Ultra-short-term Power Prediction Model Considering Spatial-Temporal Characteristics of Offshore Wind Turbines

LIN Zheng; LIU Kezhen; SHEN Fu; ZHAO Xianping; LIANG Yuping; DONG Min

doi:10.7500/AEPS20211124004

您当前的位置：

首页 >

文章列表页 >

Ultra-short-term Power Prediction Model Considering Spatial-Temporal Characteristics of Offshore Wind Turbines

Basic Research | 更新时间：2025-06-16

- Ultra-short-term Power Prediction Model Considering Spatial-Temporal Characteristics of Offshore Wind Turbines
- Automation of Electric Power Systems Vol. 46, Issue 23, Pages: 59-66(2022)
- 作者机构：
  
  1.昆明理工大学电力工程学院，云南省昆明市 650500
  2.云南电网有限责任公司，云南省昆明市 650217
- 作者简介：
- 基金信息：
  
  Foundation:National Natural Science Foundation of China(52107097);Yunnan Fundamental Research Projects of China(202101BE070001-061)
- DOI：10.7500/AEPS20211124004
  CLC：
- Received：24 November 2021，
  
  Revised：2022-03-29，
  
  Published Online：31 October 2022，
  
  Published：10 December 2022
- 稿件说明：
移动端阅览
林铮,刘可真,沈赋等.考虑海上风电多机组时空特性的超短期功率预测模型[J].电力系统自动化,2022,46(23):59-66.

LIN Zheng,LIU Kezhen,SHEN Fu,et al.Ultra-short-term Power Prediction Model Considering Spatial-Temporal Characteristics of Offshore Wind Turbines[J].Automation of Electric Power Systems,2022,46(23):59-66.
林铮,刘可真,沈赋等.考虑海上风电多机组时空特性的超短期功率预测模型[J].电力系统自动化,2022,46(23):59-66. DOI： 10.7500/AEPS20211124004.

LIN Zheng,LIU Kezhen,SHEN Fu,et al.Ultra-short-term Power Prediction Model Considering Spatial-Temporal Characteristics of Offshore Wind Turbines[J].Automation of Electric Power Systems,2022,46(23):59-66. DOI： 10.7500/AEPS20211124004.

摘要

海上风电单机预测无法快速预测海上风电场整体功率，且各机组间波动不均会造成集群功率曲线质量差、预测精度低的问题。因此，文中提出考虑海上风电机组时空特性的超短期功率预测模型。首先，利用改进动态时间弯曲算法量化度量海上风电机组时空特性相似度，分析海上风电机组的时空特性；然后，采用基于深度学习的Transformer模型建立海上风电功率预测模型；最后，综合考虑海上风电机组时空特性相似度与母线位置信息，聚类海上风电机组并进行超短期功率预测。通过对海上风电机组实测数据的分析表明，所提出的方法可有效量化与度量海上风电机组间时空特性并及时预测超短期海上风电机组群功率。

Abstract

The single-unit prediction of offshore wind power cannot quickly predict the overall power of an offshore wind farm

and uneven fluctuations among units lead to poor quality of cluster power curves and low prediction accuracy. Therefore

this paper proposes an ultra-short-term power prediction model considering the spatial-temporal characteristics of offshore wind turbines. First

the improved dynamic time warping (DTW) algorithm is used to quantify the spatial-temporal characteristic similarity of offshore wind turbines and analyze the spatial-temporal characteristics of offshore wind turbines. Then

the Transformer model based on deep learning is used to establish the offshore wind power prediction model. Finally

the spatial-temporal characteristic similarity of offshore wind turbines and the bus position information are comprehensively considered to cluster the offshore wind turbines and conduct the ultra-short-term power prediction. The analysis of measured data of offshore wind turbines show that the proposed method can effectively quantify and measure the spatial-temporal characteristics of offshore wind turbines and timely predict the ultra-short-term power of offshore wind turbine groups.

关键词

Keywords

references

Global Wind Energy Council . GWEC global wind report 2018 ［EB/OL］. ［ 2021-11-24 ］. https：//gwec.net/wp-content/uploads/2019/04/GWEC-Global-Wind-Report-2018.pdf https://gwec.net/wp-content/uploads/2019/04/GWEC-Global-Wind-Report-2018.pdf .

刘吉臻，马利飞，王庆华，等 . 海上风电支撑我国能源转型发展的思考［J］. 中国工程科学， 2021 ， 23 （ 1 ）： 149 - 159 .

LIU Jizhen ， MA Lifei ， WANG Qinghua ， et al . Offshore wind power supports China's energy transition ［J］. Strategic Study of CAE ， 2021 ， 23 （ 1 ）： 149 - 159 .

