超短期风电预测：基于误差分布特性及引导性修正方法提升可靠性

《Energy》：Ultra-short-term wind power prediction for enhanced reliability considering error distribution characteristics and guided correction

　　

贾子瑶|尚磊|贾亚蕾

武汉大学电气工程与自动化学院，中国武汉，430072

摘要

现有的风力发电预测研究主要集中在提高预测准确性上，而忽视了预测结果的可靠性。考虑到风力发电预测的过高估计可能会影响电网的安全运行，本研究提出了一种超短期风力发电预测方法，该方法结合了预测误差分布的特性并应用了引导性校正。为了提高预测准确性，该方法将TCN（时间卷积网络）与自注意力机制相结合，构建了一个多视角特征增强注意力模块，从而提高了模型捕捉局部时间依赖性和全局特征信息的能力。此外，通过在损失函数中加入不对称系数和偏差项，开发了一种以可靠性为导向的预测策略，实现了对预测输出的引导性调节，以提高可靠性。偏差项对预测准确性和可靠性的影响大约是不对称系数的10倍。系统地分析了预测准确性和可靠性之间的关系。可靠性分析表明，在一定范围内提高可靠性对预测准确性的影响很小。在平衡的方案下，预测值低于实际值的概率增加了63.58%。最后，对比分析证明了所提出预测模型的有效性和优势。

引言

全球气候和环境危机导致可再生能源的比例不断增加，由于风力发电成本低且技术成熟，其装机容量增长迅速[1]。然而，风力发电具有高度的波动性和不确定性。这些快速增长的风力发电设施对电网的安全运行构成了威胁[2]。为了平衡风力发电的波动，对其进行预测至关重要。进行风力发电预测可以调整可调电源（如热电厂和储能设备）的发电计划，并提前预留调节能力，从而确保电网运行的稳定性[3]。欧盟的《可再生能源指令》强调将风力发电预测技术作为欧盟技术研究的关键方向[4]。美国的清洁能源计划明确支持风力发电预测技术的研究和应用[5]。因此，开发风力发电预测方法对于提高风力发电的整合和利用具有重要意义。

对于风力发电占比较高的电网而言，超短期风力发电预测是一项关键技术[6]。现有的风力发电预测方法主要包括基于物理模型和数据驱动的方法[7]、[8]。基于物理模型的方法利用大气尺度的计算流体动力学模拟来生成数值天气预测结果[9]。Dong等人[10]提出了一种基于历史天气数据和NWP（数值天气预测）信息的次日风力发电预测方法。这些基于NWP的方法大多是间接预测方法，通过将NWP得到的参数（如风速）输入风电场的数学模型来获得预测功率。这些间接预测方法更适合长期风力发电预测[11]。此外，物理建模方法需要大规模的计算资源和较长的计算时间来求解偏微分方程，难以应用于超短期风力发电预测。除了物理模型外，传统的统计方法也被应用于风力发电预测，包括卡尔曼滤波[12]、自回归模型[13]和自回归积分滑动平均模型[14]。然而，这些统计方法在实现高预测准确性方面存在固有的挑战[15]。

目前，超短期风力发电预测方法主要采用基本的机器学习算法和深度学习算法[16]。目前用于风力发电预测的机器学习算法包括人工神经网络[17]、随机森林[18]、极端梯度提升[19]、支持向量回归[20]和多元线性回归[21]。然而，由于风力发电的间歇性、波动性和不确定性，这些传统的机器学习方法往往难以实现高预测准确性[22]。与基本机器学习模型相比，深度学习模型提供了更强大的特征提取和表征能力，更适合超短期风力发电预测[23]。RNN（循环神经网络）及其变体，包括GRU（门控循环单元）、LSTM（长短期记忆）和CNN（卷积神经网络），已被应用于风力发电预测[24]。Xiao等人[25]基于GRU和主成分分析构建了一个风力发电预测模型，预测结果显示该模型的预测准确性优于LSTM、多层感知器、支持向量回归等其他模型。Sun等人[26]基于CNN和LSTM构建了一个风力发电预测方法，结果表明集成CNN和LSTM的模型比独立模型具有更高的预测准确性。注意力机制也有助于提高传统模型的预测准确性。Shi等人[27]将注意力机制与膨胀卷积神经网络相结合构建了一个风力发电预测模型，结果表明引入注意力机制在提高模型准确性方面发挥了重要作用。Sun等人[28]将注意力机制与LSTM相结合构建了一个风力发电预测模型，结果也表明注意力机制有效提高了模型的预测准确性。一方面，大多数现有的风力发电预测研究主要集中在提高预测准确性上，而实际应用中方法的可靠性受到的关注有限。另一方面，尽管一些研究认识到集成注意力机制对预测性能的积极贡献，但这些方法主要基于单视角注意力，因此未能充分利用输入数据中嵌入的信息特征。

通过对现有风力发电预测研究的全面回顾，发现两个关键的研究空白：（i）对预测可靠性的考虑不足；（ii）多视角注意力机制的应用有限。为了解决这些问题并开发一种明确考虑预测结果可靠性的风力发电预测方法，本研究提出了一种结合误差分布特性和引导性校正的超短期风力发电预测方法。通过调节风力发电预测模型的损失函数来调控误差分布特性，所提出的方法有效提高了风力发电预测结果的可靠性。本研究的主要贡献如下：

• (1)
  提出了一种基于时间卷积网络和自注意力机制的多视图特征增强风力发电预测模型。通过同时捕捉局部时间依赖性和全局特征信息，该模型提高了对复杂且高度波动的风力发电时间序列的表示能力。
• (2)
  开发了一种考虑不对称性和偏差的以可靠性为导向的预测增强方法。通过协调调节不对称系数和偏差项，该方法从实际应用的角度明确解决了预测可靠性问题，而不仅仅依赖于传统的基于准确性的优化。
• (3)
  使用真实风电场数据系统地分析了预测准确性和可靠性之间的关系。通过研究可靠性提升与预测误差之间的权衡，本研究为实现适用于实际风力发电应用的平衡预测策略提供了见解。

本文的其余部分组织如下。第2节描述了风力发电预测的可靠性要求。第3节介绍了所提出的预测模型及其损失函数的基本原理。第4节基于真实风电场数据进行了预测实验，以验证所提出方法的有效性。

章节片段

问题表述和要求分析

准确预测风电场的发电量对于现代电力系统的安全和经济运行至关重要。风力发电本质上是间歇性和高度可变的，预测值与实际输出之间的偏差可能会显著影响电网运行。具体来说，如果风电场的预测发电量持续高于实际输出，系统运营商可能会高估可用发电量，导致可调度资源的储备分配不足

预测网络结构

基于上述风力发电预测的要求，本研究开发了一种基于可调节不对称损失函数和偏差调整的超短期风力发电预测方法。整体模型架构如图1所示，由三个主要部分组成：全局-局部多视角特征增强注意力模块、基于BiGRU的主预测模块和输出模块。

结果与讨论

本节通过案例研究评估了所提出方法的性能。

结论

本研究开发了一种超短期风力发电预测方法，该方法明确考虑了预测误差的分布特性并应用了引导性校正，以提高预测可靠性。所提出的方法在保持预测准确性的同时提高了预测结果的可靠性。主要结论如下：

• (1)
  提出了一种结合多角度特征增强注意力机制的风力发电预测模型

CRediT作者贡献声明

贾子瑶：撰写——原始草稿、软件、方法论、数据整理。尚磊：监督、资源、方法论、调查。贾亚蕾：撰写——原始草稿、可视化、验证、软件

利益冲突声明

? 作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。