近日，信电学院电气工程系赵永宁副教授课题组围绕可解释风电功率预测的关键问题，形成了多项创新成果，相关研究成果已在电气能源领域国际顶尖期刊 Applied Energy、人工智能交叉领域权威期刊 Expert Systems With Applications 上连续发表。

准确的风电功率预测是缓解大规模风电并网引起的电力系统运行不确定性的重要手段，现有的风电功率预测方法主要依赖深度学习模型，但其决策机理不透明，预测结果可解释性差，对预测不确定性认识不足，缺乏可信度，且不利于预测精度的进一步提升。因此，亟需开展风电功率预测模型可解释性研究，提取可用于模型改进的领域知识，开发兼具准确性和可解释性的预测模型。

研究成果1：以典型自解释模型LASSO为研究对象，提出了一种基于特征空间匹配和参数灵敏性检验的解释性框架，结合建立的风电功率时空相关性量化指标体系，挖掘时空信息与模型决策机制之间的关联关系，探究了时空信息对模型预测精度的影响机制。所提方法有效弥补了传统解释方法缺乏物理意义与解释能力上的不足，挖掘的领域知识为开发兼具预测精度和可解释性的风电功率预测模型提供了理论支持与改进思路。研究成果以论文 Interpreting LASSO regression model by feature space matching analysis for spatio-temporal correlation based wind power forecasting 在 Applied energy 上发表。2022级硕士研究生赵媛为该论文的学生第一作者。

研究成果1框架图

研究成果2：以深度学习模型为研究对象，提出了一种考虑多频率时序表征的风电功率预测方法，基于对比学习理论，提取了风电功率的不同频率分量，从而加强了预测模型对历史实测值与风电功率预测值之间映射关系的学习能力。针对风电场功率独立且非同分布的特征，构建了一种局部微调方法。同时，利用最优传输算法揭示了不同特征之间的交互效应以及各个特征对预测结果的贡献度。所提方法考虑了预测原理和风电功率特性是对传统数据增强方法一种很好的补充。所提方法融合了风电功率预测的内在机理与其时空特性，在此基础上为传统数据增强方法提供了有益的补充与扩展。研究成果以论文 Data-augmented trend-fluctuation representations by interpretable contrastive learning for wind power forecasting 在 Applied Energy 上发表。2022级硕士研究生廖浩涵为该论文的学生第一作者。

研究成果2框架图

研究成果3：针对传统图卷积神经网络对风电场之间相关性表征能力不足的问题，提出了一种基于多图卷积网络的风电功率组合预测方法，结合风电场地理位置、风速波动与功率分布等可解释领域知识，构建多维空间拓扑图。基于图卷积与时序卷积网络提取风电功率的时空特征，引入轻量化的时空注意力机制以增强模型的可解释性，并基于强化学习实现多图动态组合。所提方法有效提升预测性能与模型泛化能力，并从动态组合的角度为风电功率预测提供了新的实现思路。研究成果以论文 Interpretable multi-graph convolution network integrating spatio-temporal attention and dynamic combination for wind power forecasting 在 Expert Systems with Applications 上发表。2022级硕士研究生廖浩涵为该论文的学生第一作者。

研究成果3框架图

上述研究工作得到了国家自然科学基金项目（项目批准号：52207144）的资助。赵永宁副教授课题组长期从事新能源发电预测与并网运行、人工智能+能源领域的研究，针对多空间尺度（风力发电机、风电场、风电集群）和多时间尺度（超短期、短期、中长期）的准确、高效风电功率预测产出了一系列创新成果，为我国新型电力系统建设和清洁低碳能源转型提供了重要的技术支撑。