《Electric Power Systems Research》：Modeling multidimensional spatiotemporal and abrupt dynamics in wind power outputs with a hybrid intelligent approach
编辑推荐：
海上风电场出力预测采用CNN-GRU-SA混合模型结合BWO算法优化，有效捕捉时空特征与突发波动，实验显示R2超0.9737且跨场景适用性优异。
王成豪|卢庚阳|陈云
中国三峡大学水电工程建造与管理湖北省重点实验室，宜昌443002，中国
摘要 随着海上风电安装规模的迅速扩大，准确的功率输出预测对于维持电力系统的供需平衡和降低运营成本至关重要。然而，海上风电发电过程具有高度非线性和波动性，因为它受到多种耦合因素的动态影响。为了解决这些挑战，本研究提出了一种海上风电的混合输出预测模型。该模型结合了卷积神经网络（CNN）、门控循环单元（GRU）和自注意力机制（SA），有效捕捉了多变量时间序列数据中关键时间步的空间特征、时间依赖性和全局相关性。此外，还采用了白鲸优化（BWO）算法来自适应调整模型的超参数。结果表明，所提出的模型在预测精度方面显著优于单一模型和其他混合模型。与其他优化算法相比，BWO算法具有更强的全局搜索能力。在本研究中进行的实验中，所提出的算法能够快速收敛到高质量的参数配置，从而显著提高了计算效率。此外，在对四个不同风电场进行的泛化测试中，该模型的一致R2得分超过了0.9737，证实了其强大的跨场景适用性。
引言 随着全球能源结构的持续转型，作为绿色、清洁和可再生能源的海上风电正逐渐成为能源供应系统的重要组成部分。准确预测海上风电输出不仅对于确保电网的安全稳定运行至关重要，也是优化风电场管理实践和提高能源利用效率的基础。然而，由于海上风电发电严重依赖于气象条件，准确预测其输出仍然是当前研究中的一个主要挑战[1]。有效的输出预测模型可以为风电场运营调度、功率平衡和电网整合任务提供关键的决策支持[2]。
海上风电输出受到多种因素的影响，主要包括风速、大气压力、相对湿度、云量、温度、太阳辐射、降水量和风向等气象变量[3]。这些因素不仅具有独立的影响，还以复杂、非线性和耦合的方式相互作用，形成了复杂的气象环境[4]。机器学习（ML）作为一种从复杂数据中提取模式的变革性工具应运而生，使系统能够在无需显式编程的情况下学习和适应[5]。在ML中，特别是那些结合了卷积和循环架构的深度学习模型，在处理时空数据方面表现出色，非常适合用于风电输出预测等可再生能源预测任务。卷积神经网络（CNN）凭借其出色的特征提取能力，已成为海上风电输出预测的强大工具[6]。CNN能够有效捕捉这些因素之间的局部依赖性和非线性关系，使其非常适合这一应用。通过处理多维输入数据并通过卷积层提取显著的局部特征，CNN提供了提高模型准确性的宝贵预测洞察。
然而，尽管CNN在捕捉局部特征方面表现优异，但在考虑长期数据依赖性时存在局限性。气象数据通常表现出长期的时间演变模式，这对基于CNN的模型在尝试有效捕捉这些扩展依赖性时构成了挑战。为了解决这个问题，本文引入了门控循环单元（GRU）。利用其独特的门控机制，GRU能够有效捕捉长期依赖性信息，使开发的预测模型能够处理气象数据集中固有的长时间特征[8]。此外，气象数据还表现出显著的短期变化，例如风速的突然变化或极端天气事件的发生，这些都对风电输出有重大影响。为了进一步提高所使用模型的灵敏度及其预测此类波动的能力，引入了自注意力（SA）机制作为补充方法[9]。SA能够自适应地强调输入数据中的波动时期，并通过并行处理所有序列元素而不是顺序处理，显著提高了计算效率。
