潘 霄，張明理，劉德寶，趙 琳

（1. 國網(wǎng)遼寧省電力有限公司經(jīng)濟技術(shù)研究院,遼寧省沈陽市 110015；2. 國網(wǎng)遼寧省電力有限公司超高壓分公司,遼寧省沈陽市 110003）

0 引言

近年來,風(fēng)電等可再生能源越來越受到重視,但風(fēng)電出力的強隨機性與波動性給電力系統(tǒng)的安全穩(wěn)定運行帶來了困擾。為了優(yōu)化電網(wǎng)調(diào)度,提高風(fēng)電場效率,準(zhǔn)確的風(fēng)電功率預(yù)測極其重要［1］。

以數(shù)值天氣預(yù)報（numerical weather prediction,NWP）為基礎(chǔ)的物理法已成功應(yīng)用于風(fēng)電預(yù)測領(lǐng)域［2-4］。文獻［5］將變分模式分解與權(quán)值共享門控循環(huán)單元結(jié)合形成新的預(yù)測模型,該模型能夠更好地把握風(fēng)電功率的趨勢,具有更好的預(yù)測精度。文獻［6］提出一種優(yōu)選狀態(tài)數(shù)的馬爾可夫鏈蒙特卡洛法,解決了傳統(tǒng)馬爾可夫鏈蒙特卡洛法應(yīng)用于風(fēng)電功率序列建模時難以較好地同時模擬原始風(fēng)電功率序列的概率分布特性和自相關(guān)特性的問題。文獻［7］考慮了NWP 的風(fēng)速偏差修正以及相鄰風(fēng)電場地理位置之間的風(fēng)速相關(guān)性,提出了一種基于高斯過程的組合加權(quán)風(fēng)電功率預(yù)測模型。文獻［8］分析了采用物理預(yù)測方法可能導(dǎo)致預(yù)測誤差的環(huán)節(jié),提出了誤差源分析方法,提高了風(fēng)電功率短期預(yù)測精度。文獻［9］基于在線模型選擇和翹曲高斯過程（warped Gaussian process,WGP）,允許在線更新WGP 基礎(chǔ)模型,在實時風(fēng)電功率預(yù)測方面取得了較大進步。上述風(fēng)電功率預(yù)測方法均取得了較好的預(yù)測效果,但也存在較明顯的缺點,如需額外的背景信息,建立預(yù)測模型較困難［10］等。

與物理法不同,采用數(shù)據(jù)驅(qū)動的風(fēng)電功率預(yù)測方法強調(diào)從多源、多維、多模態(tài)數(shù)據(jù)中找尋其內(nèi)在規(guī)律,以數(shù)據(jù)挖掘手段和人工智能算法建立輸入與目標(biāo)之間的映射關(guān)系［11-12］。該方法便于使用并可有效節(jié)省時間,其目的是挖掘歷史數(shù)據(jù)之間的關(guān)系,建立預(yù)測模型,如小波分析法［13］、卡爾曼濾波法［14］、時間序列法［15］、神經(jīng)網(wǎng)絡(luò)法［16］以及支持向量機［17］等。文獻［18］基于歷史風(fēng)速修正的卡爾曼濾波法對風(fēng)速進行了多步修正,并通過修正后的風(fēng)速進行多步功率預(yù)測。文獻［19］從多源、多維、多模態(tài)的風(fēng)電數(shù)據(jù)中挖掘風(fēng)能、風(fēng)電的因果關(guān)聯(lián),提出了一種基于數(shù)據(jù)驅(qū)動的混合深度學(xué)習(xí)模型。文獻［20］提出了先提取空間特征、后捕捉時間依賴的兩階段風(fēng)電功率預(yù)測建模方法。本文提出的預(yù)測方法兼顧影響風(fēng)電功率的復(fù)雜多維特征,以數(shù)據(jù)挖掘和人工智能算法挖掘待預(yù)測日風(fēng)電功率與其特征之間的隱含關(guān)系,是一種有效的區(qū)間預(yù)測方法。

