Interval Prediction of Wind Farm Day-ahead Output Based on Robust Multi-label Generative Adversarial

Xiao PAN; Mingli ZHANG; Debao LIU; Lin ZHAO

doi:10.7500/AEPS20210630007

您当前的位置：

首页 >

文章列表页 >

Interval Prediction of Wind Farm Day-ahead Output Based on Robust Multi-label Generative Adversarial

Basic Research | 更新时间：2025-06-16

- Interval Prediction of Wind Farm Day-ahead Output Based on Robust Multi-label Generative Adversarial
- Automation of Electric Power Systems Vol. 46, Issue 10, Pages: 216-223(2022)
- 作者机构：
  
  1.国网辽宁省电力有限公司经济技术研究院,辽宁省沈阳市 110015
  2.国网辽宁省电力有限公司超高压分公司,辽宁省沈阳市 110003
- 作者简介：
- 基金信息：
  
  National Key R&D Program of China(2019YFB1505405);Science and Technology Project(2021YF-47)
- DOI：10.7500/AEPS20210630007
  CLC：
- Received：30 June 2021，
  
  Revised：2021-12-01，
  
  Published Online：04 March 2022，
  
  Published：25 May 2022
- 稿件说明：
移动端阅览
潘霄,张明理,刘德宝等.基于鲁棒多标签生成对抗的风电场日前出力区间预测[J].电力系统自动化,2022,46(10):216-223.

PAN Xiao,ZHANG Mingli,LIU Debao,et al.Interval Prediction of Wind Farm Day-ahead Output Based on Robust Multi-label Generative Adversarial[J].Automation of Electric Power Systems,2022,46(10):216-223.
潘霄,张明理,刘德宝等.基于鲁棒多标签生成对抗的风电场日前出力区间预测[J].电力系统自动化,2022,46(10):216-223. DOI： 10.7500/AEPS20210630007.

PAN Xiao,ZHANG Mingli,LIU Debao,et al.Interval Prediction of Wind Farm Day-ahead Output Based on Robust Multi-label Generative Adversarial[J].Automation of Electric Power Systems,2022,46(10):216-223. DOI： 10.7500/AEPS20210630007.

摘要

风力发电不确定性强、波动性大，日前预测精度有待改善。为提高风电日前区间预测效果，提出一种基于鲁棒多标签生成对抗的风电场日前出力区间预测方法。首先，采用皮尔逊相关系数分析风电出力与多种气象因素、历史风电出力间的相关性，构建含数值天气预报气象特征与风电出力的原始数据集。然后，在原始数据集中去除待预测日风电功率，得到聚类数据集开展

-means聚类，获得带簇标签的原始数据集。之后，基于鲁棒性辅助分类生成对抗网络，生成海量带标签场景。最后，根据已知的历史风电出力和数值天气预报获得的特征，确定待预测日的簇标签，在生成场景中按对应簇标签筛选与待预测日风电功率特征相似度高的多个场景，组成相似场景集。基于相似场景集的待预测日风电功率均值及上下限，分别获得待预测日（次日）24个时段的风电功率点预测及区间预测结果。以中国东北某地区实际风电场数据为例验证了所提方法的优越性。

Abstract

Wind power is highly uncertain and volatile

and the day-ahead prediction accuracy of wind power needs to be improved. In order to improve the effect of day-ahead interval prediction for the wind power

an interval prediction method of wind farm day-ahead output based on robust multi-label generation adversarial is proposed. First

the Pearson correlation coefficient is used to analyze the correlation between wind power output and various meteorological factors and historical wind power output

and construct an original data set containing meteorological factors of numerical weather prediction (NWP) and wind power output. Then

the predicted daily wind power is removed from the original data set to obtain a clustered data set. The

-means clustering is carried out to get the original data set with cluster labels. Then

many labeled scenarios are generated based on the robust auxiliary classification generation adversarial network. Finally

according to the known historical wind power output and the factors obtained by the NWP

the cluster label of the day to be predicted is determined. In the generated scenarios

multiple scenarios with high similarity to the wind power factors of the day to be predicted are selected according to the corresponding cluster labels to form a similar scenario set. Based on the average value and upper and lower limits of the wind power of the day to be predicted in the similar scenario set

the point prediction and interval prediction results of the wind power in 24 hours on the day to be predicted (the next day) are obtained

respectively. The superiority of the proposed method is verified by taking the actual wind farm data in Northeast China as an example.

关键词

Keywords

references

周博，艾小猛，方家琨，等 . 计及超分辨率风电出力不确定性的连续时间鲁棒机组组合［J］. 电工技术学报， 2021 ， 36 （ 7 ）： 1456 - 1467 .

ZHOU Bo ， AI Xiaomeng ， FANG Jiakun ， et al . Continuous-time modeling based robust unit commitment considering beyond-the-resolution wind power uncertainty ［J］. Transactions of China Electrotechnical Society ， 2021 ， 36 （ 7 ）： 1456 - 1467 .

