收稿日期：2023-01-04

基金項目：國家自然科學(xué)基金（52177121）

通信作者：喬寬龍（1997—），男，碩士研究生，主要從事新能源發(fā)電功率預(yù)測技術(shù)方面的研究。qkl12580@163.com

DOI：10.19912/j.0254-0096.tynxb.2023-0009 文章編號：0254-0096（2024）05-0095-09

摘 要：為解決傳統(tǒng)風(fēng)電集群功率預(yù)測方法忽略了不同位置點(diǎn)氣象關(guān)聯(lián)特性及單場預(yù)測無法快速得到風(fēng)電集群整體功率的問題，并充分考慮到風(fēng)電集群耦合的復(fù)雜時空特性，提出一種融合注意力機(jī)制的時空圖卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)電集群功率短期預(yù)測方法。首先，計算區(qū)域內(nèi)風(fēng)電場站歷史功率之間的互信息，提取特征鄰接矩陣，并結(jié)合影響集群功率的氣象特征變量轉(zhuǎn)化為氣象圖數(shù)據(jù)。其次，構(gòu)建圖卷積神經(jīng)網(wǎng)絡(luò)（GCN）模型，從非歐式空間提取氣象圖節(jié)點(diǎn)關(guān)聯(lián)特征。并饋入融合注意力機(jī)制（AM）的門控循環(huán)單元網(wǎng)絡(luò)（GRU）增強(qiáng)時序特征中關(guān)鍵信息對風(fēng)電集群功率的貢獻(xiàn)程度。最后，基于中國西部某省風(fēng)電集群的實(shí)際運(yùn)行數(shù)據(jù)，驗證所提方法的先進(jìn)性和適應(yīng)性。

關(guān)鍵詞：風(fēng)電功率；圖數(shù)據(jù)結(jié)構(gòu)；深度學(xué)習(xí)；時空特性；圖卷積神經(jīng)網(wǎng)絡(luò)；注意力機(jī)制

中圖分類號：TM614""""""""" """"""""""""" """"""""文獻(xiàn)標(biāo)志碼：A

0 引 言

在電力需求高漲及化石能源資源受限的背景下，大力發(fā)展清潔能源已成為共識。在此趨勢下，以風(fēng)電為代表的可再生能源迎來快速發(fā)展。截至2022年底，中國風(fēng)電累計裝機(jī)達(dá)3.7億kW，同比增長11.2%，且全國風(fēng)電、光伏發(fā)電量首次突破1萬億kWh［1］。但隨著風(fēng)電產(chǎn)業(yè)的集群化、規(guī)模化發(fā)展，以及風(fēng)能本身的隨機(jī)性和波動性等特點(diǎn)，大規(guī)模風(fēng)電集中并網(wǎng)必定沖擊區(qū)域性電力系統(tǒng)的安全、穩(wěn)定運(yùn)行［2］。精準(zhǔn)高效的風(fēng)電集群功率短期預(yù)測既是電網(wǎng)安全經(jīng)濟(jì)調(diào)度的基礎(chǔ)，也是應(yīng)對大規(guī)模風(fēng)電消納的關(guān)鍵技術(shù)手段。

近些年，針對單風(fēng)電場功率預(yù)測研究已取得階段性成果，而區(qū)域風(fēng)電功率預(yù)測結(jié)果多由單場站預(yù)測結(jié)果累加或升尺度獲得［3-4］。此類方法計算思想簡單，但未充分考慮風(fēng)電集群內(nèi)部耦合的復(fù)雜時空特性，限制了預(yù)測精度的提升。時間上，將天氣過程劃分為若干時間斷面，人為截斷氣象信息連續(xù)性，易出現(xiàn)氣象與功率不同步現(xiàn)象；空間上，不同區(qū)域的天氣變化趨勢呈現(xiàn)一定的一致性和差異性，單一位置氣象參數(shù)無法提供時空偏移信息，導(dǎo)致預(yù)測功率異常波動。

現(xiàn)如今，集成學(xué)習(xí)和深度學(xué)習(xí)模型走在人工智能技術(shù)前沿。集成學(xué)習(xí)模型主要是組合各子模型優(yōu)勢，文獻(xiàn)［5］利用支持向量機(jī)（support vector machine，SVM）算法多重集成風(fēng)電集群功率子序列，相較于統(tǒng)計升尺度方法具備較高準(zhǔn)確性和適應(yīng)性；文獻(xiàn)［6］基于GRU修正NWP風(fēng)速，建立Stacking多算法融合的短期風(fēng)電功率預(yù)測模型；深度學(xué)習(xí)模型具備高維、非線性特征提取能力，文獻(xiàn)［7］考慮風(fēng)電集群內(nèi)各風(fēng)電場NWP差異性波動，利用雙向長短時記憶（bidirectional long short-term memory，BLSTM）深度神經(jīng)網(wǎng)絡(luò)捕獲風(fēng)電集群時序特征；文獻(xiàn)［8］以ConvLSTM為基本單元建立風(fēng)電多氣象輸入多步預(yù)測模型，實(shí)現(xiàn)單模型同時預(yù)測多場站輸出功率，顯著降低建模工作量。