李政，陈思源，董文娟，等 . 碳约束条件下电力行业低碳转型路径研究［J］. 中国电机工程学报， 2021 ， 41 （ 12 ）： 3987 - 4001 .

LI Zheng ， CHEN Siyuan ， DONG Wenjuan ， et al . Low carbon transition pathway of power sector under carbon emission constraints ［J］. Proceedings of the CSEE ， 2021 ， 41 （ 12 ）： 3987 - 4001 .

姚钢，杨浩猛，周荔丹，等 . 大容量海上风电机组发展现状及关键技术［J］. 电力系统自动化， 2021 ， 45 （ 21 ）： 33 - 47 .

YAO Gang ， YANG Haomeng ， ZHOU Lidan ， et al . Development status and key technologies of large-capacity offshore wind turbines ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 21 ）： 33 - 47 .

王伟胜，王铮，董存，等 . 中国短期风电功率预测技术现状与误差分析［J］. 电力系统自动化， 2021 ， 45 （ 1 ）： 17 - 27 .

WANG Weisheng ， WANG Zheng ， DONG Cun ， et al . Status and error analysis of short-term forecasting technology of wind power in China ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 1 ）： 17 - 27 .

HOU P ， HU W H ， SOLTANI M ， et al . Offshore wind farm layout design considering optimized power dispatch strategy ［J］. IEEE Transactions on Sustainable Energy ， 2017 ， 8 （ 2 ）： 638 - 647 .

符杨，任子旭，魏书荣，等 . 基于改进LSTM-TCN模型的海上风电超短期功率预测［J］. 中国电机工程学报， 2022 ， 42 （ 12 ）： 4292 - 4303 .

FU Yang ， REN Zixu ， WEI Shurong ， et al . Ultra-short-term power prediction of offshore wind power based on improved LSTM-TCN model ［J］. Proceedings of the CSEE ， 2022 ， 42 （ 12 ）： 4292 - 4303 .

WU Y K ， SU P E ， WU T Y ， et al . Probabilistic wind-power forecasting using weather ensemble models ［J］. IEEE Transactions on Industry Applications ， 2018 ， 54 （ 6 ）： 5609 - 5620 .

潘超，李润宇，蔡国伟，等 . 基于时空关联分解重构的风速超短期预测［J］. 电工技术学报， 2021 ， 36 （ 22 ）： 4739 - 4748 .

PAN Chao ， LI Runyu ， CAI Guowei ， et al . Multi-step ultra-short-term wind speed prediction based on decomposition and reconstruction of time-spatial correlation ［J］. Transactions of China Electrotechnical Society ， 2021 ， 36 （ 22 ）： 4739 - 4748 .

沈小军，周冲成，付雪娇 . 基于机联网-空间相关性权重的风电机组风速预测研究［J］. 电工技术学报， 2021 ， 36 （ 9 ）： 1782 - 1790 .

SHEN Xiaojun ， ZHOU Chongcheng ， FU Xuejiao . Wind speed prediction of wind turbine based on the Internet of machines and spatial correlation weight ［J］. Transactions of China Electrotechnical Society ， 2021 ， 36 （ 9 ）： 1782 - 1790 .

孙亚南，黄越辉，孙谊媊，等 . 基于运行数据的短期风电功率预测误差互补特性探析［J］. 电力系统自动化， 2021 ， 45 （ 21 ）： 215 - 223 .

SUN Yanan ， HUANG Yuehui ， SUN Yiqian ， et al . Operation data based analysis on complementary characteristics of short-term power prediction error for wind power ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 21 ）： 215 - 223 .

谢丽蓉，王斌，包洪印，等 . 基于EEMD-WOA-LSSVM的超短期风电功率预测［J］. 太阳能学报， 2021 ， 42 （ 7 ）： 290 - 296 .

XIE Lirong ， WANG Bin ， BAO Hongyin ， et al . Super-short-term wind power forecasting based on EEMD-WOA-LSSVM ［J］. Acta Energiae Solaris Sinica ， 2021 ， 42 （ 7 ）： 290 - 296 .

丁婷婷，杨明，于一潇，等 . 基于误差修正的短期风电功率集成预测方法［J］. 高电压技术， 2022 ， 48 （ 2 ）： 488 - 496 .

DING Tingting ， YANG Ming ， YU Yixiao ， et al . Short-term wind power integration prediction method based on error correction ［J］. High Voltage Engineering ， 2022 ， 48 （ 2 ）： 488 - 496 .

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 .

