Offshore Wind Power Prediction Based on Improved Long-term Recurrent Convolutional Neural Network

Yongliang ZHOU; Guangzheng YU; Jiangfeng LIU; Ziheng SONG; Pei KONG

doi:10.7500/AEPS20191212003

您当前的位置：

首页 >

文章列表页 >

Offshore Wind Power Prediction Based on Improved Long-term Recurrent Convolutional Neural Network

Basic Research | 更新时间：2025-06-16

- Offshore Wind Power Prediction Based on Improved Long-term Recurrent Convolutional Neural Network
- Automation of Electric Power Systems Vol. 45, Issue 3, Pages: 183-191(2021)
- 作者机构：
  
  上海电力大学电气工程学院，上海市 200090
- 作者简介：
- 基金信息：
  
  National Natural Science Foundation of China
- DOI：10.7500/AEPS20191212003
  CLC：
- Received：12 December 2019，
  
  Revised：2020-03-30，
  
  Published Online：08 July 2020，
  
  Published：10 February 2021
- 稿件说明：
移动端阅览
周勇良,余光正,刘建锋等.基于改进长期循环卷积神经网络的海上风电功率预测[J].电力系统自动化,2021,45(3):183-191.

ZHOU Yongliang,YU Guangzheng,LIU Jiangfeng,et al.Offshore Wind Power Prediction Based on Improved Long-term Recurrent Convolutional Neural Network[J].Automation of Electric Power Systems,2021,45(3):183-191.
周勇良,余光正,刘建锋等.基于改进长期循环卷积神经网络的海上风电功率预测[J].电力系统自动化,2021,45(3):183-191. DOI： 10.7500/AEPS20191212003.

ZHOU Yongliang,YU Guangzheng,LIU Jiangfeng,et al.Offshore Wind Power Prediction Based on Improved Long-term Recurrent Convolutional Neural Network[J].Automation of Electric Power Systems,2021,45(3):183-191. DOI： 10.7500/AEPS20191212003.

摘要

准确的风电功率预测对海上风电安全并网具有重要意义。不同于陆地，海上具有气象因素复杂、风电出力波动显著等特点，使得海上风电功率预测精度难以满足工程实际要求。针对以上问题，文中提出一种基于改进长期循环卷积神经网络（LRCN）的预测模型，用于超短期海上风电功率预测。首先，采用改进LRCN进行初步功率预测，即构建多卷积通道分别提取不同层次变量的时序特征，并通过具有前瞻性的改进Adam优化器提升网络收敛效果。其次，利用摇摆窗算法与波动特征聚类识别预测时段的出力波动类型。再次，针对不同的波动类型建立对应的误差修正模型，并输入经Xgboost算法筛选出的强相关特征因子，实现误差修正。最后，采用实际海上风电场数据进行实验，其结果表明所提方法能够有效预测超短期海上风电功率，且预测精度高于多种传统预测模型。

Abstract

Accurate wind power prediction is of great significance to the safe connection of offshore wind power for the grid. Different from the land

the sea has the characteristics of complicated meteorological factors and significant fluctuation of wind power output

which makes the prediction accuracy of offshore wind power difficult to meet the practical engineering requirements. Aiming at the above problems

this paper proposes a prediction model based on the improved long-term recurrent convolutional neural network (LRCN) for ultra-short-term offshore wind power prediction. Firstly

the improved LRCN is used for preliminary power prediction

that is

the multi-convolution channel is constructed to extract the time series characteristics of variables at different layers

and the network convergence effect is improved by the forward-looking improved Adam optimizer. Secondly

the swing window algorithm and the clustering of fluctuation characteristics are used to classify the types of output fluctuation in the predicted period. Thirdly

error correction models are established for different fluctuation types

and the strongly correlated feature factors screened by the Xgboost algorithm are input to achieve error correction. Finally

experiments with data of actual offshore wind farm is put forward

and the results show that the proposed method can effectively predict the ultra-short-term offshore wind power

and the prediction accuracy is higher than that of traditional prediction models.

关键词

Keywords

references

Global Wind Energy Council . GWEC global wind report 2018 ［EB/OL］. ［ 2020-03-10 ］. https：//gwec.net/wp-content/uploads/2019/04/GWEC-Global-Wind-Report-2018.pdf https://gwec.net/wp-content/uploads/2019/04/GWEC-Global-Wind-Report-2018.pdf .

