Ultra-short-term Power Prediction for Offshore Wind Farms Based on Dual Channel Graph Convolution Network Model

HUANG Lingling; SHI Xiaohua; FU Yang; LIU Yang; YING Feixiang

doi:10.7500/AEPS20231101006

您当前的位置：

首页 >

文章列表页 >

Ultra-short-term Power Prediction for Offshore Wind Farms Based on Dual Channel Graph Convolution Network Model

Basic Research | 更新时间：2025-06-16

- Ultra-short-term Power Prediction for Offshore Wind Farms Based on Dual Channel Graph Convolution Network Model
- Automation of Electric Power Systems Vol. 48, Issue 15, Pages: 64-72(2024)
- 作者机构：
  
  1.海上风电技术教育部工程研究中心（上海电力大学），上海市 200090
  2.上海电力大学电气工程学院，上海市200090
- 作者简介：
- 基金信息：
  
  National Natural Science Foundation of China(52177097);Scientific Research and Innovation Program of Shanghai Education Commission(2021-01-07-00-07-E00122)
- DOI：10.7500/AEPS20231101006
  CLC：
- Received：01 November 2023，
  
  Revised：2024-01-22，
  
  Published Online：14 June 2024，
  
  Published：10 August 2024
- 稿件说明：
移动端阅览
黄玲玲,石孝华,符杨等.基于DCGCN模型的海上风电场超短期功率预测[J].电力系统自动化,2024,48(15):64-72.

HUANG Lingling,SHI Xiaohua,FU Yang,et al.Ultra-short-term Power Prediction for Offshore Wind Farms Based on Dual Channel Graph Convolution Network Model[J].Automation of Electric Power Systems,2024,48(15):64-72.
黄玲玲,石孝华,符杨等.基于DCGCN模型的海上风电场超短期功率预测[J].电力系统自动化,2024,48(15):64-72. DOI： 10.7500/AEPS20231101006.

HUANG Lingling,SHI Xiaohua,FU Yang,et al.Ultra-short-term Power Prediction for Offshore Wind Farms Based on Dual Channel Graph Convolution Network Model[J].Automation of Electric Power Systems,2024,48(15):64-72. DOI： 10.7500/AEPS20231101006.

摘要

图卷积网络(GCN)具有很强的数据关联挖掘能力，近年来在风电功率预测领域获得了广泛关注。然而，传统的基于GCN模型的超短期风电功率预测难以同时处理影响风电功率的两大核心因素（风速与机组状态信息）的双模态问题，基于此，提出了一种基于双通道图卷积网络（DCGCN）的海上风电场超短期功率预测模型。首先，建立以理论功率曲线为基准的机组状态指标模型，定量表征机组状态变化对其发电能力的影响；其次，构建海上风电场图拓扑，建立基于风速和状态邻接矩阵的风电场各机组捕获的风速与机组状态信息的关联关系模型；最后，建立基于DCGCN的风电场超短期功率预测方法。算例结果表明，所提模型有助于提高风电场功率预测模型的训练效率和预测精度。

Abstract

Graph convolution network (GCN) has strong data correlation mining capabilities and has gained widespread attention in the field of wind power prediction in recent years. However

traditional ultra-short-term wind power prediction based on GCN model is difficult to deal with the dual-mode problem of the two core factors (wind speed and unit state information) that affect wind power simultaneously. Based on this

an ultra-short-term power prediction for offshore wind farms based on dual channel graph convolution network (DCGCN) model is proposed. Firstly

a unit state index model based on the theoretical power curve is established to quantitatively characterize the impact of unit state changes on its power generation capacity. Secondly

the graph topology of the offshore wind farm is constructed

and the correlation relationship model between the wind speed captured by each unit of the wind farm and the unit state information is established based on the wind speed and state adjacency matrices. Finally

an ultra-short-term power prediction method of wind farm based on DCGCN is established. Case study results indicate that the proposed model is helpful to improve the training efficiency and prediction accuracy of the wind farm power prediction model.

This work is supported byFoundation

National Natural Science Foundation of China (No. 52177097) and Scientific Research and Innovation Plan Program of Shanghai Education Commission (No. 2021-01-07-00-07-E00122).

关键词

Keywords

references

翟桥柱，周玉洲，李轩，等 . 非预期性与全场景可行性：应对负荷与可再生能源不确定性的现状、挑战与未来［J］. 中国电机工程学报， 2020 ， 40 （ 20 ）： 6418 - 6433 .

ZHAI Qiaozhu ， ZHOU Yuzhou ， LI Xuan ， et al . Nonanticipativity and all-scenario-feasibility： state of the art， challenges， and future in dealing with the uncertain load and renewable energy ［J］. Proceedings of the CSEE ， 2020 ， 40 （ 20 ）： 6418 - 6433 .

