1、71曹锦阳等：基于 CNN-BPNN 的风光抽水蓄能电站联合优化0引言随着我国“双碳”目标的提出和世界能源供应向可再生能源的转变，风力发电和太阳能光伏发电得到迅速发展。但由于风光的间歇性和随机性问题，导致其输出功率不稳定，使其利用效率低、并网困难。抽水蓄能具有灵活启停、爬坡率高等优点，与风光发电配合，可以显著降低对电网波动的影响，是目前技术最成熟最经济的规模化储能技术1。文献 2通过设计一个多神经网络的数据融合算法来预测下一年每小时风速及发电量。文献 3 采用可调鲁棒优化方法处理离散和连续的不确定性，提出应对多重不确定性和传输约束的方法，可以在经济的前提下保证系统的可靠性。文献 4 建立了协调
2、调度模型，为制定风光伏抽水蓄能协调调度输出方案提供理论依据。目前，对风光抽水蓄能联合运行的研究理论基础较为成熟，但实际操作的可行性、误差大小还有待提高。本文拟基于卷积神经网络和 BP 神经网络，建立有效的风光发电功率优化预测模型，得到最终稳定的输出功率，并联合抽水蓄能实现系统的合理调度，从而提高风光发电利用效率，降低其大规模并网困难的问题。1预测及联合优化模型建立1.1卷积神经网络模型本文利用卷积神经网络（Convolutional Neural Networks，CNN）预测风电机组的输出功率。CNN 基本结构由输入层、隐含层（卷积层、池化层和全连接层）及输出层构成。（1）输入层。在将数据输
3、入网络前，在通道或时间频率维对输入数据进行归一化，输入特征的标准化有利于提升卷积神经网络的学习效率。本文输入层为二维数据，类似于一个 58760 大小的图像，训练集占比 85%，剩下 15%为测试集。（2）隐含层。卷积层可以对输入数据进行特征提取，其内部包含多个卷积核，组成卷积核的每个元素都对应一个权重系数和一个偏差量，类似于一个前馈神经网络的神经元。其输出特征面的每个神经元与其输入进行局部连接，并通过对应的连接权值与局部输入进行加权求和再加上偏置值，得到该神经元输入值，该过程等同于卷积过程5-6。卷积层参数包括卷积核大小、步长和填充，三者共同决定了卷积层输出特征图的尺寸，是卷积神经网络的超参
4、数。其中卷积核大小可以指定为小于输入图像尺寸的任意值，卷基于 CNN-BPNN 的风光抽水蓄能电站联合优化曹锦阳1，李嘉铮1，樊懋2，孙博宁1，蒲梓宁1，何再雨1，吴凤娇1，许贝贝1（1西北农林科技大学，陕西省杨凌区712100；2国网陕西省电力有限公司商洛供电公司，陕西省商洛市726000）摘要：由于风电和光伏发电输出功率具有波动性和不稳定性，使其利用效率低、并网困难。本文利用抽水蓄能电站灵活性高的特点，将风力发电和光伏发电输出功率与抽水蓄能发电输出功率进行联合优化。首先，凭借卷积神经网络卷积核参数共享与短期信息提取强的优势，预测风力、光伏发电输出功率；然后，以环境和气象因素为基础，通过BP
5、神经网络构建抽水蓄能电站发电功率预测模型，使最终并网功率为恒定值。本文建立的模型预测结果误差小，预测准确性高，最终优化后的输出功率趋于稳定，可有效提高风电、光伏发电并网的稳定性，减少电力系统中弃风、弃光现象。关键词：卷积神经网络；BP 神经网络；功率预测；风光抽水蓄能联合运行中图分类号：TV213.9文献标识码：A学科代码：570.99DOI：10.3969/j.issn.2096-093X.2023.04.011基金项目：国家自然科学基金项目（51509210）。72水电与抽水蓄能Hydropower and Pumped Storage第 9 卷 第 4 期（总第 50 期）2023 年
6、8 月 20 日Vol.9 No.4(Ser.50)Aug.,20,2023积核越大，可提取的输入特征越复杂。卷积步长定义了卷积核相邻两次扫过特征图时位置的距离，步长为 n 时会在下一次扫描跳过 n-1 个像素，因为本文输入数据较小，故卷积步长设为 1，卷积核会逐个扫过特征图的元素，有利于特征的准确提取。考虑本文输入数据为 58760 大小，为了更加准确提取，本文卷积核大小选为 33，数量为 32，为了不丢弃原图信息以及保持特征图的大小与原图一致，同时保持边缘信息，让更深层的 layer 的 input 依旧保持有足够大的信息量，填充方式设定为相同填充，通过加入 padding 函数来实现，即
