一种基于语义驱动的主动式递阶自适应风电功率预测方法及系统

本发明涉及风电功率预测，具体是指一种基于语义驱动的主动式递阶自适应风电功率预测方法及系统。

背景技术：

1、近年来，随着新能源装机容量持续增长以及源网荷储协同运行需求不断提升，风电功率、光伏功率及源荷净负荷预测已经成为支撑电力系统安全调度、备用配置、实时控制和电力市场运行的重要基础。尤其是在高比例可再生能源接入背景下，风电功率受到风速、风向、温度、湿度、大气压强、地形环境和机组运行状态等多因素影响，具有明显的随机性、波动性和非平稳性。预测误差不仅会降低调度计划的经济性，还可能进一步增加频率控制压力、备用容量需求和系统运行风险。

2、围绕提升风电功率预测精度的技术问题，现有技术大致可以分为以下几类。

3、第一类是基于物理模型和统计模型的预测方法。物理模型通常依据气象预报、风机功率曲线、空气动力学关系和场站运行参数建立预测模型，能够体现一定的物理可解释性，但对风场地形、气象预报精度、机组参数和环境扰动较为敏感。统计模型如自回归模型、卡尔曼滤波模型、支持向量回归模型等，通过历史功率和气象变量之间的统计关系进行预测，具有结构相对简单、计算成本较低的优点，但在处理强非线性、多变量耦合和复杂波动事件时表达能力有限。

4、第二类是基于深度学习的风电功率预测方法。随着长短期记忆网络、卷积神经网络、图神经网络、transformer及其变体的发展，深度学习方法逐渐成为风电功率预测的重要技术路线。该类方法能够从多变量历史序列中学习复杂的非线性映射关系和长短期依赖关系，相比传统统计模型通常具有更强的拟合能力。

5、第三类是多尺度分解、工况感知和概率预测方法。此类方法针对风电功率序列的多时间尺度波动、不确定性和运行状态差异进行建模，例如利用多尺度分解提取低频趋势和高频扰动，利用工况识别刻画不同风况下的状态转移，或者通过概率预测输出区间、分布和场景，以增强模型对不确定性的刻画能力。该类方法在一定程度上提升了预测稳定性，但多数仍然默认整个未来预测区间需要被统一处理，尚未充分解决“哪些未来时段最需要优先校正”和“哪些变量在该时段主导预测误差”的问题。

6、第四类是时序基础模型、提示学习和语义重编程相关方法。现有研究表明，通过将时间序列片段映射到更高层语义空间，并利用任务提示、领域知识和统计上下文引导模型推理，可以增强模型对复杂演化模式的表达能力。检索到的相关文献中有提到time-llm等方法通过将时序片段重编程到文本原型空间并利用提示作为上下文前缀，说明时间序列预测可以在更高层语义空间中获得更强的泛化与推理能力。 但在电力源荷预测场景中，如何将语义表示、不确定性输出、关键区间定位、局部校正触发和停止条件判断统一到一个可实施的预测流程中，仍缺乏完整技术方案。

7、发明人汇总了目前公开的相关物理模型与统计预测类文献；包括lstm、transformer、图神经网络类风电功率预测文献；多尺度分解与风况识别类文献；概率预测与扩散生成类文献；time-llm、patchtst、timesnet、autoformer、itransformer等时间序列基础模型和代表性预测模型文献。经进一步的系统性分析得出：当前公开的风电功率预测及多变量时间序列预测方法虽然在建模能力和预测精度方面已有一定提升，但在新能源强波动场景下仍存在以下不足。

8、第一，现有方法多采用固定计算图的一次性全局预测范式，缺乏面向未来高风险时段的主动计算分配机制。无论未来序列中某一时段是平稳变化还是剧烈突变，模型通常都以相同方式进行统一预测，难以将有限计算资源集中到爬坡、突降、峰谷切换和天气转折等关键片段上。因此，该类方法容易在真正影响调度安全和经济性的少数关键时段上出现较大误差。

9、第二，现有自适应方法多停留在模型结构层面，而非预测过程层面的主动决策。多尺度融合、动态权重或工况感知模型虽然可以增强特征表达能力，但通常并不显式判断“当前样本中哪一段未来轨迹最需要优先校正”，也不显式判断“该关键时段下哪些气象变量、历史功率惯性或时间上下文主导预测误差”。因此，现有方法更多是增强整体建模能力，而不是实现面向关键风险区间的有针对性推理。

