通过结合模型预测的气象数据和电站实测的电力数据，并采用人工智能数据同化方法，提高超短期风电预测的准确性

《Sustainable Energy Technologies and Assessments》：Improving ultra-short-term wind power prediction with combination of model-predicted and station-measured meteorological and power data using an AI data assimilation method

　　

袁冰 王 | 汉文 孙 | 姚登 陈 | 费霞 | 唐明

摘要

在全球低碳能源转型期间，准确的风力发电预测对于电网稳定性和经济调度至关重要。为了解决由于数值天气预报（NWP）精度有限以及现场观测数据利用不足导致的超短期风力发电预测不准确问题，本研究提出了一个受气象数据同化启发的两阶段预测-同化框架。在第一阶段，3DResNet-Attention模型融合了NWP数据中的时空特征，生成24小时的短期发电预测结果，作为背景场。在第二阶段，基于ResNet-BiLSTM的同化模型将这些短期预测结果作为初始值，结合站点观测的发电数据和多维风速测量数据进行处理。通过对中国六个具有不同气象和地形条件的风电场的实际数据进行案例研究，结果表明该方案能够减少预测误差，并有效缓解与单独使用短期预测结果相比出现的极端偏差。此外，Spearman相关性分析和排列特征重要性分析表明，站点观测的发电数据在短期预测修正中起主导作用，而风速信息在整个预测时段内都持续发挥重要作用。研究结果表明，该方案为气象敏感环境下的超短期风力发电预测提供了一种可靠的解决方案。