学术咨询服务正当时学报期刊咨询网是专业的学术咨询服务平台!

热点关注:论文检索页是什么意思 如何证明自己发表的论文见刊了 可以快速见刊的普刊有哪些?
当前位置: 学报期刊咨询网学报论文范文》人工智能技术在新能源功率预测的应用及展望

人工智能技术在新能源功率预测的应用及展望

发布时间:2022-04-27 11:00所属平台:学报论文发表咨询网浏览:

  摘要:构建以新能源为主体的新型电力系统是实现我国双碳战略目标的主要举措之一,风力发电和光伏发电作为两种最具代表性的新能源,其波动性和随机性给电网安全和新能源消纳带来了重大挑战,新能源功率预测是降低其随机性影响的核心关键技术。近年来随

  摘要:构建以新能源为主体的新型电力系统是实现我国“双碳”战略目标的主要举措之一,风力发电和光伏发电作为两种最具代表性的新能源,其波动性和随机性给电网安全和新能源消纳带来了重大挑战,新能源功率预测是降低其随机性影响的核心关键技术。近年来随着大数据技术和以深度学习、强化学习为代表的新一代人工智能技术在诸多领域的成功应用,其在新能源功率预测方面的应用仍有方兴未艾之势。本文首先简要论述了人工智能技术在新能源功率预测应用的理论基础,并对人工智能技术在风电和光伏功率预测方面的应用进行了系统总结,包括数据增强和特征构建等多种数据处理技术的应用,传统机器学习算法、深度学习算法以及组合算法在模型构建方面的应用,以及进化算法、群智能优化算法、强化学习等多种智能优化算法在模型训练和超参数优化方面的应用。然后对当前相关文献进行了统计分析,并基于新能源预测大赛结果和实际预测系统调研情况,对当前学术界研究热点和趋势,产业界模型应用情况进行了对比和分析。最后对当前新能源功率预测在场景自适应、小样本学习、NWP 数据时空分辨率、分布式新能源预测等方面存在的一些问题进行了剖析,并对采用强化学习、元学习、图神经网络等多种人工智能技术解决相关问题的前景进行了展望。

  关键词:风力发电;光伏发电;功率预测;人工智能技术

人工智能技术

  0 引言

  为落实碳达峰碳中和的能源战略目标,预计到2060 年,全社会用电量超过 16 万亿千瓦时,新能源发电装机达到 50 亿千瓦,新能源发电量占比将由目前的 8%提高到 60%以上[1]。风力发电和光伏发电是当前最主流的两种新能源发电形式,截至 2020 年底,我国风电光伏装机总量分别达 2.81 亿千瓦、2.53 亿千瓦,同比增长34.6%、24.1%。然而,由于风力发电和光伏发电受气象因素、日夜周期等因素影响较大,具有强波动性和间歇性。高比例的新能源接入电力系统后给电网安全稳定造成了较大风险,也增加了调度运行的难度。新能源功率预测是降低新能源出力随机性不利影响的一项关键技术,一般基于气象预报数据、新能源功率数据和气象观测数据等动态数据,结合新能源场站位置和设备参数等信息进行建模,预测未来一段时间内新能源的出力变化趋势,能够有力支撑电网调度、检修计划、安稳分析、新能源消纳分析等多项业务开展[2-5]。

  未来,随着电力交易市场的成熟以及整县式光伏的大力推进,大量分布式新能源接入配电网,新能源功率预测有望进一步支撑绿电交易、综合能源服务、需求响应等多项新型电力业务的开展[6-9]。新能源功率预测可按照不同维度进行分类,按照时间尺度可分为超短期、短期、中长期预测;按照空间尺度可分为单机预测、单场站预测、区域预测,按预测结果可分为点预测、概率预测以及事件预测,而按照建模方法可分为物理建模方法、时间序列建模方法、基于机器学习和深度学习等人工智能技术的建模方法,本文聚焦于人工智能技术建模方法。

