李載源，潘 超，孟 濤

（1.現(xiàn)代電力系統(tǒng)仿真控制與綠色電能新技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室（東北電力大學(xué)） 吉林吉林 132012；2.國網(wǎng)吉林省電力科學(xué)研究院有限公司，吉林長春 130021）

0 引言

“十四五”規(guī)劃提出“雙碳”目標(biāo)后，電力行業(yè)重點(diǎn)圍繞以風(fēng)、光等資源構(gòu)建新能源電力系統(tǒng)[1]，其中風(fēng)速的間歇性與波動(dòng)性對(duì)風(fēng)能的利用產(chǎn)生較大影響，因此準(zhǔn)確的風(fēng)速預(yù)測(cè)對(duì)電力系統(tǒng)消納新能源、靈活調(diào)度及安全運(yùn)行有重要意義[2]。

傳統(tǒng)的風(fēng)速預(yù)測(cè)包括物理法、統(tǒng)計(jì)方法（回歸差分移動(dòng)平均模型（Autoregressive Integrated Moving Average Model，ARIMA）[3]、卡爾曼濾波[4]等）和傳統(tǒng)機(jī)器學(xué)習(xí)方法神經(jīng)網(wǎng)絡(luò)（（Back Propagation，BP）[5]、支持向量機(jī)[6]及極限學(xué)習(xí)機(jī)[7]等），這類淺層學(xué)習(xí)方法無法對(duì)深層特征進(jìn)行有效挖掘，易出現(xiàn)欠/過擬合現(xiàn)象[8]。相對(duì)而言深度學(xué)習(xí)方法在多隱含層結(jié)構(gòu)的深層特征提取和關(guān)聯(lián)表征方面具有較大優(yōu)勢(shì)[9]，文獻(xiàn)[10]構(gòu)建了自校正小波長短時(shí)記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）預(yù)測(cè)模型，能夠分析不同尺度的時(shí)間信息，在時(shí)序數(shù)據(jù)信息的處理方面具有較大優(yōu)勢(shì)。文獻(xiàn)[11]利用注意力機(jī)制改進(jìn)時(shí)間卷積網(wǎng)絡(luò)（Temporal Convolutional Network，TCN），改善了預(yù)測(cè)誤差和訓(xùn)練時(shí)長，表明TCN 的膨脹卷積運(yùn)算和殘差連接機(jī)制在風(fēng)速時(shí)序特征提取方面更具優(yōu)勢(shì)[12]，目前考慮多維風(fēng)速關(guān)聯(lián)屬性的深度學(xué)習(xí)模型多采用多通道LSTM 或多通道TCN，但隨屬性維數(shù)和網(wǎng)絡(luò)層數(shù)的增加，多通道LSTM 參數(shù)量過高，訓(xùn)練復(fù)雜易出現(xiàn)過擬合；多通道TCN 缺乏長期歷史信息記憶功能，模型泛化遷移能力較差。

文獻(xiàn)[13]通過主成分分析獲取風(fēng)速的相關(guān)氣象因素提高了模型預(yù)測(cè)精度，主成分分析基于線性變換思想構(gòu)建特征篩選指標(biāo)，但多維氣象屬性間存在復(fù)雜非線性相關(guān)特性，主成分分析降維過程缺乏非線性相關(guān)表征，可能降低特征篩選的準(zhǔn)確性。文獻(xiàn)[14]通過改進(jìn)聚類實(shí)現(xiàn)多維風(fēng)速屬性數(shù)據(jù)的優(yōu)選，并利用雙隱含層LSTM 進(jìn)行特征挖掘?qū)崿F(xiàn)了高效、精確的預(yù)測(cè)。目前多數(shù)聚類方法（k-means，k-mediods等）需要人為指定聚類數(shù)，泛用性較差。文獻(xiàn)[15]提出基于信息傳播機(jī)制的近鄰傳播聚類（Affinity Propagation，AP），無需人為指定聚類數(shù)，適用于多維屬性數(shù)據(jù)分類，但受初值選取影響較大，易陷入局部最優(yōu)，且存在聚類劃分邊界不穩(wěn)定的現(xiàn)象[16]。

