混合语义上下文增强集成学习用于风电功率爬坡事件预测与不确定性感知评估

# 混合语义上下文增强集成学习用于风电功率骤变事件预测与不确定性感知评估  
来源：https://arxiv.org/html/2608.29024  

**Momina Liaqat Ali**  
附属机构：田纳西大学工业与系统工程系，诺克斯维尔，田纳西州37996，美国  
邮箱：[[email protected]](mailto:[email protected])  

**Muhammad Abid**  
附属机构：田纳西大学机械与航空航天工程系，诺克斯维尔，田纳西州37996，美国  
邮箱：[[email protected]](mailto:[email protected])  

**Muhammad Abdullah**  
附属机构：巴基斯坦工程与应用科学研究所机械工程系，伊斯兰堡，巴基斯坦  
邮箱：[[email protected]](mailto:[email protected])  

**Aneela Zameer††**  
通讯作者。邮箱：[[email protected]](mailto:[email protected])  
附属机构：巴基斯坦工程与应用科学研究所计算机科学系，伊斯兰堡，巴基斯坦  
邮箱：[[email protected]](mailto:[email protected])  

###### 摘要  
风电功率骤变事件指涡轮机输出在短时间内发生大幅波动，这类事件难以准确估计，常规模型往往无法捕捉。本研究构建了一种混合预测方法，将语义上下文信息增强应用于骤变事件预测。我们并未直接应用大型语言模型来预测涡轮机运行数据，而是设计了一个流程：先将涡轮机运行数据转换为简化文本，再将其转换为稠密嵌入向量，作为集成模型的输入特征，与其他特征相结合使用。在SDWPF数据集的多个时间间隔（包括10分钟、30分钟和60分钟预测时域）上进行测试，其中骤变事件定义为未来功率输出变化最大的情况。我们通过Diebold-Mariano检验和Bootstrap置信区间，验证了模型相对于自回归、LSTM和GRU基线模型以及多种集成配置的鲁棒性；同时调整了骤变阈值，使用PCA压缩嵌入向量，并在Kaggle SCADA和NREL数据集上进行外部验证，采用不确定性感知的评估方法。语义上下文特征在多组配对集成运行中产生了微小但统计显著的提升，尤其在30分钟和60分钟预测时域中，这些提升在不同骤变阈值定义下保持一致，PCA压缩在某些长期预测场景中也有所帮助。最优的上下文增强集成模型在整体评估中排名靠前，但GRU模型在30和60分钟的骤变事件RMSE指标上仍取得最低值。外部测试证实误差降低具有跨数据集泛化能力，但提升幅度取决于具体模型和数据集。预测区间覆盖了大多数测试用例，但在骤变事件期间表现较弱，表明数据分布存在局部偏移。  
*关键词* 风电功率预测⋅\cdot 风电骤变⋅\cdot 大型语言模型⋅\cdot 语义运行上下文⋅\cdot LLM增强预测⋅\cdot 不确定性量化⋅\cdot 集成学习  

## 1 引言  
风电能源融入现代电力系统，凸显了风电功率预测的迫切性，主要涉及电网稳定运行、能源调度、短缺备用电力分配、电力市场竞争以及可再生能源整合等方面。这主要是因为风电作为天气依赖型能源，受涡轮机运行状态、大气变化等多种变量影响，与传统发电方式差异显著。功率输出可能在短时间内发生快速变化，风电功率骤变事件便是其中一种，这类事件在不同程度上加剧负荷波动，增加系统备用容量需求，且因发电功率变化给系统运营商带来调度挑战。  

针对风电功率预测，已有多种方法提出，涵盖物理模型、统计模型和时间序列技术。物理模型依赖数值天气预报和涡轮机特性；统计与自回归模型则基于历史发电数据和气象变量的经验观测，处理Granger因果关系检验。传统预测方法如持续法、自回归模型、ARIMA类模型和Lasso等构成了基准线，尤其在极短期预测中表现突出。然而，这些方法忽略了涡轮机非线性行为和骤变动态的表征挑战。  

机器学习与深度学习模型在短期风电功率预测中展现出优势。基于树的集成方法（如随机森林、极端随机树、梯度提升、XGBoost、LightGBM和CatBoost）能够捕捉滞后功率、风速、风向、涡轮机状态、时间变量和空间信息之间的非线性关系。深度序列模型（包括长短期记忆网络LSTM和门控循环单元GRU网络）能够捕捉序列中受影响实体之间的依赖关系。尽管有GPU加速等进展，许多现有预测模型仍严重依赖数值函数/手动特征工程，未能全面描述风速从低到高转换以及涡轮机输出功率低于预期的各类场景。  

大型语言模型和基于语言的内部结构学习的最新进展，为语义表示用于时间序列建模提供了新机遇。但LLM或此类建模技术未必总能超越传统或即席预测模型，其效果取决于如何有效存储或推断序列记忆、如何整合并利用这些信息进行预测。本研究并非将LLM作为直接的白盒预测器，而是放弃其黑盒预测能力，将LLM驱动的语义嵌入作为辅助运行上下文特征。例如，涡轮机与天气数值信息包含速度、功率、风向、功率增减状态、不可预见变化、隐藏变化及短期突变风险等评估。  

