W-BiLSTM Based Ultra-short-term Generation Power Prediction Method of Renewable Energy

Xiaoyu XIE; Junhuang ZHOU; Yongjun ZHANG; Jiang WANG; Jieying SU

doi:10.7500/AEPS20200718002

您当前的位置：

首页 >

文章列表页 >

W-BiLSTM Based Ultra-short-term Generation Power Prediction Method of Renewable Energy

Basic Research | 更新时间：2025-06-16

- W-BiLSTM Based Ultra-short-term Generation Power Prediction Method of Renewable Energy
- Automation of Electric Power Systems Vol. 45, Issue 8, Pages: 175-184(2021)
- 作者机构：
  
  1.智慧能源工程技术研究中心，华南理工大学电力学院，广东省广州市 510640
  2.广州市奔流电力科技有限公司，广东省广州市 510700
- 作者简介：
- 基金信息：
- DOI：10.7500/AEPS20200718002
  CLC：
- Received：18 July 2020，
  
  Revised：2020-09-08，
  
  Published Online：30 October 2020，
  
  Published：25 April 2021
- 稿件说明：
移动端阅览
谢小瑜,周俊煌,张勇军等.基于W-BiLSTM的可再生能源超短期发电功率预测方法[J].电力系统自动化,2021,45(8):175-184.

XIE Xiaoyu,ZHOU Junhuang,ZHANG Yongjun,et al.W-BiLSTM Based Ultra-short-term Generation Power Prediction Method of Renewable Energy[J].Automation of Electric Power Systems,2021,45(8):175-184.
谢小瑜,周俊煌,张勇军等.基于W-BiLSTM的可再生能源超短期发电功率预测方法[J].电力系统自动化,2021,45(8):175-184. DOI： 10.7500/AEPS20200718002.

XIE Xiaoyu,ZHOU Junhuang,ZHANG Yongjun,et al.W-BiLSTM Based Ultra-short-term Generation Power Prediction Method of Renewable Energy[J].Automation of Electric Power Systems,2021,45(8):175-184. DOI： 10.7500/AEPS20200718002.

摘要

针对现有新能源超短期预测方法难以有效挖掘和分析数据的固有波动规律，且当时序过长时易丢失重要信息等问题，提出了一种基于注意力（Attention）机制的小波分解-双向长短时记忆网络（W-BiLSTM）超短期风、光发电功率预测方法。首先，利用小波分解提取输入时间序列的时域信息和频域信息。随后，考虑双向信息流，采用双向长短时记忆网络（BiLSTM）进行预测，引入注意力机制，通过映射加权和学习参数矩阵赋予BiLSTM隐含状态不同的权重，有选择性地获取更多有效信息。最后，通过实际数据进行仿真验证。仿真结果表明，所提模型与现有模型相比，具有良好的预测性能。

Abstract

The existing ultra-short-term prediction methods for renewable energy are difficult to effectively mine and analyze the inherent fluctuation rules of data. Important information is easy to be lost when the time sequence is too long. Therefore

a power prediction method of wind power and photovoltaic based on the wavelet bidirectional long-short term memory network (W-BiLSTM) with Attention mechanism is proposed. Firstly

wavelet decomposition is used to extract the time domain information and frequency domain information of the input time series. Then

considering the bi-directional information flow

the bidirectional long-short term memory (BiLSTM) network is used for prediction. Attention mechanism is introduced

and different weights are given to the hidden state of BiLSTM through mapping weighting and learning parameter matrix

so as to selectively obtain the more effective information. Finally

the experiment is carried out using actual data

and the results show that the proposed model has better prediction performance compared with the existing models.

关键词

Keywords

references

PILLOT B ， MUSELLI M ， POGGI P ， et al . Historical trends in global energy policy and renewable power system issues in Sub-Saharan Africa： the case of solar PV ［J］. Energy Policy ， 2019 ， 127 ： 113 - 124 .

胡殿刚，潘正婕，徐昊亮，等 . 大规模可再生能源并网条件下天然气机组调峰空间估算［J］. 电力系统保护与控制， 2017 ， 45 （ 3 ）： 87 - 93 .

HU Diangang ， PAN Zhengjie ， XU Haoliang ， et al . Peaking capacity estimation of natural gas unit under the condition of large-scale renewable energy connecting with power grid ［J］. Power System Protection and Control ， 2017 ， 45 （ 3 ）： 87 - 93 .

