基于偏差補償TCN-LSTM 和梯級遷移策略的短期風電功率預測

宋技峰，彭小圣，楊子民，段睿欽，周彬彬，陳凱，王有香

（1. 強電磁工程與新技術國家重點實驗室（華中科技大學），電力安全與高效湖北省重點實驗室（華中科技大學），武漢 430074；2. 云南電力調度控制中心，昆明 650011）

0 引言

隨著“雙碳”目標下新型電力系統建設的不斷推進，風電裝機規模持續上漲，不斷有新建風電場并網發電。對于這些新建風電場，由于其未積累充足的歷史運行數據，因而難以按照常規深度學習方法［1-4］直接訓練完備的功率預測模型［5］。為解決這一問題，可以借助先進的遷移學習手段［6-8］，為新建風電場引入相關風電場的歷史數據或完備的預訓練模型。

對于風電功率預測［9-11］，遷移學習的可遷移對象包括數據和模型。數據遷移本質上是一種數據擴充手段，主要是采用相關性分析等方法從源風電場篩選出大量符合目標風電場規律的相似歷史樣本，再將這些樣本視為目標風電場的歷史樣本，進而獲取充足的歷史運行數據來訓練功率預測模型。模型遷移則是采用參數賦值和微調復訓練等方法將源風電場訓練好的完備功率預測模型遷移至目標風電場。

在深度學習預測建模上，時間卷積網絡-長短時記憶網絡（temporal convolutional network-long short term memory neural network， TCN-LSTM）是一種前沿的神經網絡，其進一步強化了對時序特征的解析能力［12-15］，近年來被逐漸應用于時間序列預測問題［16-18］。本文選用TCN-LSTM 網絡作為預測建模的基本模型。

在風電功率預測方法上，采用偏差補償方法對風電功率的預測偏差進行補償修正，能有效提升預測精度。偏差補償方法包含兩個由不同數據集訓練的獨立網絡，分別對功率和偏差進行預測，再將二者的預測結果疊加，進而得到最終的功率預測結果。文獻［19］采用經粒子群算法優化的極端梯度提升法（extreme gradient boosting， Xgboost）作為功率預測模型，采用傳統隨機森林作為偏差補償模型。文獻［20］采用優化后的循環卷積網絡作為功率預測模型，采用Xgboost 作為偏差補償模型。文獻［21］則采用極限學習機和多層感知機分別作為功率預測模型和偏差補償模型。不難發現，上述研究多側重于優化功率預測模型，偏差補償模型則較為淺層，然而偏差序列中蘊含的信息與功率序列應當是同量級的。此外，在將該方法用于新建風電場時，由于新建風電場的歷史樣本不足，因而難以將樣本等分為兩份分別獨立微調兩個預測模型。

近年來數據遷移方面的前沿研究表明，將源域的數據按照相似度排序分批遷移，不同批次分別訓練不同的網絡結構，取得的效果優于一次性遷移所有數據訓練整個網絡。在此基礎上，文獻［5］進一步提出了一種基于多層次數據遷移的風電功率預測方法，采用相關性逐步增強的源域數據由淺入深地訓練神經網絡的各個隱層，并通過算例證實了這種分級遷移方式的有效性。然而在模型遷移方面，現階段的模型微調策略通常是采用目標域的數據一次性地微調整個神經網絡。這種方式在模型結構簡單時能滿足需求。但隨著風電功率預測模型深度的不斷增加，這種微調方式難以保證根據目標域的特征有效地優化整個神經網絡。因此將數據遷移中由淺入深的網絡訓練思想用于模型遷移，對模型進行梯級微調，有望進一步提升遷移模型的預測精度。

本文提出基于偏差補償TCN-LSTM 和梯級遷移策略的短期風電功率預測方法，采用結構相同的兩個TCN-LSTM 網絡分別作為源風電場的功率預測模型和偏差補償模型，并采用模型并聯融合的方式構造計及偏差的組合功率預測模型，提升了偏差補償方法在模型遷移上應用的可行性，再采用梯級遷移策略逐級微調模型結構，最后通過算例驗證了所提方法的優勢。

1 基于偏差補償TCN-LSTM 和梯級遷移策略的短期風電功率預測

1.1 總體框架

本文提出基于偏差補償TCN-LSTM 和梯級遷移策略的短期風電功率預測方法，整體框架如圖1所示。該模型分為兩個階段，分別為：1）為源風電場訓練基于偏差補償TCN-LSTM 的風電功率預測模型；2）采用目標風電場的數據對源風電場的模型進行梯級微調。

