基于历史重用信息编码的大规模风电场集群低输出事件识别方法

《Energy》：A large-scale Wind Farm Cluster Low Output Event Identification Method Based on Historical Reuse Information Encoding

提出了一种风力发电低出力事件（WPLOE）识别方法，通过历史相似信息匹配提取特征、改进的Informer模型结合桥接残差网络增强训练稳定性，并引入焦点损失函数关注困难样本识别。在吉林20个风机集群2017-2018年数据验证下，事件识别准确率达97.76%，有效提升大规模风电场低出力事件预警能力。

　　

王大|刘雷|杨茂|张敖

教育部（东北电力大学）现代电力系统仿真与控制及可再生能源技术重点实验室，吉林132012，中国

摘要

我们提出了一种识别风电发电中低输出事件的方法，可以有效防止可再生能源发电能力不足的风险。首先，我们提出了一种历史相似性信息匹配方法，提取与历史相似风电发电场景对应的功率数据，并对功率数据进行编码以引入新的特征用于建模。然后，我们改进了Informer模型，并进一步构建了桥式残差网络，提高了网络训练的稳定性。最后，我们引入了焦点损失函数，使模型能够更加关注难以识别的样本。以中国吉林省的某个风电场群为研究对象，识别低输出事件的准确率达到97.76%，验证了所提出预测模型的有效性。

引言

随着全球化石能源储备的持续减少，世界各国加快了向清洁能源转型的进程。以风电和太阳能为代表的可再生能源得到了广泛开发和利用，成为替代热电发电的重要方式[1]，[2]。全球风电行业正在经历前所未有的快速增长期。截至2025年上半年，全球风电累计装机容量已超过800吉瓦，标志着风电从辅助能源向主要能源的转变[3]。根据国际能源署的统计，2024年至2028年全球陆上风电新增装机容量预计为653吉瓦，年均增长130吉瓦，复合年增长率为6.6%[4]。

风电是一种不稳定的能源，其波动性、间歇性和随机性使得难以直接将不确定值纳入发电计划。因此，首先通过气象预报进行预测，然后通过气象-功率转换将其转换为模糊预测值，再间接用于发电计划的制定[5]。由于大气系统的混沌特性，当前数值天气预报的准确性仍然有限，无法保证功率预测的准确性。如果过度依赖风电并且信任风电预测的准确性，当出现极端误差时，就需要调用昂贵的备用资源来维持电力平衡，这会降低电力系统的运行效率[6]。特别是在风电输出较低的时期，如果预测结果过高，可能会导致供电缺口，引发供电安全问题[7]。

目前，关于风电低输出事件（WPLOE）识别的研究并不多。原因是风电低输出事件可以根据功率预测结果来确定。然而，直接预测功率的目的是最小化功率偏差，而不是在低输出期间最小化功率预测偏差。因此，基于功率预测结果识别风电低输出事件可能会得到较大的偏差。为此，本文专门研究了风电低输出事件的识别方法。值得注意的是，如果风电场（WFs）的研究空间尺度太小，则没有实际的工程价值。因此，本文针对大规模风电场群（WFCs）进行了研究。

Patlakas等人采用了两种方法，即“给定持续时间的强度”和“给定强度的持续时间”，来研究风电低输出事件的持续时间和发生频率。他们建立了强度-持续时间-频率曲线，并估计了不同重现周期下的低风速持续时间，为风电场选址和电网风险评估提供了气候学基础[8]。Ohlendorf等人基于40年的MERRA-2再分析数据，分析了德国风电低输出事件的频率、持续时间和空间分布特征。该研究提出了两种风电低输出事件的定义：一种是低于阈值的连续时间，另一种是低于阈值的移动平均值。他们使用2%、5%和10%三个容量因子阈值进行了评估。结果表明，风电低输出事件在夏季更为频繁，但冬季也可能发生持续时间较长的极端事件[9]。Handschy等人基于美国9个高塔站的历史风速数据，模拟了大规模风电场集成系统中的风电低输出事件。研究发现，随着风电场连接站点数量的增加，风电场总功率低于特定阈值的年小时数呈指数下降，这与大偏差理论一致。他们量化了地理分散在提高电网可靠性和风电有效承载能力方面的显著效益[10]。Xiong等人通过历史功率的极值定义了风电低输出事件，并使用LSTM模型进行了识别。这种定义方法直接使用最小值来定义低输出阈值，与风电输出水平没有直接关系。最终的识别结果对电力调度价值有限[11]。Yan等人基于日负荷比例定义了风电低输出事件，并构建了一个自适应加权网络，考虑了风电场的容量差异以及电源和负荷之间的动态关系。但风电输出仅与气象系统高度相关，与负荷没有直接关系。因此，基于负荷水平定义风电低输出事件可能不够严谨[12]。

