Ultra-short-term Forecasting of Wind Power Based on Dual Derivation of Hybrid Features and Error Correction

YUAN Chang; WANG Sen; SUN Yonghui; WU Yunyi; XIE Dongliang

doi:10.7500/AEPS20230703003

您当前的位置：

首页 >

文章列表页 >

Ultra-short-term Forecasting of Wind Power Based on Dual Derivation of Hybrid Features and Error Correction

Basic Research | 更新时间：2025-06-16

- Ultra-short-term Forecasting of Wind Power Based on Dual Derivation of Hybrid Features and Error Correction
- Automation of Electric Power Systems Vol. 48, Issue 5, Pages: 68-76(2024)
- 作者机构：
  
  1.河海大学能源与电气学院,江苏省南京市 210098
  2.南瑞集团有限公司(国网电力科学研究院有限公司),江苏省南京市 211106
- 作者简介：
- 基金信息：
  
  National Natural Science Foundation of China(62073121)
- DOI：10.7500/AEPS20230703003
  CLC：
- Received：03 July 2023，
  
  Revised：2023-11-02，
  
  Published：10 March 2024
- 稿件说明：
移动端阅览
袁畅,王森,孙永辉等.基于混合特征双重衍生和误差修正的风电功率超短期预测[J].电力系统自动化,2024,48(5):68-76.

YUAN Chang,WANG Sen,SUN Yonghui,et al.Ultra-short-term Forecasting of Wind Power Based on Dual Derivation of Hybrid Features and Error Correction[J].Automation of Electric Power Systems,2024,48(5):68-76.
袁畅,王森,孙永辉等.基于混合特征双重衍生和误差修正的风电功率超短期预测[J].电力系统自动化,2024,48(5):68-76. DOI： 10.7500/AEPS20230703003.

YUAN Chang,WANG Sen,SUN Yonghui,et al.Ultra-short-term Forecasting of Wind Power Based on Dual Derivation of Hybrid Features and Error Correction[J].Automation of Electric Power Systems,2024,48(5):68-76. DOI： 10.7500/AEPS20230703003.

摘要

随着风电渗透率的不断提高，对风电功率进行精准、可靠的预测是提升风电消纳水平的有效措施。针对功率预测时风电数据种类不足和特征数量稀缺的问题，提出基于混合特征双重衍生和误差修正的风电功率超短期预测模型。首先，在原始功率特征中施加混沌噪声，构造出多条混沌扰动特征，改善原始功率特征分布过于单一的状况。其次，提出基于免疫算法的特征衍生算法，挖掘风电功率数据的潜在信息，增加优质特征数量，进而构建误差预测模型，通过预测风电功率预测误差修正风电功率预测结果，进一步提升预测准确率。最后，基于比利时风电场实际运行数据进行算例分析。所提模型预测效果较好，且相较其他传统预测模型精确度更高，验证了所提模型的有效性。

Abstract

With the increase of the wind power penetration rate

accurate and reliable wind power forecasting is an effective measure to improve the accomodation level of wind power. Addressing the issues of insufficient types of wind power data and scarcity of feature quantities in power forecasting

an ultra-short-term forecasting model of wind power based on the dual derivation of hybrid features and error correction is proposed. Firstly

the chaotic noise is applied to the original power features to construct multiple chaotic disturbance features

improving the situation where the distribution of the original power features is too simple. Secondly

a feature derivation algorithm based on immune algorithms is proposed to explore the potential information of wind power data and increase the number of high-quality features. Furthermore

an error forecasting model is constructed to correct the wind power forecasting results and further improve the forecasting accuracy by forecasting the wind power forecasting errors. Finally

based on the actual operation data of Belgian wind farms

a numerical case analysis is conducted. The proposed model shows better forecasting performance and higher accuracy compared with other traditional forecasting models

verifying the effectiveness of the proposed model.

关键词

Keywords

references

WU C ， ZHANG X P ， STERLING M . Wind power generation variations and aggregations ［J］. CSEE Journal of Power and Energy Systems ， 2021 ， 8 （ 1 ）： 17 - 38 .

ZHOU Y ， SUN Y H ， WANG S ， et al . Performance improvement of very short-term prediction intervals for regional wind power based on composite conditional nonlinear quantile regression ［J］. Journal of Modern Power Systems and Clean Energy ， 2021 ， 10 （ 1 ）： 60 - 70 .

XIANG L ， ZHU H W ， ZHANG Y ， et al . Impact of wind power penetration on wind-thermal-bundled transmission system ［J］. IEEE Transactions on Power Electronics ， 2022 ， 37 （ 12 ）： 15616 - 15625 .

DONG X C ， SUN Y Y ， LI Y ， et al . Spatio-temporal convolutional network based power forecasting of multiple wind farms ［J］. Journal of Modern Power Systems and Clean Energy ， 2022 ， 10 （ 2 ）： 388 - 398 .

阮前途，陈赟，潘智俊 . 新型电力系统对实现沿海城市双碳目标贡献的探讨［J］. 电力系统自动化， 2022 ， 46 （ 14 ）： 11 - 18 .

RUAN Qiantu ， CHEN Yun ， PAN Zhijun . Discussion on contributions of novel power system to achieving carbon emission peak and carbon neutrality of coastal city ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 14 ）： 11 - 18 .

CATALÁN P ， WANG Y B ， ARZA J ， et al . A comprehensive overview of power converter applied in high-power wind turbine： key challenges and potential solutions ［J］. IEEE Transactions on Power Electronics ， 2023 ， 38 （ 5 ）： 6169 - 6195 .

段偲默，苗世洪，李力行，等 . 计及预测误差动态相关性的多风电场联合出力不确定性模型［J］. 电力系统自动化， 2019 ， 43 （ 22 ）： 31 - 37 .

