一种源荷质量 - 价值双驱动区间预测方法：在梯级调水水风光互补系统运行中的应用

《Applied Energy》：A quality-value dual-driven interval prediction method for source and load: An application in the cascade diversion hydro-wind-solar complementary system operation

　　

摘要 新能源出力的随机性与负荷的波动性给多能互补系统的优化调度带来了严峻挑战。区间预测可提供关键的不确定性信息，但传统方法主要强调统计精度，往往忽视下游调度价值，而价值驱动的方法则可能损害基础预测质量。为了解决这一问题，本文提出了一种质量-价值双驱动的区间预测方法。该方法联合优化区间预测质量与系统运行成本，从而在预测与调度之间建立起双向耦合机制。通过点预测捕捉时间依赖性，同时对风电出力、光伏出力与负荷预测误差之间的空间相关性进行建模，以构建源荷预测区间。进一步引入自适应可调节鲁棒优化策略，根据预测性能调整鲁棒性水平。针对梯级引水水风光互补系统的案例分析表明，所提方法在预测质量与调度价值之间实现了良好平衡，减少了不必要的保守性，同时保持了运行可靠性。

引言 在"双碳"目标上升为国家战略的背景下，我国可再生能源正进入大规模、高比例、高质量发展的新阶段[1]、[2]。如图1所示，我国可再生能源发电量持续增长，绿色低碳发展进程稳步加速。其中，以风电（WT）和光伏（PV）为代表的新能源因低成本、无污染等优势得到了大力推广与应用。然而，这些新能源具有间歇性本质，其发电过程存在不可预测性和波动性，给电力系统的安全供给和高效管理带来了严峻挑战[3]。水电作为最清洁的传统能源形式，具有优异的调节能力，在促进新能源消纳中发挥着关键作用[4]。通过水电的灵活调节，可有效平滑风电和光伏的出力波动。利用水电的调节能力，可促进流域周边风电和光伏资源的大规模、基础性开发，实现多能互补发展，形成水风光一体化发展的总体格局[5]。

我国西南地区河流具有高落差集中、径流量丰富且稳定等特点，因此开发潜力极高[6]。以雅鲁藏布江为例，其下游大拐弯峡谷段在直线距离仅35千米的河弯内形成超过2000米的高落差，水电潜力尤为突出。为充分利用这一自然优势，雅鲁藏布江下游水电工程采用"截弯取直"的方式，修建引水隧洞将水引入发电，从而有效集中河弯的巨大落差[7]。然而，直接引水发电面临诸多挑战，一种有效方案是串联布置多级电站，逐段利用集中水头和流量[8]。为进一步提高水电利用效率并增加发电效益，上游还建设了一座具有强调节能力和大库容的大型水电站作为龙头电站，最终形成"两库多级"的联合运行模式。利用雅鲁藏布江丰富的水电资源带动周边光伏和风电资源开发，构建水风光互补系统（HWSCS），已成为我国推动绿色低碳能源转型的重大举措[9]。然而，负荷和新能源发电预测的不确定性是HWSCS固有的问题，可能导致系统运行可靠性下降[10]。为应对这些不确定性并提高运行可靠性，目前主要有两种方法：人工智能和不确定性优化[11]。

预测驱动的不确定性建模方法旨在提高预测精度并量化不确定源荷变量的可能变化范围。以人工智能为代表的预测方法已被广泛应用于电力负荷和发电预测[12]、[13]。以机器学习为例，这类方法通常通过最小化统计误差来优化预测模型参数，其底层假设是预测误差越小，该误差引起的系统运行成本越低。

在传统"先预测-后调度"范式下，预测模型独立训练，然后将预测结果纳入调度模型。例如，Han等人[14]首先预测互补系统中的可再生能源出力，然后将预测结果输入调度模型以最大化系统运行收益。类似地，Guo等人[15]基于风电和光伏出力的预测结果，建立了同时考虑供电稳定性和风险规避的多目标优化模型。

