计计算预报，比较常见的包括动力统计法，它在数值预报结果和风电场的风电功率之间建立一种映射关系，包括线性以及非线性方法来获得预报结果。在实际应用中，这些方法存在数据不完备、自动化通讯设备故障、风电出力限制等问题，这些问题都会影响预报结果[4]。
随着机器学习技术的普及，越来越多的研究开始探讨如何将机器学普及。机器学习算法能够从大规模的气象数据中学习规律，并能够适应不同的气象条件，因此具有潜在的优势[5]。随着机器学习在各个领域的广泛应用，预测算法的性能和效果成为近期研究的关注点。本文旨在深入研究和对比多种基于机器学习的预测算法，包括随机森林算法（Random Forest，RF）[6]、基于决策树的集成算法 (Light Gradient Boosting Machine，LightGBM)[7]、自适应增强算法AdaBoost[8]、机器学习算法以及基于深度神经网络的(Gated Recurrent Unit，GRU)[9]、(Bi-directional Long Short Term Memory，Bi-LSTM)[10]等方法。在过去的研究中，这些算法在不同任务和数据集上表现出色，但其性能差异和适用场景仍需深入了解[4, 11]。
2）本文研究内容
本文着重选取位于湖北省内多个典型风电场，针对这些场站数据开展集合预报算法的比较与研究，得出适用于湖北省各个区域的数值预报模式以及在湖北省表现比较好的预报方法。在文章中，通过选择重点试验场站并检验对比各种集合预报方法在试验场站的结果，通过仔细分析结果数据从而得到本文的研究结论数据。最终由预报风速的对比分析得出适用于不同地区场站的集合预报方法。
-
本研究采用了陈正洪等[12-13]研究中被证明在湖北省较为有效的4种不同的数值预报产品，包括CMA-WSP V1.0、CMA-GD、WHMM V2.0和EC数值预报[14]。其中，CMA-WSP V1.0是由中国气象局风能太阳能中心下发的面向风能和太阳能的数值天气预报[12]，水平分辨率为3 km × 3 km(下简写为3 km)，预报时长为未来72 h。CMA-GD是由广东省区域数值天气预报重点实验室基于GRAPES非静力模式[15]开发的华南区域中尺度模式，水平分辨率为3 km，预报时长为未来72 h。WHMM V2.0是由中国气象局武汉暴雨所提供，华中区域中尺度数值天气预报系统以广泛使用的中尺度数值天气模式WRF为基础。模式区域中心位于(114.133°E,30.617°N)，采用3层嵌套包括全国、华中、湖北省3个区域，其分辨率分别为27 km、9 km和3 km 。本项目中采用湖北区域的预报，预报时效为84 h。EC预报采用数据来自欧洲气象中心的再分析资料，资料水平分辨率为1 km，每天模拟时效为72 h。在本研究中通过网格间隔选取数据点的方式得到水平分辨率为3 km的数据进行使用。此外，本研究还采用了基于机器学习的5种集合预报方法，在研究中对比以上5种方法和直接采用数值预报模式及通过选取多种数值预报模式在预报地点的预报结果取平均值的方法（简称为均值法）进行对比。
为了方便后续对比，本文选取的4种模式均选取相同的模式水平分辨率和预报时效。本文统一使用的模式分辨率为3 km，时间分辨率为 15 min。对于分辨率不同的预报模式，如果该预报模式有水平分辨率为3 km的数据源则采用该数据源，如果该预报模式的水平分辨率比3 km更高则采用间隔取网格数据点的方式将水平分辨率降为3 km后进行对比。所有数据每日08：00(北京时间，下同)起报，仅采用未来72 h的预报结果进行使用。在根据模式计算场站实际格点数据的时候采用线性插值的方式计算从网格数据到格点的具体数值。
本文使用的资料年限为2021～2022年两年的数据，主要种类如下：7个风电场的测风塔观测数据，时间分辨率为15 min，7个风电场基本情况如表1所示。
编号 风电场名称 轮毂高度/m 海拔高度/m 所属地区 1 板桥风电场 140 1510 恩施板桥 2 周楼风电场 140 540 襄阳枣阳 3 象河风电场 140 247 荆门东宝 4 黄龙山风电场 140 793 咸宁通山 5 大金中部风电场 140 172 黄冈武穴 6 天河口风电场 140 850 随州随县 7 蔡家寨风电场 140 500 黄冈麻城 Table 1. Basic information of seven representative wind farms
