基于多位置NWP和门控循环单元的风电功率超短期预测

杨茂; 白玉莹

doi:10.7500/AEPS20200521007

您当前的位置：

首页 >

文章列表页 >

基于多位置NWP和门控循环单元的风电功率超短期预测

学术研究 | 更新时间：2025-06-16

- 基于多位置NWP和门控循环单元的风电功率超短期预测
- Ultra-short-term Prediction of Wind Power Based on Multi-location Numerical Weather Prediction and Gated Recurrent Unit
- 电力系统自动化-方正平台 2021年45卷第1期页码：177-183
- 作者机构：
  
  现代电力系统仿真控制与绿色电能新技术教育部重点实验室（东北电力大学），吉林省吉林市 132012
- 作者简介：
  
  杨茂(1982—)，男，博士，教授，博士生导师，主要研究方向：电力系统稳定分析与新能源并网。E-mail：yangmao820@163.com
  白玉莹(1996—)，女，通信作者，硕士研究生，主要研究方向：风电功率超短期预测。E-mail：949437511@qq.com
- 基金信息：
  
  国家重点研发计划资助项目(2018YFB0904200)
- DOI：10.7500/AEPS20200521007
  中图分类号：
- 收稿日期：2020-05-21，
  
  修回日期：2020-06-28，
  
  网络出版日期：2020-11-11，
  
  纸质出版日期：2021-01-10
- 稿件说明：
移动端阅览
杨茂,白玉莹.基于多位置NWP和门控循环单元的风电功率超短期预测[J].电力系统自动化,2021,45(1):177-183.

YANG Mao,BAI Yuying.Ultra-short-term Prediction of Wind Power Based on Multi-location Numerical Weather Prediction and Gated Recurrent Unit[J].Automation of Electric Power Systems,2021,45(1):177-183.
杨茂,白玉莹.基于多位置NWP和门控循环单元的风电功率超短期预测[J].电力系统自动化,2021,45(1):177-183. DOI： 10.7500/AEPS20200521007.

YANG Mao,BAI Yuying.Ultra-short-term Prediction of Wind Power Based on Multi-location Numerical Weather Prediction and Gated Recurrent Unit[J].Automation of Electric Power Systems,2021,45(1):177-183. DOI： 10.7500/AEPS20200521007.

摘要

数值天气预报(NWP)对风电功率超短期预测模型精度有着重要影响。为充分利用NWP信息，考虑多个风电场的空间相关性，提出一种基于多位置NWP和门控循环单元的风电功率超短期预测模型。首先，通过随机森林分析多位置NWP信息对风电场发电功率的重要程度，利用累积贡献率提取NWP中的有效信息，将加权的NWP信息与历史功率数据作为预测模型的输入变量。然后，选取改进的灰狼寻优算法对门控循环单元的参数进行优化，建立多变量时间序列预测模型，进行风电场发电功率的超短期预测。最后，选取中国某风电场的实测数据进行算例分析，验证了所提方法的有效性和可行性。

Abstract

Numerical weather prediction (NWP) has an important impact on the accuracy of ultra-short-term prediction models for wind power. In order to make full use of the NWP information

considering the spatial correlation of multiple wind farms

an ultra-short-term prediction model of wind power based on multi-location NWP and gated recurrent unit (GRU) is proposed. First

the importance of multi-location NWP information on power generation in wind farms is analyzed through random forest method. The cumulative contribution rate is used to extract the effective information in NWP

and the weighted NWP information and historical power data are used as the input variables in the prediction model. Then

the improved gray wolf optimization algorithm is selected to optimize the parameters of the GRU

and a multi-variate time series prediction model is established for ultra-short-term prediction of power generation in wind farms. Finally

the measured data of a wind farm in China is selected for example analysis

and the effectiveness and feasibility of the proposed method are verified.

关键词

Keywords

references

杨茂，王金鑫，都键 . 基于极限学习机与格兰杰检验的风电功率缺失数据补齐［J］. 东北电力大学学报， 2019 ， 39 （ 5 ）： 9 - 16 .

YANG Mao ， WANG Jinxin ， DU Jian . The complement of the missing data based on the extreme learning machine and Granger test in wind power ［J］. Journal of Northeast Electric Power University ， 2019 ， 39 （ 5 ）： 9 - 16 .

朱乔木，李弘毅，王子琪，等 . 基于长短期记忆网络的风电场发电功率超短期预测［J］. 电网技术， 2017 ， 41 （ 12 ）： 3797 - 3802 ．

ZHU Qiaomu ， LI Hongyi ， WANG Ziqi ， et al . Short-term wind power forecasting based on LSTM ［J］. Power System Technology ， 2017 ， 41 （ 12 ）： 3797 - 3802 .