10、第三，现有不确定性预测与高层决策之间缺少有效衔接。概率预测方法可以输出预测区间、分布或置信度，但这些信息通常仅作为预测结果的附加描述，尚未被充分转化为局部校正触发信号、关键区间定位依据和动态停止条件。因此，模型虽然能够感知不确定性，却难以将不确定性进一步用于指导预测过程的自适应调整。

11、第四，现有时序语义增强方法尚未充分结合电力源荷预测的领域知识和关键事件规律。部分时序基础模型或提示学习方法能够提升泛化能力，但通常缺乏面向风电功率爬坡、突降、天气转折、源荷净负荷变化等具体电力场景的语义条件构造，也缺乏将语义条件同时用于区间选择、因子选择、局部校正和停止判断的统一机制。

12、第五，现有方法的预测过程解释性不足。传统深度学习预测模型通常直接输出未来功率序列，难以解释误差主要来自哪个未来区间、哪些驱动变量被重点关注、模型为何继续或停止校正。这在新能源调度、备用配置和运行风险评估等需要较强可解释性的电力业务中存在一定局限。

13、综合来看，现有技术虽然分别在时序特征建模、多尺度表达、工况识别、不确定性预测和语义增强方面取得了一定进展，但尚未形成一种面向风电功率关键风险时段的主动式、递阶式、自适应预测机制。本发明正是针对这一技术空白，提出一种面向高风险未来区间的语义驱动主动式递阶自适应预测方法。

技术实现思路

1、本发明要解决的技术问题是，针对高比例新能源接入背景下风电功率序列波动性强、非平稳性显著、局部突变事件频发以及关键时段预测误差集中的问题，提出一种能够面向未来高风险区间进行主动选择、局部校正和自适应停止的基于语义驱动的主动式递阶自适应风电功率预测方法及系统。

2、为解决上述技术问题，本发明提供了一种基于语义驱动的主动式递阶自适应风电功率预测方法，将风电功率预测由传统固定一次性回归过程转化为输入相关、风险驱动和语义约束下的多阶段动态推理过程；先通过全局预估模块获得未来功率轨迹的初始预测和风险表征，再通过未来步级风险评分形成候选高风险区间，随后利用语义重编程和提示条件建模生成高层语义上下文，并在每一轮递阶推理中联合选择关键预测区间、关键驱动因子和是否继续校正，最后仅对被选中的关键区间执行局部增量校正，直至满足停止条件后输出最终预测结果。

3、作为优选，所述方法包括如下具体步骤：

4、步骤一：获取并预处理风电功率预测输入数据；

5、步骤二：通过全局预估模块获得初始预测结果和内部状态；

6、步骤三：构建未来步级风险评分并生成候选高风险时间集合；

7、步骤四：执行时序语义重编程并构建提示条件；

8、步骤五：联合决策关键预测区间、关键驱动因子和继续校正标记；

9、步骤六：在关键区间上执行局部递阶校正；

10、步骤七：更新内部状态并执行自适应停止判断；

11、步骤八：构建联合训练目标并完成端到端优化。

12、作为优选，获取并预处理风电功率预测输入数据具体包括：首先，获取待预测风电场或新能源场站的历史多变量时间序列数据；以历史输入序列形式表示为：

13、；

14、其中，表示历史输入长度，表示输入变量维度，包括但不限于历史风电功率、风速、风向、温度、湿度、大气压强、数值天气预报信息、时间特征、机组运行状态及其他场站运行信息；代表实数集。预测目标为未来步风电功率序列：

15、；

16、对原始数据按照时间顺序进行缺失值处理、异常值处理、时间对齐和归一化处理；缺失值采用线性插值、邻近插值、滑动均值或模型插补方式填充；不同量纲变量采用最大最小值归一化或标准化方式处理；对于不同采样频率的数据，通过重采样或时间窗口聚合方式统一到目标采样间隔。

17、作为优选，步骤二中将预处理后的历史输入序列输入全局预估模块，得到未来功率轨迹的初始预测结果和初始内部状态：

18、；

19、其中，表示全局预估模块，表示未来预测区间的初始预测结果，表示初始风险表征或内部状态；所述全局预估模块采用卷积网络、循环神经网络、transformer结构、分块时间序列网络、图神经网络、多层感知机或其组合实现；