這兩個階段包含7個步驟。

1）步驟1，訓練基于TCN-LSTM 的功率預測預訓練模型。將源風電場的歷史樣本劃分為兩份，分別記為訓練集A 和數據集B。采用訓練集A 為源風電場訓練基于TCN-LSTM的功率預測模型。

2）步驟2，為源風電場訓練基于TCN-LSTM的偏差補償模型。依據偏差補償方法，基于與步驟1 相同結構的TCN-LSTM 網絡，采用數據集B 為源風電場訓練偏差補償模型。

3）步驟3，功率預測模型與偏差補償模型并聯融合。將步驟1 獲取的功率預測模型和步驟2 獲取的偏差補償模型并聯融合，構成計及偏差的組合功率預測模型。

4）步驟4，將目標風電場的數據按照與源的相關性分為兩份。基于目標風電場歷史樣本和源風電場歷史樣本的相關性排序，將目標風電場的歷史樣本集分為二等分，分別構成強相關數據集和弱相關數據集。

5）步驟5，采用強相關數據集對TCN 模塊進行微調。本文采用的TCN-LSTM 模型包含兩個TCN 模塊和兩個LSTM 隱層。本步驟凍結除了第二個TCN 模塊以外的其他全部網絡結構，采用步驟4所得強相關數據集對該TCN模塊進行微調復訓練。

6）步驟6，采用弱相關數據集對LSTM 模塊進行微調。本步驟凍結除了第二個LSTM 隱層以外的其他全部網絡結構，采用步驟4 所得弱相關數據集對該LSTM模塊進行微調復訓練。

7）步驟7，采用全部數據微調尾部全連接層。本步驟凍結尾部全連接層以外的其他全部網絡結構，采用目標風電場的所有歷史樣本微調該尾部全連接層，最終得到目標風電場的功率預測模型。

1.2 基于偏差補償TCN-LSTM的預測模型

源風電場是指區域內與目標風電場高度相似的歷史數據充足的風電場。由于源風電場和目標風電場高度相似，因此可以將源風電場的完備預測模型遷移至目標風電場。源風電場的選擇參考文獻［5］。

1.2.1 TCN-LSTM功率預測模型

本文采用兩組TCN殘差塊和雙LSTM 隱層作為TCN-LSTM模型，具體結構如圖2所示。

圖2 偏差補償TCN-LSTM模型結構圖Fig. 2 Structure of TCN-LSTM model with deviation compensation module

LSTM 是當前的主流時間序列預測模型，在風電功率預測中能有效計及風電序列的時間連續性；TCN則通過膨脹卷積抓取長時間特征，其跨層連接的模型結構能在加快模型訓練速度的同時避免原始信息丟失。采用TCN和LSTM 串聯結合的方式，能夠更有效地從數值天氣預報（numerical weather prediction，NWP） 數據中提取高階時序特征，過濾無用信息，并提高LSTM記憶單元的處理效率。

1.2.2 基于偏差補償的功率預測方法

偏差補償方法是指在預測功率時同時預測功率的偏差序列，再將預測功率序列和偏差序列疊加，進而得到更為精準的功率預測結果。偏差補償模型的訓練過程如圖3所示，分為3個子步驟。

圖3 偏差補償模型的建模框架圖Fig. 3 Framework of modeling with deviation compensation module

1） 子步驟1，采用功率預測模型對數據集B 進行功率預測。采用訓練集A 訓練的TCN-LSTM 功率預測模型對數據集B 進行功率預測，獲取數據集B的預測功率。

2） 子步驟2，計算獲取預測偏差序列。預測偏差序列等于真實測量功率減去預測功率。

3） 子步驟3，訓練偏差補償模型。該模型的輸入NWP 特征和訓練集A 訓練的功率預測模型一致，均為空間風資源，模型輸出為子步驟2 獲取的預測偏差序列。

1.2.3 基于并聯融合方法的偏差補償模型

階段一源風電場預測建模環節采用結構相同的TCN-LSTM 分別訓練功率預測模型和偏差補償模型。在輸入上兩個TCN-LSTM 模型一致，均為空間風資源。在輸出上兩個模型的輸出結果直接相加即為最終預測功率。因此可以將兩個模型并聯融合，構成計及偏差的組合功率預測模型。

