中文引用格式： 胡雯雯，陳柏伊. 基于二分回聲狀態網的風電功率預測方法研究[J]. 電子技術應用，2026，52(6)：106-112.
英文引用格式： Hu Wenwen，Chen Boyi. Research on wind power forecasting method based on bipartite echo state network[J]. Application of Electronic Technique，2026，52(6)：106-112.
引言
隨著全球能源需求的增長和環境污染問題的加劇，傳統化石能源的大量消耗不僅導致能源危機，還造成了嚴重的環境問題[1]。因此，發展清潔、可再生的能源，特別是風能，成為全球能源發展的重要方向。風電作為一種受天氣和環境影響較大的能源，風力發電的功率輸出具有顯著的波動性和不確定性，這給電網的調度和安全穩定運行帶來了嚴峻挑戰。因此，提高風功率預測的準確性對于合理安排電力系統的運行、提高風電消納能力、降低系統調度成本、保證電網安全具有重要意義[2-3]。
風電功率常用的預測方法有物理方法、機器學習方法、統計方法、組合方法等。物理方法主要是基于數值天氣預報[4]或者衛星遙感影像[5]獲得大量的相關氣象數據，進而建立物理模型來預測風力發電量。但是，物理方法需要消耗較多的時間和資源，同時受限于天氣條件等因素，因此并不適合所有場景。統計方法是根據數據驅動的建模方法，該方法需要提取大量風電站中的歷史數據來建立數學模型，它的優勢是不必考慮風力發電系統的內部電氣特性。但是，當數據量不足時會影響模型的預測精度。統計方法包括：線性回歸方法[6]、時間序列法[7]、時間趨勢外推法[8]等。統計法模型相對簡單，不需要通過風電站的物理信息來構建預測模型，但是預測精度一般，因此目前研究重點已經從統計方法轉向人工智能方法。
人工智能預測是風力發電量預測的研究重點，相比物理方法和統計方法等非人工智方法，基于人工智能的風力發電量預測技術是一種具有多重優勢的先進技術[9]。文獻[10]采用了長短期記憶（LSTM）網絡建立了風電場功率預測模型，將區域相似性因子引入風能預測的研究。在風電數據組合預測方法研究中，文獻[11]利用小波分解對功率序列進行分解得到不同模態的子分量，再利用深度學習神經網絡進行預測。文獻[12]采用三層反向傳播神經網絡預測發電量，利用“歐式距離”來描述氣象信息相似度以確定模型的輸入變量，增加預測模型的精度。文獻[13]選取衛星圖像通過卷積神經網絡來獲得云層數據，再結合歷史風電功率數據通過長短期記憶神經網絡來預測風電發電功率。但是對于分布式風電站來說，由于獲取數據成本較高等因素，存在著數據樣本不足的問題。文獻[14]-[15]則通過引入粒子群優化算法和遺傳算法無監督地優化神經網絡參數。文獻[16]-[18]采用K均值聚類對風力發電數據進行無監督聚類，并根據發電日期將風電出力情況劃分為不同的類別，利用深度神經網絡對數據進行擬合。文獻[19]提出一種模擬沙貓捕食的群體智能算法沙貓群優化算法。這些智能算法通過強大的優化能力，幫助經網絡找到符合自身網絡結構的最佳參數配置，提高了風力發電功率預測的精確度。
回聲狀態網絡(Echo State Network, ESN)[20-22]是一種不尋常類型的遞歸神經網絡(RNN)[23-25]。不同于RNN，在訓練方式上，ESN通過線性回歸方法對輸出層內權值矩陣進行學習，并且其他權值矩陣不需要更新，因此ESN模型大大縮短了其訓練時間。在網絡性能方面，ESN網絡在預測和非線性時間序列建模方面表現比較突出。ESN已經廣泛應用到各個領域，例如，時間序列預測[26-28]、非線性系統建模[29-31]、微控制器涉及[32-34]等，并且取得令人印象深刻的成果。
針對ESN的改進主要由兩個方面。一方面是針對單輸入單輸出模型改進，一些研究者嘗試使用更加復雜的結構來提高模型的性能[35-37]。其中，文獻[35]提出了新型的寬度回聲狀態網絡（Broad-ESN）模型，它利用回聲狀態網儲備池的分解機理，對隱含層內單一儲備池結構分解成多個子儲備池的結構，來提高模型的預測精度。但是，此模型增加了計算量，而且對新的數據集要進行儲備池規模和儲備池的個數重新調整，增加了模型建立的時間。
另一方面，主要是針對單輸出單數入 ESN 內部激活函數的改進[38-39]。一般來說，回聲狀態網通常使用雙曲正切（tanh）作為激活函數，具有較好的線性性質和非線性變換能力。文獻[38]提出了泄露積分型回聲狀態網（Leaky-ESN），在標準 ESN 儲備池激活函數的基礎上加入泄露率，使得隱含層內儲備池神經元成為泄露積分神經元，但儲備池的狀態函數（激活函數）還是非線性函數，模型的抗干擾能力并沒有實質的提升，模型的預測精度很大程度上取決于激活函數。上述所有模型都改進了ESN，并在時間序列預測方面取得了良好的效果。然而，具有強烈環境不確定性和顯著氣象變化的時間序列可能會面臨數據特征提取不足和記憶逐漸衰減等問題。
因此，本文提出一種一入二出的儲備池結構，即二分回聲狀態網（Bipartite Echo State Network，Bi-ESN），用于構建風力發電功率預測模型。該模型由3個儲備池構成，第一個儲備池對輸入數據進行信息特征提取，然后根據所提取特征不同，將特征作為輸入信息并列輸入后面兩個儲備池，進一步對數據特征進行融合。為了保證模型能夠穩定地運行在實際的預測中，給了一個充分的穩定性判據，并能更好地選擇預測模型的結構參數。此外，為了獲得更好的預測精度，使用梯度下降算法來優化二分回聲狀態網的儲備池參數。
本文詳細內容請下載：
http://www.tom3567.com/resource/share/2000007111
作者信息：
胡雯雯1，陳柏伊2
（1.吉林省氣象服務中心，吉林 長春 130013；
2.長春市標準研究院，吉林 長春 130022）
