电力系统保护与控制 第 50 卷 第 1 期 2022 年 1 月 1 日 Power System Protection and Control Vol.50 No.1 Jan. 1, 2022 DOI: 10.19783/j.cnki.pspc.210252 基于 CEEMDAN 和改进时间卷积网络的 短期风电功率预测模型 赵凌云 1，刘友波 1，沈晓东 1，刘代勇 2，吕 霜 3 (1.四川大学电气工程学院，四川 成都 610065；2.国网四川省电力公司德阳供电公司，四川 德阳 618000； 3.国网四川省电力公司成都供电公司，四川 成都 610000) 摘要：近年来，风力发电逐渐成为可再生能源发电的关键部分。为了提高风力发电功率短期预测的准确度，提出 了一种将自适应噪声完备集成经验模态分解与改进时间卷积网络结合的短期风电功率预测模型。首先，利用 CEEMDAN 对风电功率序列进行分解，得到子序列分量，并分别与关键气象变量数据构成训练集。然后，使用基 于时间模式注意力机制的时间卷积网络对子序列分量分别进行预测。最后，重构预测结果后得到最终的预测值。 整个预测过程有助于精准刻画风电的分量特性，并通过 TPA 机制捕捉变量间的关联性，有效地提高风电功率的预 测准确率。 关键词：风电功率预测；自适应噪声完备集成经验模态分解；时间卷积网络；时间模式注意力机制 Short-term wind power prediction model based on CEEMDAN and an improved time convolutional network ZHAO Lingyun1, LIU Youbo1, SHEN Xiaodong1, LIU Daiyong2, LÜ Shuang3 (1. College of Electrical Engineering, Sichuan University, Chengdu 610065, China; 2. Deyang Power Supply Company, State Grid Chengdu Electric Power Company, Deyang 618000, China; 3. Chengdu Power Supply Company, State Grid Chengdu Electric Power Company, Chengdu 610000, China) Abstract: In recent years, wind power has gradually become a key part of renewable energy generation. In this paper, an effective short-term wind power forecasting combination model is proposed by combining complete ensemble empirical mode decomposition with adaptive noise (CEEMDAN) and an improved temporal convolutional network (TCN) to improve the accuracy of short-term wind power prediction. First, CEEMDAN is used to decompose the wind power series to obtain the subsequence components, and the subsequence components are combined with the data of key meteorological variables to form the training set. Then, the time convolution network based on temporal pattern attention (TPA) is used to predict the subsequence components, and the final prediction value is obtained after reconstructing the prediction results. The whole prediction process helps to accurately describe the component characteristics of wind power, and capture the correlation between variables through the TPA mechanism, and this effectively improves the prediction accuracy of wind power. This work is supported by the National Natural Science Foundation of China (No. 51977133). Key words: wind power prediction; complete total empirical mode decomposition based on adaptive white noise; time convolution network; time mode attention mechanism 0 引言 随着新能源的发展，风力发电逐渐成为最重要 的绿色能源之一。