区允杰，孙景涛，陈刚 . 一种含抽水蓄能电站的可再生能源系统综合优化调度方法［J］. 广东电力， 2019 ， 32 （ 10 ）： 79 - 88 .

OU Yunjie ， SUN Jingtao ， CHEN Gang . Integrated optimization scheduling method for renewable energy system with pumped storage power station ［J］. Guangdong Electric Power ， 2019 ， 32 （ 10 ）： 79 - 88 .

张振宇，王文倬，张钢，等 . 基于非时序模型的新能源消纳能力评估方法［J］. 电力系统自动化， 2019 ， 43 （ 20 ）： 24 - 32 .

ZHANG Zhenyu ， WANG Wenzhuo ， ZHANG Gang ， et al . Assessment method of accommodation capacity of renewable energy based on non-time-series model ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 20 ）： 24 - 32 .

CHENG W Y Y ， LIU Yubao ， BOURGEOIS A J ， et al . Short-term wind forecast of a data assimilation/weather forecasting system with wind turbine anemometer measurement assimilation ［J］. Renewable Energy ， 2017 ， 107 ： 340 - 351 .

MA Tao ， YANG Hongxing ， LU Lin . Solar photovoltaic system modeling and performance prediction ［J］. Renewable and Sustainable Energy Reviews ， 2014 ， 36 ： 304 - 315 .

MASSERAN N ， RAZALI A M ， IBRAHIM K ， et al . Fitting a mixture of von Mises distributions in order to model data on wind direction in Peninsular Malaysia ［J］. Energy Conversion and Management ， 2013 ， 72 ： 94 - 102 .

管霖，赵琦，周保荣，等 . 基于多尺度聚类分析的光伏功率特性建模及预测应用［J］. 电力系统自动化， 2018 ， 42 （ 15 ）： 24 - 30 .

GUAN Lin ， ZHAO Qi ， ZHOU Baorong ， et al . Multi-scale clustering analysis based modeling of photovoltaic power characteristics and its application in prediction ［J］. Automation of Electric Power Systems ， 2018 ， 42 （ 15 ）： 24 - 30 .

ZHOU Junyi ， SHI Jing ， LI Gong . Fine tuning support vector machines for short-term wind speed forecasting ［J］. Energy Conversion and Management ， 2011 ， 52 （ 4 ）： 1990 - 1998 .

KAVASSERI R G ， SEETHARAMAN K . Day-ahead wind speed forecasting using f-ARIMA models ［J］. Renewable Energy ， 2009 ， 34 （ 5 ）： 1388 - 1393 .

王彩霞，鲁宗相，乔颖，等 . 基于非参数回归模型的短期风电功率预测［J］. 电力系统自动化， 2010 ， 34 （ 16 ）： 78 - 82 .

WANG Caixia ， LU Zongxiang ， QIAO Ying ， et al . Short-term wind power forecast based on non-parametric regression model ［J］. Automation of Electric Power Systems ， 2010 ， 34 （ 16 ）： 78 - 82 .

GUAN C ， LUH P B ， MICHEL L D ， et al . Hybrid Kalman filters for very short-term load forecasting and prediction interval estimation ［J］. IEEE Transactions on Power Systems ， 2013 ， 28 （ 4 ）： 3806 - 3817 .

HERNÁNDEZ L ， BALADRÓN C ， AGUIAR J M ， et al . Artificial neural network for short-term load forecasting in distribution systems ［J］. Energies ， 2014 ， 7 （ 3 ）： 1576 - 1598 .

谢小瑜，周俊煌，张勇军 . 深度学习在泛在电力物联网中的应用与挑战［J］. 电力自动化设备， 2020 ， 40 （ 4 ）： 77 - 87 .

XIE Xiaoyu ， ZHOU Junhuang ， ZHANG Yongjun . Application and challenge of deep learning in Ubiquitous Power Internet of Things ［J］. Electric Power Automation Equipment ， 2020 ， 40 （ 4 ）： 77 - 87 .

YAN Jie ， ZHANG Hao ， LIU Yongqian ， et al . Forecasting the high penetration of wind power on multiple scales using multi-to-multi mapping ［J］. IEEE Transactions on Power Systems ， 2018 ， 33 （ 3 ）： 3276 - 3284 .

