基于深度學習的風電場功率預測系統的設計與實現

摘要：當前，數字化風電場在功率預測方面主要關注風電設備運行中的實時動態采樣數據，而忽略了風電場固有的時空關聯特性對預測精度的影響。針對該問題，文章提出一種風電場功率預測方法，該方法通過有效的特征工程提高風電預測的精度。在單臺風機功率預測方面，采用空間嵌入技術生成表征向量，用以描述不同風機設備之間固有屬性的區別，為單臺風機的精準化功率預測提供數據支撐；在風電場綜合功率預測方面，采用關聯圖譜記錄風電場內多維度的時空關聯特征，并有效聚合鄰居節點信息，以此向預測模型提供有效特征。基于上述功率預測方法，設計并實現的這套高效的風電場功率預測系統，有助于推動風電預測技術的進一步發展與應用。

關鍵詞：風電功率預測；智能預測系統；數字化轉型；長短期記憶網絡

中圖分類號：TP183；TM614" " " "文獻標識碼：A" " " 文章編號：1674-0688（2024）06-0099-04

0 引言

近年來，可再生能源在世界能源結構中的占比顯著增長，其中風力發電技術被認為是當前世界上發展前景廣闊的新能源技術。全球風能理事會（GWEC）的統計數據顯示，截至2023年初，全球風電場累計裝機容量已達到906 GW［1］。然而，風能固有的波動性特質導致風電場輸出功率不穩定，這不僅為儲能設備帶來額外負擔，還可能對電網供電的可靠性帶來不利影響［2］。在電力控制系統中集成高效的風力發電預測模塊可以有效降低運營成本，并顯著提升風力發電系統的可信度和穩定性［3］。研究表明，如果風速預測精度能提高10%，則風力發電量將比預期增加30 %左右［4］。常見的功率預測方法包括神經網絡法和特征工程法兩大類別。在神經網絡的應用中，預測模型常由多種網絡層復合構建。LAI等［5］指出預測模型應兼顧長期（如晝夜、季節）與短期（如云層變動、風向）因素對風電功率的影響，并據此提出了融合卷積神經網絡的長短期時間序列網絡（LSTNet）。鑒于Transformer網絡在自然語言處理領域的優越表現，研究者們已將其拓展至時序預測領域，開發出Informer、AutoFormer、FedFormer等變體模型。此外，ZENG等［6］認為注意力機制的置換不變性可能不適用于所有時序預測任務，因此提出采用線性模型進行預測。在特征工程領域，現有方法關注動態特征的挖掘。數值天氣預報（NWP）作為系統外特征，常被引入預測模型中，用以提供氣象信息支持［7］。PENG等［8］提出了一種基于順序浮動前向選擇（SFFS）的特征選擇方案，用于從動態時序數據中篩選有效特征，以將龐大的輸入數據維度縮減至1 000個以下。YU等［9］采用時空多聚類算法與混合神經網絡相結合的方法學習區域風電場潛在的時空依賴關系，該方法適用于天氣狀況穩定的環境，而在極端天氣環境下的魯棒性不足。此外，隨機搜索方法（如模擬退火算法、禁忌搜索算法、遺傳算法和隨機抽樣替換算法等）也被應用于特征選擇，這些算法雖然能獲取局部最優解，但是卻存在結果不確定及難以處理大規模訓練數據的問題。針對風電場中風機節點之間復雜的時空特征學習，雖引入了擅長處理圖狀結構數據的圖神經網絡（GNN）被引用，然而在風場內渦輪風機設備數量較多的情況下，該類方法的模型學習能力仍顯不足［10-11］。

綜上所述，現有研究多關注模型架構的優化和動態數據特征的高效提取，忽略了靜態特征和風電場內穩定的時空耦合關聯對風機功率的影響。本文設計的數字化智能預測系統采用空間嵌入技術生成向量，以精準表征風機設備的固有屬性；同時，利用多種關聯圖譜描述風電場內的時空關聯耦合。在預測模塊，該系統將歷史數據與這些表征向量相拼接，共同輸入神經網絡進行預測。