在本研究中，突发动态指的是在短时间内发生的快速风电输出变化，这些变化对风电场的实际运行有重要影响。根据风电领域对功率爬坡率的一般定义，本研究将满足以下标准的运行条件定义为突发事件：在单个15分钟的时间间隔内，风电输出的绝对变化超过风电场额定安装容量的15%。该标准的数学表达式如下：| Δ P | | P t ? P t ? 1 | 0.15 P r a t e
P r a t e P t P r a t e 尽管此类事件发生的频率较低，但它们是大多数基准模型预测错误的主要原因。传统的CNN和GRU/LSTM模型在训练期间对所有时间步骤赋予相同的权重，这往往会削弱这些低频但高影响时期的建模效果。相比之下，所提出模型中引入的自注意力（SA）机制可以为对应于突发变化时期的隐藏状态赋予更高的权重，从而增强模型在极端运行条件下捕捉功率爬坡的能力。
本研究的主要贡献如下：（1）在统一架构内协同实现了三个核心功能，即识别局部特征之间的相关关系、识别长期时间依赖性以及检测短期突发功率输出变化。（2）这种混合架构与专门的数据质量优化过程（RANSAC + 隔离森林）和全局超参数优化算法（BWO）深度集成，构建了一个具有工程应用价值的海上风电预测系统。（3）通过广泛的消融实验和对比实验验证，该架构中的每个组件（CNN、GRU和SA）都能对模型性能产生显著且互补的增益，其整体性能优于当前主流的对比模型。
本文的其余部分组织如下。第2节回顾了相关研究。第3节介绍了BWO的结构
CNN-GRU-SA。第4节介绍了短期风电输出预测的模型框架。第5节主要验证了所提出模型的有效性。第6节总结了本文。
节选 文献综述 为了实现更好的风电管理效果，越来越多的研究人员专注于风速和功率输出预测，从而在理论方面取得了大量进展。就所采用的方法论而言，风电预测模型大致可以分为物理模型、统计模型、机器学习模型和深度学习模型。物理方法主要依赖于从数值天气预测系统获取的数据并进行精细化处理
BWO-CNN-GRU-SA的结构 在本节中，通过集成三种神经网络架构构建了CNN-GRU-SA。为了提高模型的泛化能力并减轻过拟合，采用了BWO算法来微调模型的权重和超参数。这种集成方案最终形成了BWO
CNN-GRU-SA模型架构。
短期风电输出预测框架 在本节中，首先对收集的数据进行预处理。然后基于CNN-GRU-SA网络构建海上风电输出预测模型。接着引入BWO算法来优化模型的训练参数，以提高其泛化能力和减轻过拟合。这一过程最终形成了最终的BWO
CNN-GRU-SA模型。最后，分析和评估了生成的预测结果。
案例研究 在本节中，使用来自实际海上风电场的真实气象和风电输出数据验证了所提出模型的有效性。深度学习模型，如CNN、GRU、LSTM及其混合变体，已广泛应用于海上风电输出预测任务。通过将所提出的方法与几种传统的深度学习模型进行比较，本研究突出了其优越的性能。此外，还展示了模型的鲁棒性和泛化能力
结论 我们提出了一种用于短期海上风电预测的混合CNN–GRU–自注意力模型，该模型结合了RANSAC + 隔离森林数据质量流程和白鲸优化（BWO）进行超参数调整。在15分钟的福建数据集上，经过BWO优化的模型实现了RMSE = 1.75、MAE = 1.25和R2 = 0.9818的性能，优于单一和混合基线模型。重要的是，该模型在突发爬坡事件下仍保持了其准确性，R2 = 0.9732，并且具有良好的泛化能力
CRediT作者贡献声明 王成豪： 撰写 – 原始草稿、软件、方法论。卢庚阳： 撰写 – 审稿与编辑、方法论、数据整理。陈云： 撰写 – 审稿与编辑、监督、资金获取、概念构思。
CNN-GRU-SA。第4节介绍了短期风电输出预测的模型框架。第5节主要验证了所提出模型的有效性。第6节总结了本文。