所选风电场在湖北省的地图位置如图1所示。图中颜色代表所在地区70 m高度层的年平均风速，越接近红色代表年，平均风速越高，越接近蓝色代表年，平均风速越低。
Figure 1. Distribution diagram of typical wind farms selected in Hubei Province
-
RF算法是随机训练决策树的集合，被广泛应用于解决分类和回归问题，随机森林回归模型是一种集成方法，它结合了各种不相关的回归树，减轻了每棵树的不稳定性问题，每棵树基于随机抽样的训练数据和随机选择的特征进行构建。在分类任务中，每棵树对样本进行分类，最后通过投票机制确定最终的分类结果。对于回归任务，各树的输出取平均值。该算法在数据和特征的选择上体现出随机性，使得每棵树都是独立且略有不同的，提高了整个模型的泛化能力。
-
Adaboost是一种集成学习算法，旨在通过组合多个弱分类器来构建一个更强大的分类器。其核心思想是通过迭代训练，每一轮关注被前一轮分类错误的样本，为其分配更高的权重，从而集中处理难以分类的样本。新的分类器以加权投票的方式与之前的分类器进行组合。AdaBoost算法的主要思想是将每次迭代产生的弱学习者结合起来，形成一个强学习分类器。该算法通过迭代，每次迭代都关注之前模型分类错误的样本，提高其权重。在每个迭代中，构建一个基础分类器，最终通过加权投票将这些基础分类器组合成一个强分类器。样本的权重会被调整，以便后续模型更加关注先前分类错误的样本，从而逐步改善整体性能。
-
LightGBM（也简写为LGBM）是于2016年提出的一种基于决策树GBDT(Gradient Boosting Decision Tree）的梯度提升算法[7] 。它通过迭代地训练决策树，每次迭代都试图纠正上一轮迭代的错误。采用直方图算法，将连续的特征值分桶，然后在桶上进行分裂，大幅提高了训练速度。
LightGBM的核心思想是基于直方图的决策树算法，将样本中连续的浮点特征值离散化成K个整数并构造与之长度相等的直方图。遍历时，将离散化后的值作为索引在直方图中累计统计量，然后根据直方图的离散值，遍历寻找最优的分割点。这样可以有效地降低内存消耗，同时达到降低时间复杂度的目的。LightGBM在处理大规模数据集时具有较好的性能，并且能够处理高维稀疏特征，还支持并行化训练。
基于LightGBM算法能够并行处理海量数据的特性，将该算法用于对时间序列的残差和风速、温度、湿度、气压等多种参数进行多特征并行处理，能够更好地降低模型计算的时间复杂度，提高预测的效率和精度。
-
GRU是一种门控循环神经网络。它包括更新门、重置门和候选隐藏状态。这些门控制着信息的选择性传递和遗忘。GRU旨在解决传统RNN中的梯度消失问题，能够更好地捕捉序列数据中的长期依赖关系。由于其门控机制，特别适用于处理序列数据，如时间序列数据[16]。GRU算法的核心公式见式（1）：
$$ \begin{array}{l}{z}_{t}=\sigma \left({W}_{{\mathrm{z}}}\cdot \left[{h}_{t-1},{x}_{t}\right]\right)\\ {r}_{t}=\sigma \left({W}_{{\mathrm{r}}}\cdot \left[{h}_{t-1},{x}_{t}\right]\right)\\ {\stackrel{~}{h}}_{t}={\mathrm{tan}}h\left(W\cdot \left[{r}_{t}*{h}_{t-1},{x}_{t}\right]\right)\\ {h}_{t}=\left(1-{z}_{t}\right)*{h}_{t-1}+{z}_{t}*{\stackrel{~}{h}}_{t}\end{array} $$ (1) 式中：
$ {z}_{t} $——代表更新门；
$ {r}_{t} $——代表重置门；
$ {\stackrel{~}{h}}_{t} $——代表候选隐藏层细胞状态；
$ {h}_{t} $——最终的隐藏状态。
这个公式描述了GRU网络的控机制和细胞状态更新方式，通过控制信息的流动从而可以生成合理的时间序列处理输出结果。
-
双向LSTM(Bi-LSTM)由两个LSTM单元组成，它考虑了过去和未来的输入特性。相比GRU，它通过引入门控机制和双向LSTM单元更有效地解决了长期依赖性的问题[17]。LSTM的核心原理是通过一系列的门控单元来控制信息的流动和遗忘。具体而言，LSTM包括输入门、遗忘门和输出门3个关键组件。输入门决定了当前输入信息的重要程度，遗忘门控制了前一时刻的记忆是否被保留，输出门决定了当前记忆的输出。LSTM算法的核心计算公式见式（2）：
