Ultra-short-term Wind Speed Prediction Model for Wind Farms Based on Spatiotemporal Neural Network

Hang FAN; Xuemin ZHANG; Shengwei MEI; Zhongliang YANG

doi:10.7500/AEPS20190831001

您当前的位置：

首页 >

文章列表页 >

Ultra-short-term Wind Speed Prediction Model for Wind Farms Based on Spatiotemporal Neural Network

Special Topic on Forecasting Technology and Its Application in Power Systems with Renewable Energy Sources | 更新时间：2025-06-16

- Ultra-short-term Wind Speed Prediction Model for Wind Farms Based on Spatiotemporal Neural Network
- Automation of Electric Power Systems Vol. 45, Issue 1, Pages: 28-35(2021)
- 作者机构：
  
  1.清华大学电机工程与应用电子技术系，北京市 100084
  2.电力系统及大型发电设备安全控制和仿真国家重点实验室，清华大学，北京市 100084
  3.清华大学电子工程系，北京市 100084
- 作者简介：
- 基金信息：
  
  National Key R&D Program of China;State Grid Corporation of China
- DOI：10.7500/AEPS20190831001
  CLC：
- Received：31 August 2019，
  
  Revised：2019-11-16，
  
  Published Online：25 December 2020，
  
  Published：10 January 2021
- 稿件说明：
移动端阅览
凡航,张雪敏,梅生伟等.基于时空神经网络的风电场超短期风速预测模型[J].电力系统自动化,2021,45(01):28-35.

FAN Hang,ZHANG Xuemin,MEI Shengwei,et al.Ultra-short-term Wind Speed Prediction Model for Wind Farms Based on Spatiotemporal Neural Network[J].Automation of Electric Power Systems,2021,45(01):28-35.
凡航,张雪敏,梅生伟等.基于时空神经网络的风电场超短期风速预测模型[J].电力系统自动化,2021,45(01):28-35. DOI： 10.7500/AEPS20190831001.

FAN Hang,ZHANG Xuemin,MEI Shengwei,et al.Ultra-short-term Wind Speed Prediction Model for Wind Farms Based on Spatiotemporal Neural Network[J].Automation of Electric Power Systems,2021,45(01):28-35. DOI： 10.7500/AEPS20190831001.

摘要

随着风电场的大规模接入

提高风电场风速的预测精度对于促进可再生能源的消纳具有重大意义。传统的预测方法通常根据风电场单一高度的历史风速进行预测，当预测的时间尺度达到三四小时的时候，预测误差较大。不同高度的风速、风向数据蕴含了风电场内部的时空相关性，数值天气预报数据也体现了风电场周边的大气运动对风速发展规律的影响。文中在输入数据层面，同时引入了不同高度的风速、风向数据和数值天气预报数据。为了充分挖掘数据中的规律，提出了一种新的时空神经网络，采用深度卷积神经网络和双向门控循环单元，分别提取风速、风向等历史数据以及数值天气预报的时空特征，并利用融合后的特征进行风速预测。最后，利用中国东北某风电场的实际测量数据，验证了算法的有效性。

Abstract

With the large-scale integration of wind farms

improving the prediction accuracy of wind speed in wind farms is of great significance to promote the consumption of renewable energy. Traditional prediction methods are usually based on the historical wind speed of a single altitude in the wind farm. When the prediction horizon reaches about three or four hours

the prediction error becomes relatively large. Wind speed and direction data at different altitudes contain the spatiotemporal correlation and the numerical weather prediction data reflects the influence of atmospheric motion around the wind farm on the variation of wind speed. In this paper

wind speed and direction data at different altitudes and numerical weather prediction data are introduced at the input data level. In order to fully exploit the rules of data

a new spatiotemporal neural network (STNN) is proposed. The deep convolutional network and the bidirectional gated recurrent unit are used to extract the spatiotemporal features of historical wind speed

wind direction and numerical weather prediction

respectively. The fused features are used to predict the wind speed. Finally

the actual measurement data of a wind farm in northeast China is used to verify the effectiveness of the algorithm.

关键词

Keywords

references

薛禹胜，郁琛，赵俊华，等 . 关于短期及超短期风电功率预测的评述［J］. 电力系统自动化， 2015 ， 39 （ 6 ）： 141 - 151 .

XUE Yusheng ， YU Chen ， ZHAO Junhua ， et al . A review on short-term and ultra-short-term wind power prediction ［J］. Automation of Electric Power Systems ， 2015 ， 39 （ 6 ）： 141 - 151 .

