摘要
风能作为一种可再生能源，因其低碳环保、资源丰富、可持续利用等特点，受到了世界各国的广泛关注。然而，由于风能的随机性和波动性等特点，风力发电的不稳定性给电力系统的生产调度和运行稳定带来了较大挑战。因此，准确的风电功率预测对于优化电力资源调度、确保电力系统的稳定运行具有重要意义。本文基于深度学习方法，对风电功率的概率预测和时空预测进行了深入研究。主要工作如下： 针对单风机或风电场输出功率预测，提出了基于神经集成搜索和共形分位数回归技术的创新算法，提高了概率预测的准确性。该算法运用神经集成搜索技术构建性能强大的分位数回归集成模型；基于一组分位数回归结果进行修正得到多组风电功率概率预测区间，有效缓解了分位数交叉现象；考虑误差分布的时变特性，加入误差集合动态更新机制，使模型更好地适应时间序列的动态变化。最后在4个真实风电功率数据集上进行实验，结果表明所提算法能够构建出覆盖有效，且非常准确的多组风电功率预测区间，同时能够有效缓解分位数交叉现象。 针对风电功率时空预测，提出了改进的时空图卷积网络模型，以提高风电功率预测精度。该模型采用时间和空间注意力机制给不同时间点和空间节点分配不同权重，让模型关注更重要的时间点和空间节点；采用图卷积网络对空间节点特征的信息进行聚合和更新，提取空间特征；采用扩张因果卷积捕捉更长时期的时序依赖关系，提升模型的时序特征提取能力。最后通过在Baidu KDD CUP 2022竞赛数据集上的实验，验证了所提模型的可靠性和有效性。
NETL