收稿日期：2021-12-14

基金項目：河北省科技支撐計劃（19210108D；19214501D；20314501D；F2021202022）

通信作者：梁 濤（1975—），男，博士、教授，主要從事新能源集控系統(tǒng)SCADA采集監(jiān)控系統(tǒng)、新能源大數(shù)據(jù)分析與數(shù)據(jù)挖掘及故障智能診斷

方面的研究。liangtao@hebut.edu.cn

DOI：10.19912/j.0254-0096.tynxb.2021-1535 文章編號：0254-0096（2023）04-0132-08

摘 要：為滿足風電場遠程集控中心高效、低成本預測不同地理位置風電場風速的要求，結合“離線訓練，在線預測”的思想，提出一種基于多方面特征提取和遷移學習的多變量風速預測模型。離線模型融合雙通道卷積神經網絡和雙向長短時記憶神經網絡捕捉風速信息，學習各典型位置風電場的風速特性，然后遷移至任意風電場實現(xiàn)快速在線預測，通過改進的多目標蝗蟲優(yōu)化算法集成各典型風電場預測結果，進一步提高預測精度。最后通過河北一集控中心驗證表明，該文所提模型的適應性與準確性均優(yōu)于其他基線模型。

關鍵詞：風能；風速預測；特征提??；卷積神經網絡；雙向長短時記憶神經網絡；遷移學習；多目標蝗蟲優(yōu)化算法

中圖分類號：TK89；TM614""""""""""""""""""" 文獻標志碼：A

0 引 言

隨著風電開發(fā)的深入，風力發(fā)電公司往往擁有多個分布于不同區(qū)域的風電場，單獨管理各風電場不僅消耗大量資源，更會影響電網的運行與調度。為解決這些問題，各風力發(fā)電公司建立風電場遠程集控中心，通過風電場遠程監(jiān)控自動化系統(tǒng)來保障實現(xiàn)風電場綜合利用效益最大化［1］。為保障風電公司及時進行電網調度，提高工作效率的同時節(jié)約成本，高效、準確的風速預測模型尤為重要［2］。

隨著風電公司發(fā)展所積累的大量歷史數(shù)據(jù)，風速數(shù)據(jù)中的深度特征能被深度神經網絡所學習，可得到更加準確的預測結果［3-4］。然而單一的深度神經網絡都有其局限性，往往不能獲得令人滿意的性能，因此學者們使用混合模型來彌補單一神經網絡的缺陷，提高風速預測模型性能。

劉擘龍等［5］將卷積神經網絡（convolutional neural network，CNN）和門控循環(huán)單元（gated recurrent unit，GRU）作為編碼器提取序列特征，然后使用注意力機制做動態(tài)解碼，旨在聚焦重要信息，去除干擾信息。張國偉等［6］考慮分解所得子序列之間的關聯(lián)，采用因果卷積網絡提取子信號中的有效特征，進一步輸入到GRU識別提取的特征與未來風速之間的時間相關性。風電大數(shù)據(jù)中不僅包含單一風速自相關的時間關聯(lián)，還包含氣象信息與風速的耦合關聯(lián)。張帥等［7］考慮不同氣象變量的子序列對風速序列的影響不同，引入注意力機制提高CNN的空間特征提取能力，所提取的空間特征被用作雙向長短時記憶神經網絡（bi-directional long short-term memory network，Bi-LSTM）的輸入以提取時序關聯(lián)。陳勇等［8］考慮風電場地和氣象因素在時間和空間維度上的多重相關性，通過結合CNN和長短時記憶神經網絡（long short-term memory network，LSTM）構建多因素時空相關模型，對目標點風速的時空相關性進行深度提取和預測。然而，上述文獻提出的深度神經網絡組合模型訓練時需耗費大量時間，因此集控中心不能快速地更新預測結果，做出相應的風電發(fā)電調度計劃。梁濤等［9］使用參數(shù)遷移學習，陳金富等［10］利用多任務學習的信息共享機制，均實現(xiàn)了多位置風電場的風速預測，但以上兩個模型忽略了風速的形成是受多變量在時間和頻率上影響的耦合過程，僅將風速作為輸入，存在局限性。