YUAN X M . Overview of problems in large-scale wind integrations ［J］. Journal of Modern Power Systems and Clean Energy ， 2013 ， 1 （ 1 ）： 22 - 25 .

MU G ， YANG M ， WANG D ， et al . Spatial dispersion of wind speeds and its influence on the forecasting error of wind power in a wind farm ［J］. Journal of Modern Power Systems and Clean Energy ， 2016 ， 4 （ 2 ）： 265 - 274 .

国家电网有限公司 . 风电功率预测功能规范： Q/GDW 10588—2015 ［S］. 北京：中国电力出版社 .

State Grid Corporation of China . Function specification of wind power forecasting ： Q/GDW 10588—2015 ［S］. Beijing ： China Electric Power Press .

丁藤，冯冬涵，林晓凡，等 . 基于修正后ARIMA-GARCH模型的超短期风速预测［J］，电网技术， 2017 ， 41 （ 6 ）： 1808 - 1814 .

DING Teng ， FENG Donghan ， LIN Xiaofan ， et al . Ultra-short-term wind speed forecasting based on improved ARIMA-GARCH model ［J］. Power System Technology ， 2017 ， 41 （ 6 ）： 1808 - 1814 .

赵征，汪向硕，乔锦涛 . 基于VMD和改进ARIMA模型的超短期风速预测［J］. 华北电力大学学报， 2019 ， 46 （ 1 ）： 54 - 59 .

ZHAO Zheng ， WANG Xiangshuo ， QIAO Jintao . Ultra-short-term wind speed prediction based on VMD and improved ARIMA model ［J］. Journal of North China Electric Power University ， 2019 ， 46 （ 1 ）： 54 - 59 .

ZHANG G ， LIU H C ， ZHANG J B ， et al . Wind power prediction based on variational mode decomposition multi-frequency combinations ［J］. Journal of Modern Power Systems and Clean Energy ， 2019 ， 7 （ 2 ）： 281 - 288 .

朱乔木，李弘毅，王子琪，等 . 基于长短期记忆网络的风电场发电功率超短期预测［J］. 电网技术， 2017 ， 41 （ 12 ）： 3797 - 3802 .

ZHU Qiaomu ， LI Hongyi ， WANG Ziqi ， et al . Short-term wind power forecasting based on LSTM ［J］. Power System Technology ， 2017 ， 41 （ 12 ）： 3797 - 3802 .

张文，胡从川，阙波，等 . 一种实时校正的改进BP神经网络超短期风速预测模型［J］. 电网与清洁能源， 2016 ， 32 （ 9 ）： 118 - 127 .

ZHANG Wen ， HU Congchuan ， QUE Bo ， et al . An ultra-short-term wind speed prediction model based on improved BP neural network with real-time correction ［J］. Power System and Clean Energy ， 2016 ， 32 （ 9 ）： 118 - 127 .

陈宁，薛禹胜，丁杰，等 . 利用空间相关性的超短期风速预测［J］. 电力系统自动化， 2017 ， 41 （ 12 ）： 124 - 130 .

CHEN Ning ， XUE Yusheng ， DING Jie ， et al . Ultra-short term wind speed prediction using spatial correlation ［J］. Automation of Electric Power Systems ， 2017 ， 41 （ 12 ）： 124 - 130 .

杨正瓴，赵强，吴炳卫，等 . 采用 k 近邻进行空间相关性超短期风速预测［J］. 电力系统自动化设备， 2019 ， 39 （ 3 ）： 175 - 181 .

YANG Zhengling ， ZHAO Qiang ， WU Bingwei ， et al . Ultra-short term wind speed prediction based on spatial correlation by k -nearest neighbor ［J］. Electric Power Automation Equipment ， 2019 ， 39 （ 3 ）： 175 - 181 .

杨正瓴，刘阳，张泽，等 . 采用最近历史观测值和PLSR进行空间相关性超短期风速预测［J］. 电网技术， 2017 ， 41 （ 6 ）： 1815 - 1822 .

YANG Zhengling ， LIU Yang ， ZHANG Ze ， et al . Ultra-short-term wind speed prediction with spatial correlation using recent historical observations and PLSR ［J］. Power System Technology ， 2017 ， 41 （ 6 ）： 1815 - 1822 .

叶林，赵永宁 . 基于空间相关性的风电功率预测研究综述［J］. 电力系统自动化， 2014 ， 38 （ 14 ）： 126 - 135 .

YE Lin ， ZHAO Yongning . A review on wind power prediction based on spatial correlation approach ［J］. Automation of Electric Power Systems ， 2014 ， 38 （ 14 ）： 126 - 135 .

