一种用于海上风电场谐波共振抑制的新型CDPFC技术
《Electric Power Systems Research》:A novel CDPFC for harmonic resonance suppression in offshore wind farms
【字体:
大
中
小
】
时间:2026年01月30日
来源:Electric Power Systems Research 4.3
编辑推荐:
余潘|陈涛 英国达勒姆市斯托克顿路帕拉廷中心,DH1 3LE 摘要 准确的海上风电功率预测对于保障电网稳定运行和实现经济高效的系统调度至关重要,但由于海上环境的高波动性和非稳态特性,这一任务仍面临诸多挑战。现有的预测模型通常依赖离线训练和外部气象数据,这限制了它们对风电功率快速变
余潘|陈涛 英国达勒姆市斯托克顿路帕拉廷中心,DH1 3LE 摘要 准确的海上风电功率预测对于保障电网稳定运行和实现经济高效的系统调度至关重要,但由于海上环境的高波动性和非稳态特性,这一任务仍面临诸多挑战。现有的预测模型通常依赖离线训练和外部气象数据,这限制了它们对风电功率快速变化的适应能力。本研究提出了一种具有趋势感知的即时学习框架,该框架将趋势相似性整合到在线自回归外生模型中。该方法通过从历史数据中选择与趋势一致的样本,动态构建在线本地模型,从而无需重新训练模型或使用外部变量即可捕捉瞬态动态。实验结果表明,所提出的框架为海上风电功率的在线预测提供了可靠且高效的数据处理方案,在智能电力系统运营中具有广泛应用潜力。1. 引言 海上风电在实现碳中和及确保可持续能源供应方面发挥着关键作用。与陆上风电场相比,海上风电场受益于更高的风速、更稳定的风况以及更大的能量潜力[1]、[2]。然而,海上环境具有复杂的气象动态、高波动性以及非稳态的风向特征,这些因素给精确的功率预测带来了巨大挑战[3]。在大规模海上风电接入的情况下,可靠的短期预测对于维持电网稳定、制定运营计划以及实施以市场为导向的调度策略极为重要。早期的研究往往依赖传统的统计模型,如自回归积分移动平均模型及其变体,因为这些模型具有可解释性强和计算简单的优点[4]、[5]。不过,这些线性且全局拟合的模型往往难以捕捉海上风电系统固有的非线性、瞬态及多尺度动态,尤其是在天气状况迅速变化导致的工况转变情况下。因此,人们开发了多种机器学习方法用于能源系统的时间序列预测,旨在建模非线性关联、提高对非稳态的适应性并提升预测精度[6]、[7]。基于神经网络的框架,包括前馈神经网络[8]、卷积神经网络[9]、循环神经网络[10]以及长短期记忆网络[11]架构,在学习时间依赖关系和非线性映射方面表现出了优异的性能。除了传统的循环结构外,近年来引入注意力机制的序列到序列模型以及类似Transformer的架构,在捕捉各种时间序列预测任务中的长距离依赖关系和复杂时间交互方面也取得了显著成效,包括在能源相关应用领域,如负荷和可再生能源发电量预测[12]。此外,那些结合了基于CNN的特征提取与循环/注意力模块的复合深度学习模型,能够同时利用局部模式识别和时间上下文信息,当拥有足够的数据和计算资源时,这类模型的性能也相当出色[13]、[14]。与此同时,概率方法和基于核的方法也具备互补优势,尤其适用于运营决策。高斯过程回归因其概率特性以及量化预测不确定性的能力而受到关注,它在存在测量噪声和环境变化的情况下进行可再生能源预测时表现出良好效果[15]。另外,集成学习和复合学习方法,如随机森林、梯度提升及其现代实现版本(例如XGBoost/LightGBM),通常能够在减少方差和捕捉非线性交互的同时,在无需大量调整模型架构的情况下,在预测基准测试中取得优异成绩[16]、[17]。这些方法代表了强大的全局训练范式,当数据分布相对稳定且拥有足够的历史样本时,它们能发挥非常重要的作用。另一个重要的研究方向是时空建模。海上风电会受到空间异质性的影响:宏观层面的气象观测数据可能无法准确反映单个风力发电机所处的局部状况,比如尾流效应、微尺度湍流以及特定地点的干扰因素。当具备空间拓扑结构和多台风力发电机的观测数据时,基于图的结构,如图神经网络,非常适合用来建模图形化风力发电机网络中的空间相关性,这类方法在风电场级预测及相关时空预测问题上展现出了巨大潜力[18]。