基于ST-GAT与两阶段误差修正的区域风电场群超短期功率预测OA

针对区域风电功率预测面临的全场建模维度高,以及线性升尺度方法受“恒定比例假设”局限而产生非线性系统偏差等问题,提出一种基于时空图注意力网络(spatio-temporal graph attention network,ST-GAT)的“降维升尺度+物理残差修正”两阶段超短期预测方法。首先,利用K-means聚类选取代表站,并结合线性升尺度策略高效获取区域功率的基础趋势;随后,鉴于尾流效应证实了场内上下游机组间存在受气象驱动的动态空间关联,构建风向引导的ST-GAT误差修正模型。该模型引入风速、风向作为物理驱动因子,利用图注意力机制挖掘空间拓扑的演变规律,从而对升尺度偏差进行精准补偿。基于某大型风电场实测数据的算例表明,所提方法在保证计算效率的同时显著提升了预测精度,决定系数R^(2)达0.710 9,相较于基准升尺度方法提升约11.4%,且归一化均方根误差降至14.98%。所提方法可有效提高复杂风况下区域风电功率预测的准确性。