基于多任务学习与混合粒度协作网络的多步风速预报
《Energy》:Multi-step wind speed forecasting based on multi-task learning using mixed granularity collaborative network
【字体:
大
中
小
】
时间:2026年01月25日
来源:Energy 10.1
编辑推荐:
徐一帆|杨有龙|车金星|江哲勇|甘玉欣中国西安710126,西安电子科技大学数学与统计学院摘要精确的多步风速预测对于风电场调度和能源管理至关重要。然而,现有研究大多依赖单时间粒度下的迭代多步预测,这使得难以同时捕捉风速的短期高频波动和中长期趋势。为解决这一问题,本文提出了混合粒度
徐一帆|杨有龙|车金星|江哲勇|甘玉欣中国西安710126,西安电子科技大学数学与统计学院摘要精确的多步风速预测对于风电场调度和能源管理至关重要。然而,现有研究大多依赖单时间粒度下的迭代多步预测,这使得难以同时捕捉风速的短期高频波动和中长期趋势。为解决这一问题,本文提出了混合粒度协作网络(MGCNet)。首先,MGCNet将不同时间粒度下的风速预测视为并行子任务,在多任务学习框架下共同建模短期高频成分与长期趋势信息。为缓解高频气象因素与多粒度预测目标之间的尺度不匹配和语义差异,设计了特征对齐机制。在此基础上,MGCNet采用堆叠式交叉注意力模块,实现不同粒度预测通道间的动态信息交互,让不同尺度的任务在保留各自特征表示的同时共享关键模式。此外,为优化多任务训练过程,本文引入了基于动态不确定性的权重策略,以平衡各粒度预测任务的学习难度和损失贡献。在风电场数据集上的实验结果表明,相较于单粒度预测模型和多步预测方法,MGCNet在多种预测时段和评估指标上均表现更优。
引言在全球双碳目标的推动下,可再生能源逐渐取代传统化石燃料,成为应对气候变化的重要手段[1]。其中,作为清洁能源的重要组成部分,风能在全球能源转型进程中发展迅速[2]。随着风电场大规模并网,风速预测的准确性愈发重要,尤其是未来24小时内的日内及日前时段——这一时段是调度规划的关键窗口[3]。若风速预测出现较大偏差,可能会引发电网频率波动、电压超标等运行风险[4]。然而,风速受地形、气象条件等多种因素影响,在不同时间尺度上表现出不同的波动规律和统计特性[5]。在此背景下,仅利用单粒度历史数据实现高精度多步风速预测仍面临诸多挑战。一方面,高频数据中包含的剧烈瞬时波动会为长期趋势带来高强度噪声干扰,易掩盖风速的宏观规律;另一方面,随着预测时段的延长,单粒度模型试图同时呈现高频波动信息和低频长期趋势,这往往导致模型在长期预测中难以权衡,要么因过度拟合细节而偏离长期趋势,要么因过度平滑而无法捕捉短期变化。为解决这些问题,本文提出了面向混合粒度的MGCNet模型。该模型摒弃传统单一视角,通过构建并行多粒度通道,从高频序列中提取瞬时波动特征,从低频序列中提取长期趋势特征。更为关键的是,该模型引入了粒度融合模块,建立不同时间尺度间的信息交互机制——利用粗粒度趋势信息引导细粒度预测轨迹,同时用细粒度细节特征修正粗粒度数据中的局部偏差。通过这种多任务协同学习策略,模型可同步输出所需的预测步长,为高精度风速预测提供技术支撑。
风速预测可根据预测时长分为四类:超短期预测(提前几秒至30分钟)、短期预测(提前30分钟至6小时)、中期预测(提前6小时至1天)以及长期预测(提前1天至一周或更久)[6]。其中,超短期预测主要用于实时控制,而短期和中期预测则对日前发电规划、电网调度及市场交易具有重要的指导意义。长期预测则常用于风能资源评估和风电场选址等场景[7]、[8]、[9]。因此,构建能够适应不同时间跨度需求的多步预测模型,是解决风电消纳问题的关键。现有预测模型主要可分为三类:物理模型、统计模型和人工智能模型[10]。物理模型通过求解大气动力学方程来提供中长期趋势预测[11],但由于初始条件和边界条件的精确性限制,难以满足短期高频预测的需求。统计模型将风速序列视为随机过程,通过建立其固有的统计规律进行预测[12]、[13],这类模型在线性假设大致成立的超短期预测中表现良好,但随着预测时段的延长,累积误差会迅速扩大[14]。相比之下,人工智能模型能够从历史数据中自动学习复杂的非线性映射关系,逐渐成为多步预测领域的主流模型[15]、[16]、[17]。目前,实现高精度多步预测仍面临诸多挑战。徐等人[18]指出,虽然多步预测中的递归策略可以利用最新估计值延伸时间逻辑,但其微小偏差会沿时间线不断累积,导致误差叠加。袁等人[19]试图采用直接多输出策略,通过建立输入与未来时刻间的直接映射来阻止误差传播,但该策略要求模型在没有中间状态引导的情况下直接对长周期数据进行推断,大大增加了模型拟合的难度。针对上述策略存在的问题,结合夏等人[20]提出的“风速演变主要由长期历史状态主导”的观点,提升模型的长序列记忆能力变得尤为重要。早期研究常采用短期记忆网络(LSTM)等循环神经网络来处理此类时间依赖关系[21],但这些模型受串行计算瓶颈的限制,难以捕捉长序列特征的全局依赖关系。