  早期的物理建模方法过程复杂,要求建模人员具有很强的专业领域知识并且模型参数获取难,而时间序列预测模型非线性拟合能力和高维数据处理能力差,因此这两类传统方法现在已较少研究。近年来,以数据驱动为核心的人工智能技术得到了快速发展,从浅层的传统机器学习算法逐步演化为以深度学习为代表的新一代人工智能技术,有效提高了新能源功率预测的准确性和高效性[10-12]。相比物理建模方法、时间序列建模方法等传统非人工智能方法,基于人工智能的预测模型具有诸多优点,其对高维非线性样本空间具有良好的拟合能力,同时模型参数基于数据训练得到,容易获取,模型的输入特征亦可灵活构建,结合智能优化算法还可进行参数自动寻优,进一步省去了人工调参的工作量。

  尤其在新能源概率预测,区域预测,复杂时空特性关联性挖掘等特殊场景下更是具有传统非人工智能方法不可比拟的优势。本文首先对人工智能技术在新能源功率预测应用的理论基础进行了论述,并基于该理论框架对新能源功率物理建模方法和数据驱动方法进行了简要论述和对比。然后对人工智能技术在新能源功率预测的应用进行了总结,主要包括模型输入、模型构建和参数优化三个方面,其中模型输入包括数据预处理、数据增强和特征构建方面的应用。模型构建主要涉及传统机器学习算法,代表性算法包括 SVM、GBDT 以及各种传统的浅层神经网络[13-15];基于深度学习的新一代人工智能技术,代表性算法包括多层卷积神经网络和循环神经网络;以及组合多种人工智能算法的组合预测技术[16-18]。

  模型参数优化包括模型训练和模型超参数优化,典型算法包括遗传算法等静态优化算法和强化学习等动态优化算法。其次,通过选取当前新能源功率预测领域主流学术期刊近年来的相关研究文献进行统计分析,得出了当前该领域在学术界的研究热点和趋势。由于参考文献中所用方法的预测结果往往基于不同的预测场景,所用数据也差别很大,难以通过对文献中结果的复现来比较各方法优缺点,因此本文选取了全球能源预测大赛这一较有影响力的赛事,根据比赛结果排名对各方法在实际应用中的预测水平进行了对比分析,由于排除了预测场景和数据差异性,所得结论更具有客观性,具有一定参考价值,并结合实际预测系统中模型应用情况,对产业界模型应用情况进行了分析。最后,对新能源功率预测当前存在的问题与不足进行了剖析,并结合当前新兴人工智能技术的特点和优势分析,对每类问题可能的解决方案进行了展望。

  1 人工智能技术新能源功率预测应用的理论

  基础新能源功率预测问题在数学意义上的本质可从机器学习中回归任务的通用范式来理解。此时模型的构建不需要任何数据,其精度完全依赖于知识的准确程度,该方法对应于新能源功率预测的物理建模方法,物理模型中参数Φ往往都具有明确的物理含义,一般根据试验和测试手段或者厂家产品手册取得。本文主要侧重人工智能技术在新能源功率预测的应用,因此针对物理建模方法,仅以光伏功率预测为例进行简要论述。基本思路是利用辐照度、温度等数值天气预报数据,结合光伏电站的地理信息,采用太阳位置模型得到光伏电池板接受到的有效辐照度,然后利用构建的光伏电池板光电转换模型和逆变器效率模型,得到单逆变器最终的输出功率,最后考虑线路损耗得到光伏电站全场的发电功率。

  因此,本文后续 2,3,4 章分别从模型数据输入、模型构建、模型参数优化这三个方面对现有文献中相关人工智能技术的应用进行了总结和论述。其中模型输入包括数据预处理、数据增强和特征构建方面的应用。模型构建主要涉及传统机器学习算法基于深度学习的新一代人工智能技术。模型参数优化包括遗传算法等静态优化算法和强化学习等动态优化算法在模型训练和模型超参数优化方面的应用。