考慮到對風速序列預測強穩(wěn)定性和高精度的要求，多目標優(yōu)化算法廣泛應用于風速預測領域，用于提高組合模型整體的適應性和魯棒性。多目標蝗蟲優(yōu)化算法（multi-objective grasshopper optimization algorithm，MOGOA）在搜索過程中平衡了開發(fā)和探索階段，相較于其他優(yōu)化算法更有優(yōu)勢。牛新松等［11］提出一種基于非負約束理論的MOGOA，相比于傳統(tǒng)的組合模型得到更好的預測精度。然而，并未解決MOGOA初始種群分布不均和易在迭代后期陷入局部最優(yōu)的問題。

基于以上分析，本文基于“離線訓練，在線預測”的思想，提出一種用于多位置風速預測的多特征融合模型。首先使用變分模態(tài)分解（variational mode decomposition，VMD）分解各典型位置風電場的單一風速序列，多元變分模態(tài)分解（multivariate variational mode decomposition，MVMD）用于分解風速與相關氣象序列。然后采用并行雙通道卷積神經網絡（two-channel convolutional neural network，TCNN）提取風速自身局部特征和與氣象因素的內部關聯(lián)，將融合后的信息進一步輸入到Bi-LSTM捕捉時序特性，從多方面學習風速特性，并以參數(shù)的形式儲存在模型中。在線階段使用遷移學習預測目標風電場的實時數(shù)據(jù)，最后使用改進的MOGOA將所得預測結果進行加權融合，提高預測精度。以河北某風電集控中心所采集的數(shù)據(jù)為例進行實驗分析，結果表明所提模型具有更好的適應性與泛化性。

1 數(shù)據(jù)預處理與風電場聚類

1.1 數(shù)據(jù)預處理

集控中心所儲存的風電場數(shù)據(jù)信息包括歷史風速數(shù)據(jù)與歷史氣象數(shù)據(jù)，在采集過程中可能會出現(xiàn)由于各種故障所造成的數(shù)據(jù)缺失與數(shù)據(jù)異常等情況。為避免不良數(shù)據(jù)影響后續(xù)預測結果，需使用數(shù)據(jù)預處理技術改進數(shù)據(jù)的質量。本文使用均值插補法，計算不良數(shù)據(jù)前后兩個數(shù)據(jù)的平均值來替換它。

此外，為消除不同數(shù)據(jù)之間的量綱影響，避免模型訓練的復雜化，使用式（1）對數(shù)據(jù)進行歸一化處理。

[yi=xi-xminxmax-xmin]"""""" （1）

式中：[yi]——歸一化后所得數(shù)據(jù)；[xi]——經過初步處理的數(shù)據(jù)；[xmin]——數(shù)據(jù)樣本中的最小值；[xmax]——數(shù)據(jù)樣本中的最大值。

1.2 基于模糊C均值聚類的典型風電場選取

合理選擇典型風電場是在線預測的關鍵，而風電場的建設首先需根據(jù)風資源與地形地貌進行場址的宏觀選擇，而后通過對風資源以及風電場地形、地表粗糙度等因素的進一步分析確定風力發(fā)電機組的位置［12］，因此風電場往往集中建立在滿足條件的幾個區(qū)域中。為保證離線訓練模型能學習到各區(qū)域具有代表性的風速及氣象特性，本文使用模糊[C]均值聚類（fuzzy C-means algorithm，F(xiàn)CM）將所有風電場進行聚類。

FCM是硬[C]均值算法（hard C-means clustering，HCM）的改進。HCM對數(shù)據(jù)的劃分是硬性的，缺乏靈活性，而FCM提供了一種模糊分區(qū)方法，通過計算每個樣本對每一類中心的隸屬度來建立對樣本類別的不確定描述，使得樣本不再只屬于一種類別［13］。因此能更準確地反映客觀世界，成為聚類分析的主流形式。

