基于爬坡特征和云模型的风电功率预测误差区间评估

乔妍; 韩丽; 李梦洁

doi:10.7500/AEPS20210603006

您当前的位置：

首页 >

文章列表页 >

基于爬坡特征和云模型的风电功率预测误差区间评估

学术研究 | 更新时间：2025-06-16

- 基于爬坡特征和云模型的风电功率预测误差区间评估
- Interval Estimation of Wind Power Forecasting Error Based on Ramp Features and Cloud Model
- 电力系统自动化 2022年46卷第11期页码：75-84
- 作者机构：
  
  中国矿业大学电气与动力工程学院，江苏省徐州市 221116
- 作者简介：
  
  乔妍(1996—)，女，硕士研究生，主要研究方向：可再生能源预测技术。E-mail：342805461@qq.com
  韩丽(1977—)，女，通信作者，博士，教授，硕士生导师，主要研究方向：电力系统自动化、可再生能源发电技术以及电网优化调度等。E-mail：dannyli717@163.com
  李梦洁(1998—)，女，硕士研究生，主要研究方向：可再生能源预测技术。E-mail：1274493974@qq.com
- 基金信息：
  
  国家自然科学基金资助项目(62076243)
- DOI：10.7500/AEPS20210603006
  中图分类号：
- 收稿日期：2021-06-03，
  
  修回日期：2021-12-11，
  
  网络出版日期：2022-03-28，
  
  纸质出版日期：2022-06-10
- 稿件说明：
移动端阅览
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.
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. DOI： 10.7500/AEPS20210603006.

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. DOI： 10.7500/AEPS20210603006.

摘要

为了满足电力系统优化运行对预测误差区间评估结果越来越高的可靠性要求，改善传统的区间评估方法在发生小概率风电爬坡事件时较差的适应性，提出了一种基于爬坡特征分类和云模型的风电功率预测误差区间评估方法。通过对每类数据分别建立模型以提高不同爬坡类型下评估方法的适应性。首先，利用改进的旋转门算法识别爬坡后得到爬坡特征，并基于爬坡特征对预测误差进行分类，对上爬坡类误差和下爬坡类误差分别建立云模型，对非爬坡类误差采用

-means算法得到不同预测误差类型所对应的区间范围。然后，以风电功率和爬坡特征数据共同作为模型输入，以预测误差类型为输出，建立评估模型，从而得到风电功率预测误差评估区间。最后，利用Elia网站的风电数据进行算例分析。结果表明，所提方法的风电功率误差区间评估效果更优。

Abstract

In order to meet the higher and higher reliability requirements of the forecasting error interval estimation results for optimal operation of the power system

and improve the poor adaptability of traditional methods when small-probability wind power ramp events occur

a interval estimation method for forecasting error of wind power based on the classification of ramp features and cloud model is proposed. Models for each type of data are built to improve the applicability of the estimation method with different ramp types. First

the improved swinging door algorithm is used to identify ramp and ramp features are obtained. The forecasting errors are classified according to the ramp features. The cloud models for up-ramp error and down-ramp error are established separately

and the

-means algorithm is used for non-ramp error to obtain the interval ranges corresponding to different forecasting error types. Then

the wind power and ramp features data are used as input of the model

and the forecasting error types are used as output. The estimation model is established to obtain the forecasting error estimation interval of wind power. Finally

the wind power data from the Elia website is utilized to conduct an example analysis

and the results show that the proposed method has better estimation effect of wind power error interval.

关键词

Keywords

references

DREW D R ， CANNON D J ， BARLOW J F ， et al . The importance of forecasting regional wind power ramping： a case study for the UK ［J］. Renewable Energy ， 2017 ， 114 ： 1201 - 1208 .

黎静华，桑川川，甘一夫，等 . 风电功率预测技术研究综述［J］. 现代电力， 2017 ， 34 （ 3 ）： 1 - 11 .

LI Jinghua ， SANG Chuanchuan ， GAN Yifu ， et al . A review of researches on wind power forecasting technology ［J］. Modern Electric Power ， 2017 ， 34 （ 3 ）： 1 - 11 .

RAJAGOPALAN S ， SANTOSO S . Wind power forecasting and error analysis using the autoregressive moving average modeling ［C］// 2009 IEEE Power & Energy Society General Meeting ， July 26-30 ， 2009 ， Calgary， Canada .

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 .

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 .

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 .

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 .

ZHANG G ， LI Z X ， ZHANG K S ， et al . Multi-objective interval prediction of wind power based on conditional Copula function ［J］. Journal of Modern Power Systems and Clean Energy ， 2019 ， 7 （ 4 ）： 802 - 812 .

MEN Z X ， YEE E ， LIEN F S ， et al . Short-term wind speed and power forecasting using an ensemble of mixture density neural networks ［J］. Renewable Energy ， 2016 ， 87 ： 203 - 211 .

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 .

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 .

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 .

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 .