然而,在许多实际场景中,可靠的空间关系、同步的多台风力发电机观测数据或高质量的气象输入数据可能并不完整、无法获取,或者实时维护的成本过高。这就需要开发出能够在单台风力发电机、数据稀疏以及在线环境下依然有效运行的解决方案。此外,那些整合了智能优化方法(如粒子群优化、遗传算法)的混合模型,通过利用各个算法的互补优势,已被证明能够提升模型的稳健性和泛化能力[8]、[19]。这些进展体现了数据驱动框架在各种领域处理复杂时间序列预测时的强大适应性。尽管全局训练的深度学习方法、概率核方法以及时空图模型都取得了成功,但在实际应用中,海上风电预测仍面临着三重限制:第一,非稳态特性以及频繁的工况转变会降低离线训练得到的全局模型的性能;第二,数据质量问题,如噪声、缺失值和异常值等;第三,在线计算需求,频繁重新训练大型模型往往不切实际。正是由于这些原因,人们开始探索能够快速适应当前运行工况的本地学习范式,这类方法通过利用与当前查询点最为相似的历史样本,而非为整个数据集拟合单一的全局映射来应对挑战。即时学习是一种典型的本地建模策略,它通过使用与当前查询点最为相似的一组历史样本,即时构建预测模型。从设计上看,即时学习能够通过基于相似性的邻居选择机制,追踪不断变化的动态趋势,从而减轻非稳态带来的负面影响[20]、[21]。此外,本地样本的选择方式本身就能降低异常值和不完整样本的影响,这使得该方法特别适合用于处理存在噪声的海上风电观测数据。不过,传统的即时学习方法可能对相似性度量标准较为敏感,而且如果需要反复从头开始计算模型参数,还会产生较大的计算开销。另外,现有的相似性度量方法可能并未明确考虑趋势一致性,而趋势一致性对于风电功率时间序列而言至关重要,因为短期的功率变化趋势和不断演变的时空模式往往是预测的难点。为了解决这些问题,本研究提出了一种具有趋势感知能力的即时学习框架,用于海上风电功率预测。所提出的方法在邻居选择阶段加入了欧几里得距离和趋势感知相似性指数两种指标,从而使本地模型能够更好地适配不断变化的时间趋势。此外,该方法还设计了一种基于加权递归最小二乘法的在线递归本地学习机制,该机制能够在每个本地窗口内高效更新模型参数,同时借助矩阵求逆引理避免了重复进行矩阵求逆操作。虽然像高斯过程回归这样的概率方法能够提供不确定性量化,但本研究的重点在于在实际数据约束条件下提升点预测的精度、稳健性以及在线处理效率;将即时学习框架拓展到概率预测方向,是未来值得深入研究的方向。需要说明的是,本文中所说的“在线”指的是学习和推理的流程,而非数据采集的方式。具体而言,所提出的方法采用顺序(按时间顺序)的预测和模型更新方式:在每个时间步t,预测器仅利用截至时间t的所有可用信息来生成y^t+h,等到观测值yt+h出现后,再更新其本地模型。本研究的主要贡献如下:1. 提出了一种具有趋势感知能力的即时学习框架,该框架在本地建模阶段同时考虑了欧几里得距离和趋势感知相似性指标,使得模型既能适应时间变化,又能有效抵御噪声和缺失数据的影响,因为邻居选择机制本身就会排除异常值和不完整样本。2. 设计了一种递归本地学习机制,该机制允许在每个本地建模窗口内,通过加权递归最小二乘法在线更新模型参数。该方法利用矩阵求逆引理逐步更新信息矩阵,从而避免了重复的矩阵求逆操作,显著降低了计算复杂度。3. 通过对真实海上风电数据的广泛实验验证,所提出的方法在预测精度和计算速度方面均优于ARIMA、LSTM、GRU以及传统即时学习方法。本文的其余部分结构如下:第2节介绍理论背景和建模方法;第3节阐述使用所提算法进行单步和多步风电功率预测的方法;第4节分析实验结果;第5节对全文进行总结。符号说明 所有的向量和矩阵均假设为实数且维度匹配。实数集和n维实向量分别用R和Rn表示。非负整数集和正整数集分别用N和N+表示。对于任意向量x∈Rn,‖x‖表示其欧几里得范数。两个向量a,b∈Rn之间的内积记为〈a,b〉=a?b。运算符diag(x1,…,xn)表示主对角线上元素为x1,…,xn的对角矩阵。2. 方法论 2.1 问题描述 如图1所示,风电功率时间序列可表示为(1)S={s(t)}t=1T,其中s(t)表示时间t时的风电功率输出值,T为总的观测次数。