随着对风能需求的增长,风力发电在现代电网中的渗透率稳步增加。根据全球风能理事会(GWEC)的数据,2024年全球安装的风力发电容量增加了117吉瓦(GW)。然而,风力发电本质上是间歇性和波动的,因为它受到风速和风向等多种不稳定因素的影响(Holttinen等人,2009年)。这种变异性给电力调度带来了额外的经济负担,并增加了电力系统的运行压力(Sati等人,2025年)。为了减轻风力发电的间歇性和波动性,开发准确且鲁棒的风力发电预测方法至关重要。这些方法可以提高风能资源的利用效率,并为风力发电调度提供有效的决策支持,从而促进大规模电网整合。
风力发电预测方法大致可以分为四种类型:物理方法、统计方法、传统机器学习方法和深度学习方法。在物理方法中,一种代表性的方法是通过使用数值天气预报(NWP)来模拟风电场区域内的地形和环境变化来预测风电场功率输出(Feng等人,2010年)。尽管物理方法全面考虑了风电场的物理特性,并且通常在长期预测方面更为可靠(Wang等人,2023年),但它们严重依赖于气象和地形数据,并且对干扰的鲁棒性有限(Huang,2019年)。此外,常用的统计模型,如自回归积分滑动平均(ARIMA)模型(Liu等人,2021年)、卡尔曼滤波(Lio等人,2021年)和贝叶斯框架(Zou等人,2022年),可以有效地建模时间序列中的线性依赖性和随机波动。然而,它们难以捕捉风力发电与多个影响因素之间的复杂非线性相互作用(Lv等人,2024年)。
与物理和统计方法相比,传统机器学习方法表现出更强的适应性、更强的非线性建模能力和处理高维特征的能力。例如,参考文献Liu等人(2017年)使用正交实验设计优化了支持向量机(SVM)的输入特征选择,而参考文献Lahouar和Slama(2017年)通过选择关键特征(如风速和风向)构建了随机森林模型。尽管这些研究取得了良好的预测性能,但也揭示了传统机器学习方法的固有局限性,即它们严重依赖于手动特征工程。此外,这些方法难以自动从风力发电时间序列中提取时间依赖模式和空间分布特征。
由于深度学习方法具有强大的自动特征学习能力和在建模复杂非线性模式方面的优势,它们已被广泛应用于风力发电预测研究。在时间建模方法中,长短期记忆网络(LSTM)(Cali和Sharma,2019年)和Transformer(Wang等人,2022b)已被广泛用于风力发电预测。参考文献Ko等人(2021年)提出了一种深度残差学习方法,该方法将多层残差网络与DenseNet相结合,并通过引入双向LSTM(Bi-LSTM)来提高预测准确性和泛化能力。参考文献Nascimento等人(2023年)引入了一种基于Transformer的框架,该框架结合了离散小波变换,对去噪的多源数据进行了多尺度分解,并通过注意力机制捕捉时间相关性,从而提高了预测准确性和鲁棒性。然而,上述方法仅基于单个涡轮机的历史数据来建模风力发电,而忽略了涡轮机之间的相互作用(Song等人,2023年)。例如,风速的随机波动以及涡轮机组件的故障或老化可能会将变量的空间相关特性转移到风力发电的时间特征中,从而影响未来的预测结果(Hou等人,2025年)。
近年来,风力发电预测的时空分析逐渐成为研究前沿。卷积神经网络(CNN)和时间模型的结合可以有效提取时空特征(Abedinia等人,2024年)。然而,CNN依赖于基于网格的卷积,这限制了它们处理风电场中不规则涡轮机布局和动态空间依赖性的能力。
