基于数据物理混合驱动的超短期风电功率预测模型

为提升超短期风电功率预测精度,提出一种数据-物理混合驱动的超短期风电功率预测方法。首先,构建一种融合双向门控循环单元的残差网络结构,将其在测试集的预测结果作为预测模板。然后,根据风速-风电转换特性,基于多项式-线性回归模型拟合风电场风速-功率曲线,在风速高波动时点,以物理机理透明的风速-功率曲线进行预测。最后,根据风速波动阈值建立不同模型之间的动态切换机制,按切换的时点修改模板预测值,对于修正风速小于切入风速的时点,将预测值置零。在吉林省某装机容量为400.5 MW的风电场提供的数据上进行仿真实验得到,测试集第16步预测的平均归一化均方根误差为0.1589,全部切换中有利切换占比达到90.86%,验证了提出的超短期风电功率预测模型的有效性和适用性。

物理-数据-知识混合驱动的人机混合增强智能系统管控方法

当代系统认知、管理与控制的核心理论、方法与技术已经转移到大数据和人工智能技术上,这导致当前人工智能技术条件局限与复杂系统认知、管理、控制的需求之间形成了一道鸿沟。因此,现实的需求催生了人工智能的一种新型形态——人机混合增强智能形态,即人类智能与机器智能协同贯穿于系统认知、管理、控制等过程的始终,人类的认知和机器智能认知互相混合,形成增强型的智能形态,这种形态是人工智能或机器智能可行的、重要的成长模式。提出了一种物理-数据-知识混合驱动的人机混合增强智能系统管控方法。从可信分布式数据、计算和算法,物理深度学习,融合系统运行规则的混合型深度强化学习,因果分析,可解释性AI与数字人5个方面详细阐述了所提方法。最后,以电力系统调控为背景,以3个应用为例分析了所提方法的应用方式和技术路径。