SHI J ， DING Z H ， LEE W J ， et al . Hybrid forecasting model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features ［J］. IEEE Transactions on Smart Grid ， 2014 ， 5 （ 1 ）： 521 - 526 .

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 .

杨子民，彭小圣，郎建勋，等 . 基于集群动态划分与BLSTM深度学习的风电集群短期功率预测［J］. 高电压技术， 2021 ， 47 （ 4 ）： 1195 - 1203 .

YANG Zimin ， PENG Xiaosheng ， LANG Jianxun ， et al . Short-term wind power prediction based on dynamic cluster division and BLSTM deep learning method ［J］. High Voltage Engineering ， 2021 ， 47 （ 4 ）： 1195 - 1203 .

DOWELL J ， PINSON P . Very-short-term probabilistic wind power forecasts by sparse vector autoregression ［J］. IEEE Transactions on Smart Grid ， 2016 ， 7 （ 2 ）： 763 - 770 .

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 .

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 .

周哲韬，刘路，宋晓，等 . 基于Transformer模型的滚动轴承剩余使用寿命预测方法［J/OL］. 北京航空航天大学报： 1 - 17 ［ 2021-11-24 ］. https：//doi.org/10.13700/j.bh.1001-5965.2021.0247 https://doi.org/10.13700/j.bh.1001-5965.2021.0247 .

ZHOU Zhetao ， LIU Lu ， SONG Xiao ， et al . Remaining service life prediction method of rolling bearing based on Transformer model ［J/OL］. Journal of Beijing University of Aeronautics and Astronautics ： 1 - 17 ［ 2021-11-24 ］. https：//doi.org/10.13700/j.bh.1001-5965.2021.0247 https://doi.org/10.13700/j.bh.1001-5965.2021.0247 .

BAHDANAU D ， CHO K ， BENGIO Y . Neural machine translation by jointly learning to align and translate ［C］// 3rd International Conference on Learning Representations ， May 7-9 ， 2015 ， San Diego， USA ： 1 - 15 .

VASWANI A ， SHAZEER N ， PARMAR N ， et al . Attention is all you need ［C］// Advances in neural information processing systems ， December 4-9 ， 2017 ， Long Beach， USA .

ZHOU H Y ， ZHANG S H ， PENG J Q ， et al . Informer： beyond efficient transformer for long sequence time-series forecasting ［EB/OL］. ［ 2020-07-01 ］. https：//arxiv.org/abs/2012.07436 https://arxiv.org/abs/2012.07436 .

凌家源 . 基于事件检测与深度学习的非侵入式负荷监测算法［D］. 杭州：浙江大学， 2021 .

LING Jiayuan . Non-intrusive load monitoring based on event detection and deep learning ［D］. Hangzhou ： Zhejiang University ， 2021 .

于浩，贾清泉，李珍国，等 . 基于时间序列模式匹配的电能质量区域化治理［J］. 中国电机工程学报， 2019 ， 39 （ 13 ）： 3788 - 3799 .

YU Hao ， JIA Qingquan ， LI Zhenguo ， et al . Regionalization control for power quality based on time series pattern matching ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 13 ）： 3788 - 3799 .

金伟超，张旭，刘晟源，等 . 基于剪枝策略和密度峰值聚类的行业典型负荷曲线辨识［J］. 电力系统自动化， 2021 ， 45 （ 4 ）： 20 - 28 .

JIN Weichao ， ZHANG Xu ， LIU Shengyuan ， et al . Identification of typical industrial power load curves based on pruning strategy and density peak clustering ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 4 ）： 20 - 28 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Capacity Configuration of Grid-forming-Grid-following Wind Turbines in Diode Rectifier Unit-High Voltage DC Offshore Wind Power Transmission System

Analysis and Optimization of Resonance Stability for MMC-HVDC and LCC-HVDC Hybrid Infeed System of Offshore Wind Power

Multi-terminal Flexible DC Transmission System for Offshore Wind Power and Its DC Fault Clearance Scheme

Fractional Frequency Transmission Planning for Offshore Wind Power Considering Resonance Stability and Operation Reliability of System

Related Author

YU Lujie

WANG Zhiyuan

ZHU Jiebei

TONG Wenhao

LI Rui

YE Baixian

WANG Xuemei

LIU Hang

Related Institution

School of Electrical and Information Engineering, Tianjin University

Georgia Tech Shenzhen Institute, Tianjin University

School of Electrical Engineering and Automation, Harbin Institute of Technology

School of Electric Power, South China University of Technology

EHV Power Transmission Company of China Southern Power Grid Co., Ltd.

⁰