基于多任务渐进式学习模型的风-光-荷功率短期预测

同一地区的风电、光伏和负荷功率与风速、辐照度和温度等气象因素密切相关,在电力系统不同运行场景下存在一定的互动耦合关系。为了捕获多源荷间的差异性和相关性,挖掘高维数据中蕴含的潜在规律,提出一种基于深度时空融合网络的多任务渐进式学习模型,实现风-光-荷联合功率预测。首先,基于深度时空融合网络设计共享信息与特有信息子网;然后,构建计及时空相关性的多任务渐进式学习模型,分别对风、光、荷功率的共享和特有时空信息进行由浅至深渐进式提取;最后,将共享信息与特有信息子网所得特征向量进行融合映射,实现对未来风-光-荷功率的联合预测。实际日前风-光-荷联合预测算例结果表明,所提模型可弥补现有多任务模型出现“负迁移”和“跷跷板”现象的不足,提高预测精度和稳健性。