20、步骤三具体执行为：基于初始预测结果，针对未来每一个时刻构建未来步级风险评分；对于未来时刻，风险评分定义为：

21、；

22、其中，表示全局预估模块在未来时刻输出或估计的不确定性度量，用于表征该时刻预测结果的置信不足程度；表示初始预测轨迹在相邻时刻之间的一阶差分幅值，用于刻画局部变化强度；表示事件先验评分，用于衡量时刻附近发生风电功率快速爬升、快速下降、局部工况切换或天气转折等关键事件的可能性；分别表示不确定性度量、局部变化强度和事件先验评分的权重系数；

23、由全局预估模块的分布输出、预测方差、集成模型分歧、蒙特卡洛随机失活结果或置信度估计模块得到；由历史爬坡事件规则、风速变化阈值、风向突变、气象状态切换、日内时段统计规律或训练得到的事件识别网络生成；

24、根据风险评分和筛选阈值，得到候选高风险时间集合：

25、；

26、随后，按照时间连续性将集合中的相邻或近邻时刻聚合为若干候选关键区间；对于孤立噪声点，通过最小持续时间约束、邻域平滑、连通片段筛选或区间合并方式进行后处理，从而得到候选关键区间集合。

27、作为优选，对输入时间序列执行时序语义重新编程；首先，将输入序列划分为若干时间片段：

28、；

29、其中，表示第个时间片段，表示片段数量；每个时间片段通过滑动窗口、非重叠分块或多尺度分块方式获得；随后，利用片段编码器将每个时间片段编码为隐向量：

30、；

31、其中，表示片段编码器；进一步引入语义原型集合：

32、；

33、其中，表示第个语义原型，对应平稳运行、快速爬坡、快速下降、周期波动、天气转折、异常扰动、低风速区间、高风速区间时序模式；通过计算片段表示与语义原型之间的关联权重，将原始数值片段映射到语义原型空间：

34、；

35、其中，表示第个片段与第个语义原型之间的归一化关联系数；由此得到时序语义表示：

36、；

37、同时，构建提示条件向量：

38、；

39、其中，表示领域知识提示，例如风电功率爬坡事件、气象突变、功率曲线约束；表示任务目标提示，例如短期预测、超短期预测、多步预测、关键区间误差抑制；表示统计上下文提示，例如均值、方差、趋势强度、波动率、近期变化率和相关性信息；将提示条件和语义序列输入上下文建模模块，得到语义上下文表示：

40、；

41、其中，采用transformer、交叉注意力网络、门控融合网络或多层感知机实现。

42、作为优选，在第轮递阶推理预测中，模型根据当前内部状态、已有预测结果以及语义上下文表示，联合决策当前轮次需要优先校正的关键预测区间、关键驱动因子集合以及继续校正标记：

43、；

44、其中，表示联合决策策略函数，表示从候选关键区间集合中选择出的当前轮次优先校正区间，表示当前区间下需要重点关注的驱动变量集合，表示是否继续执行局部校正；

45、关键预测区间的选择目标是确定“下一步优先校正哪个未来区间”；关键驱动因子的选择目标是确定“该区间下哪些变量主导预测误差”；关键驱动因子通过连续门控向量实现：

46、；

47、其中，表示变量门控权重，表示区间上下文特征，和为可学习参数，为sigmoid函数；根据门控权重得到重加权输入：

48、；

49、由此，模型可以在不同关键区间下动态关注不同驱动变量，例如在平稳区间侧重历史功率惯性，在快速波动区间侧重风速、风向、温度或气压变化。

50、作为优选，当继续校正标记时，模型不重新预测整个未来序列，而是仅针对当前被选中的关键区间执行局部增量校正；局部校正模块输出第轮预测增量：

51、；

52、其中，表示局部递阶校正模块；该模块采用卷积网络、注意力网络、残差网络、门控网络或多层感知机实现；为了保证校正仅作用于目标关键区间，引入区间掩膜，并更新预测结果：

53、；

54、其中，仅在关键区间内激活，在非关键区间取零或较小权重；通过该设计，模型能够将计算和校正能力集中到最容易出错的未来片段，避免对整个未来预测区间进行无差别重复计算。

55、作为优选，完成第轮局部校正后，将所选关键区间、关键驱动因子、校正后的预测结果和语义上下文写回内部状态：

56、；

57、其中，表示状态更新模块。随后，计算继续校正的收益评估值：

58、；

59、其中，表示收益评估函数。根据停止阈值进行判断：

60、；

61、当或轮次达到最大校正轮数时，停止递阶推理，并输出最终预测结果；该机制使模型能够在复杂样本上执行更多轮关键区间校正，在简单样本上提前停止，从而兼顾预测精度和推理效率。

