基于改进GRU-CNN的风光水一体化超短期功率预测方法｜《中国电力》

来源：《中国电力》2023年第9期

引文：吴晓刚, 阎洁, 葛畅, 等. 基于改进GRU-CNN的风光水一体化超短期功率预测方法[J]. 中国电力, 2023, 56(9): 178-186, 205.

点击文章底部左下角“阅读原文”可在手机端查看论文全文，登录官网www.electricpower.com.cn可免费下载全文。

编者按

随着化石能源的日益枯竭，能源缺口日益增大，为此世界各国陆续提出碳中和目标，加快以新能源为主体的多能源电力系统建设。然而，随着以风、光、水为主的可再生能源在电力系统中占比的提高，一方面，由于风电、光伏出力的随机性、波动性，以及小水电弃水、窝电等问题，导致可再生能源对电力系统稳定性的影响日益突出；另一方面，风、光、水能源系统模型差异性大，相互之间存在多重不确定性，兼容性较低，给多能源电力系统带来了较大的挑战。准确的风光水功率预测技术是充分发挥风、光、水互补特性，降低可再生能源对电网的冲击，实现可再生能源大规模并网的重要前提。《中国电力》2023年第9期刊发了吴晓刚等人撰写的《基于改进GRU-CNN的风光水一体化超短期功率预测方法》一文。文章提出了一种基于改进门控循环单元和卷积神经网络（GRU-CNN）网络的区域风光水一体化超短期功率预测模型建模方法，首先通过分析历史功率及风速、辐照度、水位参量与当前功率的相关性，明确了预测模型的输入变量，之后通过引入时序注意力机制，并借助门控循环单元（gate recurrent unit，GRU）网络的时序特征挖掘能力与卷积神经网络（convolutional neural networks，CNN）的空间特征挖掘能力，在建模过程中采用各类能源先独立编码再融合的方式，实现了区域风光水时空特性的提取。以南方某区域1个风电场、6个光伏电站、9个水电站为例对所提方法进行了验证，结果表明，与常规独立预测及联合预测方法相比，所提方法能有效提升预测精度与建模效率。

摘要

风、光、水能源系统模型差异性大，相互存在多重不确定性，高精度的风、光、水功率预测是充分发挥风、光、水互补特性的重要前提。为此，基于门控循环单元（GRU）及卷积神经网络（CNN），提出了一种能够考虑异质能源时序特性及空间关联特性的一体化超短期功率预测方法。先分析了区域内不同场站不同数据的关联特性，再通过引入时序注意力机制，基于改进的GRU-CNN网络，建立了历史气象、功率数据与未来功率数据的映射关系，实现了多场站联合超短期预测。算例结果表明：所提预测方法能够实现区域风光水电站的一体化高精度超短期功率预测，效果优于单场预测及常规联合预测方法，且有着更高的建模效率。

01

区域风光水时空相关特性分析

同一区域内的风光水电站受局部地区地理位置、气候条件等因素的影响，相互之间的出力存在着较为显著的时空关联特性。在功率预测建模过程中进一步挖掘同时刻异质能源出力间的空间耦合特性，以及历史时刻功率/气象信息与当前功率间的时序特性，有助于进一步提高预测精度。

采用Pearson相关系数计算不同参量之间的相关性r为

式中：n为样本数； X 、 Y 为待计算的参量； X_i 、 Y_i 分别为X、Y第i个数值；为相应参量的均值。

以南方某区域内1个风电场、6个光伏电站、9个径流式小水电站2021年1月1日—2021年5月30日实测风速、辐照度、水位以及功率数据为例，对各场站同时刻功率以及历史时刻各参量进行相关性分析，其中历史参量定义为当前时刻前4 h的参量，相关性热力图如图1所示。

图1  区域风光水不同参量相关性热力图

Fig.1  Heat map of correlation between different parameters of regional wind, solar, and hydro

1）由图1 a)可以看出，区域内同类能源场站间的同时刻出力有极高的相关性，各光伏场站出力相关性为0.83~0.99，各水电站出力相关性为0.61~0.87，均呈现高正相关性；然而，异类能源间同时刻出力相关性较低，仅为–0.15~0.29，表明风光水出力特性差异较为显著；

2）由图1 b)、图1 c)可以看出，水电当前时刻功率与历史功率及水位的相关性分别为0.67~0.82、0.55~0.80，风电当前时刻功率与历史功率及风速相关性为0.51、0.62，均有着较为显著的相关性，时序特性明显；光伏当前时刻功率与历史功率及辐照度的相关性分别为0.25~0.31、0.31~0.33，相关性较低，可能由于该地区阴雨天气较多，且天气场景变化频繁，导致光伏历史信息与当前信息差异较大。