本文采用快速相關(guān)濾波算法（Fast Correlation-Based Filter，F(xiàn)CBF），考慮不同風(fēng)速屬性間的非線性相關(guān)特性，基于信息熵篩選與風(fēng)速序列高關(guān)聯(lián)的屬性因素，提高特征降維準(zhǔn)確度，據(jù)此構(gòu)建模型樣本集。利用近鄰傳播機(jī)制自適應(yīng)聚類模型樣本集并明確劃分邊界，同時(shí)嵌入鯨群優(yōu)化算法（Whale Optimization Algorithm，WOA）優(yōu)選聚類初值，提高近AP 聚類的全局尋優(yōu)性能?？紤]風(fēng)速與屬性因素的隱含關(guān)聯(lián)，在時(shí)序卷積網(wǎng)絡(luò)中嵌入注意力機(jī)制實(shí)現(xiàn)特征聚合，并結(jié)合共享權(quán)值門控記憶單元提高超短期預(yù)測(cè)計(jì)算效率，提出基于時(shí)序卷積特征聚合（Temporal Convolutional feature Aggregation Network，TCAN）的風(fēng)速預(yù)測(cè)模型。將聚類優(yōu)化后的屬性樣本輸入時(shí)序卷積特征聚合網(wǎng)絡(luò)，通過時(shí)序特征提取與降維聚合，結(jié)合記憶單元預(yù)測(cè)風(fēng)速，并將預(yù)測(cè)結(jié)果與實(shí)際值比較，對(duì)模型的有效性和準(zhǔn)確性進(jìn)行驗(yàn)證。

1 考慮關(guān)聯(lián)屬性構(gòu)建樣本集

風(fēng)速變化受到氣溫、壓強(qiáng)以及濕度等關(guān)聯(lián)屬性的影響，合理選擇風(fēng)速屬性能夠降低模型輸入的復(fù)雜度并提高預(yù)測(cè)精度[17]。本文采用FCBF 從風(fēng)速屬性中篩選相關(guān)度較高的因素，構(gòu)建模型訓(xùn)練樣本集合。風(fēng)速屬性信息熵的計(jì)算式為：

式中：H（W）為風(fēng)速序列W的熵；w（t）為t時(shí)刻的風(fēng)速值；H（Vk）為第k個(gè)風(fēng)速屬性序列Vk的熵；vk（t）為t時(shí)刻的元素；H（Vk/W）為風(fēng)速序列W確定時(shí)第k個(gè)風(fēng)速屬性序列Vk的信息熵；P為變量出現(xiàn)的概率。

基于信息熵計(jì)算風(fēng)速屬性序列與風(fēng)速序列的對(duì)稱不確定性，構(gòu)建相關(guān)性度量指標(biāo)：

式中：SU為相關(guān)性度量指標(biāo)，其取值范圍為[0，1]，其數(shù)值越高說明風(fēng)速與屬性信息的相關(guān)性越強(qiáng)，當(dāng)SU為1 時(shí)表示風(fēng)速與屬性信息完全相關(guān)；反之，則表示完全獨(dú)立。

選擇風(fēng)向、濕度、氣溫、氣壓、輻照度及降水量6 種風(fēng)速屬性，并計(jì)算SU排序，選擇SU最大的3 種關(guān)聯(lián)屬性構(gòu)建模型輸入樣本：

式中：I（t）為t時(shí)刻的模型輸入樣本；分別為t時(shí)刻的風(fēng)速及3 種關(guān)聯(lián)屬性序列。

選擇未來ρ步風(fēng)速作為模型輸出樣本：

式中：O（t）為t時(shí)刻的模型輸出樣本；w(t+ρτ)為t時(shí)刻未來第ρ步的風(fēng)速值；τ為采樣步長。

構(gòu)建模型樣本集如下：

式中：(I,O)為模型樣本集，含n組輸入-輸出映射對(duì)。

通過深度學(xué)習(xí)挖掘各屬性間的關(guān)聯(lián)規(guī)則，并構(gòu)建映射函數(shù)f以描述輸入樣本與輸出樣本的時(shí)序關(guān)聯(lián)，依據(jù)該映射關(guān)系實(shí)現(xiàn)未來ρ步風(fēng)速的超短期預(yù)測(cè)：

