Short-term Wind Power Probability Forecasting Method Based on Improved Meteorological Clustering and Classification

Haotian WU; Rongfu SUN; Siyang LIAO; Deping KE; Jian XU; Haixiang XU

doi:10.7500/AEPS20210914003

您当前的位置：

首页 >

文章列表页 >

Short-term Wind Power Probability Forecasting Method Based on Improved Meteorological Clustering and Classification

Basic Research | 更新时间：2025-06-16

- Short-term Wind Power Probability Forecasting Method Based on Improved Meteorological Clustering and Classification
- Automation of Electric Power Systems Vol. 46, Issue 15, Pages: 56-65(2022)
- 作者机构：
  
  1.武汉大学电气与自动化学院，湖北省武汉市 430072
  2.国网冀北电力有限公司，北京市 100032
- 作者简介：
- 基金信息：
  
  State Grid Corporation of China(5700-202014195A-0-0-00)
- DOI：10.7500/AEPS20210914003
  CLC：
- Received：14 September 2021，
  
  Revised：2022-02-16，
  
  Published Online：26 May 2022，
  
  Published：10 August 2022
- 稿件说明：
移动端阅览
吴浩天,孙荣富,廖思阳等.基于改进气象聚类分型的短期风电功率概率预测方法[J].电力系统自动化,2022,46(15):56-65.

WU Haotian,SUN Rongfu,LIAO Siyang,et al.Short-term Wind Power Probability Forecasting Method Based on Improved Meteorological Clustering and Classification[J].Automation of Electric Power Systems,2022,46(15):56-65.
吴浩天,孙荣富,廖思阳等.基于改进气象聚类分型的短期风电功率概率预测方法[J].电力系统自动化,2022,46(15):56-65. DOI： 10.7500/AEPS20210914003.

WU Haotian,SUN Rongfu,LIAO Siyang,et al.Short-term Wind Power Probability Forecasting Method Based on Improved Meteorological Clustering and Classification[J].Automation of Electric Power Systems,2022,46(15):56-65. DOI： 10.7500/AEPS20210914003.

摘要

精准的风电功率预测是对以新能源为主体的新型电力系统安全高效运行的重要支撑。针对现有预测方法未充分考虑不同气象条件下风电出力特性差异的问题，提出基于改进秃鹰搜索-最大期望算法的高斯混合模型（IBES-EM-GMM）聚类与气象分型的风电功率概率预测方法。首先，基于Levy飞行与自适应

分布变异策略改进秃鹰搜索算法，提出IBES-EM-GMM聚类模型，以增强其全局搜索能力。以此为基础，利用IBES-EM-GMM聚类模型对历史气象-功率数据集进行聚类划分，并采用混合深度神经网络与Cornish-Fisher级数分别训练不同气象模式的数据集以得到其概率预测结果。最后，选取中国冀北地区风电场实际数据进行算例仿真。结果表明，相较于无聚类和高斯混合模型聚类方法，所提IBES-EM-GMM聚类模型使聚类效果、风电功率点预测与概率预测精度均得到了显著提升。

Abstract

Accurate wind power forecasting is a critical support for the safe and efficient operation of the renewable-energy-based power system. Aiming at the problem that the existing forecasting methods do not fully consider the difference in wind power output characteristics under different meteorological conditions

a wind power probability forecasting method based on Gaussian mixture model (GMM) clustering with improved bald eagle search (IBES)-expectation maximum (EM) algorithm (IBES-EM-GMM) and meteorological classification is proposed. First

based on Levy flight and adaptive

-distribution mutation strategy

the bald eagle search algorithm is improved

and GMM clustering model based on the IBES-EM algorithm is proposed to enhance the global search ability. Based on this

the IBES-EM-GMM clustering model is applied to cluster the historical weather-power data set

and the hybrid deep neural network along with Cornish-Fisher series is used to train the data sets with different meteorological patterns to obtain their probability forecasting results. Finally

the actual data of wind farms in Jibei

China are selected as an example for simulation. The results show that compared with the methods without clustering and with GMM clustering

the proposed IBES-EM-GMM clustering model leads to a significant improvement in clustering effect and the accuracy of point and probability forecasting for wind power.

关键词

Keywords

references

国家能源局 . 国新办举行中国可再生能源发展有关情况发布会［EB/OL］.［ 2021-03-30 ］. http：//www.nea.gov.cn/2021-03/30/c_139846095.htm http://www.nea.gov.cn/2021-03/30/c_139846095.htm .

