《Electronics》:A Robust Error Correction Strategy for High-Quality Day-Ahead Wind Power Interval Prediction in Transitional Weather
编辑推荐:
天气转换可导致风电功率快速波动,并使预测区间构建复杂化。本研究提出一种平衡区间覆盖率和宽度的鲁棒误差校正框架。将基于有放回抽样的多重逆向云变换(MBCT-SR)与基于核的模糊c均值(KFCM)聚类相结合,以表征并分组与误差相关的特征模式。采用时间卷积网络与Tr
天气转换可导致风电功率快速波动,并使预测区间构建复杂化。本研究提出一种平衡区间覆盖率和宽度的鲁棒误差校正框架。将基于有放回抽样的多重逆向云变换(MBCT-SR)与基于核的模糊c均值(KFCM)聚类相结合,以表征并分组与误差相关的特征模式。采用时间卷积网络与Transformer模型(TCN-Transformer)预测功率及误差序列,并使用自适应带宽核密度估计(ABKDE)构建预测区间。改进的多目标蜣螂优化器(IMODBO)以覆盖率和宽度为竞争目标,确定各簇特定的误差校正权重。研究人员使用中国龙源电力集团股份有限公司(China Longyuan Power Group Corporation Limited)的风电数据评估该框架。所报告的示例显示区间宽度降低,覆盖率变化取决于测试日和标称覆盖率水平。
研究背景与问题:天气转换会造成风电功率快速波动,并增加预测区间构建的复杂性;相关研究虽涉及物理与数据驱动预测、区间预测、误差补偿及多目标区间学习,但不同方法面向的预测目标和校正阶段不同。研究人员据此关注过渡天气下风电功率区间预测,并将区间覆盖率和宽度作为需要联合评估的竞争目标,开展簇特定预测功率误差校正研究。已有区间预测研究强调覆盖率与宽度需共同评价,而误差校正与点预测改进属于相关但不同的任务;因此,研究人员提出将MBCT-SR特征融合、KFCM聚类、TCN-Transformer预测、ABKDE区间构建和IMODBO校正权重搜索整合为鲁棒误差校正框架。报告案例显示区间宽度降低,覆盖率变化依测试日和标称覆盖率水平而定;这些结果支持类别相关校正作为调整覆盖—宽度权衡的一种方式,但覆盖并不总是在所有案例中提高,部分区间仍低于标称水平。Fu et al.将物理信息特征与误差类型编码及多目标区间校准结合于双模型框架;Xue and Shen提出的蜣螂优化(DBO)被改进用于竞争目标。上述工作为研究人员在过渡天气条件下开展簇特定误差校正提供了依据。
关键技术与数据来源:样本来自中国龙源电力集团股份有限公司在中国西部风电场2019—2020年的记录,对象为额定容量1523 kW的单台风机,采样间隔15 min,源特征表含10001条数值记录,处理后工作表含6888条记录;目标Patv为有功功率(kW),Prtv为无功功率输入。关键技术包括:MBCT-SR将高维输入特征融合为云特征;KFCM对误差相关模式聚类;TCN-Transformer预测功率和误差序列;ABKDE以最优固定带宽h
AMISE为初始带宽并引入敏感因子α构建预测区间;IMODBO以未覆盖比例1?PICP和预测区间归一化平均宽度(PINAW)为竞争目标搜索簇特定校正权重。过渡天气案例选自天气时段与历史功率过渡时段的交集,SO-XGBoost(一种用于天气条件分类的优化XGBoost)先分类结冰、高温、强降水及其他条件,风速波动时段仅从其他类别中提取;方法均在MATLAB R2023b中评估。
研究结果:
3.1 聚类结果分析:通过将MBCT-SR云特征与高斯混合模型(GMM)、Kmeans、Kmeans++和自组织映射(SOM)比较,并以轮廓系数(SC)和误差平方和(SSE)评价三至六簇,得出排序依赖评价准则和簇数;五簇KFCM的SC为0.626、SSE为1.1153,而六簇Kmeans++的SC为0.637、SSE为3.400,支持联合评估分离度与紧致度。与主成分分析(PCA)表示比较时,六簇KFCM的SC为0.636、SSE为3.364;这些指标描述不同方面,不能单独确立所有预测相关信息均被保留。
3.2 功率与误差序列预测结果:通过前80%数据用于模型开发与校正标定、后20%用于训练后评估,并在开发部分采用8:2拟合/内部评估划分,历史输入窗口为四天共384个时间点、预测未来24 h共96点,且递归预测中使用校正后功率预测、滚动窗口推进一天时保留三天历史与预测功率段,仅允许预测起点可得的测量或气象预报输入。将TCN-Transformer与长短期记忆(LSTM)、支持向量机(SVM)和极限学习机(ELM)比较,得出TCN-Transformer在三个示例测试日平均绝对百分比误差(MAPE)均最低;均方根误差(RMSE)排序随日变化,Day 1为46.9356最低,Day 2 SVM为40.875最低,Day 3 LSTM为88.38最低。误差分布显示TCN-Transformer在示例预测中分布相对较窄,但需与逐日RMSE和MAPE共同解读。
3.3 预测区间结果与误差校正:通过将ABKDE与固定带宽核密度估计(KDE)在90%和95%标称覆盖率水平下比较,得出覆盖—宽度权衡依测试日和标称水平变化;Day 2在90%时预测区间覆盖率(PICP)由0.8958升至0.9688、PINAW由0.0692降至0.0649;Day 3在90%时PICP由0.7396升至0.8229、PINAW由0.0649升至0.0704,且PICP仍低于标称水平。通过IMODBO在权重约束[0,2]下搜索,报告种群规模20、最大50次迭代、外部存档20个解,运行447.1553 s、平均迭代约9 s,并报告两个五维校正权重向量,选择第一个向量时优先覆盖。与ABKDE结果相比,校正后六例PINAW均降低但覆盖不总增加;Day 2在95%时PINAW由0.0998降至0.0295、PICP由1.0000降至0.9583;Day 3在95%时PICP由0.8854升至0.9375但仍低于标称水平,PINAW由0.0814降至0.0529。通过将IMODBO与多目标蜣螂优化(MODBO)和多目标粒子群优化(MOPSO)在四个双目标测试函数上比较,得出IMODBO的反向世代距离(IGD)和Spacing更低、超体积(HV)更高、运行时间更短;相对MODBO的最大降幅为IGD 17.39%、Spacing 38.71%、运行时间45.96%,HV最大增加约0.16%。这些比较本身未量化独立运行变异性,也未确立相对其他多目标优化器的性能。
讨论与结论翻译:讨论部分指出,校正改变覆盖—宽度权衡,较窄区间不一定达到标称覆盖;报告比较未量化独立运行变异性,也未确立相对其他多目标优化器的性能。未来工作包括系统组件消融、与更多混合预测器进行匹配评估,以及在更长时期和多站点上的验证;带时间戳、完整指定的实现记录将支持运行预测协议的复现。结论部分翻译如下:本研究提出一种结合MBCT-SR特征融合、KFCM聚类、TCN-Transformer预测、ABKDE和基于IMODBO校正的风电功率区间预测框架。簇特定权重调节预测残差以平衡区间覆盖率和宽度。在三个报告的风机案例中,TCN-Transformer具有最低MAPE,而RMSE排序随日变化。校正后区间在所有六个案例中PINAW低于报告的ABKDE区间;覆盖率随案例变化,部分区间仍低于标称水平。这些结果支持所提出的类别相关校正作为调整覆盖—宽度权衡的一种方式。未来工作将包括系统组件消融、与更多混合预测器进行匹配评估,以及在更长时期和多站点上的验证。带时间戳、完整指定的实现记录将支持对运行预测协议进行复现。