一种基于双注意力机制的多尺度趋势-季节解耦模型,用于风力发电机状态预测
《Engineering Applications of Artificial Intelligence》:A multi-scale trend-season decoupling model with dual attention mechanism for wind turbine state prediction
【字体:
大
中
小
】
时间:2026年08月16日
来源:Engineering Applications of Artificial Intelligence 9.0
编辑推荐:
摘要:随着风能产业的不断进步,利用人工智能方法对风力发电机状态进行预测变得越来越重要。传统的基于物理的方法依赖于精确的数值天气预报和地理信息,但这些方法计算成本高、劳动强度大,且精度保障有限。风电场数据具有很强的时间依赖性以及多种不同的时间尺度特征,这些特点给实现准确的状态预测带
摘要:随着风能产业的不断进步,利用人工智能方法对风力发电机状态进行预测变得越来越重要。传统的基于物理的方法依赖于精确的数值天气预报和地理信息,但这些方法计算成本高、劳动强度大,且精度保障有限。风电场数据具有很强的时间依赖性以及多种不同的时间尺度特征,这些特点给实现准确的状态预测带来了巨大挑战。为了解决这些问题,本文提出了一种基于双注意力机制的多尺度趋势-季节性分解模型,用于风力发电机状态预测。该模型首先将风电场数据分解为多尺度时间特征,整合细粒度和粗粒度表示。在每个特定尺度的分支中,引入了迭代多尺度趋势-季节性分解模块,以分离不同时间尺度上的趋势和季节性成分。为有效捕捉它们各自的时间模式,设计了双注意力机制:对于趋势成分,采用基于特征的自我注意力机制来建模不同输入特征之间的依赖关系;而对于季节性成分,则采用时间多头注意力机制来捕捉不同时间步之间的相互作用,从而提取出多样的季节性模式。此外,为了更好地利用历史信息并充分利用风电场数据中的时间依赖性,我们引入了增强上下文的长短期记忆网络,以加强过去状态与当前状态之间的互动。实验结果表明,所提出的方法显著提高了预测精度,在多个风力发电机状态指标上的均方误差降低了29%以上,这证明了多尺度趋势-季节性分解在捕捉复杂时间模式方面的有效性,而这些模式在未分解的模型中是相互交织的。
引言:面对全球能源资源日益枯竭以及环境污染日益严重的状况,作为一种清洁且可再生的能源,风能受到了广泛关注(Xie和Mu,2025)。风力发电利用风力涡轮机或风车将流动空气的动能转化为电能。这类涡轮机通常由安装在高塔上的大型叶片以及一个发电机组成,当叶片在风力作用下旋转时,发电机会将机械能转化为电能。根据全球风能理事会的数据,预计从2024年到2030年,全球安装的风力发电容量将增长10%,达到1210吉瓦。这一上升趋势反映了主要经济体制定的产业政策、不断发展的海上风电市场以及新兴和发展中经济体的增长前景(Kumar等人,2025)。与传统的化石燃料相比,风力发电的运营成本更低,技术成熟度也更高。因此,风能的发展已成为全球能源领域的焦点(Ma等人,2025;Blaabjerg和Ionel,2015)。
为了进一步提升风力发电的智能化水平并最大化资源利用率,人们致力于利用机器学习技术对风力发电机的运行状态进行智能监控(Sun等人,2025;Melalkia等人,2025;Gao等人,2024)。这些方法旨在提高风力发电系统的数字化和智能化程度,从而为高效运维奠定数据驱动的基础。在此基础之上,人工智能算法尤其是深度学习的不断发展,使得风力发电机状态和输出功率的预测更加高效准确,克服了传统机械模型的低效性和局限性(Tao等人,2025;Mansoor等人,2025;Liu等人,2025)。尽管有了这些改进,现有的深度学习方法在处理风电场数据的复杂时空特性时仍面临诸多挑战。
其中一个主要挑战源于影响风力发电机运行的因素如风速的多尺度时间特性,这些因素在不同时间尺度上表现出不同的变化规律(Kim等人,2024;Routray和Hur,2024)。在能源预测领域,人们已经认识到捕捉这种多尺度依赖性的重要性。例如,关于在复杂能源系统中应用LSTM进行预测的研究表明,有效建模多尺度时间模式对于提高预测精度至关重要(Al-Hasani和Al-Qaraguli,2025)。然而,许多现有方法仅专注于单一时间尺度上的特征提取,无法全面捕捉这些动态变化(N. Li等人,2023;H. Wang等人,2024),因而无法有效表示风电场中的多尺度信息。
此外,风电场数据通常包含具有不同时间特性的混合成分,主要包括趋势成分和季节性成分。趋势成分反映长期变化,而季节性成分则捕捉周期性变化。这些成分的混合使得潜在的动态关系变得模糊,使得模型难以准确理解基本模式。因此,将这些成分分开进行独立建模对于避免可能降低模型性能的干扰至关重要。虽然一些现有方法试图通过频率分解技术来解决这一问题(Su等人,2023),但它们在后续处理阶段往往对所有成分应用统一的模型结构。这种一刀切的方法无法为每个成分的特定时间特性设计定制化的特征提取机制(Yang等人,2024;Wang等人,2024),这是当前方法论中的一个重大局限。