$$ \begin{split} &{i}_{t}=\sigma \left({W}_{{\mathrm{xi}}}{x}_{t}+{W}_{{\mathrm{hi}}}{h}_{t-1}+{W}_{{\mathrm{ci}}}{c}_{t-1}+{b}_{{\mathrm{i}}}\right)\\&{f}_{t}=\sigma \left({W}_{{\mathrm{xf}}}{x}_{t}+{W}_{{\mathrm{hf}}}{h}_{t-1}+{W}_{{\mathrm{cf}}}{c}_{t-1}+{b}_{{\mathrm{f}}}\right)\\&{c}_{t}={f}_{t}\odot {c}_{t-1}+{i}_{t}\odot \text{tan}h\left({W}_{{\mathrm{xc}}}{x}_{t}+{W}_{{\mathrm{hc}}}{h}_{t-1}+{b}_{{\mathrm{c}}}\right)\\& {o}_{t}=\sigma \left({W}_{{\mathrm{xo}}}{x}_{t}+{W}_{{\mathrm{ho}}}{h}_{t-1}+{W}_{{\mathrm{co}}}{c}_{t}+{b}_{{\mathrm{o}}}\right)\\&{h}_{t}={o}_{t}\odot \text{tan}h\left({c}_{t}\right) \end{split} $$ (2) 式中：
$ {i}_{t} $——代表输入门；
$ {f}_{t} $——代表遗忘门；
$ {c}_{t} $——代表隐藏层细胞状态；
$ {o}_{t} $——输出门的输出；
$ {h}_{t} $——最终的隐藏状态。
Bi-LSTM通过将数据双向输入可以进一步提升长期依赖数据的利用效果，使用Bi-LSTM可以捕捉过去和未来状态的影响。Bi-LSTM的计算公式见式（3）：
$$ \begin{split} &{\overrightarrow{h}}_{t}={\mathrm{LSTM}}\left({x}_{t},{\overrightarrow{h}}_{t-1}\right)\\& {\overleftarrow{h}}_{t}={\mathrm{LSTM}}\left({x}_{t},{\overleftarrow{h}}_{t-1}\right)\\& {h}_{t}={\overrightarrow{h}}_{t}+{\overleftarrow{h}}_{t}\end{split} $$ (3) 式中：
$ \overrightarrow{h} $——正向隐藏状态；
$ \overleftarrow{h} $——反向的隐藏状态。
这种受控存储是长短期记忆网络和门控循环单元的基础，可以缓解梯度爆炸和消失等问题。长短时记忆神经网络在时序序列数据中具有良好的性能。
-
针对复杂转折性天气，单一数值模式预报产品无法有效提高预报准确率[18]，采用多种集合预报方法进行对比检验是一种比较好的方法[19]。集合预报算法是一种通过将多种数值预报模式数据进行对比优选，再输入给机器学习方法或传统预报方法进行检验，最终输出表现最优的预报结果的方法。其主要特征在于针对每种预报算法，在集合预报过程中都会通过对比优选数值预报数据源进行预报检验得到最终输出。许杨等[3,11,13]在过去的研究中提出了基本的集合预报思想，本研究采用的集合预报方法核心思想与之前的研究保持一致，依然是通过多种预报源与算法进行对比的方式得到较好的结果。本研究在对比过程中通过数据组合计算，并讨论分析集合预报的表现来探讨适合于湖北省的集合预报算法。本研究采用的集合预报系统流程如图2所示。
Figure 2. Flow chart of ensemble forecasting
为确保实验的全面性和可信度，本研究采用了多个数据集和场景，并综合考虑了算法的准确性、泛化能力和计算效率等方面的指标。在本研究中，所采用的评价指标包括主观评价指标与客观评价指标两种。其中主观评价指标主要是针对预报结果绘制成的预报曲线进行人工交叉检验对比，客观评价指标主要采用平均均方根误差计算、算法运行时间计算等指标进行集合预报的算法评价。
-
