Wind Power Interval Prediction Based on Fluctuation Trend Segmentation

HAN Li; YU Xiaojiao; YU Hongbo; WANG Chong; WANG Xiaojing

doi:10.7500/AEPS20221118002

您当前的位置：

首页 >

文章列表页 >

Wind Power Interval Prediction Based on Fluctuation Trend Segmentation

Basic Research | 更新时间：2025-06-16

- Wind Power Interval Prediction Based on Fluctuation Trend Segmentation
- Automation of Electric Power Systems Vol. 47, Issue 18, Pages: 206-215(2023)
- 作者机构：
  
  中国矿业大学电气工程学院，江苏省徐州市 221116
- 作者简介：
- 基金信息：
  
  National Natural Science Foundation of China(62076243)
- DOI：10.7500/AEPS20221118002
  CLC：
- Received：18 November 2022，
  
  Revised：2023-06-27，
  
  Published Online：10 August 2023，
  
  Published：25 September 2023
- 稿件说明：
移动端阅览
韩丽,于晓娇,喻洪波等.基于波动趋势分段的风电功率区间预测[J].电力系统自动化,2023,47(18):206-215.

HAN Li,YU Xiaojiao,YU Hongbo,et al.Wind Power Interval Prediction Based on Fluctuation Trend Segmentation[J].Automation of Electric Power Systems,2023,47(18):206-215.
韩丽,于晓娇,喻洪波等.基于波动趋势分段的风电功率区间预测[J].电力系统自动化,2023,47(18):206-215. DOI： 10.7500/AEPS20221118002.

HAN Li,YU Xiaojiao,YU Hongbo,et al.Wind Power Interval Prediction Based on Fluctuation Trend Segmentation[J].Automation of Electric Power Systems,2023,47(18):206-215. DOI： 10.7500/AEPS20221118002.

摘要

风电的波动性制约着其预测的准确性，为此，在对风电序列变化趋势进行分析的基础上，提出一种基于风电功率波动趋势分段的区间预测方法。首先，在全时段上应用平均滤波算法和滑动窗口提取功率变化趋势及转折点，针对传统分段方法仅考虑相邻转折点间功率变化率的问题，提出一种改进的双时段划分方法来得到分段结果。然后，综合不同时段功率误差的特点，提出一种分段预测方法：对突变时段和非突变时段分别应用

-means算法得到聚类结果，基于非突变时段聚类结果得到非突变时段的误差区间，基于突变时段聚类结果建立分类的误差云模型得到突变时段的误差区间，叠加确定性预测模型的预测值得到全时段区间预测结果。最后，利用Elia的风电数据进行算例分析，结果表明所提方法的风电功率区间预测效果更优。

Abstract

The volatility of the wind power restricts the accuracy of its prediction. Therefore

based on the analysis of sequence changing trend for the wind power

an interval prediction method based on the fluctuation trend segmentation of the wind power is proposed. First

the average filtering algorithm and sliding window are applied to extract the power fluctuation trend and inflection point over the whole time period. Aiming at the problem that the traditional segmentation methods only consider the power change rate between adjacent inflection points

an improved dual-time segmentation method is proposed to obtain segmentation results. Then

considering the characteristics of power error in different periods

a segmented prediction method is proposed.

-means algorithm is applied to the fluctuation period and steady period to obtain the clustering results. The error interval of the steady period is obtained based on the clustering results of the steady period

and the error cloud model for the classification is established based on the clustering results of the fluctuation period

to obtain the error interval of the fluctuation period. And the prediction value of the deterministic prediction model is superimposed to obtain the interval prediction results of the whole time period. Finally

the wind power data from the Elia is utilized to conduct a case analysis

and the results indicate that the proposed method performs better in wind power interval prediction.

关键词

Keywords

references

叶林，赵金龙，路朋，等 . 考虑气象特征与波动过程关联的短期风电功率组合预测［J］. 电力系统自动化， 2021 ， 45 （ 4 ）： 54 - 62 .

YE Lin ， ZHAO Jinlong ， LU Peng ， et al . Combined prediction of short-term wind power considering correlation of meteorological features and fluctuation process ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 4 ）： 54 - 62 .

岳晓宇，彭显刚，林俐 . 鲸鱼优化支持向量机的短期风电功率预测［J］. 电力系统及其自动化学报， 2020 ， 32 （ 2 ）： 146 - 150 .

YUE Xiaoyu ， PENG Xiangang ， LIN Li . Short-term wind power forecasting based on whales optimization algorithm and support vector machine ［J］. Proceedings of the CSU-EPSA ， 2020 ， 32 （ 2 ）： 146 - 150 .

JU Y ， SUN G Y ， CHEN Q H ， et al . A model combining convolutional neural network and LightGBM algorithm for ultra-short-term wind power forecasting ［J］. IEEE Access ， 2019 ， 7 ： 28309 - 28318 .