7、只进行足够的填充来保持输出和输入的特征图尺寸相同。卷积层中包含激励函数以协助表达复杂特征，本文选用计算简单，导数恒定，具有稀疏性的非饱和激活函数 ReLU 激励函数。全连接层位于卷积神经网络隐含层最后部分，并只向其他全连接层传递信号，可以对提取特征进行非线性组合得到输出，即利用现有的高阶特征完成学习目标。本文全连接层神经元个数为 2，长度取值为 32。（3）输出层。本文因为输出只有一个，故输出层神经元设置为 1。1.2BP 神经网络模型输入层包含风电功率和光电功率参数，通过双层隐含层，输出层经过反归一化即可得到预测的抽水蓄能发电功率10。（1）输入层。以风光电所预测的后 15%数据作为蓝本，采
8、用小时为单位，共计 1314 组数据。选择前 1000 组数据用来构建模型，采用 7:3 的比例分配训练集以及测试集，剩余的数据则作为检验模型的验证集。此模型选取的归一化范围为-1，1。（2）隐含层。本神经网络选择基本的双隐含层结构，第一层节点个数为 10，第二层为 20。学习率直接决定网络收敛的速度以及网络能否收敛，学习率设置为默认值为 0.1。LM 算法（Levenberg-Marquardt）是一种非线性规划方法，其主要用于无约束的多维非线性规划问题，可以得到更为理想可行的模拟结果。故本次模型选择利用 LM 算法作为训练的激励函数。（3）输出层。输出为抽水蓄能电站的预测出力，神经元个数设
9、置为 1。1.3风光抽水蓄能联合优化模型1.3.1优化目标本模型为单一数据预测模型，考虑联合系统在以一年为尺度的时间段内出力基本恒定、波动幅度最小为目标，建立目标函数。pre21av11()TttminfPPT=-（1）式中：pretP 第 t 小时内系统出力预测值；Pav以一年为尺度的系统平均出力。此目标函数表示了时间尺度内系统出力的波动幅度，函数值越小，表示系统出力越均匀，其出力曲线越接近光滑直线。1.3.2BP 神经网络优化建模 以某地历史上每年的风光预测出力数据，求和取平均值即 Pav，作为某地该月的系统平均出力。pv2av11()TwtttPPPT=+（2）式中：wtP第 t 小时内
10、风电平均出力；pvtP第 t 小时内光电平均出力。以 Pav作为该年理想的系统平均出力，可以保证抽水蓄能电站用电发电近似相等，实现抽水蓄能平衡稳定。随后将该年的系统平均出力 Pav与某月第 t 小时内风电光电平均出力之和pv()wttPP+相减，得到该月第 t 小时内抽水蓄能电站期望出力 Yt作为 BP 神经网络的期望输出。pvav()wtttYPPP=-+（3）其中，当 Yt为正数时，抽水蓄能电站放水发电；当 Yt为负数时，抽水蓄能电站抽水耗电。风光抽水蓄能联合优化模型流程如图 1 所示。导入风光参数数据利用CNN进行预测训练误差是否达到10e6得到风光发电功率设置训练参数，利用BPNN进行
11、优化得到抽水蓄能输出功率结束是否图 1风光抽水蓄能联合优化模型流程图Figure 1Flow chart of the joint optimization model of landscape pumped storage2风光发电功率预测及评价2.1风力发电功率预测本 文通过羲和能源大数据平台获得陕西北部经度73曹锦阳等：基于 CNN-BPNN 的风光抽水蓄能电站联合优化109.6171、纬度 38.7209。某地区 2022 年 4 月 1 日 0:00 至2023 年 3 月 31 日 23:00 的数据（下文光伏数据来源同上），风机型号为 GE-GE_2.5_100（轮毂高度为 10
12、0m，装机容量为2.5MW），五个输入参数分别为经向风速、纬向风速、地面风速、风向、风机轮毂处风速，输出参数为发电功率。通过风机发电功率历史数据对模型进行训练，训练最大迭代次数是 20 次，批处理样本为 16，学习率（控制梯度下降的速度）为 0.005，梯度阈值为 1，同时使用ValidationData 函数防止过度拟合。在训练数据时，加入Adam 函数对随机梯度下降算法进行扩展，Adam 通过计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应性学习率。图 2 为模型训练实际数据与测试数据结果对比。据图分析，测试数据较接近实际数据，预测整体效果良好。2.51.5210.50020
