Multi-step Probability Prediction of Power Generation for Wind Power Clusters Based on Multi-horizon Quantile-WaveNet

LI Qing; ZHANG Xinyan; BAI Zhijun; MA Lei; WANG Heng; ZHANG Zheng

doi:10.7500/AEPS20220922001

您当前的位置：

首页 >

文章列表页 >

Multi-step Probability Prediction of Power Generation for Wind Power Clusters Based on Multi-horizon Quantile-WaveNet

Basic Research | 更新时间：2025-06-16

- Multi-step Probability Prediction of Power Generation for Wind Power Clusters Based on Multi-horizon Quantile-WaveNet
- Automation of Electric Power Systems Vol. 47, Issue 8, Pages: 156-168(2023)
- 作者机构：
  
  1.新疆大学电气工程学院,新疆维吾尔自治区乌鲁木齐市 830000
  2.国网新疆电力有限公司电力科学研究院,新疆维吾尔自治区乌鲁木齐市 830000
  3.国网新疆电力有限公司阿克苏供电公司,新疆维吾尔自治区乌鲁木齐市 830000
  4.国网新疆电力有限公司,新疆维吾尔自治区乌鲁木齐市 830000
- 作者简介：
- 基金信息：
  
  National Natural Science Foundation of China(51667018);Natural Science Foundation of Xinjiang Uygur Autonomous Region(2021D01C044)
- DOI：10.7500/AEPS20220922001
  CLC：
- Received：22 September 2022，
  
  Revised：2023-02-13，
  
  Published Online：24 March 2023，
  
  Published：25 April 2023
- 稿件说明：
移动端阅览
李青,张新燕,摆志俊等.基于MQ-WaveNet的风电集群发电功率多步概率预测[J].电力系统自动化,2023,47(8):156-168.

LI Qing,ZHANG Xinyan,BAI Zhijun,et al.Multi-step Probability Prediction of Power Generation for Wind Power Clusters Based on Multi-horizon Quantile-WaveNet[J].Automation of Electric Power Systems,2023,47(8):156-168.
李青,张新燕,摆志俊等.基于MQ-WaveNet的风电集群发电功率多步概率预测[J].电力系统自动化,2023,47(8):156-168. DOI： 10.7500/AEPS20220922001.

LI Qing,ZHANG Xinyan,BAI Zhijun,et al.Multi-step Probability Prediction of Power Generation for Wind Power Clusters Based on Multi-horizon Quantile-WaveNet[J].Automation of Electric Power Systems,2023,47(8):156-168. DOI： 10.7500/AEPS20220922001.

摘要

风电渗透率的持续提高对电力平衡测算、电网运行调度和系统频率稳定带来了极大挑战。为量化区域风力发电的不确定性，提出一种风电集群直接多步概率预测模型。首先，为有效挖掘区域内各风电场数据与集群发电总出力间的时空相关性，采用最大互信息系数法选取基准场站和关键输入特征变量。然后，基于序列-序列网络架构，结合分位数回归概率预测特性及波网（WaveNet）可捕获大范围内时序依赖特性等优点，设计了适用于风电集群概率预测的多视界分位数(MQ)-WaveNet模型，实现对风电集群场站在多个时间跨步上的风电功率多分位点的预测。最后，选取中国新疆哈密东南部风区12个邻近的大型风电场运行数据进行算例分析。结果表明，所提模型仅利用相关基准场站的关键特征变量即可实现风电集群发电功率的有效预测，模型复杂度低、易于工程应用推广。

Abstract

The continuous increase of wind power penetration rate has brought great challenges to the calculation of power balance

grid operation scheduling and system frequency stability. In order to quantify the uncertainty of regional wind power generation

a direct multi-step probability prediction model for wind power clusters is proposed. First

in order to effectively exploit the spatial-temporal correlation between the data of every wind farm and the total power output of clusters

the maximum mutual information coefficient (MIC) method is used to select the reference station and key input characteristic variables. Then

based on the sequence-sequence network architecture

combined with the probability prediction characteristics of quantile regression (QR) method and the advantages of WaveNet which can capture a wide range of time-dependent characteristics

a multi-horizon quantile (MQ)-WaveNet model is designed for probability prediction of wind power clusters

which can realize the MQ probability prediction of wind power in multiple steps for wind power clusters. Finally

the operation data of 12 adjacent large-scale wind farms in the southeast wind region of Hami

Xinjiang in China are selected for case study. The results show that the proposed model can effectively predict the power output of wind power clusters only by using the key feature variables of reference stations. The model has low complexity and is easy to be applied in engineering.

