摘要：當前，數(shù)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(tài)采樣數(shù)據(jù)，而忽略了風電場固有的時空關聯(lián)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(qū)別，為單臺風機的精準化功率預測提供數(shù)據(jù)支撐；在風電場綜合功率預測方面，采用關聯(lián)圖譜記錄風電場內(nèi)多維度的時空關聯(lián)特征，并有效聚合鄰居節(jié)點信息，以此向預測模型提供有效特征?；谏鲜龉β暑A測方法，設計并實現(xiàn)的這套高效的風電場功率預測系統(tǒng)，有助于推動風電預測技術的進一步發(fā)展與應用。

關鍵詞：風電功率預測；智能預測系統(tǒng)；數(shù)字化轉(zhuǎn)型；長短期記憶網(wǎng)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(jié)構中的占比顯著增長，其中風力發(fā)電技術被認為是當前世界上發(fā)展前景廣闊的新能源技術。全球風能理事會（GWEC）的統(tǒng)計數(shù)據(jù)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(zhì)導致風電場輸出功率不穩(wěn)定，這不僅為儲能設備帶來額外負擔，還可能對電網(wǎng)供電的可靠性帶來不利影響［2］。在電力控制系統(tǒng)中集成高效的風力發(fā)電預測模塊可以有效降低運營成本，并顯著提升風力發(fā)電系統(tǒng)的可信度和穩(wěn)定性［3］。研究表明，如果風速預測精度能提高10%，則風力發(fā)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(jīng)網(wǎng)絡法和特征工程法兩大類別。在神經(jīng)網(wǎng)絡的應用中，預測模型常由多種網(wǎng)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(jié)）與短期（如云層變動、風向）因素對風電功率的影響，并據(jù)此提出了融合卷積神經(jīng)網(wǎng)絡的長短期時間序列網(wǎng)絡（LSTNet）。鑒于Transformer網(wǎng)絡在自然語言處理領域的優(yōu)越表現(xiàn)，研究者們已將其拓展至時序預測領域，開發(fā)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(xiàn)有方法關注動態(tài)特征的挖掘。數(shù)值天氣預報（NWP）作為系統(tǒng)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(tài)時序數(shù)據(jù)中篩選有效特征，以將龐大的輸入數(shù)據(jù)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(jīng)網(wǎng)絡相結(jié)合的方法學習區(qū)域風電場潛在的時空依賴關系，該方法適用于天氣狀況穩(wěn)定的環(huán)境，而在極端天氣環(huán)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(yōu)解，但是卻存在結(jié)果不確定及難以處理大規(guī)模訓練數(shù)據(jù)的問題。針對風電場中風機節(jié)點之間復雜的時空特征學習，雖引入了擅長處理圖狀結(jié)構數(shù)據(jù)的圖神經(jīng)網(wǎng)絡（GNN）被引用，然而在風場內(nèi)渦輪風機設備數(shù)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(xiàn)有研究多關注模型架構的優(yōu)化和動態(tài)數(shù)據(jù)特征的高效提取，忽略了靜態(tài)特征和風電場內(nèi)穩(wěn)定的時空耦合關聯(lián)對風機功率的影響。本文設計的數(shù)字化智能預測系統(tǒng)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(lián)圖譜描述風電場內(nèi)的時空關聯(lián)耦合。在預測模塊，該系統(tǒng)將歷史數(shù)據(jù)與這些表征向量相拼接，共同輸入神經(jīng)網(wǎng)絡進行預測。

1 系統(tǒng)設計

1.1 系統(tǒng)開發(fā)環(huán)境

（1）軟件環(huán)境。本系統(tǒng)運行于Windows 10操作系統(tǒng)，開發(fā)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(huán)境。用于神經(jīng)網(wǎng)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(nèi)存、4 TB機械硬盤存儲。用于開發(fā)和調(diào)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(nèi)存、1 TB 硬盤存儲。