尽管这些方法在提高统计预测性能方面卓有成效，但预测驱动的方法将预测结果视为独立预测过程的最终输出。生成的预测结果主要由统计准则决定，在传递到下游应用后不再改变。因此，这些方法无法反映预测误差对运行决策可能产生的非对称性和非线性影响[16]。统计上更优的预测结果不一定能产生更经济或有效的调度方案。

为减少统计预测精度与下游决策性能之间的不匹配，研究者们发展了面向决策和面向价值的预测方法。这些方法将运行成本、决策偏差或经济效益纳入预测目标，使预测参数可根据其对下游决策的影响进行优化。Zhang等人[17]提出了一种面向价值的风电点预测方法，以决策价值作为预测参数的训练目标，从而获得能够降低系统运行成本的预测结果。Zhong等人[18]以系统运行偏差作为负荷预测模型的损失函数，增强了预测模型在决策中的价值。Li等人[19]研究了基于成本导向损失函数的风电点预测问题，结果表明该方法可以最大化决策过程的效益。此外，Zhang等人[20]进一步提出了一种面向价值的风电区间预测方法，旨在降低系统运行成本。

这些研究提高了预测结果的运行相关性。然而，它们仍然以预测为中心：决策成本被引入预测目标，但预测质量与下游价值并未在迭代式预测-调度框架中进行联合协调。对于区间预测，过度强调决策价值可能削弱统计可靠性。此外，大多数现有研究仅关注单一不确定变量，未涉及风电出力、光伏出力与负荷的相关不确定性。

预测-优化融合方法将预测或不确定性表征纳入系统调度模型，以提高源荷不确定性下的决策可靠性。随机优化（SO）[21]和鲁棒优化（RO）[22]是两种广泛使用的方法。SO方法假设不确定变量服从特定概率分布，并基于历史数据生成大量离散场景进行优化计算[23]。RO方法假设不确定变量在一定区间内波动，并寻求系统运行期间可能出现的 worst-case 场景，从而应对不确定性的影响[24]。然而，SO方法在实际应用中面临两个主要问题：不确定变量的具体概率分布难以准确确定，且需要处理大量场景，导致计算效率低下[25]。

相比之下，RO以集合的形式描述不确定性，不仅减轻了维度负担，还避免了对概率分布的依赖[26]。Wu等人[27]采用Wasserstein模糊集构建偏差的不确定性集，并使用RO方法处理微网优化调度中的不确定性。Zhang等人[28]则基于区间预测结果表征可再生能源和负荷的不确定性集，同样应用RO方法处理互补系统优化调度中的不确定性。预测区间定义了盒型不确定性集，将不确定性预测与鲁棒调度联系起来。然而，预测区间通常是先生成然后作为固定输入传递给调度模型，调度结果不会反馈更新区间参数。

此外，传统RO方法未能充分考虑不确定性集的保守性调整，导致难以捕捉不确定变量的多样性和动态变化，这使得调度方案灵活性不足且决策结果过于保守。为克服这一缺陷，Qin等人[29]和Zaytoun等人[30]提出了可调节鲁棒优化（ARO）方法，通过引入可调节鲁棒系数灵活调整不确定性集，从而实现对优化方案鲁棒性的动态控制。尽管ARO减少了传统RO的保守性，但其鲁棒系数通常是预先设定的。由于区间边界和鲁棒性水平分别调整，不确定性范围与调度保守性无法共同适应预测性能和运行反馈。

表1总结了现有研究。可以看出，现有研究逐步将预测信息、决策价值和鲁棒性调整引入能源系统调度。然而，其根本局限性在于传统范式将预测、不确定性表征和调度优化视为分离或顺序模块。因此仍存在以下研究空白。

第一，现有预测方法赋予预测区间固定且被动的角色。预测驱动的方法主要根据统计指标确定区间边界，并将其视为预测阶段的最终输出。价值导向的方法将决策成本纳入预测但仍以预测为中心，可能削弱基础区间可靠性。因此，预测区间无法被统计质量和下游运行价值共同塑造。

第二，区间预测与调度之间的交互仍不充分。现有研究通常分别建模风电出力、光伏出力和负荷不确定性，限制了耦合源荷不确定性的表征。更重要的是，生成的区间通常作为固定输入传递给调度模型，而运行成本很少反馈以更新区间参数。因此预测与调度仍然是顺序连接而非双向协同优化。