苏向敬，周汶鑫，李超杰，等 . 基于双重注意力LSTM神经网络的可解释海上风电出力预测［J］. 电力系统自动化， 2022 ， 46 （ 7 ）： 141 - 151 .

SU Xiangjing ， ZHOU Wenxin ， LI Chaojie ， et al . Interpretable offshore wind power output forecasting based on long short-term memory neural network with dual-stage attention ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 7 ）： 141 - 151 .

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 .

周小麟，童晓阳 . 基于CEEMD-SBO-LSSVR的超短期风电功率组合预测［J］. 电网技术， 2021 ， 45 （ 3 ）： 855 - 864 .

ZHOU Xiaolin ， TONG Xiaoyang . Ultra-short-term wind power combined prediction based on CEEMD-SBO-LSSVR ［J］. Power System Technology ， 2021 ， 45 （ 3 ）： 855 - 864 .

吴问足，乔颖，鲁宗相，等 . 风电功率概率预测方法及展望［J］. 电力系统自动化， 2017 ， 41 （ 18 ）： 167 - 175 .

WU Wenzu ， QIAO Ying ， LU Zongxiang ， et al . Methods and prospects for probabilistic forecasting of wind power ［J］. Automation of Electric Power Systems ， 2017 ， 41 （ 18 ）： 167 - 175 .

戴剑丰，阎诚，汤奕 . 基于时序残差概率的风电场超短期风速混合预测模型［J］. 电网技术， 2023 ， 47 （ 2 ）： 688 - 699 .

DAI Jianfeng ， YAN Cheng ， TANG Yi . Hybrid forecasting model of ultra-short-term wind speed in wind farm based on time series residual probability ［J］. Power System Technology ， 2023 ， 47 （ 2 ）： 688 - 699 .

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 .

刘芳，潘毅，刘辉，等 . 风电功率预测误差分段指数分布模型［J］. 电力系统自动化， 2013 ， 37 （ 18 ）： 14 - 19 .

LIU Fang ， PAN Yi ， LIU Hui ， et al . Piecewise exponential distribution model of wind power forecasting error ［J］. Automation of Electric Power Systems ， 2013 ， 37 （ 18 ）： 14 - 19 .

杨宏，闫玉杰，王瑜 . Beta分布在风电预测误差模型中的适用性［J］. 电测与仪表， 2020 ， 57 （ 11 ）： 37 - 41 .

YANG Hong ， YAN Yujie ， WANG Yu . Applicability of Beta distribution on wind power forecast error modeling ［J］. Electrical Measurement & Instrumentation ， 2020 ， 57 （ 11 ）： 37 - 41 .

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 .

余沣，董存，王铮，等 . 考虑山东近海不同风能天气特征的风电功率区间预测模型［J］. 电网技术， 2020 ， 44 （ 4 ）： 1238 - 1247 .

YU Feng ， DONG Cun ， WANG Zheng ， et al . Wind power interval forecasting model considering different wind energy weather characteristics in Shandong offshore areas ［J］. Power System Technology ， 2020 ， 44 （ 4 ）： 1238 - 1247 .

ZHANG X Y ， ZHANG X M ， LIAO S ， et al . Error analysis of wind power prediction based on clustering and nonparametric kernel density estimation ［J］. Journal of Solar Energy ， 2019 ， 40 （ 12 ）： 3594 - 3604 .

庞传军，尚学伟，张波，等 . 基于改进梯度提升算法的短期风电功率概率预测［J］. 电力系统自动化， 2022 ， 46 （ 16 ）： 198 - 206 .

PANG Chuanjun ， SHANG Xuewei ， ZHANG Bo ， et al . Short-term wind power probability prediction based on improved gradient boosting machine algorithm ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 16 ）： 198 - 206 .

余建明，庞传军 . 考虑数据和模型不确定性的短期风电功率概率预测［J］. 电网技术， 2022 ， 46 （ 5 ）： 1926 - 1933 .

YU Jianming ， PANG Chuanjun . Short-term wind power probabilistic prediction considering data and model uncertainties ［J］. Power System Technology ， 2022 ， 46 （ 5 ）： 1926 - 1933 .

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 .

余光正，陆柳，汤波，等 . 考虑转折性天气的海上风电功率超短期分段预测方法研究［J］. 中国电机工程学报， 2022 ， 42 （ 13 ）： 4859 - 4871 .

YU Guangzheng ， LU Liu ， TANG Bo ， et al . Research on ultra-short-term subsection forecasting method of offshore wind power considering transitional weather ［J］. Proceedings of the CSEE ， 2022 ， 42 （ 13 ）： 4859 - 4871 .

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 . Interval estimation of wind power forecasting error based on ramp features and cloud model ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 11 ）： 75 - 84 .

