找到 1 条结果 · IEEE Transactions on Sustainable Energy
基于时空信息增益嵌入图结构学习的风电场群超短期功率预测
Ultra-Short-Term Prediction of Wind Farm Cluster Power Based on Embedded Graph Structure Learning With Spatiotemporal Information Gain
Mao Yang · Yunfeng Guo · Fulin Fan · IEEE Transactions on Sustainable Energy · 2024年9月
风电场群超短期功率预测对日内发电计划制定具有重要意义，但受天气系统混沌效应及信息不完整性影响，预测精度提升困难。本文提出一种融合时空信息增益（STIG）理论的风电场群嵌入图结构学习方法，基于风电场间功率波形的时空传递关系构建描述信息演化关联的图结构。提出嵌入式图注意力网络（EGAN）以学习风电场间的STIG邻接关系，并构建基于STIG距离的动态冗余节点分组策略降低建模复杂度。在中国内蒙古风电场群的应用结果表明，所提方法在各时间尺度下NRMSE、NMAE和MAPE平均降低2.63%、2.09%和2...
解读: 该风电场群超短期功率预测技术对阳光电源储能系统和智能运维产品具有重要应用价值。在PowerTitan大型储能系统中，可基于时空信息增益图结构学习实现风储联合调度的精准功率预测，优化ST系列储能变流器的充放电策略制定，提升日内发电计划准确性。嵌入式图注意力网络（EGAN）可集成至iSolarCloud...