Interpretable Power Output Prediction of Multiple Wind Turbines for Offshore Wind Farm Based on Multiple Spatio-temporal Attention Graph Neural Network Model

SU Xiangjing; NIE Liangzhao; LI Chaojie; MI Yang; FU Yang; DONG Zhaoyang

doi:10.7500/AEPS20220502002

您当前的位置：

首页 >

文章列表页 >

Interpretable Power Output Prediction of Multiple Wind Turbines for Offshore Wind Farm Based on Multiple Spatio-temporal Attention Graph Neural Network Model

Basic Research | 更新时间：2025-06-16

- Interpretable Power Output Prediction of Multiple Wind Turbines for Offshore Wind Farm Based on Multiple Spatio-temporal Attention Graph Neural Network Model
- Automation of Electric Power Systems Vol. 47, Issue 9, Pages: 88-98(2023)
- 作者机构：
  
  1.上海电力大学电气工程学院,上海市 200090
  2.新南威尔士大学电气工程与通信学院,悉尼 2052,澳大利亚
  3.南洋理工大学电气与电子工程学院,新加坡 639798,新加坡
- 作者简介：
- 基金信息：
  
  Scientific Research and Innovation Program of Shanghai Education Commission(2021-01-07-00-07-E00122)
- DOI：10.7500/AEPS20220502002
  CLC：
- Received：02 May 2022，
  
  Revised：2022-10-31，
  
  Published Online：09 March 2023，
  
  Published：10 May 2023
- 稿件说明：
移动端阅览
苏向敬,聂良钊,李超杰等.基于MSTAGNN模型的可解释海上风电场多风机出力预测[J].电力系统自动化,2023,47(9):88-98.

SU Xiangjing,NIE Liangzhao,LI Chaojie,et al.Interpretable Power Output Prediction of Multiple Wind Turbines for Offshore Wind Farm Based on Multiple Spatio-temporal Attention Graph Neural Network Model[J].Automation of Electric Power Systems,2023,47(9):88-98.
苏向敬,聂良钊,李超杰等.基于MSTAGNN模型的可解释海上风电场多风机出力预测[J].电力系统自动化,2023,47(9):88-98. DOI： 10.7500/AEPS20220502002.

SU Xiangjing,NIE Liangzhao,LI Chaojie,et al.Interpretable Power Output Prediction of Multiple Wind Turbines for Offshore Wind Farm Based on Multiple Spatio-temporal Attention Graph Neural Network Model[J].Automation of Electric Power Systems,2023,47(9):88-98. DOI： 10.7500/AEPS20220502002.

摘要

现有海上风电场出力预测研究对复杂时空关系考虑不足，且多为“黑盒”模型，缺乏可解释能力。为充分挖掘时空关联并实现模型可解释，提出一种基于多重时空注意力图神经网络(MSTAGNN)的海上风电场出力预测模型。首先，构建了一种考虑空间关联的海上风电场图拓扑，并引入空间注意力机制实现图拓扑的动态变化；其次，分别利用图卷积网络和时间门控卷积网络有效提取空间和时间特征；接着，对所提模型引入多维多头注意力机制，使其获得多重可解释能力；最后，基于中国东海大桥风电场真实数据进行仿真验证。结果表明，所提模型相比传统预测模型具有更高的预测精度，同时在空间、特征、时间多个维度具有合理的可解释性。

Abstract

Existing research on the power output prediction of offshore wind farms does not take into account the complex spatio-temporal relationship

and the prediction models are mostly “black boxes”

lacking the interpretable ability. To fully exploit the spatio-temporal correlation and realize the interpretability of the model

this paper proposes a power output prediction model of offshore wind farms based on multiple spatio-temporal attention graph neural network (MSTAGNN). Firstly

a graph topology of the offshore wind farm considering the spatial correlation is proposed

and the spatial attention mechanism is introduced to realize the dynamic change of graph topology. Secondly

the graph convolutional network and temporal gated convolution network are separately used to extract spatial and temporal features. Then

the multi-dimensional and multi-head attention mechanism is introduced into the proposed model to obtain multiple interpretable abilities. Finally

based on the real data of 34 wind turbines in Donghai Bridge wind farm

China

this paper conducts the simulation verification. The results show that

compared with traditional prediction models

the proposed model has higher prediction accuracy

and has reasonable interpretability in multiple dimensions of space

feature and time.

