复杂地形下基于时空增强深度校正网络的短期风电功率预测技术研究

本文提出一种时空增强深度校正网络（ST-EDCNet），通过分层时空协同校正（HSCC）模块、空间-语义图模块和混合循环架构，有效解决复杂地形下风电预测中数据缺失、空间异质性和气象扰动等问题。实验表明，该模型在MAE、RMSE和R2等指标上显著优于基线模型，为复杂地形风电场提供高精度多时间尺度预测方案。

　　

Highlight

• •

  提出分层时空协同校正框架（HSCC），首次将Louvain社区检测算法应用于风电数据插补，通过时空加权插补有效捕捉复杂地形下的异质子群和地理功率耦合。

• •

  设计融合地理与语义信息的多视角图结构，利用节点度中心性量化地形驱动影响，指导NWP风速预报校正，并通过聚类系数动态补偿地形偏差。

• •

  提出双域交叉注意力机制，采用频域动态滤波注意力处理瞬态湍流和季节性季风模式，结合跨模态对齐策略增强气象演化与风机响应的非线性关系建模。

• •

  开发基于Seq2Seq架构的端到端预测模型，以BiGRU和LSTM为核心编码器-解码器，支持分钟级到小时级多时间尺度预测需求。

Methodology

本研究提出的模型为时空增强深度校正网络（ST-EDCNet）。图1展示了模型的基本框架。ST-EDCNet包含四个关键模块：子序列聚类修复模块、多视角时空感知图校正模块、深度时空校正网络和双域交叉注意力模块。该模型整合了基于图的校正和深度时间建模，以捕捉时空依赖性。

Description of dataset

研究使用中国四川省复杂山区风电场的实测数据。风机额定功率介于2 MW至2.5 MW之间，总容量198 MW，包含83台分三期建设的双馈感应风机。数据集时间跨度为2024年，包含风电功率输出及多种环境参数（见表1）。有限的时序覆盖可能引入统计偏差，尤其在季节性或多年度气候模式的建模中。

Experiment description

实验中，输入序列长度T_in设置为96、192和288时间步，对应15分钟间隔的24小时历史数据。预测时间范围T_out涵盖24、36、48、60、72、84和96时间步，分别代表6、9、12、15、18、21和24小时的预测提前期。这些变体用于全面评估模型在不同时间配置下的性能。实验开始前，我们将简要介绍……

Conclusion

精准的风电预测对于优化风电场运营和保障电力系统稳定性至关重要。本文提出一种时空增强深度校正方法，以应对复杂地形下的风速波动、时空异质性和气象扰动等挑战。首先，引入时空协同建模机制，解决测风设备频繁故障导致的数据丢失问题。通过风机子群动态划分与多源数据融合，显著提升缺失数据插补的准确性。其次，构建多视角图结构深度融合地理与语义特征，实现对NWP风速的系统性校正。最后，结合双域注意力机制与混合深度学习架构，有效捕捉多时间尺度下的气象-功率响应关系。实验证明，该方法在复杂地形场景下具有优异的预测精度和泛化能力。