基于信息調控和MATCN的超短期風電功率多步預測

摘 "要： 對波動的風電功率進行有效預測，是電網供需平衡、系統穩定運行的重要保障。為此，提出一種基于信息調控和MATCN的超短期風電功率多步預測方法。利用現有數據衍生出高階項與交互項，提升特征序列數量與有效特征占比。針對復雜的風電數據結構，使用變分模態分解（VMD）將其拆分，根據子序列相關性和方差貢獻率的計算結果保留重要序列分量，其余分量進行聚合，降低計算負擔，縮短訓練時間。隨后，引入注意力機制構造多頭注意力時間卷積網絡（MATCN），通過注意力得分調整網絡內部卷積單元之間的傳遞信息，實現模型對各序列分量的預測。最后，重構序列分量預測值，得到最終的輸出結果。在實例數據上對所提模型進行對比驗證，結果表明，該模型在不同步幅下均具有較好的預測效果。

關鍵詞： 風電功率； 多步預測； 變分模態分解； 多頭注意力時間卷積網絡； 注意力機制； 信息調控

中圖分類號： TN911.23?34； TM614 " " " " " " " " " 文獻標識碼： A " " " " " " " " "文章編號： 1004?373X（2024）18?0001?07

Ultra?short?term wind power multi?step forecasting based on information

regulation and MATCN

CHEN Lei1， 2， HUANG Kaiyang1， 2， ZHANG Yi1， 2， CHEN Yu1， 2， ZHANG Zhirui1， 2， YIN Zhennan1， 2

（1. College of Electrical Engineering， North China University of Science and Technology， Tangshan 063210， China;

2. Hebei Wind?Solor?Hydrogen?Storage System Security Monitoring and Intelligent Operation Center of Technology Innovation， Tangshan 063210， China）

Abstract： The effective forecasting of fluctuating wind power is an important guarantee for the balance of power supply and demand and the stable operation of the system. Therefore， a method of ultra?short?term wind power multi?step forecasting based on information regulation and multi?head attention temporal convolution network （MATCN） is proposed. High?order items and interactive items are derived from the existing data to increase the proportion of the number of feature sequences and effective features. The variational mode decomposition （VMD） is used to split the complex wind power data structure， the important sequence components are retained according to the calculation results of sub?sequence correlation and variance contribution rate， and other components are aggregated to reduce the calculation burden， and shorter training time. attention mechanism is introduced to construct the MATCN， and the transmitted information between convolution units within the network is adjusted by the attention score， so as to realize the prediction of each sequence component of the model. The sequence component prediction values are reconstructed to obtain the final output result. The proposed model is compared and verified on example data， and the results show that the model has excellent prediction effects under different strides.

Keywords： wind power; multi?step forecasting; variational mode decomposition; multi?head attention temporal convolution network; attention mechanism; information regulation

0 "引 "言

風力發電作為可再生能源的重要組成部分，在全球能源轉型中扮演著愈發重要的角色，但其波動的特點易導致電力系統不穩定、平衡失調等問題。有效的風電功率預測可以優化風電場的運行計劃，平衡電網供需，確保電力系統穩定運行，對推動清潔能源發展具有重要意義[1?4]。

風電功率預測包括基于統計、物理模型和人工智能等多種方法。統計方法利用歷史數據建立模型，物理模型考慮風場、風機和地形等因素，而人工智能方法則借助機器學習和深度學習技術，具有高度自適應性和準確性，能夠有效應對復雜多變的風電場景，為風電產業提供了重要的預測支持[5?6]。文獻[7]提出一種混合模型，通過優化算法與神經網絡結合的方式尋找最優參數，從而提高模型性能。不過此模型對于復雜情況下雜亂的信息內容缺少處理手段，有效內容與噪聲的混疊使得信息提取變得困難。文獻[8]中以VMD?LSTM模型為主體，將數據分解后輸入模型中進行學習，對雜亂的數據信息有很好的應對能力。然而該方法存在分解數據后產生大量序列分量的問題，雖然提升了預測能力，但是計算負擔也大幅提升。文獻[9]對分解后的多個分量進行觀察判斷，保留了趨勢特征、波動特征兩個明顯的子序列，合并了其余序列，有效地降低了子序列數量。這一方法并沒有對子序列進行深入的計算、分析，部分趨勢、波動不顯著但是含有重要細節特征的序列被合并，導致信息被掩埋。文獻[10]通過CNN?LSTM模型對數據中的時空特征進行提取，并將其重構為時間序列進行預測，預測效果得到增強。但是，該模型內部結構模塊間傳遞的信息沒有經過強調處理，信息的準確性和完整度不足。