確定數(shù)據(jù)樣本[A]分為[c]類，隸屬度[uik]的定義如式（2）所示。

[i=kcuik=1，1≤k≤n0≤uik≤1，1≤i≤c，1≤k≤n1≤i=kcuik≤n，1≤i≤c] （2）

式中：[uik]——第[i]個樣本的第[k]類隸屬度。

目標函數(shù)如式（3）所示。

[Jm（U，V）=i=1ck=1kumikd2ik]"""" （3）

式中：[U]——隸屬度矩陣；[V]——聚類中心；[m]——隸屬度因子[m?[1，∞）]；[dik]——樣本到聚類中心的距離，本文使用歐式距離。

FCM通過不斷迭代計算[U]和[V]最小化[Jm（U，V）]，以得到最優(yōu)聚類結果。計算第l步時聚類中心V和隸屬度[U]如式（4）和式（5）所示。

[V（l）j=i=1nu（l-1）ijmxii=1nu（l-1）ijm，"" j=1，2，…，c]"""" （4）

[U（l）ij=1k=1cdlijdlik2m-1，" i=1，…，c;" j=1，…，n]" （5）

聚類后同一類中風電場的風速、氣象因素和地貌條件均有著不同程度的相似性，同時軟聚類又使得風電場與其他類別也存在一定程度相關性，為后續(xù)在線預測提供了條件。

2 序列分解

考慮到風速及氣象變量的多變性與波動性對特征提取所帶來的影響，原始序列的適當分解在預測中起著至關重要的作用，根據(jù)所提出的雙通道特征提取模型，本文采用VMD分解單一序列，MVMD分解多元序列。

2.1 VMD

VMD是一種自適應的信號處理以及完全非遞歸的模態(tài)變分的方法，通過構造并求解約束變分問題實現(xiàn)原始信號的分解，具有更好的噪聲魯棒性［14-15］。

分解時，VMD要求各模態(tài)的估計帶寬之和最小，約束條件設定為所有模態(tài)之和與原始信號相等，則約束變分問題如式（6）所示。

[mink=1K?tδt+jπt*uk（t）e-jωkt22s.t.k=1Kuk=ft]" （6）

式中：[ft]——未分解主信號；[{uk}={u1，…，uK}]——所得[K]階模態(tài)的集合；[{ωk}={ω1，…，ωK}]——所得[K]階模態(tài)的中心頻率；[δt]——狄拉克分布；*——卷積；[e-jωkt]——模態(tài)函數(shù)uk對應的中心頻率[ωk]的指數(shù)項；[j]——虛數(shù)。

引入增廣拉格朗日函數(shù)，將上述問題轉變?yōu)榉羌s束變分問題，求解最優(yōu)解：

[Luk，ωk，λ=f（t）-k=1Kuk（t）22+""""""" αk=1K?tδt+jπt*uk（t）e-jωkt22+λ（t）， f（t）-k=1Kuk（t）]"" （7）

式中：[α]——二次懲罰因子，用于降低高斯噪聲的干擾；[λ]——拉格朗日乘子。采用交替方向乘子算法求取以上變分問題，交替更新的[un+1k]和[ωn+1k]的表達式如式（8）和式（9）表示。

[un+1kω=x（ω）-k=1k-1un+1kω+k=k+1Kunkω1+2αω-ωk2]""""" （8）

[ωn+1k=0∞ωun+1k（ω）2dω0∞un+1k（ω）2dω]""" （9）

式中：[x（ω）]——[x（t）]的傅里葉變換；[unk（ω）]——[uk（t）]在傅里葉域第[n]次的迭代值；[ωnk]——[ωk]的第[n]次迭代值。

2.2 MVMD

風速受氣象因素影響，兩者之間存在復雜的非線性關系，使用單一序列的分解方法將會忽略序列間的內在關聯(lián)。

MVMD是VMD的多元擴展，可處理包含任何數(shù)量通道的多變量數(shù)據(jù)。該方法的核心是將多元數(shù)據(jù)分解為其固有的多元調制振蕩［16］。多變量振蕩采用基于希爾伯特變換的標準解析信號表示法建模，以信號在其所有通道中具有公共或聯(lián)合頻率分量為約束條件?；谠撃Ｐ吞岢鲆粋€凸優(yōu)化問題，該問題旨在最小化所有通道中所有模式的帶寬之和，同時滿足所有數(shù)據(jù)通道中精確信號重建的多個約束條件。使用交替方向乘子法解決提出的凸優(yōu)化問題，以最小化所有通道上所有模式的帶寬總和。