陈海文，王守相，王绍敏，等 . 基于门控循环单元网络与模型融合的负荷聚合体预测方法［J］. 电力系统自动化， 2019 ， 43 （ 1 ）： 65 - 74 .

CHEN Haiwen ， WANG Shouxiang ， WANG Shaomin ， et al . Aggregated load forecasting method based on gated recurrent unit networks and model fusion ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 1 ）： 65 - 74 .

王朋，孙永辉，翟苏巍，等 . 基于小波长短期记忆网络的风电功率超短期概率预测［J］. 南京信息工程大学学报（自然科学版）， 2019 ， 11 （ 4 ）： 460 - 466 .

WANG Peng ， SUN Yonghui ， ZHAI Suwei ， et al . Ultra-short-term probability prediction of wind power based on wavelet decomposition and long short-term memory network ［J］. Journal of Nanjing University of Information Science & Technology （Natural Science Edition）， 2019 ， 11 （ 4 ）： 460 - 466 .

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 .

宋家康，彭勇刚，蔡宏达，等 . 考虑多位置NWP和非典型特征的短期风电功率预测研究［J］. 电网技术， 2018 ， 42 （ 10 ）： 3234 - 3242 .

SONG Jiakang ， PENG Yonggang ， CAI Hongda ， et al . Research of short-term wind power forecasting considering multi-location NWP and uncanonical feature ［J］. Power System Technology ， 2018 ， 42 （ 10 ）： 3234 - 3242 .

李国，江晓东 . 基于提升回归树与随机森林的风电功率集成预测方法［J］. 电力系统及其自动化学报， 2018 ， 30 （ 11 ）： 70 - 74 .

LI Guo ， JIANG Xiaodong . Wind power generation ensemble forecasting method based on boosted regression tree and random forest ［J］. Proceedings of the CSU-EPSA ， 2018 ， 30 （ 11 ）： 70 - 74 .

王勃，冯双磊，刘纯 . 考虑预报风速与功率曲线因素的风电功率预测不确定性估计［J］. 电网技术， 2014 ， 38 （ 2 ）： 463 - 468 .

WANG Bo ， FENG Shuanglei ， LIU Chun . Uncertainty evaluation of wind power prediction considering impacts of power curve and predicted wind speed ［J］. Power System Technology ， 2014 ， 38 （ 2 ）： 463 - 468 .

牛东晓，范磊磊 . 风电功率预测方法综述及发展研究［J］. 现代电力， 2013 ， 30 （ 4 ）： 24 - 28 .

NIU Dongxiao ， FAN Leilei . Review and development study on wind power prediction methods ［J］. Modern Electric Power ， 2013 ， 30 （ 4 ）： 24 - 28 .

杨正瓴，杨钊，张玺，等 . 基于季风提高空间相关性预测的优化延迟时间［J］. 电力系统保护与控制， 2016 ， 44 （ 15 ）： 33 - 38 .

YANG Zhengling ， YANG Zhao ， ZHANG Xi ， et al . Improving optimal lag time of spatial correlation prediction by characteristics of monsoon ［J］. Power System Protection and Control ， 2016 ， 44 （ 15 ）： 33 - 38 .

张硕，李庚银，周明，等 . 风电场可靠性建模［J］. 电网技术， 2009 ， 33 （ 13 ）： 37 - 41 .

ZHANG Shuo ， LI Gengyin ， ZHOU Ming ， et al . Reliability modeling of large-scale wind farms ［J］. Power System Technology ， 2009 ， 33 （ 13 ）： 37 - 41 .

王清凉 . 基于广义回归神经网络的NWP风功率超短期预测方法的研究［J］. 电气制造， 2013 ， 8 （ 12 ）： 26 - 29 .

WANG Qingliang . Research on NWP wind power ultra-short-term prediction method based on generalized regression neural network ［J］. Electrical Manufacturing ， 2013 ， 8 （ 12 ）： 26 - 29 .

李俊卿，李秋佳，石天宇，等 . 基于数据挖掘的风电功率预测特征选择方法［J］. 电测与仪表， 2019 ， 56 （ 10 ）： 87 - 92 .

LI Junqing ， LI Qiujia ， SHI Tianyu ， et al . Feature selection method for wind power prediction based on data mining ［J］. Electrical Measurement & Instrumentation ， 2019 ， 56 （ 10 ）： 87 - 92 .

吴潇雨，和敬涵，张沛，等 . 基于灰色投影改进随机森林算法的电力系统短期负荷预测［J］. 电力系统自动化， 2015 ， 39 （ 12 ）： 50 - 55 .

