引入SMA - IQR和注意力机制的TCN - GRU模型超短期风电功率预测

TCN-GRU model with SMA-IQR and attention mechanism for ultra-short term wind power prediction

摘要

随着风力发电机大规模接入电网，风速的间歇性、波动性等特点导致风电功率的输出极不稳定.针对超短期风电功率预测精度的问题提出了一种基于简单移动平均法数据去噪（simple moving average， SMA）和四分位法（interquartile range， IQR）清洗检测异常数据的时间卷积网络（temporal convolutional network，TCN）、门控循环单元（gated recurrent unit， GRU）和注意力机制（attention mechanism，AM）超短期风电功率预测模型.实验结果表明，模型的平均绝对值误差、平均绝对值百分比误差、决定系数比其他单一模型和组合模型具有更高的精确度，验证了该模型具备更高效的超短期风电功率预测能力.

Abstract

As wind turbines are connected to the power grid on a large scale， the intermittently fluctuating wind speed and other characteristics lead to extremely unstable wind power output. To solve the problem of ultra - short - term wind power prediction accuracy， a temporal convolutional network based on simple moving average data denoising （SMA） and interquartile range （IQR） cleaning and detecting abnormal data is proposed. TCN， gated recurrent unit （GRU） and attention mechanism （AM） for ultra - short term wind power prediction models. Experimental results show that， compared with other prediction models， the mean absolute error （MAE） and mean absolute percentage error （MAPE） of the model in this paper are as follows： MAPE and R - Square have higher accuracy than other single models and combined models， verifying that the model has a more efficient ultra - short term wind power prediction ability.

Graphical abstract

关键词

时间卷积网络 / 门控循环单元 / 风电功率 / 注意力机制 / 四分位法 / 移动平均

Key words

time convolutional network / gated cycle unit / wind power / attention mechanism / quartile method / moving average

随着新能源产业的快速发展，风能作为主要清洁能源之一，在世界范围内得到了广泛推广.然而由于风能本身的波动性和不确定性，其大规模并入电网可能会影响电力系统的安全与稳定运行.通过对风电功率的准确预测，有助于提高电力系统的可靠性^［1-2］.

当前风电功率预测方法可分为4类：基于时间尺度的预测、基于空间范围的预测、基于建模对象的预测、基于预测模型划分的分类方法.其中基于时间尺度的风电功率预测可根据预测的时间范围进一步细分为超短期预测、短期预测、中期预测与长期预测.其中超短期预测聚焦于预测未来几分钟至几小时内的功率变化，主要应用于风电场实时调度与电网平衡，需要具备高响应速度与精度，且对输入数据的实时性要求较高.目前风电功率预测的主流方法是基于预测模型，分为物理建模法、数值统计法及人工智能建模法.物理建模法利用风机或风场的地理特征与数值天气预报数据，适合中长期预测^［3］.而数值统计法通过对历史数据的挖掘，采用时间序列分析等方法预测未来功率趋势，适用于超短期和短期预测^［4-5］.人工智能技术近年来在风电功率超短期预测中展现出显著优势，尤其是通过人工神经网络与深度学习组合模型的应用显著提升了预测精度^［6］.其中机器学习模型作为人工智能领域的重要分支，能够基于给定数据进行自适应学习，从而实现决策和对未来数据的预测^［7］，但此类模型对数据集规模存在较高要求，且在数据不足的情况下易导致过拟合问题的发生.与其他几种模型相比，深度学习模型在挖掘数据内部复杂关系方面具有显著优势，能够有效提升整体预测精度^［8］.但随着数据量的增加及模型复杂度的提升，其对计算资源的需求也显著增长，带来了较大的计算负担.而由于风能具有显著的随机性和波动性，单一预测方法通常难以满足高精度预测的要求，导致预测误差较大.在此背景下，组合模型方法逐渐成为超短期风电功率预测研究中的热点.此类方法能够更全面地刻画风电功率的复杂动态特性，为提高预测精度提供了有效的解决方案.

基于上述分析，本文提出一种基于简单移动平均法数据去噪、四分位法优化数据特征并且引入注意力机制的时间卷积网络（TCN）和门控循环单元（GRU）的超短期风电功率预测模型.首先，采用移动平均法（SMA）对实际发电功率数据进行平滑处理，用皮尔逊相关系数法选择相关性高的数据特征构造数据集，并采用四分位距法（IQR）对数据进行清洗和剔除异常值，用线性插值法对缺失值进行填补，构建TCN - GRU - ATTENTION模型，并利用实际风电数据验证模型的预测性能.结果表明移动平均法能够平滑时间序列数据，降低短期波动的影响，四分位法能有够有效对异常数据进行剔除清洗，所提的TCN - GRU - ATTENTION模型具有较高的预测精度.