MVMD不僅保留了VMD的所有優(yōu)點，還能根據(jù)多通道之間的關聯(lián)信息進行分解。它從輸入數(shù)據(jù)中獲得多變量調制振蕩的能力直接導致了模態(tài)特性對齊，實現(xiàn)了對多元信號的同步分析。

3 基于多方面特征融合的離線模型

所選典型風電場由于氣象因素、地貌條件的不同，其風速特性必然存在不同程度的差異，因此本文提出TCNN-Bi-LSTM模型全面提取各典型風電場的多方面特征。

3.1 TCNN

CNN是一種前饋神經網絡，其主要結構包括輸入層、卷積層、池化層、全連接層和輸出層。其中卷積層是CNN中最重要、最獨特的一層，它能通過卷積核有效提取輸入變量的鄰域信息，識別局部區(qū)域中相鄰樣本之間的非線性關系。然后，卷積層和池化層的局部信息被全連接層進一步整合，并通過輸出層映射到輸出信號。與其他網絡模型相比，卷積的參數(shù)共享特性減少了需優(yōu)化的參數(shù)數(shù)量，從而提高了模型的訓練效率和擴展性［17］。

為保留風速序列的原始特性，同時捕捉風速與氣象因素的耦合關系，本文使用TCNN代替以往的單通道卷積網絡，緩解數(shù)據(jù)之間的干擾，提取多尺度信息。為了避免丟棄提取的特征，在設計的結構中不使用池化層。設置相同的卷積核大小以確保2個卷積網絡輸出相同的特征長度，便于后續(xù)特征拼接。隨后將融合后的特征輸入到Bi-LSTM中提取時間特性。

3.2 Bi-LSTM

LSTM是循環(huán)神經網絡（recurrent neural network，RNN）的結構擴展，其結構中的遞歸隱藏層包含多個記憶單元，由遺忘門、輸入門和輸出門控制，使信息在序列中得以更新和傳遞，學習長期的依賴關系，適用于捕捉風速的時序特征［18］。記憶單元可看作時序信息的傳輸路徑，它解決了RNN在長序列訓練過程中的缺陷，更利于捕捉序列中的時間特征。LSTM在[t]時刻對應的計算公式為：

輸入門：

[it=σWixxt+Wihht-1+Wicct-1+bi]""""" （10）

遺忘門：

[ft=σWfxxt+Wfhht-1+Wfcct-1+bf]""" （11）

記憶細胞：

[ct=ft⊙ct-1+it⊙φWchht+Wcxxt+bc] （12）

輸出門：

[ot=σWoxxt+Wohht-1+Wocct-1+bo]"" （13）

隱藏層輸出：

[ht=ot⊙?ct]"" （14）

式中：[ft、it、ot、ct]——遺忘門、輸入門、輸出門和記憶細胞的輸出向量；[Wh、][Wx、][Wc]和[bi、][bf、][bo]——3個門的權重矩陣和偏移向量；[xt]——[t]時刻輸入值；[ht]——[t]時刻的隱藏狀態(tài)；[σ]——非線性sigmoid函數(shù)；[φ]——正切非線性函數(shù)；[⊙]——向量之間的逐元素乘法符號。

風速值的變化不僅受之前時刻的氣象變量影響，未來的氣象信息也與風速有密切關聯(lián)，所以本文使用Bi-LSTM進行雙向時間特征提取，將兩個方向的隱藏狀態(tài)連接起來以產生最終的隱藏輸出，其計算公式如式（15）～式（17）所示。

[ht=LSTM（xt，ht-1）]"""""" （15）

[ht=LSTM（xt，ht-1）]"""""" （16）

[ht=g（Whyht+Whyht+by）]""" （17）

式中：[ht]——前向層的隱藏輸出序列；[ht]——后向層的隱藏輸出；[ht]——最終輸出結果；[Why]和[Why]——[ht]和[ht]的權重參數(shù)；[by]——偏移向量。

4 在線預測模型

4.1 遷移學習

遷移學習是一種應用于深度學習網絡的訓練方法。對于相關性高的數(shù)據(jù)或任務，它將一個模型預訓練后得到的結果遷移到其他模型中去幫助它訓練，避免了新模型從零開始的弊端，實現(xiàn)了特征遷移和參數(shù)共享，進而提高模型的學習效率，適用于解決小樣本和個性化問題［19］。