本文為提高日前風(fēng)電功率區(qū)間預(yù)測的準(zhǔn)確性和穩(wěn)定性,提出了一種基于魯棒多標(biāo)簽對抗生成的風(fēng)電場日前出力區(qū)間預(yù)測方法。首先,分析影響風(fēng)電出力的因素,構(gòu)建包含待預(yù)測日風(fēng)電功率數(shù)據(jù)及其特征的原始數(shù)據(jù)集。然后,規(guī)定原始數(shù)據(jù)集去除待預(yù)測日風(fēng)電功率后的數(shù)據(jù)集為聚類數(shù)據(jù)集,將聚類數(shù)據(jù)集聚類得到帶標(biāo)簽數(shù)據(jù)集。之后,采用受噪聲影響小的魯棒性輔助分類生成對抗網(wǎng)絡(luò)（robust auxiliary classifier generative adversarial network,RAC-GAN）生成帶標(biāo)簽的海量場景。最后,根據(jù)已知歷史風(fēng)電功率以及NWP 獲得的氣象特征,判別待預(yù)測日所屬的簇標(biāo)簽類別,并在該簇標(biāo)簽下的生成場景中篩選相似場景集,進而獲得風(fēng)電功率的日前區(qū)間預(yù)測結(jié)果。

1 風(fēng)電預(yù)測原始數(shù)據(jù)集構(gòu)建

1.1 數(shù)據(jù)概述

采用中國東北某地區(qū)風(fēng)電場2016 年整年的實際風(fēng)電數(shù)據(jù)開展實驗,數(shù)據(jù)的時間顆粒度為1 h。數(shù)據(jù)包含風(fēng)電功率、實際的氣象因素以及NWP 提供的氣象信息,氣象信息包括各時段的風(fēng)速、風(fēng)向、溫度、濕度和壓強。

1.2 數(shù)據(jù)分析

風(fēng)電功率受風(fēng)速、風(fēng)向、溫度、濕度、壓強以及歷史風(fēng)電功率影響。 皮爾遜相關(guān)系數(shù)（Pearson correlation coefficient,PCC）能夠分析出微小的局部形態(tài)差異,無須對風(fēng)電功率數(shù)據(jù)進行歸一化,能夠較好地分析風(fēng)電功率與各類特征間的相似性。PCC的計算公式為:

式中:x和yi分別為待預(yù)測日風(fēng)電功率數(shù)據(jù)及其特征i的 數(shù) 據(jù)；xk和yik分 別 為x和yi中 的 第k個 數(shù) 據(jù)；和分別為x和yi的 數(shù)據(jù)均值；n為 數(shù)據(jù)總數(shù)。

參考現(xiàn)有風(fēng)電功率預(yù)測文獻［5,7］,選取風(fēng)速、風(fēng)向、溫度、濕度、壓強作為初選特征；考慮到待預(yù)測日風(fēng)電功率受歷史風(fēng)電功率影響,基于相關(guān)性分析理論［21］,分析各個歷史日與待預(yù)測日風(fēng)電功率之間的相關(guān)性,分別選取5 類歷史日內(nèi)的風(fēng)電功率作為初選特征。規(guī)定待預(yù)測日t時刻風(fēng)電功率的特征1 到10 分別為待預(yù)測日t時刻的風(fēng)速、風(fēng)向、溫度、濕度、壓強、歷史第1 日t時刻的風(fēng)電功率、歷史第2 日t時刻的風(fēng)電功率、歷史第3 日t時刻的風(fēng)電功率、歷史第4 日t時刻的風(fēng)電功率、歷史第5 日t時刻的風(fēng)電功率。待預(yù)測日風(fēng)電功率時間序列與各類特征時間序列間的PCC 如圖1 所示。

圖1 風(fēng)電功率與各特征的相關(guān)性Fig.1 Correlation between wind power and various characteristics

