考虑多源数据、基于"独立编码-联合解码"策略的中期风电功率预测

《Renewable Energy》:Medium-term wind power forecasting based on the strategy of “independent encoding - joint decoding” considering multi-source data

【字体: 大 中 小 】 时间:2026年10月21日 来源:Renewable Energy 9.1

编辑推荐:

   •提出"独立编码-联合解码"预测策略。•利用中尺度数据学习更广泛空间范围内的天气信息。•构建多独立编码模块以适应不同的输入特征。•构建联合解码模块以动态提取时间依赖性信息并融合信息。引言风力发电已被广泛开发以应对环境问题[1]。根据全球风能理事会(GWEC)发布的《2024年

  

•提出"独立编码-联合解码"预测策略。•利用中尺度数据学习更广泛空间范围内的天气信息。•构建多独立编码模块以适应不同的输入特征。•构建联合解码模块以动态提取时间依赖性信息并融合信息。引言风力发电已被广泛开发以应对环境问题[1]。根据全球风能理事会(GWEC)发布的《2024年全球风能报告》,2023年风力发电装机容量为117 GW,较2022年增长了50%。在碳中和目标下,风力发电装机容量将继续增长,到2030年至少达到320 GW。然而,风况的波动性和间歇性使风力发电呈现出高度不确定性,给电力系统安全稳定运行带来巨大挑战。精确的风功率预测是降低风功率不确定性的有效手段之一[2]。根据时间尺度,风功率预测可分为三类:超短期预测(通常为4-6小时)、短期预测(通常为1-3天)和中长期预测(通常为1-10天)。随着风力发电的不断发展,对更长的预测时间和更高的预测精度提出了要求。精确的中长期风功率预测结果对电力系统安全稳定运行、增强风电场的运行和管理能力以及支持风电参与电力市场具有重要意义。目前关于风功率预测的研究主要集中在超短期和短期时间尺度[3]、[4]、[5]。早期主要使用自回归移动平均模型[6]和自回归积分移动平均模型[7],但这些模型难以处理时间序列中的非线性关系[8]。一些学者开始将非线性模型应用于风功率预测,如支持向量机[9]、随机森林[10]、XGBoost[11]、极限学习机[12]等[13]。近年来,随着深度学习的不断发展,越来越多的研究人员发现其在风功率预测领域的巨大潜力。如循环神经网络(RNN)[14]、长短期记忆网络(LSTM)[15]、卷积神经网络(CNN)[16]、图神经网络(GNN)[17]、门控循环单元(GRU)[18]和双向门控循环单元(Bi-GRU)[19]等模型被用于风功率预测。文献[20]提出了一种改进的GRU模型,利用粒子群优化算法优化超参数,用于短期风功率预测。目前,超短期和短期预测技术逐渐成熟,各种预测方法可供使用。然而,在更长的时间尺度上难以掌握大气运动模式,导致天气预报精度下降,从而给功率预测带来困难[21]、[22]。如图1所示,随着时间范围的延长,预测偏差范围逐渐扩大,表明不确定性更大。直接将超短期和短期预测方法应用于中长期是不切实际的。因此,开发适用于中长期预测的新方法至关重要[23]。根据输入数据的类型,中长期风功率预测方法可分为三类:基于历史数据的预测[24]、基于数值天气预报(NWP)数据的预测[25]以及结合上述数据的预测[26]。(1)基于历史数据的预测使用历史风功率数据建立时间序列内部的映射关系以进行预测。一些学者还引入气象数据到预测模型中以提高精度[27]、[28]。在文献[29]中,使用灰色模型和三种指数平滑模型生成初始预测,并采用熵权法确定预测结果的权重。然后使用马尔可夫链对组合预测结果进行细化,以获得下一年的风功率发电量。为提高预测精度,一些研究者将频域分解方法如小波变换和经验模态分解应用于预测模型[30]、[31]。文献[32]采用改进的变分模态分解方法将历史天气和功率数据分解为多个子序列,对每个子序列单独建模和预测。此外,还集成了基于余弦相似度的交叉关注机制以提高预测精度。该方法的主要预测对象是发电量,时间分辨率为月、季度或年,仅有少数研究进行了分钟级预测。然而,随着时间步长的增长,时间序列内的相关性减弱,导致预测精度较低。因此,一些学者采用NWP数据进行中长期风功率预测。(2)基于NWP数据的预测建立NWP与风功率之间的映射关系以进行预测。此类方法中采用了一些技术来提高预测精度,如输入气象变量的策略选择、NWP修正和不同预测模型的组合[33]。针对多个气象变量使计算过程复杂化,并且可能由于混沌相空间的不正确重构而导致风功率预测中的不必要误差的问题,文献[34]使用Granger因果检验获取有效的气象变量以构建风功率预测模型。文献[35]提出了一种基于神经网络的多目标协作训练优化的NWP隐式修正方法。该模型采用端到端方式训练,同时实现NWP修正和风功率预测。文献[36]提出了一种基于多模型融合的中长期风功率预测方法,使用BP-AdaBoost、GRNN和FNN作为子模型,并应用粒子群优化算法动态优化这些子模型的权重,通过加权融合过程实现精确预测。