本研究实验使用RF、LightGBM、AdaBoost、GRU、Bi-LSTM共5种先进的机器学习进行集合预报，并与数值预报模式方法及根据场站优选数值预报模式取均值的方法进行对比检验，根据对比检验结果优选准确率较高的方法。
-
为公平对比，实验平台统一使用同一台计算机。实验计算机配置为1颗英特尔Xeno Gold 6330 CPU，内存大小为128 GB，所用操作系统为银河麒麟V10 Linux操作系统，Python版本为Python 3.7，深度学习算法使用Pytorch 1.8框架。
-
所有基于机器学习的集合预报实验均采用被经常采用的10折交叉验证[20]来验证效果。具体而言，研究中将整个数据集分为10个子集，其中8个用作训练数据，1个用作测试数据，1个用作验证数据。我们重复这个过程10次，每次选择不同的子集作为测试及验证数据，并计算模型在每次验证集上的性能指标，如平均误差、均方根误差。最终，我们对这10次评估结果进行平均，得到模型在整个数据集上的性能评估。
对于机器学习算法RF、LightGBM、AdaBoost，使用网格搜索方式来确定最优超参数组合，它的特征在于首先确定每个对结果影响较大的超参数的值域空间，在该空间内等间隔生成超参数值并与其他超参数进行组合形成超参数空间进行实验搜索。对于RF方法最核心的超参数为最大深度（max_depth），和弱学习器个数（n_estimators）; 对于Adaboost最核心的超参数为学习率（lr）及弱学习器个数（n_estimators）；对于LightGBM最核心的超参数包括学习率（lr），最大深度（max_depth）、弱学习器个数（n_estimators）、列采样比例（feature_fraction）；在实验过程中，通过搜索超参数组合确定对当前机器学习算法最优的学习配置。
对于深度学习算法，使用动态学习率调整方式根据训练曲线动态降低学习率避免过拟合，同时引入早停训练机制，当连续5个epoch在测试集上的效果不再下降的时候停止训练，避免过拟合。二者组合使用解决了epoch数量需要手动设置或设置不合理的问题，同时可以保证针对各种算法均在一定范围内可以体现该算法的最优效果。
对于均值法采用同一时刻的多个数值预报模式通过线性插值算法将格点预报转换到站点预报的风速值求平均值计算的算法进行比较。
在以上算法中，为了公平评估各个集合预报方法的性能。由于均值法是直接使用数值预报的结果因此直接输出的结果只有风速，其他机器学习算法都可以通过配置学习数据直接生成功率预报结果。为了公平比较，所有预报方法都只预报风速，而不是对比预报功率准确性。因为从风速转换到发电功率可以使用不同的公式计算，不同的公式选择会对结果产生微小的影响，这对于评估均值法和其他算法的差异情况有不利影响。本研究通过对比预报风速的偏差来比较不同算法的实际效果，对于后续应用评估功率预报的准确性也具有指导意义。
-
为有效评估实验结果，实验采用平均均方根误差RMSE指标确定不同集合预报方法的偏差，RMSE计算公式见式（4）：
$$ \text{RMSE}=\sqrt{\dfrac{1}{n}\displaystyle \sum\limits _{i=1}^{n}{\left({y}_{i}-\widehat{{y}_{i}}\right)}^{2}} $$ (4) 式中：
y ——预报风速（m/s）；
$ \widehat{{y}_{i}} $——i时刻的真实风速(m/s)。
表2是各集合预报算法均方根误差逐月对比结果，在此表中集合预报的时候使用了全部预报成员进行预报，控制算法变量不同从而对比不同的预报算法的优劣。表3是各集合预报算法均方根误差按年对比的情况，其中列“集合成员1”和列“集合成员2”是分别优选2个不同的集合成员（见电场名称列，列中名称从左到右分别对应集合成员1和集合成员2）进行预报后得到的预报结果。