向玮华，班连庚，周佩朋 . 基于机器学习可解释代理模型的风电次同步振荡在线预测及优化控制方法［J］. 电力系统保护与控制， 2021 ， 49 （ 16 ）： 67 - 75 .

XIANG Weihua ， BAN Liangeng ， ZHOU Peipeng . Online prediction and optimal control method for subsynchronous oscillation of wind power based on an interpretable surrogate model for machine learning ［J］. Power System Protection and Control ， 2021 ， 49 （ 16 ）： 67 - 75 .

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 .

张旭，张宏立，王聪 . 基于PSOGSA全参数连分式的风速预测模型［J］. 电力系统保护与控制， 2020 ， 48 （ 23 ）： 100 - 107 .

ZHANG Xu ， ZHANG Hongli ， WANG Cong . Wind speed prediction model based on PSOGSA full-parameter continuous fractions ［J］. Power System Protection and Control ， 2020 ， 48 （ 23 ）： 100 - 107 .

盛四清，金航，刘长荣 . 基于VMD-WSGRU的风电场发电功率中短期及短期预测［J/OL］. 电网技术［ 2021-09-13 ］. https：//doi.org/10.13335/j.1000-3673.pst.2020.1198 https://doi.org/10.13335/j.1000-3673.pst.2020.1198 .

SHENG Siqing ， JIN Hang ， LIU Changrong . Short-term and mid-short-term wind power forecasting based on VMD-WSGRU ［J/OL］. Power System Technology ［ 2021-09-13 ］. https：//doi.org/10.13335/j.1000-3673.pst.2020.1198 https://doi.org/10.13335/j.1000-3673.pst.2020.1198 .

徐沈智，艾小猛，邹佳芯，等 . 优选状态数的MCMC算法在风电功率序列生成中的应用［J］. 电力自动化设备， 2019 ， 39 （ 5 ）： 61 - 68 .

XU Shenzhi ， AI Xiaomeng ， ZOU Jiaxin ， et al . Application of optimizing state number Markov chain Monte Carlo algorithm in wind power generation ［J］. Electric Power Automation Equipment ， 2019 ， 39 （ 5 ）： 61 - 68 .

胡帅，向月，沈晓东，等 . 计及气象因素和风速空间相关性的风电功率预测模型［J］. 电力系统自动化， 2021 ， 45 （ 7 ）： 28 - 36 .

HU Shuai ， XIANG Yue ， SHEN Xiaodong ， et al . Wind power prediction model considering meteorological factor and spatial correlation of wind speed ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 7 ）： 28 - 36 .

牛东晓，纪会争 . 风电功率物理预测模型引入误差量化分析方法［J］. 电力系统自动化， 2020 ， 44 （ 8 ）： 57 - 65 .

NIU Dongxiao ， JI Huizheng . Quantitative analysis method for errors introduced by physical prediction model of wind power ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 8 ）： 57 - 65 .

KOU P ， LIANG D L ， GAO F ， et al . Probabilistic wind power forecasting with online model selection and warped Gaussian process ［J］. Energy Conversion and Management ， 2014 ， 84 ： 649 - 663 .

黎静华，黄玉金，黄乾 . 基于改进混沌时间序列的风电功率区间预测方法［J］. 电力自动化设备， 2019 ， 39 （ 5 ）： 53 - 60 .

LI Jinghua ， HUANG Yujin ， HUANG Qian . Interval prediction method of wind power based on improved chaotic time series ［J］. Electric Power Automation Equipment ， 2019 ， 39 （ 5 ）： 53 - 60 .

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 .

史加荣，赵丹梦，王琳华，等 . 基于RR-VMD-LSTM的短期风电功率预测［J］. 电力系统保护与控制， 2021 ， 49 （ 21 ）： 63 - 70 .

SHI Jiarong ， ZHAO Danmeng ， WANG Linhua ， et al . Short-term wind power prediction based on RR-VMD-LSTM ［J］. Power System Protection and Control ， 2021 ， 49 （ 21 ）： 63 - 70 .

柳玉，曾德良，刘吉臻，等 . 基于小波包变换的最小二乘支持向量机短期风速多步预测和信息粒化预测的研究［J］. 太阳能学报， 2014 ， 35 （ 2 ）： 214 - 220 .

LIU Yu ， ZENG Deliang ， LIU Jizhen ， et al . Wavelet packet transform and the least squares support vector machine in research of short-term wind speed multistep prediction and information granulation prediction ［J］. Acta Energiae Solaris Sinica ， 2014 ， 35 （ 2 ）： 214 - 220 .

修春波，任晓，李艳晴，等 . 基于卡尔曼滤波的风速序列短期预测方法［J］. 电工技术学报， 2014 ， 29 （ 2 ）： 253 - 259 .

