基于非对称样本权重的新能源日前功率预测优化方法与流程

本发明涉及电力系统预测，特别是基于非对称样本权重的新能源日前功率预测优化方法。

背景技术：

1、新能源发电基地所处的地理区域往往正是极端天气的高发地带。寒潮侵袭导致的大范围低温覆冰、持续性静稳天气引发的长时间低风速与低光照、夏季高温热浪伴随的负荷激增与设备降额、以及大雾、大风等突发性灾害天气，均频繁作用于新能源场站的运行环境。这些极端天气事件进一步放大了新型电力系统源侧固有的随机波动性，使得出力曲线在短时间内出现剧烈爬坡或陡降，给高比例新能源接入下的系统优化运行带来了严峻挑战。

2、这一挑战集中体现在两个相互关联的层面。一方面，极端天气具有低概率、群发性、持续性强及多灾种复合等显著特征，其具体演化路径、关键转折过程及形成机理受到大气环流异常、局地微地形强迫以及多物理场交互等多重因素的共同作用，呈现出高度的非线性和非平稳性。这使得新能源功率的高精度预测极为困难，传统基于历史统计规律的外推方法在极端天气情景下往往出现系统性偏差，模型泛化能力严重不足。另一方面，当新能源预测功率的精度处于较低水平时，以此为边界条件制定的电力系统调度策略将面临经济性与安全性的双重劣化。低精度预测结果不仅直接削弱调度计划的可执行性，还可能在负荷高峰与极端天气持续叠加的时段，导致系统备用容量不足、电力电量严重失衡，甚至引发频率跌落、连锁故障等运行风险，对系统的充裕性与安全稳定运行构成实质性威胁。

3、常规预测模型通常假设训练数据服从独立同分布且各类天气样本相对均衡，但在实际数据集中，常态天气样本占据绝对主导地位，而寒潮、覆冰、持续高温等极端天气事件属于典型的低概率、长尾事件，样本数量极为稀少且分布严重偏态。在此条件下直接训练模型，将导致模型的学习重心天然地向常态样本倾斜，对极端样本的拟合严重不足，预测误差在极端天气时段呈数量级放大。常规预测模型普遍采用均方误差、平均绝对误差等对称损失函数作为优化目标，其隐含假设是高估与低估具有同等的经济代价。然而，在极端天气引发的电力系统运行场景中，预测偏差的方向性具有截然不同的风险含义——功率的严重高估可能导致旋转备用不足、引发电网频率跌落甚至切负荷风险，而低估则主要造成弃风弃光等经济性损失。对称损失函数无法反映这种非对称的风险结构，使得模型在训练过程中无法有针对性地规避高代价方向的预测偏差，导致模型在极端天气下的预测结果往往偏向于风险较高的误差方向。

4、目前，针对极端天气下新能源功率预测的研究，主要集中在天气过程的识别及其对电力系统影响的机理建模方面，且多针对单一极端天气类型展开。在冬季寒潮场景下，已有研究建立了风电场结冰功率损失预测模型。在转折性天气识别方面，部分学者引入了门控循环单元分类器与面向对象的诊断检验方法，构建短期风电功率预测模型，重点对转折性风速序列进行识别与检验，以提升爬坡事件的捕捉能力。此外，针对寒潮天气下的功率损失预判，研究者提出了基于注意力机制的二分类模型，并采用时序生成对抗网络扩充寒潮样本以缓解样本稀缺问题；在此基础上，融合xgboost与transformer算法，分别建立了功率基准值与损失值的预测体系。

5、总体来看，现有研究在模型构建、误差修正及策略调整方面呈现出明显的分散性，往往仅针对单一类型极端天气（如寒潮、大风等）分别进行精细化建模，且大多沿用基于对称损失函数的常规优化目标，未能反映极端场景下高估与低估风险代价的非对称性。这种分类型、对称化的研究范式，导致各方法在天气类型覆盖、样本失衡处理与风险偏好表达等方面相互割裂，尚未形成一套面向多极端天气情景的统一预测优化框架。

技术实现思路

1、本发明的目的在于克服现有技术的缺点，提供一种基于非对称样本权重的新能源日前功率预测优化方法。

2、本发明的目的通过以下技术方案来实现：基于非对称样本权重的新能源日前功率预测优化方法，该方法包括以下步骤：

3、s1、获取新能源场站的多源气象数据与历史功率数据，对所述多源气象数据进行数据清洗、时空对齐及特征融合，得到融合后的气象特征数据；

4、s2、基于所述融合后的气象特征数据与历史功率数据，构建多维特征向量，所述多维特征向量至少包含物理特征和历史功率统计特征；

5、s3、将所述多维特征向量输入至预先构建的梯度提升决策树模型中进行训练，以均方误差或平均绝对误差为损失函数，输出常规天气条件下的基础功率预测结果；

6、s4、对各气象变量采用统计分位数方法定义极端天气阈值，根据所述极端天气阈值判定极端天气发生时刻，并构建连续极端强度指标以刻画极端天气的强度等级；基于所述极端强度指标，构建非对称样本权重函数，对处于极端天气状态的样本赋予高于常规天气样本的权重，并以加权损失函数替代原始损失函数进行模型训练，得到针对不同极端天气类型的多个子模型；