除了直接识别风电中断外，理论上也可以先预测风电，然后利用预测结果来判断是否发生风电低输出事件。为了解决风电预测中物理约束和深度学习整合不足的问题，Michalakopoulos等人提出了一个结合理论功率曲线和时间融合Transformer的混合模型，实现了RMSE降低60%，R²值达到99.47%[13]。为了解决风电预测中气象数据和时间序列功率数据难以有效整合的问题，Zhu等人提出了一个基于跨模态大语言模型的创新框架，通过统一的语义表示和多模态对齐机制实现了时空信息的深度整合，为高精度风电预测提供了新方法[14]。为了解决组合模型可解释性差和子模型选择策略单一的问题，Liang等人提出了一个结合可解释性和智能选择的ISI Net新范式，显著提高了预测精度，并优化了模型决策过程，同时保持了高精度和预测过程的可靠性[15]。为了解决风电场概率预测中跨中值偏差和时空相关性利用不足的问题，提出了一种结合时空依赖性的非跨中值预测模型，通过改进的中值回归和时空特征融合，获得了既不交叉又更准确的概率预测结果[16]。为了解决风电场复杂时空依赖关系和统一建模缺乏的问题，提出了一个由多图神经网络辅助的双域Transformer模型，通过整合多图结构学习和双域Transformer来捕捉时间动态，该框架可以有效挖掘风电场的复杂时空相关性，提高预测精度[17]。为了解决数据非平稳性和尾流效应导致的大规模风电场预测精度下降的问题，提出了一种结合动态数据净化和尾流校正的非平稳Transformer模型，通过自适应学习时间变化和物理校正，显著降低了预测误差并增强了模型鲁棒性[18]。为了解决复杂非线性因果关系难以量化的问题，提出了一种基于收敛交叉映射算法的预测方法，通过识别和量化风力涡轮机之间的因果关系来构建预测模型，该方法可以有效捕捉集群内的动态，为高精度超短期预测提供了新方法[19]。为了解决海上风电超短期预测中大量噪声和预测波动性强的问题，提出了一种新的融合模型，通过集成多尺度分解、注意力机制和自适应校正方法，显著提高了预测精度并降低了误差波动性[20]。

通过当前的研究可以发现，风电低输出事件的识别仍面临以下问题：

(1)

风电低输出事件的定义不明确。目前尚未检验所选阈值是否充分考虑了罕见事件，以及阈值定义本身是否会影响识别能力。

(2)

先预测功率再判断是否发生风电低输出事件的方法存在显著局限性。预测模型过度关注最小化全局损失，而缺乏对低输出时期的具体考虑。

为了解决上述问题，我们提出了一种新的风电低输出事件识别和定义方法。具体创新和研究内容如下：

(1)

我们提出了一种定义风电低输出事件的标准，既考虑了样本的平衡性，也考虑了低输出事件的可区分性。这一标准的合理性通过简单实验得到了验证；

(2)

我们提出了一种特征增强方法。通过匹配相似的风电输出场景获得了历史功率特征。然后将风电数据编码为0-1值，为模型训练提供了新的有效特征；

(3)

我们基于Informer提出了一个桥式残差网络，并引入了焦点损失函数，显著提高了风电低输出事件的识别精度。

本文的其余部分安排如下：第2节描述了问题和提出的解决方案。第3节详细介绍了方法和数学模型。第4节展示了案例研究。第5节是本文的结论。

章节片段

风电低输出事件的定义

与直接输出数值功率的风电预测不同，风电低输出事件的识别是确定在给定时间是否会发生此类事件。在使用人工智能算法进行建模时，风电预测是回归任务，而风电低输出事件的识别是分类任务。

从目标角度来看，风电预测旨在优化发电计划

基于历史信息匹配的特征编码机制

风电低输出事件是离散事件，而风速和风电是连续时间序列。将连续特征映射到风电低输出事件上不够清晰。因此，本文提出了一种连续特征编码机制。通过匹配风电低输出事件，将连续时间序列编码为离散特征。离散特征和连续特征一起输入风电低输出事件识别模型。结合特征增强和风电低输出事件识别的原理如下

数据集和网络参数

所提出的模型使用来自中国吉林省20个风电场的数据进行了验证。这20个风电场的地理分布如图8所示。数据范围从2017年1月1日到2018年12月31日，包括风电场的实际发电数据和数值天气预报数据，数据分辨率为15分钟。使用2017年全年的数据构建了历史场景库。2018年1月至9月的数据作为训练集，10月的数据作为验证集

结论

本文提出了一种用于识别大规模风电场群中风电低输出事件的方法，显著提高了风电低输出事件的识别精度。主要结论如下：

(1)

分析了风电低输出事件的原因。基于风电低输出事件与风电之间的对应关系，提出了一个考虑识别能力的定义标准。

(2)

提出了一种基于历史信息匹配的特征构建方法，并通过

CRediT作者贡献声明

刘雷：软件、资源、调查。 杨茂：项目管理、方法论、调查。 王大：撰写——初稿、可视化、验证、数据管理。 张敖：撰写——审阅与编辑、方法论、形式分析、数据管理

资助

本工作得到了智能电网-国家科技重大专项(2025ZD0805500)的支持。

利益冲突声明

? 作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。