CHANCHAM C ， WAEWSAK J ， GAGNO Y . Offshore wind resource assessment and wind power plant optimization in the Gulf of Thailand ［J］. Energy ， 2017 ， 139 （ 10 ）： 1016 .

迟永宁，梁伟，张占奎，等 . 大规模海上风电输电与并网关键技术研究综述［J］. 中国电机工程学报， 2016 ， 36 （ 14 ）： 3758 - 3771 .

CHI Yongning ， LIANG Wei ， ZHANG Zhankui ， et al . An overview on key technologies regarding power transmission and grid integration of large scale offshore wind power ［J］. Proceedings of the CSEE ， 2016 ， 36 （ 14 ）： 3758 - 3771 .

黄林宏，宋丽莉，周荣卫，等 . 大型风电基地风电波动特征分析［J］. 中国电机工程学报， 2017 ， 37 （ 6 ）： 1599 - 1610 .

HUANG Linhong ， SONG Lili ， ZHOU Rongwei ， et al . Characteristics analysis of wind power fluctuations for large-scale wind farms ［J］. Proceedings of the CSEE ， 2017 ， 37 （ 6 ）： 1599 - 1610 .

郭慧东 . 海上风电机群运行状态评价与维修决策［D］. 北京：北京交通大学， 2018 .

GUO Huidong . Operation condition evaluation and maintenance decision of offshore wind turbine droop ［D］. Beijing ： Beijing Jiaotong University ， 2018 .

徐乾耀，康重庆，张宁，等 . 海上风电出力特性及其消纳问题探讨［J］. 电力系统自动化， 2011 ， 35 （ 22 ）： 54 - 59 .

XU Qianyao ， KANG Chongqing ， ZHANG Ning ， et al . A discussion on offshore wind power output characteristics and its accommodation ［J］. Automation of Electric Power Systems ， 2011 ， 35 （ 22 ）： 54 - 59 .

王勃，冯双磊，刘纯 . 基于天气分型的风电功率预测方法［J］. 电网技术， 2014 ， 38 （ 1 ）： 93 - 98 .

WANG Bo ， FENG Shuanglei ， LIU Chun . Study on weather typing based wind power prediction ［J］. Power System Technology ， 2014 ， 38 （ 1 ）： 93 - 98 ．

高亚静，刘栋，程华新，等 . 基于数据驱动的短期风电出力预估-校正预测模型［J］. 中国电机工程学报， 2015 ， 35 （ 11 ）： 2645 - 2653 .

GAO Yajing ， LIU Dong ， CHENG Huaxin ， et al . Predictor-corrector model of wind power forecast based on data-driven ［J］. Proceedings of the CSEE ， 2015 ， 35 （ 11 ）： 2645 - 2653 .

叶林，滕景竹，蓝海波，等 . 变尺度时间窗口和波动特征提取的短期风电功率组合预测［J］. 电力系统自动化， 2017 ， 41 （ 17 ）： 29 - 36 .

YE Lin ， TENG Jingzhu ， LAN Haibo ， et al . Combined prediction for short-term wind power based on variable time window and feature extraction ［J］. Automation of Electric Power Systems ， 2017 ， 41 （ 17 ）： 29 - 36 .

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 .

杨茂，朱亮 . 基于FA-PCA-LSTM的光伏发电短期功率预测［J］. 昆明理工大学学报（自然科学版）， 2019 ， 44 （ 1 ）： 61 - 68 .

YANG Mao ， ZHU Liang . Short-term photovoltaic power forecasting based on FA-PCA-LSTM ［J］. Journal of Kunming University of Science and Technology （Natural Science）， 2019 ， 44 （ 1 ）： 61 - 68 .

林君豪，张焰，赵腾，等 . 基于改进卷积神经网络拓扑特征挖掘的配电网结构坚强性评估方法［J］. 中国电机工程学报， 2019 ， 39 （ 1 ）： 84 - 96 .

LIN Junhao ， ZHANG Yan ， ZHAO Teng ， et al . Structure strength assessment method of distribution network based on improved convolution neural network and network topology feature mining ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 1 ）： 84 - 96 .

