风电超短期集合预报模型

平均R²提升0.167

结合风速修正与场景分类，显著提高风电超短期功率预测精度。

陈聪聪 · 柴琳 · 王庆玲

Energy 2025

参数信息

R²提升

0.167

MAE降低

0.434

RMSE降低

0.398

R²提升

0.063

MAE降低

0.157

RMSE降低

0.154

技术优势

风速修正提精度

设计的GPWSCA算法将风速偏差分解为趋势量和波动量分别预测，从而降低风速误差对功率预测的影响。

场景分区更精准

WPPSPA按波动幅度和趋势划分场景，使预测模型能针对不同场景特性学习，平均R²提升0.167。

数据增强解小样本

TimeGAN生成数据增加多样性和结构多样性，解决场景分区后数据不足问题，进一步提升预测精度。

应用场景

• 风电功率预测：提高超短期预测精度，优化风电场功率调度。
• 新能源并网：准确预测出力，降低新能源并网的不确定性。
• 能源物联网：为物联网平台提供高精度功率预测数据。
• 预测建模：集成风速修正、场景分类与数据增强的预测框架。