上述這些方法多是考慮到歷史時刻風(fēng)電出力對當(dāng)前時刻風(fēng)電出力的影響，但忽略了風(fēng)電場與風(fēng)電場出力之間的空間關(guān)聯(lián)特性。文獻(xiàn)［9］將多點(diǎn)位NWP數(shù)據(jù)輸入卷積神經(jīng)網(wǎng)絡(luò)（convolution neural network，CNN），利用風(fēng)電場間空間相關(guān)性豐富了目標(biāo)風(fēng)電場氣象輸入；文獻(xiàn)［10］考慮大氣運(yùn)動連續(xù)性，基于CNN-LSTM組合模型深度挖掘風(fēng)電出力時空特性，有效提升風(fēng)電集群預(yù)測精度。上述模型多是將NWP多變量數(shù)據(jù)按簡單的人為規(guī)定編輯成規(guī)則連接的二維氣象數(shù)據(jù)，但風(fēng)電集群內(nèi)各風(fēng)電場并非規(guī)則分布，不同風(fēng)電場局部影響性和被影響性各異，因此，CNN捕獲空間相關(guān)性具有局限性。利用圖數(shù)據(jù)刻畫風(fēng)電場空間分布特性更具普適性，文獻(xiàn)［11］利用GCN層捕獲不同風(fēng)力機(jī)間空間信息，但多層感知器（multilayers perception，MLP）簡易模型未能充分挖掘時序特征。

基于上述模型優(yōu)缺點(diǎn)，本文以提升現(xiàn)有NWP數(shù)據(jù)潛力為基礎(chǔ)，以深度挖掘時空特征為手段，提出一種融合注意力機(jī)制的時空圖卷積神經(jīng)網(wǎng)絡(luò)（spatio-temporal graph convolution neural network with attention mechanism，AM-STGCN）的風(fēng)電集群功率短期預(yù)測模型。首先，基于最大信息系數(shù)（maximal information coefficient，MIC）將風(fēng)電集群原始?xì)庀笮畔⑥D(zhuǎn)化為氣象圖數(shù)據(jù)，用以提高區(qū)域氣象資源利用率。其次，從非歐式空間聚合和提取氣象圖各節(jié)點(diǎn)及其鄰接節(jié)點(diǎn)時空特征，所融合Attention機(jī)制使模型更易捕獲序列數(shù)據(jù)的長距離依賴性。最后，基于中國西部某省部分風(fēng)電場的算例分析表明，所提方法相較于其他功率預(yù)測模型表現(xiàn)出優(yōu)良性能。

1 基于最大信息系數(shù)的鄰接矩陣構(gòu)建

由氣象模式計算得到的電力氣象數(shù)據(jù)可提供預(yù)報要素在日前、日內(nèi)等時間尺度下的氣象信息。為深度挖掘場站耦合的復(fù)雜時空相關(guān)性，本文以離散NWP數(shù)據(jù)為基礎(chǔ)，包括風(fēng)速、風(fēng)向、溫度等參數(shù)，空間分辨率為3 km×3 km，時間分辨率為15 min，通過關(guān)鍵氣象要素的節(jié)點(diǎn)互聯(lián)來構(gòu)建氣象圖數(shù)據(jù)。當(dāng)前研究直接依據(jù)[k]最近鄰［12］、[k]均值聚類［13］等算法構(gòu)建圖結(jié)構(gòu)數(shù)據(jù)，并結(jié)合密度敏感度和歐式距離來衡量節(jié)點(diǎn)間的相似度，但核心參數(shù)依賴人工經(jīng)驗選取，易導(dǎo)致圖節(jié)點(diǎn)的冗余連接。因此，為更好提取圖節(jié)點(diǎn)間的互信息，利用MIC系數(shù)［14］來描述各場站功率間的非線性、時空關(guān)聯(lián)程度。其中，互信息可定義為：

[I[X;Y]=H（X）-H（X|Y）=x∈Xy∈Yp（x，y）log2p（x，y）p（x）p（y）]""" （1）

[H（X）=-x∈Xp（x）log2p（x）]"" （2）

[H（X|Y）=-x∈Xy∈Yp（x，y）log2p（x|y）] （3）

[p（x|y）=p（x，y）/p（y）]""""" （4）

式中：[I[X;Y]]——場站[X]與[Y]間的互信息；[H（X）]——[X]的熵；[H（X|Y）]——在[Y]已知條件下[X]的熵；[p（x，y）]——聯(lián)合概率密度函數(shù)；[p（x）]和[p（y）]——邊緣密度函數(shù)。

MIC系數(shù)通過將各場站功率離散于二維空間中，進(jìn)行網(wǎng)格化處理。并將變量間最大互信息值進(jìn)行歸一化至 （0，1）區(qū)間。因此，MIC系數(shù)可表示為：

[MIC（X;Y）=maxablt;BI（X;Y）log2min（a，b）]" （5）

式中：[ablt;B]——網(wǎng)格數(shù)量的約束條件；[B]——取樣本總數(shù)的0.6次方。

本文定義基于多場站、多關(guān)鍵氣象要素的氣象圖為[G=（V，E）]，節(jié)點(diǎn)集合[V={v1，v2，…，vN}]是由風(fēng)電集群內(nèi)[N]個風(fēng)電場站組成，邊集合[E={Eij|i≠j}]是由不同編號風(fēng)電場站歷史功率數(shù)據(jù)之間的MIC系數(shù)確定?；诖耍傻玫斤L(fēng)電集群內(nèi)各場站間鄰接關(guān)系，所以鄰接矩陣[A]（[A∈RN×N]）可表示為：

