Data-driven and Deep-learning-based Ultra-short-term Wind Power Prediction

Changxin MIAO; Hao LI; Xia WANG; Li HAN; Ye MA; Heng LI

doi:10.7500/AEPS20201127004

您当前的位置：

首页 >

文章列表页 >

Data-driven and Deep-learning-based Ultra-short-term Wind Power Prediction

Basic Research | 更新时间：2025-06-16

- Data-driven and Deep-learning-based Ultra-short-term Wind Power Prediction
- Automation of Electric Power Systems Vol. 45, Issue 14, Pages: 22-29(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/AEPS20201127004
  CLC：
- Received：27 November 2020，
  
  Revised：2021-04-12，
  
  Published Online：26 May 2021，
  
  Published：25 July 2021
- 稿件说明：
移动端阅览
苗长新,李昊,王霞等.基于数据驱动和深度学习的超短期风电功率预测[J].电力系统自动化,2021,45(14):22-29.

MIAO Changxin,LI Hao,WANG Xia,et al.Data-driven and Deep-learning-based Ultra-short-term Wind Power Prediction[J].Automation of Electric Power Systems,2021,45(14):22-29.
苗长新,李昊,王霞等.基于数据驱动和深度学习的超短期风电功率预测[J].电力系统自动化,2021,45(14):22-29. DOI： 10.7500/AEPS20201127004.

MIAO Changxin,LI Hao,WANG Xia,et al.Data-driven and Deep-learning-based Ultra-short-term Wind Power Prediction[J].Automation of Electric Power Systems,2021,45(14):22-29. DOI： 10.7500/AEPS20201127004.

摘要

从多源、多维、多模态的风电数据中挖掘风能、风电的因果关联，以及多风电场间的时空关联，是提高风电功率预测精度的有效途径。文中提出了一种基于数据驱动的混合深度学习模型。首先，在数据预处理环节，将风电场满功率输出、风速溢出的场景，视为风电功率预测的异常、故障状态，并提出数据清洗方法以加强风速和风电的相关性。然后，针对气象信息与风电的因果关联，设计多通道卷积挖掘其耦合关系；针对相邻风电场间的时空关联，设计多尺度卷积挖掘不同时空尺度下的风电特征，并通过

http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=17702165&type=

http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=17702163&type=

8.38199997

2.79399991

卷积层对不同尺度的时空特征赋权、融合和降维。最后，将融合特征输入门控循环网络挖掘时序关联，输出多风电场风电功率的预测结果，以真实数据集验证了所提模型的有效性。

Abstract

Mining the causal correlation between wind power and wind energy

as well as the spatio-temporal correlation among multiple wind farms from multi-source

multi-dimensional

and multi-modal wind power data

is an effective way to improve the accuracy of wind power prediction. A data-driven hybrid deep-learning model is proposed. First

in the data preprocessing stage

the scene of the wind farm operating at full power output and wind speed overflowing is regarded as the abnormal and fault state of wind power prediction

and the corresponding data-cleaning method is proposed to enhance the correlation between the wind speed and wind power. Then

aiming at the causal correlation between meteorological data and wind power

multi-channel convolution is designed to mine the coupling relationship; aiming at the spatio-temporal correlation between adjacent wind farms

the multi-scale convolution is designed to mine wind power characteristics with different spatio-temporal scales

and these spatio-temporal characteristics are weighted

fused

and reduced through the

http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=17702172&type=

http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=17702168&type=

7.19666624

2.37066650

convolution layer. Finally

the fusion characteristics are input into the gated recurrent network to mine the time correlation and output the prediction results of wind power for multiple wind farms. The effectiveness of the proposed model is verified by real datasets.

关键词

Keywords

references

薛禹胜，雷兴，薛峰，等 . 关于风电不确定性对电力系统影响的评述［J］. 中国电机工程学报， 2014 ， 34 （ 29 ）： 5029 - 5040 .

XUE Yusheng ， LEI Xing ， XUE Feng ， et al . A review on impacts of wind power uncertainties on power systems ［J］. Proceedings of the CSEE ， 2014 ， 34 （ 29 ）： 5029 - 5040 .

舒印彪，张智刚，郭剑波，等 . 新能源消纳关键因素分析及解决措施研究［J］. 中国电机工程学报， 2017 ， 37 （ 1 ）： 1 - 9 .