  2 数据处理及特征构建

  新能源功率预测数据主要包含从地理信息系统(GIS)、数据采集与监控系统(SCADA)、数值天气预报系统(NWP)[19]等采集到的海量信息和数据,具体包括装机容量配置、风电机组的风速功率曲线、光伏组件的光电转换效率等静态信息,以及新能源发电功率数据、风速、风向、辐照度、气温、湿度等微气象实测数据和 NWP 数据等动态数据,对于光伏功率预测常用的还有地基云图和卫星云图数据[20]等。以上数据在获取方式、物理含义、计量单位、数据类型、数据量级、采样频率等方面均有较大差异,因此进行数据预处理特征工程构建必不可少。

  2.1 数据预处理

  由于环境因素、电站设备故障、通信网络异常、人为因素等诸多随机性原因,原始数据中不可避免的存在大量异常和缺失数据,在新能源功率预测之前需要对原始数据进行预处理,主要包括数据异常值处理和缺失值补全。

  2.1.1 异常值处理新能源出力受多种气象因素影响,但对于风电功率,其最大影响因素为风速,而光伏功率受辐照度的影响最大。对于不能正常反应风速-风电功率和辐照度-光伏功率的数据,将其称为异常数据。异常数据的产生主要来自两个方面,一是数据测量、通讯等环节出现故障或干扰,导致数据的异常和缺失[21]。二是因电网接纳能力有限而造成的弃风弃光现象,形成由人为因素造成的异常。目前,许多学者已经对新能源异常数据处理进行研究[22-27],常用的异常值识别方法主要有四分位法、聚类分析、最优熵、内方差算法[22]等,还可以利用新能源基本运行特性建立置信等效区间进行识别[23]。文献[24]将风电场异常数据分为分散型和堆积型,提出一种基于四分位法和聚类分析的异常数据组合筛选模型。利用两次四分位法剔除常规的分散型异常数据,利用聚类法剔除堆积型异常数。文献[25]提出一种用于识别风电机组发电异常数据的云分段最优熵算法,该算法基于风电机组的风速-功率曲线,采用云模型的熵对机组发电数据集进行分离,从而识别异常数据。

  2.1.2 数据插值在异常数据识别的基础上,需要对异常数据和缺失数据进行补全,尽可能保证历史数据的时序完整性。缺失数据重构的重点在于构建数据填补模型,现有研究主要从空间相关性和时间相关性两个维度,利用数据插值的方法对缺失数据进行重构,其中 Hermite 插值法、四点插值、三次样条插值等常见算法主要是基于数据的时间相关性进行插值,但是由于插值模型拟合能力较差,在缺失序列数据较长时往往效果不佳。文献[28]基于空间插值方法得到水平总辐照度,再依据水平总辐照度,采用神经网络对光伏方阵面辐照度数据进行重构,进而计算出光伏历史出力数据,由于该方法需要其他具有空间相关性的辅助量测值作为输入,实际应用时存在一定局限性。

  文献[29]设计了一种适于处理一维时间序列的 GAN 结构,用于对电压、电流、有功和无功功率等电力系统量测缺失数据进行重构。由于其内部的生成器和对抗器结构采用深度神经网络等拟合能力较强的模型,在大量量测值出现缺失的情况下仍具有较高的重建精度,并且由于其基于时间相关性进行插值,不依赖于其他辅助量测值,因此具有较大的研究价值。

  2.2 数据增强

  基于数据驱动的新能源发电功率预测方法,高度依赖大量历史数据对模型进行训练,现有文献中针对新能源预测采用的数据增强方法主要有迁移学习[30-32]、深度学习[33]、生成对抗网络[34]。对于新建的新能源场站,历史运行功率数据积累不足,难以支撑模型的训练。文献[30]基于辐照度和功率数据的相关性分析,采用辐照度数据作为源数据,而功率数据作为目标数据,提出一种基于LSTM 网络的迁移学习方法,该方法如图 4 示。

