准确可靠的风光发电功率与负荷预测结果是保障电力系统安全经济运行的必要前提。然而当前源端逐年攀升的可再生能源并网比例与荷端不断增加的电力需求响应不仅对风光发电功率的预测精度提出了更高的要求，也为负荷预测带来了新的挑战。由于风电功率、光伏发电功率和负荷与风速、温度、辐照度、相对湿度等气象因素密切相关，三者在电力系统不同运行场景下均存在着一定的互动耦合关系，若能在预测时将此种关系考虑在内，可实现预测精度的有效提升。然而现有研究对风光荷间的动态耦合关系考虑不足，已难以应对源荷两端逐渐增加的不确定性对电力系统所带来的冲击。因此在新型电力系统预测过程中，建立考虑风光荷动态耦合关系的风光荷一体化预测模型十分重要。

针对这一问题，刘永前教授课题组提出了基于变量注意力机制-多任务学习的风光发电功率与负荷联合预测方法。首先，采用变量注意力机制提取风光荷的关键输入信息；其次，基于多任务学习与全连接神经网络同时进行风功率预测任务与光功率预测任务，并引入同方差不确定性以实现不同预测任务损失权重的自动寻优；最后，基于长短期记忆神经网络建立了考虑未来风光发电功率信息的负荷预测模型，即除历史负荷数据外，亦将得到的风光发电功率预测结果作为输入变量。测试结果表明：与相应传统方法相比，各风电场、各光伏电站与负荷功率预测均方根误差平均分别降低了4.84%、1.86%和3.02%。本研究不仅可减少预测模型数量，减轻预测工作量，还可实现风光荷预测精度的同时提升。

▲基于变量注意力机制-多任务学习的风光荷一体化预测方法结构图

该研究成果以“风光发电功率与用电负荷联合预测方法研究”为题获得了华北电力大学优秀博士学位论文，该论文作者为华北电力大学开云(中国)Kaiyun学院博士生王函，导师是开云(中国)Kaiyun系统国家重点实验室刘永前教授。此外基于该成果研发了区域大型集中式风光功率预测系统，目前已应用于江西省20多个风光发电站。

▲江西省风光预测系统界面

该研究成果受到国家重点研发计划“蒙古国南戈壁区域风能资源时空特性及中蒙风电合作开发场景研究（2017YFE0109000）”，国家自然科学基金“风电功率多尺度预测不确定性及其对电力系统经济调度的影响机理研究（51707063）”资助。