針對上述問題，本文首先通過特征衍生創造出新的特征序列，提升特征總數與有效特征占比。同時，以變分模態分解（Variational Mode Decomposition， VMD）拆分原有序列信息，根據各序列分量的相關性以及方差貢獻率保留重要的分量，其余分量按重要程度的不同進行聚合，有效降低計算量與訓練時間的同時保留了關鍵信息。隨后，本文提出一種多頭注意力時間卷積網絡（Multi?head Attention Temporal Convolution Network， MATCN），在基礎模型的卷積單元之間加入多頭注意力機制對信息權重進行調控，能夠更為準確地在模型內部進行數據信息的傳遞。通過在實例數據上的實驗分析，驗證了本文方法能夠有效地提升風電功率預測精度，有著更好的穩定性和預測效果。

1 "信息調控

1.1 "特征衍生

面對特征數據有限或有效部分占比較低的情況，缺乏恰當的應對方法將對目標功率的預測效果產生不利影響。文中提出一種特征衍生方法，以現有特征信息為基礎衍生出高階特征與交互特征，增加特征數量并提升有效特征的比重。高階特征的生成可以捕捉數據間復雜的非線性關系。考慮到特征之間存在相互作用，交互特征以組合的方式生成特征，更好地表示與目標變量之間的關系。以[A、B、C]表示現有特征信息，[aijk]為系數，[i、j、k]為特征次數，則特征衍生方法公式如下：

[f（A，B，C）=i，j，kaijkAiBjCk] （1）

1.2 "變分模態分解

VMD通過交替優化來尋找能夠最佳擬合原始信號的模態函數組合，各模態函數擁有相對原始信號更為簡單且規律的變化模式，能夠有效降低模型對其學習理解的難度。

通過求解如下約束變分問題得到局部模態函數的最優估計，即最佳分解結果。

[min{uk}，{ωk}k?tδt+jπt·ukte-jωkt22s.t. " "kuk=f] （2）

式中：各模式及中心頻率分別為[uk={u1，u2，…，uK}]與[ωk={ω1，ω2，…，ωK}]，K為模態數[11]。

2 "預測模型設計

2.1 "多頭注意力機制（MA）

MA方法是針對注意力機制計算復雜度隨序列長度增加而增長的問題改進而來，引入多個注意力頭，把輸入信息拆分為多個子信息塊，通過不同的參數矩陣將子塊信息映射到對應空間進行學習，從多角度同時捕獲數據內部依賴關系[12]。信息處理流程如圖1所示（以3個注意力頭為例）。

各頭注意力分數計算公式如下：

[hi=softmaxQWQi（KWKi）TdkVWVi] （3）

式中：Q、K、V分別為對應查詢、鍵、值三個不同的矩陣，其對應參數矩陣為[WQi]、[WKi]、[WVi]；[dk]為伸縮比；[softmax]（[·]）為權重歸一化。

多頭注意力機制計算方法如下：

[MA（Q，K，V）=Concat（h1，h2，…，hH）W0] " " （4）

式中：[W0]為輸出權重矩陣；[H]表示注意力頭個數；[Concat（·）]表示多頭輸出拼接。

2.2 "時間卷積網絡（TCN）

TCN的基礎結構如圖2所示。TCN采用雙層卷積單元堆疊并輔以殘差連接而來[13?14]。各卷積單元使用一維擴張因果卷積來捕捉數據特征；隨后歸一化卷積層權重，使其擁有更為穩定的參數分布，通過ReLU函數引入非線性變化，提升表示能力；最后結合Dropout層削弱網絡的過擬合現象。