由于實(shí)際環(huán)境的復(fù)雜性，預(yù)測(cè)風(fēng)速與實(shí)際值始終存在誤差，其中機(jī)器學(xué)習(xí)模型的預(yù)測(cè)誤差受訓(xùn)練數(shù)據(jù)集與模型架構(gòu)影響較大。為提高模型預(yù)測(cè)精度，采用聚類算法優(yōu)化訓(xùn)練集合，并結(jié)合時(shí)序卷積特征聚合模型進(jìn)行訓(xùn)練。

2 WOA-AP聚類優(yōu)化

風(fēng)場(chǎng)多維風(fēng)速屬性的變化趨勢(shì)具有關(guān)聯(lián)性[18]，相似樣本間隱含的關(guān)聯(lián)性將直接影響特征提取和預(yù)測(cè)效果[19]，本文采用WOA-AP 聚類優(yōu)化樣本集合，考慮到輸入樣本的高維復(fù)雜性，選擇其風(fēng)速序列為主要特征，并依據(jù)風(fēng)速序列相似度，聚類相似樣本于同一典型集合。

1）構(gòu)建相似度矩陣S=[S（i，j）]n×n，其中S（i，j）為第i行第j列風(fēng)速序列相似度函數(shù)，用于表征樣本間的空間距離：

式中：W（i）為i時(shí)刻的風(fēng)速序列；對(duì)角元素S（i，i）=1為中心參考度，代表對(duì)聚類中心的評(píng)判期望。

2）吸引度因子R（i，j）表征中心樣本對(duì)隸屬樣本的吸引度，隸屬度因子A（i，j）表征隸屬樣本對(duì)中心樣本的歸屬度，吸引度因子R（i，j）和隸屬度因子A（i，j）在聚類迭代過程中不斷更新，更新過程如下：

式中：κ表示矩陣中的第k列；η為迭代輪次，初始值R0（i，j）=0，A0（i，j）=0。

3）提出因子衰變控制策略，對(duì)吸引度和歸屬度進(jìn)行衰減處理：

式中：λ為衰減系數(shù)，且λ∈（0，1），以避免迭代過程中出現(xiàn)數(shù)據(jù)振蕩問題。

4）循環(huán)步驟1）—步驟3），直到滿足收斂條件或達(dá)到迭代次數(shù)要求，停止更新并產(chǎn)生u個(gè)聚類中心。

研究表明，聚類中心參考度S（i，i）的初始設(shè)置對(duì)聚類結(jié)果影響較大，易導(dǎo)致聚類結(jié)果出現(xiàn)局部最優(yōu)情況[20]。故引入聚類評(píng)價(jià)指標(biāo)[21]表征聚類性能：

式中：Sil為聚類評(píng)價(jià)指標(biāo)，Sil∈[-1，1]，該值越大表明聚類準(zhǔn)確率越高；m為樣本數(shù)；a(?)為樣本?與同類其他樣本距離的均值；b(?)為樣本?與同類其他樣本間距離的最小值。

視中心參考度S（i，i）為種群個(gè)體，定義適應(yīng)度函數(shù)E為：

結(jié)合鯨群算法（WOA）[22]以適應(yīng)度最小化為目標(biāo)尋優(yōu)種群個(gè)體，提高樣本集邊界劃分的準(zhǔn)確性。WOA-AP 依據(jù)風(fēng)速序列相似度將樣本集劃分為若干相似典型集，針對(duì)典型集數(shù)據(jù)進(jìn)行深度學(xué)習(xí)，挖掘?qū)傩躁P(guān)聯(lián)特征，提高預(yù)測(cè)模型精度與效率。