7、s5、实时识别当前预测时刻的极端天气类型及对应的极端强度指标，根据各极端天气类型的强度，将所述多个子模型的预测结果进行自适应融合，输出最终的新能源日前功率预测结果。

8、具体的，所述多源气象数据至少包括数值天气预报数据；所述数据清洗采用四分位距法或物理阈值法剔除异常值；所述时空对齐包括采用线性插值进行时间对齐和采用双线性插值进行空间对齐；所述特征融合包括基础特征融合和衍生特征融合。

9、具体的，所述物理特征包括空气密度、风切变指数、太阳高度角、太阳方位角中的一种或多种；所述历史功率统计特征包括日前历史功率、日内历史功率、历史功率平均值、历史功率标准差中的一种或多种。

10、具体的，所述梯度提升决策树模型采用lightgbm算法，并利用基于梯度的单边采样和互斥特征捆绑策略进行训练加速；

11、其中，单边采样策略为：

12、；

13、式中，为样本i的最终加权梯度；为样本i的原始梯度，i为样本索引，表示当前训练样本。为大梯度样本集合，为梯度样本随机采样集合，a为大梯度样本所占比例，b为随机采样率。

14、互斥特征捆绑策略为：

15、；

16、式中，为原始特征；为第i个原始特征；m为原始特征总数；为捆绑后的特征；为第i个特征捆绑包；k为捆绑包数量；为第j个特征捆绑包；为第j个特征捆绑包的第n个互斥特征。

17、具体的，所述连续极端强度指标通过对所述极端天气阈值进行软化处理，采用s型函数或分段线性函数将硬阈值判定转换为连续取值，使得所述极端强度指标在常规天气区间的取值趋近于零，在极端天气区间的取值随偏离程度单调递增，且取值范围被约束至[0,1]区间。

18、具体的，所述非对称样本权重函数为：

19、；

20、式中，>1为非线性增强参数；为第i个样本所属的极端天气类型，如大风、低温、覆冰、雾霾等；为依据对应极端天气类型的气象指标及判定阈值计算得到的归一化天气强度，其取值范围为0～1；=1和=3分别为样本加权机制统一设置的最低和最高权重边界；为第i个样本最终获得的权重系数。

21、具体的，所述加权损失函数为：

22、；

23、式中，l为加权损失函数值，用于衡量模型预测结果与真实值之间的总体误差；n为训练样本总数；i为样本索引，表示第i个训练样本；为第i个样本的权重系数，根据样本的重要程度或预测难度进行设置，用于增强关键样本（如极端天气样本）的训练贡献；为第i个样本的真实新能源功率值；为模型预测的第i个样本的新能源功率值。

24、具体的，所述自适应融合采用基于极端强度的softmax权重融合策略，融合权重计算公式为：

25、；

26、式中，为平滑参数，用于调节不同模型权重的差异程度；为第k个极端天气模型出力预测值；为融合后的新能源日前功率预测值；为第k个模型对应的极端天气强度评价指标；e为自然常数； 为基于softmax函数计算得到的第k个模型融合权重；j为模型索引，用于遍历参与融合的各极端天气预测模型；为第j个模型对应的极端天气强度评价指标。

27、具体的，当同时存在多种极端天气时，所述s5中自适应融合进一步包括：先分别计算各极端天气类型对应的子模型的预测结果，再根据各极端天气强度的大小，采用所述softmax权重分配各子模型的贡献比例，使得强度越大的极端天气类型对应的子模型在最终预测中占据越高的权重。

28、具体的，所述连续极端强度指标构建为：

29、；

30、式中，为连续极端强度指标；x为气象变量；t为对应气象变量的极端阈值；为该气象变量的最大值；为该气象变量的最小值；为防止分母为零的微小正数；high-value表示高值型极端天气变量（如风速、气温等超过阈值时极端程度随变量增大而增强）；low-value表示低值型极端天气变量（如低温、能见度等低于阈值时极端程度随变量减小而增强）。

31、本发明具有以下优点：

32、1、采用统计分位数方法定于各种极端天气阈值以此识别极端天气发生时刻。并定义连续强度指标刻画极端天气强度。针对极端样本稀缺问题，引入基于强度的连续权重函数。该机制使得模型在训练过程中强化极端天气误差，抑制常规天气样本主导效应从而实现极端场景预测性能的提升。针对不同天气类型独立训练模型，使模型能够学习不同气象条件下的功率变化规律。在预测阶段，根据极端天气强度进行自适应融合；

33、2、本发明的优点在于显著提升了寒潮、高温、大风、雾霾等多类极端天气下新能源日前功率预测的精度与稳定性，同时避免了天气状态切换时的输出跳变，为电网调度提供更可靠的风险导向型预测边界。方法通用性强，可灵活适配风电/光伏及不同基模型，具备良好的工程化部署前景，能够有效支撑高比例新能源电力系统在极端天气下的电力电量平衡与安全运行。