因此,要推动技术进步,就需要开发出不仅能够提升多尺度表示能力、实现异构成分的清晰分离,还能为每种成分制定针对性策略的模型。除了单纯的精度之外,这类模型还必须具备可解释性,以支持工业决策。在风电场运营中,了解为何某个状态会被预测会发生变化,与预测结果本身一样重要,因为它有助于指导维护工作并优化输出性能。注意力机制通过识别有影响力的特征和关键时间周期,将预测结果转化为可操作的见解,从而实现了这一点。
为了解决上述挑战,本文提出了一种基于双注意力机制的多尺度趋势-季节性分解模型(DAM)。该框架的工作流程如下:首先,通过平均池化将输入的风电场数据转换为多尺度时间表示。在每个特定尺度的分支中,迭代多尺度分解模块将输入特征分解为趋势成分和季节性成分,从而增强模型的表示能力。鉴于这些成分具有不同的时间特性,我们设计了由两部分组成的DAM:一种基于特征的注意力机制用于捕捉长期变化,另一种基于时间的多头注意力机制用于提取周期性模式。最后,为了有效利用历史依赖性,来自所有分支的分解后的趋势成分和季节性成分会分别通过增强上下文的LSTM进行处理,然后再汇总起来生成最终预测结果。
我们的方法在两个关键方面推动了技术进步。首先,与那些将分解视为固定预处理步骤的现有基于分解的预测方法(Yang等人,2023;Qin等人,2023)不同,我们的模型将迭代多尺度分解直接集成到学习框架中,从而实现端到端的趋势-季节性模式提取,克服了传统方法在适应未来未知模式方面的局限性(Wu等人,2021)。其次,与现有的风力发电预测中的注意力机制(Wu等人,2024;Sun等人,2024)通常对所有时间特征应用统一注意力不同,我们的双注意力设计充分考虑了趋势成分(基于特征)和季节性成分(基于时间)的固有特性,从而实现了更精准的时间建模和更高的可解释性。
实验结果验证了所提模型的有效性,表明其在多个与风力发电机传动系统相关的输出指标上的预测精度都有显著提升。本研究的主要贡献如下:1. 我们设计了一种多尺度特征提取方法,通过分析不同时间尺度上的风速状况和风力发电机控制状态,从风电场数据中提取关键特征。2. 据我们所知,这是首项从趋势-季节性角度对风电场数据进行分解的研究,它在提升可解释性的同时,还为具有不同时间特性的成分设计了专门的特征提取模型。3. 为应对风电场数据中的强时间依赖性,我们整合了注意力机制,以增强LSTM单元中历史信息与当前时间步之间的互动,从而强化提取特征中的上下文关系。
本文的其余部分安排如下:第2节回顾了风力发电预测和时间序列分解的相关研究。第3节介绍了我们提出的方法论,详细阐述了多尺度特征提取方法、迭代分解模块、双注意力机制以及增强上下文的LSTM。第4节描述了实验设置和结果,包括与现有先进方法的比较以及消融研究。最后,第5节对本文进行了总结,并探讨了未来的研究方向。
片段摘录:
风力发电预测:现有的风力发电预测模型大致可分为物理方法和数据驱动的统计方法两类(Ta?c?karao?lu和Uzunoglu,2014;Z. Wang等人,2023)。物理方法依赖于详细的数值天气预报和地理数据来构建机械模型(Mu等人,2016),但需要大量的实证调整,且往往缺乏在不同地点的通用性。统计方法则包括传统的机器学习技术(Abedinia等人,2022;Chen等人,2022;Qu...
方法:本研究旨在利用环境数据和风力发电机控制状态数据,实现风力发电机的高精度运行状态预测。具体而言,给定过去I步的输入数据X∈RI×D,任务是预测未来O步的运行状态z∈RO×D′,其中D和D′分别是输入和输出特征维度。为此,我们借鉴了将算法设计与领域特定结构相结合的原则(Nayyef等人,2024)...
实验结果与分析:本研究使用的数据由中国电力研究院提供,是通过高保真模拟生成的。这些数据涵盖了多个风电场的各种运行场景,包括低风速、高风速以及风速变化期等不同的运行状态,因此包含了长期的季节性变化、趋势变化以及运行状态转变。这种广泛的时间覆盖范围包括了各种类型的风...
结论:为了实现风电场中风力发电机的精确运行状态预测,本文提出了一种带有双注意力机制的多尺度趋势-季节性分解模型。具体而言,我们的框架首先将风电场数据分解为多尺度时间特征。这一过程整合了细粒度和粗粒度模式,从而有效地平衡了局部细节和整体趋势。在每个尺度分支中,都有一个迭代的多尺度趋势-季节性分解模块...
CRediT作者贡献声明:白双:数据分析、模型实现、评估、论文修改。郑浩:方法论、模型开发、实验、初稿撰写。孙慧妮:数据标注、实验、评估、论文修改。李彦兵:技术支持、论文修改、资源协调、监督。
利益冲突声明:作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
白双|郑浩|孙慧妮|李彦兵
中国北京海淀区上园村3号,北京交通大学电子与信息工程学院,邮编100044
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号