Ultra-short-term Wind Power Prediction Based on Power Correction Under Low Wind Speed and Improved Loss Function

ZANG Haixiang; ZHAO Yongkai; ZHANG Yue; CHENG Lilin; WEI Zhinong; QIN Xueni

doi:10.7500/AEPS20230926006

您当前的位置：

首页 >

文章列表页 >

Ultra-short-term Wind Power Prediction Based on Power Correction Under Low Wind Speed and Improved Loss Function

Basic Research | 更新时间：2025-06-16

- Ultra-short-term Wind Power Prediction Based on Power Correction Under Low Wind Speed and Improved Loss Function
- Automation of Electric Power Systems Vol. 48, Issue 7, Pages: 248-257(2024)
- 作者机构：
  
  1.河海大学电气与动力工程学院,江苏省南京市 211100
  2.华能国际电力江苏能源开发有限公司清洁能源分公司,江苏省南京市 210009
- 作者简介：
- 基金信息：
  
  National Natural Science Foundation of China(52077062)
- DOI：10.7500/AEPS20230926006
  CLC：
- Received：26 September 2023，
  
  Revised：2023-12-14，
  
  Published Online：01 March 2024，
  
  Published：10 April 2024
- 稿件说明：
移动端阅览
臧海祥,赵勇凯,张越等.基于低风速功率修正和损失函数改进的超短期风电功率预测[J].电力系统自动化,2024,48(7):248-257.

ZANG Haixiang,ZHAO Yongkai,ZHANG Yue,et al.Ultra-short-term Wind Power Prediction Based on Power Correction Under Low Wind Speed and Improved Loss Function[J].Automation of Electric Power Systems,2024,48(7):248-257.
臧海祥,赵勇凯,张越等.基于低风速功率修正和损失函数改进的超短期风电功率预测[J].电力系统自动化,2024,48(7):248-257. DOI： 10.7500/AEPS20230926006.

ZANG Haixiang,ZHAO Yongkai,ZHANG Yue,et al.Ultra-short-term Wind Power Prediction Based on Power Correction Under Low Wind Speed and Improved Loss Function[J].Automation of Electric Power Systems,2024,48(7):248-257. DOI： 10.7500/AEPS20230926006.

摘要

风电功率具有较强的波动性和随机性。为进一步提升风电功率的预测精度，提出一种基于低风速功率修正和损失函数改进的超短期风电功率预测模型。该模型采用卷积神经网络、自注意力机制和双向门控循环单元捕获风电功率序列的长期时序依赖关系。为了解决低风速下待风状态神经网络难以精确拟合的问题，模型通过预测风速并结合当前时段的风电功率对低风速段的预测功率进行修正。针对参数训练的稳定性问题，模型通过改进预测策略和共享权重，引入一种多元非线性的损失函数来提取序列间的关联性。结果表明，所提模型在多项误差指标中均优于对比模型，能够有效提升超短期风电功率的预测效果。

Abstract

Wind power has strong fluctuation and randomness. In order to further improve the prediction accuracy of wind power

an ultra-short-term wind power prediction model based on power correction under low wind speed and an improved loss function is proposed. The model uses convolutional neural networks

self-attention mechanisms and bidirectional gated recurrent unit to capture long-term temporal dependencies of wind power sequences. In order to solve the problem that it is difficult for the neural network to accurately fit the waiting wind state under low wind speed

the model corrects the predicted power under low wind speed by predicting wind speed and combining wind power at the current period. To solve the stability problem of parameter training

the model introduces a multivariate nonlinear loss function to extract the correlation between sequences by improving the prediction strategy and shared weights. The results show that the proposed model is superior to the comparison model in many error indices

and can effectively improve the effect of the ultra-short-term wind power prediction.

关键词

Keywords

references

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 .

李锴，党杰，孙鑫，等 . 计及风电功率不确定性的电力系统输电可靠性裕度快速评估［J］. 电网技术， 2019 ， 43 （ 9 ）： 3337 - 3343 .

