南极清洁能源系统的风机出力预测与优化运行研究

汇报人：常馨月教授/博导汇报单位：太原理工大学山西省能源互联网研究院汇报时间：2026年4月 CEEPE 太原理工大学智能电网与能源互联网团队 常馨月「教授/博导 目前研究方向：南极清洁能源系统源荷预测规划与运行；综合能源系统碳排放追踪与低碳优化 团队带头人中国科学院院士孙宏斌教授，太原理工大学校长 团队现有教授3人，副教授5人，为山西省首批创新人才领军团队，入选自然资源部高层次科技创新人才工程科技创新团队在读硕博研究生70余人。 工作背景： 2022.08-2026.01太原理工大学副教授2026.01-至今太原理工大学教授科研成果：三晋英才青年拔尖人才，发表学术论文80余篇包括IEEEE trans./Applied Energy等高水平国际期刊；主持或参与科研项目20余项；申请发明专利30余项。学术兼职： 《iEnergy》《中国电力》等学术期刊青年编委；电工技术学会配网和分布式电源专委会委员 CEEPE 山西省能源互联网研究院面向能源领域科技发展前沿，打造集科学研究、成果转化、人才培养双创孵化于一体的新型研发机构，为山西省能源互联网建设提供人才和技术支撑，并成为能源互联网技术创新和推广应用的策源地 研究院引进了11支团队，组建了高层次人才队伍，总体规模已达150余人。 国家级 省级 科技部和教育部：能源互联网学科创新引智基地（111基地）教育部：煤电清洁智能控制”教育部重点实验室教育部：中国高校创新创业教育联盟山西子联盟 山西省高端新型研发机构山西省能源互联网工程研究中心山西省能源互联网重点实验室能源产业链数字化转型促进中心山西省能源大数据应用技术创新中心山西省高等教育"1331工程”产业技术创新研究院 资质 清华大学高端人才11名高级职称1名博士20名硕博占比超90% 通过IS09001质量管理体系、信息安全管理体系、能源管理体系等认证 背景与现状 问题与挑战 创新与成果 极地科学考察，是一项功在当代、利在干秋的事业，要更好地认识极地、保护极地、利用极地 南极因其特殊的地理位置与气候条件，蕴藏丰富的风光新能源；同时，南极科考活动的进行，燃油等化石能源消耗总量不断上升 挑战2：模型不完整，能量不平衡 创新成果2-1：考虑极端环境特性的零敏感自适应聚类算法，实现极端环境场景的精确提取；创新成果2-2：针对极端环境特性，搭建多时间尺度，多类型储能的协同优化模型，实现南极综合能源系统的稳定可靠供能 研究成果 国家自然科学基金委员会，联合基金重点项目，极地综合能源系统清洁低碳安全运行与协同控制理论和方法,课题2负责人。 [] J.Zhang,X.Chang, Y*.Xue, J. Su, Y.Dou, G. Ma, Z.Li, H. Sun,* A novel Antarctic wind turbine power prediction method based on TTAO-CN-Bi-LSTM-SAMthatconsidersmeteorologicalfactorsunderextremeconditions,EnergyConversionandManagement:X.29(2026)101559.[2jJ.Zhang,X.Chang,Y.*Xue,J.Su,Y.Dou,X.Han,H.Sun*,Optimal multi-timescale economic dispatch forAntarctic microgrids considering a hybrid 背景与现状 问题与挑战 创新与成果 CEEPE 技术挑战1：数据不可靠，预测不准确 在极地极端环境下，低质量数据污染与多维气象强耦合交织打破常规预测基准传统物理/统计方法与现有深度学习网络面临“时空动态特征提取不足”与“超参数寻优泛化差”的全局性技术瓶颈 极地强风雪致使设备高频失效实测数据异常率高达21% 