  2.3 特征构建

  利用机器学习模型对新能源功率预测,其中重要环节就是利用收集到的历史数据对模型进行训练。而原始数据往往包含多重冗余信息,直接利用所有特征进行训练会导致模型训练困难。因此,在模型训练之前需要进行特征构建,主要包括特征选择和特征降维。

  2.3.1 特征选择特征选择是从原始输入变量中选择对输出变量影响大的因素,目的在于尽可能包含原始变量所含重要信息的同时,避免输入冗余信息,压缩模型训练时间,提高模型的泛化能力和预测精度。当前机器学习领域常用的特征选择方法可分为过滤式、包裹式、嵌入式三类在新能源功率预测领域均有应用[35-38]。过滤式算法通过直接计算特征和输出关系进行筛选,特征筛选过程跟具体模型无关,因此最为简单,具体包括 pearson 相关系数、熵相关系数、Granger 因果检验等。pearson 相关系数只能对线性关系进行筛选,因此只有在待筛选特征和输出之间线性关系比较明确的场合使用。

  文献[36]提出了以最大相关-最小冗余原则提取输入变量的预测方法,采用特征和功率之间平均熵相关系数最大,各项特征之间平均熵相关系数最小的准则筛选特征,该方法能对特征和输出之间的非线性关系进行筛选,但是无法确定因果关系,因此有文献采用 Granger 因果检验[37]进行特征筛选,由于该方法引入了时间序列滞后项进行分析,因此能给出变量之间的因果关系,使得特征筛选结果具有更强的可解释性。

  包裹式算法以实际使用模型的性能作为评价准则,在待筛选的特征集合中采用一定的搜索算法找到一个最优子集。比如文献[38]提出的神经网络平均影响值(NN-MIV)的变量选择方法,综合考虑了各输入变量对风电功率之间的外部和内部贡献率,并按照排序选择贡献率大的输入变量。该方法属于“量身定做”的算法,因此理论上效果最优,但是缺点是计算量大,算法构建较为复杂。嵌入式算法的计算复杂度介于过滤式和包裹式之间,其并不存在显式的特征筛选环节,而是跟算法训练过程融合为一体,常见的如加正则项、采用随机森林等特征选择算法。

  3 基于人工智能的新能源功率预测模型

  本节具体阐述人工智能技术在当前新能源功率预测模型构建中的应用,主要包括三大类算法:传统机器学习算法、以深度学习为代表的新型人工智能算法,以及融合多种模型的组合预测方法。

  3.1 传统机器学习算法根据训练数据是否有标签,传统机器学习算法可以分为有监督学习、无监督学习和半监督学习。其中,监督学习和无监督学习在新能源功率预测领域已有广泛应用。

  3.1.1 无监督机器学习算法无监督学习是在无标签样本数据集的情况下进行训练学习,用于揭示数据中内在的一些性质和规律。聚类是无监督学习中最常见的一种任务,其核心思想是将全体样本按照一定的相似性进行分类。目前在新能源预测中,应用较多的聚类方法主要包括 K 均值聚类、层次聚类、自组织映射网络聚类等,常用于对预测场景进行模式识别,再结合各种有监督算法有针对性地进行预测,从而提高模型预测的准确度。

  3.1.2 有监督机器学习算法

  监督学习是从具有标签的样本数据集中,抽象出某种映射关系的机器学习算法,常用于解决分类和回归问题。目前,新能源功率预测领域中应用较多的有支持向量机[47-49]、人工神经网络[50-54]、基于决策树的 GBDT[55]和随机森林以及常用于概率预测的贝叶斯方法[56-59]等有监督学习方法。支持向量机(SVM)的基本模型是定义在特征空间上间隔最大的线性分类器,结合核技巧即可实现非线性分类器的功能,其学习策略就是间隔最大化,优点是在样本量较少的情况下,相比其他机器学习算法,依然能获得比较好的泛化能力。SVM 算法在新能源功率预测领域可用于进行分类,如使用 SVM 对天气类型进行分类[47],其对应的回归算法 SVR 一般用于建立预测回归模型[48-49]。