为解决这一问题,Bentsen等人[22]将基于注意力机制的Transformer及其改进架构引入风速预测领域,凭借其在并行计算和全局感受野方面的优势,一定程度上缓解了长序列中的信息遗忘问题。然而,仅依靠模型架构的改进无法消除风速的多尺度特性与单粒度数据表示之间的矛盾。从单粒度视角来看,风速序列的高频噪声与低频趋势相互交织,若采用递归策略,高频噪声会被不断放大,加剧误差累积;而若采用直接多输出策略,模型又难以在没有中间状态引导的情况下,直接从高变异度数据中捕捉长期模式。因此,一些学者开始从多粒度视角探索解决方案。张等人[23]采用变分模态分解技术将风速数据分解为不同频率的子序列分别建模,尽管该策略能够提取多尺度特征,但分解算法固有的端点效应可能导致未来信息泄露,难以在实际场景中应用[24]、[25]。受此启发,杜等人[26]通过重采样构建混合频率输入,实现了多粒度信息的利用,并初步验证了其在捕捉波动和趋势方面的潜力。在此基础上,王等人[27]建立了时间层次化预测框架,通过普通最小二乘法约束不同时间粒度的预测结果,在多步预测中展现了良好的性能。此外,为应对风速数据的随机波动性,江等人[28]引入了模糊信息粒度化技术,将数值转换为具有语义意义的模糊信息颗粒,从而在更高层次的抽象空间描述风速的演变规律,提升了模型在极端波动条件下的鲁棒性。表1总结了现有的多步预测方法。如表1所示,尽管现有研究通过引入多尺度信息提升了预测性能,但仍存在一定局限性。这些方法将多粒度处理视为与模型训练无关的独立步骤,这种分阶段策略切断了特征提取过程中不同粒度间的动态关联,导致细粒度特征无法及时纠正粗粒度数据中的趋势偏差。另一方面,虽然混合输入拓宽了输入视角,但仅依靠输入端的简单拼接,使得模型难以根据风速的变化调整其对不同粒度特征的关注程度。有鉴于此,本文提出了MGCNet模型。该模型构建并行多粒度通道,分别捕捉瞬时波动和长期趋势,同时通过融合模块实现趋势引导和细节修正,从而在多任务框架下实现风速的多步预测。为探索其在不同时间尺度上的应用潜力,本文从混合粒度建模、跨粒度协作机制和多任务优化三个方面设计MGCNet,其主要贡献如下:1)针对现有方法普遍存在的在单时间粒度下进行迭代多步预测的问题,难以同时考虑短期波动和中长期趋势,本文提出了MGCNet。在统一框架下,将多个预测时长视为并行任务,实现从细粒度到粗粒度的多时间尺度联合预测,有效避免了长时间跨度内的误差累积。2)本文设计了一种集成式特征对齐模块,结合时间聚合、层次掩码和语义融合技术,利用加权函数聚合历史观测数据,通过层次掩码消除粒度对齐过程中的冗余信息,将高频输入转换为适合多任务协作网络使用的对齐表示。3)为解决传统多任务模型仅共享低级特征的问题,本文构建了堆叠式交叉注意力结构,建立不同时间粒度任务间的信息通路,使细粒度通道提供局部细节信息,粗粒度通道则为整体趋势提供支撑,从而实现不同粒度间的协同作用。4)为解决多粒度任务学习中易任务占主导、难任务被弱化的训练不平衡问题,本文提出了动态加权不确定性损失函数。该函数一方面通过不确定性参数表征各粒度任务的噪声水平和难度,另一方面根据相邻时间点处损失的变化率自适应调整任务权重,提升了模型的整体泛化性能。本文其余部分的结构如下:第2节详细阐述MGCNet从输入到损失函数的构建过程;第3节介绍整体框架;第4节分析数据;第5节展示实验结果并展开讨论;第6节对全文进行总结。
章节片段混合粒度协作网络本节介绍了MGCNet中各模块的构建方法。MGCNet首先根据需求构建并行预测任务,通过时间聚合和语义融合,将高频观测数据与多粒度目标对齐。在此基础上,模型引入粒度融合模块,建立信息交互路径,利用粗粒度趋势约束细粒度波动,并修正趋势偏差。
整体框架设计MGCNet的整体框架如图3所示。其核心目标是在模型内部建立不同时间粒度间的协作关系,从而揭示多时间尺度下混合粒度的信息结构。整个流程的步骤如下:1)根据风电调度中对不同预测时长的需求,将原始风速数据及气象因素构建为并行数据集。
数据集描述作为中国重要的清洁能源基地,海南近年来风电装机容量持续增长,这使得在实际运营中对提前风速预测和负荷分配优化提出了更高要求。本文重点预测海南风电场的中心风速(WS_hub),数据覆盖时间为2022年1月至2023年12月。该数据集包含六个变量:气温(Air_T)、相对湿度(RH)、大气压力。
实验与讨论为评估MGCNet的性能,本节从预测精度、统计显著性、计算效率、鲁棒性和泛化能力等多个维度开展多维度验证。此外,还通过消融研究、可解释性分析以及能源管理方面的讨论,验证了该模型的工作机制和实际价值。为统一基准,所有测试的时间线均与最粗的粒度对齐,可视化结果展示了完整的测试过程。
结论本文通过提出MGCNet模型,解决了风速预测中多时间尺度信息整合的难题。对海南风电场数据集进行的实验和分析表明:1)与单一粒度预测模型相比,MGCNet在所有预测时长下的误差均更低。尤其是在中长期预测场景中,混合粒度输入有效缓解了信息稀释问题。
生物通微信公众号
生物通新浪微博
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