02

基于改进GRU-CNN的超短期功率预测建模

2.1  门控循环单元

循环神经网络（recurrent neural network，RNN）是目前时间序列预测领域较为常用的深度学习算法，然而其网络结构导致在长期记忆和反向传播中容易发生梯度消失及梯度爆炸问题，GRU通过“门”的机制对该问题进行了改善，该网络结构与长短时记忆神经网络（long short-term memory，LSTM）相似，不同点在于GRU将LSTM中的遗忘门和输入门合成了一个单一的更新门，同时混合了细胞状态和隐藏状态，使结构更为简洁，计算效率更高，对捕捉时间序列特征具有很好的适用性。

图2为典型GRU网络架构，GRU通过重置门及更新门2个乘法门处理上一时刻的隐状态 h_t−1 及当前时刻的外部输入信息 x_t ，从而更新当前时刻的隐状态 h_t 实现模型训练，计算规则为

图2  GRU网络架构

Fig.2  GRU network architecture

式中： W^(z)、W^(r)、W、U^(z)、U^(r)、U 为相应输入权重矩阵； h′_t 为当前记忆内容；⊙ 为Hadamard运算； σ 为Sigmoid激活函数，z_t 为当前隐藏节点输出； r_t 为重置门输出。

2.2  注意力机制

目前的时间序列预测模型在处理序列特征时，往往将序列中每一步的信息视作等价，无法选择性地关注某部分信息，从而忽略了特征间的相关性和输入信息间的时间差异，影响模型效果。注意力模型（attention model，AM）的核心思想是在输入序列上引入注意力权重，以评估不同输入信息的重要程度，有助于模型更为直接地关注到与期望输出关联度更高的输入信息，增强模型的精度。

以跨度为 n 的时间序列 [x₁,x₂,⋯,x_n] 为例，注意力权重向量 α_t 及加权向量 x_t 的计算规则为

式中： W^(α) 为权重矩阵； b_α 为偏执向量。

2.3  改进GRU-CNN模型

引入注意力机制能够进一步提高GRU网络对时序特征的提取能力，然而，由时空相关特性分析结果可知，区域内风光水电站出力不仅与各场站自身的历史出力存在关联特性，还与区域内其他同类场站的历史出力存在强相关特性，且异类能源间出力有较为显著的差异，在数据处理及建模过程中忽略场站间出力的空间特性及异类能源的差异性可能会限制预测精度的进一步提升。

因此，提出了一种如图3所示的改进GRU-CNN模型，考虑到输入输出模块数据维度的差异，以及为了更好挖掘输入序列与输出序列间的映射关系，模型整体采用序列对序列（sequence-to-sequence，seq2seq）架构，整体建模流程如下。

图3  改进GRU-CNN网络架构

Fig.3  Improved GRU-CNN network architecture

1）构建异类信息编码层。神经网络拟合多种输入变量及输出变量间映射关系的过程本质上是一种“黑箱”过程，可解释性较差，具备一定的随机性。在输入变量差异较小时，拟合过程可以保持较高的稳定性，然而，由于风光水异类变量特征差异显著，若不加区分而直接拟合，则模型难以对包含较多纬度的多类输入变量与相应输出变量间的权重进行准确判断，导致模型难以得到较好的拟合效果。

因此，为了在编码过程中最大限度降低异类能源输入变量间的干扰，首先对各风、光、水3种能源场站的输入变量分别进行编码，初步实现风、光、水3类历史输入变量自身时空关联特征的表征，降低输入变量的复杂度。

其中，各个编码层模块的输入变量包含时间步、数据类型、场站数量3类信息，其中风电场编码模块的数据类型包括历史功率及风速，光伏场站编码模块的数据类型包括历史功率，水电站编码模块的数据类型包括历史功率及水位。之后，各模块通过1个卷积层对输入变量的数据类型及场站信息维度的信息特征进行下采样，完成各场站空间层面的特征提取，得到风、光、水3类输入变量的空间融合矩阵。

2）时空特征融合模块。通过1个GRU层对卷积层提取后的空间融合矩阵的时间步维度的信息特征进行采样，实现各场站历史数据时序特征的提取，进而得到风、光、水3类能源各自的时空融合矩阵。此时各类数据已经实现了初步融合，然而随着预测步长的增加，仅使用GRU层可能导致时间序列信息的丢失，导致时间序列预测效果下降，因此，在GRU模块的基础上增加时序注意力模块，动态赋予时空融合矩阵中时序信息的注意力权重，实现各场站时序特征的融合，进一步强化模型对历史序列重要时间点的信息关注度，强化时序预测效果。

