基于FEDformer和SDCDDM的海上风电两阶段不确定性预测方法

首页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

生物通官微
陪你抓住生命科技
跳动的脉搏

生物通首页 > 今日动态 > 正文

《Energy》：A Two-Stage Uncertainty Forecasting Method for Offshore Wind Power Based on FEDformer and SDCDM

【字体：大中小】 时间：2026年02月21日 来源：Energy 9.4

编辑推荐：

　　海上风电功率预测面临资源随机性和不稳定性的挑战，本研究首次提出两阶段框架：第一阶段采用FEDformer通过频域分解提升确定性预测精度，第二阶段基于SDCDM结合季节分解与扩散模型生成概率场景。在MRAE、NAPS和CRPS指标上表现优异，有效平衡预测精度与不确定性量化，解决单阶段模型目标冲突问题。

赵文彦|赵俊豪|沈晓东|刘俊勇|范世雄

四川大学电气工程学院，中国成都

摘要

由于海上风电资源的随机性和不稳定性，准确预测其输出量具有特别大的挑战性。风电预测中的不确定性建模不仅揭示了输出的波动性，也是确保电网安全运行的基础。本文首次提出了一种新颖的两阶段海上风电不确定性预测框架，将确定性点预测与概率性情景生成相结合。所提出的方法结合了频率增强分解变换器（FEDformer）进行确定性预测，以及季节条件分解扩散模型（SDCDM）进行情景生成。FEDformer通过频率分解增强了多尺度特征提取，而SDCDM则应用季节分解和条件扩散来生成多样化的概率情景。该模型在MRAE、NAPS和CRPS指标上表现出色，表明其具有优异的预测准确性和可靠的不确定性量化能力。

引言

2020年，中国提出了“2030年碳达峰、2060年碳中和”的目标。随着社会对“双碳”目标的认识日益增强，海上风电在国家风能产业中进入了快速增长阶段。2024年，中国的风电装机容量达到了79.82吉瓦，同比增长6%。其中，陆上装机容量为75.79吉瓦，海上装机容量为4.04吉瓦。与陆上风电相比，海上风电的波动性和不稳定性更高，因此更难以进行精确预测。因此，为了提高海上风电的可靠运行，准确高效的预测至关重要。根据预测输出格式，风电预测研究可以分为两大类：确定性预测和概率性预测。

确定性方法利用物理模型[1]、统计方法[2]和人工智能算法[3]来生成单一未来的预测值。物理模型主要使用数值天气预报（NWP），结合气象变量来预测风电。参考文献[4]开发了一种基于历史气象观测数据训练的人工神经网络（ANN），并通过数值天气预报（NWP）输出进行验证。参考文献[5]引入了一种数据-物理混合方法用于超短期风电预测。统计方法利用历史风电记录和统计算法来预测未来发电量。参考文献[6]开发了一种考虑动态延迟效应的短期海上风电预测方法。参考文献[7]提出了一种使用ERA5天气数据对单个海上风电场进行长期每小时发电量预测的新方法。然而，确定性预测只能提供一个估计值，无法量化不确定性或界定潜在的结果范围，因此无法准确评估预测的可靠性或相关风险[8]、[9]、[10]。

概率性风电预测旨在得出未来发电量的预测区间或概率特征，从而降低与电力不确定性相关的风险[11]。概率性风电预测方法分为参数化方法和非参数化方法。

参数化方法使用预先指定的概率密度函数来模拟未来的风电不确定性。通常，参数化模型基于分布假设，采用蒙特卡洛（Monte Carlo）、拉丁超立方抽样（LHS）和copula函数[12]。参考文献[13]使用了具有不同基函数和节点数量的多变量样条回归模型来捕捉复杂的风速-功率关系。参考文献[14]引入了一种基于高斯过程的多变量功率曲线模型。然而，参数化方法通常需要对误差或联合分布做出强烈假设，单参数模型往往无法捕捉所有复杂模式，导致预测区间过于保守。

非参数化方法不依赖于特定的分布假设，而是从历史数据中提取特征以数据驱动的方式生成风电情景。参考文献[15]构建了一个不可分离的协方差函数，用于捕捉多个风电场之间的复杂时空交互。参考文献[16]提出了一种改进的全集成经验模态分解（GCEEMD）方法，以更准确地提取多尺度特征。

情景生成也是一种非参数化方法，它通过一组确定性情景来表示不确定性。现有的生成时间情景的方法主要包括生成对抗网络（GANs）[17]、变分自编码器（VAEs）[18]和扩散模型[19]。参考文献[20]提出了一种基于卷积神经网络（CNN）的GAN模型，用于生成足够的风电情景以优化电力系统。该方法利用前10天的风电预测数据生成情景。参考文献[21]采用基于VAE的生成方法来生成多样化的海上风电预测情景。然而，通过对抗学习训练的GAN容易受到训练不稳定性和模式崩溃的影响。VAE通常对潜在空间施加高斯先验，这可能限制生成模型表示复杂多模态分布的能力，并降低发电预测的准确性。

扩散模型是一类新的情景生成方法，它们不依赖于对抗训练，也不需要对预测误差分布或发电量分布做出明确的先验假设。通过逐步向历史数据添加高斯噪声并训练去噪网络来学习逆向生成过程，扩散模型可以合成与原始数据经验分布相匹配的情景样本。这对于概率性风电预测具有明显优势。参考文献[22]将传统的扩散模型扩展为条件潜在扩散模型（CLDM），用于生成短期风电情景，并量化了短期风电不确定性。参考文献[23]提出了一种基于扩散的Seq2seq架构，用于概率性电力负荷预测。参考文献[24]提出了一种基于图的去噪扩散概率模型（G-DDPM），用于可再生能源的概率预测。

然而，大多数现有的基于扩散的方法主要是为陆上风电或负荷预测开发的，这些数据的环境和季节条件相对稳定。与陆上风电相比，海上风电在复杂的海洋环境中运行，受到更强风速、大浪以及温度和大气压力变化的影响更大。因此，海上风电表现出明显的波动性和间歇性。此外，海上风电还受到特定海洋条件的季节性影响。春季和冬季的风速通常更强，而夏季和秋季则较弱。许多确定性和概率性预测方法未能充分反映季节性结构，在季节转换时变得不稳定，导致生成的情景可能违反物理约束。

现有的单阶段概率预测框架通常试图以端到端的方式同时学习确定性和随机不确定性成分。这种耦合会导致竞争性的优化目标：模型必须同时最小化点误差并准确表示预测不确定性，这在训练过程中可能会产生冲突的梯度信号。因此，单阶段模型在点预测准确性或预测区间校准方面容易退化，尤其是在海上风电条件快速变化的情况下。相比之下，两阶段设计将这些目标分开：第一阶段专注于准确的确定性预测，第二阶段则专注于在先验预测的基础上建模随机不确定性。这种分离提高了训练的稳定性和预测结果的可靠性。

为了解决这些挑战，本文提出了一种结合FEDformer和SDCDM的两阶段海上风电预测方法。据我们所知，这是首次将这两种架构集成用于海上风电预测。在第一阶段，FEDformer生成可靠的确定性预测；在第二阶段，SDCDM生成多样化的风电情景以表征预测不确定性。为了直观地展示所提出的方法，图1说明了两阶段预测框架。与其他海上风电预测模型相比，本研究的详细贡献可以总结如下：

(1)

FEDformer使用时间序列分解将风电信号分为趋势和季节性成分，然后对季节性部分进行低秩频率变换，以共同提取长期趋势和短期变化。该方法实现了接近线性的计算复杂性，使点预测在鲁棒性、多尺度适应性和预测效率方面显著优于传统时域方法。

(2)

SDCDM将FEDformer的确定性预测分解为趋势、季节和残差成分。在这种季节结构指导下，它对采样噪声进行去噪，生成多个海上风电情景。生成的概率区间与FEDformer的预测保持一致，同时仍能捕捉到季节性变化和短期波动。

(3)

所提出的两阶段预测框架在点预测和概率预测方面均优于基准模型，实现了高预测准确性和校准的不确定性。在实际应用中，FEDformer可以结合多通道SCADA测量数据和NWP特征，提供适合机组调度和经济效益分析的点预测。在确定性预测和季节结构的基础上，SDCDM生成尊重运行限制的情景集合，支持备用容量确定和系统可靠性评估。

本文的其余部分结构如下：第2节描述了FEDformer架构；第3节详细阐述了SDCDM中使用的情景生成方法；第4节将所提出的方法与多种基准集成技术进行了比较；第5节得出了主要结论。

部分摘录

FEDformer模型结构

FEDformer采用编码器-解码器Transformer架构，如图2所示。频率增强注意力（FEA）和频率增强块（FEB）替代了标准Transformer中的交叉注意力和自注意力机制。风电的波动性与天气系统的多尺度变化密切相关。与传统时域建模相比，FEDformer在频率域中表示风电，从而能够有效识别关键特征。