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 .

WEN Lulu ， ZHOU Kaile ， YANG Shanlin ， et al . Optimal load dispatch of community microgrid with deep learning based solar power and load forecasting ［J］. Energy ， 2019 ， 171 ： 1053 - 1065 .

WANG K ， QI X ， LIU H . A comparison of day-ahead photovoltaic power forecasting models based on deep learning neural network ［J］. Applied Energy ， 2019 ， 251 ： 113315 .

ZENG Jiawu ， QIAO Wei . Short-term solar power prediction using an RBF neural network ［C］// IEEE Power & Energy Society General Meeting ， July 24 - 28 ， 2011 ， Detroit ， USA .

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 .

YU Chuanjin ， LI Yongle ， ZHANG Mingjin . An improved wavelet transform using singular spectrum analysis for wind speed forecasting based on Elman neural network ［J］. Energy Conversion and Management ， 2017 ， 148 ： 895 - 904 ．

唐振浩，赵赓楠，曹生现，等 . 基于SWLSTM算法的超短期风向预测［J］. 中国电机工程学报， 2019 ， 39 （ 15 ）： 4459 - 4468 .

TANG Zhenhao ， ZHAO Gengnan ， CAO Shengxian ， et al . Very short-term wind direction prediction via self-tuning wavelet long-short term memory neural network ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 15 ）： 4459 - 4468 .

李长庆，魏云冰，郭元战，等 . 含分布式电源的配电网电能质量扰动源定位研究［J］. 电力系统保护与控制， 2020 ， 48 （ 9 ）： 104 - 111 .

LI Changqing ， WEI Yunbing ， GUO Yuanzhan ， et al . Research on power quality disturbance source location of a distribution network with distributed power supply ［J］. Power System Protection and Control ， 2020 ， 48 （ 9 ）： 104 - 111 .

SONG Xuanyi ， LIU Yuetian ， XUE Liang ， et al . Time-series well performance prediction based on long short-term memory （LSTM） neural network model ［J］. Journal of Petroleum Science and Engineering ， 2020 ， 186 ： 106682 .

BENGIO Y ， SIMARD P ， FRASCONI P . Learning long-term dependencies with gradient descent is difficult ［J］. IEEE Transactions on Neural Networks ， 1994 ， 5 （ 2 ）： 157 - 166 .

HOCHREITER S ， SCHMIDHUBER J . Long short-term memory ［J］. Neural Computation ， 1997 ， 9 （ 8 ）： 1735 - 1780 .

ZHOU Heng ， FANG Zhijun ， GAO Yongbin ， et al . Feature fusion network based on attention mechanism for 3D semantic segmentation of point clouds ［J］. Pattern Recognition Letters ， 2020 ， 133 ： 327 - 333 .

ZHANG Chunyu ， DING Yi ， WANG Qi ， et al . Uncertainty-averse TRANSCO planning for accommodating renewable energy in CO 2 reduction environment ［J］. Journal of Modern Power Systems and Clean Energy ， 2015 ， 3 （ 1 ）： 24 - 32 .

LI Y ， SHI H ， HAN F ， et al . Smart wind speed forecasting approach using various boosting algorithms， big multi-step forecasting strategy ［J］. Renewable Energy ， 2019 ， 135 ： 540 - 553 .

FARRET F A ， SIMŎES M G . Integration of alternative sources of energy ［M］. USA ： Wiley-IEEE Press ， 2006 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Data-driven Electricity Retail Pricing Strategy for Demand Response

深度学习在智能电网中的应用现状分析与展望

基于隐马尔可夫模型的日内风电功率预测误差区间滚动估计

基于电源灵活性裕度的含风电电力系统多源协调调度方法

Related Author

Xiaoyu XIE

Yongjun ZHANG

Jiang WANG

Jieying SU

RUAN Jiaqi

LIU Wenxuan

ZHAO Junhua

LIANG Gaoqi

Related Institution

School of Electric Power, South China University of Technology

School of Science and Engineering, The Chinese University of Hong Kong, Shenzhen

Shenzhen Institute of Artificial Intelligence and Robotics for Society

College of Electrical Engineering, Zhejiang University

State Key Laboratory of Power Transmission Equipment & System Security and New Technology (Chongqing University

⁰