考虑气象因素不确定性与数据降维技术的中期小时级源荷功率场景概率预测方法研究

The mid-term forecasting of source & load hourly power is the basis of mid-term electric power market transaction, dispatch, security check and evaluation of power system. The more noticeable randomness in electricity supply & demand brings a huge challenge to the mid-term forecasting of source & load power. In this case, how to deal with the temporal-spatial correlation and uncertainty of powers has become the key problem to be solved. Aiming at its outstanding difficulties such as large number of predictor variables, complex and variable temporal-spatial correlation and few available climatic forecasts with high uncertainty, this project is to explore the fundamental theory of mid-term probabilistic prediction for source & load hourly power scenario several days to a month ahead. The main contents include: (1) Considering the temporal-spatial correlation and its sensitivity to the daily climate factors, a novel dimensional reduction technique of mid-term source & load hourly power scenario is developed. (2) Combining the dimensional reduction technique, the deep learning neural networks and the probabilistic prediction theory, a novel probabilistic forecasting method of mid-term source & load hourly power scenario is proposed. (3) By researching the uncertainty of mid-term climate forecasts and its transmission effects, a novel probabilistic forecasting method of mid-term source & load hourly power scenario considering uncertainty of climatic factors is proposed. This project could make a major breakthrough in the theory research of mid-term probabilistic forecasting for source & load hourly power, and its research results are important to ensure effective decision-making in the mid-term electric power market transaction and dispatch.

中期小时级源荷功率预测是中期电力市场交易、调度及电网安全校核评估的基础，电力系统供需双侧随机性特征的加深给中期源荷功率预测带来了巨大挑战。如何应对源荷功率的时空相关性与不确定性，成为中期源荷功率预测亟待解决的关键问题。针对其面临的预测变量多、时空关系复杂多变、可利用气象预测信息少且不确定性强的突出困难，本项目对提前数日至月度的中期小时级源荷功率场景概率预测理论开展深入研究，具体内容包括：(1)考虑源荷功率时空相关性及其受日气象因素影响的特点，研究中期小时级源荷功率场景降维技术；(2)结合降维技术、深度学习神经网络与概率预测理论，提出中期小时级源荷功率场景概率预测方法；(3)研究中期气象预测信息不确定性及其传递效应，提出考虑气象因素不确定性的中期小时级源荷功率场景概率预测方法。研究有望在中期小时级源荷功率概率预测理论方面取得重大突破，其成果对保证中期电力市场交易与调度决策的有效性有重要作用。

本项目针对中期小时级源荷功率概率预测中所面临的预测变量多、时空关系复杂多变、不确定性强的突出困难，开展未来数日至月度的中期小时级源荷功率概率预测理论研究。在源荷功率场景降维技术研究方面，提出了基于最优RBF核主成分分析的空间多维风功率降维及重构方法，利用原始数据与线性同质数据降维结果相同的特点，交叉验证搜寻最优核参数，并采用k近邻多维尺度分析解决当前非线性降维中的原像重构难题；基于降维编码-特征预测-重构解码的预测框架，提出了一种独立稀疏SAE多风电场小时级功率预测方法，通过独立稀疏双层SAE提取多维风功率的空间特征，增强提取特征的可靠性、独立性和合理性，提高预测精度和效率。在源荷功率预测模型研究方面，综合对比了LSTM、GRU、JANET三种流行循环神经网络应用于两个实际地区日前负荷预测的效果，分析了模型结构、模型参数、训练样本和输入参数对预测效果的影响；忽略实际负荷时间依赖性的动态变化将导致负荷预测模型泛化性差，针对该问题，提出了基于三步自适应框架的S2S-IGRU模型用于提前1~7日的小时级负荷预测，包括：通过自相关分析估计样本时窗上限、采用可定制记忆时长的模型初始化策略、基于验证集误差曲线特征优选时窗长度，实现对负荷变化时间依赖模式的动态跟踪，提高预测精度，并增强预测模型对不同时段和负荷数据集的适应性。在源荷功率概率预测研究方面，针对负荷时序性特点及现有分位数回归方法存在的分位数预测值交叉问题，提出了一种基于约束并行LSTM分位数回归的日前负荷概率预测方法，在LSTM分位数回归模型中加入考虑分位数预测值之间约束关系的组合层，使分位数预测结果更合理，提高概率预测精度；并引入GPU分布式计算，并行生成预测负荷的多个分位数结果，提高训练和预测效率。本项目研究不仅可为含新能源电网在中短期调度和交易优化决策中提供准确、全面和精细化的基础数据支持，而且对于协调系统安全、经济与节能环保运行，提高新能源消纳能力，具有重要的学术价值和实用意义。