王令闻，黄玲玲，张智伟 . 基于运行数据的海上风电场功率特性分析［J］. 现代电力， 2020 ， 37 （ 5 ）： 532 - 538 .

WANG Lingwen ， HUANG Lingling ， ZHANG Zhiwei . Analysis on power characteristics of offshore wind farm based on measured operational data ［J］. Modern Electric Power ， 2020 ， 37 （ 5 ）： 532 - 538 .

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

卓振宇，张宁，谢小荣，等 . 高比例可再生能源电力系统关键技术及发展挑战［J］. 电力系统自动化， 2021 ， 45 （ 9 ）： 171 - 191 .

ZHUO Zhenyu ， ZHANG Ning ， XIE Xiaorong ， et al . Key technologies and developing challenges of power system with high proportion of renewable energy ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 9 ）： 171 - 191 .

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 .

国家电网公司 . 风电功率预测功能规范： Q/GDW 10588—2015 ［S］. 2015 .

State Grid Corporation of China . Functional specification for wind power prediction ： Q/GDW 10588—2015 ［S］. 2015 .

周勇良，余光正，刘建锋，等 . 基于改进长期循环卷积神经网络的海上风电功率预测［J］. 电力系统自动化， 2021 ， 45 （ 3 ）： 183 - 191 .

ZHOU Yongliang ， YU Guangzheng ， LIU Jianfeng ， et al . Offshore wind power prediction based on improved long-term recurrent convolutional neural network ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 3 ）： 183 - 191 .

LIAO W L ， BAK-JENSEN B ， RADHAKRISHNA PILLAI J ， et al . A review of graph neural networks and their applications in power systems ［J］. Journal of Modern Power Systems and Clean Energy ， 2022 ， 10 （ 2 ）： 345 - 360 .

孙亦皓，刘浩，胡天宇，等 . 基于时空关联特征与GCN-FEDformer的风速短期预测方法［J/OL］. 中国电机工程学报［ 2023-10-15 ］. http：//doi.org.shiep.vpn358.com/10.13334/j.02588013.pcsee.231140 http://doi.org.shiep.vpn358.com/10.13334/j.02588013.pcsee.231140 .

SUN Yihao ， LIU Hao ， HU Tianyu ， et al . Short-term wind speed forecasting based on GCN and FEDformer ［J/OL］. Proceedings of the CSEE ［ 2023-10-15 ］. http：//doi.org.shiep.vpn358.com/10.13334/j.02588013.pcsee.231140 http://doi.org.shiep.vpn358.com/10.13334/j.02588013.pcsee.231140 .

陈子含，滕伟，胥学峰，等 . 基于图卷积网络和风速差分拟合的中长期风功率预测［J/OL］. 中国电力［ 2023-10-15 ］. http：//h-p.kns.cnki.net.shiep.vpn358.com/kcms/detail/11.3265.TM.20230607.1101.004.html http://h-p.kns.cnki.net.shiep.vpn358.com/kcms/detail/11.3265.TM.20230607.1101.004.html .

CHEN Zihan ， TENG Wei ， XU Xuefeng ， et al . Medium and long term wind power prediction based on graph convolutional network and wind velocity differential fitting ［J/OL］. Electric Power ［ 2023-10-15 ］. http：//h-p.kns.cnki.net.shiep.vpn358.com/kcms/detail/11.3265.TM.20230607.1101.004.html http://h-p.kns.cnki.net.shiep.vpn358.com/kcms/detail/11.3265.TM.20230607.1101.004.html .

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 .

LI Z ， YE L ， ZHAO Y N ， et al . A spatiotemporal directed graph convolution network for ultra-short-term wind power prediction ［J］. IEEE Transactions on Sustainable Energy ， 2023 ， 14 （ 1 ）： 39 - 54 .

张浩 . 风电功率时空不确定性预测方法研究［D］. 北京：华北电力大学， 2021 .

ZHANG Hao . Research on spatial-temporal uncertainty prediction method of wind power ［D］. Beijing ： North China Electric Power University ， 2021 .

杨保华 . 基于时空特征提取和数据降维的多风电场功率预测［D］. 宜昌：三峡大学， 2021 .

YANG Baohua . Power forecasting of multi-wind farms based on spatio-temporal feature extraction and data dimensionality reduction ［D］. Yichang ： China Three Gorges University ， 2021 .

GILL S ， STEPHEN B ， GALLOWAY S . Wind turbine condition assessment through power curve copula modeling ［J］. IEEE Transactions on Sustainable Energy ， 2012 ， 3 （ 1 ）： 94 - 101 .

