基于时空依赖性建模与关键节点辐射的GAT-TCN超短期风电场功率预测方法

《Energies》：A Spatio-Temporal Dependency Modeling and Key Node Radiation-Based Method for Ultra-Short-Term Wind Farm Power Prediction Using GAT-TCN Shujun Liu, Tao Zhou, Xiaoze Du, Jiangbo Wu and Yiting He

　　

深度学习已成为风功率预测的重要工具，因其有助于提高风能利用率并支持可靠的并网运行。对于风电场，准确的单机级预测依赖于风机之间的空间相互作用以及历史运行数据的时间演化。在本研究中，研究人员通过结合图注意力网络（Graph Attention Network，GAT）与时序卷积网络（Temporal Convolutional Network，TCN）开发了一种时空预测框架。图注意力模块描述了风机之间的邻域关系并自适应地学习它们的影响强度，而时序卷积模块从多元SCADA（数据采集与监视控制）序列中提取时间模式以进行多步预测。在此基础上，进一步利用学习到的注意力权重定义节点影响力度量，从而识别出一小组关键风机，并仅使用它们的历史数据预测整个风电场的未来功率输出。该框架使用来自134台风机的1年SCADA数据进行评估。构建了滑动窗口数据集，并在训练集、验证集和测试集上对模型进行了测试。结果表明，该方法能够捕获风电场内的时空依赖性，并且在仅有有限观测节点可用时仍能提供有效的全场预测。本工作的价值在于将现有技术围绕实际风电场预测任务进行组织，并提供了一种基于关键风机选取的可解释预测策略，而非提出一种全新的理论模型。

**研究背景与问题**
截至2024年，全球风电累计装机容量已达1136 GW，同比增长11%。全球风能理事会（GWEC）对未来十年全球风电发展持乐观态度（来源：论文引言第1句）。然而，风资源固有的随机性及风机运行的复杂性导致功率输出具有显著波动性与不确定性，给电网调度、功率控制及安全并网带来挑战。传统统计方法（如ARIMA、支持向量回归SVR）在小样本或线性假设下表现尚可，但难以捕获风功率时间序列的非线性特征以及由尾流效应、地形变化和运行控制策略引起的风机间空间依赖。近年，深度学习因强大的特征提取能力被广泛用于风功率预测，例如循环神经网络（RNN）及其变体长短期记忆网络（LSTM）、门控循环单元（GRU）及卷积神经网络（CNN）。注意力机制架构（如Transformer）在长序列建模中表现突出，时序卷积网络（TCN）也逐渐被采用并常与注意力机制或分解-重构策略结合以表征多尺度波动。空间上，同一风电场内风机因尾流效应、地形粗糙度及气象场传播而呈现显著空间相关；仅基于单机历史预测全场功率无法体现这些耦合。为此，部分研究采用时空卷积网络进行多机联合预测，图神经网络（GNN）通过节点-边结构表示非欧氏拓扑关系，在电力系统中已验证其建模复杂依赖的能力，其中图注意力网络（GAT）因可自适应学习邻域聚合的注意力权重，尤其适合捕获风机间异质性影响。本研究针对上述问题，提出了一种集成GAT与TCN的时空预测框架，旨在通过关键节点辐射实现稀疏输入下的全场预测。

**研究内容与结论**
研究人员基于134台风机的一年SCADA数据（10分钟分辨率），首先根据地理邻域关系（K近邻KNN与距离阈值）构建有向图，随后用GAT学习相邻风机间的影响权重，并由此定义节点影响力指标以排序选取关键风机（如前5、10、15、20个）。时间维度采用TCN（含因果卷积和扩张卷积）对多元历史序列建模多步预测。稀疏输入实验中，仅保留关键节点的历史特征，其他节点输入置零，并附加观测标志，通过图结构传播信息实现全场预测。结论表明：（1）引入风机间空间依赖建模比独立单机时序预测更有效：使用20个关键节点时，测试集平均绝对误差（MAE）从170.17降至145.52 kW，均方根误差（RMSE）从310.48降至248.72 kW，决定系数（R2）从0.254提升至0.536；（2）随着关键节点数从5增至20，预测性能逐步提升（测试MAE从222.07降至145.52 kW，RMSE从317.17降至248.72 kW，R2从0.245增至0.536）；（3）当关键节点数达到10或以上时，验证性能更稳定，泛化能力增强；（4）与STGCN（时空图卷积网络）相比，该方法在精度上略低，但仅需少量关键节点作为输入，而STGCN依赖全场观测；本方法提供了预测精度、观测成本、可解释性和计算效率之间的实用权衡；（5）平均每机训练时间约98.01秒（K=20），低于STGCN（110.15秒），表明稀疏输入框架未引入过多负担。该论文发表在《Energies》。

