气象驱动的运行工况变化下多任务风电功率预测方法

《Energies》：Meteorology-Driven Multi-Task Wind Power Forecasting Method Under Operating Condition Variations

　　

气象条件的快速变化可导致风电机组运行状态频繁切换，使风电功率序列呈现显著的非平稳性和多模态特征，因此传统单一预测模型常难以在不同运行工况下同时保持预测精度与稳定性。为解决这一问题，本文提出一种基于卷积归一化Transformer编码器与多任务学习（Convolutional Normalized Transformer Encoder and Multi-Task Learning, CNTE-MTL）的风电功率预测方法。首先，将风电机组运行样本依据典型气象变量，如风速、风向和环境温度，划分为不同运行工况，以表征气象驱动的运行模式差异。随后，将不同气象条件下的风电功率预测构建为多个相关子任务，并构建了由共享特征提取网络和工况特定预测头组成的多任务学习框架。在此框架中，共享特征提取网络采用一维卷积提取局部时序波动信息，并结合Transformer编码器捕捉长时依赖特征，而工况特定预测头进一步刻画不同气象条件下的差异化功率演变模式，进而实现跨工况共性信息共享与差异化建模。基于某实际风电场的SCADA数据，开展了短期预测、长期预测、补充对比实验和消融实验。结果显示，所提出的CNTE-MTL模型在为期一个月的短期预测实验中，均方根误差（Root Mean Square Error, RMSE）为0.0165，决定系数（Coefficient of Determination, R²）为0.9689；在为期三个月的长期预测实验中，RMSE为0.0072，R²为0.9980，均优于CNTE、Informer、Transformer、TCN和LSTM等对比模型。消融实验进一步证实了气象驱动运行工况划分、共享特征提取网络和工况特定预测头对预测性能提升的有效性。

风电功率受气象条件影响显著，风速、风向和环境温度等气象因子的波动直接导致功率输出变化，尤其是在强风、风切变和极端天气条件下，风电功率呈现强随机性与不确定性。风电机组的运行状态对气象因素高度敏感，气象条件的持续变化易引发运行工况频繁切换，致使风电功率序列表现出明显的非平稳性和多模态特征。传统数据驱动方法如XGBoost和LightGBM虽训练高效、具有一定非线性拟合能力，但本质上更适用于静态映射，难以表征风电功率序列的长期依赖关系、历史状态效应和动态工况转换特征。近年来，深度时序预测模型如PatchTST、Autoformer等在长序列建模上展现了较强能力，但多数研究仍将不同气象条件下的样本混合为统一预测任务，未能充分协同刻画气象驱动的工况差异、跨工况共享信息和各工况特有的功率演变模式。因此，如何实现面向气象驱动运行工况差异的跨工况预测信息有效共享与差异化建模，成为提升风电功率预测可靠性的关键问题。

针对上述挑战，研究人员提出基于卷积归一化Transformer编码器与多任务学习的风电功率预测方法——CNTE-MTL。该方法首先将风电机组运行样本按关键气象变量划分为不同工况，以表征气象变化引发的运行模式差异；进而将不同气象条件下的风电功率预测视作多个相关子任务，构建由共享特征提取网络和工况特定预测头组成的多任务学习框架。共享网络采用CNTE提取各工况风电功率序列的共性时序特征，工况特定预测头则进一步学习各工况特有的功率演变模式。基于某实际风电场的SCADA数据，研究人员开展了不同时间跨度的风电功率预测实验，通过对比实验、补充基准实验、消融研究和推理时间分析，系统性验证了CNTE-MTL模型在复杂气象条件变化下的预测精度、稳定性与工程适用性。该研究成果发表在《Energies》期刊上，对提升电力气象预测预警能力、支持电网安全运行具有重要工程意义。

研究人员为开展研究用到的主要关键技术方法包括：基于线性插值和3σ准则的数据预处理，以处理缺失值和异常样本；采用最小冗余最大相关性（Minimum Redundancy Maximum Relevance, mRMR）方法进行变量筛选，从93个原始SCADA变量中选出10个关键输入变量；利用K-means聚类对风速、风向和环境温度三个气象变量进行气象驱动运行工况划分；构建基于卷积归一化Transformer编码器（CNTE）的共享特征提取网络，其中一维卷积用于提取局部时序波动特征，Transformer编码器用于捕捉滑动窗口内的长期依赖；设计多任务学习框架，包含共享CNTE特征提取器和工况特定预测头，实现跨工况信息共享与差异化建模。研究样本来源于中国北方某实际风电场一台额定容量1.5兆瓦直驱风电机组的SCADA监测数据，数据时间跨度为2024年1月至3月，采样间隔为10分钟。