基于文獻［21］,通過|IPCC(x,yi)|的取值范圍可判斷變量的相關(guān)強度:[0,0.2)代表極弱相關(guān)或無相關(guān)；［0.2,0.4）代表弱相關(guān)；［0.4,0.6）代表中等程度相關(guān)；［0.6,0.8）代表強相關(guān)；［0.8,1.0］代表極強相關(guān)。當(dāng)IPCC(x,yi)為正時代表正相關(guān),當(dāng)IPCC(x,yi)為負(fù)時代表負(fù)相關(guān)。因風(fēng)電出力波動性很強,影響其出力因素較多,為了保證風(fēng)電功率預(yù)測的準(zhǔn)確性,去除極弱相關(guān)及無相關(guān)的特征（圖1 中藍色線條）外,其余特征（圖1 中紅色線條）均用于風(fēng)電預(yù)測,含風(fēng)速、風(fēng)向、溫度、壓強、歷史第1 日的風(fēng)電功率以及歷史第2 日的風(fēng)電功率共6 類特征,其中溫度、壓強與待預(yù)測日風(fēng)電功率之間的相關(guān)性為負(fù)相關(guān),其余特征與待預(yù)測日風(fēng)電功率之間的相關(guān)性為正相關(guān)。

1.3 原始數(shù)據(jù)集構(gòu)建

基于1.2 節(jié)所確定的6 類特征,將數(shù)據(jù)集預(yù)計對應(yīng)的特征進行歸一化處理,可得到5 類歸一化特征以及2 類三角函數(shù)化特征。按照待預(yù)測日風(fēng)速、風(fēng)向sin 值、風(fēng)向cos 值、溫度、壓強,歷史第1 日風(fēng)電功率、歷史第2 日風(fēng)電功率、待預(yù)測日風(fēng)電功率的順序,依次將各類特征與待預(yù)測日數(shù)據(jù)整合為一行包含24×8 個數(shù)據(jù)點的原始數(shù)據(jù)。將一年365 日數(shù)據(jù)構(gòu)建為363 個原始數(shù)據(jù)樣本,隨機選取250 個原始數(shù)據(jù)構(gòu)成原始數(shù)據(jù)集,剩余113 個原始數(shù)據(jù)作為測試集,樣本格式如圖2 所示。

圖2 原始數(shù)據(jù)集格式Fig.2 Format of original data set

2 基于RAC-GAN 的多標(biāo)簽風(fēng)電場景生成

2.1 聚類構(gòu)建多簇標(biāo)簽數(shù)據(jù)集

原始數(shù)據(jù)集中含有多類氣象條件及歷史日風(fēng)電功率等多類特征,不同場景之間的差異較大。為實現(xiàn)風(fēng)電功率精準(zhǔn)預(yù)測,將影響待預(yù)測日風(fēng)電功率的特征聚類,得到多簇標(biāo)簽并將原始數(shù)據(jù)集中的每個場景賦予標(biāo)簽,便于在預(yù)測時基于NWP 氣象特征及歷史日風(fēng)電功率,有針對性地在對應(yīng)簇標(biāo)簽生成場景內(nèi)篩選相似場景,提高風(fēng)電功率預(yù)測準(zhǔn)確性。

k-means 聚類算法具有對大數(shù)據(jù)集處理簡單、運算速度快的優(yōu)勢,基于該算法可實現(xiàn)聚類后的類與類之間特征區(qū)別明顯,聚類效果更佳。k-means 聚類算法將n個數(shù)據(jù)對象聚類為k類,使每類中的數(shù)據(jù)對象相似度最高,不斷重復(fù)這一過程直到劃分完成,其算法步驟如下:1）確定聚類數(shù)k,并在數(shù)據(jù)中任意選取k個初始聚類中心；2）計算所有數(shù)據(jù)點到聚類中心的距離,并根據(jù)距離最小原則將數(shù)據(jù)歸類于所屬類別中；3）根據(jù)各類的特點,利用均值法迭代更新各類的中心值至迭代結(jié)束。

