Menglin Liab · Ming Yang · Yixiao Yuab · Energy Conversion and Management · 2025年1月 · Vol.341

摘要 从电力系统运行者的角度来看，管辖区域内风电总出力潜力相比单个风电场更受关注。挖掘目标区域内多个风电场站点之间的时空依赖关系可显著提升预测性能。然而，大量风电场由于不同空间尺度天气系统的连续性所引发的复杂相关性，给建模带来了不可忽视的挑战；此外，基于均方误差的传统损失函数在应对极端事件时表现出固有的局限性。为解决上述问题并进一步提高预测精度，本文构建了一种结合修正模块和基于极值理论改进损失函数的层次化时空图神经网络模型。首先，综合考虑地理距离信息和长期气候特征，采用凝聚式层次聚类方法将区域划...

解读: 该分层图神经网络区域风电预测技术对阳光电源储能系统(ST系列PCS、PowerTitan)具有重要应用价值。精准的区域风电预测可优化储能系统充放电策略,提升风储协同效率。其极值理论改进损失函数可增强极端工况预测能力,为iSolarCloud平台的预测性维护提供算法支撑。时空依赖建模方法可应用于多站点...