LI Kai ， DANG Jie ， SUN Xin ， et al . Fast evaluation of transmission reliability margin of power systems considering wind power uncertainty ［J］. Power System Technology ， 2019 ， 43 （ 9 ）： 3337 - 3343 .

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 .

苏向敬，聂良钊，李超杰，等 . 基于MSTAGNN模型的可解释海上风电场多风机出力预测［J］. 电力系统自动化， 2023 ， 47 （ 9 ）： 88 - 98 .

SU Xiangjing ， NIE Liangzhao ， LI Chaojie ， et al . Interpretable power output prediction of multiple wind turbines for offshore wind farm based on multiple spatio-temporal attention graph neural network model ［J］. Automation of Electric Power Systems ， 2023 ， 47 （ 9 ）： 88 - 98 .

曹俊波，周任军，邓学华，等 . 考虑优化ARIMA模型差分次数的风功率预测［J］. 电力系统及其自动化学报， 2019 ， 31 （ 1 ）： 105 - 111 .

CAO Junbo ， ZHOU Renjun ， DENG Xuehua ， et al . Wind power forecast considering differential times of optimal ARIMA model ［J］. Proceedings of the CSU-EPSA ， 2019 ， 31 （ 1 ）： 105 - 111 .

王依宁，解大，王西田，等 . 基于PCA-LSTM模型的风电机网相互作用预测［J］. 中国电机工程学报， 2019 ， 39 （ 14 ）： 4070 - 4081 .

WANG Yining ， XIE Da ， WANG Xitian ， et al . Prediction of interaction between grid and wind farms based on PCA-LSTM model ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 14 ）： 4070 - 4081 .

孙国强，梁智，俞娜燕，等 . 基于EWT和分位数回归森林的短期风电功率概率密度预测［J］. 电力自动化设备， 2018 ， 38 （ 8 ）： 158 - 165 .

SUN Guoqiang ， LIANG Zhi ， YU Nayan ， et al . Short-term wind power probability density forecasting based on EWT and quantile regression forest ［J］. Electric Power Automation Equipment ， 2018 ， 38 （ 8 ）： 158 - 165 .

王金锋，杨宇琦，温栋，等 . 基于GA-BP和RBF的风力发电时间序列混沌预测组合模型［J］. 电网与清洁能源， 2022 ， 38 （ 11 ）： 117 - 125 .

WANG Jinfeng ， YANG Yuqi ， WEN Dong ， et al . A combined model of chaos prediction of wind power generation time series based on GA-BP and RBF ［J］. Power System and Clean Energy ， 2022 ， 38 （ 11 ）： 117 - 125 .

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 .

史加荣，赵丹梦，王琳华，等 . 基于RR-VMD-LSTM的短期风电功率预测［J］. 电力系统保护与控制， 2021 ， 49 （ 21 ）： 63 - 70 .

SHI Jiarong ， ZHAO Danmeng ， WANG Linhua ， et al . Short-term wind power prediction based on RR-VMD-LSTM ［J］. Power System Protection and Control ， 2021 ， 49 （ 21 ）： 63 - 70 .

张越，臧海祥，程礼临，等 . 基于自适应时序表征和多级注意力的超短期风电功率预测［J/OL］. 电力自动化设备： 1 - 13 ［ 2023-08-21 ］. https：//kns.cnki.net/kcms2/article/abstract？v=3IEynGI71r-756ogUtQ2oE_iSSpHBZBFvm9YDNMK7J4bKWIBHKn_QyX3Vn1JQopbP2MyHf0VShYkSwQS1S92IyMBMrGAHN_4bVaRP_TcVUSq4BSsKLbK5zuRIPYFuZbWMT1L-EtwYos=&uniplatform=NZKPT&language=CHS https://kns.cnki.net/kcms2/article/abstract?v=3IEynGI71r-756ogUtQ2oE_iSSpHBZBFvm9YDNMK7J4bKWIBHKn_QyX3Vn1JQopbP2MyHf0VShYkSwQS1S92IyMBMrGAHN_4bVaRP_TcVUSq4BSsKLbK5zuRIPYFuZbWMT1L-EtwYos=&uniplatform=NZKPT&language=CHS .