3 時(shí)序卷積特征聚合風(fēng)速預(yù)測(cè)

時(shí)序卷積特征聚合網(wǎng)絡(luò)（TCAN）的結(jié)構(gòu)如圖1所示，主要分為3 層：（1）時(shí)序卷積層，對(duì)輸入的風(fēng)速屬性提取深層特征；（2）特征聚合層，對(duì)屬性特征經(jīng)特征聚合模塊進(jìn)行降維聚合；（3）記憶預(yù)測(cè)層，通過記憶單元捕獲聚合特征向量的關(guān)鍵歷史信息，并輸出風(fēng)速預(yù)測(cè)值。

圖1 TCAN網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure of TCAN

3.1 時(shí)序卷積層

將樣本所含風(fēng)速及3 類關(guān)聯(lián)屬性序列輸入時(shí)序卷積模塊，進(jìn)行深層特征提取，結(jié)構(gòu)如圖2 所示。圖2 中Xs-2，Xs-1，Xs為模型輸入序列，Ys-1，Ys為經(jīng)雙層時(shí)序卷積后的輸出序列，其中時(shí)序卷積單元采用四通道TCN，每一通道對(duì)應(yīng)單一序列，該單元在一維因果卷積的基礎(chǔ)上引入膨脹因子和殘差連接，有效增加了歷史信息覆蓋率和網(wǎng)絡(luò)深度[23]，圖1 中因果膨脹卷積結(jié)構(gòu)數(shù)學(xué)模型為：

式中：F（·）為因果膨脹卷積；x為模型輸入序列；f為卷積核；s為索引；d為每層的膨脹因子，d=2p-1；ζ為卷積核大?。沪豬為卷積核i索引處元素；Xs-d·i為輸入序列在索引s-d·i處的元素。

殘差連接模塊通過雙卷積跨層連接進(jìn)行特征提取，并添加權(quán)值歸一化和隨機(jī)失活模塊加速網(wǎng)絡(luò)計(jì)算。

3.2 特征聚合層

特征聚合層對(duì)時(shí)序卷積層各通道提取后的特征向量進(jìn)行降維加權(quán)聚合，具體步驟如下：

1）信息壓縮。通過平均池化將每個(gè)通道的特征向量壓縮為1×1 作為該通道的原始權(quán)重，構(gòu)建1×4 的原始權(quán)重序列，公式如下。

式中：U為特征矩陣；uj為第j個(gè)通道的特征序列；Z為通道原始權(quán)重序列；zj為該通道對(duì)應(yīng)的原始權(quán)重。

2）權(quán)重提取。信息壓縮所得原始權(quán)重Z通過Relu 函數(shù)進(jìn)行信息聚合，經(jīng)sigmoid 函數(shù)修正后輸出通道權(quán)重序列Q。

式中：q1,q2,…,q4為第1 到4 個(gè)通道對(duì)應(yīng)的權(quán)值，ω1，ω2分別為2 個(gè)權(quán)值矩陣；sigmoid，Relu 均為非線性激活函數(shù)。

3）聚合輸出。各通道特征向量加權(quán)求和得到聚合特征向量P。

結(jié)合圖2 中的可視化特征變化過程可知，特征聚合層實(shí)現(xiàn)了多通道特征向量的維度約簡，同時(shí)通過加權(quán)聚合保留了風(fēng)速及關(guān)聯(lián)屬性特征的關(guān)鍵信息。

3.3 記憶預(yù)測(cè)層

以獲取聚合特征向量關(guān)鍵歷史信息為啟發(fā)，控制記憶單元捕獲聚合特征向量相鄰時(shí)刻的依賴關(guān)系，進(jìn)一步挖掘其深層特征，輸出風(fēng)速預(yù)測(cè)值。

記憶單元將長期歷史信息的關(guān)鍵特征存儲(chǔ)為狀態(tài)向量ct，并通過門控機(jī)制讀取和修改各時(shí)刻的狀態(tài)向量，并結(jié)合共享權(quán)值提高計(jì)算效率，計(jì)算式如下：