考虑到区域内气象特征存在非线性、混沌性等特点，通过简单的相关性分析难以体现气象信息在区域内的空间传递特性，因此，对已经融合后的风、光、水时空特征进行进一步的融合，有助于深度挖掘内在的空间关联规律，提高预测效果。因此，通过CNN层对时空融合矩阵中融合后的数据类型、场站数量特征进行进一步融合，同时对上述特征进行上采样，使之能够与输出数据的相应特征维度匹配。

3）预测数据解码模块。基于GRU对上述过程中融合后的特征矩阵进行解码，最终经由全连接层（Dense）生成与输出数据相匹配的序列，得到各场站未来4 h的预测功率。

2.4  基于改进GRU-CNN的风光水超短期联合预测模型

基于上述分析，以各风电场的历史功率/风速、各光伏场站的历史功率、各水电站的历史功率/水位为输入，未来时刻的功率为输出，按照以下流程开展超短期预测模型的建模工作。

1）获取历史SCADA及气象数据，对各类数据分别进行归一化，并将归一化后的数据集划分为测试集及训练集。

2）将训练集及测试集中的风、光、水相应数据进行重构，使之能够满足各自编码层最前端卷积层的输入，以第 k 个场站归一化后的 n 个功率序列 P_k=[p_k,1,p_k,2,⋯,p_k,n] 为例，重构方式为

式中： s 为输入数据长度，建模过程中，经测试 s=16 效果最佳。

将各场站涉及的历史功率、风速、水位数据按式（9）重构后，将各类能源的数据先分别组合为 D_wind 、 D_pv 、 D_hydro ，各变量重构结果为

式中： n_pv 、 n_hydro 为光伏、水电站场站数量，分别取6和9； W′ 为重构后的风速数据集， L′_i 为第 i 个水电站重构后的水位数据集。之后将3类数据集组合为 [D_wind,D_pv,D_hydro] ，作为模型的输入数据。

3）初始化GRU-CNN模型参数，以每组样本中各场站前4 h（时间步长16）的历史数据序列（包含各场站功率、风速、水位）为输入，各场站后4 h（时间步长16）的实测功率序列为输出，对模型进行训练。其中，模型的优化器选择Adam优化器，选择Sigmoid作为激活函数，均方误差（mean squared error，MSE）为损失函数，作为各编码层及解码层隐层数（hidden dim）设置为64，批大小（batch size）设置为256，学习率（learning rate）为0.001，步长（epoch）设置为500。同时，为了避免过拟合以及训练时间过长等问题，引入丢弃参数（dropout）及提前停止（early stopping）机制，进一步提高模型的性能。

4）训练模型直至模型损失（loss）收敛，使用训练好的模型开展超短期预测工作。

03

算例分析

3.1  数据概况及评价指标

为验证所提方法的有效性，采用南方某区域内2021年1月1日—5月30日的1个风电场、6个光伏电站、9个径流式小水电站数据进行算例分析，结合第1章分析结果，预测的输入变量为各场站功率、风电场风速以及水电站水位。为不失一般性，选取每个月后5天作为测试集，其余天数样本作为训练集，开展算例分析工作。

以相对均方根误差（root mean square error，RMSE） ERMS 为预测精度的评价指标，计算方式为

式中： n 为样本数；分别为第 i 组样本第 j 步的预测结果及相应时刻的实测值； y_cap 为该场站额定容量。

为进一步证明所提模型的预测效果，设计了如下对比算例。

1）基于GRU对各场站分别建立独立预测模型，模型超参数与联合预测模型相同，其中风电场独立预测模型输入为历史4 h的功率以及风速数据，输出为未来4 h功率数据；光伏独立预测模型输入为历史4 h的功率数据，输出为未来4 h功率数据；水电独立预测模型输入为历史4 h的功率以及水位数据，输出为未来4 h功率数据；

2）基于时间卷积网络（temporal convolutional network，TCN）及GRU网络，通过常规方式建立各场站联合预测模型，模型输入数据类型包括各场站历史4 h的功率、风速及水位数据，输出为各场站未来4 h的功率数据，与本文所提模型区别在于，此算例建模过程中对各类变量未加区分，输入形式为

3.2  结果分析

按照设计的实验方案，针对区域内1个风电场、6个光伏电站、9个径流式小水电站开展了超短期预测，为定量评价预测效果，统计了4种方案第1步、第16步的预测误差以及第1~16步的平均预测误差，各场站误差统计结果如表1所示，得出如下结论。

表1  各场站不同方案预测结果均方根误差统计

Table 1  Root mean square statistical error of different forecasting methods of each station

1）联合预测方案在第1步预测效果大多略弱于独立预测，可能由于独立预测模型训练模型时loss函数仅需要考虑单一序列的预测效果，而联合预测模型需要考虑多类序列的整体预测效果，一定程度上影响了前几步的预测效果；