[A=1…E1N???EN1…1] （6）

2 短期預(yù)測模型研究

2.1 圖卷積神經(jīng)網(wǎng)絡(luò)

由于天氣過程、地理位置、風(fēng)電場站空間拓?fù)浣Y(jié)構(gòu)等因素的影響，不同風(fēng)電場站局部影響性各異，圖結(jié)構(gòu)數(shù)據(jù)更能準(zhǔn)確刻畫風(fēng)電集群內(nèi)某位置風(fēng)電場及其鄰近風(fēng)電場間的信息聚合。而傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)在處理此類非歐式空間數(shù)據(jù)時，由于平移不變性的缺失，無法直接對其進(jìn)行卷積和池化等操作。GCN［15］主要借鑒于卷積神經(jīng)網(wǎng)絡(luò)對局部結(jié)構(gòu)的建模能力及圖上普遍存在的節(jié)點(diǎn)依賴關(guān)系。特別地，利用圖上卷積定理從譜域定義圖卷積稱為譜方法，實(shí)現(xiàn)局部結(jié)構(gòu)特征提取和學(xué)到網(wǎng)絡(luò)隱層表示。

利用譜圖分析，可定義圖[G]的Laplacian矩陣[L]為[L=D-A]，正則化的Laplacian矩陣為：

[L=IN-D-1/2AD-1/2=UΛUT]""""" （7）

式中：[IN∈RN×N]——單位矩陣；[D∈RN×N]——度矩陣，[Dii=jAij]；[UΛUT]——[L]譜分解轉(zhuǎn)化為特征值與特征向量乘積，[Λ=diag（[λ1， …， λN]）]。

轉(zhuǎn)置特征矩陣[UT]是正定矩陣，以此當(dāng)作譜空間下的一組基底，則圖上信號[x]的傅里葉變換為：

[x=UTx]" （8）

式中：[x]和[x]——信號在節(jié)點(diǎn)域和譜域的表示。對式（8）左右兩端進(jìn)行傅里葉逆變換后為：

[x=（UT）-1x=Ux]""" （9）

基于圖上節(jié)點(diǎn)域信號[x]和[y]，利用傅里葉變換和逆變換操作，則可結(jié)合卷積定理獲取圖卷積算子：

[x*Gy=U（UTx）⊙（UTy）]"""""" （10）

式中：[*G]——圖卷積算子；[⊙]——Hadamard積，表示向量間對應(yīng)元素相乘。向量[UTy]可利用卷積核[gθ=diag（[θ0，…，θN-1]）]所代替，則Hadamard乘法可轉(zhuǎn)化為矩陣乘法，從而式（11）轉(zhuǎn)化為：

[gθ*x=x*Gy=UgθUTx]"""" （11）

式中：[*]——卷積運(yùn)算；[θk]——學(xué)習(xí)參數(shù)。文獻(xiàn)［16］引入一階近似切比雪夫網(wǎng)絡(luò)，從而利用多項式參數(shù)化卷積核[gθ]，大大降低了時間復(fù)雜度。最終圖卷積分層傳播公式可表示為：

[X（l+1）=ReLU（D-1/2AD-1/2X（l）W（l））]""""" （12）

式中：[A=A+IN]——節(jié)點(diǎn)自連接；[Dii=jAij]；[X]——特征矩陣；[W（l）]——第[l]層的學(xué)習(xí)參數(shù)。

2.2 門控循環(huán)單元網(wǎng)絡(luò)

GRU［17］為循環(huán)神經(jīng)網(wǎng)絡(luò)變體之一，在結(jié)構(gòu)上與LSTM相似。采用縮減門控單元網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的方式，將LSTM結(jié)構(gòu)中表示“輸入”和“遺忘”的門控結(jié)構(gòu)集成更新門，該模型訓(xùn)練參數(shù)較少，更易收斂。圖1為GRU模型內(nèi)部結(jié)構(gòu)圖。更新門[ut]同時實(shí)現(xiàn)“遺忘”和“選擇記憶”功能，用于控制前一時刻的狀態(tài)信息對當(dāng)前時刻的影響程度，而重置門[rt]用于控制前一時刻的狀態(tài)信息量與當(dāng)前時刻的結(jié)合程度。

利用GRU提取氣象圖時序特征，具體計算公式為：

[ut=σWu[GC（A，Xt），ht-1]+bu]"""" （13）

[rt=σWr[GC（A，Xt），ht-1]+br]""""" （14）

[ht=tanhWc[GC（A，Xt），（rt·ht-1）]+bc] （15）

[ht=utht-1+（1-ut）ht]""""" （16）

式中：[GC（?）]——圖卷積過程；[ht-1]和[ht]——[t-1]和[t]時刻的隱藏狀態(tài)；[Xt]——當(dāng)前時刻的特征信息；[ht]——當(dāng)前時刻輸入對隱藏層狀態(tài)的影響；[σ·]——sigmoid激活函數(shù)；[Wu]、[Wr]和[bu]、[br]——門控結(jié)構(gòu)對應(yīng)的權(quán)重矩陣和偏置向量；[Wc]、[bc]——更新狀態(tài)對應(yīng)的權(quán)重矩陣和偏置向量。