然而，目前多數(shù)研究僅將遷移學習用于單個風電場對多個風電場的預測，這要求風電場之間的特征具有高度相似性，適應性差。本文根據(jù)FCM將風電場進行聚類，所選典型位置風電場的地理環(huán)境、海拔高度、氣象因素等特性皆具有代表性，由此可使用遷移學習將所提取出的多尺度特征遷移到集控區(qū)域內其他風電場，微調后進行任意風電場的風速預測，后續(xù)使用優(yōu)化算法對預測結果進行加權融合以保證充分發(fā)揮各離線模型的優(yōu)勢，提高預測精度的同時增強模型的適應性。遷移學習的使用節(jié)省了不同風電場數(shù)據(jù)從零開始訓練所需的時間，為風電場的訓練權重提供了良好的初始化。

4.2 改進的MOGOA

蝗蟲優(yōu)化算法（grasshopper optimization algorithm，GOA）由Saremi等［20］提出，通過模擬蝗蟲的幼蟲與成蟲的群居行為來對蝗蟲之間的斥力、吸引力進行數(shù)學建模，其數(shù)學表達式為：

[Xi=Si+Gi+Ai]""""" （18）

式中：[Xi]——第[i]個蝗蟲的位置；[Gi]——第[i]個蝗蟲所受重力；[Ai]——第[i]個蝗蟲所受風力；[Si]——個體間的相互影響力，[Si]可通過式（19）表示。

[Si=j=1，j≠iNs（dij）dij]"" （19）

[dij=xi-xjdij=（xj-xi）dij] （20）

式中：[dij]——第[i]個蝗蟲與第[j]個蝗蟲之間的距離；[dij]——第[i]個蝗蟲指向第[j]個蝗蟲的單位向量；[s]——表示社會力量強度的函數(shù)?？蓪⒒认x搜索空間劃分為吸引區(qū)、排斥區(qū)和舒適區(qū)，當每個蝗蟲個體均處于舒適區(qū)時位置不再更新。改進的蝗蟲位置更新模型忽略了蝗蟲的重力，且假定風向總指向最優(yōu)解，公式為：

[Xi=cj=1，j≠iNcubd-lbd2sxj-xixj-xidij+Td] （21）

式中：[N]——蝗蟲數(shù)量；[c]——遞減系數(shù)；[ubd]——函數(shù)[s]在[d]維空間上的上界；[lbd]——函數(shù)[s]在[d]維空間上的下界；[Td]——目前為止蝗蟲位置在[d]維空間上的最佳解。利用[c]以減少勘探并增加與迭代次數(shù)呈比例的開采，參數(shù)[c]的更新由式（22）計算。

[c=cmax-lcmax-cminL]" （22）

式中：[cmax]——[c]的最大值；[cmin]——[c]的最小值；[l]——當前迭代次數(shù)；[L]——最大迭代次數(shù)。

MOGOA由Mirjalili等［21］初次提出，用于優(yōu)化多目標問題。MOGOA與GOA之間的主要區(qū)別在于更新目標的過程，GOA僅需根據(jù)目前獲得的最佳解決方案來選擇目標，而MOGOA需從一組帕累托最優(yōu)解中選擇目標。因此，MOGOA存在與GOA相同的缺陷：

1）隨機的種群初始化無法保證初始種群在搜索空間內的遍歷性，易造成后續(xù)全局搜索不平衡；

2）在迭代過程中由優(yōu)勢個體引領種群的更新走向，易在后期造成群體進化聚集，使算法陷入局部最優(yōu)。

針對以上問題，本文首先利用貓映射混沌序列初始化種群，其表達式為：

[Xn+1Yn+1=1a1b1a1b1+1xnynmod1]" （23）

式中：[Xn+1、][Yn+1]——映射之后二維矩陣的橫坐標和縱坐標；[a1、][b1]——任意實數(shù)；[xn、][yn]——映射之前二維矩陣的橫坐標和縱坐標；mod1——[a1]的小數(shù)部分。貓混沌映射直觀、簡單且具有周期性，不易陷入小循環(huán)周期和不動點，能替代隨機初始化提高初始種群多樣性與個體分布的均勻性。