下载:下载高分辨率图像(632KB)下载:下载全尺寸图像图1. 海上风电功率的输出值。通常,风电功率预测问题可以表述为如下形式:(2)y^t+lp=f(?t,Θ),其中f(?·?)表示查询样本?t与预测值OWP y^t+lp之间的全局非线性映射关系,该映射关系由参数Θ决定。然而,由于气象条件变化迅速,海上风电功率数据具有极高的非稳态性。因此,更新全局模型f(?·?)需要大量的计算成本和时间,不适合用于在线预测。为了解决这个问题,人们采用了本地建模策略,即在每个时间步t,使用最相关的历史样本在线重构模型。相应的本地模型可表示为如下形式:(3)y^t+lp=ft(?t,Θt),其中ft(?·?)表示时间t时的本地线性函数,?t=[s(t?lm+1),s(t?lm+2),?,s(t)]?∈Rlm是查询样本,即由时间序列描述的过去连续的功率值,lm为该时间序列的阶数,Θt∈Rlm为模型参数,y^t+lp∈Rlp为预测出的风电功率值,lp为预测 horizon。若lp=1,则y^t+lp为单步预测值;若lp?>?1,则y^t+lp为多步预测值。对于多步预测(lp?>?1),本研究采用迭代预测方法,即每个预测值y^t+h(h=1,?,lp)都是通过之前预测出的值递归生成的。具体而言,(4)y^t+1=ft(?t,Θt),y^t+2=ft+1([?t(2),?t(3),?,y^t+1]?,Θt+1),?y^t+lp=ft+lp?1([?t(lp+1?lm),?,y^t+lp?1]?,Θt+lp?1),其中每个后续的输入向量都会用最新的预测值替换最旧的观测值,从而形成一种在线迭代预测过程。需要明确的是,当lp值较大时,这种迭代过程容易积累误差。备注1 在本研究中,“在线”预测指的是一种顺序式的、具有因果关系的学习和推理流程,而非实时的数据采集或数据流处理。具体来说,在每个时间点t,预测值y^t+lp都是仅利用截至时间t的所有可用信息来生成的,也就是说,查询样本?t和本地模型参数Θt完全是根据过去的观测值构建的。在预测阶段不会使用时间t之后的任何未来数据。对于多步预测(lp?>?1),上述的迭代预测方法通过将之前预测出的值递归地纳入输入向量中,保持了这种因果结构。尽管预测出的输出值会被作为后续步骤的输入,但每个中间预测值仍然是按照时间顺序生成的,且无法获取未来的真实观测值。需要强调的是,本文中的“在线”一词指的是预测过程的时间顺序和更新机制,即随着新观测值的出现,预测、模型构建和参数更新会依次进行。为了构建本地模型ft(?·?),首先需要从全局数据集S={(SX,SY)}中,根据查询样本?t与各个候选样本?i之间的相似性度量D(?·?),构建一个本地候选数据集Nt={(NtX,NtY)},其构建方式如下:(5)NtX={?i}i=lmt?lp,NtY={yi}i=lmt?lp,其中?i=[s(i?lm+1),s(i?lm+2),…,s(i)]?,yi=s(i+lp)。因此,每一对(?i, yi)都代表一个本地训练样本。据此,本研究要解决的问题包含三个核心部分:1)设计一种趋势相似性度量指标D(?·?),该指标既能体现空间上的接近程度,又能反映动态一致性,从而为每个查询样本?t选出一组在动态上保持一致性的本地候选集Nt。2)利用候选集Nt,设计一种既易于理解又具有较高计算效率的迭代算法,以便在线确定本地模型的参数Θt,从而最小化本地预测误差。3)将所提出的框架应用于具有不同环境和运行特征的真实海上风电数据集,验证其预测精度和泛化能力。2.2 基于趋势最近邻的即时学习即时学习算法的核心原理是:相似的输入会产生相似的输出。当有新的查询点出现时,即时学习算法会利用历史数据集中最相关的样本,构建一个在线的本地模型。因此,选择最相关的样本对于确保方法能够良好运行至关重要。JITL采用k-NN来挑选相关样本,其判定标准为公式[22]中给出的欧几里得距离:(6)d(?t,?j)=∑k=1lm(?t(k)??j(k))2,其中?j=[s(j?lm+1),s(j?lm+2),?,s(j)]?是一个时间序列。尽管k-NN效果不错,但它无法捕捉两个时间序列之间的趋势相似性。