Interval Estimation of Wind Power Based on Error Classification

Li HAN; Yan QIAO; Huitian JING

doi:10.7500/AEPS20200227014

您当前的位置：

首页 >

文章列表页 >

Interval Estimation of Wind Power Based on Error Classification

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

- Interval Estimation of Wind Power Based on Error Classification
- Automation of Electric Power Systems Vol. 45, Issue 1, Pages: 97-104(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/AEPS20200227014
  CLC：
- Received：27 February 2020，
  
  Revised：2020-06-12，
  
  Published Online：24 August 2020，
  
  Published：10 January 2021
- 稿件说明：
移动端阅览
韩丽,乔妍,景惠甜.基于误差分类的风电功率区间评估[J].电力系统自动化,2021,45(1):97-104.

HAN Li,QIAO Yan,JING Huitian.Interval Estimation of Wind Power Based on Error Classification[J].Automation of Electric Power Systems,2021,45(1):97-104.
韩丽,乔妍,景惠甜.基于误差分类的风电功率区间评估[J].电力系统自动化,2021,45(1):97-104. DOI： 10.7500/AEPS20200227014.

HAN Li,QIAO Yan,JING Huitian.Interval Estimation of Wind Power Based on Error Classification[J].Automation of Electric Power Systems,2021,45(1):97-104. DOI： 10.7500/AEPS20200227014.

摘要

为了提高风电功率的区间评估精度，结合预测误差数据的特性，提出了一种基于误差分类的区间评估方法。首先，引入

-means聚类算法，以欧氏距离为聚类指标对风电预测误差的整体水平进行分类。然后，建立误差区间评估模型，以风电功率数据和历史预测误差为模型输入，以预测误差区间为输出，利用长短期记忆（LSTM）神经网络深度学习模型输入和输出之间的关联。最后，利用Elia网站风电数据进行验证，结果表明，与其他评估模型和传统的误差概率分布方法相比，所提方法更能抓住误差数据的特性，能够得到更为准确的风电功率区间评估结果。

Abstract

In order to improve the interval estimation accuracy of wind power

an interval estimation method based on error classification is proposed combined with the characteristics of prediction error data. Firstly

the

-means clustering algorithm is introduced to classify the overall levels of wind power prediction errors by using the Euclidean distance as the clustering index. Secondly

an error interval estimation model is established

of which the input is the wind power and the historical prediction error

and the output is the prediction error interval. Long short-term memory (LSTM) network is utilized to deeply learn the correlation between the input and output of the model. Finally

the wind power data from Elia website is used for verification. The results show that

compared with other estimation models and traditional error probability distribution methods

the proposed method can capture the characteristics of prediction error data and obtain more accurate interval estimation results of wind power.

关键词

Keywords

references

吴问足，乔颖，鲁宗相，等 . 风电功率概率预测方法及展望［J］. 电力系统自动化， 2017 ， 41 （ 18 ）： 167 - 175 .

WU Wenzu ， QIAO Ying ， LU Zongxiang ， et al . Methods and prospects for probabilistic forecasting of wind power ［J］. Automation of Electric Power Systems ， 2017 ， 41 （ 18 ）： 167 - 175 .

阎洁，李宁，刘永前，等 . 短期风电功率动态云模型不确定性预测方法［J］. 电力系统自动化， 2019 ， 43 （ 3 ）： 17 - 23 .

YAN Jie ， LI Ning ， LIU Yongqian ， et al . Short-term uncertainty forecasting method for wind power based on real-time switching cloud model ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 3 ）： 17 - 23 .

CHEN Niya ， ZHENG Qian ， NABNEY I T ， et al . Wind power forecasts using Gaussian processes and numerical weather prediction ［J］. IEEE Transactions on Power Systems ， 2014 ， 29 （ 2 ）： 656 - 665 .

刘兴杰，谢春雨 . 基于贝塔分布的风电功率波动区间估计［J］. 电力自动化设备， 2014 ， 34 （ 12 ）： 26 - 30 .

LIU Xingjie ， XIE Chunyu . Wind power fluctuation interval estimation based on Beta distribution ［J］. Electric Power Automation Equipment ， 2014 ， 34 （ 12 ）： 26 - 30 .