DUAN Simo ， MIAO Shihong ， LI Lixing ， et al . Uncertainty model of combined output for multiple wind farms considering dynamic correlation of prediction errors ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 22 ）： 31 - 37 .

WANG S ， SUN Y H ， ZHANG S M ， et al . Very short-term probabilistic prediction of PV based on multi-period error distribution ［J］. Electric Power Systems Research ， 2023 ， 214 ： 108817 .

KOUVELIOTIS-LYSIKATOS I ， HATZIARGYRIOU N ， LIU Y L ， et al . Towards an internet-like power grid ［J］. Journal of Modern Power Systems and Clean Energy ， 2022 ， 10 （ 1 ）： 1 - 11 .

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 .

YANG Y P ， QIN C ， ZENG Y A ， et al . Optimal coordinated bidding strategy of wind and solar system with energy storage in day-ahead market ［J］. Journal of Modern Power Systems and Clean Energy ， 2022 ， 10 （ 1 ）： 192 - 203 .

YANG M ， ZHANG L B ， CUI Y ， et al . Investigating the wind power smoothing effect using set pair analysis ［J］. IEEE Transactions on Sustainable Energy ， 2020 ， 11 （ 3 ）： 1161 - 1172 .

YE L ， DAI B H ， PEI M ， et al . Combined approach for short-term wind power forecasting based on wave division and Seq2Seq model using deep learning ［J］. IEEE Transactions on Industry Applications ， 2022 ， 58 （ 2 ）： 2586 - 2596 .

LENSEN A ， XUE B ， ZHANG M J . Genetic programming for evolving a front of interpretable models for data visualization ［J］. IEEE Transactions on Cybernetics ， 2021 ， 51 （ 11 ）： 5468 - 5482 .

DING Y F ， CHEN Z J ， ZHANG H W ， et al . A short-term wind power prediction model based on CEEMD and WOA-KELM ［J］. Renewable Energy ， 2022 ， 189 ： 188 - 198 .

ZHAO S W ， CHEN Y ， REHMAN A U ， et al . Detection of interturn short-circuit faults in DFIGs based on external leakage flux sensing and the VMD-RCMDE analytical method ［J］. IEEE Transactions on Instrumentation and Measurement ， 2022 ， 71 ： 1 - 12 .

王森，孙永辉，周衍，等 . 计及误差时间相依性的风电功率超短期条件概率预测［J］. 电力自动化设备， 2022 ， 42 （ 11 ）： 40 - 46 .

WANG Sen ， SUN Yonghui ， ZHOU Yan ， et al . Ultra-short term conditional probability prediction of wind power considering error time dependence ［J］. Electric Power Automation Equipment ， 2022 ， 42 （ 11 ）： 40 - 46 .

HOWLAND M F ， QUESADA J B ， MARTÍNEZ J J P ， et al . Collective wind farm operation based on a predictive model increases utility-scale energy production ［J］. Nature Energy ， 2022 ， 7 （ 9 ）： 818 - 827 .

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 .

ZHA W S ， LIU Y P ， WAN Y J ， et al . Forecasting monthly gas field production based on the CNN-LSTM model ［J］. Energy ， 2022 ， 260 ： 124889 .

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 .

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 .

王斌 . 基于改进自适应免疫算法的分数阶非线性系统辨识研究［D］. 北京：北京化工大学， 2022 .

WANG Bin . Research on fractional-order nonlinear system identification based on AIAGS ［D］. Beijing ： Beijing University of Chemical Technology ， 2022 .

WANG D N ， LI L ， ZHAO D . Corporate finance risk prediction based on LightGBM ［J］. Information Sciences ， 2022 ， 602 ： 259 - 268 .

AKIBA T ， SANO S ， YANASE T ， et al . Optuna： a next-generation hyperparameter optimization framework ［C］// Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining ， August 4-8 ， 2019 ， Anchorage， USA ： 2623 - 2631 .

SCRIVEN A ， KEDZIORA D J ， MUSIAL K ， et al . The technological emergence of AutoML： a survey of performant software and applications in the context of industry ［EB/OL］. ［ 2023-05-05 ］. https：//arxiv.org/abs/2211.04148.pdf https://arxiv.org/abs/2211.04148.pdf .

WANG Y ， ABLIZ A ， MA H B ， et al . Hyperspectral estimation of soil copper concentration based on improved TabNet model in the eastern Junggar Coalfield ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2022 ， 60 ： 1 - 20 .

HANCOCK J T ， KHOSHGOFTAAR T M . CatBoost for big data： an interdisciplinary review ［J］. Journal of Big Data ， 2020 ， 7 （ 1 ）： 94 .

LI W T ， TANG H S ， CUI C ， et al . Efficient online data-driven enhanced-XGBoost method for antenna optimization ［J］. IEEE Transactions on Antennas and Propagation ， 2022 ， 70 （ 7 ）： 4953 - 4964 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Short-term Wind Power Forecasting Method Based on Model Learning Offset Correction

Adaptive Short-term Wind Power Forecasting Under Extreme Weather Events Based on Transfer Learning and Autoencoder

风电经柔直送出系统送端交流故障低电压穿越策略

基于单机模型扩展的直驱风电场通用等值模型构建方法

Related Author

XIE Dongling

CHEN Yanxu

PAN Shiji

ZHAO Yongning

YE Lin

LI Yujia

CHEN Fuhao

YAN Jie

Related Institution

College of Information and Electrical Engineering, China Agricultural University

School of New Energy, North China Electric Power University

College of Electrical and Information Engineering, Hunan University

Guangzhou Power Supply Bureau of Guangdong Power Grid Co., Ltd.

⁰