ZHANG Yue ， ZANG Haixiang ， CHENG Lilin ， et al . Ultra-short-term wind power forecasting based on adaptive time series representation and multi-level attention ［J］. Electric Power Automation Equipment： 1 - 13 ［ 2023-08-21 ］. https：//kns.cnki.net/kcms2/article/abstract？v=3IEynGI71r-756ogUtQ2oE_iSSpHBZBFvm9YDNMK7J4bKWIBHKn_QyX3Vn1JQopbP2MyHf0VShYkSwQS1S92IyMBMrGAHN_4bVaRP_TcVUSq4BSsKLbK5zuRIPYFuZbWMT1L-EtwYos=&uniplatform=NZKPT&language=CHS https://kns.cnki.net/kcms2/article/abstract?v=3IEynGI71r-756ogUtQ2oE_iSSpHBZBFvm9YDNMK7J4bKWIBHKn_QyX3Vn1JQopbP2MyHf0VShYkSwQS1S92IyMBMrGAHN_4bVaRP_TcVUSq4BSsKLbK5zuRIPYFuZbWMT1L-EtwYos=&uniplatform=NZKPT&language=CHS .

HYUNWOOK L ， CHUNGGI L ， HONGKYU L ， et al . TILDE-Q： a transformation invariant loss function for time-series forecasting ［EB/OL］. ［ 2023-05-27 ］. https：//arxiv.org/abs/2210.15050 https://arxiv.org/abs/2210.15050 .

李嘉文，盛德仁，李蔚，等 . 基于多目标优化和误差修正的短期风速预测［J］. 太阳能学报， 2022 ， 43 （ 8 ）： 273 - 280 .

LI Jiawen ， SHENG Deren ， LI Wei ， et al . Short-term wind speed prediction based on multi-objective optimization and error correction ［J］. Acta Energiae Solaris Sinica ， 2022 ， 43 （ 8 ）： 273 - 280 .

BEN TAIEB S ， BONTEMPI G ， ATIYA A F ， et al . A review and comparison of strategies for multi-step ahead time series forecasting based on the NN5 forecasting competition ［J］. Expert Systems with Applications ， 2012 ， 39 （ 8 ）： 7067 - 7083 .

贾睿，杨国华，郑豪丰，等 . 基于自适应权重的CNN-LSTM& GRU组合风电功率预测方法［J］. 中国电力， 2022 ， 55 （ 5 ）： 47 - 56 .

JIA Rui ， YANG Guohua ， ZHENG Haofeng ， et al . Combined wind power prediction method based on CNN-LSTM & GRU with adaptive weights ［J］. Electric Power ， 2022 ， 55 （ 5 ）： 47 - 56 .

骆钊，吴谕侯，朱家祥，等 . 基于多尺度时间序列块自编码Transformer神经网络模型的风电超短期功率预测［J］. 电网技术， 2023 ， 47 （ 9 ）： 3527 - 3537 .

LUO Zhao ， WU Yuhou ， ZHU Jiaxiang ， et al . Wind power forecasting based on multi-scale time series block auto-encoder transformer neural network model ［J］. Power System Technology ， 2023 ， 47 （ 9 ）： 3527 - 3537 .

钱勇生，邵洁，季欣欣，等 . 基于LSTM-Attention网络的短期风电功率预测［J］. 电机与控制应用， 2019 ， 46 （ 9 ）： 95 - 100 .

QIAN Yongsheng ， SHAO Jie ， JI Xinxin ， et al . Short-term wind power forecasting based on LSTM-Attention network ［J］. Electric Machines & Control Application ， 2019 ， 46 （ 9 ）： 95 - 100 .