杨茂，杨春霖，董骏城 . 基于预测误差分布优化模型的风电功率超短期概率区间预测研究［J］. 太阳能学报， 2019 ， 40 （ 10 ）： 2967 - 2978 .

YANG Mao ， YANG Chunlin ， DONG Juncheng . Research on super short-term probability interval prediction of wind power based on prediction error distribution optimization model ［J］. Acta Energiae Solaris Sinica ， 2019 ， 40 （ 10 ）： 2967 - 2978 .

吴晓刚，孙荣富，乔颖，等 . 基于风电场功率特性的风电预测误差分布估计［J］. 电网技术， 2017 ， 41 （ 6 ）： 1801 - 1807 .

WU Xiaogang ， SUN Rongfu ， QIAO Ying ， et al . Estimation of error distribution for wind power prediction based on power curves of wind farms ［J］. Power System Technology ， 2017 ， 41 （ 6 ）： 1801 - 1807 .

HE Yao ， LI Haiyan . Probability density forecasting of wind power using quantile regression neural network and kernel density estimation ［J］. Energy Conversion and Management ， 2018 ， 164 ： 374 - 384 .

孙国强，梁智，俞娜燕，等 . 基于EWT和分位数回归森林的短期风电功率概率密度预测［J］. 电力自动化设备， 2018 ， 38 （ 8 ）： 158 - 165 .

SUN Guoqiang ， LIANG Zhi ， YU Nayan ， et al . Short-term wind power probability density forecasting based on EWT and quantile regression forest ［J］. Electric Power Automation Equipment ， 2018 ， 38 （ 8 ）： 158 - 165 .

ZHOU Bowen ， MA Xiangjin ， LUO Yanhong ， et al . Wind power prediction based on LSTM networks and nonparametric kernel density estimation ［J］. IEEE Access ， 2019 ， 7 ： 165279 - 165292 .

张晓英，张晓敏，廖顺，等 . 基于聚类与非参数核密度估计的风电功率预测误差分析［J］. 太阳能学报， 2019 ， 40 （ 12 ）： 3594 - 3604 .

ZHANG Xiaoying ， ZHANG Xiaomin ， LIAO Shun ， et al . Prediction error analysis of wind power based on clustering and non-parametric kernel density estimation ［J］. Acta Energiae Solaris Sinica ， 2019 ， 40 （ 12 ）： 3594 - 3604 .

张宇献，郝双，钱小毅 . 基于误差分解和Bootstrap方法的风电功率区间预测［J］. 电网技术， 2019 ， 43 （ 6 ）： 1941 - 1947 .

ZHANG Yuxian ， HAO Shuang ， QIAN Xiaoyi . Interval prediction of wind power based on error decomposition and Bootstrap method ［J］. Power System Technology ， 2019 ， 43 （ 6 ）： 1941 - 1947 .

刘长良，曹威，王梓齐 . 基于模糊C均值软聚类工况辨识的风电功率短期区间预测［J］. 华北电力大学学报（自然科学版）， 2019 ， 46 （ 5 ）： 83 - 91 .

LIU Changliang ， CAO Wei ， WANG Ziqi . Short-term interval prediction of wind power based on fuzzy C-means soft clustering condition identification ［J］. Journal of North China Electric Power University（Natural Science Edition）， 2019 ， 46 （ 5 ）： 83 - 91 .

段偲默，苗世洪，李力行，等 . 计及预测误差动态相关性的多风电场联合出力不确定性模型［J］. 电力系统自动化， 2019 ， 43 （ 22 ）： 31 - 37 .

DUAN Simo ， MIAO Shihong ， LI Lixing ， et al . Uncertainty model of combined output for multiple wind farms considering dynamic correlation of prediction errors ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 22 ）： 31 - 37 .

MACQUEEN J . Some methods for classification and analysis of multivariate observation ［C］// 5th Berkeley Symposium on Mathematical Statistics and Probability， 1967 ， Berkeley， USA ： 281 - 297 .