电站名称 年 月 RF AdaBoost LightGBM GRU Bi-LSTM 均值法 天河口风电场 2022 4 3.11 2.85 2.69 1.95 1.98 2.93 天河口风电场 2022 5 2.47 2.08 2.20 1.89 1.84 2.84 天河口风电场 2022 6 2.71 2.61 2.99 2.04 2.19 3.27 天河口风电场 2022 7 2.11 2.09 2.28 1.73 1.83 2.78 天河口风电场 2022 8 3.05 3.09 3.04 2.15 2.13 2.19 天河口风电场 2022 9 2.28 1.90 2.24 1.54 1.58 1.89 天河口风电场 2022 10 2.30 2.20 2.31 2.11 2.24 2.65 天河口风电场 2022 11 1.85 1.23 1.88 1.47 1.40 2.07 天河口风电场 2022 12 2.03 1.67 2.01 1.67 1.89 2.61 天河口风电场 2023 1 2.16 2.09 2.12 1.93 1.88 2.71 天河口风电场 2023 2 2.37 2.23 2.30 2.27 2.22 2.74 周楼风电场 2022 4 2.14 2.09 2.19 1.99 1.92 2.05 周楼风电场 2022 5 1.75 1.63 1.83 1.57 1.49 1.8 周楼风电场 2022 6 1.95 1.83 1.88 1.68 1.64 1.93 周楼风电场 2022 7 1.92 1.87 1.65 1.52 1.56 1.98 周楼风电场 2022 8 2.00 2.00 1.89 1.72 1.73 2.12 周楼风电场 2022 9 1.79 1.73 1.75 1.48 1.51 2.08 周楼风电场 2022 10 1.92 2.09 1.94 2.00 2.00 2.57 周楼风电场 2022 11 1.75 1.95 1.68 1.95 1.86 2.1 周楼风电场 2022 12 2.05 2.04 2.02 1.96 1.91 2.15 周楼风电场 2023 1 2.24 2.48 2.13 1.74 1.75 1.98 周楼风电场 2023 2 2.14 2.39 2.10 1.62 1.68 1.87 象河风电场 2022 4 1.51 1.50 1.52 1.58 1.56 2.03 象河风电场 2022 5 1.30 1.38 1.45 1.43 1.42 1.78 象河风电场 2022 6 1.50 1.52 1.64 1.64 1.67 1.95 象河风电场 2022 7 1.32 1.37 1.52 1.51 1.56 1.82 象河风电场 2022 8 1.37 1.35 1.49 1.58 1.64 2.06 象河风电场 2022 9 1.34 1.34 1.59 1.51 1.61 1.78 象河风电场 2022 10 1.37 1.38 1.58 1.56 1.54 2.01 象河风电场 2022 11 1.22 1.28 1.37 1.44 1.38 1.91 象河风电场 2022 12 1.49 1.45 1.64 1.64 1.58 2.14 象河风电场 2023 1 1.46 1.50 1.61 1.40 1.39 1.96 象河风电场 2023 2 1.47 1.53 1.46 1.44 1.43 1.97 蔡家寨风电场 2022 4 1.89 1.79 1.85 1.75 1.71 2.17 蔡家寨风电场 2022 5 1.59 1.73 1.65 1.63 1.60 1.91 蔡家寨风电场 2022 6 2.46 2.40 2.36 2.33 2.27 2.23 蔡家寨风电场 2022 7 2.02 1.92 1.91 1.65 1.65 1.76 蔡家寨风电场 2022 8 1.62 1.54 1.66 1.38 1.39 1.74 蔡家寨风电场 2022 9 1.66 1.54 1.56 1.40 1.41 1.68 蔡家寨风电场 2022 10 1.73 1.82 1.71 1.26 1.27 1.94 蔡家寨风电场 2022 11 2.10 2.19 2.00 1.69 1.67 2.19 蔡家寨风电场 2022 12 2.60 2.23 2.62 2.35 2.22 2.87 蔡家寨风电场 2023 1 1.83 1.73 1.84 1.32 1.30 2.02 蔡家寨风电场 2023 2 1.87 1.75 1.81 1.32 1.31 1.89 Table 2. Monthly comparison of root mean square errors of ensemble forecasting algorithms
m/s 电站名称 RF AdaBoost LightGBM GRU Bi-LSTM 集合成员1 集合成员2 均值法 天河口风电场
(EC,CMA-GD)2.44 2.25 2.41 1.94 1.90 3.24 2.45 2.63 周楼风电场