National Energy Administration . The State Council Information Office held a press conference on China's renewable energy development ［EB/OL］. ［ 2021-03-30 ］. http：//www.nea.gov.cn/2021-03/30/c_139846095.htm http://www.nea.gov.cn/2021-03/30/c_139846095.htm .

WAN C ， XU Z ， PINSON P ， et al . Probabilistic forecasting of wind power generation using extreme learning machine ［J］. IEEE Transactions on Power Systems ， 2014 ， 29 （ 3 ）： 1033 - 1044 .

WAN C ， XU Z ， PINSON P . Direct interval forecasting of wind power ［J］. IEEE Transactions on Power Systems ， 2013 ， 28 （ 4 ）： 4877 - 4878 .

甘迪，柯德平，孙元章，等 . 考虑爬坡特性的短期风电功率概率预测［J］. 电力自动化设备， 2016 ， 36 （ 4 ）： 145 - 150 .

GAN Di ， KE Deping ， SUN Yuanzhang ， et al . Short-term probabilistic wind power forecast considering ramp characteristics ［J］. Electric Power Automation Equipment ， 2016 ， 36 （ 4 ）： 145 - 150 .

李智，韩学山，杨明，等 . 基于分位点回归的风电功率波动区间分析［J］. 电力系统自动化， 2011 ， 35 （ 3 ）： 83 - 87 .

LI Zhi ， HAN Xueshan ， YANG Ming ， et al . Wind power fluctuation interval analysis based on quantile regression ［J］. Automation of Electric Power Systems ， 2011 ， 35 （ 3 ）： 83 - 87 .

甘迪，柯德平，孙元章，等 . 基于集合经验模式分解和遗传-高斯过程回归的短期风速概率预测［J］. 电工技术学报， 2015 ， 30 （ 11 ）： 138 - 147 .

GAN Di ， KE Deping ， SUN Yuanzhang ， et al . Short-term wind speed probabilistic forecasting based on EEMD and coupling GA-GPR ［J］. Transactions of China Electrotechnical Society ， 2015 ， 30 （ 11 ）： 138 - 147 .

杨锡运，关文渊，刘玉奇，等 . 基于粒子群优化的核极限学习机模型的风电功率区间预测方法［J］. 中国电机工程学报， 2015 ， 35 （增刊1 ）： 146 - 153 .

YANG Xiyun ， GUAN Wenyuan ， LIU Yuqi ， et al . Prediction intervals forecasts of wind power based on PSO-KELM ［J］. Proceedings of the CSEE ， 2015 ， 35 （ Supplement 1 ）： 146 - 153 .

YANG M ， FAN S ， LEE W J . Probabilistic short-term wind power forecast using componential sparse Bayesian learning ［J］. IEEE Transactions on Industry Applications ， 2013 ， 49 （ 6 ）： 2783 - 2792 .

赵康宁，蒲天骄，王新迎，等 . 基于改进贝叶斯神经网络的光伏出力概率预测［J］. 电网技术， 2019 ， 43 （ 12 ）： 4377 - 4386 .

ZHAO Kangning ， PU Tianjiao ， WANG Xinying ， et al . Probabilistic forecasting for photovoltaic power based on improved Bayesian neural network ［J］. Power System Technology ， 2019 ， 43 （ 12 ）： 4377 - 4386 .

BLUDSZUWEIT H ， DOMINGUEZ-NAVARRO J A ， LLOMBART A . Statistical analysis of wind power forecast error ［J］. IEEE Transactions on Power Systems ， 2008 ， 23 （ 3 ）： 983 - 991 .

TANG C H ， XU J ， SUN Y Z ， et al . A versatile mixture distribution and its application in economic dispatch with multiple wind farms ［J］. IEEE Transactions on Sustainable Energy ， 2017 ， 8 （ 4 ）： 1747 - 1762 .

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］. 电力系统自动化， 2021 ， 45 （ 1 ）： 177 - 183 .

YANG Mao ， BAI Yuying . Ultra-short-term prediction of wind power based on multi-location numerical weather prediction and gated recurrent unit ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 1 ）： 177 - 183 .

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 .