擴張因果卷積結構[15]如圖3所示（擴張因子[d]=[1，2，4]，核大小[k]=3）。

以[F=（f1，f2，…，fK）]為卷積核，[xt]處序列[X]的因果卷積如式（5）所示；以[d]為擴張因子，[k]為核大小，則[xt]處擴張卷積如式（6）所示。

[（F?X）（xi）=k=1Kfkxt-K+k] （5）

[F（s）=（x?df）（s）=i=0k-1f（i）·xs-d?i] （6）

為解決層級堆疊造成有效信息的缺失與模糊化問題，引入殘差連接，允許輸入數據更快速地流向后續層級，促進信息的流動，計算方法如下：

[o=Activation（X+F（X））] （7）

式中：[o]為輸出信息；[Activation]為激活函數；[F（X）]為卷積操作結果。

2.3 "MATCN

多頭注意力機制本質上可以理解為并行地對輸入信息進行權重分配，增加重要信息在整體中的占比。將其加入到TCN結構中兩層卷積單元之間，形成MATCN結構，對上一卷積單元輸出信息進行權重調整，使得下一卷積單元能夠更好地關注其中的關鍵信息。詳細結構如圖4所示。

數據信息處理過程如下。

1） 數據輸入。特征與功率數據組成[N×M]的輸入結構，輸入到MATCN模型中，進一步處理數據信息。

2） MATCN。輸入的信息首先通過第一個卷積單元，由一維擴張因果卷積處理后，通過權值歸一化、ReLU激活函數以及Dropout層輸入至MA層；然后，MA對輸入信息計算注意力得分，根據結果對信息進行權重調整，提高對重要信息的關注程度，處理結果傳遞給第二個卷積單元；在接收到被調整的數據信息后，第二個卷積單元對其重復第一個卷積單元的操作；最后將前一步驟中得到的輸出與殘差連接傳輸的信息結合，得到MATCN的輸出。

3） 數據輸出。通過全連接層對信息矩陣進行映射變換，輸出目標結果。

3 "預測流程與效果評估

3.1 "預測流程

根據前文內容搭建了基于信息調控和MATCN的超短期風電功率多步預測模型。整體運行流程如圖5所示。

模型預測具體步驟如下。

1） 數據集經異常值剔除、缺失值填補等操作后得到實驗數據。

2） 信息調控。首先，使用特征衍生的方式處理實驗數據，以現有特征數據為基礎生成高階特征與交互特征，與原氣象特征一起構造新的特征信息矩陣；然后，功率數據經VMD模型處理后得到多個序列分量，計算各分量的Pearson相關系數以及方差貢獻率；最后結合計算結果分析，將多個序列分量調整為主導序列、顯著序列、次要序列以及輔助序列四部分。

3） 各序列以及特征信息矩陣輸入至MATCN模型，其中80%作為訓練量，剩下的數據以1∶1比例進行驗證與測試。

4） 各序列模型輸出信息經重構操作后得到預測結果。

3.2 "效果評估

文中對不同的預測模型進行了對比分析，各模型的效果以平均絕對誤差（[ξMAE]）、均方根誤差（[ξRMSE]）、決定系數（[ξR2]）作為量化指標進行評估，公式如下：

[ξMAE=1ng=1ny'g-yg] （8）

[ξRMSE=1ng=1ny'g-yg2] （9）

[ξR2=1-g=1nyg-y'g2g=1nyg-yg2×100%] （10）

式中：[n]為預測數據量；[yg]為g時刻實際功率；[y'g]為g時刻預測功率。

4 "實例分析

4.1 "實驗數據

本文所用數據為國家電網相關競賽數據[16]，由Chen Yongbao等人在Figshare網站上傳。文中所用部分采集于2020年，包含不同高度的風力信息與地面1.5 m處的環境信息，詳情如表1所示。

4.2 "信息調控

4.2.1 "特征衍生

為檢驗特征衍生的效果，通過Pearson方法對文中數據特征與輸出功率之間的關聯性進行計算。計算結果以0.2為界限，小于0.2的特征認定為無關特征，不再參與信息矩陣的構造。