第三，不确定性表征与鲁棒性调整仍然存在结构性分离。传统RO使用固定不确定性集，而现有ARO方法通常在调度阶段根据预设或外部指定规则调整鲁棒系数。由于区间边界和鲁棒性水平独立确定，调度保守性无法自适应地响应预测性能和运行后果的变化。

为填补这些空白，本研究首先开发了一种针对风电出力、光伏出力和负荷的源荷协同区间预测方法。在此基础上，提出了一种面向梯级引水HWSCS的质量-价值双驱动区间预测与自适应鲁棒调度框架。主要贡献总结如下：

（1）提出了一种质量-价值双驱动的区间预测优化方法。与传统的预测驱动方法（预测区间主要由统计指标决定作为固定输出）和价值导向方法（强调决策价值但未明确保持区间可靠性）不同，所提方法使用预测质量和系统运行成本联合评估区间参数。这将预测区间从被动的预测输出转化为响应决策的变量，实现了区间可靠性与调度价值的协同优化。

（2）建立了区间预测与鲁棒调度之间的双向迭代协同优化机制。不同于传统的"先预测-后调度"范式，优化后的预测区间用于构建鲁棒调度的源荷不确定性集，而系统运行成本被反馈以更新区间参数。因此预测与调度通过迭代协调而非单向数据传输进行连接。

（3）提出了一种自适应可调节鲁棒优化（AARO）方法。与传统具有固定不确定性集的RO方法和具有预设鲁棒系数的现有ARO方法不同，所提方法根据区间预测结果自适应调整鲁棒系数。因此有效不确定性集和调度保守性可以动态响应源荷不确定性的变化，同时保持运行可靠性。

（4）将所提框架应用于梯级引水HWSCS以验证其有效性。

结果表明，所提出的方法在降低系统运行成本的同时，仍保持可靠的区间预测性能，从而验证了其在梯级引水式混合梯级水电站联合运行中的有效性和应用潜力。本文结构安排如下：第2节介绍研究方法，包括区间构建方法、源荷不确定性处理方法以及多目标区间优化方法；第3节讨论算例研究结果；第4节给出结论。

**质量-价值双驱动区间预测方法框架**

本研究提出了一种质量-价值双驱动的源荷区间预测框架，其原理架构如图2所示。该框架包含三个紧密耦合的模块：点预测、区间优化和鲁棒调度，并辅以综合性能评估。

在点预测阶段，首先采用FAformer（频域分析Transformer）模型生成风电出力、光伏出力和负荷的点预测值。

**数据与参数设置**

中国西南地区山高谷深，河流落差大，形成了多处高程差异显著的河弯。为集中这些河弯处的大落差并减少对大型水库和高坝的需求，已建成或规划了多座梯级引水式水电系统。为进一步提高水电利用效率，这些工程通常包含一座大型水电站。

**结论**

为解决传统区间预测质量与下游调度经济性之间的不匹配问题，本研究提出了一种质量-价值双驱动的源荷区间预测与鲁棒调度框架。该框架集成了基于FAformer的点预测、源荷预测误差的依赖性建模、多目标区间优化以及自适应可调鲁棒优化。预测区间决定了鲁棒调度中使用的源荷不确定性集合。

**CRediT作者贡献声明**

彭霞：撰写——审阅与编辑、撰写——初稿、软件、方法论、概念构思。朱千南：撰写——审阅与编辑、方法论。李潮顺：撰写——审阅与编辑、软件。

**利益冲突声明**

作者声明不存在可能影响本文工作的已知竞争性经济利益或个人关系。

**致谢**

作者感谢智能电网——国家科技重大专项（2024ZD0801800）、国家自然科学基金（编号U23B20143、编号52279085）以及湖北省自然科学基金（编号2023AFD186）对本研究、撰写和发表的资助。

彭霞 | 朱千南 | 李潮顺

华中科技大学 水资源与水电科学研究所，武汉 430074，中国