1 风电数据分析与预处理

1.1 风力发电特性分析

风力发电输出功率的除自身参数影响以外，主要为气象因素，风电功率的理论计算见公式（1）^［9］.

P_{\mathrm{o}\mathrm{u}\mathrm{t}}=\frac{\mathrm{1}}{\mathrm{2}}\rho C_{p}A{v}^{\mathrm{3}}.（1）

其中，P_{\mathrm{o}\mathrm{u}\mathrm{t}}为风电机组的输出功率（\mathrm{w}）；\rho为空气密度（\mathrm{k}\mathrm{g}/{\mathrm{m}}^{\mathrm{3}}）；C_p​为功率系数，表示风电机组将风能转化为电能的效率；A为风轮扫过的面积（{\mathrm{m}}^{\mathrm{2}}）；v为风速（\mathrm{m}/\mathrm{s}）.在其他参数固定的情况下，风速对输出功率的影响呈现指数级放大效应，即当风速增加一倍时，输出功率将增加为原来的{\mathrm{2}}^{\mathrm{3}}.这种关系表明，即便是风速的微小变化，也可能引起输出功率的显著波动.

1.2 数据预处理与评价指标

1.2.1 数据去噪、剔除和填补

在风电机组的日常运行受传感器故障、停机维护以及极端天气条件等因素的影响，可能产生异常的运行数据.有效处理这些异常数据可提升模型的预测精度与可靠性，以减少误差和偏差，优化决策效率.

本文利用简单移动平均法（SMA）与四分位法（IQR）对原始风电数据进行去噪与异常值剔除.SMA通过计算滑动时间窗口内数据的平均值平滑时间序列，以削弱短期波动的影响突出长期趋势.IQR则基于四分位数划分数据，利用四分位间距检测异常值，适用于偏态或非正态分布的数据，因其对极端值不敏感，具有较强的鲁棒性与实用性，其四分位间距公式如公式（2）所示.

\mathrm{I}\mathrm{Q}\mathrm{R}=Q_{\mathrm{3}}-Q_{\mathrm{1}}.（2）

式中，Q_{\mathrm{3}}和Q_{\mathrm{1}}分别为位于有序数据前75%和前25%位置的分位数.

由于对异常数据的剔除将会影响风电功率序列的完整性，采用线性插值法对处理后的数据进行填充，具体计算方法见式（3）.

x_i=\frac{x_{i-\mathrm{1}}+x_{i+\mathrm{1}}}{\mathrm{2}}.（3）

1.2.2 归一化处理

由于输入数据单位不同无法进行同一量纲处理，同时加快模型训练速度，因此对数据进行线性转换归一化处理，使用max - min标准化将输入数据进行处理，归一化数据转化为［0，1］之间.归一化公式见式（4）.

x_n=\frac{x-x_{\mathrm{m}\mathrm{i}\mathrm{n}}}{x_{\mathrm{m}\mathrm{a}\mathrm{x}}-x_{\mathrm{m}\mathrm{i}\mathrm{n}}}.（4）

其中，x为原始数据点；x_n为数据归一化之后的值；x_{\mathrm{m}\mathrm{a}\mathrm{x}}为输入数据中最大的值；x_{\mathrm{m}\mathrm{i}\mathrm{n}}是输入数据中最小的值.为了模型输出与真实值具有相同量纲，还要对输出进行反归一化，反归一化的过程就是将数据从归一化的范围重新映射回原始范围.

1.2.3 评价指标

为了从多尺度衡量预测误差，使用4种评价指标作为误差分析标准，分别为平均绝对值误差（MAE）、决定系数（R²）、平均绝对值百分比误差（MAPE）以及均方根误差（RMSE），计算如式（5~8）所示.

