摘要
大力发展风电、光伏等可再生能源是应对能源危机、气候变化和环境污染的重要举措，也是未来我国未来实现“碳中和”发展的主要目标。 风力资源是现代能源体系结构的重要组成部分，其具有复杂间歇性和不确定性等特点，这给电力系统的安全、稳定运行以及系统形态的演化产生了巨大的影响。基于此，本研究提出了一种多尺度特征融合的短期风电功率分解预测方法，从多尺度的风电功率相关特征融合、短期风电功率的分解重构预测、不确定性预测的推广三个维度对短期风电功率的科学预测进行了技术研究。 首先，从多尺度相关特征融合维度。由于数值天气预报信息（Numerical-weather-prediction，NWP）信息会存在不可避免的系统误差，单一气象监测点的NWP信息已逐渐无法满足高精度的风电功率预测精度需求。在此基础上，本研究提出了一种特征筛选网络层（FeatureSelectionNetwork,FSN），该网络层内部由多个门控残差模块构成，可以将多个点位输入的NWP特征进行不同空间尺度的特征预筛选，达到了综合利用多点位NWP特征、减少预测模型的冗余信息、提高模型的预测效率的效果。针对循环神经网络在高网络层数叠加时出现的梯度爆炸（消失）问题，本研究引入了循环高速通路网络层（RecurrentHighwayNetwork，RHN），通过网络层内的跨层连接门结构(Cross-LayerGate,CLC)学习和调节网络层间的信息流，避免了深层循环神经网络出现的训练、预测能力退化问题。进一步提出了一种融合多层语义信息的注意力机制(Multi-layerSemantic-fusionAttention-mechanism,MSA)，通过在多个维度对网络层间的隐藏信息进行融合，输出了多层语义融合特征向量，充分的利用了网络层间的可用信息，提高了预测的精度。 其次，从风电功率的分解预测维度。针对功率序列本身的高间歇性特点，本研究采用分解——预测——重构的预测范式，引入了变分模态分解方法(Variationalmodedecomposition，VMD)，将风电功率时间序列分解为多个子分量，并对每个子分量进行预测重构。考虑到VMD方法在参数初始化时不具备自适应性，本研究进一步采用模糊自调整(FussySelf-Tuning,FST)粒子群算法FST-PSO对VMD的初始超参数进行寻优，提升了VMD算法分解功率序列的可靠性。 最后，从不确定性预测推广维度。单一的风电功率点预测模型无法全面描述未来短期功率特征的不确定信息，本研究将搭建的点预测模型推广到了不确定性预测维度。引入了分位数损失函数，搭建分位数回归模型得到了未来短期功率序列在不同分位点下的预测值，得到了功率序列的区间预测信息。同时将不同分为点下的预测值作为核函数的输入，采用核密度估计方法预测得到了未来短期功率序列的概率密度预测曲线，给予了电网规划者更为丰富的决策参考空间，为电力网络的可靠性运行提供了有效的决策支撑保障。
NETL