基于空間相關(guān)和Informer網(wǎng)絡(luò)的風(fēng)電功率預(yù)測方法

關(guān)鍵詞：空間表征；功率預(yù)測；Informer網(wǎng)絡(luò)；稀疏概率自注意力機制；深度學(xué)習(xí)

中圖分類號：TP391 文獻標識碼：A

文章編號：1009-3044（2024）25-0094-03

0 引言

風(fēng)電作為一種可再生的清潔能源，其技術(shù)相對成熟，是目前應(yīng)用最廣泛的新能源發(fā)電方式之一。截至2021年底，全球風(fēng)電累計裝機容量中陸上風(fēng)電占比超過93%，陸上風(fēng)電新增裝機容量占比超過77%[1]。但由于外在條件的間歇性和隨機性，風(fēng)電滲透率的快速增長對電力系統(tǒng)的調(diào)度和規(guī)劃提出了新的挑戰(zhàn)，因此對風(fēng)電場輸出功率進行準確的預(yù)測是降低風(fēng)電輸出功率不確定性的最有效手段，為大規(guī)模風(fēng)電的有效消納提供重要支撐。

風(fēng)電功率預(yù)測是一項具有挑戰(zhàn)性的任務(wù)，因為風(fēng)力發(fā)電受到與風(fēng)和環(huán)境相關(guān)的多種因素的影響，以及風(fēng)力渦輪機的物理條件和特性[2]。在過去的時間里，風(fēng)電功率預(yù)測技術(shù)取得了很大進步，例如，GO Kaya混合了經(jīng)驗?zāi)B(tài)分解（EMD） 和隨機森林回歸（RFR） 兩種算法，并在土耳其的真實風(fēng)電數(shù)據(jù)上進行了實驗[3]；Han L等[4]采用變分模態(tài)分解方法將風(fēng)電數(shù)據(jù)分解為3 個組成模態(tài)，并利用長短期記憶網(wǎng)絡(luò)深入學(xué)習(xí)這些模態(tài)的特征，提出一種變分模態(tài)分解長短期記憶（VMDLSTM）預(yù)測方法。近年來，人工智能方法以其高效性和良好的非線性學(xué)習(xí)能力在風(fēng)電功率預(yù)測領(lǐng)域受到越來越多的關(guān)注[5]。Li等[6]結(jié)合空間依賴性并通過門控遞歸單元（GRU） 來提取時間趨勢，提出了一種基于編碼器-解碼器結(jié)構(gòu)的風(fēng)力發(fā)電預(yù)測深度學(xué)習(xí)方法。

不同的方法在不同的測試場合中表現(xiàn)出各自的優(yōu)勢，上述方法雖然能夠擬合真實值，但通常缺乏對空間特征的考慮或?qū)r間序列依賴性處理不足。為了解決這些問題，本研究從空間和時間的維度出發(fā)，通過K近鄰算法融合來自周圍風(fēng)力渦輪機的數(shù)據(jù)以增強風(fēng)況知識，完善風(fēng)電功率預(yù)測的物理屬性。同時，引用Informer網(wǎng)絡(luò)模型解決模型對時間序列依賴性不足的問題，其中多頭概率稀疏自注意力機制使得模型能夠集中關(guān)注與當前時間步驟相關(guān)的輸入數(shù)據(jù)部分，從而減少對整個輸入序列的處理，提高計算效率和模型性能。

在時間維度上，對時間信息進行編碼，將每個時間點上的時間單位的值映射到區(qū)間上的標準化值。最終，將時間特征向量、空間特征、氣壓和風(fēng)向特征合并為歷史特征數(shù)據(jù)，并對其進行時間窗口劃分。

2.2 模型

預(yù)測模型結(jié)構(gòu)如圖1所示。為了使模型能夠更好地捕捉歷史特征數(shù)據(jù)與未來時刻輸出發(fā)電量之間的關(guān)系，將輸入的特征數(shù)據(jù)轉(zhuǎn)化為模型的特征嵌入向量。時間特征向量和屬性特征向量會分別經(jīng)過線性層和一維卷積層，被映射為與模型輸入和輸出維度相匹配的嵌入向量E， E；同時，屬性特征向量還會通過計算正弦和余弦函數(shù)的組合[8]來生成位置編碼向量E，最終合并這些向量以獲得模型的嵌入向量E。