WU Xiaoyu ， HE Jinghan ， ZHANG Pei ， et al . Power system short-term load forecasting based on improved random forest with grey relation projection ［J］. Automation of Electric Power Systems ， 2015 ， 39 （ 12 ）： 50 - 55 .

李俊卿，李秋佳，石天宇，等 . 基于随机森林重要性的LSTM网络风电功率缺失数据补齐［J］. 电器与能效管理技术， 2018 （ 13 ）： 47 - 52 .

LI Junqing ， LI Qiujia ， SHI Tianyu ， et al . Data completing of missing wind power data by LSTM network based on RF importance ［J］. Electrical & Energy Management Technology ， 2018 （ 13 ）： 47 - 52 .

徐龙博，王伟，张滔，等 . 基于神经网络平均影响值的超短期风电功率预测［J］. 电力系统自动化， 2017 ， 41 （ 21 ）： 40 - 45 .

XU Longbo ， WANG Wei ， ZHANG Tao ， et al . Ultra-short-term wind power prediction based on neural network and mean impact value ［J］. Automation of Electric Power Systems ， 2017 ， 41 （ 21 ）： 40 - 45 .

陈金富，朱乔木，石东源，等 . 利用时空相关性的多位置多步风速预测模型［J］. 中国电机工程学报， 2019 ， 39 （ 7 ）： 2093 - 2106 .

CHEN Jinfu ， ZHU Qiaomu ， SHI Dongyuan ， et al . A multi-step wind speed prediction model for multiple sites leveraging spatio-temporal correlation ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 7 ）： 2093 - 2106 .

HATTA N M ， ZAIN A M ， SALLEHUDDIN R ， et al . Recent studies on optimization method of grey wolf optimizer （GWO）： a review （2014—2017）［J］. Artificial Intelligence Review ， 2019 ， 52 （ 4 ）： 2651 - 2683 .

白媛，陈京荣，展之婵 . 改进灰狼优化算法的研究与分析［J］. 计算机科学与应用， 2017 ， 7 （ 6 ）： 562 - 571 .

BAI Yuan ， CHEN Jingrong ， ZHAN Zhichan . Research and analysis of improved gray wolf optimization algorithm ［J］. Computer Science and Applications ， 2017 ， 7 （ 6 ）： 562 - 571 .

MORRIS M D ， MITCHELL T J . Exploratory designs for computational experiments ［J］. Journal of Statistical Planning and Inference ， 1995 ， 43 （ 3 ）： 381 - 402 .

张学清，梁军，张熙，等 . 基于样本熵和极端学习机的超短期风电功率组合预测模型［J］. 中国电机工程学报， 2013 ， 33 （ 25 ）： 33 - 40 .

ZHANG Xueqing ， LIANG Jun ， ZHANG Xi ， et al . Combined model for ultra short-term wind power prediction based on sample entropy and extreme learning machine ［J］. Proceedings of the CSEE ， 2013 ， 33 （ 25 ）： 33 - 40 .

国家电网公司 . 风电功率预测功能规范： Q/GDW 10588—2015 ［S］.［ 2016-12-15 ］. http：//www.doc88.com/p-6943506477285.html .

State Grid Corporation of China . Functional specification for wind power prediction ： Q/GDW 10588—2015 ［S］. ［ 2016-12-15 ］. http：//www.doc88.com/p-6943506477285.html .

赵永宁，叶林，朱倩雯 . 风电场弃风异常数据簇的特征及处理方法［J］. 电力系统自动化， 2014 ， 38 （ 21 ）： 39 - 46 .

ZHAO Yongning ， YE Lin ， ZHU Qianwen . Characteristics and processing method of abnormal data clusters caused by wind curtailments in wind farms ［J］. Automation of Electric Power Systems ， 2014 ， 38 （ 21 ）： 39 - 46 .

刘松，王俊，王端阳，等 . 基于灰色关联分析和黑洞粒子群优化算法的短期风电功率预测［J］. 电器与能效管理技术， 2015 （ 13 ）： 6 - 10 .

LIU Song ， WANG Jun ， WANG Duanyang ， et al . Short term wind power prediction based on grey relational analysis and black hole particle swarm optimization ［J］. Electrical & Energy Management Technology ， 2015 （ 13 ）： 6 - 10 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于在线高斯过程回归的短期风电功率概率预测

基于波形突变特征的海量行波数据中雷击干扰波形辨识

基于组合模态分解和深度学习的短期风电功率区间预测

基于改进梯度提升算法的短期风电功率概率预测

基于高效数据降维的配电网风灾停电用户数量预测模型