殷豪，欧祖宏，陈德，等 . 基于二次模式分解和级联式深度学习的超短期风电功率预测［J］. 电网技术， 2020 ， 44 （ 2 ）： 445 - 453 .

YIN Hao ， OU Zuhong ， CHEN De ， et al . An ultra-short-term wind power prediction based on two-layer mode decomposition and cascaded deep learning ［J］. Power System Technology ， 2020 ， 44 （ 2 ）： 445 - 453 .

DONAHUE J ， HENDRICKS L ， ROHRBACH M ， et al . Long-term recurrent convolutional networks for visual recognition and description ［EB/OL］．［ 2020-03-10 ］. https：//arxiv.org/abs/1411.4389 https://arxiv.org/abs/1411.4389 .

TONG C ， LI J ， LANG C ， et al . An efficient deep model for day-ahead electricity load forecasting with stacked denoising auto-encoders ［J］. Journal of Parallel and Distributed Computing ， 2018 ， 117 ： 267 - 273 .

NUTKIEWICZ A ， YANG Z ， JAIN R . Data-driven urban energy simulation （DUE-S）： a framework for integrating engineering simulation and machine learning methods in a multi-scale urban energy modeling work flow ［J］. Applied Energy ， 2018 ， 225 ： 1176 - 1189 .

CUI M ， ZHANG J ， FLORITA A R ， et al . An optimized swinging door algorithm for identifying wind ramping events ［J］. IEEE Transactions on Sustainable Energy ， 2015 ， 7 （ 1 ）： 1 - 13 .

李智勇，吴晶莹，吴为麟，等 . 基于自组织映射神经网络的电力用户负荷曲线聚类［J］. 电力系统自动化， 2008 ， 32 （ 15 ）： 66 - 70 .

LI Zhiyong ， WU Jingying ， WU Weilin ， et al . Power customers load profile clustering using the SOM neural network ［J］. Automation of Electric Power Systems ， 2008 ， 32 （ 15 ）： 66 - 70 .

黄睿，杜文娟，王海风 . 计及湍流强度的风电功率短期预测［J］. 电网技术， 2019 ， 43 （ 6 ）： 1907 - 1914 .

HUANG Rui ， DU Wenjuan ， WANG Haifeng . Short-term prediction of wind power considering turbulence intensity ［J］. Power System Technology ， 2019 ， 43 （ 6 ）： 1907 - 1914 .

KESKAR N ， SOCHER R . Improving generalization performance by switching from Adam to SGD ［EB/OL］. ［ 2020-03-10 ］. https：//arxiv.org/abs/1712.07628 https://arxiv.org/abs/1712.07628 .

REDDI S ， KALE S ， KUMAR S . On the convergence of Adam and beyond ［C］// 6th International Conference on Learning Representations（ICLR）， April 30- May 3 ， 2018 ， Vancouver ， Canada .

赵洪山，闫西慧，王桂兰，等 . 应用深度自编码网络和XGBoost的风电机组发电机故障诊断［J］. 电力系统自动化， 2019 ， 43 （ 1 ）： 81 - 90 .

ZHAO Hongshan ， YAN Xihui ， WANG Guilan ， et al . Fault diagnosis of wind turbine generator based on deep autoencoder network and XGBoost ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 1 ）： 81 - 90 .

国家能源局 . 风电功率预测系统规范：NB/T 31046—2013 ［S］. 北京：中国电力出版社， 2013 .

National Energy Administration . Function specification of wind power forecasting system： NB/T 31046—2013 ［S］. Beijing ： China Electric Power Press ， 2013 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Ultra-short-term Forecasting of Wind Power Based on Dual Derivation of Hybrid Features and Error Correction

基于功率波动过程的风电功率短期预测及误差修正

Related Author

YUAN Chang

WANG Sen

SUN Yonghui

WU Yunyi

XIE Dongliang

DING Ming

XIE Dongling

Related Institution

College of Energy and Electrical Engineering, Hohai University

NARI Group Corporation(State Grid Electric Power Research Institute)

Anhui Provincial Renewable Energy Utilization and Energy Saving Laboratory (Hefei University of Technology)

⁰