乔颖，鲁宗相，闵勇 . 提高风电功率预测精度的方法［J］. 电网技术， 2017 ， 41 （ 10 ）： 3261 - 3268 .

QIAO Ying ， LU Zongxiang ， MIN Yong . Research and application of raising wind power prediction accuracy ［J］. Power System Technology ， 2017 ， 41 （ 10 ）： 3261 - 3268 .

彭晨宇，陈宁，高丙团 . 结合多重聚类和分层聚类的超短期风电功率预测方法［J］. 电力系统自动化， 2020 ， 44 （ 2 ）： 172 - 179 .

PENG Chenyu ， CHEN Ning ， GAO Bingtuan . Ultra-short-term wind power forecasting method combining multiple clustering and hierarchical clustering ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 2 ）： 172 - 179 .

WU W Z ， CHEN K J ， QIAO Y ， et al . Probabilistic short-term wind power forecasting based on deep neural networks ［C］// 2016 International Conference on Probabilistic Methods Applied to Power Systems （PMAPS）， October 16 - 20 ， 2016 ， Beijing， China.

ZHANG J ， ZHENG Y ， QI D . Deep spatio-temporal residual networks for citywide crowd flows prediction ［C］// Proceedings of the Thirty-First AAAI Conference on Artificial Intelligence （AAAI-17）， February 4 - 9 ， 2017 ， San Francisco， USA.

YU H Y ， WU Z H ， WANG S Q ， et al . Spatiotemporal recurrent convolutional networks for traffic prediction in transportation networks ［J］. Sensors ， 2017 ， 17 （ 7 ）： 1501 .

牛哲文，余泽远，李波，等 . 基于深度门控循环单元神经网络的短期风功率预测模型［J］. 电力自动化设备， 2018 ， 38 （ 5 ）： 36 - 42 .

NIU Zhewen ， YU Zeyuan ， LI Bo ， et al . Short-term wind power forecasting model based on deep gated recurrent unit neural network ［J］. Electric Power Automation Equipment ， 2018 ， 38 （ 5 ）： 36 - 42 .

CHO K ， VAN M ， GULCEHRE C ， et al . Learning phrase representations using RNN encoder-decoder for statistical machine translation ［EB/OL］. ［ 2014-06-03 ］. https：//arxiv.org/abs/1406.1078 https://arxiv.org/abs/1406.1078 .

ZHOU Q ， YANG N ， WEI F ， et al . Selective encoding for abstractive sentence summarization ［EB/OL］. ［ 2019-04-27 ］. https：//arxiv.org/abs/1704.07073 https://arxiv.org/abs/1704.07073 .

ZHAO Y ， YE L ， LI Z ， et al . A novel bidirectional mechanism based on time series model for wind power forecasting ［J］. Applied energy ， 2016 ， 177 ： 793 - 803 .

HUANG G ， LIU Z ， VAN DER MAATEN L ， et al . Densely connected convolutional networks ［C］// 2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， July 21 - 26 ， 2017 ， Honolulu， USA.

RONNEBERGER O ， FISCHER P ， BROX T . U-net： convolutional networks for biomedical image segmentation ［EB/OL］. ［ 2019-05-18 ］. https：//arxiv.org/abs/1505.04597v1 https://arxiv.org/abs/1505.04597v1 .

YAO H ， WU F ， KE J ， et al . Deep multi-view spatial-temporal network for taxi demand prediction ［EB/OL］. ［ 2019-02-23 ］. https：//arxiv.org/abs/1802.08714v1 https://arxiv.org/abs/1802.08714v1 .

GOOFELLOW I ， BENGIO Y ， COURVILLE A . Deep learning ［M］. Cambridge， USA ： The MIT Press ， 2016 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

风电经柔直送出系统送端交流故障低电压穿越策略

基于单机模型扩展的直驱风电场通用等值模型构建方法

基于虚拟调速控制的大型孤岛新能源基地LCC直流送出方案

Day-ahead Topology Optimization for Wind Farm Without Forecasting Based on Improved Deep Q Network

Dynamic Equivalent Modeling with Physics-Data Fusion for Wind Farm Based on Characteristics of Multiple Spatio-Temporal Scales

Related Author

ZHONG Shuwei

CHE Yanbo

SU Jianbo

CHEN Yijing

LI Chunhua

LI Dongsheng

CAO Qianni

LAI Qiping

Related Institution

College of Electrical and Information Engineering, Hunan University

Guangzhou Power Supply Bureau of Guangdong Power Grid Co., Ltd.

School of Electrical Engineering and Automation, Wuhan University

School of Electric Power, South China University of Technology

⁰