数据非正态分布南极无风机集群传统清洗与预测方法适用性不足 极寒导致多维气象要素与实际风能捕获效率呈现极复杂深度耦合 传统模型精度随时间衰减；难捉时空特征经验调参极易过拟合 南极风电功率数据分布图 CEEPE 技术挑战2：模型不完整，自能量不平衡 受严寒与极昼夜交替影响，常规聚类算法难以准确提取极端场景特征；受低温性能衰减及光伏长期停产因素制约，现有能源系统难以保障跨极夜的低碳稳定供能 储能退化建模缺失 单/双类型储能难以应对南极特定极端条件，缺乏电-氢-热储能的动态协同控制 现多用单尺度静态模型，难以捕捉极昼夜转换下的跨季能量转移与长周期调度动态。 现有模型大多忽视极端低温对电池及热储能容量与效率的耦合衰减影响 传统聚类平滑处理光伏零出力时段，丢失极夜等关键过渡场景，优化结果脱离实际。 背景与现状 问题与挑战 创新与成果 CEEPE 成果1-1：TIDQ预处理方法与多维气象耦合模型 南极极端环境下风机监测数据存在异常值、重复值与缺失值提出基于风机物理运行特性的TIDQ数据预处理方法： 考虑南极风机功率受安装高度、风向及温度等气象因素显著影响构建多维气象耦合输入特征 》异常剔除-缺失重构 》物理端-多维气象强耦合机制 1.物理高度修正： 2.温度影响空气密度 CEEPE 成果1-2:CNN-Bi-LSTM-SAM预测框架 基于TIDQ预处理后的多维气象一功率序列，进一步建立了"局部特征提取（CNN）一双向时序建模（Bi-LSTM）一关键信息动态赋权（SAM）”的短期风机功率预测框架 》CNN局部特征提取 》Bi-LSTM双向长时序依赖建模》SAM关键气象特征自适应赋权 1.多维特征注意力映射 11.双向信息流传导h(,C() = LSTM onward (x,h,C)h(0), C(0) = LSTM baomara (x,h(), C(l) 11.多源特征映射m=0 n=0 2.长周期规律反向捕获 CEEPE 成果1-2: CNN-Bi-LSTM-SAM 预测框架 为降低深度模型对经验调参的依赖，引入TTAO优化算法，对 CNN-Bi-LSTM-SAM 预测主干中的关键超参数进行联合寻优，实现精度、效率与泛化能力的协同提升。 》多目标约束联合评价与防过拟合 》全/局双阶聚合交互深探机制 》TTU拓扑单元与空间生成 1.综合多维惩罚函数L = α-Llors + β-Lomp (k)+ -Lreg (M)+-Lir (n) 1.三角拓扑种群初始化 1.广义聚合（全局信息大跨度共享） Xt = rg Xi,besr +(1 - ra) Xrand bes[x(te - Xxte 3.梯度方差学习率平稳约束 2.局部聚合（邻域精细收敛挖掘new2 CEEPE 研究内容1：算例分析 极地实测环境：依托南极中山站实测数据开展验证 数据基座极强鲁棒性：TIDQ处理耗时锐减至7.01s，面对极端缺失工况，重构精度最高达98.77%22极地短期预测精度显著提升：在 4-hour-ahead 任务中，完整模型（Case 7）RMSE 降至 3.25；相较 Case 1,误差下降约 77.9% 》(预测端）南极场景下的消融与基线对比验证 》（数据端）TIDQ有效性与连续缺失鲁棒性验证 ！相比k-means-HI与FCM-CSI,TIDQ在更低删除率下实现了更短处理时间、更小MAE和更高重构精度.全量处理时间降至7.01s，MAE降至0.31。在200个连续样本缺失工况下，重构精度仍保持在98.77%pesalts prodlaoed by dim 在数据预处理、关键气象因子耦合和TTAO优化深度架构的共同作用下，完整模型（Case7）在南极场景下取得最优结果。RMSE与MAE分别低至3.2549与1.6766。