SUN Zexian ， ZHAO Shen ， ZHANG Jingxuan . Short-term wind power forecasting on multiple scales using VMD decomposition， K -means clustering and LSTM principal computing ［J］. IEEE Access ， 2019 ， 7 ： 166917 - 166929 .

杨俊闯，赵超 . K -means聚类算法研究综述［J］. 计算机工程与应用， 2019 ， 55 （ 23 ）： 7 - 14 .

YANG Junchuang ， ZHAO Chao . Survey on K -means clustering algorithm ［J］. Computer Engineering and Applications ， 2019 ， 55 （ 23 ）： 7 - 14 .

兑潇玮，朱桂萍，刘艳章 . 考虑预测误差的风电场储能配置优化方法［J］. 电网技术， 2017 ， 41 （ 2 ）： 434 - 439 .

DUI Xiaowei ， ZHU Guiping ， LIU Yanzhang . Research on battery storage sizing for wind farm considering forecast error ［J］. Power System Technology ， 2017 ， 41 （ 2 ）： 434 - 439 .

王成福，王昭卿，孙宏斌，等 . 考虑预测误差时序分布特性的含风电机组组合模型［J］. 中国电机工程学报， 2016 ， 36 （ 15 ）： 4081 - 4089 .

WANG Chengfu ， WANG Zhaoqing ， SUN Hongbin ， et al . Model of unit commitment with wind farm considering time series characteristic of wind power forecast error ［J］. Proceedings of the CSEE ， 2016 ， 36 （ 15 ）： 4081 - 4089 .

Elia . Wind-power generation data ［EB/OL］［ 2020-01-27 ］. http：//www.elia.be/en/grid-data/power-generation/windpower http://www.elia.be/en/grid-data/power-generation/windpower .

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 .

HU Yalan ， LIANG Chen . 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 .

YUAN Xiaohui ， CHEN Chen ， MIN Jiang ， et al . Prediction interval of wind power using parameter optimized Beta distribution based LSTM model ［J］. Applied Soft Computing ， 2019 ， 82 ： 105550 .

LI Pengbo ， WANG Xiangwen ， YANG Junjie . Short-term wind power forecasting based on two-stage attention mechanism ［J］. IET Renewable Power Generation ， 2020 ， 14 （ 2 ）： 297 - 304 .

李彬，彭曙蓉，彭君哲，等 . 基于深度学习分位数回归模型的风电功率概率密度预测［J］. 电力自动化设备， 2018 ， 38 （ 9 ）： 15 - 20 .

LI Bin ， PENG Shurong ， PENG Junzhe ， et al . Wind power probability density forecasting based on deep learning quantile regression model ［J］. Electric Power Automation Equipment ， 2018 ， 38 （ 9 ）： 15 - 20 .

陆继翔，张琪培，杨志宏，等 . 基于CNN-LSTM混合神经网络模型的短期负荷预测方法［J］. 电力系统自动化， 2019 ， 43 （ 8 ）： 131 - 137 .

LU Jixiang ， ZHANG Qipei ， YANG Zhihong ， et al . Short-term load forecasting method based on CNN-LSTM hybrid neural network model ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 8 ）： 131 - 137 .

王依宁，解大，王西田，等 . 基于PCA-LSTM模型的风电机网相互作用预测［J］. 中国电机工程学报， 2019 ， 39 （ 14 ）： 4070 - 4080 .

WANG Yining ， XIE Da ， WANG Xitian ， et al . Prediction of interaction between grid and wind farms based on PCA-LSTM model ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 14 ）： 4070 - 4080 .

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

Phase Identification of Low-voltage Distribution Station Area Based on Morphological Characteristic Clustering of Voltage Curves

Interval Estimation of Wind Power Forecasting Error Based on Ramp Features and Cloud Model

Feature Decoupling Peak-load Forecasting Model Considering Meteorological Cumulative Effect

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

LIU Ye

WANG Bowen

ZHENG Guangyu

XIE Xunkai

Related Institution

School of Electrical Engineering, Xi'an Jiaotong University

School of Electric Power, South China University of Technology

College of Energy and Electrical Engineering, Hohai University

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

Central China Branch of State Grid Corporation of China

⁰