薛阳，王琳，王舒，等 . 一种结合CNN和GRU网络的超短期风电预测模型［J］. 可再生能源， 2019 ， 37 （ 3 ）： 456 - 462 .

XUE Yang ， WANG Lin ， WANG Shu ， et al . An ultra-short-term wind power forecasting model combined with CNN and GRU networks ［J］. Renewable Energy Resources ， 2019 ， 37 （ 3 ）： 456 - 462 .

曾亮，狄飞超，兰欣，等 . 基于CEEMD-CNN-BiGRU-RF模型的短期风电功率预测［J］. 可再生能源， 2022 ， 40 （ 2 ）： 190 - 195 .

ZENG Liang ， DI Feichao ， LAN Xin ， et al . Short-term wind power prediction based on CEEMD-CNN-BiGRU-RF model ［J］. Renewable Energy Resources ， 2022 ， 40 （ 2 ）： 190 - 195 .

刘雅婷，杨明，于一潇，等 . 基于多场景敏感气象因子优选及小样本学习与扩充的转折性天气日前风电功率预测［J］. 高电压技术， 2023 ， 49 （ 7 ）： 2972 - 2982 .

LIU Yating ， YANG Ming ， YU Yixiao ， et al . Transitional-weather-considered day-ahead wind power forecasting based on multi-scene sensitive meteorological factor optimization and few-shot learning ［J］. High Voltage Engineering ， 2023 ， 49 （ 7 ）： 2972 - 2982 .

PAN X R ， GE C J ， LU R ， et al . On the integration of self-attention and convolution ［C］// 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）， June 18-24 ， 2022 ， New Orleans， USA ： 805 - 815 .

张淑清，杜灵韵，王册浩，等 . 基于格拉姆角场与改进CNN-ResNet的风电功率预测方法［J］. 电网技术， 2023 ， 47 （ 4 ）： 1540 - 1548 .

ZHANG Shuqing ， DU Lingyun ， WANG Cehao ， et al . Wind power forecasting method based on GAF and improved CNN-res net ［J］. Power System Technology ， 2023 ， 47 （ 4 ）： 1540 - 1548 .

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 .

黄棋悦，严楠，钟旭佳 . 基于生成对抗网络的风电爬坡功率预测［J］. 太阳能学报， 2023 ， 44 （ 1 ）： 226 - 231 .

HUANG Qiyue ， YAN Nan ， ZHONG Xujia . Wind power ramping events prediction based on generative adversarial network ［J］. Acta Energiae Solaris Sinica ， 2023 ， 44 （ 1 ）： 226 - 231 .

张颖超，宗阳，邓华，等 . 基于趋势特征的风电功率爬坡事件检测方法［J］. 电测与仪表， 2020 ， 57 （ 18 ）： 122 - 127 .

ZHANG Yingchao ， ZONG Yang ， DENG Hua ， et al . Wind power ramp event detection method based on trend feature ［J］. Electrical Measurement & Instrumentation ， 2020 ， 57 （ 18 ）： 122 - 127 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Ultra-short-term Wind Power Forecasting Method Combining Multiple Clustering and Hierarchical Clustering

基于灰色神经网络组合模型的光伏短期出力预测

Short-term Wind Power Probability Prediction Based on Online Gaussian Process Regression

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

Related Author

Chenyu PENG

Ning CHEN

Bingtuan GAO

ZHANG Na

WANG Shouxiang

WANG Yaojian

JIN Zhijian

WEN Honglin

Related Institution

School of Electrical Engineering, Southeast University

State Key Laboratory of Operation and Control of Renewable Energy & Storage Systems

China Electric Power Research Institute

Key Laboratory of Smart Grid of Ministry of Education，Tianjin University

Key Laboratory of Control of Power Transmission and Transformation of Ministry of Education (Shanghai Jiao Tong University)

⁰