【儀表網(wǎng) 研發(fā)快訊】隨著全球范圍內(nèi)光伏裝機容量的持續(xù)快速增長，光伏發(fā)電易受多種氣象因素影響所表現(xiàn)出的顯著間歇性與高度隨機性，對其并入電網(wǎng)從而影響電力系統(tǒng)穩(wěn)定性的情況日益凸顯，成為亟待解決的關(guān)鍵問題。因此，精確預(yù)測光伏發(fā)電的輸出能力，不僅是電力生產(chǎn)高效規(guī)劃與資源合理分配的前提，也是確?；旌想娏ο到y(tǒng)整體可靠性、優(yōu)化電網(wǎng)調(diào)度策略及維護電網(wǎng)穩(wěn)定運行不可或缺的關(guān)鍵環(huán)節(jié)。
 

　　青島能源所泛能源大數(shù)據(jù)與戰(zhàn)略研究中心首次將光伏物理建模關(guān)鍵步驟生成的中間變量作為輸入的一部分以進行數(shù)據(jù)增強，提出了一個基于Transformer的全新模型——并行時間特征信息提取網(wǎng)絡(luò)PTFNet。PTFNet利用基于卷積交互結(jié)構(gòu)的時間依賴提取模塊和基于自注意力機制的特征間依賴提取模塊，用于擬合輸入數(shù)據(jù)的時間特性和特征間關(guān)聯(lián)特性，并通過多層次的堆疊實現(xiàn)對信息的深層提取。提取的時間依賴和特征間依賴用于進行最終的預(yù)測。實驗結(jié)果表明，PTFNet取得了最佳的整體預(yù)測能力，在15min級別的數(shù)據(jù)上，PTFNet對未來36h光伏發(fā)電出力預(yù)測的RMSE誤差降低9.1%-26.8%，R2達到0.93。此外，PTFNet預(yù)測結(jié)果在電網(wǎng)運營商所需要的準確性指標為92.82%，超過其他同類模型。
 

　　本研究通過巧妙融合自然科學(xué)研究范式和人工智能研究范式建立了傳感器測量特征，加強了氣象預(yù)報特征與光伏功率特征之間的深度關(guān)聯(lián)，實現(xiàn)了對多源數(shù)據(jù)的充分利用，顯著提升了光伏功率預(yù)測的準確性，對人工智能從非解釋性研究向可解釋性研究進步意義深遠。
 

　　相關(guān)研究結(jié)果近期以“Operational dayahead photovoltaic power forecasting based on transformer variant”為題發(fā)表于Applied Energy上，該工作由青島能源所泛能源大數(shù)據(jù)與戰(zhàn)略研究中心主任田亞峻研究員主持完成，得到了山東能源研究院、山東省自然科學(xué)基金、青島博士后資助項目和中國工程院院地合作項目的支持。