2.3 注意力機(jī)制

Attention機(jī)制［18］源于對人類視覺的研究，現(xiàn)主要使用權(quán)重分配的方式對關(guān)鍵信息分配較多注意力。在較長的時間數(shù)據(jù)序列和多維特征處理方面，GRU模型由于門控結(jié)構(gòu)特性也存在長程梯度消失問題，引入該機(jī)制可有效解決此問題，并增強(qiáng)關(guān)鍵信息對于模型輸出結(jié)果的影響，從而提升深度學(xué)習(xí)模型特征挖掘能力。具體計算公式為：

[et=utanh（ωht+b）] （17）

[αt=exp（et）k=t-ntexp（ek）]""" （18）

[ct=i=t-ntαihi]""""" （19）

式中：[et]——注意力得分；[αt]——[t]時刻注意力概率分布；[ct]——[t]時刻注意力層狀態(tài)值；[u]和[ω]——權(quán)重系數(shù)；[b]——偏置系數(shù)。

2.4 風(fēng)電集群功率預(yù)測模型

風(fēng)電集群耦合出復(fù)雜的時空特性，為實(shí)現(xiàn)單個模型快速獲取風(fēng)電集群整體功率，提出基于AM-STGCN的風(fēng)電集群功率短期預(yù)測模型。模型整體框架如圖2所示，主要從以下3個方面進(jìn)行闡述：

1） 首先對風(fēng)電集群所對應(yīng)的原始NWP氣象數(shù)據(jù)與歷史功率數(shù)據(jù)進(jìn)行異常值辨識與處理［19］。并結(jié)合交叉驗證法［20］優(yōu)選出9種關(guān)鍵氣象要素，以此確定氣象圖節(jié)點(diǎn)屬性信息。然后，通過計算各風(fēng)電場站歷史功率數(shù)據(jù)MIC系數(shù)，以此確定氣象圖結(jié)構(gòu)信息。最后，通過關(guān)鍵氣象要素的節(jié)點(diǎn)互聯(lián)構(gòu)建氣象圖數(shù)據(jù)，從而實(shí)現(xiàn)風(fēng)電集群在非歐式空間數(shù)據(jù)分布。

2） 首先AM-STGCN模型中圖卷積層通過聚合氣象圖中各節(jié)點(diǎn)自身屬性信息及其鄰接節(jié)點(diǎn)屬性信息，獲取新的氣象數(shù)據(jù)空間特征表示，有效提高區(qū)域氣象資源利用率。其次，時間卷積層捕獲空間特征在時序上的動態(tài)變化，獲取各時刻隱藏狀態(tài)并饋入注意力機(jī)制模塊。然后，在序列解碼過程中，強(qiáng)制神經(jīng)網(wǎng)絡(luò)再次回顧源序列內(nèi)部的每個瞬時量所對應(yīng)的隱藏向量[ht-n，ht-n+1，…，ht-1，ht]。并加權(quán)求和各個時刻隱藏狀態(tài)所分配的注意力概率分布值[αt-n，αt-n+1，…，αt-1，αt]，從而得到包含關(guān)鍵信息的[t]時刻注意力層狀態(tài)值[ct]。最后，通過全連接層映射時空特征與各風(fēng)電場站輸出功率的非線性關(guān)系，從而完成模型構(gòu)建。

3） 首先通過判斷損失函數(shù)值是否不再減少來完成模型訓(xùn)練。然后，將測試時段氣象圖數(shù)據(jù)輸入此“多輸入、多輸出”映射結(jié)構(gòu)模型當(dāng)中，同時得到風(fēng)電集群內(nèi)各風(fēng)電場站的預(yù)測功率。最后，求取各單風(fēng)電場功率預(yù)測結(jié)果并集即可得到風(fēng)電集群總功率，從而顯著提高建模效率。

3 算例分析

3.1 原始數(shù)據(jù)描述與評價指標(biāo)

本文選取中國西部某省28座風(fēng)電場構(gòu)建的風(fēng)電集群實(shí)際運(yùn)行數(shù)據(jù)進(jìn)行算例分析。該風(fēng)電集群總裝機(jī)容量為3193.5 MW，樣本時間分辨率為15 min。其中，劃分2021年1月1日—2022年1月6日數(shù)據(jù)為訓(xùn)練集，劃分2022年1月7日—2月27日數(shù)據(jù)為測試集用于模型性能驗證。風(fēng)電場站分布如圖3所示。

為消除量綱差異性影響，利用極差變化法［21］對樣本進(jìn)行歸一化處理至區(qū)間［0，1］內(nèi)，數(shù)學(xué)表達(dá)式為：

[x′=x-xminxmax-xmin]""""" （20）

式中：[x]和[x′]——樣本歸一化前、后的值；[xmax]和[xmin]——樣本中的最大值和最小值。

為定量分析預(yù)測結(jié)果，本文選取歸一化均方根誤差（root mean square error，RMSE）和歸一化平均絕對誤差（mean absolute error，MAE）作為評價指標(biāo)［22］，它們可更好地反映出預(yù)測結(jié)果精確度及偏離程度，其計算公式為：