13、04006008001000120014000.5时间/h输出功率/MW测试数据实际数据图 2模型测试数据与真实数据比较Figure 2Model test results were compared to the true values2.2光伏发电功率预测由于受气象因素影响较大，光伏容量曲线波动较大，光伏能源并网将给电网带来安全问题，根据标准 GB 507972012光伏发电站设计规范，在电站设计阶段，需要对拟建光伏电站发电量进行 1 个月至 1 年的长期预测7。光伏发电量受环境温度、辐照度、湿度和风速等气象因素的影响，导致功率输出具有一定的波动性和间歇性。为了减小预测结果与真实值之间的误
14、差，理论上预测模型应全面考虑各类因素。然而，各类气象因素对发电功率的影响程度不同8，如果对预测模型的输入变量不加筛选，会造成预测模型的冗余及偏差。综上，查阅资料筛选出历史数据中的主要影响因素，确定预测模型的输入变量为温度与太阳辐射度，太阳辐射度分为地表水平辐射，直接辐射和散射辐射三个方面表示。输入为环境温度，地表水平辐射，直接辐射，散射辐射和输出功率数据共 8760 组，其中：环境温度指高地面约1.5 2m 处百叶箱中的温度；地表水平辐射指地表水平方向获得的太阳辐射；直接辐射指垂直于太阳能方向的直接辐射；散射辐射指太阳光在穿过大气层到达地面过程中遇到云、气体分子、尘埃等产生散射，以漫射形式到达
15、地球表面的辐射能。用这一年内时间点的数据作为训练集带入程序，再给出被预测日的输入（环境温度，地表水平辐射，直接辐射，散射辐射），即可得出预测的输出功率，如图 3 所示。2.3结论与模型评价本文选取 4 个指标用于评估预测模型的预测性能和数据特征，包括平均绝对值误差（MAE）、平均绝对值误差百分比（MAPE）、均方根误差（RMSE）和相关系数（R）。其中MAE 和 RMSE 越小，表明预测结果精确度越高。风电功率预测数据主要依据来源于数值天气预报及风电场实测数据，由于受气候、地理条件等诸多因素的影响，风速及风向的变化非常复杂，并没有明显的规律可循，具有很强的不确定性，这导致预测误差不可避免。并且
16、由于梯度会衰减，误差强度会乘上权重向后传播，权重有的会越来越小，74水电与抽水蓄能Hydropower and Pumped Storage第 9 卷 第 4 期（总第 50 期）2023 年 8 月 20 日Vol.9 No.4(Ser.50)Aug.,20,2023导致强度衰减，因此导致 CNN 预测时出现误差。随着训练轮数的增加和训练误差的降低，风电功率预测模型的特性不断接近实际功率的变化特性，从而实现功率的预测。光伏功率预测误差客观存在且不可避免，究其原因主要是云层的剧烈变化所引起的光伏功率曲线的波动，所以待预测日的类型是影响误差分布的主要因素。为验证模型的预测性能，选取了四种预测模型
17、做对比，将所用的预测模型预测结果与 GRU、Arima、SVM、LSTM四种经典方法进行比较分析9，结果如表 1 所示。表 1预测性能比较Table1 Predictiveperformancecomparison预测模型MAEMAPERMSEGRU0.35862.03780.5277Arima0.18480.35440.9693SVM0.10460.16420.5643LSTM0.07680.11270.8767CNN0.02820.07270.0419本文方法的 MAE 与 RMSE 误差指标均低于其他四种方法，同时相关系数为 0.9978，由此验证了此模型在短期风电功率预测任务中较高的预
18、测精度和良好的适应性。3联合优化结果分析目标误差是神经网络是否可以结束的条件之一，当目标误差到达预期设定值时停止迭代，得到最终的 BP 神经网络模型，本次神经网络预先设置的误差为 110-6。最大代数是神经网络是否结束的判断条件之二，当迭代次数达到最大代数时，停止迭代，得到最终的预测输出，本模型预设最大代数为 1000。选用 MSE（均方误差）来分析模型的训练过程如图 4 所示，在迭代 13 次后结束训练，训练结束时，误差达到 4.518410-6。训练验证测试最佳目标1614121086420106104102100迭代次数均方误差/MSE图 4均方误差图Figure 4Mean squar