研究结果部分，首先在“数据来源与预处理”中，研究人员从风电场获取实际运行SCADA数据，经过缺失值处理、异常值移除和Min–Max归一化后，原始风速-功率散点中的异常样本被有效去除，数据整体分布更集中，符合典型风电机组气动特性。随后在“变量选择与运行工况划分”中，利用mRMR方法筛选出发电机转速、转子转速、桨叶电机电流、变流器电流、相电流、功率因子等10个关键变量，反映机组气象条件、机械状态和电气输出特性。以风速、风向和环境温度构成的标准化气象特征向量为基础，K-means聚类将运行样本划分为三种典型气象驱动工况，轮廓系数达0.623634，Davies–Bouldin指数为0.508835，展现出良好的簇内紧凑性和簇间分离性。不同工况的样本分布统计显示工况2占比最高，工况3相对较低，与实际风电场气象条件分布的非均匀性相一致。

在“模型参数与评价指标”中，所有对比模型均采用相同数据预处理、输入变量和训练/验证/测试集时序划分，并通过网格搜索优化超参数。评价指标包括均方误差（Mean Square Error, MSE）、RMSE、平均绝对误差（Mean Absolute Error, MAE）和R²。接着在“实验结果与分析”中，短期预测实验表明，CNTE-MTL模型在各项指标上均优于CNTE、Informer、Transformer、TCN和LSTM，其RMSE为0.0165，R²达0.9689，验证损失曲线收敛更快且波动更小。长期预测实验中，CNTE-MTL的优势更加突出，RMSE降至0.0072，R²提升至0.9980，显著超越其他基准模型，证明气象驱动工况划分和多任务协同建模能有效缓解长时跨度下工况演变与数据分布变化带来的不利影响。可视化结果同样显示，无论在短期还是长期预测中，CNTE-MTL的预测曲线与实际值高度重合，残差集中于零轴附近且波动范围更小。残差箱线图进一步证实CNTE-MTL的预测误差分布更为集中，系统偏差更小。

在“补充实验分析”中，研究人员引入XGBoost、LightGBM、N-BEATS、PatchTST、Autoformer和FEDformer模型进行对比。短期预测中，长序列预测模型如PatchTST表现较优但不及CNTE-MTL；长期预测中，CNTE-MTL依然保持最佳性能，其RMSE仅为0.0072，R²为0.9980，表明该方法通过共享CNTE网络提取跨工况共性特征，并通过工况特定预测头捕获差异化功率模式，在更复杂的工况演变中维持了高精度与强稳定性。推理时间分析显示，CNTE-MTL的平均推理时间为0.42毫秒/样本，虽略高于TCN、LSTM等轻量模型，但明显优于传统树模型，综合权衡预测性能与计算成本表现良好。“消融实验分析”通过构建CNTE、Independent-CNTE、CNTE-MTL without Task Heads和完整CNTE-MTL四种结构，证实气象驱动工况划分能降低混合工况建模难度，共享CNTE特征提取网络能促进跨工况信息共享，而工况特定预测头则进一步刻画差异化功率演变模式，三者协同使CNTE-MTL在短期和长期预测中均达到最优表现。

综合讨论，研究人员指出CNTE-MTL方法在风电功率预测精度、误差稳定性和长期适应性方面均展现出优越性，但研究仍存在一定局限性。实验数据仅源于单台风电机组，且数据周期限于冬季至早春，尚未涵盖全年多季节运行数据或高温、台风等极端天气样本；研究主要开展基于SCADA数据的确定性点预测，未对预测不确定性进行建模；同时，K-means聚类虽简单易行，但在工况边界附近存在硬标签切换问题，边界样本平滑和在线工况更新机制有待进一步完善。

研究结论部分翻译如下：为解决气象驱动运行工况变化下风电功率序列强非平稳性、不同运行模式下功率演变模式差异显著以及单一预测模型跨工况预测稳定性不足等问题，本文提出基于卷积归一化Transformer编码器与多任务学习的风电功率预测方法CNTE-MTL。该方法首先依据风速、风向和环境温度等典型气象变量将风电机组运行样本划分为不同工况，以表征气象变化引发的运行模式差异；在此基础上，将不同气象条件下的风电功率预测构建为多个相关子任务，并构建了由共享特征提取网络和工况特定预测头组成的多任务学习框架。基于实际风电场SCADA数据，开展了短期预测、长期预测、补充对比实验和消融实验，主要结论如下：（1）气象驱动运行工况划分能有效表征不同气象条件下风电机组运行状态的差异，为多工况风电功率预测提供合理的数据组织基础；（2）所构建的CNTE共享特征提取网络能同时提取局部时序波动信息和长期依赖特征，有助于提升复杂气象扰动下风电功率序列的表征能力；（3）基于共享特征提取网络和工况特定预测头的多任务学习框架能有效提升模型在不同气象条件下的泛化能力和预测稳定性。未来研究将进一步扩展数据源，整合数值天气预报、桨距角、偏航误差等多源信息，引入概率预测方法，并研究软工况划分与在线更新策略，以降低部署成本并提升方法在实际风电场运行环境中的适用性。