共形化不确定性量化在可靠电网接入中用于联合风光功率预测的方法

《Journal of Computational Science》：Conformalized Uncertainty Quantification for Joint Solar–Wind Power Forecasting in Reliable Grid Integration

　　

研究人员指出，在现代电力系统稳定接入波动性可再生能源过程中，精确预测并配备可靠的不确定性量化至关重要。现有方法多孤立地模拟太阳能与风能资源，忽略了两者之间的气象相互依赖关系，并且依赖基于高斯假设的参数化不确定性估计，无法捕捉可再生能源发电中复杂且非高斯分布的误差特征。为此，研究人员提出了结合变体变换器与共形化分位数回归(VariateFormer-CQR)的新型深度学习框架，以同时解决上述问题，实现联合风光预测与分布无关的不确定性校准。该框架包含两项创新：其一，采用变体变换器(VariateFormer)作为预测主干，将自注意力机制应用于物理变量维度而非时间序列，从而捕捉太阳辐射、风速与发电动态之间的瞬时跨相关性；其二，引入共形化分位数回归(CQR)后处理技术，在有限样本条件下提供无需分布假设的预测区间覆盖保证。基于真实混合可再生能源数据集的评估显示，该框架的平均温克勒得分(Winkler Score)为13.636，预测区间覆盖率(PICP)达93.2%，证明了其统计有效性。该成果可为混合风光系统提供可靠的概率预测，支持高比例可再生能源情景下的机组组合、备用分配及实时调度决策。

研究背景与意义

在全球能源战略转向可持续发展的背景下，太阳能与风能预计将在2027年前占据新增发电量的90%以上。然而，这些可再生能源的出力受气象条件影响显著，存在固有的随机性（aleatory uncertainty），给电网稳定运行带来挑战。尽管现有预测模型在精度上不断提升，但多数方法仍分别处理太阳能与风能，忽视其气象耦合关系，并且在不确定性量化上依赖高斯假设，导致区间估计缺乏统计保障。针对这一问题，研究人员开发了VariateFormer-CQR框架，将变量维度的自注意力与共形化分位数回归相结合，既提高了预测精度，又保证了区间覆盖的分布无关性，为高比例可再生能源并网提供了可靠工具。该研究发表于《Journal of Computational Science》。

关键技术方法

研究人员基于真实世界混合可再生能源数据集，构建了变体变换器(VariateFormer)作为核心预测模块，将自注意力机制由时间域转移至物理变量域，以捕捉不同高度风速(V₁, V₁₀, V₅₀)与太阳辐射指标(GHR, THR)间的瞬时相关性。同时，引入Top-K超参数集成策略量化认知不确定性(epistemic uncertainty)，并结合共形化分位数回归(CQR)对偶然不确定性(aleatoric uncertainty)进行校准，确保预测区间的统计有效性。

研究结果

• •
  VariateFormer-CQR框架设计：研究人员设计了以特征维度为核心的预测结构，替代传统的时间序列建模，避免了长历史滞后依赖，并消除了高斯分布假设的限制。
• •
  性能评估：在与其他CQR模型的对比中，VariateFormer-CQR取得了平均温克勒得分13.636和预测区间覆盖率(PICP)93.2%，证明其区间估计兼具准确性与可靠性。
• •
  物理可解释性：通过将注意力置于变量维度，模型能够反映大气边界层动力学中表面至轮毂高度风切变与水平辐照度的耦合关系，从而增强预测的气象合理性。

讨论与结论

研究人员认为，VariateFormer-CQR不仅在精度上优于传统方法，还解决了风光联合预测中分布无关不确定性量化的缺失问题。其双重输出结构在一次前向传播中同时生成点预测与概率区间，实现了内部表征的一致性。该方法为风险感知的电网运行提供了统计保证的区间预测，支持机组组合、备用配置及实时调度等关键决策。在未来的高可再生能源渗透场景中，这种具备物理一致性和数学严谨性的预测框架将发挥重要作用。