关键词

Keywords

references

翟桥柱，周玉洲，李轩，等 . 非预期性与全场景可行性：应对负荷与可再生能源不确定性的现状、挑战与未来［J］. 中国电机工程学报， 2020 ， 40 （ 20 ）： 6418 - 6433 .

ZHAI Qiaozhu ， ZHOU Yuzhou ， LI Xuan ， et al . Nonanticipativity and all-scenario-feasibility： state of the art， challenges， and future in dealing with the uncertain load and renewable energy ［J］. Proceedings of the CSEE ， 2020 ， 40 （ 20 ）： 6418 - 6433 .

张显，史连军 . 中国电力市场未来研究方向及关键技术［J］. 电力系统自动化， 2020 ， 44 （ 16 ）： 1 - 11 .

ZHANG Xian ， SHI Lianjun . Future research areas and key technologies of electricity market in China ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 16 ）： 1 - 11 .

葛维春，李景瑞，滕云，等 . 基于尾流风速场风速矢量计算的风电场输出功率优化模型［J］. 太阳能学报， 2019 ， 40 （ 3 ）： 641 - 648 .

GE Weichun ， LI Jingrui ， TENG Yun ， et al . Wind farm speed output vector optimization based on wake wind velocity field calculation ［J］. Acta Energiae Solaris Sinica ， 2019 ， 40 （ 3 ）： 641 - 648 .

赵书强，金天然，李志伟，等 . 考虑时空相关性的多风电场出力场景生成方法［J］. 电网技术， 2019 ， 43 （ 11 ）： 3997 - 4004 .

ZHAO Shuqiang ， JIN Tianran ， LI Zhiwei ， et al . Wind power scenario generation for multiple wind farms considering temporal and spatial correlations ［J］. Power System Technology ， 2019 ， 43 （ 11 ）： 3997 - 4004 .

杨茂，白玉莹 . 基于多位置NWP和门控循环单元的风电功率超短期预测［J］. 电力系统自动化， 2021 ， 45 （ 1 ）： 177 - 183 .

YANG Mao ， BAI Yuying . Ultra-short-term prediction of wind power based on multi-location numerical weather prediction and gated recurrent unit ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 1 ）： 177 - 183 .

ZHEN H ， NIU D X ， YU M ， et al . A hybrid deep learning model and comparison for wind power forecasting considering temporal-spatial feature extraction ［J］. Sustainability ， 2020 ， 12 （ 22 ）： 9490 .

陈金富，朱乔木，石东源，等 . 利用时空相关性的多位置多步风速预测模型［J］. 中国电机工程学报， 2019 ， 39 （ 7 ）： 2093 - 2106 .

CHEN Jinfu ， ZHU Qiaomu ， SHI Dongyuan ， et al . A multi-step wind speed prediction model for multiple sites leveraging spatio-temporal correlation ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 7 ）： 2093 - 2106 .

苗长新，李昊，王霞，等 . 基于数据驱动和深度学习的超短期风电功率预测［J］. 电力系统自动化， 2021 ， 45 （ 14 ）： 22 - 29 .

MIAO Changxin ， LI Hao ， WANG Xia ， et al . Data-driven and deep-learning-based ultra-short-term wind power prediction ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 14 ）： 22 - 29 .

戚创创，王向文 . 考虑风向和大气稳定度的海上风电功率短期预测［J］. 电网技术， 2021 ， 45 （ 7 ）： 2773 - 2780 .

QI Chuangchuang ， WANG Xiangwen . Short-term prediction of offshore wind power considering wind direction and atmospheric stability ［J］. Power System Technology ， 2021 ， 45 （ 7 ）： 2773 - 2780 .

VILONE G ， LONGO L . Notions of explainability and evaluation approaches for explainable artificial intelligence ［J］. Information Fusion ， 2021 ， 76 ： 89 - 106 .

韩天森，陈金富，李银红，等 . 电力系统稳定评估机器学习可解释代理模型研究［J］. 中国电机工程学报， 2020 ， 40 （ 13 ）： 4122 - 4131 .