REN Z Y ， LI W Y ， BILLINTON R ， et al . Probabilistic power flow analysis based on the stochastic response surface method ［J］. IEEE Transactions on Power Systems ， 2016 ， 31 （ 3 ）： 2307 - 2315 .

PINSON P ， KARINIOTAKIS G . Conditional prediction intervals of wind power generation ［J］. IEEE Transactions on Power Systems ， 2010 ， 25 （ 4 ）： 1845 - 1856 .

杨茂，董昊 . 基于数值天气预报风速和蒙特卡洛法的短期风电功率区间预测［J］. 电力系统自动化， 2021 ， 45 （ 5 ）： 79 - 85 .

YANG Mao ， DONG Hao . Short-term wind power interval prediction based on wind speed of numerical weather prediction and Monte Carlo method ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 5 ）： 79 - 85 .

WU W B ， PENG M G . A data mining approach combining K -means clustering with bagging neural network for short-term wind power forecasting ［J］. IEEE Internet of Things Journal ， 2017 ， 4 （ 4 ）： 979 - 986 .

王勃，冯双磊，刘纯 . 基于天气分型的风电功率预测方法［J］. 电网技术， 2014 ， 38 （ 1 ）： 93 - 98 .

WANG Bo ， FENG Shuanglei ， LIU Chun . Study on weather typing based wind power prediction ［J］. Power System Technology ， 2014 ， 38 （ 1 ）： 93 - 98 .

乔延辉，韩爽，许彦平，等 . 基于天气分型的风光出力互补性分析方法［J］. 电力系统自动化， 2021 ， 45 （ 2 ）： 82 - 88 .

QIAO Yanhui ， HAN Shuang ， XU Yanping ， et al . Analysis method for complementarity between wind and photovoltaic power outputs based on weather classification ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 2 ）： 82 - 88 .

叶林，裴铭，路朋，等 . 基于天气分型的短期光伏功率组合预测方法［J］. 电力系统自动化， 2021 ， 45 （ 1 ）： 44 - 54 .

YE Lin ， PEI Ming ， LU Peng ， et al . Combination forecasting method of short-term photovoltaic power based on weather classification ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 1 ）： 44 - 54 .

徐青山，黄煜，刘建坤，等 . 采用混合高斯模型及边缘变换技术的蒙特卡洛随机潮流方法［J］. 电力系统自动化， 2016 ， 40 （ 16 ）： 23 - 30 .

XU Qingshan ， HUANG Yu ， LIU Jiankun ， et al . Probabilistic load flow method using Monte Carlo simulation based on Gaussian mixture model and marginal transformation ［J］. Automation of Electric Power Systems ， 2016 ， 40 （ 16 ）： 23 - 30 .

ALSATTAR H A ， ZAIDAN A A ， ZAIDAN B B . Novel meta-heuristic bald eagle search optimisation algorithm ［J］. Artificial Intelligence Review ， 2020 ， 53 （ 3 ）： 2237 - 2264 .

YANG X S ， DEB S . Engineering optimisation by cuckoo search ［J］. International Journal of Mathematical Modelling and Numerical Optimisation ， 2010 ， 1 （ 4 ）： 330 - 343 .

王一妹，刘辉，宋鹏，等 . 基于高斯混合模型聚类的风电场短期功率预测方法［J］. 电力系统自动化， 2021 ， 45 （ 7 ）： 37 - 43 .

WANG Yimei ， LIU Hui ， SONG Peng ， et al . Short-term power forecasting method of wind farm based on Gaussian mixture model clustering ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 7 ）： 37 - 43 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

计及送端风电调频能力的交直流混合电网频率紧急控制策略

Distributed Algorithm for Robust Economic Dispatch of Integrated Transmission and Distribution System Considering Wind Power Uncertainty

Spatio-Temporal Cooperative Probability Forecasting Method for Distributed Photovoltaic Output Based on iDGA-LSTM

Collaborative Robust Planning of Electric and Thermal Flexibility Resources Considering Reserve Optimization

Related Author

LIU Yishi

CHI Yongning

LIU Chao

LIU Hongzhi

HUANG Xinyi

LIU Mingbo

LIN Shunjiang

ZHU Jianquan

Related Institution

School of Power Engineering, South China University of Technology

Guangdong Key Laboratory of Clean Energy Technology

College of Electric Engineering, Zhejiang University

Huizhou Power Supply Bureau of Guangdong Electric Power Co., Ltd.

⁰