Short-term Wind Power Interval Prediction Based on Combined Mode Decomposition and Deep Learning

XIAO Bai; ZHANG Bo; WANG Xinwei; GAO Ningyuan

doi:10.7500/AEPS20220807002

您当前的位置：

首页 >

文章列表页 >

Short-term Wind Power Interval Prediction Based on Combined Mode Decomposition and Deep Learning

Basic Research | 更新时间：2025-06-16

- Short-term Wind Power Interval Prediction Based on Combined Mode Decomposition and Deep Learning
- Automation of Electric Power Systems Vol. 47, Issue 17, Pages: 110-117(2023)
- 作者机构：
  
  东北电力大学电气工程学院，吉林省吉林市 132012
- 作者简介：
- 基金信息：
  
  National Key R&D Program of China(2017YFB0902205);Industrial Innovation Foundation of Jilin Province(2019C058-7)
- DOI：10.7500/AEPS20220807002
  CLC：
- Received：07 August 2022，
  
  Revised：2022-11-18，
  
  Published Online：20 February 2023，
  
  Published：10 September 2023
- 稿件说明：
移动端阅览
肖白,张博,王辛玮等.基于组合模态分解和深度学习的短期风电功率区间预测[J].电力系统自动化,2023,47(17):110-117.

XIAO Bai,ZHANG Bo,WANG Xinwei,et al.Short-term Wind Power Interval Prediction Based on Combined Mode Decomposition and Deep Learning[J].Automation of Electric Power Systems,2023,47(17):110-117.
肖白,张博,王辛玮等.基于组合模态分解和深度学习的短期风电功率区间预测[J].电力系统自动化,2023,47(17):110-117. DOI： 10.7500/AEPS20220807002.

XIAO Bai,ZHANG Bo,WANG Xinwei,et al.Short-term Wind Power Interval Prediction Based on Combined Mode Decomposition and Deep Learning[J].Automation of Electric Power Systems,2023,47(17):110-117. DOI： 10.7500/AEPS20220807002.

摘要

风电功率预测对含风电的电力系统经济调度十分重要。针对点预测难以描述风电功率不确定性的问题，提出一种基于组合模态分解和深度学习的短期风电功率区间预测方法。首先，利用改进自适应噪声完备集合经验模态分解将原始风电功率序列分解为多个模态分量，并使用变分模态分解对其中的高频强非平稳分量再次分解。在此基础上，使用样本熵计算各分量复杂度并将其重构为趋势分量、振荡分量和随机分量。然后，将3个分量分别输入经贝叶斯优化的双向长短期记忆神经网络建立各自的预测模型，得到3个分量的点预测值，并用混合核密度估计方法对振荡分量和随机分量预测结果的误差分布进行估计，再结合点预测值得到总体的区间预测结果。最后，通过实际算例分析表明，与其他模型相比该方法具有更高的预测精度。

Abstract

Wind power prediction is very important for the economic dispatch of power systems with wind power. Aiming at the problem that point prediction is difficult to describe the uncertainty of wind power

a short-term wind power interval prediction method based on combined mode decomposition and deep learning is proposed. First

the original wind power sequence is decomposed into multiple modal components by using the improved complete ensemble empirical mode decomposition with adaptive noise

and the high-frequency strong non-stationary components are decomposed again by using the variational mode decomposition. On this basis

the sample entropy is used to calculate the complexity of each component and reconstruct them into trend components

oscillation components and random components. Then

the three components are input into the Bayesian optimization bidirectional long short-term memory neural network to establish their respective prediction models

and the point prediction values of the three components are obtained. The mixed kernel density estimation method is used to estimate the error distribution of the prediction results of oscillation components and random components

and the overall interval prediction results are obtained by combining the point prediction values. Finally

the actual example analysis shows that this method has higher prediction accuracy than other models.

关键词

Keywords

references

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 .

EZZAT A A ， JUN M ， DING Y . Spatio-temporal asymmetry of local wind fields and its impact on short-term wind forecasting ［J］. IEEE Transactions on Sustainable Energy ， 2018 ， 9 （ 3 ）： 1437 - 1447 .

杨茂，周宜 . 计及风电场状态的风电功率超短期预测［J］. 中国电机工程学报， 2019 ， 39 （ 5 ）： 1259 - 1268 .

YANG Mao ， ZHOU Yi . Ultra-short-term prediction of wind power considering wind farm status ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 5 ）： 1259 - 1268 .

孔祥玉，郑锋，鄂志君，等 . 基于深度信念网络的短期负荷预测方法［J］. 电力系统自动化， 2018 ， 42 （ 5 ）： 133 - 139 .