采用k-means 聚類算法分析所有特征,將聚類數(shù)據(jù)集劃分為不同類別下的場景,得到帶簇標(biāo)簽的帶標(biāo)簽數(shù)據(jù)集。為了確定聚類類別個數(shù),分析數(shù)據(jù)集在不同聚類類別數(shù)下的Calinski-Harabasz（CH）指標(biāo),CH 值越大代表類自身越緊密,類與類之間越分散,即聚類結(jié)果最優(yōu)［22］,不同聚類數(shù)的CH 指標(biāo)如附錄A 圖A1 所示。根據(jù)圖A1 可知,最佳聚類數(shù)為6,此6 類簇代表6 種典型來風(fēng)過程。將原始數(shù)據(jù)集按不同類別數(shù)賦予標(biāo)簽,可得到含不同標(biāo)簽的原始數(shù)據(jù)集。聚類后的各類原始場景集見圖A2。

2.2 RAC-GAN

為解決NWP 誤差對風(fēng)電預(yù)測的影響,以及有限訓(xùn)練樣本數(shù)據(jù)對風(fēng)電預(yù)測準(zhǔn)確率的影響,提出采用改進RAC-GAN 生成海量帶標(biāo)簽的風(fēng)電功率及其特征的樣本。

在NWP 與實際氣象存在誤差的復(fù)雜場景下,即在含噪聲的場景下,為解決影響風(fēng)電出力的特征不穩(wěn)定、提取難度大、風(fēng)電預(yù)測準(zhǔn)確率不足的問題,滿足NWP 誤差影響下多標(biāo)簽強魯棒性場景生成需求,提出如圖3 所示的RAC-GAN 模型。圖中:DP表 示Dropout 層；TC 表 示 反 卷 積 層；FC 表 示 全 連接層。

圖3 RAC-GAN 模型Fig.3 RAC-GAN model

輔助分類生成對抗網(wǎng)絡(luò)（auxiliary classifier generative adversarial network,AC-GAN）可在生成對抗網(wǎng)絡(luò)的基礎(chǔ)上加入隨機噪聲信號標(biāo)簽和多分類功能,能根據(jù)標(biāo)簽生成指定類型樣本［23］。在ACGAN 的生成器G中加入隨機噪聲信號z及生成樣本對應(yīng)標(biāo)簽c,生成器針對性地生成對應(yīng)類別樣本Xfake=G(c,z)。判別器D輸出的樣本X來源于真實樣本Xreal以及生成樣本Xfake的概率P(S|X)和屬于不同類別的概率P(C|X),即

式中:P(·)為求概率函數(shù)；S為樣本來源,其有2 種可能（真 實（real）,生 成（fake））；C=c,其 中,c∈{1,2,…,M},M為樣本類數(shù)。

AC-GAN 中,G的目標(biāo)函數(shù)為最大化LC-LS,D的目標(biāo)函數(shù)為最大化LC+LS。LS和LC的表達式分別為［24］:

式中:E(·)為求期望函數(shù)；LS為正確源損失函數(shù),可判別數(shù)據(jù)來源正確性；LC為正確類損失函數(shù),可判別輸出類別正確性。通過生成器與判別器內(nèi)部博弈,在迭代過程中交替優(yōu)化,最終提高生成器的場景生成能力。

為滿足多標(biāo)簽的風(fēng)電功率場景生成的需要,首先,在AC-GAN 的生成器輸入端引入數(shù)據(jù)編碼器,不直接用隨機噪聲信號,而使其模型根據(jù)真實風(fēng)電及其特征數(shù)據(jù)預(yù)先學(xué)習(xí)淺層原始數(shù)據(jù)特征,得到隨機噪聲輸入。然后,再輸入生成器,使其針對性生成海量滿足真實樣本概率分布特性的生成數(shù)據(jù),生成樣本與原始樣本輸入判別器,判別生成樣本質(zhì)量,實現(xiàn)訓(xùn)練樣本數(shù)據(jù)擴充。RAC-GAN 模型迭代過程中,向降低噪聲影響的方向開展博弈優(yōu)化,最終實現(xiàn)噪聲干擾下多標(biāo)簽的魯棒性場景生成。

