《Protection and Control of Modern Power Systems》：PV Intraday Power Supply Guarantee Capability Forecasting: Concept, Methodology, and Application
编辑推荐：
随着可再生能源渗透率的不断提高，确保供电可靠性与安全性已成为一项重大挑战。本文提出一种新型光伏（photovoltaic, PV）日内供电保障能力预测方法。与传统PV功率预测方法不同，该方法能够提供多样化的预测信息，包括保障功率、低出力时段和供电保障概率。PV
随着可再生能源渗透率的不断提高，确保供电可靠性与安全性已成为一项重大挑战。本文提出一种新型光伏（photovoltaic, PV）日内供电保障能力预测方法。与传统PV功率预测方法不同，该方法能够提供多样化的预测信息，包括保障功率、低出力时段和供电保障概率。PV保障功率代表对PV功率的保守预测，基于具有复合损失函数的卷积神经网络-双向门控循环单元（convolutional neural network-bidirectional gated recurrent unit, CNN-BiGRU）模型进行预测。PV低出力时段表示理论最大PV功率与实际PV功率之间的功率差额高于特定阈值的时间段，采用基于改进时空特征编码方法的混合梯度提升决策树与逻辑回归（hybrid gradient boosting decision tree and logistic regression, HGBDTLR）模型进行预测。供电保障概率代表PV功率短缺风险，通过基于梯度提升回归树（gradient boosted regression tree, GBRT）的分位数回归模型获得，并考虑不同的PV供电需求。此外，提出了包括保障率、保障能量比、成功指数、预测增益指数和概率预测准确度在内的新指标，以评估预测性能。基于中国西北某省的实际运行数据验证了所提方法的有效性。
**论文解读：光伏日内供电保障能力预测研究**
**一、研究背景与问题**
随着碳达峰、碳中和目标驱动，光伏（photovoltaic, PV）发电近年来发展迅速，但PV输出功率具有随机性、波动性和间歇性。传统PV功率预测方法主要分为确定性预测和概率预测两类。确定性预测追求整体预测精度，但在某些时段预测值可能高于实际值，导致调度人员高估光伏出力，可能引发功率短缺甚至大面积停电；概率预测虽能提供预测区间和置信水平，但无法给出低出力时段的起止时间，也未考虑功率短缺风险。因此，需要一种能够提供“保障功率”“低出力时段”和“供电保障概率”等多元化信息的预测框架，以支持高比例光伏接入下电力系统的安全、稳定与经济运行。
**二、研究内容与意义**
研究人员提出了一种新型PV日内供电保障能力预测方法，从三个方面量化供电保障能力：保障功率（guarantee power）是一种保守且可靠的功率预测，要求预测值不高于实际值，同时尽可能接近实际值，可作为调度计划的安全基线；低出力时段（low output power period）是理论最大PV功率（晴空功率）与实际功率之差超过特定阈值的时间段，可提前触发备用容量部署；供电保障概率（power supply guarantee probability）衡量未来时刻PV功率满足特定供电需求的概率，可量化功率短缺风险。该研究将预测目标从单纯的功率数值扩展到供电保障能力，为调度部门提供多维信息支持。论文发表在《Protection and Control of Modern Power Systems》。
**三、关键技术方法**
研究人员采用三种主要方法：（1）保障功率预测：基于卷积神经网络-双向门控循环单元（convolutional neural network-bidirectional gated recurrent unit, CNN-BiGRU）模型，并设计包含基本精度、上限约束和平滑性约束三项惩罚的复合损失函数（compound loss function）进行优化；（2）低出力时段预测：提出改进的样本时空特征编码方法，将出力状态编码为二进制序列并消除碎片化，再采用混合梯度提升决策树与逻辑回归（hybrid gradient boosting decision tree and logistic regression, HGBDTLR）模型进行分类预测；（3）供电保障概率预测：采用基于梯度提升回归树（gradient boosted regression tree, GBRT）的分位数回归（quantile regression）模型，结合核密度估计（kernel density estimation）和保障功率修正，得到不同供电需求下的概率。所用数据为中国西北某省195座光伏电站的实际运行数据，总装机13000 MW，时间范围为2021年1月至2022年5月，采样间隔15分钟；辐照度数据来自哥白尼大气监测服务（Copernicus Atmosphere Monitoring Service, CAMS）数据库。
**四、研究结果**
**A. 保障功率预测结果分析：**通过与传统确定性预测功率对比，传统预测的保障率仅为52.02%，而所提方法的保障率达到98.16%，保障能量比达93.61%，表明保障功率在保持高可靠性的同时具有较高精度。
**B. 不同预测模型对比：**将CNN-BiGRU与深度神经网络（deep neural network, DNN）、CNN、BiGRU、CNN-长短期记忆（long short-term memory, LSTM）、CNN-双向长短期记忆（bidirectional long short-term memory, BiLSTM）等模型比较，CNN-BiGRU获得最高的保障能量比（93.61%），且计算时间低于CNN-BiLSTM，综合性能最优。
**C. 不同损失函数对比：**与Huber损失和分位数损失相比，复合损失函数显著提高了保障率和保障能量比，说明复合损失函数能有效约束预测值不高于实际值并保持精度。
**D. 低出力时段预测结果分析：**在不同备用功率系数（0.05、0.1、0.15、0.2倍备用功率）下，HGBDTLR模型的召回率、准确率、成功指数和预测增益指数均优于逻辑回归（logistic regression, LR）、多层感知机（multi-layer perceptron, MLP）、随机森林（random forest, RF）、决策树（decision tree, DT）和装袋决策树（bagging decision tree, bagging DT）模型；配对样本t检验的p值均小于0.05，Cohen's d值均大于0.8，表明优势具有统计学显著性。
**E. 供电保障概率预测结果分析：**在不同供电需求场景下，基于GBRT的分位数回归模型的Brier分数和概率预测准确度均优于基于决策树和MLP的分位数回归模型，例如在0.75倍备用功率需求下，Brier分数低至0.0088，概率预测准确度达99.41%，验证了模型的灵活性和鲁棒性。
**五、讨论与结论**
针对所提预测结果的特点，研究人员提出了保障率、保障能量比、成功指数、预测增益指数和概率预测准确度等新评价指标，分别从可靠性、能量精度、分类综合能力、相比于随机猜测的改进程度以及概率预测精度等角度进行评估，弥补了传统指标在供电保障能力评估中的不足。研究结论可概括为：开发了一种PV供电保障能力预测方法，其具有三个科学贡献。第一，建立了PV供电保障能力的概念，从保障功率、低出力时段和供电保障概率三个方面引入供电保障能力的信息，扩展了可再生能源功率预测中的预测目标；第二，实现了预测模型的开发与应用，基于复合损失函数的CNN-BiGRU模型用于预测PV保障功率，基于改进时空特征编码的HGBDTLR模型用于预测低出力时段，基于GBRT的分位数回归模型用于计算考虑PV功率需求的供电保障概率；第三，提出了新的预测结果评价指标。针对保障功率、低出力时段和供电保障概率所进行的验证表明，所提出的预测方法保持了高水平的预测精度。该研究为高比例光伏电力系统的安全、稳定和经济运行提供了有力的技术支撑。