特征衍生前后數據構成如表2所示。通過表2可以觀察到，特征衍生顯著地增加了特征序列的數量，更多的新特征被創建出來，能夠更好地表示數據中的非線性關系和交互作用。在提高有效特征占比方面也發揮了積極作用。特征衍生前后有效特征序列由總量的36.36%提升至53.85%，更深層次地對數據進行理解，發現并利用了數據中更多的有用信息。

4.2.2 "序列重構

風電數據序列可以視為多個不同頻率信息的集合，各成分的混合疊加與相互作用使得數據結構變得復雜。使用VMD將各成分進行分離處理，通過不同序列分量的中心頻率增幅確定K值。對比表3數據，K固定的情況下分量中心頻率增長50%以下時認定為已過度分解。當K=9時，IMF6、IMF7、IMF8之間的中心頻率增幅不足，因此K取8。原始信號分解為IMF1～IMF8與殘差項，如圖6所示。

為了進一步簡化數據，保留主要的信息，計算各序列分量的Pearson相關性以及方差貢獻率，以此作為子序列調整依據。計算結果如表4所示。

表4中：IMF8、IMF7的指標明顯高于其余序列分量，表明其包含重要信息，預測的精度將極大地影響最終結果；IMF4～IMF6重要性相對較低；IMF1～IMF3以及Res對結果的影響最弱。因此對序列分量進行如下調整：IMF1～IMF3與Res調整為輔助序列S1，IMF4～IMF6調整為次要序列S2，IMF7、IMF8分別對應顯著序列S3與主導序列S4。

調整前后對模型的影響效果如圖7所示。從圖中可以觀察到，這一處理方式有效地縮短了模型整體的訓練時間T，并減少了訓練過程中可學習的參數量N，與調整前相比T與N均降低50%以上。雖然輔助序列和次要序列的合并過程損失了部分信息，使得調整后決定系數[ξR2]略有降低，但并未出現顯著的差異，預測性能相對穩定。考慮到計算效率與預測性能之間的平衡，使用此方法以較小的精度犧牲來換取計算效率大幅提升是十分可取的。

4.3 "模型在實際應用中的效果對比

采用容量為200 MW的數據集FS1，在真實數據上對目標模型進行單步（15 min）、雙步（30 min）、四步（60 min）、八步（120 min）預測效果的比對驗證。本文模型不同步幅下的預測結果如圖8所示，各模型性能表現評價如表5所示。

結合圖8與表5分析，本文模型對FS1實現了不同步幅下的有效預測。單步、雙步的決定系數均位于0.99以上，單步步幅下，本文模型表現出了出色的預測準確性，對數據變化具有良好的捕捉能力；雙步步幅下依舊有著可靠的表現，雖然與實際值的偏差有所增加，但仍具備較高的預測精度。步幅延長至四步、八步，決定系數位于0.95左右，模型精度受到一定影響，不過依舊擁有對數據信息的解釋能力。

相比于其他模型，本文模型在不同的步幅上均具有較好的預測效果，誤差評價指標[ξMAE]與[ξRMSE]位于最低水平，與實際觀測值差異較小，具有較高的預測精度；擬合指標[ξR2]明顯高于其他模型，具有優秀的擬合能力，能夠更好地解釋預測結果與觀測值之間的變異性。

計算不同步幅下本文模型與對比模型之間誤差評價指標的變化幅度，結果對比如圖9所示。可以觀察到，本文模型在不同步幅下誤差評價指標相較于對比模型均有所降低，單步時[ξMAE]降幅為19%～32%，[ξRMSE]降幅為27%～43%；雙步時[ξMAE]降幅為21%～42%，[ξRMSE]降幅為28%～51%；四步時[ξMAE]降幅為20%～40%，[ξRMSE]降幅為21%～45%；八步時[ξMAE]降幅為10%～37%，[ξRMSE]降幅為7%～36%。綜上，本文模型在誤差評價指標[ξMAE]、[ξRMSE]上優勢明顯，平均預測誤差以及整體偏差均最小，擁有更好的預測表現。