2）与独立预测模型相比，本文所提联合预测模型随着步长的增长，优势逐渐明显，其中风光预测精度提升效果最为明显，第16步预测误差及平均误差均低于独立预测方案，风电第16步RMSE降低了4.92%，整体RMSE降低了3.97%；光伏第16步RMSE最大降低了2.88%，整体RMSE最大降低了2.85%；小水电第16步RMSE最大降低了2.89%，整体RMSE最大降低了1.99%，证明了所提方法相对于独立预测模型，能够充分挖掘区域内各场站的时空关联特性，提高预测精度；

3）3种联合预测方法中，TCN方案效果最差，预测误差除光伏2场站外几乎全面高于其他方案，表明该模型在面对差异性较大的输入输出数据时难以取得较好的拟合效果。GRU联合预测模型在水电站预测效果普遍较好，其中水电1、水电2、水电7的整体平均预测误差较本文所提模型降低了0.42%、0.15%、4.33%，其余水电站预测效果差异较小，且大部分优于独立预测模型；然而，该模型在风、光场站预测水平下降较为显著，虽然大部分预测结果仍优于独立预测模型，但与本文所提模型相比，第16步预测误差上升了0.17%~3.8%，整体平均误差上升了1.43%~3.59%，表明该模型难以充分区分各类变量，仅对其中某一类变量取得了较好的拟合效果，进一步说明了传统联合预测方法在处理异类能源是适用性较差，证明了本文所提模型的有效性。

为更直观体现预测效果，绘制了如图4所示的部分场站各方案的预测曲线，其中图4 a)包含了不同水电站平稳出力（水电3）、波动出力（水电5）及波动-平稳过渡过程（水电9），图4 b)包含了风电场大风速波动及小风速波动过程，图4 c)包含了阴雨天（光伏3第0~96时段）、多云天（光伏6）及晴天（光伏3第96~300时段）。由预测曲线可以看出。

图4  风光水超短期预测结果

Fig.4  Ultra-short-term forecasting results of wind, solar, and hydro power

1）精度普遍较差的TCN联合预测模型，在各场站均容易出现较为极端的预测结果，如图4 a）水电3第280~300时段、水电5第150~170时段、图4 c）光伏3第230~250时段，进一步证实了该方案难以取得较好的拟合效果；

2）对于GRU联合预测方案、GRU独立预测方案及本文所提方案，GRU联合预测在水电站及风电场预测效果较为稳定，未出现较为极端的预测结果，趋势跟踪效果较好。然而在光伏预测时存在较为明显的不稳定现象，如图4 c)光伏3左侧虚线框的阴雨场景及光伏6左侧虚线框的多云场景，前者表现为实际出力较低时预测结果偏大，后者表现为出力波动性未能追踪，且2种场景下独立预测方案效果均优于GRU联合方案，说明对输入变量未加区分的联合预测模型受同时刻其他类型场站出力影响显著，即实际为低出力的光伏场景易受同时刻高出力的风/水电出力的影响导致预测结果产生较大偏差，而本文所提模型在上述所有场景中均有着较好的追踪效果，符合前文的分析结果。

对于模型的建模效率，各方案均基于Python3.7实现，实验平台配置为Windows 64/Intel(R) Core(TM) i7-9750H CPU/16.0 GB RAM，在此配置下，独立预测单个模型的训练时长约16.67 min，总计耗时约266.67 min，本文所提联合预测模型及TCN、GRU联合预测模型训练时长分别为108.33 min、58.33 min、37.5 min，耗时远低于独立预测模型，且独立预测每个模型均需要对超参数进行调优，调参工作量是联合预测模型的16倍，可以看出本文所提联合预测模型能在保证精度的前提下，显著降低建模工作量。

04

结论

为充分挖掘区域内风光水电站出力间的时空关联规律，提高区域风光水功率预测精度，本文提出了一种基于改进GRU-CNN网络的风光水一体化超短期功率预测方法，得出如下结论。

1）本文提出模型架构通过对各类能源先独立编码再融合的方式，依靠GRU以及时序注意力机制的时序特征挖掘能力以及CNN网络的空间特征挖掘能力，实现了各场站空间关联特征的提取，提高了预测精度，预测效果较常规联合预测模型更为稳定，与独立预测方法相比，风、光、水超短期预测平均精度分别提升了3.97%、1.12%~2.85%、0.02%~1.99%；

2）所提方法在保证精度的同时，训练模型所需时间以及调参工作量均远小于独立模型，有一定的推广应用价值。

受收集数据所限，本文在考虑区域气象要素时仅能考虑风速、辐照度、水位的影响规律，考虑更多气象要素的耦合规律，进一步提高模型性能是本文后续的重点研究方向。

注：本文内容呈现略有调整，如需要请查看原文。

 往期回顾 

编辑：于静茹

校对：王文诗

审核：方彤

声明

根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。