一种适用于极端寒潮的实用风力发电预测方法：结合改进的ITimeGAN、去平稳化注意力机制（De-Stationary Attention）以及SHAP可解释性技术

《Energy》：A Practical Few-Shot Wind Power Prediction Method for Extreme Cold Waves: Integrating Improved ITimeGAN, De-Stationary Attention, and SHAP Interpretability

冷波事件导致风力发电功率序列非平稳且数据稀缺，本文提出ITimeGAN-DSA-BiGRU-SHAP混合框架：ITimeGAN通过时空卷积网络与Wasserstein距离优化生成高质量冷波数据，DSA机制动态调整历史特征权重以捕捉非平稳特性，BiGRU结合双向门控机制处理时序依赖，SHAP分析实现可解释性。实验表明该方法在贵州多风电场数据上显著提升预测精度，R2达0.9663，并揭示温度骤降与功率损失的物理耦合机制。

　　

严宝平|卢家军|陈淑轩|刘晓明|宋世豪|肖乐曦|张海涛|尹浩|肖东亮|罗建强|孟安博

广东工业大学自动化学院，广州，510006，中国

摘要

寒潮以温度骤降和严重结冰为特征，会导致风力涡轮机的功率出现剧烈且非平稳的波动——这违反了传统短期风电预测模型的平稳性假设，从而导致较大的预测误差。此外，历史寒潮样本的极端稀缺性导致数据驱动模型缺乏足够的训练数据。为了解决这些问题，本研究首先使用中国气象局的严格阈值来识别寒潮事件，以确保其气象学上的有效性。然后，提出了一种针对寒潮场景的混合框架：开发了一种改进的时间序列生成对抗网络（ITimeGAN）来补充稀缺的寒潮数据，通过整合自注意力和时间卷积网络（TCN），ITimeGAN能够捕捉极端天气序列的细粒度时间动态；同时，Wasserstein优化技术稳定了对抗训练，避免了梯度崩溃，生成了与真实寒潮物理特征高度一致的合成样本。此外，引入了一种去平稳注意力（DSA）机制来适应寒潮期间强烈的非平稳功率模式，双向门控循环单元（BiGRU）预测器则利用双向门控机制来利用前向和后向的时间依赖性。最后，通过Shapley加性解释（SHAP）分析解码了正常天气和寒潮场景之间的不同特征交互模式。在真实风电场数据上的实验结果表明，所提出的方法具有较高的准确性，一步预测的R²达到了0.9663，并且增强了可解释性，有助于在极端寒潮事件期间进行可靠的风电场管理。

引言

随着全球向碳中和的战略转变，风电已成为可持续能源系统的关键组成部分[1]，但其高渗透率引入了显著的随机性和间歇性——这些挑战在极端天气事件（尤其是寒潮[2]）的影响下被进一步加剧。与常规湍流或季节性波动不同，寒潮代表了一种独特的气象现象，其特征是温度急剧下降、降水冻结和严重的结冰条件，这些因素导致风力涡轮机的运行物理特性发生根本性变化，从而产生难以预测的复杂非线性行为[3]。

寒潮期间导致功率损失的主要机制是大气冰在涡轮叶片上的积聚，这严重降低了空气动力性能。正如Lamraoui等人[3]所指出的，大气结冰的严重程度受到液态水含量、液滴直径和温度之间复杂相互作用的影响，而大规模模型往往忽略了这些因素。Blasco等人的实验研究[4]表明，冰的积累会增加机翼表面的粗糙度，导致阻力急剧增加（高达190%），同时降低升力。Caccia和Guardone[5]通过数值模拟进一步揭示，即使是由于冰的形状导致的叶片几何形状的微小变化，也可能引发提前流动分离，即使在风速足够的情况下也会导致功率输出骤降。此外，极低的温度常常会触发机械保护机制，如低温切断或传感器冻结[6]，从而在功率时间序列中引入突然的非平稳突变。因此，基于正常运行数据训练的传统数据驱动模型在这些关键时期会出现严重的分布偏移，导致不可接受的预测误差[7]。因此，开发一个能够应对数据稀缺和非平稳状态变化的专门预测框架对于电网的韧性至关重要。

风电预测方法从基于物理和统计的模型发展到先进的数据驱动方法。物理方法通常基于数值天气预报（NWP），依靠大气流体动力学来模拟风场[8]。然而，正如Contreras Montoya等人[9]在最近的一篇综述中指出的，这些模型往往难以量化结冰引起的局部功率损失，因为它们依赖于简化的参数化，无法捕捉冰积累的复杂热力学过程。统计方法如ARIMA[10]和支持向量回归（SVR）[11]虽然计算效率高，但缺乏在结冰条件下模拟气象变量与功率输出之间高度非线性映射的能力[12]。

近年来，包括长短期记忆（LSTM）网络和卷积神经网络（CNN）[13]在内的深度学习模型由于其强大的特征提取能力而成为主流。尽管这些模型在平稳条件下表现优异，但在极端天气条件下的性能显著下降。Ma[14]和Liang[15]的研究强调，寒潮会导致强烈的时空异质性，风速与功率输出之间的相关性被结冰事件打乱。标准的深度学习模型假设训练和测试数据是独立同分布的，无法适应这些突然的状态变化。