1 系統設計

1.1 系統開發環境

（1）軟件環境。本系統運行于Windows 10操作系統，開發平臺為PyCharm Community Edition 2021.3.1，深度學習框架為Pytorch 1.12.1+cu116，編程語言為Python 3.10，CUDA（Compute Unified Device Architecture）版本為10.2。

（2）硬件環境。用于神經網絡訓練的硬件平臺的配置包含Intel（R）Core（TM）i5-12490F、NVIDIA GeForce RTX 3090、64 GB內存、4 TB機械硬盤存儲。用于開發和調試程序的硬件平臺的配置為Inter（R）Core（TM）i7-6700HQ CPU@2.60 GHz、NVIDA GeForce GTX 950M、16 GB 內存、1 TB 硬盤存儲。

1.2 系統功能設計

本文設計的系統架構主要包含以下4個層級：對數據進行預處理的預處理層、訓練神經網絡模型的預訓練層、維護圖譜和進行功率預測的核心業務層、對數據進行分析和挖掘的可視化層。系統總體架構圖見圖1。

（1）預處理層。負責從數據采集與監控系統（SCADA）中獲取數據，執行數據清洗、格式轉換及歸一化處理，使數據轉化為方便神經網絡訓練的格式。

（2）預訓練層。該層的主要業務有3項，一是使用空間嵌入技術生成風機設備的表征向量；二是分析風電場內的多種時空關聯耦合，并據此構建關聯圖譜；三是訓練預測模型。

（3）核心業務層。功率預測是系統的核心功能，為了對未來功率進行有效預測，需要深入挖掘風電場內有效的時空特征，因此圖譜維護也屬于本層的內容之一。設備表征向量在預訓練階段生成，后期不再更新。

（4）可視化層。該層的功能主要負責與用戶進行交互及展示數據。用戶可通過該層方便、直觀地查看風電場設備的實時運行狀況、算法運算結果（如時空圖譜的連接結構）以及未來的功率預測數據。

2 系統實現

2.1 數據處理子系統

系統數據來自SCADA采集系統，數據屬性視具體場景而異，常見的采樣數據包括有功功率（目標變量）、無功功率、風速、風向、環境溫度、時間戳及葉片漿距角等。原始數據必須經預處理后才能適配神經網絡訓練，原因如下。

（1）部分數據的格式并非連續數值型數據（如時間戳數據），神經網絡無法直接讀取和計算。

（2）同屬性之間的量綱大小存在差異，導致運用梯度下降算法求解梯度時，計算結果差距太大，大幅降低了神經網絡訓練速度。

（3）SCADA采樣系統得到的數據可能存在缺失值，因此需對數值進行一定程度的修補或平滑濾波操作，以提升預測模型的精準度。

數據處理子系統負責對原始數據進行加工，確保神經網絡從數據中挖掘出有效的特征進行預測。優化數據處理子系統的措施如下。

（1）刪除渦輪編號特征。采用空間嵌入技術獲取渦輪風機隱藏特征的多維表征向量，為模型提供更全面的渦輪風機特征。由于渦輪機編號本身不包含靜態特征信息，因此刪除該特征。

（2）刪除運行天數特征。該特征用于標識數據之間的順序關系，然而循環神經網絡具備時序建模能力，并且測試集和驗證集中的數據屬于未來數據，該特征在均值和方差上與訓練集不同，可能會影響模型的判斷，因此刪除該特征。

（3）對時間特征進行重新編碼。因為“小時∶分鐘”的格式無法直接輸入模型，所以將時間戳進行切割，形成兩個新的數值維度，以便識別發電功率與日內時間變化的關聯性。

2.2 風機功率預測子系統

為了大幅減少模型參數量，采用風機功率預測子系統對單臺風機設備進行功率預測。針對模型難以僅憑有限的歷史數據區分設備特性及鑒別功率波動模式的問題，本系統引入空間嵌入技術生成表征向量，以反映設備固有屬性對其發電模式的影響。用于生成表征向量的預訓練任務設定為功率預測任務，表征向量的生成流程如下。

（1）初始化表征向量：為每個風機設備分配獨立且形狀相同的初始向量，其初始值為隨機值。

（2）數據拼接：在預訓練任務過程中，將風機設備的歷史功率波動數據與空白時間步進行拼接，以確保長短期記憶網絡輸出數據的形狀匹配任務需求。具體空白時間步的個數取決于預測的時長。