1.2 系統(tǒng)功能設計

本文設計的系統(tǒng)架構主要包含以下4個層級：對數(shù)據(jù)進行預處理的預處理層、訓練神經(jīng)網(wǎng)絡模型的預訓練層、維護圖譜和進行功率預測的核心業(yè)務層、對數(shù)據(jù)進行分析和挖掘的可視化層。系統(tǒng)總體架構圖見圖1。

（1）預處理層。負責從數(shù)據(jù)采集與監(jiān)控系統(tǒng)（SCADA）中獲取數(shù)據(jù)，執(zhí)行數(shù)據(jù)清洗、格式轉(zhuǎn)換及歸一化處理，使數(shù)據(jù)轉(zhuǎn)化為方便神經(jīng)網(wǎng)絡訓練的格式。

（2）預訓練層。該層的主要業(yè)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(nèi)的多種時空關聯(lián)耦合，并據(jù)此構建關聯(lián)圖譜；三是訓練預測模型。

（3）核心業(yè)務層。功率預測是系統(tǒng)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(nèi)有效的時空特征，因此圖譜維護也屬于本層的內(nèi)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(shù)據(jù)。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(jié)果（如時空圖譜的連接結(jié)構）以及未來的功率預測數(shù)據(jù)。

2 系統(tǒng)實現(xiàn)

2.1 數(shù)據(jù)處理子系統(tǒng)

系統(tǒng)數(shù)據(jù)來自SCADA采集系統(tǒng)，數(shù)據(jù)屬性視具體場景而異，常見的采樣數(shù)據(jù)包括有功功率（目標變量）、無功功率、風速、風向、環(huán)境溫度、時間戳及葉片漿距角等。原始數(shù)據(jù)必須經(jīng)預處理后才能適配神經(jīng)網(wǎng)絡訓練，原因如下。

（1）部分數(shù)據(jù)的格式并非連續(xù)數(shù)值型數(shù)據(jù)（如時間戳數(shù)據(jù)），神經(jīng)網(wǎng)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(jié)果差距太大，大幅降低了神經(jīng)網(wǎng)絡訓練速度。

（3）SCADA采樣系統(tǒng)得到的數(shù)據(jù)可能存在缺失值，因此需對數(shù)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(shù)據(jù)處理子系統(tǒng)負責對原始數(shù)據(jù)進行加工，確保神經(jīng)網(wǎng)絡從數(shù)據(jù)中挖掘出有效的特征進行預測。優(yōu)化數(shù)據(jù)處理子系統(tǒng)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(tài)特征信息，因此刪除該特征。

（2）刪除運行天數(shù)特征。該特征用于標識數(shù)據(jù)之間的順序關系，然而循環(huán)神經(jīng)網(wǎng)絡具備時序建模能力，并且測試集和驗證集中的數(shù)據(jù)屬于未來數(shù)據(jù)，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(shù)值維度，以便識別發(fā)電功率與日內(nèi)時間變化的關聯(lián)性。

2.2 風機功率預測子系統(tǒng)

為了大幅減少模型參數(shù)量，采用風機功率預測子系統(tǒng)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(shù)據(jù)區(qū)分設備特性及鑒別功率波動模式的問題，本系統(tǒng)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(fā)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(shù)據(jù)拼接：在預訓練任務過程中，將風機設備的歷史功率波動數(shù)據(jù)與空白時間步進行拼接，以確保長短期記憶網(wǎng)絡輸出數(shù)據(jù)的形狀匹配任務需求。具體空白時間步的個數(shù)取決于預測的時長。

（3）聯(lián)合優(yōu)化：在優(yōu)化預訓練模型參數(shù)時，采用梯度下降算法同時迭代更新模型參數(shù)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(zhì)，能夠反映風機設備的固有屬性及統(tǒng)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(shù)據(jù)拼接環(huán)節(jié)，由于表征向量為一維數(shù)據(jù)，而時間步數(shù)據(jù)為二維數(shù)據(jù)，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(shù)據(jù)與設備表征向量源自同一風機設備。數(shù)據(jù)拼接過程見圖2。激活LeakyRelu函數(shù)和一層線性層后，長短期記憶網(wǎng)絡的輸出結(jié)果即預測功率。