\mathrm{M}\mathrm{A}\mathrm{E}=\frac{\mathrm{1}}{n}{\sum }_{i=\mathrm{1}}^n|(y_i-\widehat{y_i})|.（5）

\mathrm{M}\mathrm{A}\mathrm{P}\mathrm{E}=\frac{\mathrm{1}}{n}{\sum }_{\mathrm{1}}^n\left|\frac{\widehat{y_i}-y_i}{y_i}\right|\times \mathrm{100}\%.（6）

\mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E}=\sqrt[]{\frac{\mathrm{1}}{n}{{\sum }_{i=\mathrm{1}}^n\left(y_i-\widehat{y_i}\right)}^{\mathrm{2}}}.（7）

R^{\mathrm{2}}=\mathrm{1}-\frac{{\sum }_{i=\mathrm{1}}^n(\widehat{y_i}-y_i{)}^{\mathrm{2}}}{{{\sum }_{i=\mathrm{1}}^n(y_i-\overline{y_i})}^{\mathrm{2}}}.（8）

其中，\widehat{y_i}表示风电功率的预测值，y_i为风电功率的实际值，\overline{y_i}代表风电功率的平均值，n则是风电功率数据序列的长度.

2 超短期预测模型研究

2.1 时间卷积网络架构

时间卷积网络（TCN）是一种基于一维卷积的神经网络结构，TCN具备两个核心特征：（1）因果卷积，即当前的输出只依赖于当前和历史的输入（2）等长映射，即能够将任意长度的输入序列映射为相同长度的输出序列.同时为了解决传统卷积网络因感受野有限而难以捕捉长时间依赖的问题，TCN引入扩张卷积，通过跳跃采样输入数据显著扩大感受野，从而有效建模长时间范围的依赖关系.这一特性使得TCN在时间序列建模中表现出较强的灵活性和效率.膨胀卷积结构图如图1所示.

第一层的扩张因子d为1，随着层数的增加，d值按指数增长，而随着扩张因子的逐层增大，膨胀卷积的感受野也随着层数呈指数增长.这种增长特性使得TCN在只需较少的层数情况下，就能覆盖大范围的时间序列，使得模型能够高效捕捉长时间依赖.膨胀卷积的计算如公式（9）所示.

F(s)=(x\times d)f(s)={\sum }_{i=\mathrm{0}}^{k-\mathrm{1}}f(i)X_{s-d\cdot i}.（9）

其中，F(s)表示输出序列在时间步t的值，f(i)表示卷积核（滤波器）在第i个位置的权重值，x为时间序列，k为卷积核大小，d为膨胀系数.

随着卷积神经网络层数的增加，信息处理能力逐渐提升，但同时也可能引发梯度爆炸或梯度消失等问题.为解决这个问题，引入了残差连接（skip connection，SC）模块，以提升网络的训练效果并增强其稳定性.残差连接模块如图2所示.

残差连接模块通过扩张卷积扩大感受野，权重归一化保持训练稳定性，ReLU^［11］激活引入非线性，Dropout防止过拟合以及通过1 × 1卷积调整特征通道数.最终通过跳跃连接将输入直接与输出相加，有效缓解梯度消失问题，从而提升深层网络的训练效率与性能.

2.2 门控循环单元架构

门控循环单元（GRU）是对长短期记忆网络（LSTM）的改进^［12］，通过使用更新门代替LSTM的记忆单元和遗忘门，解决传统神经网络的记忆与反向传播局限性，加快训练速度更快并缓解长期依赖问题.GRU结构图如图3所示.

更新门（Update Gate）决定保留多少过去信息以及新信息的传递比例，重置门（Reset Gate）则在每个时间步上决定丢弃先前多少的信息以引入新信息.

2.3 注意力机制简介

注意力机制模拟了人类视觉系统的工作方式，根据信息的重要程度动态调整关注焦点.在自然语言处理任务中，通过学习为输入序列中各个元素分配不同的权重，以量化其对当前任务的贡献.模型利用这些权重对输入信息进行加权整合，有效捕捉序列中的关键特征，提升对复杂语义的理解与处理能力.注意力得分计算如式（10~11）.

e_t=u_a\mathrm{t}\mathrm{a}\mathrm{n}\mathrm{h}(w_a{h}_t+b_a).（10）

a_t=\frac{\mathrm{e}\mathrm{x}\mathrm{p}(e_t)}{{\sum }_{j=\mathrm{1}}^t\mathrm{e}\mathrm{x}\mathrm{p}(e_j)}.（11）

式中，e_t为注意力得分；u_a为权重向量；\mathrm{t}\mathrm{a}\mathrm{n}\mathrm{h}为非线性激活函数；w_a为权重矩阵；h_t为t时刻神经网络隐藏层状态向量；b_a代表偏置项；a_t表示注意力模块分配给特征的权重；t代表输入序列的总长度.