SHU Yinbiao ， ZHANG Zhigang ， GUO Jianbo ， et al . Study on key factors and solution of renewable energy accommodation ［J］. Proceedings of the CSEE ， 2017 ， 37 （ 1 ）： 1 - 9 .

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 - 3269 .

QIAO Ying ， LU Zongxiang ， MIN Yong . Research & application of raising wind power prediction accuracy ［J］. Power System Technology ， 2017 ， 41 （ 10 ）： 3261 - 3269 .

康重庆，姚良忠 . 高比例可再生能源电力系统的关键科学问题与理论研究框架［J］. 电力系统自动化， 2017 ， 41 （ 9 ）： 2 - 11 .

KANG Chongqing ， YAO Liangzhong . Key scientific issues and theoretical research framework for power systems with high proportion of renewable energy ［J］. Automation of Electric Power Systems ， 2017 ， 41 （ 9 ）： 2 - 11 .

冯双磊，王伟胜，刘纯，等 . 风电场功率预测物理方法研究［J］. 中国电机工程学报， 2010 ， 30 （ 2 ）： 1 - 6 .

FENG Shuanglei ， WANG Weisheng ， LIU Chun ， et al . Study on the physical approach to wind power prediction ［J］. Proceedings of the CSEE ， 2010 ， 30 （ 2 ）： 1 - 6 .

杨茂，张罗宾 . 基于数据驱动的超短期风电功率预测综述［J］. 电力系统保护与控制， 2019 ， 47 （ 13 ）： 171 - 186 .

YANG Mao ， ZHANG Luobin . Review on ultra-short term wind power forecasting based on data-driven approach ［J］. Power System Protection and Control ， 2019 ， 47 （ 13 ）： 171 - 186 .

彭小圣，邓迪元，程时杰，等 . 面向智能电网应用的电力大数据关键技术［J］. 中国电机工程学报， 2015 ， 35 （ 3 ）： 503 - 511 .

PENG Xiaosheng ， DENG Diyuan ， CHENG Shijie ， et al . Key technologies of electric power big data and its application prospects in smart grid ［J］. Proceedings of the CSEE ， 2015 ， 35 （ 3 ）： 503 - 511 .

薛禹胜，赖业宁 . 大能源思维与大数据思维的融合：（一）大数据与电力大数据［J］. 电力系统自动化， 2016 ， 40 （ 1 ）： 1 - 8 .

XUE Yusheng ， LAI Yening . Integration of macro energy thinking and big data thinking： Part one big data and power big data ［J］. Automation of Electric Power Systems ， 2016 ， 40 （ 1 ）： 1 - 8 .

薛禹胜，赖业宁 . 大能源思维与大数据思维的融合：（二）应用及探索［J］. 电力系统自动化， 2016 ， 40 （ 8 ）： 1 - 13 .

XUE Yusheng ， LAI Yening . Integration of macro energy thinking and big data thinking： Part two applications and explorations ［J］. Automation of Electric Power Systems ， 2016 ， 40 （ 8 ）： 1 - 13 .

YU C J ， LI Y L ， BAO Y L ， 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 .

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 .

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 .

HAN L ， ZHANG R C ， WANG X S ， et al . Multi-step wind power forecast based on VMD-LSTM ［J］. IET Renewable Power Generation ， 2019 ， 13 （ 10 ）： 1690 - 1700 .

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

彭小圣，熊磊，文劲宇，等 . 风电集群短期及超短期功率预测精度改进方法综述［J］. 中国电机工程学报， 2016 ， 36 （ 23 ）： 6315 - 6326 .

PENG Xiaosheng ， XIONG Lei ， WEN Jinyu ， et al . A summary of the state of the art for short-term and ultra-short-term wind power prediction of regions ［J］. Proceedings of the CSEE ， 2016 ， 36 （ 23 ）： 6315 - 6326 .

姜兆宇，贾庆山，管晓宏 . 多时空尺度的风力发电预测方法综述［J］. 自动化学报， 2019 ， 45 （ 1 ）： 51 - 71 .

JIANG Zhaoyu ， JIA Qingshan ， GUAN Xiaohong . A review of multi-temporal-and-spatial-scale wind power forecasting method ［J］. Acta Automatica Sinica ， 2019 ， 45 （ 1 ）： 51 - 71 .