XIU Chunbo ， REN Xiao ， LI Yanqing ， et al . Short-term prediction method of wind speed series based on Kalman filtering fusion ［J］. Transactions of China Electrotechnical Society ， 2014 ， 29 （ 2 ）： 253 - 259 .

LIU H P ， ERDEM E ， SHI J . Comprehensive evaluation of ARMA-GARCH approaches for modeling the mean and volatility of wind speed ［J］. Applied Energy ， 2011 ， 88 （ 3 ）： 724 - 732 .

吴云，雷建文，鲍丽山，等 . 基于改进灰色关联分析与蝙蝠优化神经网络的短期负荷预测［J］. 电力系统自动化， 2018 ， 42 （ 20 ）： 67 - 72 .

WU Yun ， LEI Jianwen ， BAO Lishan ， et al . Short-term load forecasting based on improved grey relational analysis and neural network optimized by bat algorithm ［J］. Automation of Electric Power Systems ， 2018 ， 42 （ 20 ）： 67 - 72 .

叶小岭，顾荣，邓华，等 . 基于WRF模式和PSO-LSSVM的风电场短期风速订正［J］. 电力系统保护与控制， 2017 ， 45 （ 22 ）： 48 - 54 .

YE Xiaoling ， GU Rong ， DENG Hua ， et al . Modification technology research of short-term wind speed in wind farm based on WRF model and PSO-LSSVM method ［J］. Power System Protection and Control ， 2017 ， 45 （ 22 ）： 48 - 54 .

郑培，于立军，侯胜亚，等 . 基于卡尔曼滤波修正的多步风电功率预测［J］. 热能动力工程， 2020 ， 35 （ 4 ）： 235 - 241 .

ZHENG Pei ， YU Lijun ， HOU Shengya ， et al . Multi-step wind power forecasting based on Kalman filter modification ［J］. Journal of Engineering for Thermal Energy and Power ， 2020 ， 35 （ 4 ）： 235 - 241 .

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 .

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 .

王涓，吴旭鸣，王爱凤 . 应用皮尔逊相关系数算法查找异常电能表用户［J］. 电力需求侧管理， 2014 ， 16 （ 2 ）： 52 - 54 .

WANG Juan ， WU Xuming ， WANG Aifeng . The application of Pearson correlation coefficient algorithm in searching for the users with abnormal watt-hour meters ［J］. Power Demand Side Management ， 2014 ， 16 （ 2 ）： 52 - 54 .

HE X X ， WANG T ， LIU W ， et al . Measurement data fusion based on optimized weighted least-squares algorithm for multi-target tracking ［J］. IEEE Access ， 2019 ， 7 ： 13901 - 13916 .

HUANG N T ， CHEN Q Z ， CAI G W ， et al . Fault diagnosis of bearing in wind turbine gearbox under actual operating conditions driven by limited data with noise labels ［J］. IEEE Transactions on Instrumentation and Measurement ， 2021 ， 70 ： 1 - 10 .

THEKUMPARAMPIL K K ， KHETAN A ， LIN Z ， et al . Robustness of conditional GANs to noisy labels ［J］. Advances in Neural Information Processing Systems ， 2018 ， 31 ： 10271 - 10282 .

龚莺飞，鲁宗相，乔颖，等 . 光伏功率预测技术［J］. 电力系统自动化， 2016 ， 40 （ 4 ）： 140 - 151 .

GONG Yingfei ， LU Zongxiang ， QIAO Ying ， et al . An overview of photovoltaic energy system output forecasting technology ［J］. Automation of Electric Power Systems ， 2016 ， 40 （ 4 ）： 140 - 151 .

MADHIARASAN M . Accurate prediction of different forecast horizons wind speed using a recursive radial basis function neural network ［J］. Protection and Control of Modern Power Systems ， 2020 ， 5 ： 22 .

黄南天，杨学航，蔡国伟，等 . 采用非平衡小样本数据的风机主轴承故障深度对抗诊断［J］. 中国电机工程学报， 2020 ， 40 （ 2 ）： 563 - 574 .

HUANG Nantian ， YANG Xuehang ， CAI Guowei ， et al . A deep adversarial diagnosis method for wind turbine main bearing fault with imbalanced small sample scenarios ［J］. Proceedings of the CSEE ， 2020 ， 40 （ 2 ）： 563 - 574 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

风电经柔直送出系统送端交流故障低电压穿越策略

基于单机模型扩展的直驱风电场通用等值模型构建方法

基于虚拟调速控制的大型孤岛新能源基地LCC直流送出方案

Related Author

WANG Qingyuan

WANG Mingshen

MU Yunfei

CUI Li

ZHAO Nan

GE Le

ZHONG Shuwei

CHE Yanbo

Related Institution

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

School of Electric Power Engineering, Nanjing Institute of Technology

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

Key Laboratory of Smart Grid of Ministry of Education (Tianjin University)

⁰