2.3 基于RAC-GAN 的多標(biāo)簽風(fēng)電數(shù)據(jù)場景生成

基于RAC-GAN 場景生成模型,輸入250 個含標(biāo)簽樣本,生成2 萬個樣本,原始樣本與生成樣本的概率密度函數(shù)（probability density function,PDF）見附錄A 圖A3。由圖A3 可知,生成樣本與原始樣本的PDF 相似,驗證了本文基于RAC-GAN 場景生成的有效性,場景生成可實現(xiàn)樣本數(shù)據(jù)的有效擴容,為后文的風(fēng)電功率區(qū)間預(yù)測提供數(shù)據(jù)支撐。

3 基于分標(biāo)簽篩選的風(fēng)電功率區(qū)間預(yù)測

生成樣本包含7 類影響待預(yù)測日風(fēng)電功率的特征及待預(yù)測日風(fēng)電功率,基于NWP 可獲得待預(yù)測日的5 類氣象因素特征,分別為風(fēng)速sin 值、風(fēng)速cos值、風(fēng)向、溫度、壓強,且歷史第1 日與第2 日風(fēng)電功率已知,因此影響待預(yù)測日風(fēng)電功率的7 類特征均已知。判別特征歸屬于哪類簇標(biāo)簽,基于加權(quán)PCC理論,在該類簇標(biāo)簽生成場景中篩選與已知特征相似度高的多個場景組成相似場景集,通過相似場景集獲得風(fēng)電功率區(qū)間預(yù)測結(jié)果與點預(yù)測結(jié)果。

3.1 分標(biāo)簽的相似場景篩選

本文所提基于魯棒多標(biāo)簽對抗生成的風(fēng)電場日前出力區(qū)間預(yù)測流程如圖4 所示。

圖4 風(fēng)電功率區(qū)間預(yù)測流程Fig.4 Interval prediction process of wind power

不同特征與待預(yù)測日風(fēng)電功率的PCC 不同,故各特征影響待預(yù)測日風(fēng)電功率的程度不同。以待預(yù)測日風(fēng)電功率與各特征的PCC 為權(quán)系數(shù),規(guī)定待預(yù)測日風(fēng)電功率的全部特征與第j個生成樣本間對應(yīng)特征的加權(quán)PCC 為IPCC,j,表達式如式（4）所示。

式中:IPCC(yi,yji)為已知特征i與第j個生成樣本特征i之間的PCC；IPCC,j為第j個生成樣本與待預(yù)測日特征間的加權(quán)PCC。

已知某一待預(yù)測日風(fēng)電功率的各特征,首先基于k-means 聚類算法分析這些特征對應(yīng)的簇標(biāo)簽,找出該簇標(biāo)簽所對應(yīng)的生成樣本；然后,根據(jù)式（4）,按照IPCC,j從大到小的順序,在該簇標(biāo)簽生成樣本中篩選與待預(yù)測日極強相關(guān)歷史日間相似性高的N個樣本,構(gòu)成相似場景集,提取相似場景集合的待預(yù)測日風(fēng)電功率場景并定義為矩陣Z；最后,基于Z中各時段均值與最值,得到風(fēng)電功率區(qū)間預(yù)測結(jié)果與點預(yù)測結(jié)果,如式（5）所示。

式中:Pwt,max,t和Pwt,min,t分別為t時刻風(fēng)電功率預(yù)測區(qū)間上、下限；Pwt,mean,t為t時刻風(fēng)電功率點預(yù)測結(jié)果；a1,t為矩陣a的第1 行第t列元素,其中,矩陣a為矩陣Z中每一列的最大值組成的1×24 矩陣；b1,t為矩陣b的第1 行第t列元素,其中,矩陣b為矩陣Z中每一列的最小值組成的1×24 矩陣；c1,t為矩陣c的第1 行第t列元素,其中,矩陣c為矩陣Z中每一列的平均值組成的1×24 矩陣。