HAN Tiansen ， CHEN Jinfu ， LI Yinhong ， et al . Study on interpretable surrogate model for power system stability evaluation machine learning ［J］. Proceedings of the CSEE ， 2020 ， 40 （ 13 ）： 4122 - 4131 .

LETHAM B ， RUDIN C ， MCCORMICK T H ， et al . Interpretable classifiers using rules and Bayesian analysis： building a better stroke prediction model ［J］. The Annals of Applied Statistics ， 2015 ， 9（ 3 ） 1350 - 1371 ．

LI C J ， DONG Z Y ， DING L ， et al . Interpretable memristive LSTM network design for probabilistic residential load forecasting ［J］. IEEE Transactions on Circuits and Systems ， 2022 ， 69 （ 6 ）： 2297 - 2310 .

胡鹤轩，隋华超，胡强，等 . 基于图注意力网络与双阶注意力机制的径流预报模型［J］. 计算机应用， 2022 ， 42 （ 5 ）： 1607 - 1615 .

HU Hexuan ， SUI Huachao ， HU Qiang ， et al . Runoff forecast model based on graph attention network and dual-stage attention mechanism ［J］. Journal of Computer Applications ， 2022 ， 42 （ 5 ）： 1607 - 1615 .

苏向敬，山衍浩，周汶鑫，等 . 基于GRU和注意力机制的海上风机齿轮箱状态监测［J］. 电力系统保护与控制， 2021 ， 49 （ 24 ）： 141 - 149 .

SU Xiangjing ， SHAN Yanhao ， ZHOU Wenxin ， et al . GRU and attention mechanism-based condition monitoring of an offshore wind turbine gearbox ［J］. Power System Protection and Control ， 2021 ， 49 （ 24 ）： 141 - 149 .

苏向敬，周汶鑫，李超杰，等 . 基于双重注意力LSTM神经网络的可解释海上风电出力预测［J］. 电力系统自动化， 2022 ， 46 （ 7 ）： 141 - 151 .

SU Xiangjing ， ZHOU Wenxin ， LI Chaojie ， et al . Interpretable offshore wind power output forecasting based on long short-term memory neural network with dual-stage attention ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 7 ）： 141 - 151 .

杨茂，翟冠强，苏欣 . 基于风特征分析的风电机组异常数据识别算法［J］. 中国电机工程学报， 2017 ， 37 （增刊1 ）： 144 - 151 .

YANG Mao ， ZHAI Guanqiang ， SU Xin . An algorithm for abnormal data identification of wind turbine based on wind characteristic analysis ［J］. Proceedings of the CSEE ， 2017 ， 37 （ Supplement 1 ）： 144 - 151 .

杨茂，张罗宾 . 基于数据驱动的超短期风电功率预测综述［J］. 电力系统保护与控制， 2019 ， 47 （ 13 ）： 171 - 186 .

YANG Mao ， ZHANG Luobin . Review on ultra-short term wind power forecasting based on data-driven approach ［J］. Power System Protection and Control ， 2019 ， 47 （ 13 ）： 171 - 186 .

GENG X L ， XU L Y ， HE X Y ， et al . Graph optimization neural network with spatio-temporal correlation learning for multi-node offshore wind speed forecasting ［J］. Renewable Energy ， 2021 ， 180 ： 1014 - 1025 .

朱思婷，管霖，郭梦轩，等 . 基于异质边图注意力网络的电力系统振荡评估模型［J］. 电网技术， 2022 ， 46 （ 7 ）： 2581 - 2592 .

ZHU Siting ， GUAN Lin ， GUO Mengxuan ， et al . Power system oscillation evaluation model based on heterogeneous edge graph attention network ［J］. Power System Technology ， 2022 ， 46 （ 7 ）： 2581 - 2592 .

钟智，管霖，苏寅生，等 . 基于图注意力深度网络的电力系统暂态稳定评估［J］. 电网技术， 2021 ， 45 （ 6 ）： 2122 - 2130 .

ZHONG Zhi ， GUAN Lin ， SU Yinsheng ， et al . Power system transient stability assessment based on graph attention deep network ［J］. Power System Technology ， 2021 ， 45 （ 6 ）： 2122 - 2130 .