本文所提的模型并聯融合的方式對于新建風電場具有較高的有效性。對于新建風電場而言，若不進行模型融合，則需要采用兩套獨立的數據集分別微調功率預測模型和偏差補償模型。將兩個獨立的模型視為兩個子模塊組合成一個網絡，進而僅采用一套數據集便可對兩個模塊同時進行微調，避免了對新建風電場歷史數據集的分割，使得偏差補償方法能被用于新建風電場的功率預測建模。

1.3 基于梯級遷移策略的風電功率預測方法

在獲取源風電場完備的計及偏差的組合功率預測模型后，采用目標風電場的少量歷史樣本對其進行微調，進而將預測模型遷移至目標風電場。

本文采用與源域相關性較高的通用數據和相關性較低的獨有數據分別微調復訓練功率預測模型的前部和后部特征層。本文所提梯級遷移策略如圖4所示。

圖4 基于梯級遷移策略的短期風電功率預測方法框架圖Fig. 4 Framework of short-term wind power prediction method based on step transfer strategy

首先根據目標風電場歷史樣本與源風電場歷史樣本之間的相關性將目標風電場的歷史樣本等分為強相關數據集和弱相關數據集；再進行三級逐步微調，用強相關數據集微調TCN 模塊、用弱相關數據集微調LSTM 模塊、用全部樣本微調尾部全連接層；最終得到遷移后的目標風電場計及偏差的組合功率預測模型。

在對TCN或LSTM 模塊進行微調時，凍結位于前部的TCN殘差塊或LSTM 隱層，只微調位于后部的TCN殘差塊或LSTM 隱層。這是因為在模型遷移中同種特征模塊的淺層隱層被證明主要包含適用于不同數據集的通用特征，而各數據集的獨有特征則更多地被深層隱層記載。

2 算例分析

本文選取某地的兩個相關風電場進行算例分析，算例分析部分使用數據長度共830 d，時間分辨率為1 h。本文的預測預見期為12 h，采用《Q/GDW 10588—2015》標準［22］推薦的均方根誤差（root mean squared error，RMSE，其值用RMSE表示）和平均絕對誤差（mean absolute error，MAE，其值用MAE表示）作為風電功率預測的誤差評價指標。其計算公式分別如公式（1）—（2）所示。

式中：yi為i時刻的歸一化功率預測實際值；y?i為i時刻的歸一化功率預測值；N為測試集中數據樣本的數量；ymax為功率最大值，代表歸一化過程的作用。

下列每節將先介紹對照組的模型結構、遷移策略，再給出各方法的預測結果。

2.1 目標風電場樣本分布

在遷移學習階段，目標風電場的少量樣本需要依照與原風電場的相關性等分為兩份。由于源風電場樣本與目標風電場樣本序列長度不同，在相關性計算部分，動態時間規整（dynamic time warping，DTW）算法將用于計算樣本之間的距離［23］。在本節中來自目標風電場的50 d 數據按照NWP 的更新周期12 h 被分成100 個樣本，其基于DTW 距離的分布如圖5 所示。其中目標風電場樣本和源風電場樣本間的DTW 距離在8 000~12 500之間。根據梯級遷移策略定義，目標風電場樣本中中距離大于9 658 的樣本為強相關性樣本，其余則為弱相關性樣本。

圖5 基于DTW距離的目標風電場樣本分布Fig. 5 Sample distribution of the target wind farm based on DTW distance

2.2 深度學習方法比較

2.2.1 對照組設置

在本節中用作算例分析的模型參數如表1 所示，本節主要用于選出預測精確度高的深度學習模型，選出的模型在之后的研究中將用作遷移學習的基本模型。

表1 基本深度學習模型參數Tab. 1 Parameters of basic deep learning models

2.2.2 預測誤差結果比較

從圖6 和表2 中可發現TCN-LSTM 模型的預測RMSE 和MAE 都最小，意味著TCN-LSTM 在特征提取和非線性擬合能力上比其他的對照組神經網絡卷積神經網絡-LSTM（convolutional neural network-LSTM，CNN-LSTM）、LSTM、TCN 更具優勢。其RMSE 誤差值相比與傳統模型下降0.08%~0.24%。所以在接下來的遷移學習策略算例分析中將采用TCN-LSTM神經網絡作為基礎模型。

表2 基本深度學習模型直接建模預測誤差對比Tab. 2 Comparison of prediction errors in direct modeling of basic deep learning models

