摘要
将风力发电纳入山区电网后，由于强烈的非平稳性、多源气象数据的冗余性以及频繁的限电现象，概率预测面临着更大的挑战。为解决现有方法的局限性，本文提出了一种多时域概率预测框架，该框架结合了多视角熵加权融合、排列熵引导的分解以及基于残差的概率建模方法。首先，通过熵加权聚合方式，将KSG互信息、Tree-SHAP和弹性网排列重要性等方法结合起来，从23维的气象数据中提取出8个有用的特征，同时避免单一标准的偏差。接着，采用三阶段分解策略：先通过ICEEMDAN方法进行初步分解，再通过排列熵和样本熵引导对高频成分进行重构，最后通过SSA方法进行二次精细化处理，从而实现与复杂度相匹配的多尺度分离。最后，一种考虑分解特性的基于patch的Transformer模型（DPC-Former）用于生成三分位点预测值，随后通过NGBoost残差层在信息几何参数空间中利用自然梯度优化方法来建模条件分布。以中国四川一个130兆瓦的山区风电场为案例，该风电场共有8736个15分钟间隔的数据样本，其中566个样本存在限电情况（占数据集的6.48%）。实验结果表明，在分块离线批量评估模式下，所提出的框架在15分钟到4小时的预测时域内，其NMAE值为5.21%，NCRPS值为3.74%，PICP80值为0.84。通过消融分析发现，分解模块和特征选择模块分别使NMAE值提升了25.36%和24.57%；而5种子集成方法则进一步将NCRPS、NMAE和NRMSE值分别降低了7.40%、7.00%和13.70%。固定检查点测试还表明，大约每周或每三天进行一次分解时，模型的敏感度较低，而每天进行一次分解时则会出现明显的性能下降。因此，这些指标应被视为离线环境下的最佳结果，而非严格意义上的实时因果推理场景下的性能表现。