BRUNA J ， ZAREMBA W ， SZLAM A ， et al . Spectral networks and locally connected networks on graphs ［EB/OL］. ［ 2022-03-05 ］. https：//arxiv.org/abs/1312.6203 https://arxiv.org/abs/1312.6203 .

DEFFERRARD M ， BRESSON X ， VANDERGHEYNST P . Convolutional neural networks on graphs with fast localized spectral filtering ［EB/OL］. ［ 2022-03-05 ］. https：//proceedings.neurips.cc/paper/2016/file/04 df4d434d481c5bb723be1b6df1ee65-Paper.pdf https://proceedings.neurips.cc/paper/2016/file/04df4d434d481c5bb723be1b6df1ee65-Paper.pdf .

KIPF T N ， WELLING M . Semi-supervised classification with graph convolutional networks ［EB/OL］. ［ 2022-03-05 ］. https：//arxiv.org/abs/1609.02907 https://arxiv.org/abs/1609.02907 .

DAUPHIN Y N ， FAN A ， AULI M ， et al . Language modeling with gated convolutional networks ［EB/OL］. ［ 2022-03-05 ］. https：//arxiv.org/abs/1612.08083v1 https://arxiv.org/abs/1612.08083v1 .

叶林，李镓辰，路朋，等 . 基于近邻传播聚类与MCMC算法的风电时序数据聚合方法［J］. 中国电机工程学报， 2020 ， 40 （ 12 ）： 3744 - 3754 .

YE Lin ， LI Jiachen ， LU Peng ， et al . Wind power time series aggregation approach based on affinity propagation clustering and MCMC algorithm ［J］. Proceedings of the CSEE ， 2020 ， 40 （ 12 ）： 3744 - 3754 .

袁爽，何银国，戴朝华，等 . 风电时间相关性多面体不确定性建模与鲁棒机组组合优化［J］. 太阳能学报， 2020 ， 41 （ 9 ）： 293 - 301 .

YUAN Shuang ， HE Yinguo ， DAI Chaohua ， et al . Polyhedral uncertainty modeling and robust optimization in unit commitment considering wind temporal correlation ［J］. Acta Energiae Solaris Sinica ， 2020 ， 41 （ 9 ）： 293 - 301 .

SUN C . Imputation of missing data from offshore wind farms using spatio-temporal correlation and feature correlation ［J］. Energy ， 2021 ， 229 ： 120777 .

国家电网公司 . 风电功率预测功能规范： Q/GDW 10588—2015 ［S］. 2015 .

State Grid Corporation of China . Functional specification for wind power prediction ： Q/GDW 10588—2015 ［S］. 2015 .

YU B ， YIN H T ， ZHU Z X . Spatio-temporal graph convolutional networks： a deep learning framework for traffic forecasting ［C］// Proceedings of the Twenty-Seventh International Joint Conference on Artificial Intelligence ， July 13-19 ， 2018 ， Stockholm， Sweden .

王令闻，黄玲玲，张智伟 . 基于运行数据的海上风电场功率特性分析［J］. 现代电力， 2020 ， 37 （ 5 ）： 532 - 538 .

WANG Lingwen ， HUANG Lingling ， ZHANG Zhiwei . Analysis on power characteristics of offshore wind farm based on measured operational data ［J］. Modern Electric Power ， 2020 ， 37 （ 5 ）： 532 - 538 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Ultra-short-term Regional Load Forecasting Based on Spatio-Temporal Graph Attention Network

Interpretable Detection Method for False Data Injection Attack on Power Grid Based on Multi-head Graph Attention Network and Time Convolution Network Model

Related Author

ZHAO Ziyu

CHEN Yuanrui

CHEN Tingwei

LIU Junfeng

ZENG Jun

DENG Chao

LI Fengyong

XIAO Shiqu

Related Institution

School of Electric Power Engineering, South China University of Technology

School of Automation Science and Engineering, South China University of Technology

College of Computer Science and Technology, Shanghai University of Electric Power

National Joint Engineering Laboratory of Power Grid with Electric Vehicles (Shandong University)

School of Computer Science and Technology, Shandong University

⁰