改进寒潮预测的一个关键瓶颈是历史极端事件样本的稀缺性，这导致模型过拟合。数据增强已被广泛采用来缓解这一少样本问题。生成对抗网络（GANs）在合成真实的风电时间序列方面显示出潜力。Zhang[16]和Song[17]利用TimeGAN变体扩展了训练数据集，取得了显著的准确性提升。然而，标准GAN架构往往难以捕捉寒潮特有的细粒度时间动态和变量间的耦合。此外，无约束的生成模型容易发生模式崩溃，产生的样本缺乏物理一致性[18],[19]。这突显了需要针对寒潮场景改进生成框架的必要性——例如本研究中提出的ITimeGAN，它结合了时间约束和稳定性机制，以确保生成高保真的极端天气样本。

为了解决寒潮期间风电序列的非平稳性问题，其中突然的功率下降和基线变化是固有的信号特征，注意力机制已被广泛整合到预测模型中[20]。结合注意力与双向门控循环单元（BiGRU）或时间卷积网络（TCN）[21],[22]的混合架构使模型能够关注关键的历史时间步骤。然而，传统的注意力机制通常基于全局相似性计算权重，这往往会平滑局部异常值。在寒潮背景下，这种过度平稳性会抑制由结冰引起的突然变化，导致预测滞后或保守。目前缺乏专门设计用于保留极端天气序列中固有统计变化的去平稳机制。此外，大多数深度学习模型作为黑盒运行，缺乏关于气象因素如何影响极端事件预测的可解释性[24]。

总之，尽管取得了显著进展，当前研究在应用于寒潮场景时仍存在具体差距：（1）增强过程中的物理不一致性：现有的少样本学习方法往往无法保留生成过程中温度和功率之间的复杂物理耦合；（2）无法捕捉突变：传统的注意力机制难以处理由结冰引起的非平稳状态变化，通常将关键突变视为异常值。与仅仅堆叠算法以获得边际准确性的通用混合模型不同，本研究提出了一种针对极端寒潮预测中固有的少样本和非平稳问题的场景驱动框架。主要贡献总结如下：

1)

ITimeGAN是一种物理上一致的数据增强策略，专为稀缺的寒潮事件设计。为了解决传统GAN在捕捉高频瞬变（如结冰引起的突然功率下降）方面的局限性，我们将TCN与Wasserstein距离约束集成到TimeGAN架构中。这种设计不仅扩大了数据集规模，还保留了温度下降和功率损失之间的复杂时间动态和物理耦合——直接针对少样本寒潮场景中的过拟合风险。

2)

提出了一种去平稳注意力（DSA）机制来捕捉由结冰引起的状态变化。该机制针对寒潮功率序列的非平稳特性进行了优化，通过根据分布变化动态重新加权历史特征，克服了传统注意力的过度平滑问题。DSA特别增强了模型对结冰和空气动力退化引起的突然功率变化的敏感性，与寒潮事件的独特信号特征相匹配。

3)

通过Shapley加性解释（SHAP）实现了黑盒预测模型的物理可解释性。除了提高预测准确性外，该分析还定量解码了结冰条件下温度下降和功率损失之间的非线性耦合机制，为电网运营商提供了透明的、基于物理的洞察，有助于在极端寒潮事件期间进行决策。

ITimeGAN-DSA-BiGRU-SHAP方法的框架和细节

为了克服寒潮期间数据稀缺和非平稳性的预测瓶颈，我们提出了一个物理感知的混合框架ITimeGAN-DSA-BiGRU-SHAP（图1）。该方法整合了四个针对极端寒潮场景定制的模块：数据预处理模块创新性地采用了中国气象局的严格寒潮识别阈值[30]，以确保后续模块能够专注于目标

评估生成样本质量的指标

为了全面验证各种生成对抗网络（GANs）生成的新样本的质量，本研究使用了四个评估指标来衡量y_生成和y_真实之间的差异。这些指标包括累积分布函数（CDF）[29]、欧几里得距离（EDD）[23]、最大均值差异（MMD）[23]和皮尔逊相关系数（PCC）[20]。其中，CDF和EDD用于评估生成样本的统计相似性

案例研究

为了探索在寒潮极端天气条件下进行少样本风电预测的可行性，本研究提出了一种混合预测框架ITimeGAN-DSA-BiGRU-SHAP，该框架结合了改进的时间生成对抗网络（ITimeGAN）和去平稳注意力（DSA）机制，并进一步加入了基于SHAP的可解释性分析来优化模型的决策逻辑。

本研究中使用的实验数据来自贵州的A-J风电场

结论

本研究解决了极端寒潮场景下风电预测的关键挑战，其中数据稀缺和非平稳状态变化使得传统模型失效。提出了一种结合ITimeGAN、去平稳注意力（DSA）和BiGRU的场景驱动混合框架，其独特设计通过严格的比较分析得到了验证。主要结论如下：

1)

ITimeGAN框架有效解决了少样本问题

CRediT作者贡献声明

宋世豪：写作——审稿与编辑，监督。刘晓明：形式分析。张海涛：可视化。肖乐曦：写作——审稿与编辑，监督。肖东亮：写作——审稿与编辑，监督。尹浩：资金获取。罗建强：验证，调查。严宝平：监督，方法论，概念化。孟安博：资金获取。陈淑轩：方法论，概念化。卢家军：写作——初稿，软件，数据管理

利益冲突声明

? 作者声明他们没有已知的竞争财务利益或个人关系可能影响本研究报告的工作。

致谢

本研究得到了广东省基础与应用基础研究基金会的海上风电联合基金（项目编号2022B1515250007）和国家自然科学基金（项目编号62276068）的支持。此外，本研究还得到了广东省基础与应用基础研究基金会（项目编号2023A1515240010和2024A1515011018）以及国家自然科学基金（项目编号52207104）的支持。