Wind Power Ramp Forecast Based on Feature Extraction Using Convolutional Neural Network

Huitian JING; Li HAN; Zhiyu GAO

doi:10.7500/AEPS20200227005

您当前的位置：

首页 >

文章列表页 >

Wind Power Ramp Forecast Based on Feature Extraction Using Convolutional Neural Network

Basic Research | 更新时间：2025-06-16

- Wind Power Ramp Forecast Based on Feature Extraction Using Convolutional Neural Network
- Automation of Electric Power Systems Vol. 45, Issue 4, Pages: 98-105(2021)
- 作者机构：
  
  中国矿业大学电气与动力工程学院，江苏省徐州市 221116
- 作者简介：
- 基金信息：
  
  National Natural Science Foundation of China
- DOI：10.7500/AEPS20200227005
  CLC：
- Received：27 February 2020，
  
  Revised：2020-06-17，
  
  Published Online：28 December 2020，
  
  Published：25 February 2021
- 稿件说明：
移动端阅览
景惠甜,韩丽,高志宇.基于卷积神经网络特征提取的风电功率爬坡预测[J].电力系统自动化,2021,45(4):98-105.

JING Huitian,HAN Li,GAO Zhiyu.Wind Power Ramp Forecast Based on Feature Extraction Using Convolutional Neural Network[J].Automation of Electric Power Systems,2021,45(4):98-105.
景惠甜,韩丽,高志宇.基于卷积神经网络特征提取的风电功率爬坡预测[J].电力系统自动化,2021,45(4):98-105. DOI： 10.7500/AEPS20200227005.

JING Huitian,HAN Li,GAO Zhiyu.Wind Power Ramp Forecast Based on Feature Extraction Using Convolutional Neural Network[J].Automation of Electric Power Systems,2021,45(4):98-105. DOI： 10.7500/AEPS20200227005.

摘要

为提高风电功率爬坡预测的准确性，提出了一种基于卷积神经网络、长短期记忆网络和注意力机制的风电功率爬坡预测方法。首先，针对风电功率爬坡发生次数少、特征复杂、预测模型难以对小样本爬坡事件有效学习的问题，使用卷积神经网络对风电功率序列进行特征提取。然后，使用长短期记忆网络建立预测模型，解决风电功率的长时依赖问题，并在模型中加入注意力机制对长短期记忆网络单元的输出进行加权，从而加强风电特征的学习，提高爬坡预测准确度。仿真验证表明，模型对风电功率爬坡预测有较高的准确性。

Abstract

To improve the accuracy of wind power ramp forecast

a method based on long short-term memory (LSTM) network

convolutional neural network (CNN) and attention mechanism (AM) is proposed. Wind power ramp event rarely occurs and has complex characteristics

and it is difficult for forecast model to effectively learn from small number of ramp event samples. So CNN is used to extract features in wind power time series. And the LSTM network is used to build forecasting model to solve the long-term dependence of wind power. Then AM is added to the model to weight outputs of LSTM network units to strengthen the learning of wind power features

thus improving the accuracy of ramp forecast. The simulation results show that the forecasting model has high accuracy on wind power ramp forecast.

关键词

Keywords

references

ZHANG G ， LIU H ， ZHANG J ， 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 .

蔡游明，李征，蔡旭 . 计及控制时间窗内功率波动的风电场群无功电压分层优化控制［J］. 电工技术学报， 2019 ， 34 （ 6 ）： 1240 - 1250 .

CAI Youming ， LI Zheng ， CAI Xu . Voltage hierarchical optimal control of a wind farm cluster in account of voltage fluctuation in control time window ［J］. Transactions of China Electrotechnical Society ， 2019 ， 34 （ 6 ）： 1240 - 1250 .

叶林，路朋，滕景竹，等 . 考虑风电功率爬坡的功率预测-校正模型［J］. 电力系统自动化， 2019 ， 43 （ 6 ）： 49 - 56 .

YE Lin ， LU Peng ， TENG Jingzhu ， et al . Power prediction and correction model considering wind power ramping events ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 6 ）： 49 - 56 .

马欢，李常刚，刘玉田 . 风电爬坡事件对系统运行充裕性的影响评估［J］. 电力系统自动化， 2017 ， 41 （ 4 ）： 41 - 47 .