为解决这一问题,人们提出了如下趋势相似性指标:(7)D(?t, ?j)=αt(1?e?d(?t, ?j))+(1?αt)(1?δ(?t, ?j)),其中α是自适应权重系数,d(?t, ?j)为公式(6)中定义的欧几里得距离,而δ(?t, ?j)用于衡量?t与?j之间的趋势相似性,即(8)δ(?t, ?j)=〈Δ?t,Δ?j〉∥Δ?t∥∥Δ?j∥,此处Δ?t=[s(t?lm+2)?s(t?lm+1),s(t?lm+3)?s(t?lm+2),?,s(t)?s(t?1)]?∈Rlm?1,表示时间序列?t的一阶差分向量。为提升对不同查询样本的适应性,αt的设计如下:(9)αt=11+CVt,CVt=1lm∑i=1lm(?t(i)??ˉt)2|?ˉt|,其中CVt为?t及其均值?tˉ的变异系数。这种自适应设计使得αt会随着?t的相对波动增大而减小,从而在数据存在较强局部变化时,给趋势相似性δ(?·?)赋予更高权重。D(?·?)则保证了欧几里得指数与趋势相似性指数之间的一致性——D(?t, ?j)的值越小,说明两个时间序列的相似度越高。
备注2:自适应权重αt具备在线相似性融合规则所需的若干优点:1)有界性与凸性:当CVt?≥?0时,αt?∈?(0, 1],可确保无需额外截断即可实现有效的凸组合;2)单调性:dαtdCVt=?1(1+CVt)2<0,因此波动越大,对欧几里得距离的依赖程度就越低;3)可解释性与可调性:若CVt=0(完全稳定),则αt=1,该方法以欧几里得相似性作为依据;若CVt=1(离散程度与均值相当),则αt=0.5,两者权重均衡。当CVt?→?∞时,αt?→?0,这样在波动剧烈的情况下更侧重于趋势相似性。为验证所提相似性指标的有效性,研究选取了三个时间序列(见图2)。
图2. 三个时间序列之间的相似性。此处,?1=[12,15,9,17]为查询序列,?2=[14,13,9,16]和?3=[15,17.5,11,18]为历史时间序列。利用公式(6)–(8)计算得到的相似性指标见表1。
表1. 各评判标准的对比结果。空白单元格表示无对应数据。(?·?)δ(?·?)D(·)(α=0.3)?1, ?23.00000.90780.3496?1, ?34.50000.99430.3007从图2可以看出,?3与?1的趋势一致,而?2与?1的趋势存在差异,这充分证明了所提相似性指标的有效性。D(?·?)的值越小,说明两个时间序列的相似度越高。由于D(?1,?3)=0.3007小于D(?1,?2)=0.3496,因此可以判断?3与?1的相似度高于与?2的相似度。相比之下,基于欧几里得距离的方法会将?2视为趋势相似的序列,这一结论并不准确。由此可见,所提出的相似性指标D(?·?)结合了趋势相似性因子与欧几里得距离的优势。
如前所述,OWP可被视为一种时间序列(见图1)。借助相似性评判标准D(?·?),可从收集到的全局数据集S中选出kmax个最相似的样本,将其作为局部数据集:(10)NtX={?1,?2,…,?k,…,?kmax},其中满足:D1≤D2≤?≤Dk≤?≤Dkmax,?k为被选中的样本,其对应输出值为yk,而Dk则通过公式(7)计算得出。Dk值越小,说明?k与查询样本?t的相似度越高。因此,在所有被选邻居中,?1的相似度最高。
备注3:JITL框架的一个显著优势在于它能够减少对大规模全局数据预处理的依赖。由于模型训练是在每个查询样本?t周围本地进行的,只有少量动态选定的邻居样本Nt参与训练过程。这样一来,全局数据中的缺陷,比如异常值或缺失值,对模型精度的影响就十分有限,因为这些缺陷会通过相似性度量D(?·?)被排除在局部邻域之外。这一特性提升了该方法在实际应用中的稳健性和灵活性,尤其是那些风能数据往往存在噪声或不完整的情况。公式(3)中定义的局部模型还可进一步表示为ARX形式:(11)y^t+1=β0+β1s(t?lm+1)+β2s(t?lm+2)+?+βlm+1s(t)=ρt?Θt,其中ρt=[1,?t?]?∈Rlm+1,Θt=[β0,β1,…,βlm]?∈Rlm+1。相应的训练数据集可表示为:(12)Φt=[ρi]??i∈NtX,Yt=[yi]?yi∈NtY,此处每个ρi=[1,?i?]