薛禹胜，陈宁，王树民，等 . 关于利用空间相关性预测风速的评述［J］. 电力系统自动化， 2017 ， 41 （ 10 ）： 161 - 169 .

XUE Yusheng ， CHEN Ning ， WANG Shumin ， et al . Review on wind speed prediction based on spatial correlation ［J］. Automation of Electric Power Systems ， 2017 ， 41 （ 10 ）： 161 - 169 .

姜文玲，王勃，汪宁渤，等 . 多时空尺度下大型风电基地出力特性研究［J］. 电网技术， 2017 ， 41 （ 2 ）： 493 - 499 .

JIANG Wenling ， WANG Bo ， WANG Ningbo ， et al . Research on power output characteristics of large-scale wind power base in multiple temporal and spatial scales ［J］. Power System Technology ， 2017 ， 41 （ 2 ）： 493 - 499 .

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 .

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 .

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 .

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 .

杨茂，白玉莹 . 基于多位置NWP和门控循环单元的风电功率超短期预测［J/OL］. 电力系统自动化［ 2020-11-22 ］. http：//kns.cnki.net/kcms/detail/32.1180.TP.20200828.0745.002.html http://kns.cnki.net/kcms/detail/32.1180.TP.20200828.0745.002.html .

YANG Mao ， BAI Yuying . Ultra-short-term prediction of wind power based on multi-location numerical weather prediction and gated recurrent unit ［J/OL］. Automation of Electric Power Systems ［ 2020-11-22 ］. http：//kns.cnki.net/kcms/detail/32.1180.TP.20200828.0745.002.html http://kns.cnki.net/kcms/detail/32.1180.TP.20200828.0745.002.html .

QU X Y ， KANG X N ， ZHANG C ， et al . Short-term prediction of wind power based on deep long short-term memory ［C］// 2016 IEEE PES Asia-Pacific Power and Energy Engineering Conference （APPEEC）， October 25-28 ， 2016 ， Xi’an， China .

薛阳，王琳，王舒，等 . 一种结合CNN和GRU网络的超短期风电预测模型［J］. 可再生能源， 2019 ， 37 （ 3 ）： 456 - 462 .

XUE Yang ， WANG Lin ， WANG Shu ， et al . An ultra-short-term wind power forecasting model combined with CNN and GRU networks ［J］. Renewable Energy Resources ， 2019 ， 37 （ 3 ）： 456 - 462 .

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 .

陈金富，朱乔木，石东源，等 . 利用时空相关性的多位置多步风速预测模型［J］. 中国电机工程学报， 2019 ， 39 （ 7 ）： 2093 - 2106 .

CHEN Jinfu ， ZHU Qiaomu ， SHI Dongyuan ， et al . A multi-step wind speed prediction model for multiple sites leveraging spatio-temporal correlation ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 7 ）： 2093 - 2106 .

王晨，寇鹏 . 基于卷积神经网络和简单循环单元集成模型的风电场内多风机风速预测［J］. 电工技术学报， 2020 ， 35 （ 13 ）： 2723 - 2735 .

WANG Chen ， KOU Peng . Wind speed forecasts of multiple wind turbines in a wind farm based on integration model built by convolutional neural network and simple recurrent unit ［J］. Transactions of China Electrotechnical Society ， 2020 ， 35 （ 13 ）： 2723 - 2735 .

ZHANG K ， GUO Y R ， WANG X S ， et al . Multiple feature reweight DenseNet for image classification ［J］. IEEE Access ， 2019 ， 7 ： 9872 - 9880 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Online Reactive Power Optimization Method Based on Data-driven Predictive Control for Distribution Network with Low Situation Awareness

Data-driven Oscillation Mode Prediction Scheme and Resonance Mitigation Analysis

Related Author

Xia WANG

CHENG Lilin

LUO Zijie

LI Qun

ZHANG Ningyu

LI Yaran

ZANG Haixiang

HUANG Yu

Related Institution

School of Electrical and Power Engineering, Hohai University

Electric Power Research Institute of State Grid Jiangsu Electric Power Co., Ltd.

Institute of Advanced Technology for Carbon Neutrality, Nanjing University of Posts and Telecommunications

NARI Group Corporation (State Grid Electric Power Research Institute)

School of Electrical Engineering, Zhejiang University

⁰