风电功率预测大模型及不确定性溯源研究

背景意义

• 功率预测是保障新能源电力系统安全稳定运行的关键，但风电装机规模快速增长导致预测精度提升滞后，预测误差对电力系统的影响持续放大。突破预测精度瓶颈成为核心需求。
• 两种方向：
  • 预测范式升级：从“单场独立建模”转向“多场知识共享”的风电功率预测大模型，解决数据规模小、知识来源狭窄、泛化性差的问题。
  • 误差精细治理：通过不确定性溯源，定量识别天气预报、数据质量、功率映射等环节的误差贡献，实现精细化提升预测精度。

多对多映射的功率预测方法

• 提出多对多映射架构，融合区域内多源多点数值天气预报（NWP）和功率数据，建立堆叠降噪自编码机（SDAE）模型，降低建模成本并提升预测精度。
• 修正后的NWP精度提升1-3%，多点位NWP相关性更接近实测风速。

超短期风电功率预测时序大模型（Moirai-WP）

• 研发Moirai-WP，实现干座电站一体化输出，适应不同时间频率和变量数量的预测任务。
• 关键数据：超短期尺度准确率和合格率分别提高1.42%/1.66个百分点；短期尺度提高1.29%/1.97个百分点；极端天气时段零样本预测准确率89.95%。

大模型参数微调的风电功率预测方法

• 提出高价值梯度定位的参数快速微调方法，以Time-Moe预训练先验知识为基础，结合风电场数据微调模型，适应特定地理环境、气象条件、机组等差异化特征。
• 优势：样本量越小，效果越明显。

短期风电功率预测大模型（UniWind）

• 建立UniWind，实现跨不同风能环境的强泛化预测，精度比“一场一测平均提高1.28个百分点，比小样本预测方法高1.67个百分点。

拓展应用：微尺度人工智能天气预报技术（AWP）

• 提出3D-CNN模型和AI天气预报方法，结合全球预报场、地形、环境、机组测风等信息，建立时序注意力修正模型，进一步延长预报跨度10-15天。

风电功率预测不确定性溯源

• 提出逐时间步量化的超短期预测误差溯源方法，发现6步内训练样本误差主导，7步后功率波动主导。
• 提出基于SHAP的短期预测误差溯源方法，无需重复建模即可量化误差源贡献，NWP风速误差占比53.4%，训练样本和风转功率分别占比19.4%、17.8%。