摘要：现有研究多依据地理位置或风电出力判定多风电场空间相关性，却忽视了高预测绝对误差值下风电并网出力的功率波动对电力系统稳定性的潜在威胁。文章提出一种基于时-空全域特征增强的广域多风电场风电功率短期预测模型。首先，在各区域实施“两个细则”背景下，采用多风电场出力的平均绝对误差为衡量多风电场风电并网波动对电力系统负面影响主要指标。通过最大相关系数定风电出力预测平均绝对误差强相关气象特征。其次，跨出地理位置相邻约束条件，以多风电场之间出力平均绝对误差为空间相关性构建时-空图边特征。通过时-空图神经网络信息传播机制，提高多场站数值天气预报的利用率，实现时-空全域全特征增强。然后，计及小概率场景影响引入绝对误差损失和交叉熵损失相结合的损失函数，优化不同小样本的类别权重向量。最后，将增强后的特征形成时间序列输入到门控循环单元层以实现广域多风电场短期风电功率预测。实验结果表明，所提方法的均方根误差和平均绝对值误差绝对值百分比下降了0.89%至7.85%和3.56%至6.19%。与其他方法的平均绝对误差相比，在小概率场景下最劣的评估指标提高了92.14MW，具有更好的鲁棒性。
文章目录
0 引言
1 广域多风电场并网波动性及预测建模气象特征挖掘
1.1 “两个细则”下差异化多风电场风电并网电量波动性分析
1.2 风电出力预测绝对误差强相关气象特征挖掘
2 计及广域多风电场时-空图构建及全域全特征增强
2.1 广域多风电场时-空图的构建
2.1.1 计及多元复杂相关特征的时-空图多节点特征集构建
2.1.2 基于平均绝对误差的广域多风电场边特征构建
2.2 基于信息传播机制的全域全特征增强
3 计及极端风速下风电并网波动特性的风电功率预测
3.1 基于绝对误差和交叉熵损失函数小样本权重优化
3.2 广域多风电场时-空图时域特征挖掘
3.3 基于时-空图卷积神经网络的广域多风电场短期预测框架
４ 算例分析
4.1 数据集与模型参数
4.2 评价指标
4.3 实验结果分析和讨论
4.3.1 基于MIC的节点特征筛选
4.3.2 广域多风电场短期风电功率预测
4.3.3 小概率场景下的鲁棒性评估
5 结论