梁志峰，王铮，冯双磊，等 . 基于波动规律挖掘的风电功率超短期预测方法［J］. 电网技术， 2020 ， 44 （ 11 ）： 4096 - 4104 .

LIANG Zhifeng ， WANG Zheng ， FENG Shuanglei ， et al . Ultra-short-term forecasting method of wind power based on fluctuation law mining ［J］. Power System Technology ， 2020 ， 44 （ 11 ）： 4096 - 4104 .

余洋，权丽，贾雨龙，等 . 考虑爬坡特性与预测区间优化的电热水器集群功率区间预测［J］. 电力系统自动化， 2021 ， 45 （ 1 ）： 88 - 96 .

YU Yang ， QUAN Li ， JIA Yulong ， et al . Interval prediction of aggregated power for electric water heaters considering ramp characteristic and prediction interval optimization ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 1 ）： 88 - 96 .

陈振宇，刘金波，李晨，等 . 基于LSTM与XGBoost组合模型的超短期电力负荷预测［J］. 电网技术， 2020 ， 44 （ 2 ）： 614 - 620 .

CHEN Zhenyu ， LIU Jinbo ， LI Chen ， et al . Ultra short-term power load forecasting based on combined LSTM-XGBoost model ［J］. Power System Technology ， 2020 ， 44 （ 2 ）： 614 - 620 .

SUN Z X ， ZHAO M Y ， DONG Y ， et al . Hybrid model with secondary decomposition， randomforest algorithm， clustering analysis and long short memory network principal computing for short-term wind power forecasting on multiple scales ［J］. Energy ， 2021 ， 221 ： 119848 .

韩丽，李梦洁，乔妍 . 基于低频波动挖掘和高频校正的风电超短期预测［J］. 电网技术， 2022 ， 46 （ 7 ）： 2750 - 2758 .

HAN Li ， LI Mengjie ， QIAO Yan . Ultra-short-term prediction of wind power based on low-frequency fluctuation mining and high-frequency correction ［J］. Power System Technology ， 2022 ， 46 （ 7 ）： 2750 - 2758 .

KAVITA S . Review：study on simple k -mean and modified k -mean clustering technique ［J］. International Journal of Computer Science Engineering and Technology ， 2016 ， 6 （ 7 ）： 279 - 281 .

韩丽，乔妍，景惠甜 . 基于误差分类的风电功率区间评估［J］. 电力系统自动化， 2021 ， 45 （ 1 ）： 97 - 104 .

HAN Li ， QIAO Yan ， JING Huitian . Interval estimation of wind power based on error classification ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 1 ）： 97 - 104 .

杨俊闯，赵超 . K -means聚类算法研究综述［J］. 计算机工程与应用， 2019 ， 55 （ 23 ）： 7 - 14 .

YANG Junchuang ， ZHAO Chao . Survey on K -means clustering algorithm ［J］. Computer Engineering and Applications ， 2019 ， 55 （ 23 ）： 7 - 14 .

刘文颖，王方雨，蔡万通，等 . 基于L2范数组合云的风电场短期风速-功率拟合方法［J］. 中国电机工程学报， 2019 ， 39 （ 4 ）： 1029 - 1040 .

LIU Wenying ， WANG Fangyu ， CAI Wantong ， et al . Short term wind speed-power fitting method for wind farms based on L2 norm combination cloud model ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 4 ）： 1029 - 1040 .

李德毅，刘常昱 . 论正态云模型的普适性［J］. 中国工程科学， 2004 ， 6 （ 8 ）： 28 - 34 .

LI Deyi ， LIU Changyu . Study on the universality of the normal cloud model ［J］. Engineering Science ， 2004 ， 6 （ 8 ）： 28 - 34 .

阎洁，李宁，刘永前，等 . 短期风电功率动态云模型不确定性预测方法［J］. 电力系统自动化， 2019 ， 43 （ 3 ）： 17 - 23 .

YAN Jie ， LI Ning ， LIU Yongqian ， et al . Short-term uncertainty forecasting method for wind power based on real-time switching cloud model ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 3 ）： 17 - 23 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Robust Optimization Model for Coordinated Frequency Regulation of Electric Vehicle Cluster and Units Considering Uncertainties of Frequency Regulation and Excitation

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

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

Related Author

WANG Qingyuan

WANG Mingshen

MU Yunfei

CUI Li

ZHAO Nan

GE Le

WANG Qingyuan

ZHAO Yao

Related Institution

Key Laboratory of Smart Grid of Ministry of Education (Tianjin University)

Electric Power Research Institute of State Grid Jiangsu Electric Power Co., Ltd.

School of Electric Power Engineering, Nanjing Institute of Technology

Gaoyou Power Supply Company of State Grid Jiangsu Electric Power Co., Ltd.

Gaoyou Power Supply Company, State Grid Jiangsu Electric Power Co., Ltd.

⁰