Guiyan Liu · Yajuan Zhang · Ping Zhang · Junhua Gu · IEEE Transactions on Sustainable Energy · 2025年2月

精确且鲁棒的风电功率预测对电力系统的安全稳定运行至关重要。基于图卷积网络的混合时空预测模型因在空间特征提取方面的优势而受到广泛关注，但其性能易受数据噪声和缺失影响导致的图结构质量下降制约。本文提出一种基于时空图对比学习的混合深度学习模型，其编码器结合自适应图卷积网络与LSTM以捕捉细粒度时空依赖关系。为提升编码器对数据噪声的鲁棒性，我们在特征层和拓扑层引入数据增强，并设计了时序与空间双重视角的对比学习辅助任务。此外，通过融合静态图与可学习参数矩阵构建自适应图以捕获更全面的空间关联。在两个真实数据...

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。首先可集成至ST系列储能变流器和PowerTitan系统的能量管理系统(EMS)中,提升风储联合运行的调度精度。其次,该技术的时空图对比学习方法可优化iSolarCloud平台的预测算法,提高新能源电站群的发电预测准确性。特别是其抗噪...