MA Huan ， LI Changgang ， LIU Yutian . Assessing impact of wind power ramp events on operation adequacy of power systems ［J］. Automation of Electric Power Systems ， 2017 ， 41 （ 4 ）： 41 - 47 .

张旭，代悦，张东英，等 . 基于合作博弈的风电爬坡控制策略［J］. 电力系统自动化， 2019 ， 43 （ 15 ）： 42 - 48 .

ZHANG Xu ， DAI Yue ， ZHANG Dongying ， et al . Cooperative game based ramping control strategy for wind power ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 15 ）： 42 - 48 .

CUI M ， ZHANG J ， WANG Q ， et al . A data-driven methodology for probabilistic wind power ramp forecasting ［J］. IEEE Transactions on Smart Grid ， 2019 ， 10 （ 2 ）： 1326 - 1338 .

马欢，李常刚，刘玉田 . 风电爬坡事件多级区间预警方法［J］. 电力系统自动化， 2017 ， 41 （ 11 ）： 39 - 47 .

MA Huan ， LI Changgang ， LIU Yutian . Multi-level early warning method for wind power ramp events ［J］. Automation of Electric Power Systems ， 2017 ， 41 （ 11 ）： 39 - 47 .

TAYLOR J W ， YU Keming . Using auto-regressive logit models to forecast the exceedance probability for financial risk management ［J］. Journal of the Royal Statistical Society Series A - Statistics in Society ， 2016 ， 179 （ 4 ）： 1069 - 1092 .

TAYLOR J W . Probabilistic forecasting of wind power ramp events using autoregressive logit models ［J］. European Journal of Operational Research ， 2017 ， 259 （ 2 ）： 703 - 712 .

PINSON P ， MADSEN H . Ensemble-based probabilistic forecasting at Horns Rev ［J］. Wind Energy ， 2009 ， 12 （ 2 ）： 137 - 155 .

欧阳庭辉，查晓明，秦亮，等 . 基于相似性修正的风电功率爬坡事件预测方法［J］. 中国电机工程学报， 2017 ， 37 （ 2 ）： 572 - 580 .

OUYANG Tinghui ， ZHA Xiaoming ， QIN Liang ， et al . Wind power ramps prediction method based on amendment of similar events ［J］. Proceedings of the CSEE ， 2017 ， 37 （ 2 ）： 572 - 580 .

OUYANG Tinghui ， ZHA Xiaoming ， QIN Liang ， et al . Prediction of wind power ramp events based on residual correction ［J］. Renewable Energy ， 2019 ， 136 ： 781 - 792 .

DORADO-MORENO M ， NAVARIN N ， GUTIÉRREZ P A ， et al . Multi-task learning for the prediction of wind power ramp events with deep neural networks ［J］. Neural Networks ， 2020 ， 123 ： 401 - 411 .

OUYANG T ， HUANG H ， HE Y . Ramp events forecasting based on long-term wind power prediction and correction ［J］. IET Renewable Power Generation ， 2019 ， 13 （ 15 ）： 2793 - 2801 .

HUANG Y ， LIU S ， YANG L . Wind speed forecasting method using EEMD and the combination forecasting method based on GPR and LSTM ［J］. Sustainability ， 2018 ， 10 （ 10 ）： 3693 - 3707 .

HU Y ， CHEN L . A nonlinear hybrid wind speed forecasting model using LSTM network， hysteretic ELM and differential evolution algorithm ［J］. Energy Conversion and Management ， 2018 ， 173 ： 123 - 142 .

YU C ， LI Y ， BAO Y ， et al . A novel framework for wind speed prediction based on recurrent neural networks and support vector machine ［J］. Energy Conversion and Management ， 2018 ， 178 ： 137 - 145 .

LÓPEZ E ， VALLE C ， ALLENDE H ， et al . Wind power forecasting based on echo state networks and long short-term memory ［J］. Energies ， 2018 ， 11 （ 3 ）： 526 - 547 .

OEHMCKE S ， ZIELINSKI O ， KRAMER O . Input quality aware convolutional LSTM networks for virtual marine sensors ［J］. Neurocomputing ， 2018 ， 275 ： 2603 - 2615 .