5 "結 "論

為更精確有效地對風電功率進行預測，本文提出一種基于信息調控和MATCN的超短期風電功率多步預測方法，經實驗驗證結論如下。

1） 使用信息調控方法處理數據是必要的：特征衍生利用高階項和交互項的生成，顯著增加了特征信息序列的數目與有效特征占比；序列重構利用VMD拆分數據，保留序列相關性及方差貢獻率計算結果高的子序列，其余序列按重要程度聚合，有效降低計算量與訓練時間的同時避免了關鍵信息的丟失。

2） 在傳統TCN結構內部的兩個卷積單元之間加入多頭注意力機制，構造MATCN結構。MATCN各卷積單元之間信息傳遞時，能夠根據注意力得分調整信息權重，使之更為準確。下級卷積單元可以更好地關注重要信息，有效地提升了預測的準確性。

3） 經實驗分析表明，文中各模型預測過程中，隨著步幅的增加，預測的精度呈下降趨勢；而文中所提模型與之對比性能優勢明顯，即該模型對風電功率有著更好的預測效果。

參考文獻

[1] 劉瑤，周雨豪，郭澤宇，等.考慮風電不確定性的風儲電站主動參與電網調壓控制策略研究[J/OL].現代電力：1?10[2024?04?26].https：//doi.org/10.19725/j.cnki.1007?2322.2023.0184.

[2] LIU Z H， WANG C T， WEI H L， et al. A wavelet?LSTM model for short?term wind power forecasting using wind farm SCADA data [J]. Expert systems with applications， 2024， 247： 123237.

[3] 趙熙臨，龔楚峰，付波.一種風電場經VSC?HVDC并網的VSG變參數負荷頻率控制策略[J].高電壓技術，2024，50（1）：117?126.

[4] YU G Z， LU L， TANG B， et al. Ultra?short?term wind power subsection forecasting method based on extreme weather [J]. IEEE transactions on power systems， 2022， 32： 557.

[5] LIU Z F， LIU Y Y， CHEN X R， et al. A novel deep learning?based evolutionary model with potential attention and memory decay?enhancement strategy for short?term wind power point?interval forecasting [J]. Applied energy， 2024， 360： 122785.

[6] XIONG B， LOU L， MENG X， et al. Short?term wind power forecasting based on attention mechanism and deep learning [J]. Electric power systems research， 2022， 206： 107776.

[7] 趙全明，李珂，王笑歡，等.基于SSA?GRU神經網絡的超短期風電功率預測[J].傳感器與微系統，2023，42（11）：151?155.

[8] 史加榮，趙丹夢，王琳華，等.基于RR?VMD?LSTM的短期風電功率預測[J].電力系統保護與控制，2021，49（21）：63?70.

[9] HAN L， ZHANG R， WANG X， et al. Multi‐step wind power forecast based on VMD‐LSTM [J]. IET renewable power generation， 2019， 13（10）： 1690?1700.

[10] WU Q， GUAN F， Lü C， et al. Ultra‐short‐term multi‐step wind power forecasting based on CNN‐LSTM [J]. IET renewable power generation， 2021， 15（5）： 1019?1029.

[11] DRAGOMIRETSKIY K， ZOSSO D. Variational mode decom?position [J]. IEEE transactions on signal processing， 2013， 62（3）： 531?544.

[12] VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need [C]// Advances in Neural Information Processing Systems. [S.l.]： ACM， 2017： 5998?6008.

[13] XIANG L， LIU J， YANG X， et al. Ultra?short term wind power prediction applying a novel model named SATCN?LSTM [J]. Energy conversion and management， 2022， 252： 115036.

[14] LIU S， XU T， DU X， et al. A hybrid deep learning model based on parallel architecture TCN?LSTM with Savitzky?Golay filter for wind power prediction [J]. Energy conversion and management， 2024， 302： 118122.

[15] BAI S， KOLTER J Z， KOLTUN V. An empirical evaluation of generic convolutional and recurrent networks for sequence modeling [EB/OL]. [2023?04?17]. https：//blog.csdn.net/m0_51324446/article/details/122839155.

[16] CHEN Y， XU J. Solar and wind power data from the Chinese state grid renewable energy generation forecasting competition [J]. Scientific data， 2022， 9（1）： 577.