Yongning Zhao · Yuan Zhao · Yanxu Chen · Haohan Liao 等6人 · IEEE Transactions on Sustainable Energy · 2025年8月

针对当前风电功率预测方法缺乏领域知识融合导致精度与可解释性不足的问题，提出一种可解释的数据-知识融合超短期预测模型。通过历史风速输入构建风速-功率曲线生成理论输出，并结合实测数据作为模型输入；设计边界约束损失函数，利用alpha shape算法和局部加权线性回归提取功率上下边界并动态更新以捕捉波动特性；引入基于Jensen-Shannon散度的误差分布形状损失，促使训练误差逼近正态分布。在30个风电场的实验表明，该方法在各预测时域均优于基线模型，且在噪声与缺失数据下具有强鲁棒性。

解读: 该风电功率预测技术对阳光电源储能和智能运维产品线具有重要应用价值。特别是其基于领域知识的边界约束和误差分布优化方法,可直接应用于ST系列储能变流器的功率调度和PowerTitan系统的容量规划。通过将该预测算法集成到iSolarCloud平台,可提升风储联合项目的调度精度和经济性。其数据-知识融合的...