关键词

Keywords

references

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 the spatial and temporal characteristics of offshore wind turbines ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 23 ）： 59 - 66 .

DAS U K ， TEY K S ， SEYEDMAHMOUDIAN M ， et al . Forecasting of photovoltaic power generation and model optimization： a review ［J］. Renewable and Sustainable Energy Reviews ， 2018 ， 81 ： 912 - 928 .

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 .

乔妍，韩丽，李梦洁 . 基于爬坡特征和云模型的风电功率预测误差区间评估［J］. 电力系统自动化， 2022 ， 46 （ 11 ）： 75 - 84 .

QIAO Yan ， HAN Li ， LI Mengjie . Planning of building integrated energy systems considering group heat acclimatization ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 11 ）： 75 - 84 .

李军，杜雪 . 稀疏高斯过程在短期风电功率概率预测中的应用［J］. 电机与控制学报， 2019 ， 23 （ 8 ）： 67 - 77 .

LI Jun ， DU Xue . Application of sparse gaussian process in short-term wind power probability prediction ［J］. Electric Machines and Control ， 2019 ， 23 （ 8 ）： 67 - 77 .

王钊，王勃，冯双磊，等 . 区域多风电场功率的分位数回归概率预测方法［J］. 电网技术， 2020 ， 44 （ 4 ）： 1368 - 1375 .

WANG Zhao ， WANG Bo ， FENG Shuanglei ， et al . Probabilistic forecasts based on quantile regression for regional wind farms ［J］. Power System Technology ， 2020 ， 44 （ 4 ）： 1368 - 1375 .

QUAN H ， SRINIVASAN D ， KHOSRAVI A . Short-term load and wind power forecasting using neural network-based prediction intervals ［J］. IEEE Transactions on Neural Networks and Learning Systems ， 2013 ， 25 （ 2 ）： 303 - 315 .

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 Zheng ， 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 .

WANG Z ， WANG W ， LIU C ， et al . Forecasted scenarios of regional wind farms based on regular vine copulas ［J］. Journal of Modern Power Systems and Clean Energy ， 2019 ， 8 （ 1 ）： 77 - 85 .

彭小圣，熊磊，文劲宇，等 . 风电集群短期及超短期功率预测精度改进方法综述［J］. 中国电机工程学报， 2016 ， 36 （ 23 ）： 6315 - 6326 .

PENG Xiaoshen ， XIONG Lei ， WEN Jinyu ， et al . A summary of the state of the art for short-term and ultra-short-term wind power prediction of regions ［J］. Proceedings of the CSEE ， 2016 ， 36 （ 23 ）： 6315 - 6326 .

WANG Z ， WANG W ， LIU C ， et al . Probabilistic forecast for multiple wind farms based on regular vine copulas ［J］. IEEE Transactions on Power Systems ， 2017 ， 33 （ 1 ）： 578 - 589 .

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 .

孙荣富，张涛，和青，等 . 风电功率预测关键技术及应用综述［J］. 高电压技术， 2021 ， 47 （ 4 ）： 1129 - 1143 .

SUN Runfu ， ZHANG Tao ， HE Qing ， et al . Review on key technologies and applications in wind power forecasting ［J］. High Voltage Engineering ， 2021 ， 47 （ 4 ）： 1129 - 1143 .

彭小圣，樊闻翰，王勃，等 . 基于改进空间资源匹配法的风电集群功率预测技术［J］. 电力建设， 2017 ， 38 （ 7 ）： 10 - 17 .

PENG Xiaosheng ， FAN Wenhan ， WANG Bo ， et al . A lifting spatial resources matching approach based wind power prediction of regions ［J］. Electric Power Construction ， 2017 ， 38 （ 7 ）： 10 - 17 .

YU Y ， HAN X ， 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 .

WANG H ， LI G ， WANG G ， et al . Deep learning based ensemble approach for probabilistic wind power forecasting ［J］. Applied Energy ， 2017 ， 188 ： 56 - 70 .

HONG Y Y ， RIOFLORIDO C . A hybrid deep learning-based neural network for 24-h ahead wind power forecasting ［J］. Applied Energy ， 2019 ， 250 ： 530 - 539 .

李彬，彭曙蓉，彭君哲，等 . 基于深度学习分位数回归模型的风电功率概率密度预测［J］. 电力自动化设备， 2018 ， 38 （ 9 ）： 15 - 20 .

LI Bin ， PENG Shurong ， PENG Junzhe ， et al . Wind power probability density forecasting based on deep learning quantile regression model ［J］. Electric Power Automation Equipment ， 2018 ， 38 （ 9 ）： 15 - 20 .