19、ed error plot2.51.50.5020040060080010001200140021时间/h输出功率/MW测试数据实际数据图 3输出功率预测图Figure 3Output power prediction plot 75曹锦阳等：基于 CNN-BPNN 的风光抽水蓄能电站联合优化图 5 反映了模型预测值与真实值之间拟合结果的对比。其中横坐标表示模型预测值，纵坐标表示实际值，图中的直线代表拟合结果，虚线则是斜率等于 1 的直线，代表相关系数 R=1。由图可以看出，拟合曲线与斜率等于 1 的直线基本重合，相关系数 R 为 0.99999，代表预测值曲线与实际值曲线走势基本相同。10.
20、500.5验证：R=0.99999Y=T拟合数据0.500.51目标输出值图 5拟合曲线图Figure 5Fit curve graphs预测数据与实际数据对比结果如图 6 所示，横坐标代表数据的时间，纵坐标代表抽水蓄能发电的预测出力。可以看出，抽水蓄能的最大与最小输出功率接近在模型建立时期望的 1.215与-1.559，以保证最终总输出功率达到 1.151562869，接近模型建立时的期望值。在午后 13:00 16:00 抽水蓄能电站发电出力达到最大值，在午夜 1:00 3:00 时耗电功率达到最大值。1.50.5100501001502002503003500.51.512样本序号目标值
21、实际值BP预测值图 6预测数据与实际数据对比图Figure 6The Chart comparing forecast data to actual data4结论本文利用卷积神经网络算法，综合考虑经向风速、纬向风速、地面风速、风向和风机轮毂处风速，预测风力发电功率，利用环境温度、地表水平辐射、直接辐射和散射辐射光预测伏发电功率，预测结果误差在可控范围内，预测模型较为准确。利用风光发电功率优化调度抽蓄机组的出力，通过 BP 神经网络算法预测得到最终更加平稳可利用的输出功率以及抽水蓄能出力数据，预测结果误差达到 4.518410-6，降低了风光发电功率的波动性，为弃风弃光现象提供理论支撑。参考文
22、献1 刘祖明，李杰慧，孙建平，等.新型风光抽水蓄能系统研究 J.云南师范大学学报（自然科学版），2023，43（2）：11-14.2 李建林，张海军，庞俊强.基于神经网络和模式识别的中长期风速及发电量预测 J.环境技术，2021，39（5）：219-226.3 HUANG H，ZHOU M，ZHANG L，et al，Y.Joint generation and reserve scheduling of wind-solar-pumped storage power systems under multiple uncertainties.Int Trans Electr Energ Sys
23、t.2019，29：e12003.4 TIAN Shi，ZHANG Kailin，GONG，Chuanzheng et al.（2021）.Model construction of pumped storage to promote wind-photovoltaic consumption considering uncertainty of wind-photovoltaic output.IOP Conference Series：Earth and Environmental Science.781.042031.5 余萍，曹洁.基于图形特征的双输入卷积神经网络风力机轴承剩余寿命预测
24、 J.太阳能学报，2022，43（5）：343-350.6 姜旭初，许宇澄，宋超.短期风力发电负荷预测的新方法 J.北京师范大学学报（自然科学版），2022，58（1）：39-46.7 方鹏，高亚栋，潘国兵，等.基于 LSTM 神经网络的中长期光伏电站发电量预测方法研究 J.可再生能源，2022，40（1）：48-54.8 宋绍剑，李博涵.基于 LSTM 网络的光伏发电功率短期预测方法的研究 J.可再生能源，2021，39（5）：594-602.9 朱传奇.基于 PCA-GA-BP 算法的风力发电功率预测 J.物联网技术，2022，12（10）：87-88+91.10 雷蕾潇，张新燕，孙珂.基
