基于TCN和Informer模型的新型超短期风电功率预测方法学术报告

一、研究团队与发表信息
本研究由内蒙古科技大学自动化与电气工程学院的Qi Li、Xiaoying Ren（通讯作者）、Fei Zhang、Lu Gao以及华北电力大学新能源学院的Bin Hao共同完成，成果发表于期刊《Computers and Electrical Engineering》2024年第120卷，文章编号109632。

二、学术背景
风电作为清洁能源的重要组成部分，其功率预测对电网稳定性至关重要。然而，风电的间歇性和随机性导致传统预测方法（如物理模型、统计方法和浅层机器学习）在超短期预测中表现不佳。近年来，深度学习模型（如LSTM、Transformer）虽取得进展，但仍面临长序列依赖捕捉不足、计算复杂度高等问题。为此，本研究提出一种双通道网络架构，结合变分模态分解（Variational Mode Decomposition, VMD）、时序卷积网络（Temporal Convolutional Network, TCN）和Informer模型，旨在提升预测精度与效率。

三、研究流程与方法
1. 数据预处理与分解
- 数据来源：采用中国北方某风电场2020年全年15分钟间隔的实测数据（35,048条），包括风速、温度、湿度及功率输出。
- VMD分解：通过优化模态数k（实验确定k=7），将原始功率序列分解为7个本征模态函数（Intrinsic Mode Functions, IMFs）和1个残差信号。采用ADF检验验证各IMF的平稳性。
- 样本熵分类：计算各IMF的样本熵（Sample Entropy），按复杂度分为低复杂度组（样本熵低于均值）和高复杂度组，分别输入不同通道。

1. 双通道预测架构

   • 低复杂度组处理（Informer通道）：
     
     • 采用Informer的概率稀疏自注意力（Probsparse Self-Attention）机制，直接提取长期依赖关系。
       
     • 引入自注意力蒸馏（Self-attention Distillation）技术，压缩序列长度，降低计算复杂度。
       
   • 高复杂度组处理（TCN-Informer通道）：
     
     • 先通过TCN的膨胀因果卷积（Dilated Causal Convolution）捕获局部时空特征，再输入Informer提取长期趋势。
       
     • TCN参数：卷积核大小3，膨胀系数[1,2,4]，残差连接防止梯度消失。
       

2. 模型训练与验证

   • 数据集划分：训练集（80%）、验证集（20%）、测试集（10%）。
     
   • 评价指标：MAE、RMSE、MAPE、R²、SD和NMAE。
     
   • 对比实验：与VMD-Informer、VMD-TCN-Informer、Transformer、LSTM等15种模型对比，并通过Friedman检验验证显著性。
     

四、主要结果
1. 15分钟超前预测
- 所提模型的MAE（0.674）显著低于单通道模型（VMD-Informer降低24.52%）和基准模型（如Informer降低39.82%）。
- R²达0.994，表明拟合优度优异。Friedman检验（p<0.0001）证实模型排名第一。

1. 1小时超前预测

   • MAE为1.12，较EWT-Informer降低8.12%，且SD（1.624）显示预测稳定性高。
     

2. 泛化性验证

   • 在南方风电场数据集（气象条件差异显著）上，NMAE差异仅34.48%，证明模型适用性广。
     

五、结论与价值
1. 科学价值：
- 提出VMD-样本熵分类的双通道架构，解决了传统方法对复杂时序特征提取不足的问题。
- 结合TCN的局部特征提取与Informer的长期依赖建模，为非线性时序预测提供新范式。

1. 应用价值：
   
   • 可集成至电网调度系统，提升风电消纳能力，助力“碳中和”目标。
     
   • 模型参数开源（Python/PyTorch），推动行业应用。
     

六、研究亮点
1. 方法创新：首次将样本熵分类与双通道深度学习结合，优化了模态分组的预测效率。
2. 技术突破：Informer的并行计算设计使训练时间较Transformer缩短26.5%（22.32分钟 vs. 28.52分钟）。
3. 工程意义：实验覆盖不同气候区域，验证了模型在复杂环境下的鲁棒性。

七、其他发现
- VMD参数优化：通过中心频率相似性分析确定k=7，避免模态混叠（ADF检验p<0.01）。
- 分支交换实验：验证了高复杂度组需TCN预处理的必要性（MAE提升11.39%若直接输入Informer）。

本研究为超短期风电预测提供了高精度解决方案，其方法论可扩展至光伏、负荷预测等领域。