（3）聯合優化：在優化預訓練模型參數時，采用梯度下降算法同時迭代更新模型參數與初始隨機向量。當預測模型訓練至收斂時，設備對應的隨機向量已具有表征性質，能夠反映風機設備的固有屬性及統計特征（如風向適應性、功率波動平滑性、功率與風速的波動一致性等）。

在數據拼接環節，由于表征向量為一維數據，而時間步數據為二維數據，因此將表征向量復制多份，確保每個時間步都與一維表征向量拼接。此外，必須確保歷史功率波動數據與設備表征向量源自同一風機設備。數據拼接過程見圖2。激活LeakyRelu函數和一層線性層后，長短期記憶網絡的輸出結果即預測功率。

2.3 風電場綜合功率預測子系統

風電場綜合功率的預測需要綜合考慮風場內錯綜復雜的時空關聯。風電場綜合功率預測子系統運用圖狀結構模型，多方位地描述時空耦合關系，并結合多種聚合函數提取鄰域關聯特征用于輔助預測。數據分析提示了風電場內存在以下耦合關系。

（1）風機設備的功率波動趨勢與風速波動趨勢呈現高度相關性。

（2）距離相近的風機間具有高度重合的風速波動趨勢，僅有少量鄰近風機之間的風速相關性較弱。

（3）部分風機之間存在長期且穩定的風速波動相關性，這些設備之間的距離不局限于鄰域，間距較大的風機之間也可能表現出此相關性。

（4）歷史功率波動趨勢相似的片段，其相對應的未來功率波動序列也有較高的相似性。

基于上述發現，本系統分別構建了空間相關性圖譜和風速相關性圖譜，以描述設備之間的關聯關系。以龍源電力公司的動態風電數據集為例，圖3和圖4分別展示了基于該數據集構造的風速關聯圖譜連接結構與距離關聯圖譜連接結構，圖中的圓點代表風機設備，線條代表設備之間存在相關性，線條的深淺與粗細與相關性強度呈正相關。

除了利用風速與距離之間的序列相關性，本系統還從風機歷史運行記錄中匹配出與預測基準序列相似度較高的片段，利用這些歷史波動相關性為預測模型提供數據支撐。由于預測基準序列存在不確定性，因此需視具體情況實時計算預測模型與歷史記錄片段的相似性。

在預測風電場綜合功率之前，需將描述風電場內時空耦合關系的圖結構數據轉換為神經網絡可處理的數值化格式。本系統采用5種聚合函數從圖結構中提取數據，這5種函數分別是均值函數（Mean）、最大值函數（Max）、最小值函數（Min）、標準差函數（Std）和中值函數（Mid）。圖5為數據拼接結構圖，由于歷史圖譜被用于從相似趨勢的歷史片段中提取啟發式信息，因此在圖5中關于歷史關聯圖譜的“未來”部分是由實心方塊構成，表明該部分包含有效數據。

2.4 可視子系統

在可視子系統展示預測模型在歷史序列上的預測測試結果，用于校驗模型的可信度。預測模型測試結果圖見圖6。圖6中的“ground_truth”為測量值，“LSTM_8hf_DWH”為結合了8維隱變量及3張關聯圖譜的模型預測結果，“LSTM”為單個長短期記憶網的預測結果。使用可視化模塊可以直觀地對比模型性能的優劣。可視化系統還可展示風機表征向量的迭代過程。圖7為30號風機的12維表征向量迭代過程圖，其中縱坐標為參數值，橫坐標為迭代次數。此外，可視化系統可用于觀察距離關聯圖譜和風度關聯圖譜的連接結構（見圖3和圖4）。