目前，我国的风力发电并网比例 基金项目：国家自然科学基金项目资助(51977133)；国家自 然科学基金重点项目资助(U2066209) 增长十分迅速，具有良好的发展前景。风力发电的 出力功率具有间歇性和不稳定性，会随着一些气象 因素而发生较大的波动，如日间风速、风向以及大 气压的变化等[1]。在提高风力发电系统并网运行的 比例的同时，风力发电也会对电网的运行安全和稳 定性造成比较大的影响[2-3]。因此，如何提高对风电 的预测能力，在目前的风力发电发展进程中尤为 赵凌云，等 基于 CEEMDAN 和改进时间卷积网络的短期风电功率预测模型 重要[4]。 风电功率预测中使用较多的方法可以分为三 类：物理方法、统计预测方法以及人工智能方法。 其中，物理模型的建立过程较为复杂，其通过建立 函数关系模型实现对风电功率的预测[5-6]。相比较于 物理预测方法，统计预测方法建模过程更加简单[7-8]， 其平均预测精度也高于传统的物理预测模型。人工 智能方法通过对大量的风电功率历史记录数据对神 经网络模型进行训练，再利用训练完毕的模型对时 间序列的发展趋势进行预测。其中经典的方法有支 持向量机[9-10]和人工神经网络[11-14]等。人工智能的 预测方法相比于前两种方法能够更加有效地在时序 建模中反应时间序列的变化趋势，但是单一的神经 网络预测模型精度较低。 单一的预测方法预测误差较大，其最主要的原 因在于风电功率曲线是一种典型的非平稳非线性的 时间序列。针对风电功率的不平稳性，先对序列进 行分解，再对子序列分别预测，最后进行重构的组 合预测方法能有效地提高精度。其中，经验模态分 解(Empirical Mode Decomposition, EMD)、变分模态 分解(Variational Mode Decomposition, VMD)和小波 变换(Wavelet Transform, WT)及其变式算法均为分 解非线性时间序列的有效方法。文献[15-16]利用小波 变换对原始序列分解，并通过支持向量机和人工神经 网络进行预测，但组合预测模型中未分析关键变量对 风电功率变化的影响。文献[17-18]使用了集合经验模 态分解算法(Ensemble Empirical Mode Decomposition, EEMD)对序列进行分解预处理，预测模型分别采用 了最小二乘支持向量机和小波神经网络。但 EEMD 分解算法仍存在子序列模态混叠与白噪声难以消除 的问题。同时，分解子序列数量过多会导致误差叠 加，增大组合模型的预测误差。文献[19]在变分模态 分解后利用子模式的样本熵分析其复杂度，提出了 一种自适应多层级综合预测模型。综合上述研究， 分解-预测-重构的组合预测模型能够有效地提高风 电功率预测的准确度。在此模型组合的基础上，若能 选择重构误差更小的分解算法和预测精度更高的神 经网络模型，则可以进一步提高组合模型的预测精度。 基于上述研究成果，本文提出了自适应噪声完 备集成经验模态分解与基于时间模式注意力机制的 时间卷积网络短期风电功率组合预测方法。首先， 利用自适应噪声完备集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN)算法对风电序列进行分解预处 理，再使用时间模式注意力机制-改进时间卷积网络 (Temporal Pattern Attention-Temporal Convolutional - 43 - Network, TPA-TCN)神经网络对其子分量分别预测， 最后重构分量的预测结果，得到最终的风电功率预 测结果。算例结果表明，CEEMDAN 分解能够更加 有效地解决子序列模态混叠与白噪声难以消除的问 题。而 TPA-TCN 模型能够捕捉各因素之间的非线 性关联，有效地提高短期风电功率的预测精度。 1 风电功率时间序列的预处理 1.1 时间序列分解算法 经验模态分解(EMD)能够自适应地将时间序列 分解为若干个独立的本征模态函数(Instrinsic Mode Function, IMF) 分 量 以 及 一 个 残 余 分 量 。 传 统 的 EMD 分解在非线性信号分解中应用最为广泛，但容 易出现模态混叠的问题。 集合经验模态分解(EEMD) 对 EMD 做出了改进——对原始信号添加白噪声信 号，分别进行多次 EMD 分解，将所得 IMF 分量进 行平均计算，从而得到最终的 IMF 分量。其整个过 程能够有效地克服 EMD 方法的模态混叠缺陷，但 并未对添加的白噪声信号进行进一步消除，导致残 留噪声较大，额外增加了分量的重构误差。 自适应噪声完备集成经验模态分解(CEEMDAN) 针对 EEMD 分解做出了进一步改进—添加自适应 白噪声，并在得到第一阶 IMF 后就进行总体平均计 算，得到最终的 IMF 分量。其分解过程具有完整性， 相比 EEMD 算法，分量重构误差大大降低[