基于NWP数据的预测方法在一定范围内可以保持良好的精度,主要集中在第一天。然而,该方法的预测结果高度依赖于NWP数据的精度。随着预测时间尺度的延长,NWP精度趋于显著下降,难以支持更长时间尺度上的可靠风功率预测。因此,一些学者将历史数据和NWP数据相结合用于中长期预测[37]。(3)结合历史数据和NWP数据的预测此类预测方法主要采用两种技术路线。一种分别基于历史数据和NWP数据开发预测模型,然后通过线性或非线性方式融合预测结果。所使用的预测模型可以相同或不同[38]。另一种是将历史数据和NWP数据同时作为预测模型的输入。文献[39]提出了一种基于波动趋势动态感知的风电场集群功率预测方法,用于长预见期风功率预测。根据NWP风速的波动趋势匹配历史功率,获得相似过程的统计特征,然后构建新的输入特征。除了NWP数据外,这些特征也被用作预测模型的输入。总之,目前关于中长期风功率预测的研究存在以下不足。1)基于历史数据的预测主要集中在发电量上,仅少数研究进行功率预测,且时间分辨率较低,通常以小时为单位,难以满足电力系统调度和电力市场竞价的要求。2)当NWP数据作为唯一的预测输入时,结果高度依赖于天气预报精度。随着预测时间尺度的延长,NWP精度趋于显著下降,难以支持中长期时间尺度上可靠的风功率预测。3)当历史数据和NWP数据同时作为输入使用时,现有研究忽略了不同数据对预测结果的差异贡献。4)当前研究仅利用风电场内部数据进行预测,忽略了更广泛气象区域内的天气模式,这在预测时间尺度延长时尤为重要。针对上述问题,本文提出了一种基于"独立编码-联合解码"策略并考虑多源数据的中长期风功率预测方法。所提出的方法集成了历史数据、NWP数据和中尺度数据作为风功率预测的输入,时间分辨率为15分钟,预测时间为7天。主要贡献如下。1)引入覆盖风电场周围数十公里的中尺度数据作为输入,以提供更广泛空间范围内的天气变化信息。2)构建了基于门控机制和残差网络的多变量选择模块,筛选多源数据中的有效信息,在提高信息利用率的同时降低模型复杂度。3)构建了基于独立参数的多编码模块,分别对来自不同源的数据进行编码。一方面,这使得预测模型能够适应不同输入数据的特征差异,并通过序列到序列的方法将其转换为统一的时序特征。另一方面,可以增强模型灵活性并减少调整超参数的工作量。当不同源输入数据发生变化时,只需修改相应的参数。4)构建了基于多头注意力机制的联合解码模块,动态融合从编码模块获得的信息,并提取长期依赖关系以提高预测精度。5)使用多种数据类型作为输入,并应用四种常用模型(CNN、LSTM、GRU、Transformer)作为基础模型,以验证所提方法的有效性和鲁棒性。本文其余部分组织如下。第2节提出了一种基于"独立编码-联合解码"策略并考虑多源数据的中长期风功率预测方法,并详细介绍了其各组成部分。第3节介绍了评估指标。第4节以两个风电场的数据为例,验证了所提方法的有效性和鲁棒性。第5节对本文进行了总结。小节整体框架本节提出了一种基于"独立编码-联合解码"策略并考虑多源数据的中长期风功率预测方法(以下简称IEJD),整体框架如图2所示。IEJD接受不同周期、分辨率和维度的数据,使用历史数据、NWP数据和中尺度数据作为输入。历史数据包括风电场的运行数据,可以提供时间依赖信息。评估指标均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)被用作模型误差的评估指标。RMSE关注大误差,对异常值敏感。MAE更适合衡量整体误差的平均水平。MAPE适合跨数据集比较。计算公式分别如公式(24)、(25)、(26)所示,其中误差评估指标越小,预测性能越好。其中,n是数据描述本文以华北两个风电场的数据为例进行案例研究,称为WF1和WF2。数据包括历史数据、NWP数据和中尺度数据。1)历史数据由风电场的实际测量功率数据组成,时间跨度从2021年1月2日至2021年12月26日,时间分辨率为15分钟。2)NWP数据包括风速、风向和辐照度等气象数据,如表1所示。该数据同样从1月开始结论本文提出了一种基于"独立编码-联合解码"策略并考虑多源数据的中长期风功率预测方法。所提出的方法包含三个模块,包括多变量选择模块、基于独立参数的多编码模块以及基于多头注意力机制的联合解码模块。以华北两个风电场为例,验证了所提方法的有效性和鲁棒性。主要CRediT作者贡献声明李宇豪:可视化、方法论、概念化。王瀚:撰写-审阅与编辑、验证、监督、调查。张佳伟:撰写-原稿、软件、方法论、调查。刘永谦:监督、资源。燕杰:撰写-审阅与编辑、软件。韩爽:可视化、验证利益冲突声明? 作者声明他们没有已知的竞争性经济利益或个人关系可能影响本文报告的工作。致谢本工作由国家重点研发计划(2025YFE0110900)资助。张佳伟|李宇豪|王瀚|燕杰|韩爽|刘永谦
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号