KONG Xiangyu ， ZHENG Feng ， E Zhijun ， et al . Short-term load forecasting based on deep belief network ［J］. Automation of Electric Power Systems ， 2018 ， 42 （ 5 ）： 133 - 139 .

李丹，任洲洋，颜伟，等 . 基于因子分析和神经网络分位数回归的月度风电功率曲线概率预测［J］. 中国电机工程学报， 2017 ， 37 （ 18 ）： 5238 - 5247 .

LI Dan ， REN Zhouyang ， YAN Wei ， et al . Month-ahead wind power curve probabilistic prediction based on factor analysis and quantile regression neural network ［J］. Proceedings of the CSEE ， 2017 ， 37 （ 18 ）： 5238 - 5247 .

张学清，梁军，张熙，等 . 基于样本熵和极端学习机的超短期风电功率组合预测模型［J］. 中国电机工程学报， 2013 ， 33 （ 25 ）： 33 - 40 .

ZHANG Xueqing ， LIANG Jun ， ZHANG Xi ， et al . Combined model for ultra short-term wind power prediction based on sample entropy and extreme learning machine ［J］. Proceedings of the CSEE ， 2013 ， 33 （ 25 ）： 33 - 40 .

王振浩，王翀，成龙，等 . 基于集合经验模态分解和深度学习的光伏功率组合预测［J］. 高电压技术， 2022 ， 48 （ 10 ）： 4133 - 4142 .

WANG Zhenhao ， WANG Chong ， CHENG Long ， et al . Photovoltaic power combined prediction based on ensemble empirical mode decomposition and deep learning ［J］. High Voltage Engineering ， 2022 ， 48 （ 10 ）： 4133 - 4142 .

杨茂，王凯旋 . 基于CEEMD-DBN模型的光伏出力日前区间预测［J］. 高电压技术， 2021 ， 47 （ 4 ）： 1156 - 1164 .

YANG Mao ， WANG Kaixuan . Day-ahead interval forecasting of PV power based on CEEMD-DBN model ［J］. High Voltage Engineering ， 2021 ， 47 （ 4 ）： 1156 - 1164 .

JUBAN J ， FUGON L ， KARINIOTAKIS G . Probabilistic short-term wind power forecasting based on kernel density estimators ［C］// European Wind Energy Conference ， May 7-10 ， 2007 ， Milan， Italy ： 7 - 10 .

范磊，卫志农，李慧杰，等 . 基于变分模态分解和蝙蝠算法-相关向量机的短期风速区间预测［J］. 电力自动化设备， 2017 ， 37 （ 1 ）： 93 - 100 .

FAN Lei ， WEI Zhinong ， LI Huijie ， et al . Short-term wind speed interval prediction based on VMD and BA-RVM algorithm ［J］. Electric Power Automation Equipment ， 2017 ， 37 （ 1 ）： 93 - 100 .

王焱，汪震，黄民翔，等 . 基于OS-ELM和Bootstrap方法的超短期风电功率预测［J］. 电力系统自动化， 2014 ， 38 （ 6 ）： 14 - 19 .

WANG Yan ， WANG Zhen ， HUANG Minxiang ， et al . Ultra-short-term wind power prediction based on OS-ELM and Bootstrap method ［J］. Automation of Electric Power Systems ， 2014 ， 38 （ 6 ）： 14 - 19 .

王勃，刘纯，张俊，等 . 基于Monte-Carlo方法的风电功率预测不确定性估计［J］. 高电压技术， 2015 ， 41 （ 10 ）： 3385 - 3391 .

WANG Bo ， LIU Chun ， ZHANG Jun ， et al . Uncertainty evaluation of wind power prediction based on Monte-Carlo method ［J］. High Voltage Engineering ， 2015 ， 41 （ 10 ）： 3385 - 3391 .

殷豪，曾云，孟安波，等 . 基于奇异谱分析-模糊信息粒化和极限学习机的风速多步区间预测［J］. 电网技术， 2018 ， 42 （ 5 ）： 1467 - 1474 .

YIN Hao ， ZENG Yun ， MENG Anbo ， et al . Wind speed multi-step interval prediction based on singular spectrum analysis-fuzzy information granulation and extreme learning machine ［J］. Power System Technology ， 2018 ， 42 （ 5 ）： 1467 - 1474 .

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 .

朱乔木，李弘毅，王子琪，等 . 基于长短期记忆网络的风电场发电功率超短期预测［J］. 电网技术， 2017 ， 41 （ 12 ）： 3797 - 3802 .