ZHANG H ， LIU Y ， 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 .

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 Xiaoshen ， 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 .

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 .

BAI S ， KOLTER J ， KOLTUN V . An empirical evaluation of generic convolutional and recurrent networks for sequence modeling ［EB/OL］. ［ 2022-04-05 ］. https：//arxiv.org/pdf/1901.02860.pdf https://arxiv.org/pdf/1901.02860.pdf .

WEN R ， TORKKOLA K ， NARAYANASWAMY B ， et al . A multi-horizon quantile recurrent forecaster ［EB/OL］. ［ 2022-04-05 ］. http：//www.arxiv-vanity.com/papers/1711.11053/ http://www.arxiv-vanity.com/papers/1711.11053/ .

OORD A ， DIELEMAN S ， ZEN H ， et al . WaveNet： a generative model for raw audio ［EB/OL］. ［ 2022-04-05 ］. https：//arxiv.org/abs/1609.03499 https://arxiv.org/abs/1609.03499 .

IMPEDOVO D ， DENTAMARO V ， PIRLO G ， et al . TrafficWave： generative deep learning architecture for vehicular traffic flow prediction ［J］. Applied Sciences ， 2019 ， 9 （ 24 ）： 5504 .

VOß M ， BENDER C ， ALBAYRAK S . Residential short-term load forecasting using convolutional neural networks ［C］ // 2018 IEEE International Conference on Communications， Control， and Computing Technologies for Smart Grids （SmartGridComm）， October 29-31 ， 2018 ， Aalborg， Denmark .

RESHEF D N ， RESHAF Y A ， FINUCANE H K ， et al . Detecting novel associations in large datasets ［J］. Science ， 2011 ， 334 （ 6062 ）： 1518 - 1524 .

WAN C ， LIN J ， WANG J ， et al . Direct quantile regression for nonparametric probabilistic forecasting of wind power generation ［J］. IEEE Transactions on Power Systems ， 2016 ， 32 （ 4 ）： 2767 - 2778 .

TAIEB S B ， HUSER R ， HYNDMAN R J ， et al . Forecasting uncertainty in electricity smart meter data by boosting additive quantile regression ［J］. IEEE Transactions on Smart Grid ， 2016 ， 7 （ 5 ）： 2448 - 2455 .

李栌苏，吴俊勇，李宝琴，等 . 基于改进残差网络的两阶段电力系统频率安全多级预警［J］. 电力系统自动化， 2023 ， 47 （ 1 ）： 22 - 34 .

LI Lusu ， WU Junyong ， LI Baoqin ， et al . Two-stage multi-level early warning for power system frequency safety based on improved residual network ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 1 ）： 17 - 27 .

AHMAD T ， ZHANG D . A data-driven deep sequence-to-sequence long-short memory method along with a gated recurrent neural network for wind power forecasting ［J］. Energy ， 2022 ， 239 ： 122109 .

王开艳，杜浩东，贾嵘，等 . 基于相似日聚类和QR-CNN-BiLSTM模型的光伏功率短期区间概率预测［J］. 高电压技术， 2022 ， 48 （ 11 ）： 4372 - 4388 .

WANG Kaiyan ， DU Haodong ， JIA Rong ， et al . Photovoltaic power prediction method based on CNN-BiLSTM ［J］. High Voltage Engineering ， 2022 ， 48 （ 11 ）： 4372 - 4388 .

LI C ， XU A ， TIAN Z ， et al . Data-driven anomaly detection and early warning issues ［C］// 2022 2nd Asia-Pacific Conference on Communications Technology and Computer Science （ACCTCS）， February 25-27 ， 2022 ， Shenyang， China .

SU C ， LIU C ， JIANG S ， et al . Probabilistic power flow for multiple wind farms based on RVM and holomorphic embedding method ［J］. International Journal of Electrical Power & Energy Systems ， 2021 ， 130 ： 106843 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Multi-time-scale Scheduling for Regional Power Grid Considering Flexibility of Electric Vehicle and Wind Power Accommodation

风电功率预测误差的风险评估

按时序特征优化模型后在线选配的超短期风电预测

关于短期及超短期风电功率预测的评述

Related Author

Junjie HU

Xinhui LAI

Wei GUO

Yuliang ZHANG

Ye YANG

YU Chen

XUE Yusheng

LU Qiuyu

Related Institution

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

Economic Research Institute of State Grid Hebei Electric Power Supply Co., Ltd.

Shijiazhuang Tonhe Electronics Technologies Co., Ltd.

State Grid Electric Vehicle Service Co., Ltd.

School of Automation, Nanjing University of Science and Technology

⁰