**主要关键技术方法**
（1）图构建：基于地理位置坐标，采用欧氏距离和KNN（K=8，距离阈值2000 m）构建有向图；边特征包括二维欧氏距离、风向的正余弦表示及海拔差；增加反向边以增强连通性。（2）空间建模：单层GAT，双头注意力，每个头隐藏维度16，节点编码后维度32，使用ELU激活函数和Dropout(0.1)；每三个时间步更新空间注意力。（3）时间建模：TCN含三个残差卷积块，通道数64，卷积核大小3，扩张因子分别为1、2、4，激活函数tanh，Dropout(0.1)；跨层跳跃连接累加特征，最后通过层归一化和两层全连接输出12步预测。（4）关键节点选取：对验证集多个批次窗口的注意力矩阵取平均，计算每个节点对全场所有其他节点的平均信息贡献（外向影响力），排序后取Top-K作为关键节点。（5）稀疏输入辐射：保留关键节点历史特征，非观测节点输入置零并附加观测标志，利用预训练的图结构和参数进行全场预测。数据来源：134台风机，2021年全年10分钟分辨率SCADA数据。

**研究结果**
**3.1 实验预处理**
数据集包含134台风机，时间范围2021年1月1日0:00至12月31日23:50，每台风机52,559行数据。提取关键列包括风机ID、时间戳、有功功率、风速、偏航角、机舱方向，以及经纬度和海拔。输入窗口维度为36×134×4（过去6小时特征），输出窗口为12×134（未来2小时有功功率）。

**3.2 GAT与全输入模型构建**
基于二维欧氏距离对134台风机构建静态KNN有向图，并添加反向边以增强连通性（参数：K=8，距离阈值2000 m）。全输入模型采用GAT（单层、双头注意力）进行空间编码，每三个时间步更新一次；TCN（三个残差块，扩张因子1/2/4，通道64）进行时序建模。训练后，通过注意力矩阵计算节点外向影响力，排序得到Top-K关键节点（前5/10/15/20个），图3展示了前20个关键风机的分布与影响力系数。

**3.3 稀疏输入与辐射预测实验**
基于关键节点排序构建稀疏输入实验（K=5,10,15,20）。结果（表2、表3、图4）显示：随K增大，模型整体性能提升；测试集上，K=20时MAE/RMSE为145.52/248.72 kW，R2=0.536。与单机TCN基线（K=20）相比，MAE降低14.5%，RMSE降低19.9%，R2提升，平均训练时间98.01 s（低于STGCN的110.15 s）。与STGCN相比，虽预测精度略低（STGCN利用全场数据），但本方法仅需少量关键节点；稀疏输入条件下仍保持可接受性能，提供了精度、成本与效率间的平衡。

**讨论与结论**
讨论部分指出，本方法在实用风电场场景（如传感器故障、通信丢失、监测资源有限）中具有应用价值：支持仅可靠观测子集下的全场预测；关键节点排序可为监测点部署提供参考；辅助调度与运行决策。局限性是仅基于单个风电场数据集验证，迁移性（不同气候、地形、风机密度）尚未充分验证。未来工作包括引入动态图构建、更先进的时空基线、组件消融研究及多风电场评估。

**研究结论**（翻译自原文第4节结论部分）：
本研究提出了一种基于关键节点的风电场功率时空预测框架。首先，根据风机间地理邻域关系构建空间图结构。然后，利用图注意力网络学习相连风机间的影响强度，并据此导出节点影响力分数以识别少量关键风机作为观测节点。在时间维度上，采用时序卷积网络对历史多元SCADA序列进行建模。通过仅将所选关键风机的历史信息作为输入，并在空间结构上传播信息，该框架能够联合预测风电场中所有风机的未来功率。本研究的主要贡献在于将基于图注意力的影响学习、关键节点识别和时空预测集成到一个统一且可解释的框架中。除全场多步预测外，该方法还提供基于影响力的风机排序，可能有助于实际风电场中的监测点部署和稀疏观测预测。基于实验结果，主要结论如下：（1）与单机基线相比，本方法获得了更好的整体预测性能；当使用20个关键风机时，测试集MAE从170.17降至145.52 kW，RMSE从310.48降至248.72 kW，R2从0.254提升至0.536，表明引入风机间空间依赖建模比独立时序预测更有效。（2）增加所选关键风机的数量通常会提高预测性能；当关键风机数从5增至20时，测试MAE从222.07降至145.52 kW，RMSE从317.17降至248.72 kW，R2从0.245增至0.536，对称平均绝对百分比误差（sMAPE）在K=20时达到1.190，表明更大关键节点集提供更丰富的观测信息。（3）当所选关键风机数达到10或更多时，验证性能更稳定，泛化能力提升；5节点设置仍处于较高误差水平，表明过度稀疏的观测不足以充分捕获全场环境与运行变化。（4）与STGCN相比，本框架具有不同优势：在全观测设置下STGCN精度更高，但本方法仅需少量关键子集作为输入，STGCN依赖全场图观测；因此本框架在预测精度、观测成本、可解释性和计算效率之间提供了实用权衡。（5）本方法也展示了有竞争力的计算效率：使用20个关键风机时，平均训练时间约98.01 s，低于单机基线且与STGCN相当，表明所提稀疏输入时空框架在减少全场观测依赖的同时未引入过多计算负担。在实际风电场运行中，该框架可应用于多个场景：当仅可靠观测到部分风机时支持全场预测；关键风机排序可为监测点部署与数据采集规划提供参考；在稀疏输入条件下辅助调度支持与运行决策。