進一步將柯西變異用于擾動個體位置更新，通過柯西變異在優(yōu)勢蝗蟲個體位置更新時進行調節(jié)，使其跳出局部最優(yōu)，提升算法的全局尋優(yōu)性能，具體為：

[xnewbest=cauchy?xbest，" F（xnewbest）gt;F（xbest）xbest，" 其他]"""""" （24）

式中：cauchy——柯西算子；[xbest]——當前最優(yōu)蝗蟲個體；[xnewbest]——使用柯西變異后的最優(yōu)蝗蟲個體。

改進的MOGOA流程如圖1所示。

5 算例分析

5.1 預測流程

本文提出一種基于多方面特征融合的多變量多位置風速預測模型，結構如圖2所示。模型的具體實現(xiàn)過程描述如下。

1） 從集控中心中提取各風電場歷史風速及氣象數(shù)據(jù)（最大風速、溫度、氣壓、濕度和露點溫度）并進行數(shù)據(jù)預處理，集控中心中風電場分布情況詳見5.2節(jié)。

2） 將集控中心所控風電場進行FCM聚類，從每一類中選取距離聚類中心最小的樣本作為典型風電場。

3） 為消除序列的隨機擾動，VMD用于分解單個風速序列，MVMD用于分解風速與氣象因素多個序列，根據(jù)每個模態(tài)中心頻率[ω]的不同特性確定模態(tài)數(shù)量K。

4） 構建多尺度特征提取模型，TCNN用于提取風速子序列空間特征及與氣象序列的耦合關系，進一步融合Bi-LSTM提取的長期時間特征，各典型風電場的時空特性存在于離線模型中。

5） 使用遷移學習將各訓練好的離線模型微調后用于任意風電場的實時在線預測，預測結果由[ri]（[i=1，2，…，n]）表示。

6） 改進的MOGOA用于集成各離線模型的預測結果，以融合各個典型風電場的特性，充分發(fā)揮各離線模型的優(yōu)勢，得到最終預測結果[R]如式（25）所示。

[R=i=1nωiri] （25）

5.2 數(shù)據(jù)來源

本文以河北某風電公司為例進行研究，此風電公司在河北省各地區(qū)設立18個風電場（1～18號），統(tǒng)一由一個集控中心進行管控。各風電場及集控中心位置如圖3所示，可看出風電場集中設立在壩上高原、壩下山地和西部山地地區(qū)，少數(shù)設立在沿海地區(qū)，經FCM聚類得到的結果如表1所示，選取1號、11號、16號和18號作為典型風電場。取2017年5月1—31日間隔10 min的風速與氣象數(shù)據(jù)，共得4464個樣本，采用前90%的數(shù)據(jù)作為訓練集，后10%的數(shù)據(jù)作為測試集。

5.3 結果與分析

為驗證所提離線模型在各方面的優(yōu)越性，本文設置5個基線模型，以1號風電場為例與所提離線模型的預測結果進行比較，并選用平均絕對誤差（MAE）、均方根誤差（RMSE）、誤差平方和（SSE）這3個評價指標對所提模型進行直觀有效的評估。

圖4和表2為各基線模型與所提模型的對比結果。表2中粗體數(shù)字表示各模型中每個評估指標的最佳值，由此分析出：直接使用TCNN-Bi-LSTM模型不能準確追蹤風速變化，誤差相對較大；VMD-CNN-Bi-LSTM模型使用傳統(tǒng)單通道卷積，其MAE、RMSE和SSE值均大于所提雙通道模型，不能捕捉全面的風速特性，而MVMD分解多元變量后所得預測結果相較于僅使用VMD分解所得結果MAE、RMSE和SSE值分別降低了26.173%、31.208%和51.744%；MVMD/VMD-TCNN模型單獨使用TCNN提取風速特性，所提模型預測結果相較其MAE、RMSE和SSE值分別降低了21.124%、23.877%和34.688%，說明考慮時序關聯(lián)的必要性。