黄玲玲，李锁，符杨，等 . 基于风电机组状态的超短期海上风电功率预测［J］. 太阳能学报， 2022 ， 43 （ 8 ）： 391 - 398 .

HUANG Lingling ， LI Suo ， FU Yang ， et al . Ultra-short term offshore wind power prediction based on condition-assessment of wind turbines ［J］. Acta Energiae Solaris Sinica ， 2022 ， 43 （ 8 ）： 391 - 398 .

符杨，任子旭，魏书荣，等 . 基于改进LSTM-TCN模型的海上风电超短期功率预测［J］ . 中国电机工程学报， 2022 ， 42 （ 12 ）： 4292 - 4303 .

FU Yang ， REN Zixu ， WEI Shurong ， et al . Ultra-short-term power prediction of offshore wind power based on improved LSTM-TCN model ［J］. Proceedings of the CSEE ， 2022 ， 42 （ 12 ）： 4292 - 4303 .

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 .

杨茂，杨琼琼 . 风电机组风速-功率特性曲线建模研究综述［J］. 电力自动化设备， 2018 ， 38 （ 2 ）： 34 - 43 .

YANG Mao ， YANG Qiongqiong . Review of modeling of wind speed-power characteristic curve for wind turbine ［J］. Electric Power Automation Equipment ， 2018 ， 38 （ 2 ）： 34 - 43 .

HUANG Q Y ， CUI Y ， TJERNBERG L B ， et al . Wind turbine health assessment framework based on power analysis using machine learning method ［C］// 2019 IEEE PES Innovative Smart Grid Technologies Europe （ISGT）， September 29-October 2 ， 2019， Bucharest ， Romania： 1 - 5 .

庄颖睿，肖谭南，程林，等 . 基于时空图卷积网络的电力系统暂态稳定评估［J］. 电力系统自动化， 2022 ， 46 （ 11 ）： 11 - 18 .

ZHUANG Yingrui ， XIAO Tannan ， CHENG Lin ， et al . Transient stability assessment of power system based on spatio-temporal graph convolutional network ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 11 ）： 11 - 18 .

张鹏飞，胡博，何金松，等 . 基于时空图卷积网络的短期空间负荷预测方法［J］. 电力系统自动化， 2023 ， 47 （ 13 ）： 78 - 85 .

ZHANG Pengfei ， HU Bo ， HE Jinsong ， et al . Short-term spatial load forecasting method based on spatio-temporal graph convolutional network ［J］. Automation of Electric Power Systems ， 2023 ， 47 （ 13 ）： 78 - 85 .

DEFFERRARD M ， BRESSON X ， VANDERGHEYNST P . Convolutional neural networks on graphs with fast localized spectral filtering ［C］// Proceedings of the 30th International Conference on Neural Information Processing Systems ， December 5-10 ， 2016 ， Barcelona， Spain ： 3844 - 3852 .

符杨，许伟欣，刘璐洁，等 . 考虑天气因素的海上风电机组预防性机会维护策略优化方法［J］. 中国电机工程学报， 2018 ， 38 （ 20 ）： 5947 - 5956 .

FU Yang ， XU Weixin ， LIU Lujie ， et al . Optimization of preventive opportunistic maintenance strategy for offshore wind turbine considering weather conditions ［J］. Proceedings of the CSEE ， 2018 ， 38 （ 20 ）： 5947 - 5956 .

崔嘉，杨俊友，邢作霞，等 . 基于单机最优功率曲线拟合的多场景风电功率预测方法［J］. 电力系统自动化， 2015 ， 39 （ 16 ）： 23 - 28 .

CUI Jia ， YANG Junyou ， XING Zuoxia ， et al . Multi-scenario wind power forecasting method based on single turbine optimal power curve fitting ［J］. Automation of Electric Power Systems ， 2015 ， 39 （ 16 ）： 23 - 28 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Electromagnetic Transient Controlled Source Based Decoupling Acceleration Model for Large-scale Offshore Wind Farm

Pilot Protection for VSC-HVDC Transmission Line of Grid-connected Offshore Wind Farm Based on Quasi-power Theorem

Interpretable Power Output Prediction of Multiple Wind Turbines for Offshore Wind Farm Based on Multiple Spatio-temporal Attention Graph Neural Network Model

Distributed Optimization Method for Operation Power of Large-scale Offshore Wind Farm Based on Two-step Processing

Related Author

ZOU Ming

WANG Yan

XU Jianzhong

ZHAO Chengyong

XU Bin

GAO Houlei

YUAN Tong

PENG Fang

Related Institution

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

School of Electrical Engineering, Shandong University

School of Electrical and Electronic Engineering, Nanyang Technological University

School of Electrical Engineering and Telecommunications, University of New South Wales

School of Automation, Central South University

⁰