?代表与建模样本?i对应的扩展回归量。为求得最优参数Θt,需定义成本函数:(13)Jt(Θ)=∑i=1kmaxwi(?t)(yi?ρi?Θ)2,其中wi(?t)=1?D(?t,?i)用于量化查询样本?t与历史样本ρi?∈?Φt之间的相似度。最优参数显式地取决于查询样本?t:(14)Θt=argminΘJt(Θ)=argminΘ∑i=1kmaxwi(?t)(yi?ρi?Θ)2。通过令?Jt(Θ)?Θ=0,可得到带权最小二乘法的封闭形式解:(15)Θt=(Φt?WtΦt)?1Φt?WtYt,其中Wt=diag(w1(?t),…,wk(?t))。由于Nt和Wt都依赖于查询样本,因此Θt会随系统的运行状态发生相应变化。为提升计算效率,当有新样本(ρk+1,yk+1)被加入局部数据集时,公式(15)会被转化为递归形式。设Φk、Yk和Wk分别为由前k个样本构成的矩阵,当前的参数估计值为:(16)Θtk=(Φk?WkΦk)?1Φk?WkYk。在引入第(k+1)个样本后,解析解变为:(17)Θtk+1=(Φk+1?Wk+1Φk+1)?1Φk+1?Wk+1Yk+1。为避免在公式(17)中反复计算矩阵逆,可通过分离新加入样本的贡献,将表达式改写为递归形式。展开公式(17)后的各项可得:(18)Φk+1?Wk+1Φk+1=Φk?WkΦk+wk+1ρk+1ρk+1?,(19)Φk+1?Wk+1Yk+1=Φk?WkYk+wk+1ρk+1yk+1。定义信息矩阵Vk=(Φk?WkΦk)?1,则公式(17)可改写为:(20)Θtk+1=Vk+1(Vk?1Θtk+wk+1ρk+1yk+1),其中Vk+1?1=Vk?1+wk+1ρk+1ρk+1?。为明确求出Vk+1,可运用谢尔曼-莫里森矩阵求逆引理[23]:(21)Vk+1=Vk?Vkρk+1wk+1ρk+1?Vk1+wk+1ρk+1?Vkρk+1。将公式(21)代入公式(20)并整理各项,即可得到参数估计值的递归更新公式:(22)Θtk+1=Θtk+γk+1ek+1,其中γk+1=Vk+1ρk+1wk+1为增益向量,ek+1=yk+1?ρk+1?Θtk则表示瞬时残差。公式(21)和(22)共同构成了递归最小二乘算法,该算法会在逐步纳入建模样本的过程中,持续估算固定查询样本?t对应的Θtk值。备注4:将公式(17)转化为递归形式能大幅提升计算效率。在原始形式下,每次更新都需要进行完整的矩阵求逆,其计算复杂度为O(n3),其中n为ρk+1的维度。而递归形式则借助矩阵求逆引理[23],逐步从Vk更新信息矩阵Vk+1,仅需进行向量-矩阵运算,复杂度为O(n2)。这一方法能有效降低计算成本,尤其是在局部数据集规模较大或模型需要在线更新的情况下。因此,采用递归最小二乘法不仅能提升计算效率,还能避免在每次迭代中都进行大规模矩阵求逆,从而实现在线适配。综上,最优参数Θt可总结为以下公式:(23){Vk+1=Vk?Vkρk+1wk+1ρk+1TVk1+wk+1ρk+1TVkρk+1γk+1=Vk+1ρk+1wk+1ek+1=yk+1?ρk+1TΘtkΘtk+1=Θtk+γk+1ek+1,其中V、γ和e均为递归最小二乘算法中的参数,用于计算Θt。一旦得到矩阵Vk+1,便可直接利用以下公式计算留一法交叉验证误差:(24)eploo(k+1)=yp?ρpTΘtk+11?wpρpTVk+1ρp,其中p=1,2,?,k+1。留一法交叉验证的均方误差则为:(25)MSEloo(k+1)=∑p=1k+1wp(eploo(k+1))2∑p=1k+1wp。据此,迭代的停止条件可设定为:(26)MSEloo(k+1)>MSEloo(k)ork≥kmax,也就是说,如果新模型Θtk+1的性能明显劣于之前的Θtk,则迭代过程将终止。否则,会从已选的子集中再加入一个新的时间序列,同时更新参数Θt和误差MSEloo(k),直至满足公式(26)的要求。所提方法的结构示意图与伪代码分别如图3和算法1所示。GRU模型的超参数与LSTM相同,以确保在相同的训练条件下进行公平比较。对于ARIMA模型,自回归项、滞后预测误差以及差分阶数则是通过基于赤池信息量准则的网格搜索来确定的,从而实现最优的模型复杂度与预测性能。
