Ultra-short-term Probabilistic Forecasting of Wind Power Based on Temporal Mixture Density Network

Xiaochong DONG; Yingyun SUN; Tianjiao PU; Xinying WANG; Ye LI

doi:10.7500/AEPS20211208003

您当前的位置：

首页 >

文章列表页 >

Ultra-short-term Probabilistic Forecasting of Wind Power Based on Temporal Mixture Density Network

Basic Research | 更新时间：2025-06-16

- Ultra-short-term Probabilistic Forecasting of Wind Power Based on Temporal Mixture Density Network
- Automation of Electric Power Systems Vol. 46, Issue 14, Pages: 93-100(2022)
- 作者机构：
  
  1.华北电力大学电气与电子工程学院，北京市 102206
  2.中国电力科学研究院有限公司，北京市 100192
- 作者简介：
- 基金信息：
  
  National Key R&D Program of China(2020YFB0905900);National Natural Science Foundation of China(51777065)
- DOI：10.7500/AEPS20211208003
  CLC：
- Received：08 December 2021，
  
  Revised：2022-02-15，
  
  Published Online：11 April 2022，
  
  Published：25 July 2022
- 稿件说明：
移动端阅览
董骁翀,孙英云,蒲天骄等.基于时序混合密度网络的超短期风电功率概率预测[J].电力系统自动化,2022,46(14):93-100.

DONG Xiaochong,SUN Yingyun,PU Tianjiao,et al.Ultra-short-term Probabilistic Forecasting of Wind Power Based on Temporal Mixture Density Network[J].Automation of Electric Power Systems,2022,46(14):93-100.
董骁翀,孙英云,蒲天骄等.基于时序混合密度网络的超短期风电功率概率预测[J].电力系统自动化,2022,46(14):93-100. DOI： 10.7500/AEPS20211208003.

DONG Xiaochong,SUN Yingyun,PU Tianjiao,et al.Ultra-short-term Probabilistic Forecasting of Wind Power Based on Temporal Mixture Density Network[J].Automation of Electric Power Systems,2022,46(14):93-100. DOI： 10.7500/AEPS20211208003.

摘要

风电概率预测能够为新型电力系统安全运行提供关键的边界条件。提高预测精度是风电概率预测研究的关键问题，并且提高隐式模型的可解释性有益于人工智能模型的推广应用。因此，文中提出了时序混合密度网络，提取风电时序数据的局部矩信息作为输入通道，采用时序卷积网络提取多时间尺度的概率特征，并使用混合Beta分布构建概率预测信息。算例结果表明，局部矩通道能有效提高模型训练的收敛性，并且由时序混合密度网络提取的混合分布参数具有一定的可解释性，其预测结果相比现有模型具有更高的精度。

Abstract

Probabilistic forecasting of wind power can provide critical boundary conditions for the safe operation of new power systems. Improving forecasting accuracy is the key problem of the research for probabilistic forecasting of wind power

and improving the interpretability of implicit models is beneficial to the promotion and application of artificial intelligence models. Therefore

a temporal mixture density network is proposed

which extracts the local moment information of time series data of wind power as input channels. The temporal convolutional network is used to extract the multi-time-scale probabilistic features

and the mixed Beta distribution is used to construct the probabilistic forecasting information. The results of the case study show that the local moment channel effectively improves the convergence of the model training

and the mixed distribution parameters extracted by the temporal mixture density network have a certain interpretability. Compared with the existing models

the forecasting results of the temporal mixture density network have better accuracy.

关键词

Keywords

references

万灿，宋永华 . 新能源电力系统概率预测理论与方法及其应用［J］. 电力系统自动化， 2021 ， 45 （ 1 ）： 2 - 16 .

WAN Can ， SONG Yonghua . Theories， methodologies and applications of probabilistic forecasting for power systems with renewable energy sources ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 1 ）： 2 - 16 .

KHODAYAR M ， WANG J H ， MANTHOURI M . Interval deep generative neural network for wind speed forecasting ［J］. IEEE Transactions on Smart Grid ， 2019 ， 10 （ 4 ）： 3974 - 3989 .

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 .

WAN C ， LIN J ， WANG J H ， et al . Direct quantile regression for nonparametric probabilistic forecasting of wind power generation ［J］. IEEE Transactions on Power Systems ， 2017 ， 32 （ 4 ）： 2767 - 2778 .

YU Y X ， HAN X S ， YANG M ， et al . Probabilistic prediction of regional wind power based on spatiotemporal quantile regression ［J］. IEEE Transactions on Industry Applications ， 2020 ， 56 （ 6 ）： 6117 - 6127 .

刘燕华，李伟花，刘冲，等 . 短期风电功率预测误差的混合偏态分布模型［J］. 中国电机工程学报， 2015 ， 35 （ 10 ）： 2375 - 2382 .

