通过混合深度学习框架中多特征融合增强短期风电预测的研究

为什么风力预报很重要

风力发电清洁，但风本身多变。当风电场的输出突然上升或下降时，电网调度人员必须迅速应对以保持供电并保护设备。本研究探索了一种新的方法，用于预测未来几小时风电场的发电量。通过从气象数据和过去的涡轮机运行数据中挖掘更多信息，作者展示了更智能的预测如何使风电成为未来能源系统中更可靠的支柱。

驯服变风电量的挑战

风电在全球范围内快速增长，目前在许多地区已占有相当比例的电力供应。然而，与燃煤或燃气电厂不同，风电场不能随意调节功率。其输出随天气变化波动，有时在数小时内就会跳变到额定容量的一半。这类快速波动被称为爬坡事件，特别棘手，因为许多现有的预测工具难以跟踪。模型往往在某一地点或季节表现良好，但在条件改变时会失效，并且经常未能充分利用现代预报系统中可获得的大量气象测量数据。

解读风的全新方法

作者提出了一种为解决这些弱点而设计的混合深度学习框架。该模型不依赖单一类型的神经网络，而是结合了两条互补的分支。一条分支使用一种特殊形式的卷积来扫描长时段的历史数据，有效捕捉在分钟到小时尺度展开的模式。内置的加权机制增强了最具信息量的气象变量（例如暴风雪天测得的风速）的影响，同时抑制噪声或较不重要的信号。第二条分支则侧重于风电序列随时间的演变，在训练时既向前也向后观察，以更好地理解缓慢漂移与突然爬坡如何形成。

让模型学会关注关键时刻

在这两条结构之上，研究人员加入了注意力机制——一种在现代语言和图像模型中广泛使用的工具。在此，注意力帮助网络决定哪些过去时刻对于特定预测最为重要。该方法不只是盯住最新读数，而是将注意力适度分散到更宽的时间窗口中，这样爬坡的早期预警信号不会被忽视。两条分支的输出随后融合为一个紧凑的表示，供最终预测层使用，产生风电场的短期功率预测。

用一年真实风况进行测试

为了检验方法在实际中的表现，团队将其应用于中国内蒙古某大型风电场的数据，涵盖一年内每15分钟记录一次的测量值。他们对数据进行了仔细清洗，剔除了不合理值——例如零风速却有功率、或温度剧烈跳变等——并使用成熟技术选择最重要的气象特征。然后将新模型与若干强基线方法进行比较，包括流行的Transformer架构和其他混合深度学习方案，测试跨越反映冬、春、夏、秋条件的四个月份。

跨季节更准确的预测

在所有季节中，该混合模型持续产生比更简单版本更小的误差，并且优于或相当于更先进的替代方法。其预测更紧密地跟踪了功率的急剧上升与下降，并且较少出现大的失误。从数值上看，该模型将平均平方误差降到基本卷积设置的五分之一以下，对该风电场来说拟合优度接近完美。统计检验表明，在最具波动性的月份——预测最困难且最重要的时期——它相较于领先的基于Transformer的方法的优势不太可能是偶然的。

这对日常用能意味着什么

对非专业读者来说，结论很直接：更聪明地使用深度学习可以使风电在对电网运行至关重要的时间尺度上更可预测。通过融合不同类型的神经网络并使其适应季节与天气模式的变化，该框架为所研究场址提供了更稳定、更准确的短期预测。尽管该工作聚焦于单一风电场并提供点预测而非完整的不确定性区间，但它指向了能帮助电网调度人员更有把握地依赖风电、降低备用成本并支持更清洁、更有弹性的能源系统的预测工具。

引用: Su, X., Gao, J., Han, K. et al. Research on enhancing short-term wind power forecasting through feature fusion in a hybrid deep learning framework. Sci Rep 16, 10043 (2026). https://doi.org/10.1038/s41598-026-40689-y

关键词: 风电预测, 可再生能源, 深度学习, 电网稳定性, 时间序列预测