基于时序分解与状态空间模型的风力发电预测.pdfVIP

电气技术与经济／研究与开发

基于时序分解与状态空间模型的风力发电预测

许嘉龙

（南京工程学院电力工程学院）

摘要：随着可再生能源的快速发展，风力发电在全球电力系统中的地位愈发重要。为有效应对天气

变化带来的功率波动，提高电网运行的可靠性，本文提出了一种基于时序分解与状态空间模型的风力

发电预测方法。首先，以ＴｉｍｅＭｉｘｅｒ为基础框架，将风力发电时间序列通过平均下采样生成多尺度样本

序列并将多尺度序列分解为趋势项和季节项。接着，在编码器中利用状态空间模型对每个尺度的序列

进行特征提取，从而捕捉时序数据的动态特性与不确定性。最后通过交叉注意力机制将各个尺度的趋

势项和季节项进行特征融合，从而提升模型对序列数据局部全局特征的感知能力。在某地风力发电数

据集上选取６个具有代表性的与先进的人工智能预测算法进行了对比实验。实验结果表明，本文方法

在预测精度和稳健性方面相较于对比算法有显著提升，预测功率的绝对平均误差（ＭＡＥ）和均方误差

（ＭＳＥ）分别降低至０３１和０１６。同时，通过消融分析验证了所提出状态空间模型与交叉注意力对于提

升模型性能的贡献。

关键词：风力发电预测；时间序列分析；人工智能；深度学习；状态空间模型；注意力机制

０引言条件复杂的区域，物理模型的预测效果往往不够理

随着全球对清洁能源需求的不断增加，风力发电想。此外，物理模型对计算资源的需求较高，难以适

因其环保、可再生和经济等优势，逐渐成为各国优化应实时风电预测的要求。相比之下，统计模型如自回

［１］归移动平均模型（ＡＲＩＭＡ）、指数平滑模型和季节性

能源结构、实现碳中和目标的重要组成部分。相比

传统化石燃料发电，风力发电不会产生温室气体和其分解模型等，采用历史数据来进行建模，通过捕捉时

他有害排放物，因而对环境更为友好。然而，由于地间序列中的趋势和周期性来实现风电预测。统计模型

理和气候条件的因素，风速具有高度的随机性和波动在风电短期预测中表现出较强的适用性，尤其在数据

性，使得风力发电在输出功率方面呈现显著的波动平稳性较强的情况下能够取得较好的预测效果。然

性。具体而言，风速具有高度的随机性和波动性，随而，风力发电的功率输出具有高度非线性和复杂的动

着时间、地域、季节的不同而呈现出复杂的非线性变态变化特性，传统的统计模型通常依赖线性假设，难

化。这种波动性导致风力发电的功率输出不可预测且以充分挖掘风速数据中的非线性特征。

不平稳，给电力系统的调度和负荷管理带来了极大的物理模型和统计模型在风电预测中的应用效果具

挑战［２］。一方面，风速波动带来的功率不确定性可能有局限性，难以有效应对风速数据的非平稳性和非线

导致电网频率和电压的波动，从而威胁电网的稳定性性特征。近年来，人工智能尤其是深度学习技术的迅

和供电安全；另一方面，风力发电的随机性要求电网速发展，为风力发电预测带来了新的机遇。深度学习

运营商配置大量的备用电源来平衡供需，增加了电网模型能够从大量的历史数据中自动学习复杂的非线性

的运营成本。因此，为了实现高效、可靠的风力发电关系，从而在风电预测中展现出较强的表现力［４］。然

并网，精准的风力发电预测对于电网的安全性和高效而，传统的深度学习方法，如长短期记忆网络

运行至关重要。（ＬＳＴＭ）和门控循环单元（ＧＲＵ），尽管在时间序列

传统的风力发电预测方法主要包括物理模型和统建模上取得了显著进展，但它们在长时间依赖建模和

［３］