Page 181 - 《中国电力》2026年第5期

赵军等：物理数据融合的风电场功率预测 2026 年第 5 期

动模型对物理模型的系统性预测残差进行校正。 差项，以确保经验模态分解方法在分析风电功率
这种校正效果依赖于物理模型的初始精度，且残 数据时的适用性，且理论上分解后的序列比原始
差模型仍属于“黑箱”，可解释性较差；2）动 功率序列更具规律性，以此为后续预测提供保证。
态切换型融合 [23-24] ，基于工况置信度进行自适应 在风电功率预测中，加权神经网络方法可构
模型选择，根据风速波动等阈值切换物理或数据 建稳定高效的深度时间模型，其核心在于长短期
驱动模型。此类融合的切换逻辑依赖人工设定阈 记忆门控循环单元的设计，该设计简化了深度神
值，存在一定误切换率；3）物理约束嵌入型融 经网络的时序训练过程 [29-30] 。采用长短期记忆并
合 [25-26] ，将物理方程以正则项或网络结构硬约束 行神经网络对多变量特征序列进行动态建模：原
的形式嵌入数据驱动模型 [27] 。这类融合方法对约 始环境序列经经验模态分解后呈现出多种特征波
束设计的专业领域知识要求较高，技术门槛较难 动，形成一系列风电功率本征模态函数分量和残
跨越。 差项，通过线性叠加重构得到新的风电功率信号。
综上所述，本文采用的符号回归融合方法无 对历史风电数据进行无监督聚类后，通过因子
需人工设计切换规则或阈值，有效规避了人工设 序列的经验模态分解与并行加权长短期记忆网络，
定阈值带来的主观误差与误切换问题，进一步提 构建纯数据驱动的功率预测方法（K-EMD-LSTM）。
升了融合模型的适应性与可靠性。本文提出聚类 此外，数据驱动模型还包含风电功率状态、权重
加权网络方法用于风电场数据预测，采用符号回 矩阵和偏置项。其中，风电功率状态指能表征风
归方法实现物理驱动与数据驱动预测结果的有效 电场功率输出特性的关键状态参数集合，包括风
融合。案例验证表明，所提风电功率预测模型融 电功率实测值、风速、风向、温度等环境状态值
合方法兼顾了预测精度与可解释性。 等，以上参数共同构成模型输入的状态向量，为

权重矩阵与偏置项的迭代优化提供基础。数据驱
1 基于聚类加权神经网络的数据驱动方法 动条件下风电场功率预测模型的流程如图 1 所示。
数据驱动模型结合了本征模态函数分量与残差项
基于高斯尾流模型的物理驱动方法可以参考 的加权分析，整合不同模型的预测结果，得到数
文献 [27-28]，本文不再论述。由于风电数据具有 据驱动条件下风电场的预测功率。该方法不仅提
多频率特性，本研究基于 K 均值聚类算法对训练 升了神经网络内部权重行为的可解释性，还为理
数据进行预处理。鉴于数据分类数量的先验信息 解网络学习过程中的关键特征提供了新视角。
未知，采用轮廓分析确定最优分类数：首先随机
步骤3
步骤1
选取 K 个点作为风电聚类中心，然后通过欧氏距 数据分类 LSTM并行权重网络
离法找到距离聚类中心最近的点并将其归为不同
K-means y
类别，最后通过计算轮廓系数确定风电数据集的 权
K类 w10 w11 w12 重
最优聚类数 K。 h1 σ h2 σ h3 σ 系
数
a1
a3
a2
w3 w7 W 1
对 风 电 场 数 据 进 行 处 理 是 为 后 续 风 电 功 率 w1 w2 w9
w4 w5 w8 w6 W 2
EMD
预 测 提 供 高 质 量 数 据 、 确 保 预 测 结 果 准 确 性 的 ···
W k
×1 ×2 ×3
关键。本研究结合经验模态分解（empirical mode
步骤2
decomposition， EMD） 的 分 解 能 力 与 长 短 期 记 忆 IMF 1··· (n + 1) 分解组件 数据驱动预测功率: P 2

（ long short term memory， LSTM） 网 络 捕 捉 风 电
图 1 K-EMD-LSTM 功率预测方法
时间序列数据长期依赖关系和动态变化的能力，
Fig. 1 K-EMD-LSTM power forecasting method
构建了一种创新的加权分析神经网络。
捕捉风电数据的时间模式是提升功率预测精 2 物理知识与运行数据融合预测方法
度的有效手段。利用经验模态分解的固有特性，
对风电功率时间序列进行逐层分解，得到一系列 符号回归是一种回归分析技术，通过探索方
本征模态函数（intrinsic mode function，IMF）和残 程空间寻找最拟合模型以逼近数据集，然后通过
177