  人工神经网络(Artificial Neural Network,ANN)是模拟人脑的神经系统对复杂信息的处理机制的一种数学模型,由大量简单元件相互连接而成的网络,由于其良好的非线性拟合能力、参数和结构灵活可调,在新能源功率预测领域得到了广泛应用,其中最为经典的结构是多层感知机(MLP),文献[50]采用光伏阵列的发电量序列、日类型指数和气温作为输入,针对四个季节分别建立多层感知机神经网络预测模型对输出功率进行预测。但是MPL 学习过程收敛慢且不能保证收敛到全局最小点,因此文献[52]采用径向基函数神经网络(RBF)对地表辐照度进行预测,RBF 神经网络的隐节点采用输入模式与中心向量的距离(如欧式距离)作为函数的自变量,并使用径向基函数(如 Gaussian 函数)作为激活函数。神经元的输入离径向基函数中心越远,神经元的激活程度就越低。

  具有训练速度快,唯一最佳逼近的特性,并且无局部极小问题存在。此外,也有学者采用小波神经网络或者其改进版脊波神经网络[53]进行新能源功率预测,小波神经网络将小波函数作为神经网络隐结点的激活函数,相应的输入层到隐含层的权值及隐含层的阈值分别由小波函数的尺度伸缩因子和时间平移因子所代替,从而使神经网络获得时频局部分析的能力。以上神经网络的参数训练均采用迭代求解的方式,从而逐步逼近最优值,模型训练效率较低,而文献[54]采用单隐层神经网络的极限学习机进行风电功率区间预测,由于极限学习机网络参数基于伪逆矩阵的方式进行计算求解,因而大大提高了模型的训练速度。

  3.2 基于深度学习的人工智能算法

  深度学习算法由浅层的人工神经网络演化而来,通过组合多个非线性表征层构建深层网络模型,利用逐层抽象、逐层迭代的机制,实现对数据特征更高阶的提取。主要包括深度残差网络[60]、深度信念网络[61-62]、深度玻尔兹曼机[63]、深度循环神经网络[64-65]、深度卷积神经网络[66-67]。

  循环神经网络(Recurrent Neural Network)是一类具有短期记忆能力的神经网络,适合用于处理视频、语音、文本以及时间序列预测等与时序相关的问题,主要有 RNN、LSTM、GRU 三种结构,其中 RNN 在输入序列比较长时,会产生梯度爆炸或梯度消失问题,因此使用较少,LSTM 和 GRU 在RNN 网络基础上引入门控机制,用特殊记忆神经元模块替代普通神经元模块,能够有效弥补 RNN 难以保持长时间记忆的问题,是较常用的两种结构。循环神经网络对具有前后关联的时间序列数据处理具有天然的优势,输入和输出都支持多时间步长,因此应用于新能源功率预测时一般用多个时间点的历史功率和气象数据作为输入,预测未来功率输出或者辐照度、风速等关键气象因素。

  4 模型训练与超参数优化

  新能源功率预测效果除了与选择的预测模型直接相关外,也在很大程度上取决于模型的训练好坏和超参数是否选取合适,而模型的训练与超参数调节本质上都是优化问题。实际应用当中,大部分机器学习模型的训练优化一般都是基于梯度下降等迭代算法进行优化,而模型的结构和超参数等往往根据专家经验进行人工选择和调优。

  随着人工智能技术的发展,也有相关学者采用人工智能优化算法进行新能源功率预测模型训练和超参数调优,主要包括进化类算法、群智能优化算法、模拟退火算法、禁忌搜索算法以及强化学习等[83-89]。