本研究提出一种基于半结构化预测建模的风电骤变事件新方法，此类方法综合使用数值预测器、符号化环境上下文、文本描述，甚至采用LLM生成的表示及其他丰富的语义标注策略。主要参考点为SDWPF风电数据集在10、30、60分钟预测时域内的风电功率骤变事件。分析聚焦不同幅度的风电功率变化，并额外进行骤变阈值敏感性分析（前10%、15%、20%的骤变事件）。所采用技术包括交叉模型（简单模型、自回归模型、概率集成方法、提升算法、循环神经网络）以及上下文感知提升算法。最终采用基于PCA的语义嵌入、模型重复缩放及无控制中位数估计的单变量条件风险价值模型。  

通过包含“无LLM”反事实对比的综合实证检验，在相同模型框架下对比有无LLM丰富扩展特征的表现，以评估语义运行上下文的价值。在多组设定和时点的集成方法中，实证收益微小但非完全无关紧要。统计检验（Bootstrap置信区间与Diebold-Mariano检验）证实了部分价值增益，尤其在30和60分钟预测中。所谓模型竞争包含深度神经网络模型，其中GRU在最长预测时域中展现出最经济的骤变事件误差，而LLM集成方案能达到类似结果并引入可解释的额外上下文。为评估模型实用价值，针对SCADA数据进行外部验证以确定其他潜在因素。研究结论表明，结合语义与运行上下文构建预测模型，并利用LLM生成特征，相比其他基准算法能提升所有数据集的预测精度。SDWPF作为骤变事件分析的主要测试平台，用以评估模型相对优势，而相关读者可关注该方法在持续预测生成中的更广泛应用。  

图1 (https://arxiv.org/html/2608.29024#S1.F1) 展示了所提工作流程。风电涡轮机数据经过多个阶段处理：阶段I包括缺失值处理、无效功率修正、排序分割及特征重塑；阶段II使用数值滞后特征、符号化上下文运算符类别、文本表示、丰富LLM语义嵌入及PCA压缩嵌入；阶段三构建传统模型、集成模型、序列模型及不确定性感知模型，并在全测试条件、骤变事件场景、统计鲁棒性场景和阈值敏感性约束下进行测试。  

本研究主要贡献如下：  
1. 采用新型语义运行上下文表示方法预测骤变事件，将涡轮机运行状态转换为更易理解且信息密集的LLM衍生表示。  
2. 通过设计“丰富LLM”与“无LLM”的配对对比，在相同模型族内检验语义特征的价值。  
3. 直接对比持续法、自回归线性基线、集成模型、提升模型、LSTM、GRU及分位数不确定性模型，证明GRU在长期预测中表现良好。  
4. 采用Diebold-Mariano检验、Bootstrap置信区间及骤变严重性分析（前10%、15%、20%带宽）验证模型有效性。  
5. 通过实验检验基于PCA的嵌入降维能否去除高维语义嵌入噪声，从而提升长期风电骤变事件预测。  
6. 在Kaggle SCADA和NREL风电数据集进行外部验证，检验LLM增强语义模型在SDWPF主要性能区域外的泛化能力。  
7. 建立敏感于骤变事件定义并考虑更新过程的诊断评估框架，以区分骤变事件性能问题与通用性能问题。  

图1：所提语义上下文风电功率预测系统详细工作流程。设计涵盖数据准备、数值/语义上下文构建、模型增强、统计度量验证、骤变敏感性研究、模型外部验证及不确定性计算。  

本文其余部分组织如下：第2节 (https://arxiv.org/html/2608.29024#S2) 回顾相关工作；第3节 (https://arxiv.org/html/2608.29024#S3) 描述数据集与预测框架；第4节 (https://arxiv.org/html/2608.29024#S4) 提出所提框架；第5节 (https://arxiv.org/html/2608.29024#S5) 描述实验设置；第6节 (https://arxiv.org/html/2608.29024#S6) 展示结果与讨论；第8节 (https://arxiv.org/html/2608.29024#S8) 结论。  

## 2 相关工作  
### 2.1 风电功率预测最新进展  
风电产量预测是重要研究课题，因其具有随机性、非线性且受外部环境及涡轮机状态影响。最新评估显示，研究焦点已从传统方法（包括但不限于物理模型、统计模型及其概率版本）扩展至机器学习方法及混合预测形式[1,2,3,4]。电网规划需要准确风电功率估计，这对温室气体减排、可再生能源整合、电力市场及供电安全至关重要。影响预测性能的因素包括模型复杂度、时间依赖性、输入表示、地理差异或气象依赖性及模型架构[1,2,5,6]。短期预测在无极端模型调整情况下，若依赖最新风速功率测量值可取得良好效果；而长期预测通常需要能利用增强时间关系且能跨预测周期反复调整发电调度的设计。因此，最新风电预测研究综合了历史功率数据、气象变量、滞后与超前位置、昼夜及年份时间，并采用传统汇总技术与结构化输入表示。