3.2 篩選樣本數(shù)的確定

為確定風(fēng)電功率預(yù)測所需篩選樣本,采用預(yù)測區(qū)間覆蓋率（prediction interval coverage proportion,PICP）、預(yù)測區(qū)間歸一化平均寬度（prediction interval normalized average width,PINAW）分析不同篩選樣本數(shù)下的區(qū)間預(yù)測效果,采用平均絕對百分比誤差（mean absolute percentage error,MAPE）與均方根誤差（root mean squared error,RMSE）分析不同篩選樣本數(shù)下的點預(yù)測效果［25-26］,指標(biāo)公式見附錄A 表A1。篩選樣本數(shù)分別設(shè)置為各簇標(biāo)簽所包含生成樣本數(shù)的1%、2%、3%、4%、5%,得到不同篩選樣本數(shù)下的預(yù)測指標(biāo),見表1。

表1 不同篩選比例下的預(yù)測指標(biāo)Table 1 Predictive indicators with different screening ratios

分析表1 無法直接選出最優(yōu)指標(biāo)的篩選比例,故規(guī)定指標(biāo)在5 種篩選比例下最優(yōu)時可得5 分,最差時可得1 分。按此規(guī)則,篩選比例為1%、2%、3%、4%、5%的得分依次為8、14、13、16、10,故篩選樣本數(shù)為對應(yīng)簇標(biāo)簽生成樣本數(shù)的4%時的預(yù)測效果最優(yōu)。

3.3 對比實驗

風(fēng)電功率不確定性本身是非高斯的,因此傳統(tǒng)高斯過程不適用于風(fēng)電功率預(yù)測,本文參考文獻［9］,采用風(fēng)電功率區(qū)間預(yù)測效果較好的WGP 開展對比實驗。采用1.1 節(jié)中國東北某地區(qū)風(fēng)電場2016 年整年的實際風(fēng)電數(shù)據(jù)開展預(yù)測實驗。在MATLAB R2015b 環(huán)境下運行,置信度分別設(shè)置為90%、95%、99%。通過在4 個季節(jié)各隨機選取1 個星期數(shù)據(jù)作為預(yù)測實驗的樣本,得到采用不同預(yù)測方法統(tǒng)計預(yù)測結(jié)果的預(yù)測指標(biāo),如表2 所示。

表2 不同預(yù)測方法的預(yù)測指標(biāo)Table 2 Predictive indicators of different forecasting methods

分析表2 可知,本文方法各預(yù)測指標(biāo)均優(yōu)于WGP 預(yù)測方法的預(yù)測指標(biāo),證明本文方法的區(qū)間預(yù)測效果好。風(fēng)電功率受季節(jié)影響較大,故分別分析本文方法和不同置信度下的WGP 方法在4 個季節(jié)的風(fēng)電功率預(yù)測效果,在每個季節(jié)隨機選取一日進行預(yù)測,本文預(yù)測方法得到的相似場景集的待預(yù)測日風(fēng)電功率見附錄A 圖A4,不同方法的預(yù)測結(jié)果如圖5 所示。

由圖5 可知,在各季節(jié)隨機抽取的4 日中,本文預(yù)測方法的MAPE 與PINAW 均為最小、PICP 均為最大。這是因為先經(jīng)過場景生成得到海量生成場景,通過分標(biāo)簽的相似場景篩選得到的相似場景與真實場景相似度高,故預(yù)測誤差百分比較低、預(yù)測區(qū)間寬度較低、預(yù)測區(qū)間覆蓋率較高。綜上所述,在進行風(fēng)電功率日前預(yù)測研究中,無論是4 個季節(jié)各選取1 個星期還是4 個季節(jié)隨機選取1 日進行實驗,本文方法均具有一定優(yōu)勢。