  4.1 模型训练

  大部分机器学习算法采用的训练算法,如人工神经网络采用的梯度下降法、决策树的 ID3、C4.5和 CART 算法等,都存在着容易陷入局部极小点等问题,并且优化的目标函数选择不够灵活。进化类算法是一种成熟的具有高鲁棒性和广泛适用性的全局优化方法,其中最具代表性的是遗传算法。遗传算法(Genetic Algorithm, GA)起源于对生物系统所进行的计算机模拟研究,它是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法,其本质是一种高效、并行、全局搜索的方法,能在搜索过程中自动获取和积累有关搜索空间的知识,并自适应地控制搜索过程以求得最佳解。文献[83]采用模糊 RBF 神经网络预测进行日前光伏功率预测,采用遗传算法优化神经网络参数,其实验结果表明采用 GA-RBF 方法比不采用GA优化的模糊RBF神经网络预测具有更高的预测精度。

  由于新能源功率预测的不同评价指标之间往往是此消彼长的关系,基于单目标优化的方法可能出现导致未优化指标出现极端不合理的现象出现。文献[84]采用一种双输出神经网络结构用于负荷和风电功率的区间预测,并将预测目标建模为一个带约束的单目标优化问题,最后采用粒子群单目标优化算法对其神经网络参数进行优化。文献[85]直接采用多目标人工蜂群算法,以可靠性和准确性两个评价指标作为目标函数,针对对小波神经网络的伸缩因子,平移因子和权值进行了优化。结果表明相比一般的单目标优化提高了预测区间置信度,降低了预测区间带宽。

  4.2 超参数优化

  基于人工经验的超参数调优方法模型调优和建模工作量大,对专业人员的技巧和经验要求较高,同时模型很难具备场景自适应能力,当模型运行出现场景偏移时,一般需要线下优化重新线上部署。文献[87]利用基于熵判别人工蜂群算法优化,确定各个风电功率预测模型的权重,文献[88]利用改进的多种群遗传算法,计算 RBF 神经网络法、相似日法和支持向量机(SVM)三种模型的最优权重值,提高风电功率的预测精度。以上遗传算法、群智能优化算法等静态类智能优化算法由于不能和环境实时交互,难以实现模型参数的动态学习,而强化学习是一类动态优化算法,其考虑的是智能体与环境的交互问题,目的是使得智能体在与环境的交互过程中通过学习策略以达成回报最大化或实现 特 定 目 标 的 问 题 。 文 献 [89] 采 用 强 化 学 习Q-learning 算法对三种循环神经网络预测模型的组合权重进行优化,从而提高超短期光伏功率预测精度。

  5 当前研究现状和预测水平分析

  5.1 当前研究现状文献分析

  本文对新能源功率预测领域发表文献较多,影响力较大的国内外九种主流学术期刊进行了文献统计分析,总共选取了 2011-2021 年近 700 篇风电和光伏功率预测的相关文献。

  2012~2021 年风电功率预测和光伏功率预测的相关文献数量增长曲线图,整体上新能源功率预测的研究文献增长明显,且近几年呈加速趋势,说明这一课题仍然是研究热点,此外风电和光伏两种功率预测的研究文献数量增长规律基本相同,二者不分伯仲,总体上和近十年这两种新能源在产业界的发展情况相一致。

  2012~2021 年不同新能源功率预测方法文献数量分布统计图,包括时间序列预测模型,ANN、SVM、决策树等主流的传统机器学习模型,深度学习模型,以及物理模型和使用较少的其他类模型,从图中可以看出,SVM 凭借其优良的泛化性能,在早期应用较多,在传统机器学习方法中占据较为重要的地位,而近年来深度学习算法越来越成为主流的研究方法,且几乎占了大部分比例,毫无疑问已成为新的研究热点。