(EC,CMA-GD)1.97 2.01 1.92 1.74 1.76 1.80 2.42 2.07 象河风电场
(EC,CMA-WSP)1.49 1.43 1.53 1.52 1.52 1.67 3.14 1.95 蔡家寨风电场
(EC,CMA-GD)1.94 1.86 1.89 1.63 1.66 1.86 2.49 2.00 Table 3. Yearly comparison of root mean square errors of various ensemble forecasting algorithms
m/s 通过表2～表3、图3进行对比分析发现，在所有风电场中，传统均值法预报误差最大。在象河风电场，Adaboost集合预报算法的均方根误差最小，在天河口风电场、周楼风电场、蔡家寨风电场深度学习算法GRU和Bi-LSTM算法优于传统机器学习算法，在周楼风电场和蔡家寨风电场GRU算法优于Bi-LSTM，在天河口风电场Bi-LSTM优于GRU算法。
Figure 3. Yearly comparative analysis of ensemble forecasting algorithm RMSE
在天河口风电场集合预报算法RF、AdaBoost、LightGBM、GRU和Bi-LSTM、均值法的均方根误差分别为2.44 m/s、2.25 m/s、2.41 m/s、1.94 m/s、1.90 m/s，在5种算法中，Bi-LSTM算法最优，较均值法误差降低0.73 m/s。Bi-LSTM集合算法相较于集合成员EC预报均方根误差3.24 m/s下降了1.34 m/s，CMA-WSP预报均方根误差3.03 m/s下降了1.13 m/s。分析发现EC预报与CMA-WSP均方根误差较大，但是从图形检验来看CMA-WSP预报方法的偏差相对较稳定，因此误差下降较大。
在周楼风电场GRU算法最优，均值法预报误差最大，较均值法均方根误差降低了0.33 m/s，Bi-LSTM与GRU算法误差接近。其次是RF算法较均值法下降0.1 m/s，AdaBoost算法较均值法下降了0.06 m/s。最优的GRU集合预报算法相较于集合成员EC预报均方根误差1.8 m/s下降了0.06 m/s，相较于CMA-GD预报均方根误差2.42 m/s下降了0.68 m/s。
在象河风电场AdaBoost最优，较均值法均方根误差降低了0.52 m/s，传统均值法预报误差最大。其次是，RF较均值法误差降低了0.46 m/s，LightGBM算法较均值法误差降低了0.42 m/s。深度学习算法GRU和Bi-LSTM的误差相同，均为1.52 m/s。集合预报算法AdaBoost相较于集合成员CMA-WSP均方根误差3.14 m/s下降了1.71 m/s，EC预报均方根误差1.67 m/s下降了0.24 m/s。
在蔡家寨风电场GRU算法误差最小，较均值均方根误差降低了0.36 m/s，Bi-LSTM比GRU误差略大，其次AdaBoost误差较均值法降低了0.14 m/s，LightGBM误差较均值法降低了0.11 m/s，RF较均值法均降低了0.06 m/s。最优集合预报算法GRU相较于集合预报成员CMA-GD的均方根误差2.49 m/s下降了0.86 m/s，相较于EC均方根误差1.86 m/s下降了0.23 m/s。
综上可以看出，在集合预报算法中，一般情况下深度学习算法GRU和Bi-LSTM优于传统机器学习算法，传统机器学习算法又优于均值法，其中Bi-LSTM在天河口风电场提升最为显著，较集合成员EC预报均方根误差3.24 m/s下降了1.34 m/s，较均值法均方根误差全年下降了0.73 m/s。
-
为了进一步验证不同方法的实验结果，本研究进一步抽取象河风电场2022年8月作为典型月份，通过曲线比较验证不同集合预报方法的效果。绘制结果如图4所示，图中图例RF_WS代表使用RF方法预测的风速波动曲线，其他图例依次类推，图例OBS_WS代表实际风速。
Figure 4. Fluctuation curve of different forecast wind speed with time in Xianghe wind farm in August 2022
从图中可以观察均值法（绿色曲线）在大部分时间对比实际风速曲线都存在相对最大的误差，AdaBoost的预报走势在大部分时间与实际风速差值不大。这与数值分析结论基本一致。