圖5 各季節(jié)風(fēng)電功率區(qū)間預(yù)測結(jié)果Fig.5 Interval prediction results of wind power in each season

3.4 NWP 誤差影響下的預(yù)測效果分析

本文風(fēng)電預(yù)測所用特征包含NWP 獲得的氣象特征,NWP 氣象特征與真實氣象之間存在誤差,其誤差大小會直接影響篩選相似場景的質(zhì)量,進而間接影響預(yù)測效果。為了分析本文方法在不同NWP誤差下的預(yù)測效果,在RAC-GAN 場景生成時加入噪聲以模擬NWP 誤差,并設(shè)置信噪比分別為20、25、30、35、40 dB 來模擬NWP 誤差［27］?；诜謽?biāo)簽篩選的風(fēng)電功率區(qū)間預(yù)測方法,獲得不同信噪比下的區(qū)間預(yù)測指標(biāo)如表3 所示。

分析表3 可知,信噪比越小,噪聲越強,即NWP誤差越大,越不利于預(yù)測結(jié)果的準(zhǔn)確性與穩(wěn)定性,即20 dB 時預(yù)測效果最差,此時本文方法預(yù)測指標(biāo)也優(yōu)于WGP 預(yù)測方法,證明本文預(yù)測方法在存在較大NWP 誤差時依然能夠保證區(qū)間預(yù)測的良好效果,證明了本文基于RAC-GAN 場景生成的風(fēng)電功率區(qū)間預(yù)測方法的實用性。

表3 不同信噪比下的預(yù)測指標(biāo)Table 3 Predictive indicators with different signal-to-noise ratios

4 結(jié)語

為實現(xiàn)風(fēng)電功率的日前區(qū)間預(yù)測并保證其準(zhǔn)確性,保證電網(wǎng)運行的可靠性與經(jīng)濟性,提出一種基于魯棒多標(biāo)簽對抗生成的風(fēng)電場日前出力區(qū)間預(yù)測方法。主要結(jié)論如下:

1）根據(jù)已知待預(yù)測日風(fēng)電功率的特征可確定待預(yù)測日的簇標(biāo)簽類別,在該類簇標(biāo)簽下篩選出與其特征相似度高的場景,進而獲得風(fēng)電功率點預(yù)測及區(qū)間預(yù)測結(jié)果,提高了風(fēng)電功率的點預(yù)測與區(qū)間預(yù)測精度,與傳統(tǒng)WGP 區(qū)間預(yù)測方法相比,驗證了本文預(yù)測方法的有效性。

2）考慮NWP 與實際氣象條件之間存在差異性,在構(gòu)建基于RAC-GAN 的場景生成模型時考慮加入噪聲模擬NWP 誤差,在此條件下得到預(yù)測結(jié)果。經(jīng)過仿真驗證,NWP 誤差會略微降低預(yù)測結(jié)果準(zhǔn)確性與可靠性,但計及NWP 誤差的方法仍比WGP 方法預(yù)測效果好,驗證了本文方法承受NWP誤差的能力更強,預(yù)測結(jié)果受外界因素干擾小。

本文基于多標(biāo)簽場景生成理論,提出了一種風(fēng)電功率區(qū)間預(yù)測方法,預(yù)測方法兼顧影響風(fēng)電功率的復(fù)雜多維特征,以改進RAC-GAN 挖掘待預(yù)測日風(fēng)電功率與其特征之間的隱含關(guān)系,提高了區(qū)間預(yù)測的精度。但本文采用數(shù)據(jù)集的采樣時間間隔為1 h,還不夠精確,后續(xù)研究工作將嘗試采用時間間隔更精確的數(shù)據(jù)集；本文采用未限電的風(fēng)電場出力數(shù)據(jù),未考慮調(diào)度限電或控制等因素的影響,后續(xù)研究將采用限電的數(shù)據(jù)集,考慮限電對歷史數(shù)據(jù)的影響。