25、于关联规则及 BP 神经网络的风电场输出功率预测 J.安徽大学学报（自然科学版），2021，45（5）：72-76.收稿日期：2023-07-23 修回日期：2023-07-25吴凤娇（1984），女，副教授，主要研究方向：水电站与泵站系统在线状态监测、故障诊断、风险评估及信息技术应用方面的研究。E-mail：（下转 97 页）97丁占涛等：基于水轮机运转曲线的调速器调节策略优化与实践本文分析了目前调速器开度模式和功率模式下存在的不足，提出了智能功率调节模式。总体可以得出以下结论：（1）基于主机厂提供的水轮机运转特性曲线，导出水轮机水头/功率/开度关系曲线，可以作为调速器智能调节控制的依据，再
26、结合功率 PI 调节补偿，可以有效克服水轮机不同负荷点、不同水头下的开度/功率变化差异，有效解决功率调节参数的适应性问题。（2）对导叶启动瞬间的速度进行合理限制，可有效抑制水流惯性引起的功率反调，但会增加一次调频的响应时间，需要合理设置限制时间。（3）智能调节策略可分为启动时速度限制、查表目标开度追踪、PI 调节精确到位 3 个阶段，通过在开都河柳树沟水电站的现场试验，表明智能调节策略具有调节速度快、稳定性好、适应性强等优点，水头/功率/开度数据点不准确会影响调节过程，应用时还可进行统计修正。参考文献1 蔡卫江.数字化水电站中智能水轮机调速器的设计思路 J.电气技术，2010（8）：43-46
27、.2 蔡卫江，张雷，何林波.基于冗余网络的葛洲坝智能水轮机调速器设计 J.水电厂自动化，2014（4）：75-77.3 蔡卫江，陈东民，荣红，等.智能抽水蓄能电站中新型调速系统的总体设计 J.2011 抽水蓄能电站工程建设文集，2011：171-175.4 蔡卫江，邢红超，等.智能水轮机调速器的设计及功能研究 J.水电与抽水蓄能，2019，5（4）：41-45.5 李玺，徐广文，等.水电机组一次调频理论动作积分电量优化算法 J.广东电力，2018，31（10）：162-165.6 唐亚波.提高水电机组 AGC 与一次调频调节性能的关键技术问题探究与改进 J.水电站机电技术，2015，38（2）
28、：54-57.7 秦晓峰，杨季松，等.水轮机调速器功率模式下模型试验参数测试方法初探 J.水电与抽水蓄能，2017，3（4）：75-79.8 马小雯，艾远高，等.水电机组一次调频 PID 参数全水头适应性研究 J.水电站机电技术，2019，42（3）：47-50.收稿日期：2022-11-11 修回日期：2023-07-25丁占涛（1977），男，工程师，主要研究方向：流域电站经济运行研究、水电站生产技术管理。E-mail：蔡卫江（1970），男，硕士，研究员高级工程师，主要研究方向：水电厂水轮机调节与控制、源网协调、水电站自动化等。E-mail：赵文利（1987），男，工程师，主要研究方向：
29、水轮机调节系统研究、水电站运行检修管理等。E-mail：Regulation Strategy Optimization and Practice of Governor based on Turbine Operating CurveDING Zhantao1，CAI Weijiang2，ZHAO Wenli1，JIANGDingzhang1，ZHAOYong2（1StateenergygroupXinjiangKaiduRiverBasinHydropowerDevelopmentCo.Ltd.，KuerlerCity241082，China；2NARIGroupCo.Ltd.，Nanji
30、ng211106，China）Abstract：Basedonthedevelopmentrequirementsofintelligenthydropowerplants，thispaperexpoundstheproblemsexistinginpowerregulationandprimaryfrequencyregulationofhydraulicturbinegovernorsatpresent，analyzesthedeficienciesexistinginthecurrentgovernormodeandpowermode，andputsforwardanewpowerreg
