考虑时空特征的两阶段多要素联合校正短期风能预测

来源：动力工程学报杂志2026年第6期北京时间：

作者：孔峰, 周辰龙, 李指贤,

摘要：为解决传统预测模型对时空关联特征提取不足的问题,提出一种考虑时空特征融合与多要素误差校正的两阶段短期风能预测框架。首先,采用具有信号保真特性的辛几何包对原始风电序列去噪分解,获得连续的时序特征值并将其与风电机组运行序列整合为时序特征矩阵;其次,引入具有空间建模能力的图卷积神经网络,将时序特征矩阵与风电场空间图结构整合为时空矩阵;最后,利用牛顿-拉夫逊算法优化的Transformer-双向长短期记忆网络(bidirectional long short-term memory,BiLSTM)模型对时空矩阵进行预测。利用预测模型建立动态误差校正机制,通过误差预测值校正原始预测结果,形成具有自修正能力的预测系统。结果表明:该模型的均方根误差、平均绝对误差相较于其他各组合对比模型分别平均降低41.4%和36.4%,决定系数平均提升6%,在春、夏、秋、冬数据集及72 h持续预测中均表现最优,大幅度提升了风能预测的准确率,为风电并网提供了可靠支持。

关键词：短期风能预测,时空特征,辛几何包分解,图卷积神经网络,牛顿-拉夫逊优化算法,误差校正,