2.4 基于注意力机制的TCN - GRU预测模型

风电功率预测作为典型的时序预测问题，其关键在于捕捉风速、风向等时序因素在时间维度上的连续性和相关性.本文提出的TCN - GRU - ATTENTION模型综合利用了多种技术优势以提高预测性能.其中，TCN（时间卷积网络）用于有效提取序列中的短期和长期时序特征，GRU（门控循环单元）进一步对这些特征进行整合和记忆，从而增强预测的稳定性.同时，引入自注意力机制对序列全局范围内的不同位置赋予差异化权重，提升对全局依赖关系的建模能力.如图4所示为TCN - GRU - ATTENTION预测模型流程图.

经过反复实验对比，本文神经元数量取35，卷积核数量为128，卷积核大小为3，膨胀卷积层数设置为2层，膨胀系数按照{\mathrm{2}}^{i-\mathrm{1}}的规则动态递增，学习率为0.01，Dropout系数为0.05，最大迭代次数为150次，并设置Adam 优化器进行数据优化.

3 案例分析

3.1 数据处理和分析

本文采用内蒙古某风电场单台发电机组自2019年10月21日—2019年11月11日，采样时间间隔为15 min，包含风速、风向、气压、温度等特征量，按照8∶2的比例将其划分为训练集和测试集，预测步长为一个时间步，属于超短期预测.首先采用皮尔逊相关系数法对原始风电数据进行相关性分析，热力图如图5所示.

从热力图中进一步验证了风速是影响风电功率最显著的特征之一，因此本文选择风速及风向两个特征量作为模型的输入.对原始发电功率数据采用了移动平均法对其进行平滑处理以减弱数据中的噪声与异常波动，提升数据的稳定性.同时结合四分位距法对数据进行了异常值检测与剔除，消除可能对后续分析和建模产生干扰的极端值.针对缺失数据使用线性插值法进行填补以确保数据的完整性和连续性.平滑处理前后的对比图如图6所示，以风向为例采用四分位法清洗前后对比图如图7所示.

从上述可视化图中可以观察到，应用移动平均法对数据进行平滑处理前后数据的整体趋势保持高度一致，表明该方法能够在去除尖锐异常值的同时有效保留数据的主要特征.此外，处理后的数据曲线更加平滑，显著减少了原始数据中的短期剧烈波动，提高了数据的连续性和一致性.与此同时，采用四分位法对数据进行清洗能够有效得将原始数据中存在的剧烈波动和离群点进行识别并且修正.清洗后的数据在保持整体变化趋势的基础上，表现出更高的连续性和一致性，确保了数据的真实性与稳定性，为后续分析提供了更加可靠的数据基础.

3.2 对比实验与结果分析

为进一步验证本文所提的移动平均法、四分位法以及注意力机制对模型精度的影响，在本文所提模型的基础上分别设置了对比实验，实验结果如表1所示.

实验数据表明本文提出的组合模型在预测性能上显著优于单一方法，表现为最低的误差和最优的拟合度.相较而言，单一方法在处理复杂数据时表现出明显的局限性.而随着方法融合的深入，模型性能呈现出明显的递进式改善，印证了多方法融合策略的有效性.

为了更好的验证模型有效性，分别使用GRU、TCN、LSTM、CNN - GRU、TCN - GRU进行对比，对比图如图8所示，误差指标如表2所示.

表2中数据表明，本模型在超短期风电功率预测中表现出显著的性能优势，其MAE（0.129 97 MW）、MAPE（1.582%）和RMSE（0.176 43 MW）显著低于其他对比模型，同时R²（99.283 2%）高于其他方法，展现出更高的预测精度和拟合能力.与单一模型（如GRU、LSTM、TCN）及其他组合模型（如CNN - GRU、TCN - GRU）相比，本模型在误差控制和数据拟合上表现更好，这表明通过集成多种技术优势，能够有效克服单一预测方法的局限性，为复杂非线性系统的建模提供了更准确和可靠的解决方案.

4 结语

基于历史功率数据和气象信息，提出了引入SMA - IQR和注意力机制的TCN - GRU模型，通过仿真得出以下结论：

（1） 移动平均法能够有效平滑时间序列数据，减少短期波动的影响.四分位距法能够有效清洗剔除异常数据，而注意力机制的引入进一步提升了模型精度与稳定性，尽管改进幅度较小，但仍有助于捕捉关键时间序列特征；

（2） 本模型在各项评估指标上均表现优异，具有最低的MAE、MAPE、RMSE和最高的R²，展现出更精准的风电功率预测能力.