選用2號風電場作為目標風電場進行在線預測，表3和圖5為4個離線模型預測結果以及經MOGOA和改進MOGOA優(yōu)化后的組合結果。表3顯示離線模型1和2的各項指標明顯優(yōu)于離線模型3和4，說明2號風電場的風速特性相似于1號風電場和11號風電場。經過優(yōu)化算法優(yōu)化后所得組合模型的結果預測精度顯著提高，充分驗證了本文所提預測方法的有效性，而使用改進的MOGOA相較于傳統(tǒng)MOGOA的MAE、RMSE和SSE值分別降低了7.064%、13.817%和18.437%，驗證了改進的MOGOA能有效提升算法尋優(yōu)精度，具備更好的尋優(yōu)能力。

6 結 論

本文提出一種適用于集控中心的雙通道特征提取風速預測模型，提出TCNN-Bi-LSTM模型提取多方面特征，同時引入遷移學習與改進的MOGOA使得模型可精準、快速地預測不同地區(qū)風電場的風速，有效提升集控中心的工作效率。最后通過4個實驗驗證本文所提模型的有效性，得出以下結論：

1）所提離線模型融合多尺度特征有效提升了預測模型的準確性，與傳統(tǒng)的單通道卷積和其他基線模型相比有更好的精度和泛化能力。

2）使用MVMD分解風速及氣象序列實現(xiàn)多元序列的同步時頻分析。

3）遷移學習用于不同位置風電場的快速預測，改進的MOGOA用于優(yōu)化組合權重，兩者相結合進一步增強了模型的適應性，有效提高集控中心的工作效率。

4）基于混沌映射和柯西擾動改進MOGOA，確保高質量的種群初始化的同時避免種群陷入局部最優(yōu)，有效提升算法尋優(yōu)精度。

然而，在未來的研究中本文提出的模型還能夠考慮到風電場的季節(jié)相關性，將季節(jié)特性與時空特性相結合，進一步提高預測精度。

［參考文獻］

［1］"""" 唐志軍， 沈石水. “無人值班，少人值守”風電場及其集控中心的設計思考［J］. 風能， 2015（6）： 58-62.

TANG Z J， SHEN S S. Design considerations for “unmanned， less manned” wind farms and centralized control centers［J］. Wind energy， 2015（6）： 58-62.

［2］"""" 何婷， 鄧子夜， 李亦凡， 等. 新能源集控中心一體化平臺關鍵技術的探究［J］. 中國水利水電科學研究院學報， 2021， 19（1）： 183-188.

HE T， DENG Z Y， LI Y F， et al. Research on key technologies of integrated platform of new energy centralized control center［J］. Journal of China Institute of Water Resources and Hydropower Research， 2021， 19（1）： 183-188.

［3］"""" WANG K J， QI X X， LIU H D， et al. Deep belief network based k-means cluster approach for short-term wind power forecasting［J］. Energy， 2018， 165： 840-852.

［4］"""" WANG H Z， LI G Q， WANG G B， et al. Deep learning based ensemble approach for probabilistic wind power forecasting［J］. Applied energy， 2017， 188： 56-70.

［5］"""" 劉擘龍， 張宏立， 王聰， 等. 基于序列到序列和注意力機制的超短期風速預測［J］. 太陽能學報， 2021， 42（9）： 286-294.

LIU B L， ZHANG H L， WANG C， et al. Ultra-short-term wind speed prediction based on sequence-to-sequence and attention" mechanism［J］." Acta "energiae" solaris" sinica， 2021， 42（9）： 286-294.

［6］"""" ZHANG G W， LIU D. Causal convolutional gated recurrent unit network with multiple decomposition methods for short-term wind speed forecasting［J］. Energy conversion and management， 2020， 226： 113500.1-113500.15.

［7］"""" ZHANG S， CHEN Y， XIAO J H， et al. Hybrid wind speed forecasting model based on multivariate data secondary decomposition approach and deep learning algorithm with attention mechanism［J］. Renewable energy， 2021， 174： 688-704.

［8］"""" CHEN Y， ZHANG S， ZHANG W Y， et al. Multifactor spatio-temporal correlation model based on a combination of" convolutional" neural" network" and" long" short-term memory" neural" network" for" wind" speed" forecasting［J］. Energy conversion and management， 2019， 185： 783-799.

［9］"""" LIANG T， ZHAO Q， LYU Q Z， et al. A novel wind speed prediction strategy based on Bi-LSTM， MOOFADA and transfer learning for centralized control center［J］. Energy， 2021， 230： 120904.1-120904.16.