31、ulationmodebasedontheturbineoperatingcharacteristiccurvederivedfromtheturbinehead/power/openingrelationshipcurve.ThetestresultsofthenewpowerregulationmodeintheLiuShuGoupowerstationoftheKaiDuRiverarealsogiven.Thedataofpoweradjustmentandprimaryfrequencyregulationtestanddataarediscussedandanalyzed.Prac
32、ticeshowsthatthenewpowerregulationmodeeffectivelysolvestheshortcomingsofthecurrentgovernorspowerregulationandprimaryfrequencyregulation，andhastheadvantagesoffastregulation，goodstabilityandstrongadaptability.Keywords：intelligentgovernor；newpowerregulation；primaryfrequencyregulation；powerreverseregula
33、tion；strategyoptimizationA Solar-pumping and Storage Power Station Based on CNN-BPNN Joint OptimizationCAOJinyang1，LIJiazheng1，FANMao2，SUNBoning1，PUZining1，HEZaiyu1，WUFengjiao1，XUBeibei1（1NorthwestA&FUniversity，Yangling712100，China；2StateGridShaanxiElectricPowerCo.，Ltd.ShangluoPowerSupplyCompany，Sha
34、ngluo726000，China）Abstract：Duetothevolatilityandinstabilityofwindpowerandphotovoltaicpowergeneration，theirutilizationefficiencyislowandgridconnectionisdifficult.Inthispaper，theoutputpowerofwindpowergenerationandpumpedstoragepowergenerationandtheoutputpowerofpumpedstoragepowergenerationarejointlyopti
35、mized.Firstly，theoutputpowerofwindandphotovoltaicpowergenerationispredictedbytheadvantagesofconvolutionkernelparametersharingandshort-terminformationextraction；thenthepredictionmodelofpumpedstoragepowerstationisconstructedbasedonenvironmentalandmeteorologicalfactors，sothatthefinalgrid-connectedpower
36、isconstantvalue.Thepredictionresultsofthemodelestablishedinthispaperhavesmallerror，highpredictionaccuracy，andthefinaloptimizedoutputpowertendstobestable，whichcaneffectivelyimprovethegridconnectionstabilityofwindpowerandphotovoltaicpowergeneration，andreducethephenomenonofwindabandonmentandlightabandonmentinthepowersystem.Keywords：convolutionalneuralnetwork；BPneuralnetwork；powerprediction；windextractionandstoragejointoperation（上接 75 页）