中国农业大学 赵媛,赵永宁,等:从误差溯源破局,让风电预测模型“知错就改”

双碳目标推动风电大规模并网，风电功率的不确定性给电力系统稳定运行带来挑战，精准、可靠的超短期风电功率预测至关重要。当前数据驱动的预测方法多依赖“黑盒”模型，侧重输入输出映射关系，但对误差形成机制缺乏刻画，难以解释模型偏差来源，这在一定程度上削弱了预测结果的可靠性。此外，模型训练中存在特征学习不均衡问题，部分有效特征未得到充分的利用，限制了预测精度的进一步提升。

1）从“误差结果”走向“误差路径”——让模型看清自己为什么会错。

传统风电预测方法通常只关注最终预测误差大小，而忽略误差是如何一步步产生的。本文的创新在于引入误差路径分析思想，将预测误差反向拆解为由输入特征逐级作用形成的决策路径，并利用回归树对误差进行结构化建模，挖掘导致误差最小化或放大的关键特征组合。与传统仅做误差统计或误差回归的方法不同，该方法能够将误差值转化为误差生成路径，从而实现对模型偏差来源的可解释追溯。

下图直观展示了以预测误差为学习目标构建的回归树模型，通过对特征空间进行递归划分，将连续的输入样本映射到具有明确规则约束的终端节点区域。每一条从根节点到叶节点的路径，都对应一组特征条件组合，表示“在什么特征取值范围下预测误差最小”。

图1 基于提前一步预测误差构建回归树结果图

2）给预测模型装上“特征显微镜”——用多通道CNN与注意力机制重构特征贡献关系。

针对传统模型中不同风电场特征共享建模导致的信息混杂问题，本文构建了CNN-Attention组合预测框架。通过为每个输入特征单独设计CNN子网络，可以实现局部时序特征的独立提取，如图2所示。

图2 多通道CNN模型和子网络组合CNN模型结构示意图

在此基础上，引入特征注意力、时间注意力以及交叉注意力机制，对不同特征在不同预测步长下的贡献进行动态加权，从而显式刻画影响预测的特征、影响程度、影响过程。该设计突破了传统统一编码方式，使模型能够更精细地识别多源风电信息中的有效信号，同时提升预测结果的可解释性。

3）让模型优化过程学会“差别对待”——基于误差路径的参数差异化更新策略。

传统深度学习模型通常采用统一反向传播更新所有参数，容易导致对少数主导特征过度拟合，而忽略其他潜在有效特征。本文创新性地提出参数差异化更新策略，如图3所示。首先基于误差路径分析识别最小化误差的特征组合，并据此对相应子网络参数进行冻结处理，避免无效更新；随后在训练过程中引入梯度触发机制，当冻结子网络对应梯度变化持续超过阈值时进行动态解冻，实现选择性学习，提升整体预测性能与泛化能力。

图3 参数差异化更新策略流程图