［10］""" 陳金富， 朱喬木， 石東源， 等. 利用時空相關性的多位置多步風速預測模型［J］. 中國電機工程學報， 2019， 39（7）： 2093-2106.

CHEN J F， ZHU Q M， SHI D Y， et al. A multi-step wind speed prediction model for multiple sites leveraging spatio-temporal correlation［J］. Proceedings of the CSEE， 2019， 39（7）： 2093-2106.

［11］""" NIU X S， WANG J Y. A combined model based on data preprocessing" strategy"" and"" multi-objective" optimization algorithm"" for"" short-term" wind" speed" forecasting［J］. Applied energy， 2019， 241： 519-539.

［12］""" 柳成， 王天宇， 曲永印， 等. 風電場的風力資源分析以及場址選擇［J］. 太陽能學報， 2016， 37（11）： 2835-2842.

LIU C， WANG T Y， QU Y Y， et al. Wind resource analysis and site selection of wind power plant［J］. Acta energiae solaris sinica， 2016， 37（11）： 2835-2842.

［13］""" MAO Y， SHI C Y， LIU H Y. Day-ahead wind power forecasting based on the clustering of equivalent power curves［J］. Energy， 2020， 218： 119515.1-119515.10.

［14］""" DRAGOMIRETSKIY K， ZOSSO D. Variational mode decomposition［J］. IEEE transactions on signal processing， 2014， 62（3）： 531-544.

［15］""" 向玲， 李京蓄， 王朋鶴， 等. 基于VMD-FIG和參數(shù)優(yōu)化GRU的風速多步區(qū)間預測［J］. 太陽能學報， 2021， 42（10）： 237-242.

XIANG L， LI J X， WANG P H， et al. Wind speed multistep interval forecasting based on VMD-FIG and parameter-optimized"""" GRU［J］."" Acta"" energiae""" solaris sinica， 2021， 42（10）： 237-242.

［16］""" REHMAN N， AFTAB H. Multivariate variational mode decomposition［J］. IEEE transactions on signal processing， 2019， 67（23）： 6039-6052.

［17］""" CHEN N， XUE Y S， DING J， et al. Ultra-short term wind speed prediction using spatial correlation［J］. Automation of electric power systems， 2017， 41（12）： 124-130.

［18］""" 王紅剛， 李彬. 基于融合長短時記憶網絡的風電場超短期風速預測研究［J］. 可再生能源， 2020， 38（1）： 41-46.

［19］""" FAN C， SUN Y J， XIAO F， et al. Statistical investigations of" transfer" learning-based" methodology" for" short-term building" energy" predictions［J］. Applied" energy，" 2020， 262： 219-231 .

［21］""" MIRJALILI S Z， MIRJALILI S， SAREMI S， et al. Grasshopper" optimization" algorithm" for" multi-objective optimization" problems［J］." Applied" intelligence，" 2017， 48： 805-820.

WIND SPEED PREDICTION BASED ON MULTIPLE FEATURE EXTRACTION AND TRANSFER LEARNING

Liang Tao1，Chen Chunyu1，Tan Jianxin2，Jing Yanwei2

（1. College of Artificial Intelligence and Data Science， Hebei University of Technology， Tianjin 300130， China；

2. Hebei Construction Energy Investment Co.， Ltd.， Shijiazhuang 050051， China）

Abstract：In order to meet the requirements of remote control centers for efficient and low-cost wind speed prediction of wind farms at different locations， this paper proposes a multivariable wind speed prediction model based on multiple feature extraction and transfer learning by combining the idea of \"offline training， online prediction\". The offline model fuses wind speed information captured by two-channel convolutional neural network and bi-directional long-short-term memory neural network. Wind speed characteristics of wind farms at typical locations are learned， and then the wind speed characteristics are transferred to other wind farms to achieve online prediction. The prediction accuracy is further improved by using an improved multi-objective grasshopper optimization algorithm， which integrates the prediction results of each typical wind farm. Finally， the superiority of the model is verified by the data of a centralized control center in Hebei. The results show that the adaptability and accuracy of the proposed model are superior than that of other baseline models.

Keywords：wind energy； wind speed prediction； feature extraction； convolutional neural network； bi-directional long short-term memory network； transfer learning； multi-objective grasshopper optimization algorithm