式中：ht，pt分別為t時(shí)刻的輸出向量和輸入向量；“：”為向量拼接符號(hào)；it為輸入門，控制當(dāng)前信息的流入；ft為遺忘門，減少上一時(shí)刻狀態(tài)向量ct-1中的冗余信息；ot為輸出門，決定ct傳遞多少信息作為當(dāng)前時(shí)刻輸出；Wi，Wf，Wo，Wc分別為輸入門、遺忘門、輸出門與狀態(tài)向量的權(quán)值矩陣；bi，bf，bo，bc為偏置向量；σ，tanh為非線性激活函數(shù)。

記憶單元如圖3 所示。

圖3 記憶單元Fig.3 Memory unit

3.4 模型評(píng)價(jià)

選取平均絕對(duì)百分比誤差（Mean Absolute Percentage Error，MAPE）、均方根誤差（Root Mean Square Error，RMSE）及擬合優(yōu)度系數(shù)（Coefficient of Determination，R2）構(gòu)建適用于多步預(yù)測(cè)的多維評(píng)價(jià)體系。MAPE，RMSE 的值用EMAP，ERMS表示。

式中：wi，分別為風(fēng)速實(shí)際值和預(yù)測(cè)值；w為風(fēng)速均值；n為樣本數(shù)。

3.5 基于屬性優(yōu)化聚類的TCAN風(fēng)速預(yù)測(cè)模型

基于屬性優(yōu)化聚類的TCAN 風(fēng)速預(yù)測(cè)模型流程基本步驟如圖4 所示。

圖4 基于屬性優(yōu)化聚類的TCAN風(fēng)速預(yù)測(cè)流程圖Fig.4 TCAN based wind speed prediction flow chart considering attribute optimization clustering

4 算例仿真

選取東北某風(fēng)場(chǎng)2021 年春季（3 月1 日-5 月31 日）實(shí)測(cè)數(shù)據(jù)構(gòu)建模型樣本集并進(jìn)行仿真分析，采樣步長為10 min，模型輸入樣本的歷史步長為144 步（前24 h），輸出樣本步長為6 步（后1 h），單個(gè)樣本總計(jì)步長為150 步，樣本集共計(jì)13 099 組樣本，其中樣本集前80%為訓(xùn)練數(shù)據(jù)集，后20%為測(cè)試數(shù)據(jù)集。

4.1 屬性相關(guān)性分析

選擇風(fēng)速及6 種關(guān)聯(lián)屬性進(jìn)行歸一化處理，采用FCBF 對(duì)屬性數(shù)據(jù)進(jìn)行篩選，各屬性與風(fēng)速序列的關(guān)聯(lián)度指標(biāo)SU（無量綱）如圖5 所示。

圖5 風(fēng)速屬性關(guān)聯(lián)度Fig.5 Wind speed attribute correlation degree

圖5 的6 種關(guān)聯(lián)屬性均與風(fēng)速序列存在一定相關(guān)性，其中風(fēng)向、氣溫、氣壓3 種屬性的SU較高，因此選擇這3 類屬性構(gòu)建模型的輸入樣本，經(jīng)歸一化處理后的可視化結(jié)果如圖6 所示。

圖6 模型輸入樣本Fig.6 Input samples of prediction model

由圖6 可看出3 類風(fēng)速屬性與風(fēng)速序列間的時(shí)序波動(dòng)一致性，與傳統(tǒng)的風(fēng)速樣本數(shù)據(jù)相比，該輸入樣本包含了更加豐富的時(shí)序信息與隱含聯(lián)系。

4.2 聚類分析

利用WOA-AP 算法對(duì)樣本集進(jìn)行聚類優(yōu)化，并計(jì)算劃分典型集的Sil指標(biāo)（無量綱）評(píng)估算法的準(zhǔn)確性。

