基于尾流关联的动态超图风电功率超短期预测方法

精准的风电功率预测对电力系统安全稳定运行具有重要意义。针对风电场内风机间受尾流效应影响存在的复杂时空关联特性，现有方法因忽略其动态变化且受限于传统图结构的二元表达能力，难以准确建模多元关系。本文提出一种基于尾流关联的动态超图预测方法，将风机作为节点，利用空间位置与多元关系构建超边，并结合Jensen尾流模型与射线法建立动态超图结构。设计动态超图卷积与双向LSTM融合的时空特征提取与拟合模块，有效捕捉风电功率的动态时空依赖性。基于真实数据的实验验证了该方法在多维度上的优越性。

精准的风电功率预测对于电力系统安全稳定运行具有十分重要的现实意义.受到尾流效应等因素影响,风电场内各风机之间存在着复杂的关联特性.现有研究忽略了时空关联特性的动态变化过程,传统图结构的二元关系表示方法也难以精确的表征风电机组间复杂多元的时空关系,导致风机间的时空特征难以精确捕捉.同时考虑到深度学习模型可解性差的问题与尾流效应对风电功率的影响,该文提出一种基于尾流关联的动态超图风电功率超短期预测方法.首先,将各风机视为节点,各风机历史功率作为特征输入,风电机组的空间位置和多元复杂关系作为超边,沿着时间维度构建风电机组动态超图表示结构.然后,结合每个时刻的风向数据与风机信息,根据 Jensen 尾流模型原理,以射线法的形式构建基于尾流关联的动态超图.在此基础上,针对动态超图的特殊数据结构,构建基于动态超图卷积的时空聚合特征提取模块与双向长短时记忆网络(bidirectional long short-term memory,BiLSTM)的时空特征拟合模块,提取动态时空特征并实现精准预测,最后,基于真实风电数据进行实验分析,从多维度验证该方法的优越性.