超短期预测性能更好！新疆大学研究者提出风电功率短期预测新方法

为提高短期风电功率预测精度，新疆大学电气工程学院的刘雨佳、樊艳芳、白雪岩、宋雨露、郝瑞鑫，在《电工技术学报》上撰文，首先在卷积神经网络（CNN）-长短期记忆（LSTM）网络模型的基础上，引入特征交叉（FC）机制，对风电场数据集进行相关性分析并交叉组合，增加特征维度，加强非线性特征学习，挖掘隐藏关联，提高训练精度，构建形成FC-CNN-LSTM预测模型。

研究者将该预测模型在风电预测中产生的误差值作为训练数据，训练生成误差补偿模型，利用该模型计算结果对风电预测数据进行补偿，进一步提高预测精度。仿真验证该方法具有较高的预测精度，且相比传统预测模型，在分钟级超短期尺度上的预测性能具有显著优势。

风力发电具有随机性、间歇性、不确定性等特点，且受限于成本、空间等因素，储能系统难以大量存储电能，导致弃风率常年居高不下。因此，精确的风力发电功率预测是提高可再生能源消纳、保障电网安全稳定运行的首要条件。

目前风电功率预测方法主要有物理建模、统计建模、人工智能算法建模三类。传统的物理、统计建模方法由于物理数据收集、参数选择难度较大，处理大量数据的能力较弱，难以建立精确的预测模型，所以在实际应用中通常采用人工智能算法对风功率预测进行建模。

早期采用的人工智能算法主要包括人工神经网络（ANN）、支持向量机（SVM）。人工神经网络虽然对非线性问题具有较强的处理能力，但其计算量与未知量数量成正比，容易陷入局部最优；支持向量机不易陷入局部最优，但其算法参数选择没有规律，需要使用者凭经验选择。

随着神经网络算法的不断发展，陆续有循环神经网络（RNN）、长短期记忆（LSTM）神经网络、门控循环（GRU）神经网络等序列数据预测的神经网络算法应用于风电功率预测。但是，相关对风功率预测的研究集中在对人工智能算法的使用和改进上，没有考虑数据中的不同特征与风电功率的相关性，以及特征表达关联性的能力差异，训练得到的模型只能建立单一、表面的关联，不能挖掘出更深层的关系，不利于风功率的短期预测。

新疆大学电气工程学院的研究人员，引入特征交叉机制对特征数据进行预处理，特征交叉也称为特征组合，是在计算机推荐算法领域广泛应用的特征处理方法，本质是利用原有特征之间的相互运算产生新特征。新特征除了可以增加特征维度，还因为包含了与待预测值之间的非线性关联，可以使模型学习到更为深层次的隐藏关系，增强模型拟合精度，得到更好的训练效果。

他们充分考虑了风力发电功率预测中气压、气温等弱相关因素的影响，提出基于特征交叉机制和误差补偿的风力发电功率短期预测方法，通过案例验证得出以下结论：

1）将特征交叉之后得到的新特征与原始特征共同输入模型进行训练，可以有效提高模型对于非线性特征和深层隐藏关联的学习能力，从而提高模型预测精度，使新模型的预测精度较传统模型提高了14.3%。

2）误差补偿得益于新模型的高预测精度，可以较为准确地对功率预测模型的误差进行预测，极大地减小了预测误差，使补偿之后的预测精度相较于补偿前的模型提高了46.5%。

3）在风电功率波动较为剧烈的时段，其影响风电功率的风速、风向等特征变化也较为剧烈。由于新模型具有对非线性特征和深层隐藏关联更强的学习能力，因此能够更加敏锐地捕捉到相关特征的细微变化，可以适应气象因素的快速变化，对风电功率进行更为准确的预测。

4）在风电功率较小，接近于零的时段，影响风电功率的主要特征风速大幅减小，在模型中其他弱相关特征的贡献就会相对提高，而这些弱相关特征虽然与风电功率具有一定关联，但并不像风速一样占据主要地位，所以在风速大幅降低的情况下，新模型由于提高了对弱相关特征的学习，因此导致其预测精度较传统模型更差。

研究者指出，本工作建立了特征交叉与CNN-LSTM的组合模型用于风电功率预测，但未与目前较新提出的深度学习算法和误差补偿方法进行对比。同时可针对特征交叉是否适用于其他类型的深度学习算法，是否适用于其他类型的预测进行更深入的研究。

本工作成果发表在《电工技术学报》，论文标题为“基于特征交叉机制和误差补偿的风力发电功率短期预测”。本课题得到国家自然科学基金和新疆维吾尔自治区研究生科研创新计划的支持。