3 結語

本文以SCADA數據集為基礎，研究了分布式風電場環境下單個渦輪風機發電預測和風場綜合功率預測的問題，旨在提出具有更高魯棒性和精準性的解決方案；根據設計方案構建了一套數字化預測系統，該系統針對單渦輪風機功率預測問題，采用基于隱變量空間嵌入的預測方法，利用空間嵌入技術挖掘并提取各發電設備的隱藏靜態特征，將其作為設備的標識，使單一預測模型能夠在區分不同設備特性的基礎上，對多個設備的發電量進行精確預測。針對風電場綜合功率預測問題，系統采用了基于時空關聯圖譜的預測方法。該方法首先分析風場數據集中的時空耦合關聯，識別出設備之間的距離相關性、風速波動相關性以及設備自身的歷史相關性。其次，根據這3種相關性構建了3張獨立的關聯圖譜，以從多個角度描述風電場內復雜的時空耦合關系。再次，運用多種聚合函數聚合各圖譜之間的鄰居節點信息，并結合設備表征向量，將結果拼接到時間序列上。最后，將拼接好的特征矩陣輸入預測模型進行訓練和預測。本文所提方法不僅具有良好的可解釋性和魯棒性，而且所設計的數字化系統在保證較高預測精度的同時，有效降低了計算復雜度，為相關領域的研究與實踐提供了參考。

4 參考文獻

［1］GWEC （Global Wind Energy Council）.Global Wind Report 2023［EB/OL］.［2023-4-29］.https：//gwec.net/global-wind-report-2023.

［2］PARSONS B，MILLIGAN M，ZAVADIL B，et al.Grid impacts of wind power：a summary of recent studies in the United States［J］.Wind Energy：An International Journal for Progress and Applications in Wind Power Conversion Technology，2004，7（2）：87-108.

［3］KARINIOTAKIS G N，STAVRAKAKIS G S，NOGARET E F.Wind power forecasting using advanced neural networks models［J］.IEEE Transactions on Energy Conversion，1996，11（4）：762-767.

［4］ACKERMANN T，S?DER L.Wind energy technology and current status：a review［J］.Renewable and Sustainable EnergyRreviews，2000，4（4）：315-374.

［5］LAI G K，CHANG W C，YANG Y M，et al.Modeling long-and short-term temporal patterns with deep neural networks［C］//The 41st International ACM SIGIR Conference on Research amp; Development in Information Retrieval，2018：95-104.

［6］ZENG A，CHEN M，ZHANG L，et al.Are transformers effective for time series forecasting？［C］//Proceedings of the AAAI Conference on Artificial Intelligence，2023，37（9）：11121-11128.

［7］GONG W Y，MEYER F J，LIU S Z，et al.Temporal filtering of InSAR data using statistical parameters from NWP models［J］.IEEE Transactions on Geoscience and Remote Sensing，2015，53（7）：4033-4044.

［8］PENG X H，CHENG K，LANG J X，et al.Short-Term Wind Power Prediction for Wind Farm Clusters Based on SFFS Feature Selection and BLSTM deep learning［J］.Energies，2021，14（7）：1894.

［9］YU G Z，LIU C Q，TANG B，et al.Short term wind power prediction for regional wind farms based on spatial-temporal characteristic distribution［J］.Renewable Energy，2022，199：599-612.

［10］GENG X L，XU L Y，HE X Y，et al.Graph optimization neural network with spatio-temporal correlation learning for multi-node offshore wind speed forecasting［J］.Renewable Energy，2021，180：1014-1025.

［11］KHODAYAR M，WANG J H.Spatio-temporal graph deep neural network for short-term wind speed forecasting［J］.IEEE Transactions on Sustainable Energy，2018，10（2）：670-681.

*湖南省自然科學基金項目“基于可信聯邦學習的大型工業裝備故障診斷方法研究”（2024JJ7091）；湖南省自然科學基金項目“基于時空特征學習的異質多元時間序列異常檢測方法研究”（2024JJ7092）。

【作者簡介】徐軻，男，江蘇鹽城人，在讀碩士研究生，研究方向：風電功率預測；孫元昊，男，河南南陽人，在讀碩士研究生，研究方向：工業智能；馬俊杰，男，湖南長沙人，博士，講師，研究方向：工業智能；詹俊，男，湖南益陽人，博士，講師，研究方向：工業數據分析。

【引用本文】徐軻，孫元昊，馬俊杰，等.基于深度學習的風電場功率預測系統的設計與實現［J］.企業科技與發展，2024（6）：99-102.