甘迪，柯德平，孙元章，等 . 考虑爬坡特性的短期风电功率概率预测［J］. 电力自动化设备， 2016 ， 36 （ 4 ）： 145 - 150 .

GAN Di ， KE Deping ， SUN Yuanzhang ， et al . Short-term probabilistic wind power forecast considering ramp characteristics ［J］. Electric Power Automation Equipment ， 2016 ， 36 （ 4 ）： 145 - 150 .

李德毅，孟海军，史雪梅 . 隶属云和隶属云发生器［J］. 计算机研究与发展， 1995 ， 32 （ 6 ）： 15 - 20 .

LI Deyi ， MENG Haijun ， SHI Xuemei . Membership clouds and membership cloud generators ［J］. Journal of Computer Research and Development ， 1995 ， 32 （ 6 ）： 15 - 20 .

刘常昱，李德毅，杜鹢，等 . 正态云模型的统计分析［J］. 信息与控制， 2005 ， 34 （ 2 ）： 236 - 239 .

LIU Changyu ， LI Deyi ， DU Yi ， et al . Some statistical analysis of the normal cloud model ［J］. Information and Control ， 2005 ， 34 （ 2 ）： 236 - 239 .

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 .

阎洁，许成志，刘永前，等 . 基于风速云模型相似日的短期风电功率预测方法［J］. 电力系统自动化， 2018 ， 42 （ 6 ）： 53 - 59 .

YAN Jie ， XU Chengzhi ， LIU Yongqian ， et al . Short-term wind power prediction method based on wind speed cloud model in similar day ［J］. Automation of Electric Power Systems ， 2018 ， 42 （ 6 ）： 53 - 59 .

蔡国伟，张斌，王建元，等 . 云模型理论在互联电力系统负荷频率控制中的应用［J］. 中国电机工程学报， 2015 ， 35 （ 2 ）： 353 - 358 .

CAI Guowei ， ZHANG Bin ， WANG Jianyuan ， et al . Application of cloud model theory to the load frequency control in interconnected power systems ［J］. Proceedings of the CSEE ， 2015 ， 35 （ 2 ）： 353 - 358 .

杨健，徐思卿，姜尚光，等 . 基于动态时间规整的风电功率爬坡滚动修正模型［J］. 电力系统自动化， 2021 ， 45 （ 16 ）： 152 - 159 .

YANG Jian ， XU Siqing ， JIANG Shangguang ， et al . Rolling correction model of ramp for wind power based on dynamic time warping ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 16 ）： 152 - 159 .

景惠甜，韩丽，高志宇 . 基于卷积神经网络特征提取的风电功率爬坡预测［J］. 电力系统自动化， 2021 ， 45 （ 4 ）： 98 - 105 .

JING Huitian ， HAN Li ， GAO Zhiyu . Wind power ramp forecast based on feature extraction using convolutional neural network ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 4 ）： 98 - 105 .

HAN L ， QIAO Y ， LI M J ， et al . Wind power ramp event forecasting based on feature extraction and deep learning ［J］. Energies ， 2020 ， 13 （ 23 ）： 6449 .

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 .

刘芳，汪震，刘睿迪，等 . 基于组合损失函数的BP神经网络风力发电短期预测方法［J］. 浙江大学学报（工学版）， 2021 ， 55 （ 3 ）： 594 - 600 .

LIU Fang ， WANG Zhen ， LIU Ruidi ， et al . Short-term forecasting method of wind power generation based on BP neural network with combined loss function ［J］. Journal of Zhejiang University （Engineering Science）， 2021 ， 55 （ 3 ）： 594 - 600 .

胡伟，胡亚威，杨枫 . 基于改进花朵授粉算法的风电预测神经网络模型［J］. 系统管理学报， 2019 ， 28 （ 5 ）： 934 - 940 .

HU Wei ， HU Yawei ， YANG Feng . Neural network model of wind power prediction based on improved flower pollination algorithm ［J］. Journal of Systems & Management ， 2019 ， 28 （ 5 ）： 934 - 940 .

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 .

杨茂，杨春霖，董骏城 . 基于预测误差分布优化模型的风电功率超短期概率区间预测研究［J］. 太阳能学报， 2019 ， 40 （ 10 ）： 2967 - 2978 .

YANG Mao ， YANG Chunlin ， DONG Juncheng . Ultra-short term probabilistic intervals forecasting of wind power based on optimization model of forecasting error distribution ［J］. Acta Energiae Solaris Sinica ， 2019 ， 40 （ 10 ）： 2967 - 2978 .

Elia . Wind-power generation data ［EB/OL］. ［ 2021-05-03 ］. https：//www.elia.be/en/grid-data/power-generation/wind-power-generation https://www.elia.be/en/grid-data/power-generation/wind-power-generation .

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

考虑风电功率预测误差分时补偿的电热联合系统多时间尺度调度

面向电网调峰的负荷友好性评价

基于波动趋势分段的风电功率区间预测