[ERMSE=1ycap1nt=1nyt-y′t2]"" （21）

[EMAE=1nt=1nyt-y′tycap×100%]"" （22）

式中：[n]——總樣本數(shù)量；[yt]和[y′t]——[t]時刻風(fēng)電集群功率實(shí)際值和預(yù)測值；[ycap]——風(fēng)電集群裝機(jī)容量。

3.2 氣象圖數(shù)據(jù)生成

將氣象數(shù)據(jù)定義在非規(guī)則圖結(jié)構(gòu)上，旨在從非歐式空間挖掘NWP數(shù)據(jù)潛力。視風(fēng)電集群內(nèi)各風(fēng)電場為圖節(jié)點(diǎn)，節(jié)點(diǎn)屬性信息由圖2所示的風(fēng)速、風(fēng)向、溫度等9種氣象要素構(gòu)建。如圖4所示，圖結(jié)構(gòu)屬性則通過計算各風(fēng)電場站歷史功率數(shù)據(jù)的MIC系數(shù)矩陣所確定。風(fēng)電集群內(nèi)各風(fēng)電場的強(qiáng)相關(guān)性、鄰近風(fēng)電場呈現(xiàn)稀疏分布特點(diǎn)。

如圖5所示為部分風(fēng)電場所構(gòu)建氣象圖，氣象圖節(jié)點(diǎn)局部結(jié)構(gòu)各異。單層GCN可被用于提取中心節(jié)點(diǎn)1及其鄰近節(jié)點(diǎn)2、6、8上的屬性信息。為獲取更加豐富的多場站、多變量氣象數(shù)據(jù)空間特征表示，本文采取兩層GCN。提取二階鄰近節(jié)點(diǎn)屬性信息，中心點(diǎn)1獲得自身及其鄰近節(jié)點(diǎn)2、3、5、6、8、9上的屬性信息。

通過耦合強(qiáng)相關(guān)性風(fēng)電場站氣象數(shù)據(jù)，有利于目標(biāo)風(fēng)電場站獲得多源輸入，從而提高區(qū)域氣象資源利用率。

3.3 實(shí)驗結(jié)果與分析

為驗證本文所提基于AM-STGCN的風(fēng)電集群日前功率預(yù)測模型的先進(jìn)性，引入經(jīng)典BP人工神經(jīng)網(wǎng)絡(luò)模型、SVM模型、基于殘差連接的CNN神經(jīng)網(wǎng)絡(luò)模型以及多個基線模型作預(yù)測性能對比，各模型預(yù)測路線如表1所示。

針對“一場一測式”預(yù)測模型，風(fēng)電集群功率預(yù)測結(jié)果是通過分別為風(fēng)電集群中各個風(fēng)電場單獨(dú)建模，然后將預(yù)測結(jié)果累加求和所獲得；而對于“集中式”預(yù)測模型，風(fēng)電集群功率預(yù)測結(jié)果是多輸出功率的并集。測試時段不同預(yù)測方法與實(shí)際功率曲線對比如圖6所示。

從整體上來看，不同方案預(yù)測出力與實(shí)際出力波動基本相符，主要是受風(fēng)電集群平滑效應(yīng)的影響，模型更易捕捉整體出力趨勢特性。為進(jìn)一步說明AM-STGCN模型的預(yù)測性能優(yōu)越性，對比分析不同方案預(yù)測結(jié)果的誤差統(tǒng)計情況。

由表2可看出，GCN相較于BPNN、SVM以及GRU預(yù)測模型的[EMAE]指標(biāo)降幅分別為11.52、4.73和3.47個百分點(diǎn)；[ERMSE]指標(biāo)增幅分別為1.83、5.56和7.18個百分點(diǎn)。風(fēng)電集群功率預(yù)測精度均略低于3個“一場一測式”預(yù)測模型的預(yù)測精度，但建模工作量顯著降低。圖7展示上述4種預(yù)測模型與實(shí)際功率局部對比曲線。

實(shí)際功率局部曲線對比

從圖7可直觀看出，在風(fēng)電集群低出力時段，GCN模型相比另外3個預(yù)測模型的預(yù)測曲線趨勢更貼近于實(shí)際功率曲線。原因在于GCN模型可有效提取各風(fēng)電場站及其鄰接場站空間特征，區(qū)域氣象資源利用率最高，因而縱向誤差較小。在風(fēng)電集群中高出力時段，GCN預(yù)測曲線變化對比實(shí)際功率曲線會有明顯滯后。主要原因在于GCN模型結(jié)構(gòu)未能充分挖掘區(qū)域資源時序特征，時間序列的本質(zhì)屬性導(dǎo)致滯后現(xiàn)象時有發(fā)生。因此，橫向誤差較大，也致使其[ERMSE]較大。另外，結(jié)合上述預(yù)測出力曲線可知，傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)預(yù)測出力雖然較為穩(wěn)定，但呈現(xiàn)一定的“高出力上不去，低出力下不來”問題，進(jìn)一步體現(xiàn)出深度學(xué)習(xí)模型優(yōu)勢。