LIU Yanhua ， LI Weihua ， LIU Chong ， et al . Mixed skew distribution model of short-term wind power prediction error ［J］. Proceedings of the CSEE ， 2015 ， 35 （ 10 ）： 2375 - 2382 .

HE Y Y ， LI H Y . Probability density forecasting of wind power using quantile regression neural network and kernel density estimation ［J］. Energy Conversion and Management ， 2018 ， 164 ： 374 - 384 .

YAN J ， LI K ， BAI E W ， et al . Hybrid probabilistic wind power forecasting using temporally local Gaussian process ［J］. IEEE Transactions on Sustainable Energy ， 2016 ， 7 （ 1 ）： 87 - 95 .

CARPINONE A ， GIORGIO M ， LANGELLA R ， et al . Markov chain modeling for very-short-term wind power forecasting ［J］. Electric Power Systems Research ， 2015 ， 122 ： 152 - 158 .

丁藤，冯冬涵，林晓凡，等 . 基于修正后ARIMA-GARCH模型的超短期风速预测［J］. 电网技术， 2017 ， 41 （ 6 ）： 1808 - 1814 .

DING Teng ， FENG Donghan ， LIN Xiaofan ， et al . Ultra-short-term wind speed forecasting based on improved ARIMA-GARCH model ［J］. Power System Technology ， 2017 ， 41 （ 6 ）： 1808 - 1814 .

SUN M C ， FENG C ， ZHANG J . Conditional aggregated probabilistic wind power forecasting based on spatio-temporal correlation ［J］. Applied Energy ， 2019 ， 256 ： 113842 .

WANG Y ， ZOU R M ， LIU F ， et al . A review of wind speed and wind power forecasting with deep neural networks ［J］. Applied Energy ， 2021 ， 304 ： 117766 .

MURPHY K P . Probabilistic machine learning： an introduction （adaptive computation and machine learning）［M］. London， UK ： MIT Press ， 2020 .

LIU Y Q ， QIN H ， ZHANG Z D ， et al . Probabilistic spatiotemporal wind speed forecasting based on a variational Bayesian deep learning model ［J］. Applied Energy ， 2020 ， 260 ： 114259 .

SALINAS D ， FLUNKERT V ， GASTHAUS J ， et al . DeepAR： probabilistic forecasting with autoregressive recurrent networks ［J］. International Journal of Forecasting ， 2020 ， 36 （ 3 ）： 1181 - 1191 .

MEN Z X ， YEE E ， LIEN F S ， et al . Short-term wind speed and power forecasting using an ensemble of mixture density neural networks ［J］. Renewable Energy ， 2016 ， 87 ： 203 - 211 .

AFRASIABI M ， MOHAMMADI M ， RASTEGAR M ， et al . Advanced deep learning approach for probabilistic wind speed forecasting ［J］. IEEE Transactions on Industrial Informatics ， 2021 ， 17 （ 1 ）： 720 - 727 .

ZHANG H ， LIU Y Q ， YAN J ， et al . Improved deep mixture density network for regional wind power probabilistic forecasting ［J］. IEEE Transactions on Power Systems ， 2020 ， 35 （ 4 ）： 2549 - 2560 .

ZHANG H ， YAN J ， LIU Y Q ， et al . Multi-source and temporal attention network for probabilistic wind power prediction ［J］. IEEE Transactions on Sustainable Energy ， 2021 ， 12 （ 4 ）： 2205 - 2218 .

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 .

CHRISTOPHER B . Mixture density networks ［R］. Birmingham， UK ： Aston University ， 1994 ： 1 - 26 .

CHEN Y T ， KANG Y F ， CHEN Y X ， et al . Probabilistic forecasting with temporal convolutional neural network ［J］. Neurocomputing ， 2020 ， 399 ： 491 - 501 .

SALIMANS T ， KINGMA D P . Weight normalization： a simple reparameterization to accelerate training of deep neural networks ［EB/OL］. ［ 2021-10-30 ］. https：//arxiv.org/abs/1602.07868 https://arxiv.org/abs/1602.07868 .

Aneroid Energy . Wind energy ［EB/OL］. ［ 2021-10-30 ］. https：//anero.id/energy/wind-energy https://anero.id/energy/wind-energy .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Probabilistic Prediction Method for Interpretable Net Load Based on Kolmogorov-Arnold Network

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

Construction and Comprehensive Evaluation Method for Trustworthiness Indicator System of Intelligent Assessment Model for Power Grid Stability

Related Author

Tianjiao PU

Xinying WANG

Ye LI

LIU Dong

GUO Guodong

XIN Shujun

MAO Zhihang

HUANG Jinju

Related Institution

China Electric Power Research Institute Co., Ltd.

State Grid Economic and Technological Research Institute Co., Ltd.

State Grid Corporation of China

State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources (North China Electric Power University)

School of Electrical Engineering, Zhejiang University

⁰