表3. LSTM的参数
参数 | 值
架构 | 18*12*6*1
学习率 | 0.001
激活函数 | tanh
优化算法 | SGD
Dropout比例 | 输入层-隐藏层:0.1;隐藏层-隐藏层:0.2
训练轮数 | 2000
为全面评估所提出的tJITL方法,设计了三种实验案例:
(1) 一步预测:将数据集随机分为70%用于训练,30%用于测试。采用不同随机种子的十次蒙特卡洛实验,通过计算性能指标的均值和方差来评估预测效果。
(2) 噪声鲁棒性分析:为评估各方法对数据损坏的抵抗能力,在30%的训练样本中加入标准差为0.3的高斯噪声,而测试集保持不变。同样进行十次蒙特卡洛实验,通过计算性能指标的均值和方差来评估在噪声条件下的鲁棒性及性能下降情况。
(3) 多步预测(迭代预报):使用与(1)相同的 数据划分方式,测试不同的预测时间范围(lp=2),以评估各模型在较长预测时间范围内的时间鲁棒性及泛化能力。
如表4所示,在一步预测任务中,所提出的tJITL模型在所有基准方法中取得了最佳的预测精度(见图5)。其sMAPE值最低,为18.92%,MAE为0.0687,RMSE为0.1267,RRMSE为0.1382,而R2值最高,为98.09%,表现优于传统的统计模型(ARIMA)和深度学习模型(LSTM及GRU),也优于标准的JITL&k-NN方法。尽管tJITL的计算时间(3.78秒)略高于JITL&k-NN的1.46秒,但这一差异主要源于公式(7)中额外的趋势相似度计算。不过,在RLS更新机制下,其迭代计算速度仍显著快于其他基准方法,这一结果与备注4中的分析一致。
表4. 一步预测的性能及计算时间
| 方法 | sMAPE(%) | MAE(×10?2) | RMSE(×10?2) | RRMSE(×10?2) | R2(%) | 计算时间(T/s) |
|-----------|----------|------------|------------|--------------|-------|-------------|
| tJITL | 18.92±1.69| 6.87±0.63 | 12.67±1.28 | 13.82±1.84 | 98.09 | 3.78±0.07 |
| ARIMA | 19.27±1.50| 7.07±0.74 | 13.29±1.39 | 14.29±1.89 | 97.96 | 13.20±0.11 |
| LSTM | 20.26±2.53| 9.82±0.89 | 13.16±1.13 | 14.96±1.95 | 97.76 | 19.19±0.20 |
| JITL&k-NN | 20.13±1.69| 7.69±0.83 | 12.67±1.28 | 17.08±0.62 | 97.08 | 1.46±0.07 |
| GRU | 20.06±2.96| 9.69±0.88 | 12.68±1.16 | 14.60±1.89 | 7.87±0.57 | 16.69±0.13 |
下载:高分辨率图片(249KB)
下载:全尺寸图片
图5. 不同方法的一步预测误差分布
为评估所提方法对噪声的敏感度,向海上风电数据集中加入了随机高斯噪声,相应的预测结果汇总于表5。如表所示,tJITL模型在噪声条件下的鲁棒性最强,其sMAPE值为20.59%,MAE为0.0570,RMSE为0.1290,RRMSE为0.1613,各项指标均优于包括ARIMA、LSTM、GRU以及JITL&k-NN在内的所有基准方法。(见图6)该图还显示,tJITL的预测误差分布更为集中,异常值较少,这说明其在面对随机测量干扰时具有更好的稳定性。这一结果验证了备注3中的分析,即JITL框架通过基于相似度的样本选择有效降低了异常值和噪声的影响。
表5. 带噪声的一步预测性能及计算时间
| 方法 | sMAPE(%) | MAE(×10?2) | RMSE(×10?2) | RRMSE(×10?2) | R2(%) | 计算时间(T/s) |