在后续的研究中，可以考虑通过组合不同的数据处理方法确保处理后的数据更加贴合原始数据趋势，以及可以引入智能优化算法如灰狼算法、鲸鱼算法等算法进一步优化模型的超参数设置.

参考文献

[1] 唐西胜，苗福丰，齐智平，等.风力发电的调频技术研究综述［J］.中国电机工程学报，2014，34（25）：4304 - 4314.

[2] 张淑清，杨振宁，姜安琦，等.基于EN - SKPCA降维和FPA优化LSTMNN的短期风电功率预测［J］.太阳能学报，2022，43（6）：204 - 211.

[3] 洪翠，林维明，温步瀛.风电场风速及风电功率预测方法研究综述［J］.电网与清洁能源，2011，27（1）：60 - 66.

[4] HUANG R， HUANG T， GADH R， et al. Solar generation prediction using the ARMA model in a laboratory - level micro - grid［C］//Proceedings of the IEEE 3rd International Conference on Smart Grid Communications， Tainan， China， Nov 5 - 8，2012.Piscataway： IEEE，2012：528 - 533.

[5] 郑婷婷，王海霞，李卫东.风电预测技术及其性能评价综述［J］.南方电网技术，2013，7（2）：104 - 109.

[6] 杨海民，潘志松，白玮.时间序列预测方法综述［J］.计算机科学，2019，46（1）：21 - 28.

[7] MEENAL R， BINU D， RAMYA K C， et al. Weather fore casting for renewable energy system： a review［J］. Archives of Computational Methods in Engineering， 2022，29：2875 - 2891.

[8] 杨茂，周宜.计及风电场状态的风电功率超短期预测［J］.中国电机工程学报，2019，39（5）：1259 - 1268.

[9] BREIMAN L. Random forests［J］. Machine Learning，2001，45（1）：5 - 32.

[10] 陈简，张惊雷.基于注意力机制的TCN - BiGRU模型短期风电功率预测［J］.天津理工大学学报，2024，3（29）：1673 - 095X.

[11] 郭玲，徐青山，郑乐.基于TCN - GRU模型的短期负荷预测方法［J］.电力工程技术，2021，40（3）：66 - 71.

[12] 王凇瑶，张智晟.基于量子加权多层级GRU神经网络的综合能源系统多元负荷短期预测［J］.电力系统保护与控制，2022，50（23）：85 - 93.

[13] 张健，田海.基于DE - XGBoost的短期风电功率预测［J］.信息技术，2024，7（22）：1009 - 2552.

[14] 李相俊，许格健.基于长短期记忆神经网络的风力发电功率预测方法［J］.发电技术，2019，40（5）：426 - 433.

[15] KOU Z， YANG F， WU J， et al. Application of ICEEMDAN energy entropy and AFSA - SVM for fault diagnosis of hoist sheave bearing［J］.Entropy，2020，22（12）：1347.

[16] QIAO K， ZHANG J， CHEN J. Two effective heuristic methods of determining the numbers of fuzzy clustering centers based on bilevel programming ［J］.Applied Soft Computing， 2023，132：109718.

[17] YIN H，OU Z， HUANG S，et al. A cascaded deep learning wind power prediction approach based on a two - layer of mode decomposition［J］.Energy，2019，189：1 - 11.

[18] CHEN J， ZENG G Q， ZHOU W， et al. Wind speed forecasting using nonlinear - learning ensemble of deep learning time series prediction and extremal optimization ［J］. Energy Conversion and Management，2018，165：681 - 695.

[19] DINCER F. The analysis on wind energy electricity generation status， potential and policies in the world［J］.Renewable and Sustainable Energy Reviews，2011，15（9）：5135 - 5142.

[20] LIU M D， DING L， BAI Y L. Application of hybrid model based on empirical mode decomposition， novel recurrent neural networks and the ARIMA to wind speed prediction［J］. Energy Conversion and Management， 2021， 233： 113917.

[21] DUAN J， CHANG M， CHEN X， et al. A combined short - term wind speed forecasting model based on CNN - RNN and linear regression optimization considering error［J］. Renewable Energy， 2022， 200： 788 - 808.

基金资助

国家自然科学基金(52061042)

云南民族大学硕士研究生科研基金(2025SKY025)

2024年度云南省专业学位研究生教学案例库建设项目《电气类专业工程伦理案例库建设》