GCN相較于ResCNN預(yù)測模型的[ERMSE]和[EMAE]指標(biāo)降幅分別為1.99和8.75個百分點(diǎn)。從而體現(xiàn)出從非歐式空間挖掘區(qū)域氣象資源與風(fēng)電集群功率的深層映射關(guān)系的優(yōu)越性。

同樣由表2可知，所提AM-STGCN深度學(xué)習(xí)模型相較于預(yù)測模型1～6，[ERMSE]指標(biāo)降幅分別為11.33、8.08、6.67、14.65、12.92和3.58個百分點(diǎn)；[EMAE]指標(biāo)降幅分別為18.48、12.23、11.07、15.94、7.88和6.76個百分點(diǎn)。STGCN深度學(xué)習(xí)模型相較于預(yù)測模型1～5，[ERMSE]指標(biāo)降幅分別為8.04、4.67、3.21、11.49和9.69個百分點(diǎn)；[EMAE]指標(biāo)降幅分別為12.58、5.87、4.63、9.84和1.20個百分點(diǎn)。AM-STGCN和STGCN模型預(yù)測精度均高于其余5個基線模型。原因在于受氣象條件、周圍環(huán)境、風(fēng)電場站空間拓?fù)浣Y(jié)構(gòu)等因素的影響，同一區(qū)域內(nèi)各風(fēng)電場站耦合出復(fù)雜的時空相關(guān)性，模型6和7均具備強(qiáng)大的對高維、復(fù)雜時空數(shù)據(jù)特征的學(xué)習(xí)和泛化能力。然后對比分析預(yù)測模型6和7預(yù)測誤差評價指標(biāo)，本文所提AM-STGCN模型預(yù)測效果完全優(yōu)于未組合注意力機(jī)制的STGCN模型。圖8為測試時段中模型6和7的預(yù)測結(jié)果與實(shí)際值的局部對比曲線。

AM-STGCN的預(yù)測功率曲線相較于STGCN預(yù)測功率曲線也更貼近于實(shí)際功率曲線走勢。原因在于STGCN僅考慮了歷史前一時刻對當(dāng)前時刻狀態(tài)的影響，而AM-STGCN引入注意力機(jī)制能在長輸入時間序列中學(xué)習(xí)到全局相關(guān)性，強(qiáng)化時空特征所含關(guān)鍵信息對結(jié)果的貢獻(xiàn)程度，使模型更易捕獲序列數(shù)據(jù)的長距離依賴性。

為驗證所提AM-STGCN深度學(xué)習(xí)模型的適用性，選取不同風(fēng)電場100 m層高風(fēng)速差異較大時段的場景，具體如圖9所示。樣本時間分辨率為1 h，主要分布在[0.5～10 m/s]風(fēng)速區(qū)間。

風(fēng)電集群中包含大量非規(guī)則分布的風(fēng)電場，受制于風(fēng)資源時空特性，各風(fēng)電場風(fēng)速呈現(xiàn)不同步、不均勻、非線性等特點(diǎn)。如表3所示在各風(fēng)電場風(fēng)速差異較大時，對比分析不同方案預(yù)測結(jié)果的誤差統(tǒng)計情況。

由表3可知，在風(fēng)電集群內(nèi)各風(fēng)電場風(fēng)速差異較大時，本文所提AM-STGCN模型仍表現(xiàn)出優(yōu)異的魯棒性，風(fēng)電集群總功率預(yù)測各項評價指標(biāo)均優(yōu)于其他預(yù)測模型。

4 結(jié) 論

為最大限度從有限氣象預(yù)報信息中挖掘可用于風(fēng)電集群功率短期預(yù)測的有用信息，考慮到區(qū)域風(fēng)電集群耦合的復(fù)雜時空特性，本文提出一種融合注意力機(jī)制的圖卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)電集群功率預(yù)測方法，通過算例驗證，得出以下結(jié)論：

1）利用非規(guī)則圖結(jié)構(gòu)刻畫風(fēng)電集群氣象數(shù)據(jù)分布，有助于風(fēng)電場與鄰近風(fēng)電場間的信息聚合。圖卷積層有效提取氣象圖結(jié)構(gòu)信息以及附屬于圖節(jié)點(diǎn)的屬性信息，從而有助于充分挖掘現(xiàn)有數(shù)值天氣預(yù)報潛力，提高區(qū)域氣象資源利用率。

2）GRU層融合Attention機(jī)制有效解決了模型輸入長時間序列時易出現(xiàn)梯度消失的問題，并強(qiáng)化時空特征所含關(guān)鍵信息對風(fēng)電集群功率的貢獻(xiàn)程度，從而提升了模型的特征挖掘能力。

3）AM-STGCN模型從非歐式空間深度挖掘風(fēng)電集群時空特性的內(nèi)在規(guī)律，快速得到風(fēng)電集群整體功率。且各項預(yù)測誤差評價指標(biāo)均優(yōu)于其余預(yù)測模型，充分驗證了模型先進(jìn)性與適應(yīng)性。

本文基于離散型NWP，利用AM-STGCN實(shí)現(xiàn)風(fēng)電集群短期功率預(yù)測，下一步研究重點(diǎn)是如何基于網(wǎng)格化NWP，深度挖掘區(qū)域整體氣象資源特征。另外，本文所構(gòu)建氣象圖為固定節(jié)點(diǎn)數(shù)，研究結(jié)合多頭空間注意機(jī)制，提升模型自適應(yīng)性。

［參考文獻(xiàn)］

［1］"""" 國家能源局. 國家能源局發(fā)布2022年全國電力工業(yè)統(tǒng)計數(shù)據(jù)［EB/OL］. （2023-01-18）. http：//www.nea.gov.cn/2023-01/18/c_1310691509.htm.