相较于未经数据预处理的完整架数据预处理、气象因子引入和TTAO优化的逐步增益，于与代表性基线模型对比，Case7为完整模型 Case1(无预处理);Case3(无TTAO);Case 4(CNN-LSTM);Case 5(CNN-BiLSTM-SAM);Case 6(Transformer);Case7(完整模型) CEEPE 研究内容1：算例分析 常规风场验证与优化器横评：为进一步验证模型的泛化能力与优化器有效性，在常规陆上风电场数据上开展了补充测试，并横向对比多类智能寻优算法 1）跨场景泛化能力较强：在常规陆上风电场数据上，Case7仍取得最低RMSE=3.25和MAE=2.67。2）寻优降本与防过拟合：TTAO 在保持较高精度的同时显著降低了相较于PSO 和 GWO 的训练开销;虽然Adam耗时更短，但其RMSE和MAE明显偏高，说明其在该任务中的泛化性能不足 》（泛化端）常规陆上风电场跨场景泛化验证 》（优化端）TTAO多算法横评与防过拟合 在固定预测主于条件下，利用Table7对PSO、GWO、TTAO和！Adam进行公平比较。对比群智能算法，Adam虽训练时间最短，但RMSE和MAE明显高于TTAO，说明单纯追求训练速度并不能保证良好的泛化性能。TTAO在预测精度、训练效率和泛化能力之间取得了更优平衡，耗时仅需354.96s，远低于GWO(720.6s）与PSO584.4s) Comparison of wind power prediction errors of different methods in a conven-tional onshore wind farm. 当面临常规陆1上风向或温度i剧烈交替波动！时，对比模型！在该场景下误差均明显高于完整模型；而本文模型(Case7）依然稳i压RMSE至！3.2549，展示出！跨场景的较强跨场景泛化能力。 CEEPE 成果2-1：基于零敏感自适应聚类算法（ZSACA）的极端场景提取 针对南极极夜条件下光伏长期零出力、传统聚类方法对零值样本敏感性不足的问题，本文提出了-种零敏感自适应聚类算法（ZSACA），以实现能源供需动态的代表性建模 ZSACA场景生成步骤 步骤一：构建数据矩阵。整理全年风、光、电、热负荷历史数据，构建24小时维度的日特征矩阵。步骤二：剥离极端零值。过滤并提取全天光伏或风电出力为零的特殊日，避免极端特征丢失。步骤三：数据标准化。采用Z-score方法对剩余数据进行标准化处理，消除不同量纲干i扰。i步骤四：K-medoids聚类寻优。采用真实数据点作为聚类中心（K-medoids），结合轮廊系数（SilhouetteScore）自动确定最优聚类数。步骤五：典型场景重构。将聚类得出的常规典型日与先前排出的“零出力”灾害日重新合并，生成最终场景集。 CEEPE 成果2-2：计及极端环境的电-氢-热储能温度相关时变退化模型 针对南极极寒环境下储能设备容量衰减、效率下降及热损耗增强等问题，构建了涵盖电池、钒液流电池、热储能的温度相关时变退化模型。夏更加真实地反映极端环境下储能系统性能随时间变化的规律为后续经济调度提供更具物理意义的建模基础 极端环境热储能时变损耗模型 CEEPE 成果2-2：新型多时间尺度HESS架构与分层协同调度策略 能系统（HESS），并提出"短-中-长"分层协同经济调度策略实现了从“小时级波动平抑”到"跨极夜长周期能量转移 CEEPE 研究内容2：算例分析 为验证所提ZSACA算法的有效性与极地适用性，本节基于南极中山站全年的真实气象与负荷监测数据，将其与传统K-means算法展开对比分析 聚类算法对比 1)聚类质量评估；对比表3数据，传统K-means算法的平均轮廊评分仅为0.65而ZSACA算法提升至0.78。这表明ZSACA能够生成更紧凌、分离度更高的聚类簇。 2)零出力天数保留：对比表4数据，K-means算法完全丢失了极夜特征，而ZSACA明确识别并成功保留了长达118天的光伏零出力场景。这确保了对南极真实极端