|-----------|----------|------------|------------|--------------|-------|-------------|
| tJITL | 20.59±3.29| 5.70±0.97 | 12.90±1.62 | 16.13±1.40 | 97.40 | 3.07±0.10 |
| ARIMA | 20.77±3.42| 6.08±1.13 | 13.20±1.75 | 17.09±2.04 | 97.08 | 15.74±1.01 |
| LSTM | 23.04±3.11| 8.09±1.24 | 13.26±1.56 | 17.38±1.52 | 96.98 | 29.53±0.95 |
| JITL&k-NN | 22.01±3.26| 6.22±1.06 | 15.84±2.38 | 18.18±2.28 | 96.69 | 1.49±0.06 |
| GRU | 22.72±3.27| 7.31±1.56 | 14.78±5.44 | 16.99±1.76 | 97.12 | 24.23±0.25 |
下载:高分辨率图片(267KB)
下载:全尺寸图片
图6. 带噪声的一步预测误差分布
为进一步展示tJITL的性能,还进行了两步预测实验,结果见表6。在多步预测任务中,基于JITL的在线建模方法始终优于离线建模的ARIMA和LSTM。对比结果还表明,趋势相似度有助于为JITL算法筛选出相关的历史样本。tJITL方法的sMAPE值为25.25%,MAE为0.1179,RMSE为0.1616,RRMSE为0.1842,R2为95.20%,计算时间为3.09秒。其在多步预测中的预测误差保持稳定,说明性能优于其他方法。
表6. 多步预测的性能及计算时间
| 方法 | sMAPE(%) | MAE(×10?2) | RMSE(×10?2) | RRMSE(×10?2) | R2(%) | 计算时间(T/s) |
|-----------|----------|------------|------------|--------------|-------|-------------|
| tJITL | 25.25 | 11.79 | 16.16 | 18.42 | 95.20 | 3.09 |
| ARIMA | 33.54 | 14.58 | 23.24 | 26.50 | 92.98 | 17.17 |
| LSTM | 36.76 | 15.99 | 22.57 | 25.74 | 94.24 | 29.06 |
| JITL&k-NN | 25.72 | 11.86 | 16.61 | 18.94 | 94.45 | 1.48 |
| GRU | 36.86 | 12.11 | 21.99 | 25.07 | 94.27 | 24.46 |
5 结论
本研究提出了一种基于趋势感知的即时学习框架——tJITL,该框架采用自回归外生模型用于海上风电预测。该方法引入了趋势相似度指数,用以优化相关本地训练样本的选取,从而实现无需重新训练的适应性在线建模。通过实际海上风电场的运行数据验证,所提框架的预测性能优于传统的ARIMA、LSTM以及常规的JITL方法,不仅精度更高,而且计算时间大幅减少。这些结果表明,引入趋势相似度能有效提升在线预测在非平稳海上环境中的鲁棒性与适应性。
尽管所提框架表现优异,但仍存在一些局限性。目前的研究主要侧重于趋势相似度指数与数据集特征之间关系的理论分析,这有助于理解相似度指标如何影响本地样本的选择及模型的适应性。不过,若能在更大规模、更多样化的数据集上进一步验证,将有助于确认这些理论结论在不同海上环境下的普遍适用性。此外,当前该模型仅能提供点预测结果,而预测不确定性对于电网集成而言十分重要。未来的工作将致力于扩展该框架,使其能够输出预测区间,可考虑利用高斯过程或分位数回归等方法来估计不确定性。同时,还将探索将该模型集成到数字孪生或实时控制系统中,以便在动态的海上环境中实现自适应运行。
作者贡献说明
余潘:论文撰写——审阅与编辑、论文撰写——初稿、软件开发、方法设计、概念构思。
陈涛:论文撰写——初稿、软件开发、方法设计、数据整理、概念构思。