AE-RL 驱动的 GSTC-GAN 风电超预模型

志有 张(金海生物科技有限公司，中国;)
志睿 张(旭川化学（福建）有限公司，中国;)
韫蕾 冯(昌吉学院，中国;)
世文 杨(甘肃工业职业技术大学，中国;)

摘要

风电超短期预测对电网精准调度和稳定运行具有深刻的意义,但风电的波动性及不稳定性对风电并网具有诸多挑战。本文创新性地提出了一种基于自编码器(AE)和强化学习(RL)驱动的时空注意力生成对抗网络(GSTC-GAN)用于风电超短期预测模型。该模型主要利用AE降噪和提取数据特征,降低风电数据复杂性,然后利用GSTC-GAN的生成器借助时空注意力机制挖掘风电数据时空关联从而生成预测数据,判别器区分真实与生成数据,二者进行对抗训练提升生成器的预测性能;RL按照预测误差反馈进行动态调整GSTC-GAN的参数,实现网络智能化优化,增强模型适应性。实验表明,AE-RL驱动的GSTC-GAN融合模型在MAE、RMSE、MAPE、R2等评价指标上均优于LSTM、GRU、DBN等传统模型,为提高风电超短期预测精度提供了有效的新思路与新方法。

关键词

风电超短期预测；自编码器；强化学习；时空注意力生成对抗网络

参考

张扬帆,李奕霖,叶林,等.低温天气下考虑风机运行状态聚类的短期风电功率预测方法[J].发电技术, 2025,46(02):326-335.

陈仪,刘春元.基于聚类集合的EMD-CNN-BiLSTM自注意力机制短期电力负荷预测[J].软件工程,2025,28(03):1-5+46.

王建军,潘佳音,赵珍珠,等.基于特征时间双注意力机制的短期光伏发电预测深度学习模型研究[J].智慧电力,2025,53(04):81-87.

郭韶昕,陈祥,周枫.基于CEEMD-IDA-SVM的风电功率短期预[J].上海电机学院学报,2022,25(06):339-345.

王光华,李晓影,宋秉睿,等.基于深度强化学习的配电网负荷转供控制方法[J].电力自动化设备,2022,42(07):253-260.

冯昌森,汤飞霞,王国烽,等.基于融合经验安全强化学习的配电网电压控制[J].电力系统自动化, 2025,49(08):169-177.

郑晨,刘书铭,李琼林,等.基于多场景的配电网电压序列协调技术发展研究[J].自动化与仪器仪表,2025,(04): 274-277+282.

逯静,张燕茹,王瑞.基于BWO优化VMD和TCN-BiGRU的短期风电功率预测[J].工程科学与技术,2025,57(03):31-41.

陈梦娇,陈为真,张岳.差分进化优化的风电功率混合预测模型[J]. 重庆理工大学学报(自然科学), 2025,39(04):217-226.

黄娇.基于VMD和改进CNN-LSTM的短期电力负荷组合预测方法研[D].燕山大学,2022.

Bilin L ,Huaiyuan W ,Yang Z , et al. Real-time power system generator tripping control based on deep reinforcement learning [J]. International Journal of Electrical Power and Energy Systems, 2022, 141.

DOI: http://dx.doi.org/10.12345/dlynyqy.v3i10.32940