  5.2 新能源功率预测水平分析

  由于现有文献中的新能源功率预测算法所用数据集不同,且预测的时间尺度,空间尺度不一,以及评价指标的多样性,基于文献分析很难对比不同机器学习算法在实际应用中的优劣。因此本文选取全球能源预测大赛(GEFCom)、美国气象学会2013-2014 光伏功率预测大赛、2021 年国家电网调控人工智能创新大赛赛道 3 这几项有影响力的新能源功率预测大赛比赛结果作为一个比较手段,以排除上述主观因素的影响。全球能源预测大赛(GEFCom)由美国电气电子工程师协会电力和能源学会发起,至今已经举办过 GEFCom2012、GEFCom2014、GEFCom2017 三届,有超过 60 个国家和地区的数百只队伍参赛。本文对 2012,2014,2017 年三届全球能源预测大赛中排名较为靠前的优胜模型进行了统计[90-92],摘要如表 5 所示,从中可以看出组合预测模型数量明显多于单一预测模型。

  6 前沿展望

  1)在线自适应学习除了传统的陆地新能源和集中式新能源以外,未来我国沿海地区海上风电以及各种小型分布式新能源也将迎来爆发式增长,对于新能源功率预测而言,由于这些场景设备运行工况更为复杂,气象条件更加多变,模型的场景自适应能力尤为重要。当前新能源功率预测一般采用“离线训练,在线预测”的方式,模型上线之后对环境缺乏动态自适应调整的能力,存在参数更新不及时、无法实时响应新能源电站运行状态等问题,因此当新能源电站环境参数和运行参数等发生较大变化时,模型预测精度可能出现明显下降。

  此外,针对新能源功率预测虽然有大量模型和预测方法被提出,但是预测模型往往存在对数据和使用场景的强依赖性,模型泛化能力不强。而当前研究采用的组合预测方式往往是多个模型的静态组合方式,而针对不同的场景,当前预测方法在模型超参数优化、模型场景自适应方面缺少研究。模型自适应技术通过感知自身和环境的变化,动态调整自己的行为与参数,能够在环境发生非预期变化的情况下继续保持高精度预测。以往的自适应技术往往对经验信息和先验知识依赖较大,预测泛化性能不足。随着大数据和人工智能的发展,基于自动机器学习、自动特征工程、神经网络结构搜索、增量样本学习等技术,实现模型参数、超参数与结构的自动调整,从而准确刻画、适应预测对象的变化趋势,全面反映预测对象不确定性特征,提升泛化性能。

  2)小样本机器学习近年来,随着海量数据的积累,在大数据技术的支撑下,机器学习和深度学习在许多领域中取得了成功。但是在现实世界中的很多应用场景,经常面临样本稀缺或者可用数据量少的问题。根据国网能源院预测,截止 2060 年我国新能源装机量将约为 2020 年 10 倍,未来会有大量新建新能源场站并网,面临历史积累样本不足的问题,同时也将有大量分布式光伏接入,其小型化和运营主体多样化的特点也决定了其数据获取成本高昂。小样本学习已经成为近几年人工智能研究领域的一个热点,一种较为直观的解决手段是采用数据增强的方法,即利用原始少量样本生成大量样本,具体来说又包括数据生成和特征增强。另外一种思路是从模型的角度来实现,即使用少量样本数据,也能快速学习新的概念或技能。

  其中元学习和数据知识融合是两种比较典型的解决范式。元学习具体指从大量的先验任务中学习到元知识,利用以往的先验知识来指导模型在新任务(即小样本任务)中更快地学习。而数据知识融合通过预先给模型融入一部分人类的经验知识或者物理机理,使得模型一开始就具备待学习领域的部分知识,从而解决了从数据中学习知识量不足的问题,也即提高了模型的整体泛化能力,同时提高了模型的可解释性。具体到新能源功率预测,可考虑将晴空模型、光电转换模型、风功率转换模型等物理机理模型和人工智能模型进行融合,如采用人工智能模型代替物理模型子过程、优化或者辨识物理模型参数、用物理模型校正人工智能模型输出结果、基于物理模型对人工智能模型进行模型预训练等。

