中文引用格式： 胡雯雯，陈柏伊. 基于二分回声状态网的风电功率预测方法研究[J]. 电子技术应用，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
随着全球能源需求的增长和环境污染问题的加剧，传统化石能源的大量消耗不仅导致能源危机，还造成了严重的环境问题[1]。因此，发展清洁、可再生的能源，特别是风能，成为全球能源发展的重要方向。风电作为一种受天气和环境影响较大的能源，风力发电的功率输出具有显著的波动性和不确定性，这给电网的调度和安全稳定运行带来了严峻挑战。因此，提高风功率预测的准确性对于合理安排电力系统的运行、提高风电消纳能力、降低系统调度成本、保证电网安全具有重要意义[2-3]。
风电功率常用的预测方法有物理方法、机器学习方法、统计方法、组合方法等。物理方法主要是基于数值天气预报[4]或者卫星遥感影像[5]获得大量的相关气象数据，进而建立物理模型来预测风力发电量。但是，物理方法需要消耗较多的时间和资源，同时受限于天气条件等因素，因此并不适合所有场景。统计方法是根据数据驱动的建模方法，该方法需要提取大量风电站中的历史数据来建立数学模型，它的优势是不必考虑风力发电系统的内部电气特性。但是，当数据量不足时会影响模型的预测精度。统计方法包括：线性回归方法[6]、时间序列法[7]、时间趋势外推法[8]等。统计法模型相对简单，不需要通过风电站的物理信息来构建预测模型，但是预测精度一般，因此目前研究重点已经从统计方法转向人工智能方法。
人工智能预测是风力发电量预测的研究重点，相比物理方法和统计方法等非人工智方法，基于人工智能的风力发电量预测技术是一种具有多重优势的先进技术[9]。文献[10]采用了长短期记忆（LSTM）网络建立了风电场功率预测模型，将区域相似性因子引入风能预测的研究。在风电数据组合预测方法研究中，文献[11]利用小波分解对功率序列进行分解得到不同模态的子分量，再利用深度学习神经网络进行预测。文献[12]采用三层反向传播神经网络预测发电量，利用“欧式距离”来描述气象信息相似度以确定模型的输入变量，增加预测模型的精度。文献[13]选取卫星图像通过卷积神经网络来获得云层数据，再结合历史风电功率数据通过长短期记忆神经网络来预测风电发电功率。但是对于分布式风电站来说，由于获取数据成本较高等因素，存在着数据样本不足的问题。文献[14]-[15]则通过引入粒子群优化算法和遗传算法无监督地优化神经网络参数。文献[16]-[18]采用K均值聚类对风力发电数据进行无监督聚类，并根据发电日期将风电出力情况划分为不同的类别，利用深度神经网络对数据进行拟合。文献[19]提出一种模拟沙猫捕食的群体智能算法沙猫群优化算法。这些智能算法通过强大的优化能力，帮助经网络找到符合自身网络结构的最佳参数配置，提高了风力发电功率预测的精确度。
回声状态网络(Echo State Network, ESN)[20-22]是一种不寻常类型的递归神经网络(RNN)[23-25]。不同于RNN，在训练方式上，ESN通过线性回归方法对输出层内权值矩阵进行学习，并且其他权值矩阵不需要更新，因此ESN模型大大缩短了其训练时间。在网络性能方面，ESN网络在预测和非线性时间序列建模方面表现比较突出。ESN已经广泛应用到各个领域，例如，时间序列预测[26-28]、非线性系统建模[29-31]、微控制器涉及[32-34]等，并且取得令人印象深刻的成果。
针对ESN的改进主要由两个方面。一方面是针对单输入单输出模型改进，一些研究者尝试使用更加复杂的结构来提高模型的性能[35-37]。其中，文献[35]提出了新型的宽度回声状态网络（Broad-ESN）模型，它利用回声状态网储备池的分解机理，对隐含层内单一储备池结构分解成多个子储备池的结构，来提高模型的预测精度。但是，此模型增加了计算量，而且对新的数据集要进行储备池规模和储备池的个数重新调整，增加了模型建立的时间。
另一方面，主要是针对单输出单数入 ESN 内部激活函数的改进[38-39]。一般来说，回声状态网通常使用双曲正切（tanh）作为激活函数，具有较好的线性性质和非线性变换能力。文献[38]提出了泄露积分型回声状态网（Leaky-ESN），在标准 ESN 储备池激活函数的基础上加入泄露率，使得隐含层内储备池神经元成为泄露积分神经元，但储备池的状态函数（激活函数）还是非线性函数，模型的抗干扰能力并没有实质的提升，模型的预测精度很大程度上取决于激活函数。上述所有模型都改进了ESN，并在时间序列预测方面取得了良好的效果。然而，具有强烈环境不确定性和显着气象变化的时间序列可能会面临数据特征提取不足和记忆逐渐衰减等问题。
因此，本文提出一种一入二出的储备池结构，即二分回声状态网（Bipartite Echo State Network，Bi-ESN），用于构建风力发电功率预测模型。该模型由3个储备池构成，第一个储备池对输入数据进行信息特征提取，然后根据所提取特征不同，将特征作为输入信息并列输入后面两个储备池，进一步对数据特征进行融合。为了保证模型能够稳定地运行在实际的预测中，给了一个充分的稳定性判据，并能更好地选择预测模型的结构参数。此外，为了获得更好的预测精度，使用梯度下降算法来优化二分回声状态网的储备池参数。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000007111
作者信息：
胡雯雯1，陈柏伊2
（1.吉林省气象服务中心，吉林 长春 130013；
2.长春市标准研究院，吉林 长春 130022）