設(shè)置初始種群數(shù)為25，最大迭代數(shù)為100。WOA-AP 與AP 聚類算法進(jìn)行對(duì)比，結(jié)果如圖7 所示。

圖7 算法迭代過程Fig.7 Diagram showing algorithm iteration

聚類劃分類別數(shù)自動(dòng)化分為4 類，其中AP 聚類算法Sil為0.334 5，WOA-AP 聚類算法Sil為0.368 9。由于WOA 優(yōu)化模塊的鯨群捕獵仿生機(jī)制使算法參數(shù)更少、尋優(yōu)性能更強(qiáng)，WOA-AP 聚類算法在收斂速度和全局尋優(yōu)能力上更具優(yōu)勢(shì)，并有效提升了聚類準(zhǔn)確性，聚類劃分結(jié)果見表1 和圖8。

表1 WOA-AP聚類結(jié)果Table 1 WOA-AP clustering results

圖8 聚類結(jié)果可視化Fig.8 Visualization of clustering results

由表1 結(jié)合圖8 可知，WOA-AP 聚類算法各類樣本的Sil指標(biāo)較高，類內(nèi)樣本相關(guān)性高，表明聚類結(jié)果具有較高準(zhǔn)確度。同時(shí)劃分邊界選取合理，穩(wěn)定性強(qiáng)，樣本數(shù)均大于2 500，保證了后續(xù)各類模型訓(xùn)練的數(shù)據(jù)庫規(guī)模。

經(jīng)聚類優(yōu)化后的樣本集合作為訓(xùn)練數(shù)據(jù)輸入預(yù)測(cè)模型以提高預(yù)測(cè)精度及泛化能力。

4.3 TCAN預(yù)測(cè)性能分析

經(jīng)大量仿真模擬結(jié)合網(wǎng)格搜索法確定網(wǎng)絡(luò)結(jié)構(gòu)，TCAN 的時(shí)序卷積層數(shù)為3，全連接層隱含單元數(shù)為200，記憶預(yù)測(cè)層為雙隱含層，隱藏層1 隱含單元數(shù)為128，隱含層2 隱含單元數(shù)為256，梯度閾值為0.8。時(shí)序卷積模塊結(jié)構(gòu)參數(shù)見表2，其中卷積核尺寸無量綱。

表2 時(shí)序卷積模塊結(jié)構(gòu)參數(shù)Table 2 Structural parameters of temporal convolution module

以60 號(hào)風(fēng)機(jī)為研究對(duì)象，利用訓(xùn)練完成的TCAN，TCN 及LSTM 分別進(jìn)行1 h 風(fēng)速超短期預(yù)測(cè)，輸入時(shí)間窗為144 步，輸出時(shí)間窗為6 步，預(yù)測(cè)采用6 次模擬取平均所得，不同模型的結(jié)果如圖9和表3 所示。

表3 不同模型預(yù)測(cè)誤差Table 3 Prediction error of different models

圖9 和表3 表明，3 種模型均實(shí)現(xiàn)了風(fēng)速的有效預(yù)測(cè)。其中LSTM 具備記憶功能，但缺乏高效的特征提取模塊，存在梯度散失的問題，預(yù)測(cè)精度相對(duì)較低，該結(jié)論與文獻(xiàn)[24]基本一致；TCN 的時(shí)序卷積實(shí)現(xiàn)了高效的特征提取，其預(yù)測(cè)精度較LSTM 高，但缺乏對(duì)長期歷史信息的處理功能；TCAN 綜合時(shí)序卷積的特征提取能力與記憶單元的長期信息處理能力，相較單一的TCN，LSTM 網(wǎng)絡(luò)，網(wǎng)絡(luò)表征及特征挖掘能力更強(qiáng)，預(yù)測(cè)精度更高。

4.4 TCAN預(yù)測(cè)性能分析

為進(jìn)一步分析組合模型的預(yù)測(cè)性能，選擇本文模型FCBF-WOA-AP-TCAN（模型1），F(xiàn)CBFTCAN（模型2）及TCAN（模型3）分別對(duì)測(cè)試集中5月23 日、5 月25 日、5 月27 日風(fēng)速進(jìn)行1 h 超短期預(yù)測(cè)，結(jié)果見圖10 和表4。