  3)基于人工智能技术提升 NWP 数据分辨率以新能源为主体的新型电力系统背景下,高比例的电力电子装置并网带来的暂态功角稳定问题、频率问题以及低惯量问题,使得电网对于实时调度和新能源的精细化管理要求更高,也就迫切需要进一步提高新能源的功率预测精度和时间分辨率。新能源功率预测使用的 NWP 数据往往是在较大空间尺度范围内的一个平均值,在使用 NWP 数据来预测新能源输出功率时,一般直接将原始数据作为模型输入来进行预测,未考虑实际地形、地貌以及建筑物遮挡等因素对风速和光照等关键气象因素的影响,在某些情况下可能导致功率预测结果发生较大偏差。此外,由于当前 NWP 数据时间分辨率一般为数小时级别,导致功率预测结果的时间分辨率也较为粗糙,难以满足新能源实时调度等时间分辨率要求较高的场合。

  7 总结

  当前人工智能技术在新能源功率预测领域的应用主要包括模型输入、模型构建和参数优化三个方面。模型输入包括数据预处理、数据增强和特征构建方面的应用。模型构建主要有以 ANN、SVM、决策树模型为代表的传统机器学习算法,基于深度学习的新一代人工智能技术,以及组合多种人工智能算法的组合预测技术;模型参数优化算法包括进化算法、群智能优化算法等静态优化算法和强化学习等动态优化算法,主要用于模型训练和组合参数优化。新能源功率预测近十年研究硕果颇丰,增长明显,且目前依然备受学者关注。相比传统机器学习算法,近年来随着大数据时代的到来,深度学习算法已成为新的研究热点。新能源功率预测大赛中实际应用效果较好的模型与学术文献中的研究热点并不完全一致,理论研究和产业应用之间存在差距。

  此外,国内外实际预测系统几乎全部采用组合建模方法,技术路线由早期的物理建模方法为主过渡到以数据驱动方法为主,而欧美发达国家的产业应用早于我国大约 10 到 15 年的时间。最后,结合新型电力系统背景下我国未来新能源的发展态势,分析新能源功率预测可能将面临的一些新的挑战,具体对场景自适应、小样本学习、NWP 数据时空分辨率、分布式新能源预测、预测方法标准化验证这五个方面存在的问题进行了剖析,并针对每类问题的特点,结合强化学习、元学习、图神经网络等多种人工智能技术的优势,对可能的解决方案进行了展望。

  参考文献

  [1] 舒印彪.发展新型电力系统助力实现“双碳”目标[J].中国电力企业管理,2021,7:8-9.SHU Yinbiao.Development of a new power system tohelp achieve the “dual carbon” goal[J].China ElectricPower Enterprise Management , 2021 , 7 : 8-9(inChinese).

  [2] GAN D,THOMAS R J,ZIMMERMAN R D. Stabilityconstrained optimal power flow[J]. IEEE Transactionson Power Systems,2000,15(2):535-540

  [3] 秦超,余贻鑫.基于安全域的含风电电力系统概率小扰动稳定分析[J].电力系统自动化,2014,38(10):43-48.QIN Chao , YU Yixin . Security region basedprobabilistic small signal stability analysis for powersystems with wind power integration[J].Automation ofElectric Power Systems , 2014 , 38(10) : 43-48(inChinese).

  [4] XING Xuetao,LIN Jin,WAN Can,et al.Modelpredictive control of LPC-looped active distributionnetwork with high penetration of distributedgeneration[J] . IEEE Transactions on SustainableEnergy,2017,8(3):1051-1063.

  作者:朱琼锋 1,李家腾 1*,乔骥 1,史梦洁 1,王朝亮 2

转载请注明来源。原文地址:http://www.xuebaoqk.com/xblw/7527.html

《人工智能技术在新能源功率预测的应用及展望》