National Energy Administration. National energy administration releases 2022 national electric power industry statistical data ［EB/OL］. （2023-01-18）. http：//www.nea.gov.cn/2023-01/18/c_1310691509.htm.

［2］"""" 王勃， 劉純， 馮雙磊， 等. 基于集群劃分的短期風(fēng)電功率預(yù)測方法［J］. 高電壓技術(shù)， 2018， 44（4）： 1254-1260.

WANG B， LIU C， FENG S L， et al. Prediction method for short-term wind power based on wind farm clusters［J］. High voltage engineering， 2018， 44（4）： 1254-1260.

［3］"""" 涂青宇， 苗世洪， 林毓軍， 等. 基于動態(tài)R藤Copula模型的區(qū)域風(fēng)電集群超短期功率區(qū)間預(yù)測方法［J］. 高電壓技術(shù)， 2022， 48（2）： 456-470.

TU Q Y， MIAO S H， LIN Y J， et al. Ultra-short-term interval forecasting method for regional wind farms based on"" dynamic""" R-vine"" Copula"" model［J］."" High"" voltage engineering， 2022， 48（2）： 456-470.

［4］"""" 王尤嘉， 魯宗相， 喬穎， 等. 基于特征聚類的區(qū)域風(fēng)電短期功率統(tǒng)計升尺度預(yù)測［J］. 電網(wǎng)技術(shù)， 2017， 41（5）： 1383-1389.

WANG Y J， LU Z X， QIAO Y， et al. Short-term regional wind power statistical upscaling forecasting based on feature clustering［J］. Power system technology， 2017， 41（5）： 1383-1389.

［5］"""" 李聰， 彭小圣， 王皓懷， 等. 基于SDAE深度學(xué)習(xí)與多重集成的風(fēng)電集群短期功率預(yù)測［J］. 高電壓技術(shù)， 2022， 48（2）： 504-512.

LI C， PENG X S， WANG H H， et al. Short-term power prediction of wind power cluster based on SDAE deep learning""" and""" multiple""" integration［J］."" High""" voltage engineering， 2022， 48（2）： 504-512.

［6］"""" 楊國清， 劉世林， 王德意， 等. 基于Attention-GRU風(fēng)速修正和Stacking的短期風(fēng)電功率預(yù)測［J］. 太陽能學(xué)報， 2022， 43（12）： 273-281.

YANG G Q， LIU S L， WANG D Y， et al. Short-term wind power forecasting based on Attention-GRU wind speed correction and Stacking［J］. Acta energiae solaris sinica， 2022， 43（12）： 273-281.

［7］"""" PENG X S， 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.

［8］"""" 周家慷. 基于深度學(xué)習(xí)的風(fēng)電集群短期功率預(yù)測方法研究［D］. 北京： 華北電力大學(xué)， 2021.

ZHOU J K. Research on short-term power forecasting method of wind power cluster based on deep learning［D］. Beijing： North China Electric Power University， 2021.

［9］"""" CHEN G， SHAN J N， LI D Y， et al. Research on wind power prediction method based on convolutional neural network and genetic algorithm［C］//2019 IEEE Innovative Smart Grid Technologies-Asia （ISGT Asia）. Chengdu， China， 2019： 3573-3578.

［10］""" 殷豪， 歐祖宏， 陳德， 等. 基于二次模式分解和級聯(lián)式深度學(xué)習(xí)的超短期風(fēng)電功率預(yù)測［J］. 電網(wǎng)技術(shù)， 2020， 44（2）： 445-453.

YIN H， OU Z H， CHEN D， et al. Ultra-short-term wind power prediction based on two-layer mode decomposition and cascaded deep learning［J］. Power system technology， 2020， 44（2）： 445-453.

［11］""" 張淑清， 楊振寧， 姜安琦， 等. 基于EN-SKPCA降維和FPA優(yōu)化LSTMNN的短期風(fēng)電功率預(yù)測［J］. 太陽能學(xué)報， 2022， 43（6）： 204-211.

ZHANG S Q， YANG Z N， JIANG A Q， et al. Short term wind power prediction based on EN-SKPCA dimensionality reduction and FPA optimizing LSTMNN［J］. Acta energiae solaris sinica， 2022， 43（6）： 204-211.

［12］""" 楊茂， 彭天， 蘇欣. 基于預(yù)測信息二維坐標(biāo)動態(tài)劃分的風(fēng)電集群功率超短期預(yù)測［J］. 中國電機(jī)工程學(xué)報， 2022， 42（24）： 8854-8864.

YANG M， PENG T， SU X. Ultra-short term wind power prediction" based" on" two-dimensional" coordinate dynamic division of prediction information［J］. Proceedings of the CSEE， 2022， 42（24）： 8854-8864.