随着图神经网络(GNN)的发展,许多研究证明了它们在建模不规则拓扑和动态关系方面的优势,无论是在推荐系统(El Alaoui等人,2021a;El Alaoui等人,2021b;El Alaoui等人,2022;El Alaoui等人,2024a;El Alaoui等人,2024b;El Alaoui等人,2024b;El Alaoui等人,2025)还是在风力发电领域(Huang等人,2024;Liu等人,Hu等人,Wang等人,Chen等人,2023;Xu等人,2024;Zhang等人,2024)。例如,参考文献Bi等人(2021)使用图卷积网络(GCN)对风电场之间的空间依赖性进行建模,并通过门控循环单元(GRU)捕捉时间依赖性,从而实现了比传统时间序列方法更高的预测准确性。参考文献Lv等人(2024)提出了一种基于时空注意力的图卷积网络,该网络通过空间和时间注意力机制共同提取时空特征,并通过时间卷积网络(TCN)和GCN的结合框架生成预测。尽管这些基于GNN的时空网络可以处理复杂拓扑并提取高维空间特征,但使用单一的静态图表示在空间特征学习和鲁棒性方面仍存在局限性。一方面,单一图结构的表示能力有限,无法完全捕捉风电场中的多尺度和多视图空间交互模式。另一方面,对单一拓扑的强烈依赖使得这些模型对缺失的涡轮机节点数据非常敏感。当传感器故障或通信中断导致部分数据丢失时,模型的鲁棒性会显著下降,难以确保稳定的预测性能。
为了解决单一静态图表示学习的局限性,现有研究探索了动态图、异构图和多图建模。参考文献Wang等人(2022a)通过计算风速和功率的动态时空相关矩阵来量化时变节点间关联强度,并通过集成层次化有向图结构构建了动态风电场图表示,从而为风电场集群功率预测提供了更精确的结构支持。参考文献Li等人(2024)通过引入视图属性设计了动态异构图,该图集成了空间关系连接、自适应节点嵌入学习和异构性处理。邻接矩阵动态更新以构建异构图,从而在复杂场景中增强表示能力。参考文献Hou等人(2025)分别基于空间距离、皮尔逊相关系数和快速动态时间扭曲构建了多个关系图。这些图通过注意力机制融合成一个统一的表示,并与多图神经网络辅助的时空融合模块和时频双域Transformer结合使用,从而提高了风力发电预测性能。尽管这些方法在某种程度上缓解了单一静态图的表示局限性,但它们的建模主要关注动态关系变化或多关系融合,通常依赖于单一视角或简单地将多个视角过早地聚合到一个统一的图结构中。此外,通过统一图结构聚合不同关系,这些方法在建模过程中难以保留来自不同结构视角的独立信息表示。
基于上述分析,仍然需要设计一个时空图学习框架,该框架能够利用来自不同结构视角的信息,而无需引入复杂的动态图更新或异构建模假设。为此,本文提出了一种用于风力发电预测的时空双视图图网络(ST-DVGN)。该模型从两个视角构建双视图图表示:物理空间邻近性和历史电力统计相关性,并在统一的时空学习框架内进行协作建模。因此,所提出的框架在非理想观测条件下提高了涡轮机集群的预测准确性。
本文的主要贡献总结如下:
(1) 从双视图图学习的角度来看,重新审视了风力涡轮机集群功率预测问题。在不依赖复杂的动态图更新或异构图建模假设的情况下,所提出的方法通过协作利用两个结构视角——物理空间邻近性和历史电力统计相关性——增强了时空依赖性建模,从而为风电场预测提供了更具工程可行性的建模范式。
(2) 开发了一个具有多级特征注意力融合的时空图学习框架,该框架将基于物理空间邻近性和历史电力统计相关性的结构视角纳入协作建模过程。该框架有效地提高了整体预测准确性,并验证了多视图结构建模在复杂时空预测任务中的有效性。
(3) 提出了一种残差增强的双粒度时空耦合预测框架,该框架实现了并行粗粒度和细粒度时间建模。这种设计有效地平衡了短期波动建模和长期趋势预测,同时减轻了深度网络中的退化问题。
(4) 所提出的方法在节点观测数据不完整的非理想条件下保持稳定的预测性能,表明其具有强大的鲁棒性和实际应用性。
本文的其余部分组织如下。第2节介绍了ST-DVGN的架构。第3节对其性能和鲁棒性进行了实验评估。第4节总结了本文并概述了未来的研究方向。