62、作为优选，为实现上述模块的联合优化，构建如下联合损失函数：

63、；

64、其中，用于约束整体预测精度；用于增强模型对爬坡、突降和工况切换等关键事件区间的刻画能力；用于优化关键区间与关键驱动因子的决策策略；用于学习自适应停止条件；用于约束语义重编程表示的一致性与区分性；用于控制递阶校正带来的额外计算开销；至为权衡系数。

65、同时，本发明还提供了一种基于语义驱动的主动式递阶自适应风电功率预测系统，包括数据获取与预处理模块，用于获取风电场历史功率、气象变量、时间特征和运行信息，并执行缺失值填充、归一化和时间窗口构造；

66、全局预估模块，用于根据历史输入序列输出未来功率初始预测结果和初始内部状态；

67、风险评分模块，用于根据不确定性度量、局部变化强度和事件先验评分生成未来步级风险评分，并形成候选高风险区间；

68、语义重编程模块，用于将输入时间序列划分为片段并映射到语义原型空间，得到时序语义表示；

69、提示条件建模模块，用于融合领域知识提示、任务目标提示和统计上下文提示，生成语义上下文表示；

70、联合决策模块，用于根据内部状态、已有预测结果和语义上下文表示，选择关键预测区间、关键驱动因子和继续校正标记；

71、局部递阶校正模块，用于在被选中的关键区间上执行局部增量校正；

72、状态更新与自适应停止模块，用于更新内部状态、评估继续校正收益并判断是否停止递阶推理；

73、结果输出模块，用于输出最终风电功率预测结果及关键区间、关键因子、校正轮次等可解释信息。

74、采用上述方法和系统后，本发明具有如下有益效果：第一，提高关键波动时段的预测精度。本发明通过未来步级风险评分和候选关键区间生成机制，将模型注意力集中于爬坡、突降、峰谷切换和天气转折等高风险片段，并通过局部递阶校正降低关键时段预测偏差。通过结合现有技术中公开的对比实验显示，在公开wind数据集上，本发明方法mae和mse分别达到0.579和0.749，较次优方法分别下降5.4%和16.0%；在自采风电场数据_1上，本方法取得最优mae 0.605，相较次优方法降低5.5%，mse与强基线patchtst基本持平；在自采风电场数据_2上，本方法mae和mse分别达到0.903和0.677，较现有代表性基线表现出更优风电场景适应性。

75、第二，提升模型对主导驱动因素的辨识能力。传统模型通常对所有变量采用统一建模方式，难以区分不同未来区间下的主导变量。本发明通过关键因子选择机制，在每一轮校正中动态生成变量门控权重，使模型能够根据当前关键区间的演化状态选择历史功率、风速、风向、温度、气压或时间特征等不同驱动因素，从而增强对多变量耦合关系的表达能力。

76、第三，提升预测过程的可解释性。本发明不仅输出最终风电功率预测结果，还可以输出候选高风险区间、每轮选择的关键预测区间、关键驱动因子、校正轮次和停止原因。相比仅输出预测序列的黑箱模型，本发明能够解释模型在何处进行校正、依据哪些因素进行校正以及为何停止校正，更适合电力调度和运行风险评估等需要解释依据的业务场景。

77、第四，降低不必要计算开销。现有方法通常对整个未来预测区间执行统一计算，而本发明通过区间掩膜仅对高风险片段进行局部增量校正，并通过自适应停止机制避免在简单样本上执行过多轮校正。因此，本发明能够在保证关键时段预测性能的同时，减少对平稳时段的重复计算，提高推理资源利用效率。

78、第五，增强语义条件下的泛化能力。本发明引入时序语义重编程和提示条件建模，将原始数值序列映射到语义原型空间，并融合领域知识、任务目标和统计上下文，使模型不再仅依赖原始数值误差进行校正，而是能够围绕“当前演化模式、未来风险位置和继续校正收益”进行高层决策。该结构有助于提升模型在不同风电场、不同气象条件和不同预测跨度下的泛化能力。

79、第六，模块之间具有协同增益。现有技术中的消融实验显示，在wind数据集上，仅引入时序语义重编程模块后，mae由2.785降至1.016，mse由3.579降至1.159；完整方法进一步达到mae 0.579和mse 0.749。现有技术还指出，完整方法相较最佳单模块配置在wind数据集上进一步降低mae 43.0%、降低mse 35.4%，说明语义重编程模块与主动递阶预测模块之间存在明显协同作用。