LIU H ， MI X ， LI Y . Smart deep learning based wind speed prediction model using wavelet packet decomposition， convolutional neural network and convolutional long short term memory network ［J］. Energy Conversion and Management ， 2018 ， 166 ： 120 - 131 .

LÓPEZ P R ， DORTA D V ， PREIXENS G C ， et al . Pay attention to the activations： a modular attention mechanism for fine-grained image recognition ［J］. IEEE Transactions on Multimedia ， 2020 ， 22 （ 2 ）： 502 - 514 .

LI X ， ZHANG W ， DING Q . Understanding and improving deep learning-based rolling bearing fault diagnosis with attention mechanism ［J］. Signal Processing ， 2019 ， 161 ： 136 - 154 .

CUI M ， FENG C ， WANG Z ， et al . Statistical representation of wind power ramps using a generalized gaussian mixture model ［J］. IEEE Transactions on Sustainable Energy ， 2018 ， 9 （ 1 ）： 261 - 272 .

FERREIRA C ， GAMA J ， MATIAS L ， et al . A survey on wind power ramp forecasting ［R/OL］. （ 2010-12-01 ）［ 2020-06-01 ］. http：//www.dis.anl.gov/pubs/69166.pdf http://www.dis.anl.gov/pubs/69166.pdf .

张东英，代悦，张旭，等 . 风电爬坡事件研究综述及展望［J］. 电网技术， 2018 ， 42 （ 6 ）： 1783 - 1792 .

ZHANG Dongying ， DAI Yue ， ZHANG Xu ， et al . Review and prospect of research on wind power ramp events ［J］. Power System Technology ， 2018 ， 42 （ 6 ）： 1783 - 1792 .

CAO Y ， WEI W ， WANG C ， et al . Probabilistic estimation of wind power ramp events： a data-driven optimization approach ［J］. IEEE Access ， 2019 ， 7 ： 23261 - 23269 .

ELIA . Wind-power generation data ［EB/OL］. （ 2019-01-01 ）［ 2020-06-01 ］. http：//www.elia.be http://www.elia.be .

丁明，张超，王勃，等 . 基于功率波动过程的风电功率短期预测及误差修正［J］. 电力系统自动化， 2019 ， 43 （ 3 ）： 2 - 9 .

DING Ming ， ZHANG Chao ， WANG Bo ， et al . Short-term forecasting and error correction of wind power based on power fluctuation process ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 3 ）： 2 - 9 .

唐振浩，孟庆煜，曹生现，等 . 基于小波深度置信网络的风电爬坡预测方法［J］. 太阳能学报， 2019 ， 40 （ 11 ）： 3213 - 3220 .

TANG Zhenhao ， MENG Qingyu ， CAO Shengxian ， et al . Wind power ramp prediction algorithm based on wavelet deep belief network ［J］. Acta Energiae Solaris Sinica ， 2019 ， 40 （ 11 ）： 3213 - 3220 .

PAPAVASILIOU A ， MOU Y ， CAMBIER L ， et al . Application of stochastic dual dynamic programming to the real-time dispatch of storage under renewable supply uncertainty ［J］. IEEE Transactions on Sustainable Energy ， 2018 ， 9 （ 2 ）： 547 - 558 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Emergency Control Strategy of Power Grid Voltage Stability Based on Convolutional Neural Network and Long Short-term Memory Network

Feature Decoupling Peak-load Forecasting Model Considering Meteorological Cumulative Effect

Fault Diagnosis for AC/DC Transmission System Based on Convolutional Neural Network

Probability Prediction Based Risk Assessment and Proactive Regulation and Control Strategy for Static Operation Safety of Power Grid

Related Author

DING Tao

GAO Xin

QIN Boyu

ZHANG Zhe

Ping JU

Bo LIU

Pengfei DING

Chuan QIN

Related Institution

School of Electrical Engineering, Xi'an Jiaotong University

Huaian Power Supply Company, State Grid Jiangsu Electric Power Co., Ltd., Huaian

College of Energy and Electrical Engineering, Hohai University

Changzhi Power Supply Company of State Grid Shanxi Electric Power Company

School of Electrical Engineering, Beijing Jiaotong University

⁰