Informer網(wǎng)絡(luò)模型[7]包括編碼器和解碼器兩個部分。編碼器負責(zé)捕捉歷史時間段內(nèi)的屬性特征，其中功率特征向量將作為解碼器的輸入。與傳統(tǒng)的注意力機制Q，K，V 矩陣計算不同，Informer的獨特之處在于其稀疏概率注意力機制，它通過與均勻分布進行比較，計算某一時刻與其所在時間區(qū)間內(nèi)其他時間點的相關(guān)性分布。差異越大，則該時間點在其所在的時間區(qū)間內(nèi)越相關(guān)，反之則越不相關(guān)。

在編碼器中，相鄰的注意力模塊之間采用了卷積與池化操作，以對特征進行下采樣。這是由于稀疏概率自注意力機制的特殊計算方法可能導(dǎo)致冗余的注意力分數(shù)，因此通過這種蒸餾操作來不斷捕捉重要特征。

對于Informer的解碼器，輸入序列的預(yù)測部分用0作為mask掩碼進行填充。對于概率稀疏注意力中對q 的填充方式，不同于編碼器使用V 的均值進行填充，解碼器采用累加求和的方式，以防止模型關(guān)注未來時刻的功率量。

為了使模型的預(yù)測序列與實際觀測序列盡可能接近，需要通過計算輸出值與實際值之間的誤差，使用反向傳播算法來調(diào)整網(wǎng)絡(luò)的參數(shù)。

3 實驗

在本節(jié)中，將說明所提出的模型在真實數(shù)據(jù)集上的表現(xiàn)。該數(shù)據(jù)集來源于位于巴西東北海岸的Be?beribe風(fēng)電場（UEBB） 。數(shù)據(jù)集包括從2013年8月至2014年7月32臺風(fēng)力發(fā)電機的SCADA數(shù)據(jù)，采樣間隔為10分鐘[9]。其中，70%作為訓(xùn)練集，30%作為測試集，預(yù)測結(jié)果將基于測試集進行評估。圖2展示了每臺風(fēng)機風(fēng)速特征之間的皮爾遜相關(guān)性系數(shù)矩陣，可以看出機組與機組之間存在一定的潛在聯(lián)系，這也為空間相關(guān)性分析做好了鋪墊。

基于該數(shù)據(jù)集，將所提出的模型Spatial-Informer 與原模型Informer進行了對比，以驗證空間特征的有效性。通過引入空間相關(guān)性特征，隨著近鄰機組數(shù)量的增加，預(yù)測結(jié)果的準確性有所提高，但如果近鄰機組數(shù)量k 選擇不合理，也會對預(yù)測結(jié)果的準確性造成影響。如圖3所示，當融合4個近鄰機組作為目標風(fēng)機的空間特征時，誤差達到了最低。這表明適當?shù)目臻g特征融合可以顯著提升模型的預(yù)測能力。

與經(jīng)典模型，包括GRU 和LSTM，進行了對比。表1展示了這些模型的性能比較。預(yù)測結(jié)果使用平均絕對誤差（MAE） 和均方根誤差（RMSE） 進行評估。

圖4展示了風(fēng)電場中1號風(fēng)機在某些時間段內(nèi)測試集上的表現(xiàn)，預(yù)測步長為24（4小時）。在圖中，紅色虛線表示真實值，綠色虛線表示沒有引入空間表征的Informer模型的預(yù)測值，藍色實線表示引入空間表征的Spatial-Informer模型的預(yù)測值?？梢钥闯觯c原先的Informer模型相比，Spatial-Informer模型的MAE降低了7.7%，RMSE降低了8.7%。這說明引入空間表征的Spatial-Informer模型在準確性上具有顯著提升，更好地捕捉了空間相關(guān)性，從而提高了預(yù)測性能。

4 結(jié)束語

在本次工作中，提出了一種基于空間相關(guān)性和In?former網(wǎng)絡(luò)模型的風(fēng)電功率預(yù)測方法。通過融合目標的近鄰屬性，并嵌入至Informer網(wǎng)絡(luò)模型中，該方法能夠有效集成空間特征和時間依賴性，更好地捕捉歷史特征數(shù)據(jù)與未來時刻輸出發(fā)電量之間的預(yù)測關(guān)系。與原Informer模型和經(jīng)典模型相比，該方法提高了預(yù)測精度。然而，在本次實驗中，僅考慮了目標風(fēng)機的分布，而現(xiàn)實中的氣象特征變化與地理位置之間依然存在不確定性因素，因此仍有不足之處。對于未來的工作，將進一步評估空間分布相關(guān)性，以提高預(yù)測結(jié)果的準確性。