基于状态自适应分解与感知控制的短期风电功率预测

《Sustainable Energy Technologies and Assessments》：Short-term wind power forecasting using state-adaptive decomposition with control awareness

　　开发了一种具有控制感知的状态自适应分解方法。CASD根据运行状态和控制输入自适应调整分解强度。Transformer引导的递归建模分解状态的多步演化。预测响应指导候选偏航动作的评估与选择。引言风电功率预测为风电机组状态调节与运行控制提供了重要依据[1]。对未来电功率和关键运行响应的准确预测，可为控制效益评估和风机运行优化提供前瞻性信息[2], [3]。近年来，深度学习模型被广泛应用于短期和超短期风电功率预测，并在预测精度方面取得了显著提升[4], [5], [6]。然而，风电功率序列表现出显著的非平稳性，长期变化与短期波动相互交织[7], [8]。短期波动会掩盖功率输出的渐进变化，且其强度可能随时间变化。因此，直接预测原始序列的模型必须捕捉潜在的功率变化，同时考虑这些不断变化的波动。这增加了准确多步预测的难度。序列分解为应对这一挑战提供了有效途径，并已被广泛应用于风电功率预测。变分模态分解（VMD）、集合经验模态分解（EEMD）和自适应噪声完备集合经验模态分解（CEEMDAN）等代表性方法可将风速或功率序列分解为若干个相对平稳的子序列[9], [10], [11]。此类方法将原始序列转化为更易于学习的成分，有助于预测模型刻画不同时间尺度上的变化。然而，分解结果通常对参数选择和序列结构较为敏感[12]，且在序列边界附近可能变得不稳定，从而影响后续预测模型的可靠性[13]。相关研究改进了分解过程，以降低分解结果对参数选择和复杂波动的敏感性。例如，Miao等人[14]和Yu等人[15]引入优化算法确定关键分解参数，减少经验参数选择带来的不确定性。Huo等人[16]采用固定尺度的双模态分解来细化复杂成分，使模型能够更好地捕捉局部突变和短期波动。此外，风电功率预测通常涉及多个信息来源，包括功率、风速和风电机组运行变量。当对不同变量分别进行分解时，所得子序列可能难以在一致的时间尺度上对齐[17]。为应对这一问题，Yang等人[18]和Wang等人[19]采用多变量联合分解，在相似时间尺度上同步表征风电功率及相关变量，从而提高了目标变量的预测精度。尽管上述方法提高了预测精度，分解方法在实际预测应用中仍存在若干局限。具体而言，许多研究先对完整数据集进行分解，然后再划分训练集和测试集。这种流程可能在成分构建过程中引入测试集信息，从而高估模型精度[20], [21]。此外，现有分解方法通常依赖固定规则或预定义参数，难以根据运行状态变化自适应调整分解强度[22]。对于非平稳功率序列，背景变化的时间尺度和局部波动的强度并非恒定不变。若分解过程无法相应调整，后续模型在多步预测过程中更容易出现误差累积。因此，分解方法不仅应避免来自测试集的信息泄露，还应根据当前运行条件自适应调整分解强度。这一能力可为后续预测提供更有效的状态表征。针对上述局限，本研究提出一种具有控制感知状态自适应信号分解机制的Transformer多步预测方法。首先，构建具有控制感知和状态自适应能力的信号分解模块，将目标变量分解为缓变状态、局部波动尺度和标准化扰动。运行条件和控制输入调节分解强度，使目标序列在当前运行状态下形成结构化表征。随后，将分解后的状态序列和输入变量共同输入Transformer编码器以提取历史特征，通过显式状态转移和递归获得未来电功率和关键运行响应的多步预测。最后，预测模型评估不同候选控制动作下的未来响应，平衡功率收益、下游影响和动作调整幅度，从而实现预测驱动的控制动作选择。实验主要基于公开的SMARTEOLE风电场数据集[23]开展，以验证所提方法的有效性。此外，还使用公开的Hill of Towie风电场数据集[24]进行跨数据集预测验证。最后，在局部尾流耦合场景下，基于SMARTEOLE数据集开展多步预测和候选偏航动作评估，以进一步考察所提方法在可控风电场运行分析中的应用价值。本研究的主要贡献总结如下：(1) 提出了一种具有控制感知的状态自适应信号分解方法。该方法将目标变量分解为缓变状态、局部波动尺度和标准化扰动，分解强度由运行条件与控制输入调节，使分解结果能够适应当前运行状态。(2) 开发了一种采用Transformer编码与显式状态递归的多步预测模型。该模型利用Transformer从历史状态和条件变量中提取时序特征，并在结构化状态空间中递归预测未来响应。(3) 建立了一种预测驱动的控制动作评估与选择机制。训练好的预测模型评估不同候选动作下的未来功率和关键运行响应，综合平衡控制效益、下游影响和动作调整幅度，使预测模型能够进一步支撑运行控制决策。各章节摘要问题定义风电功率和风速时间序列具有非平稳性，渐进变化与短期波动相互交织。这些波动会掩盖渐进变化，使直接多步预测更为困难。分离不同时间尺度上的这些变化有助于刻画其不同的行为特征。现有的离线分解方法可以降低非平稳序列的建模复杂性，但预先分解完整序列可能会引入未来……数据描述与处理本研究主要使用公开的SMARTEOLE风电场数据集[23]，该数据集包含七台风电机组的运行数据。SMV6作为主要受控风机，其偏航动作可通过尾流效应影响下游风机。因此，选择SMV6及其最近的下游风机SMV5来表示多风机耦合场景。数据集包含12,678个样本，分辨率为10分钟，涵盖风机运行状态、环境来流条件……结果与讨论本节系统评估了所提方法的预测性能和控制动作选择结果。首先使用测试集比较不同预测模型，分析CASD-Transformer在多步预测中的性能，并进一步考察所提状态分解方法对预测精度的贡献。随后，使用训练好的预测模型进行控制动作评估。下游影响和总系统功率输出……结论传统分解方法（如EMD和VMD）难以根据运行状态自适应调整分解强度，这反过来限制了非平稳风电功率序列的多步预测性能。因此，本研究提出了一种具有控制感知状态自适应信号分解的Transformer预测模型。该模型将目标变量中的缓变状态和局部扰动分离，为……提供结构化表征。CRediT作者贡献声明**冯东阁**：初稿撰写、软件。**谢艳**：调查、形式化分析。**唐红**：验证、方法学。**姚国佳**：审阅与编辑。利益冲突声明作者声明不存在任何已知的财务利益或个人关系可能影响本文所报告的工作。冯东阁 | 谢艳 | 唐红 | 姚国佳