Page 184 - 《中国电力》2026年第5期

2026 年 第 59 卷

90 物理驱动模型； 4 结论
数据驱动模型；
60 融合驱动模型
本文提出了一种新型风电场超短期功率预测
30
误差/MW 0 方法，该方法融合物理驱动与数据驱动模型，提
升了功率预测精度，具体如下。
−30 1）所提方法可以有效提升数据驱动模型的精

−60 度与泛化能力，且组合多种预测方法比单一算法
更能有效提升预测能力。
0 12 24 36 48 60
采样点
2）构建了具有可解释性的物理数据融合功率
图 6 物理驱动、数据驱动及融合模型发电预测误差比较 预测数学模型，并通过实例验证了该融合模型在
Fig. 6 Comparison of forecasting errors in physics-
风电场超短期功率预测中的适用性。
driven, data-driven, and fusion models for
power generation
参考文献：
差如图 7 所示。从图 7 可以看出，融合模型的性
能 优 于 两 种 单 一 驱 动 模 型 ， 其 预 测 精 度 达 到
[1] 王泽森, 王宣元, 孔帅皓, 等. 计及多时间尺度碳排放因子的虚拟电
87.6%。同样，对测试集开展误差对比分析，如
厂-配电网协同调度 [J]. 中国电力, 2026, 59(3): 14–26.
表 1 所示，得出物理驱动模型在训练集上的性能
WANG Zesen, WANG Xuanyuan, KONG Shuaihao, et al.
略优于测试集，数据驱动模型在测试集上的性能
Coordinated dispatch of virtual power plant and distribution network
更优；而融合模型在训练集与测试集上的 RMSE
considering multi-time scale carbon emission factors[J]. Electric
和 MAE 均显著低于两种单一驱动模型，尤其在
Power, 2026, 59(3): 14–26.
测 试 集 上 ， 融 合 模 型 的 精 度 比 物 理 驱 动 模 型 高
[2] 贾东梨, 任昭颖, 刘科研, 等. 计及多种分布式能源的多端直流配电
35.17%，比数据驱动模型高 21.67%，表明融合模
网故障电流计算方法 [J]. 中国电力, 2026, 59(1): 84–96.
型相比单一驱动模型具有显著的预测优势。
JIA Dongli, REN Zhaoying, LIU Keyan, et al. Fault current
融合驱动 9.4 12.4 MAE； calculation method for multi-terminal DC distribution networks
RMSE
considering multiple distributed generation[J]. Electric Power, 2026,
59(1): 84–96.
模型 物理驱动 14.5 19.3 [3] 黄旭东, 胡彬, 赵志坚, 等. 构网型双馈风电机组机电耦合特性建模

与轴系扭振分析 [J]. 电力系统自动化, 2025, 49(23): 68–76.
数据驱动 12 19.9 HUANG Xudong, HU Bin, ZHAO Zhijian, et al. Modeling of

electromechanical coupling characteristics and analysis of shaft
0 4 8 12 16 20 oscillation for grid-forming doubly-fed wind turbine[J]. Automation
误差/MW
of Electric Power Systems, 2025, 49(23): 68–76.
图 7 不同驱动模型预测误差指标
[4] 郝露茜, 刘琳, 刘白杨, 等. 基于变分模态分解和麻雀搜索算法的双
Fig. 7 Bar chart of prediction error metrics for different
driving models 向长短期记忆网络的风电短期功率预测方法研究 [J]. 湖南电力,

2024, 44(3): 89–95.
表 1 不同方法在训练集上的误差比较
Table 1 Comparison of errors among different methods HAO Luxi, LIU Lin, LIU Baiyang, et al. Research on short-term
on the training set
wind power prediction method of bidirectional long short-term
单位：MW
memory based on variational mode decomposition and sparrow
模型 E RMS E MA
search algorithm[J]. Hunan Electric Power, 2024, 44(3): 89–95.
物理驱动 18.024 8 12.648 9
[5] 严新荣, 童跃平, 马奎超, 等. 风电机组叶片防除冰关键技术研究综
数据驱动 24.197 6 14.302 5
述与展望 [J]. 中国电力, 2026, 59(3): 103–113.
融合模型 12.899 0 8.988 2
YAN Xinrong, TONG Yueping, MA Kuichao, et al. Review and

180