ZHU Qiaomu ， LI Hongyi ， WANG Ziqi ， et al . Short-term wind power forecasting based on LSTM ［J］. Power System Technology ， 2017 ， 41 （ 12 ）： 3797 - 3802 .

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 .

张宇帆，艾芊，林琳，等 . 基于深度长短时记忆网络的区域级超短期负荷预测方法［J］. 电网技术， 2019 ， 43 （ 6 ）： 1884 - 1892 .

ZHANG Yufan ， AI Qian ， LIN Lin ， et al . A very short-term load forecasting method based on deep LSTM RNN at zone level ［J］. Power System Technology ， 2019 ， 43 （ 6 ）： 1884 - 1892 .

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］. 电网技术， 2022 ， 46 （ 3 ）： 897 - 904 .

SHENG Siqing ， JIN Hang ， LIU Changrong . Short-term and mid-short-term wind power forecasting based on VMD-WSGRU ［J］. Power System Technology ， 2022 ， 46 （ 3 ）： 897 - 904 .

ZHANG G ， LIU H C ， ZHANG J B ， et al . Wind power prediction based on variational mode decomposition multi-frequency combinations ［J］. Journal of Modern Power Systems and Clean Energy ， 2019 ， 7 （ 2 ）： 281 - 288 .

茆美琴，龚文剑，张榴晨，等 . 基于EEMD-SVM方法的光伏电站短期出力预测［J］. 中国电机工程学报， 2013 ， 33 （ 34 ）： 17 - 24 .

MAO Meiqin ， GONG Wenjian ， ZHANG Liuchen ， et al . Short-term photovoltaic generation forecasting based on EEMD-SVM combined method ［J］. Proceedings of the CSEE ， 2013 ， 33 （ 34 ）： 17 - 24 .

殷豪，欧祖宏，陈德，等 . 基于二次模式分解和级联式深度学习的超短期风电功率预测［J］. 电网技术， 2020 ， 44 （ 2 ）： 445 - 453 .

YIN Hao ， OU Zuhong ， CHEN De ， et al . Ultra-short-term wind power prediction based on two-layer mode decomposition and cascaded deep learning ［J］. Power System Technology ， 2020 ， 44 （ 2 ）： 445 - 453 .

陈锦鹏，胡志坚，陈纬楠，等 . 二次模态分解组合DBiLSTM-MLR的综合能源系统负荷预测［J］. 电力系统自动化， 2021 ， 45 （ 13 ）： 85 - 94 .

CHEN Jinpeng ， HU Zhijian ， CHEN Weinan ， et al . Load prediction of integrated energy system based on combination of quadratic modal decomposition and deep bidirectional long short-term memory and multiple linear regression ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 13 ）： 85 - 94 .

LIU H ， TIAN H Q ， LIANG X F ， et al . Wind speed forecasting approach using secondary decomposition algorithm and Elman neural networks ［J］. Applied Energy ， 2015 ， 157 ： 183 - 194 .

肖白，肖志峰，姜卓，等 . 基于降噪自编码器、奇异谱分析和长短期记忆神经网络的空间电力负荷态势感知［J］. 中国电机工程学报， 2021 ， 41 （ 14 ）： 4858 - 4867 .

XIAO Bai ， XIAO Zhifeng ， JIANG Zhuo ， et al . Spatial load situation awareness based on denoising autoencoder， singular spectrum analysis and long short-term memory neural networks ［J］. Proceedings of the CSEE ， 2021 ， 41 （ 14 ）： 4858 - 4867 .

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 .

YANG B ， WANG Y S ， ZHAN Y D . Lithium battery state-of-charge estimation based on a Bayesian optimization bidirectional long short-term memory neural network ［J］. Energies ， 2022 ， 15 （ 13 ）： 4670 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Short-term Interval Probability Prediction of Photovoltaic Power Based on Weather Similarity Clustering and Quantile Regression Neural Network

Interval Prediction of Aggregated Power for Electric Water Heaters Considering Ramp Characteristic and Prediction Interval Optimization

Related Author

ZHAO Yao

GAO Shaowei

LI Dongdong

LIN Shunfu

YANG Fan

HUANG Xueqin

Yang YU

Li QUAN

Related Institution

School of Electrical Engineering, Shanghai University of Electric Power

Key Laboratory of Distributed Energy Storage and Microgrid of Hebei Province （North China Electric Power University）

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

State Grid Hebei Electric Power Co., Ltd.

School of Electrical and Power Engineering, China University of Mining and Technology

⁰