2.3 風電場綜合功率預測子系統(tǒng)

風電場綜合功率的預測需要綜合考慮風場內(nèi)錯綜復雜的時空關聯(lián)。風電場綜合功率預測子系統(tǒng)運用圖狀結(jié)構模型，多方位地描述時空耦合關系，并結(jié)合多種聚合函數(shù)提取鄰域關聯(lián)特征用于輔助預測。數(shù)據(jù)分析提示了風電場內(nèi)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(xiàn)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(wěn)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(xiàn)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(fā)現(xiàn)，本系統(tǒng)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(lián)關系。以龍源電力公司的動態(tài)風電數(shù)據(jù)集為例，圖3和圖4分別展示了基于該數(shù)據(jù)集構造的風速關聯(lián)圖譜連接結(jié)構與距離關聯(lián)圖譜連接結(jié)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(tǒng)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(shù)據(jù)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(nèi)時空耦合關系的圖結(jié)構數(shù)據(jù)轉(zhuǎn)換為神經(jīng)網(wǎng)絡可處理的數(shù)值化格式。本系統(tǒng)采用5種聚合函數(shù)從圖結(jié)構中提取數(shù)據(jù)，這5種函數(shù)分別是均值函數(shù)（Mean）、最大值函數(shù)（Max）、最小值函數(shù)（Min）、標準差函數(shù)（Std）和中值函數(shù)（Mid）。圖5為數(shù)據(jù)拼接結(jié)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(fā)式信息，因此在圖5中關于歷史關聯(lián)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(shù)據(jù)。

2.4 可視子系統(tǒng)

在可視子系統(tǒng)展示預測模型在歷史序列上的預測測試結(jié)果，用于校驗模型的可信度。預測模型測試結(jié)果圖見圖6。圖6中的“ground_truth”為測量值，“LSTM_8hf_DWH”為結(jié)合了8維隱變量及3張關聯(lián)圖譜的模型預測結(jié)果，“LSTM”為單個長短期記憶網(wǎng)的預測結(jié)果。使用可視化模塊可以直觀地對比模型性能的優(yōu)劣?？梢暬到y(tǒng)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(shù)值，橫坐標為迭代次數(shù)。此外，可視化系統(tǒng)可用于觀察距離關聯(lián)圖譜和風度關聯(lián)圖譜的連接結(jié)構（見圖3和圖4）。

3 結(jié)語

本文以SCADA數(shù)據(jù)集為基礎，研究了分布式風電場環(huán)境下單個渦輪風機發(fā)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(jù)設計方案構建了一套數(shù)字化預測系統(tǒng)，該系統(tǒng)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(fā)電設備的隱藏靜態(tài)特征，將其作為設備的標識，使單一預測模型能夠在區(qū)分不同設備特性的基礎上，對多個設備的發(fā)電量進行精確預測。針對風電場綜合功率預測問題，系統(tǒng)采用了基于時空關聯(lián)圖譜的預測方法。該方法首先分析風場數(shù)據(jù)集中的時空耦合關聯(lián)，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(jù)這3種相關性構建了3張獨立的關聯(lián)圖譜，以從多個角度描述風電場內(nèi)復雜的時空耦合關系。再次，運用多種聚合函數(shù)聚合各圖譜之間的鄰居節(jié)點信息，并結(jié)合設備表征向量，將結(jié)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(shù)字化系統(tǒng)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(lián)邦學習的大型工業(yè)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(zhì)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(yè)智能；馬俊杰，男，湖南長沙人，博士，講師，研究方向：工業(yè)智能；詹俊，男，湖南益陽人，博士，講師，研究方向：工業(yè)數(shù)據(jù)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(tǒng)的設計與實現(xiàn)［J］.企業(yè)科技與發(fā)展，2024（6）：99-102.