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**自治区研究生科研创新计划的支持。