［13］""" 石立賢， 金懷平， 楊彪， 等. 基于局部學(xué)習(xí)和多目標(biāo)優(yōu)化的選擇性異質(zhì)集成超短期風(fēng)電功率預(yù)測方法［J］. 電網(wǎng)技術(shù)， 2022， 46（2）： 568-577.

SHI L X， JIN H P， YANG B， et al. Selective heterogeneous ensemble for ultra-short-term wind power forecasting based on local learning and multi-objective optimization［J］. Power system technology， 2022， 46（2）： 568-577.

［14］""" 張浩田， 溫蜜， 李晉國， 等. 數(shù)據(jù)驅(qū)動的時間注意力卷積風(fēng)電功率預(yù)測模型［J］. 太陽能學(xué)報， 2022， 43（10）： 167-176.

ZHANG H T， WEN M， LI J G， et al. Data driven time attention"" convolution" wind" power" prediction" model［J］. Acta energiae solaris sinica， 2022， 43（10）： 167-176.

［15］""" ZHANG G， LIU H C， ZHANG J B， et al. Wind power prediction based on variational mode decomposition multi-frequency"" combinations［J］." Journal"" of"" modern"" power systems and clean energy， 2019， 7（2）： 281-288.

［16］""" AN J Q， YIN F， WU M， et al. Multisource wind speed fusion method for short-term wind power prediction［J］. IEEE transactions on industrial informatics， 2021， 17（9）： 5927-5937.

［17］""" KHODAYAR M， WANG J H. Spatio-temporal graph deep neural network for short-term wind speed forecasting［J］. IEEE transactions on sustainable energy， 2019， 10（2）： 670-681.

［18］""" 綦方中， 卓可翔， 曹柬. 基于多層語義融合注意力機(jī)制的短期風(fēng)電功率概率密度預(yù)測方法［J］. 太陽能學(xué)報， 2022， 43（11）： 140-147.

QI F Z， ZHUO K X， CAO J. Short-term wind power probability density prediction method based on multi-level semantic attention mechanism［J］. Acta energiae solaris sinica， 2022， 43（11）： 140-147.

［19］""" BAI J D， ZHU J W， SONG Y J， et al. A3T-GCN： attention temporal graph convolutional network for traffic forecasting［J］. ISPRS international journal of geo-information， 2021， 10（7）： 485.

［20］""" 葉林， 李奕霖， 裴銘， 等. 寒潮天氣小樣本條件下的短期風(fēng)電功率組合預(yù)測［J］. 中國電機(jī)工程學(xué)報， 2023， 43（2）： 543-555.

YE L， LI Y L， PEI M， et al. Combined approach for short-term wind power forecasting under cold weather with small sample［J］. Proceedings of the CSEE， 2023， 43（2）： 543-555.

［21］""" 王曉東， 栗杉杉， 劉穎明， 等. 基于特征變權(quán)的超短期風(fēng)電功率預(yù)測［J］. 太陽能學(xué)報， 2023， 44（2）： 52-58.

WANG X D， LI S S， LIU Y M， et al. Ultra-short-term wind power prediction based on variable feature weight［J］. Acta energiae solaris sinica， 2023， 44（2）： 52-58.

［22］""" 楊茂， 張羅賓. 基于數(shù)據(jù)驅(qū)動的超短期風(fēng)電功率預(yù)測綜述［J］. 電力系統(tǒng)保護(hù)與控制， 2019， 47（13）： 171-186.

YANG M， ZHANG L B. Review on ultra-short term wind power forecasting based on data-driven approach［J］. Power system protection and control， 2019， 47（13）： 171-186.

SHORT-TERM PREDICTION METHOD OF WIND POWER

CLUSTERS BASED ON GRAPH CONVOLUTION

NEURAL NETWORK UNDER SPITIO-TEMPORAL CHARACTERISTICS

Qiao Kuanlong1，2，Dong Cun1，3，Che Jianfeng2，Jiang Jiandong1，Wang Bo2

（1. School of Electrical and Information Engineering， Zhengzhou University， Zhengzhou 450001， China；

2. National Key Laboratory of Renewable Energy Grid-Integration， China Electric Power Research Institute， Beijing 100192， China；

3. National Electric Power Dispatching and Control Center， Beijing 100031， China）

Abstract：In order to solve the problems that the traditional wind power clusters prediction methods ignore the meteorological correlation characteristics of different locations and the single site prediction cannot quickly obtain the overall power of the wind power clusters， and fully consider the complex spatio-temporal characteristics of wind power clusters coupling， a short-term prediction method of wind power clusters based on attention mechanism and spatio-temporal graph convolution neural network is proposed. Initially， the mutual information between the historical power of wind farms in the region is calculated， the feature adjacency matrix is extracted， and the meteorological characteristic variables that affect the cluster power， which are converted into meteorological graph data. Furthermore， a graph convolution network （GCN） model is constructed to extract the correlation characteristics of meteorological graph nodes from non-European space. The gated recurrent unit （GRU） network， which incorporates the attention mechanism （AM）， is fed to enhance the contribution of key information in the temporal features to the power of wind power clusters. Finally， the progressiveness and adaptability of the proposed method is verified based on the actual operation data of the wind power cluster in a certain province in Western China.

Keywords：wind power； graph data structures； deep learning； spatio-temporal characteristics； graph convolutional neural network； attention mechanism