圖6 基本深度學習模型直接建模預測誤差曲線Fig. 6 Prediction error curves by direct modeling of basic deep learning models

2.3 基于偏差補償模型遷移學習預測結果分析

2.3.1 對照組設置

在本節中用作算例分析的模型參數如表3 所示，本節主要用于通過誤差曲線算例比較證明所提的偏差補償模塊在新建風電場遷移學習功率預測中的有效性。

表3 不同遷移學習模型參數Tab. 3 Parameters of deep learning models with different transfer learning strategies

2.3.2 預測誤差結果比較

圖7 和表4 中可以發現：1） TCN-LSTM 相比于CNN-LSTM 模型在遷移學習中也具有更好的表現。2） 通過遷移學習能夠有效提高新建風電場的功率預測精度，例如TCN-LSTM-直接遷移模型相比于TCN-LSTM 模型直接預測進度提升0.84%。3）誤差偏差補償結構能有效地提高風電功率遷移學習的預測精度，例如TCN-LSTM 補償遷移模型預測精度相比于TCN-LSTM 直接遷移模型，RMSE 預測誤差減小了0.21%，CNN-LSTN-補償遷移模型相比于CNN-LSTM-直接遷移模型RMSE 預測誤差下降了0.17%。

表4 基于不同遷移學習模型的預測誤差對比Tab. 4 Comparison of prediction errors based on models with different transfer learning models

圖7 基于不同遷移學習模型的預測誤差曲線Fig. 7 Prediction error curves based on models with different transfer learning models

2.4 基于梯級遷移策略的預測功率比較分析

2.4.1 對照組設置

在本節中用作算例分析的模型參數如表5 所示，本節主要用于通過預測功率與實際功率曲線算例比較證明所提的梯級遷移策略在基于TCN-LSTM深度學習模型的新建風電場遷移學習功率預測中的有效性。

2.4.2 預測功率結果比較

從圖8 和表6 可以發現：梯級遷移方法相比傳統的單步遷移方法能有效提高遷移學習的目標任務特征提取能力，提高預測精度。TCN-LSTM-補償梯級遷移模型相比于TCN-LSTM-補償遷移模型RMSE預測誤差減小0.18%。

表6 基于不同遷移學習策略的模型預測誤差對比Tab. 6 Comparison of prediction errors based on models with different transfer learning strategies

圖8 基于不同遷移學習策略的模型預測誤差曲線Fig. 8 Prediction error curves based on models with different transfer learning strategies

圖9 中（b）、（c）、（d）子圖是（a）主圖的部分截取放大。從圖9 中可以看出采用梯級補償遷移的模型表現優于采用傳統遷移學習方法的模型。通過補償梯級遷移模型/補償遷移模型，補償遷移模型/直接遷移模型兩組對照比較，梯級遷移策略和偏差補償模塊的應用都有效地提升了遷移學習預測精度。

圖9 基于TCN-LSTM不同遷移策略的預測功率曲線對比Fig. 9 Comparison of predicted power curves based on TCN-LSTM with different transfer strategies

3 結論

本文提出了基于偏差補償TCN-LSTM 和梯級遷移策略的短期風電功率預測，通過3 組比較算例驗證了所提出方法的有效性。本文的主要結論如下。

1） 本文提出的加入偏差補償模塊以及梯級遷移策略的TCN-LSTM 模型相較基于傳統遷移學習策略的模型以及單獨建模的方法，其短期風電預測精度有明顯的提升。基于偏差補償TCN-LSTM 和梯級遷移策略的短期風電功率預測模型相比于使用不足數據直接預測的TCN-LSTM、CNN-LSTM、LSTM、TCN 模型在12h 預測中精度分別提高1.23%、1.31%、1.46%、1.47%。

2） 在對新建風電場短期風電功率進行遷移學習預測的過程中，誤差補償模塊的加入有效提高了遷移學習預測精度。加入誤差補償模塊的TCN-LSTM 和CNN-LSTM 模型相較于單獨的同類預測模型可分別提高0.21%，0.17%的短期預測精度。

3） 相較于傳統的單步遷移學習方法，本文所提梯級遷移學習策略能夠與誤差補償模塊共同應用于遷移學習中，并有效提高短期風電功率預測精度。其中TCN-LSTM-補償梯級遷移模型相比于TCN-LSTM-補償遷移模型預測精度提高了0.18%。