集成多尺度分析和非线性表示的网络用于短期风电预测

《Renewable Energy》：Network integrating multiscale analysis and nonlinear representation for short-term wind power forecasting

　　黄静|秦睿 多尺度力学与医学科学实验室，西安交通大学航空航天学院，中国西安 摘要 在风力发电预测领域，存在两个持续的挑战：（1）缺乏将特征提取与非线性建模相结合的集成方法；（2）对多尺度时频信息的利用有限。为了解决这些问题，本研究提出了一种名为“小波-频率-时间变换器”（Wavelet-Frequency-Time Transformer）的预测模型。该模型将多尺度信号分析与非线性特征表示相结合，以提高预测性能。首先，一个自适应小波包分解层对原始多变量信号进行频域分解，提取多个尺度上的子带信息。然后应用频率带选择注意力机制动态识别每个变量最具代表性的子带特征，并通过门控机制将这些特征融合在一起。选定的特征随后被输入到增强型时序融合变换器中，实现了多尺度特征集成和时序建模的统一框架。在两个不同季节期间收集的真实世界监控控制和数据采集数据集上进行的实验表明，所提出的方法具有出色的预测性能，数据集D1的平均绝对误差/均方根误差分别为0.0155/0.0226，数据集D2为0.0291/0.0448。此外，该模型还输出变量重要性和时序注意力分数，为风电场运营和调度提供了辅助见解。 引言 作为一种可再生能源发电方式，风力发电作为一种无穷无尽的资源，正在全球范围内快速增长[1,2]。然而，风力发电的固有波动性和间歇性给电网集成带来了显著不确定性，这可能会影响电力质量并危及运行安全。在这种情况下，风力发电预测（WPF）[3]作为一种有效的技术解决方案应运而生，并受到了业界和科学界的广泛关注。换句话说，准确的风力发电预测不仅为电网调度提供了基础，还增强了电网接纳风能的能力[4,5]。本研究专注于超短期风力发电预测[6]，通常覆盖1秒到30分钟的时间范围。风力发电系统受到温度、大气压力和局部地形特征等多种因素的影响。这些因素的固有特性及其复杂的相互作用给准确预测带来了重大挑战[7]。为了解决这些问题，研究人员开发了一系列方法，包括物理方法[8]、统计技术[9]、混合模型[10]和基于人工智能的模型[11]。 在现有的风力发电预测方法中，已经广泛探索了几种方法论类别，包括物理模型、统计模型和数据驱动学习方法。在物理方法中，数值天气预报（NWP）是最常用的模型，在中长期预测任务中表现出色[12]。然而，由于其捕捉短期趋势和波动的能力有限，其在短期和超短期预测场景中的有效性较低。此外，NWP通常涉及复杂的内部架构。另一方面，统计方法侧重于建模历史风速或其他气象数据与预测目标之间的相关性。经典方法包括自回归积分滑动平均（ARIMA）模型[13]和Hammerstein自回归（AR）模型[14]。这些方法的一个局限性是需要简化对监控控制和数据采集（SCADA）数据分布的假设。它们还往往依赖于专家知识和大规模的历史数据，这可能限制它们对新情况或未见情况的泛化能力。混合模型结合了物理和统计方法的优点，通过协调的内部调度策略提供了更可靠的风力发电预测。然而，有效集成这些模型仍然是一个挑战，特别是在管理不同方法集成过程中的组装误差方面。 近年来，数据驱动的机器学习模型越来越多地被应用于捕捉SCADA数据与风力发电输出之间的复杂非线性关系[15]。这些模型包括人工神经网络（ANNs）、支持向量机（SVMs）和极端学习机（ELMs）[16]。其中，深度学习技术已成为一种领先的方法，越来越多的实验证据表明它们在风力发电预测研究中的性能优于传统方法[17]。Wang等人[18]将这一趋势归因于神经网络强大的参数优化和非线性拟合能力。包括循环神经网络（RNNs）、卷积神经网络（CNNs）、时序卷积网络（TCNs）和图神经网络（GNNs）在内的多种深度学习架构已被应用于风力发电数据的序列建模，取得了有希望的结果[19]。 为了进一步提高预测准确性，一些研究在深度学习模型之前加入了信号分解技术。例如，Liu等人[20]提出使用小波分解对原始信号进行预处理，并使用低频分量作为模型输入以提高预测精度。类似地，Yuzgec等人[21]对原始风力发电SCADA信号进行了经验模态分解（EMD），并基于相关性分析选择了子信号以改进模型性能。其他相关的信号分解技术包括集成经验模态分解（EEMD）[22]、变分模态分解（VMD）[23]和局部均值分解（LMD）[24]。然而，大多数现有的基于分解的预测框架将信号分解视为模型训练之前的独立预处理步骤，这可能会在分解后的组分与后续的非线性表示之间引入脱节。这种限制导致了几个挑战：（1）数据一致性问题，即在分解过程中可能丢失重要信息；（2）高度依赖经验调整来选择有信息量的组分；（3）由于分解过程中引入的潜在偏差而导致泛化能力降低。 风力发电预测中的另一个紧迫挑战在于提高预测模型的可靠性和透明度，特别是对于具有“黑箱”特性的神经网络[25,26]。正如Liao等人[27]所指出的，模型的可解释性在建立对结果的信任、支持决策和实现实际应用方面起着关键作用。表1总结了在风力发电预测或相关时间序列分析任务中应用的几种代表性模型和可解释性机制。总体而言，需要进一步的研究来提高深度学习模型的透明度，特别是在风力发电预测的背景下[34]。 风力发电预测研究的核心目标是开发高性能、实用且易于实现的模型[35]。