基于多通道时空SegNet模型与序列分解重构的风电场短期功率预测方法研究

针对风电场功率预测中时空相关性复杂、序列随机性强等挑战，研究人员提出多通道时空SegNet(MCST-SegNet)模型，结合最大信息系数(MIC)优化的互补集合经验模态分解(CEEMD)策略，实现风电场全机组同步功率预测。该研究通过虚拟风场形式解决机组不规则排列问题，构建端到端统一预测架构，实验表明模型在单步/多步预测中均优于经典基准方法，为高精度风电并网调度提供重要参考。

　　

随着全球能源结构转型加速，风能作为清洁可再生能源的装机容量持续增长，2023年全球风电并网容量同比激增50%。然而，风电场输出的强随机性对电网调度构成严峻挑战，高精度风电功率预测(WPP)成为保障电网稳定运行的关键技术。传统预测方法面临三大瓶颈：统计方法难以处理非线性非平稳序列，物理方法计算复杂度高，而现有人工智能模型对风电机组复杂时空相关性的建模能力有限。特别是山区风电场中机组的不规则空间排列，使得空间特征提取尤为困难。

为解决这些难题，中国的研究团队在《Results in Engineering》发表创新成果，提出多通道时空SegNet(MCST-SegNet)模型。该研究通过三个关键技术突破：首先设计LSTM通道生成层将不规则机组矩阵转化为规则虚拟风场；其次改进SegNet为基于2D ConvLSTM的编码器-预测架构；最后创新性采用MIC优化的CEEMD序列分解重构策略。实验证明，该方法在6小时多步预测中MAE降低至7.286MW，较传统LSTM模型提升21.8%，为风电场全域协同预测提供了新范式。

关键技术包括：1)基于SCADA系统获取33台3MW机组的历史运行数据(70176时间点)；2)MIC-CEEMD分解17个特征序列(7个运行状态+10个气象指标)；3)构建四层2D ConvLSTM网络(64/128/256通道)实现时空联合训练；4)采用Adam优化器进行100轮次模型训练。

序列分解与重构策略部分：通过MIC相关性分析发现，经CEEMD处理后风速序列MIC值提升0.109，发电机转速特征提升0.085。采用网格搜索确定最优参数组合：噪声幅值v_u=0.05-0.2(步长0.01)，平均次数N=3-10，重构阶数K=1-10。实验显示该方法使RMSE降低11.59%(15分钟)至3.86%(6小时)。

MCST-SegNet架构设计部分：将33×8输入序列通过LSTM层转换为64²空间特征图，合并为17通道时空张量。编码器采用三层2D ConvLSTM(核尺寸3×3)配合2×2最大池化，预测器通过反池化恢复分辨率。相比3D CNN模型，该架构在6小时预测中R²提高0.03，训练时间缩短21%。

预测性能验证部分：在单机多步预测任务中，MCST-SegNet的MAE(4.767MW)显著优于Bi-LSTM(6.003MW)和Transformer(6.088MW)。全域预测时，其误差分布箱线图显示75%机组6小时误差低于15%，仅边缘位置#1/#6机组因地形影响误差超20%。对比实验证实，MIC-CEEMD处理使MAPE降低11.37%，而传统EMD仅改善7.18%。

该研究创新性地解决了不规则机组阵列的时空建模难题，首次实现端到端的风电场全域协同预测。虚拟风场构建方法突破了传统CNN对规则空间结构的依赖，MIC-CEEMD策略在不增加计算复杂度前提下有效抑制了序列随机波动。值得注意的是，研究也发现地形因素会导致边缘机组预测误差增加2-3%，这为后续引入地理信息系统(GIS)数据提供了方向。该成果不仅为风电并网调度提供了更可靠的决策依据，其多维时空张量处理框架也可拓展至光伏电站、水力发电等可再生能源预测领域。