数值分析均值法集合预报误差为2.06 m/s，RF集合预报误差为1.37 m/s，LightGBM为1.49 m/s，二者预报误差较接近。GRU为1.58 m/s，Bi-LSTM为1.64 m/s，AdaBoost为1.35 m/s，预报性能最优，较传统均值法集合预报误差降低0.71 m/s。这些数值与实验曲线观察到的差距基本一致。因此通过以上分析，针对象河风电场选取AdaBoost算法可以获得最佳的集合预报效果。
-
本文旨在提供对比不同机器学习算法在集合预报中性能的深入理解，为未来预测算法的选择和优化提供有益的参考。通过对比实验结果，确定了适用于湖北省不同地区的合适算法和预报模式的组合，为提高集合预报的准确性和效率提供了实际参考。通过数据分析及实验研究，本文主要有以下两个贡献：
1）通过研究对比确定了适合湖北省内“三带一区”中各个地域最适合的数值预报模式。
2）通过开展集合预报方法的对比研究，确定使用单一数值模式预报产品无法有效提高预报准确率。通过采用多种集合预报方法，使用先进的机器学习、人工智能方法进行集合预报，如使用AdaBoost、RF、BI-LSTM等机器学习方法，并与传统的均值法、加权法以及熵值法等传统集合预报进行对比检验，根据对比检验结果优选一种准确率较高的方法。
-
本文实验项目研制完成的不同数值预报在湖北省内不同区域的适用范围，以及研究了集合预报算法技术。具体结论如下：
1）在枣阳周楼和蔡家寨风电场GRU集合预报效果最优，在天河口风电场Bi-LSTM集合预报效果最优，GRU集合预报算法接近Bi-LSTM，在象河风电场AdaBoost集合预报效果最优。
2）GRU和Bi-LSTM集合预报算法相对于CMA-WSP单一预报月均方根误差最大降低了2.41 m/s，相对于EC单一预报GRU集合预报算法月平均方根误差最大降低了1.91 m/s，Bi-LSTM集合预报算法月平均降低了1.85 m/s。年平均GRU和Bi-LSTM相对于CMA-WSP误差降低了1.45 m/s，相对于EC误差降低了0.42 m/s。
3）GRU在4个电站的预报性能比Bi-LSTM和AdaBoost两种集合预报算法表现更为稳定，均值法集合预报误差作为对比参照算法，在所有集合预报算法中误差最大。
该项研究对于指导风电场功率预报有指导意义，因此具有广阔的市场前景。如果能获得准确的风速预报，通过风速到功率的计算公式可以计算出适用于风电场的功率预报结果。本文所使用的基于机器学习的集合预报方法通过调整训练数据的方式在未来也可以直接输出较为准确的风力发电功率预报。通过提高功率预报的准确率，一方面可以帮助风电场减轻电网对其考核压力，提高发电并网比例，提升风电场的经济收益；另一方面也有利于提高电网运行的稳定性，有着明显的社会效益。此研究的结论在未来也可以通过类比推广到湖北省外其他地域，对于全国风力发电多模式集合预报的准确率改进也具有指导意义。
Wind Speed Multi-Mode Ensemble Forecasting for Wind Farms Based on Machine Learning
doi: 10.16516/j.ceec.2024.1.09
- Received Date: 2023-12-01
- Rev Recd Date: 2023-12-20
- Available Online: 2024-01-30
- Publish Date: 2024-01-10
-
Key words:
- wind power day-ahead forecasting /
- machine learning algorithms /
- random forest /
- LightGBM /
- AdaBoost /
- GRU /
- LSTM /
- ensemble forecasting.
Abstract:
| Citation: | GAO Sheng, XU Peihua, CHEN Zhenghong. Wind speed multi-mode ensemble forecasting for wind farms based on machine learning [J]. Southern energy construction, 2024, 11(1): 85-95. DOI： 10.16516/j.ceec.2024.1.09 doi: 10.16516/j.ceec.2024.1.09
|
DownLoad:
