基于全局感知动态时空图持续学习框架的风电场群功率预测方法

《Energy》：A wind farm cluster power prediction method based on globally aware dynamic spatiotemporal graph continual learning framework

　　张庆勇|梅凯|周权|丁新志|董正成|田蒙|刘鼎豪|何伟|曾卓|李明龙
中国湖北省武汉市武汉工业大学自动化学院，邮编430070

**摘要**
随着风电装机容量的大规模增长，提高风电场集群的功率预测精度对于保障电网稳定运行和高效利用可再生能源至关重要。在实际应用中，传统方法依赖于具有固定风机节点和边的静态图结构，无法捕捉天气等因素带来的时间变化，从而导致预测精度较低。为解决这一问题，我们提出了一种用于风电场集群功率预测的全局感知动态时空图连续学习框架（GADSG-CL）。首先，利用风速数据计算风机之间的动态相关系数；随后，通过图嵌入和聚类算法生成多个全局信息图，以体现风电场集群的关键特征。接着，采用自适应时间标签平滑方法，结合滑动窗口统计分布与多数投票机制，抑制聚类标签的噪声。最后，构建一种融合连续学习策略的时空图神经网络，使其能够有效适应动态图输入，避免模型遗忘历史动态特征。在三个基准数据集上的实验表明，GADSG-CL在中期预测中可将均方根误差降低17.8%，平均绝对误差降低24.0%，R2值提升约30%；在短期预测中，R2值可保持在0.92以上，显示出更高的预测精度和稳定性。

**引言**
随着化石能源储备的快速减少以及环境压力的增大，向可再生能源系统转型已成为人类社会面临的核心挑战[1][2]。在可再生能源系统中，风能以其零碳排放和高可扩展性成为实现碳中和的关键技术。2023年，中国新增风电装机容量达75.2吉瓦，同比增长21.4%，使得全国总装机容量超过430.1吉瓦，占全球市场份额的53.6%[3]。然而，风能固有的不确定性给风能大规模接入现代电力系统带来了巨大挑战[4]。因此，准确的風电预测对于维持电力系统稳定和推动风能整合具有重要意义[5][6]。

风电预测通常分为四个时间尺度：超短期（几秒到30分钟）、短期（30分钟到6小时）、中期（6小时到1天）和长期（1天到7天）[7]。其中，短期预测有助于优化发电计划、管理备用资源及调整维护方案，从而确保系统稳定运行[8][9]；中期预测则可为维护规划、运营调整及能源交易优化提供支持[10]。

近年来，风电预测研究十分广泛，涵盖了物理模型、统计方法、机器学习及深度学习等多种技术途径[11][12][13][14][15][16]。其中，深度神经网络因其强大的非线性学习能力和简洁的端到端建模方式，在风电预测中得到了广泛应用[17][18][19]。在[20]中，提出了一种结合季节性自回归积分移动平均模型与长短期记忆神经网络的混合模型用于风电预测；在[21]中，则提出了一种融合XGBoost与LSTM的新预测方法，先通过XGBoost对特征进行排序以重构数据集，再由LSTM预测功率输出。不过，这些方法未能捕捉风电场之间的拓扑结构，也无法充分利用风机间关联的先验知识，限制了关键时空特征的提取，进而影响风电预测的准确性[22][23]。因此，近期研究逐渐从单台风机预测转向风电场集群预测，通过明确建模风机间的依赖关系及区域耦合效应，提升预测精度和稳定性[24]。

为解决上述问题，图神经网络凭借其强大的特征提取能力[25][26]，为捕捉风电中的时空相关性提供了一种新方法。在[27]中，图卷积网络被用来提取影响风机性能的空间特征，而“基础烟花算法”则用于优化超参数，LSTM则利用时间序列SCADA数据预测风电功率；在[28]中，又提出了一种融合图卷积网络与多分辨率卷积神经网络的风电预测方法，以同时结合空间和时间特征。图神经网络的性能取决于邻接矩阵的准确性，而邻接矩阵反映了图结构的正确性。在风电场中，风机之间的连接会受到风向、天气等因素的影响，从而在空间和时间维度上引入非线性和复杂性，这些特性是静态图无法体现的。为克服这一局限，近期研究越来越多地采用时空图神经网络，这类网络能够同时建模动态空间依赖关系和时间演化过程，从而更准确地呈现风电预测中随时间变化的交互模式[29]。

因此，动态图被提出用于有效描述随时间变化的时空依赖关系，进而精准刻画风机间的动态交互特性。在[30]中，一种用于时空风速预测的动态随机图网络被提出，该网络利用动态随机分布来表示区域电网中的每台风机，将不确定性纳入网络结构中；在[31]中，一种基于动态时空相关性和分层有向图的风电场集群超短期风电预测方法被提出，该方法通过计算相关矩阵来描述相邻风机之间的关系，并构建分层图结构；在[32]中，又提出了一种计算风机间动态相关系数的新方法，该方法从多个角度捕捉动态相关性，从而在每个时间点形成相应的图结构。上述研究表明，目前基于动态图构建的风电场集群预测方法主要关注风机间的关系，但近期研究指出，在气象条件快速变化的情况下，这些相关性本身具有明显的时间非平稳性[33]。同时，动态图的构建可能会受到数据分布漂移以及外部环境快速变化的影响，比如风向的突然改变、风速的波动、温湿度的变化以及极端天气事件等，这些因素都可能影响预测的稳定性。

近期研究指出，风速、风向以及风机运行参数仍是风电预测中最关键的影响因素，不过它们的相对重要性会随着时间和空间尺度的不同而发生变化，这为自适应时空建模策略的运用提供了依据[34]。为应对风电场集群功率预测中复杂的时空依赖关系及多重影响因素，我们提出了一种基于全局感知动态时空图连续学习框架的方法。具体而言，我们构建了一种全局感知动态时空图，用于捕捉风机间的时空关系，有效解决依赖关系随时间变化的问题；同时，通过连续学习策略来建模复杂的非线性模式，避免灾难性遗忘，从而提升预测精度和模型稳定性。

我们在三个真实世界数据集上验证了所提出的方法，实验结果表明，该模型在风电预测方面优于现有方法，尤其是在具有高波动性和复杂时空依赖关系的任务中，展现出更高的预测精度和稳定性。

本文的主要贡献如下：
1. 提出了一种用于风电场集群预测的GADSG构建方法，该方法从绝对水平、增长水平和波动水平三个角度捕捉不同风速条件下风机间的相关性，解决了静态图方法无法捕捉风机间时变相关性的问题。
2. 为应对GADSG构建方法中存在的高频噪声干扰、过拟合风险以及特征高度冗余的问题，提出了一种基于前后标签一致性校正和多数投票的自适应时间标签平滑方法。
3. 构建了一种集成图注意力网络与连续学习策略的模型，该模型既能捕捉复杂的非线性时空依赖关系，又能增强全局信息感知能力。连续学习策略可防止模型在获取新信息时遗忘先前学到的知识，从而提升动态时空序列建模的预测性能和稳定性。
4. 在三个真实世界风电数据集上进行了大量实验，验证了该模型的有效性。实验结果表明，该方法在短期和中期预测中均优于现有方法，具有显著的预测优势。

本文的其余部分结构如下：第2节详细介绍所提出的GADSG-CL模型；第3节描述风电数据集及其预处理方法；第4节介绍实验设置与结果；第5节给出结论。

**问题表述**
风电预测可视为一种序列到序列的回归任务。给定一个长度为L的历史输入序列，目标是预测未来K个时间步的风电输出值。输入数据包含m个特征，目标值为风电输出值。设数据集为D={(X(n),Y(n))|n=1,2,…,N}，其中N为样本数量。每个输入X∈Rm×L是一个多元时间序列：X=x1,1x1,2…x1,Lx2,1x2,2…x2,L????xm,1xm,2…xm,L，其中xi,j表示第i个时间步的第j个特征值。

**数据集描述**
本节详细介绍了三个公共数据集，这些数据集用于验证所提出模型的性能。需要说明的是，本研究使用的数据集均为公开的风电预测基准数据集，而数据集中并未明确提供风电场的装机容量信息。因此，若没有额外的权威元数据，便无法准确报告装机容量。

**实验**
本节在三个风电数据集上进行了大量实验，以评估所提出的GADSG-CL模型。首先，介绍实验设置和评估指标；然后，给出超参数设置，并在三个风电数据集上开展对比实验；最后，通过消融实验（包括组件效果分析和季节性分析）进一步验证所提模型的贡献和稳定性。

**结论**
本文提出了一种基于GADSG-CL的风电场集群风电预测框架。该框架首先利用风速关系构建全局感知动态时空图，以建模风电场集群间的时空相关性；接着，采用自适应时间标签平滑方法，减轻构建全局感知动态时空图过程中出现的高频噪声干扰；最后，融入连续学习策略，提升模型的适应性，使其能够捕捉复杂的非线性时空依赖关系。

**缩写表**
| 缩写 | 全称 |
|------|------|
| WFC | 风电场集群 |
| GNNs | 图神经网络 |
| GCN | 图卷积网络 |
| SCADA | 监控与数据采集系统 |
| GADSG-CL | 全局感知动态时空图连续学习 |
| GADSG | 全局感知动态时空图 |
| CL | 连续学习 |
| ATLs | 自适应时间标签平滑 |
| GAT | 图注意力网络 |
| LSTM | 长短期记忆网络 |
| SCC | 时空相关系数 |
| DAM | 动态邻接矩阵 |
| MSE | 均方误差 |
| MAE | 平均绝对误差 |
| RMSE | 均方根误差 |

**作者贡献声明**
张庆勇：监督指导、项目管理、方法设计。梅凯：论文撰写与修改、可视化处理、验证工作、方法设计、形式分析、数据整理、概念构思。周权：监督指导、项目管理、方法设计。丁新志：监督指导、形式分析、数据整理。董正成：调研工作、资金筹措。田蒙：可视化处理、验证工作。刘鼎豪：方法设计、资金筹措。何伟：论文初稿撰写、可视化处理、利益冲突声明。

作者声明，他们不存在任何可能影响本文工作的已知财务利益或个人关系。

**致谢**
本研究部分得到了国家自然科学基金（编号52177109、62401414）和湖北省自然科学基金（编号2024AFD364）的支持。