表4 組合模型預(yù)測(cè)誤差對(duì)比Table 4 Comparison of prediction error between combined models

圖10 組合模型預(yù)測(cè)結(jié)果對(duì)比Fig.10 Comparison of prediction results between combined models

由圖10 可知，在風(fēng)速波動(dòng)較為平緩的區(qū)段，3 種方法均能對(duì)實(shí)際風(fēng)速進(jìn)行準(zhǔn)確預(yù)測(cè)；但在風(fēng)速波動(dòng)劇烈的區(qū)段，F(xiàn)CBF-TCAN（模型2）及TCAN（模型3）預(yù)測(cè)效果相對(duì)欠佳，本文模型（模型1）預(yù)測(cè)準(zhǔn)確性更高。

由表4 可知，由于風(fēng)速波動(dòng)性對(duì)預(yù)測(cè)結(jié)果的影響較大，各模型的預(yù)測(cè)效果迥異。其中TCAN（模型3）的預(yù)測(cè)效果相對(duì)較差，預(yù)測(cè)誤差波動(dòng)性較強(qiáng)；模型2 通過FCBF 屬性篩選優(yōu)化TCAN 模型的輸入，預(yù)測(cè)精度得到提升，但由于訓(xùn)練樣本集的復(fù)雜性，模型2 缺乏對(duì)分類變化特征的針對(duì)性學(xué)習(xí)，預(yù)測(cè)結(jié)果泛化適應(yīng)能力較弱，缺乏穩(wěn)定性；本文模型（模型1）采用WOA 克服AP 聚類算法的局部尋優(yōu)特性，構(gòu)建類內(nèi)關(guān)聯(lián)性強(qiáng)、數(shù)據(jù)分布均勻的訓(xùn)練集合，在訓(xùn)練數(shù)據(jù)劃分邊界選取上更具優(yōu)勢(shì)。通過對(duì)WOAAP 聚類算法優(yōu)化的各類典型集合進(jìn)行學(xué)習(xí)，針對(duì)不同風(fēng)速日變化趨勢(shì)選擇與之適配的模型進(jìn)行預(yù)測(cè)，模型易捕獲不同類別的變化特征，在不同預(yù)測(cè)日下均保持了良好的預(yù)測(cè)性能，訓(xùn)練所得TCAN 模型預(yù)測(cè)誤差最小，各項(xiàng)指標(biāo)均滿足風(fēng)速預(yù)測(cè)技術(shù)標(biāo)準(zhǔn)要求。表明本文模型（模型1）具有較好的預(yù)測(cè)效果及泛化遷移能力。

5 結(jié)論

提出基于風(fēng)速屬性樣本優(yōu)化聚類的時(shí)序卷積特征聚合風(fēng)速預(yù)測(cè)模型，得出以下結(jié)論：

1）快速相關(guān)濾波算法能有效篩選風(fēng)速關(guān)聯(lián)屬性因素優(yōu)化樣本集，提高了模型預(yù)測(cè)精度及訓(xùn)練效率。

2）將智能優(yōu)化模塊嵌入臨近傳播聚類機(jī)制，對(duì)訓(xùn)練樣本進(jìn)行合理分類，滿足了類間差異性和類內(nèi)相似性要求，提高聚類準(zhǔn)確性與穩(wěn)定性。

3）時(shí)序卷積特征聚合模型進(jìn)行風(fēng)速時(shí)序特征提取與信息記憶，降低深度學(xué)習(xí)的復(fù)雜度，實(shí)現(xiàn)高效的風(fēng)速屬性隱含信息挖掘與多時(shí)間尺度信息處理，提升了網(wǎng)絡(luò)預(yù)測(cè)精度。通過仿真結(jié)果與實(shí)測(cè)數(shù)據(jù)對(duì)比，驗(yàn)證了該模型的準(zhǔn)確性和適用性。