基于时序混合密度网络的超短期风电功率概率预测

董骁翀; 孙英云; 蒲天骄; 王新迎; 李烨

doi:10.7500/AEPS20211208003

您当前的位置：

首页 >

文章列表页 >

基于时序混合密度网络的超短期风电功率概率预测

学术研究 | 更新时间：2025-06-16

- 基于时序混合密度网络的超短期风电功率概率预测
- Ultra-short-term Probabilistic Forecasting of Wind Power Based on Temporal Mixture Density Network
- 电力系统自动化 2022年46卷第14期页码：93-100
- 作者机构：
  
  1.华北电力大学电气与电子工程学院，北京市 102206
  2.中国电力科学研究院有限公司，北京市 100192
- 作者简介：
  
  董骁翀(1995—)，男，博士研究生，主要研究方向：人工智能在电力系统中的应用。E-mail：dream_dxc@163.com
  孙英云(1975—)，男，通信作者，博士，教授，主要研究方向：新能源接入、电力系统优化与控制。E-mail：sunyy@ncepu.edu.cn
  蒲天骄(1970—)，男，教授级高级工程师，主要研究方向：电力系统自动控制、电力人工智能技术。E-mail：tjpu@epri.sgcc.com.cn
- 基金信息：
  
  国家重点研发计划资助项目(2020YFB0905900);国家自然科学基金资助项目(51777065)
- DOI：10.7500/AEPS20211208003
  中图分类号：
- 收稿日期：2021-12-08，
  
  修回日期：2022-02-15，
  
  网络出版日期：2022-04-11，
  
  纸质出版日期：2022-07-25
- 稿件说明：
移动端阅览
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.
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. DOI： 10.7500/AEPS20211208003.

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. DOI： 10.7500/AEPS20211208003.

摘要

风电概率预测能够为新型电力系统安全运行提供关键的边界条件。提高预测精度是风电概率预测研究的关键问题，并且提高隐式模型的可解释性有益于人工智能模型的推广应用。因此，文中提出了时序混合密度网络，提取风电时序数据的局部矩信息作为输入通道，采用时序卷积网络提取多时间尺度的概率特征，并使用混合Beta分布构建概率预测信息。算例结果表明，局部矩通道能有效提高模型训练的收敛性，并且由时序混合密度网络提取的混合分布参数具有一定的可解释性，其预测结果相比现有模型具有更高的精度。

Abstract

Probabilistic forecasting of wind power can provide critical boundary conditions for the safe operation of new power systems. Improving forecasting accuracy is the key problem of the research for probabilistic forecasting of wind power

and improving the interpretability of implicit models is beneficial to the promotion and application of artificial intelligence models. Therefore

a temporal mixture density network is proposed

which extracts the local moment information of time series data of wind power as input channels. The temporal convolutional network is used to extract the multi-time-scale probabilistic features

and the mixed Beta distribution is used to construct the probabilistic forecasting information. The results of the case study show that the local moment channel effectively improves the convergence of the model training

and the mixed distribution parameters extracted by the temporal mixture density network have a certain interpretability. Compared with the existing models

the forecasting results of the temporal mixture density network have better accuracy.

关键词

Keywords

references

万灿，宋永华 . 新能源电力系统概率预测理论与方法及其应用［J］. 电力系统自动化， 2021 ， 45 （ 1 ）： 2 - 16 .

WAN Can ， SONG Yonghua . Theories， methodologies and applications of probabilistic forecasting for power systems with renewable energy sources ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 1 ）： 2 - 16 .

KHODAYAR M ， WANG J H ， MANTHOURI M . Interval deep generative neural network for wind speed forecasting ［J］. IEEE Transactions on Smart Grid ， 2019 ， 10 （ 4 ）： 3974 - 3989 .

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 .

WAN C ， LIN J ， WANG J H ， et al . Direct quantile regression for nonparametric probabilistic forecasting of wind power generation ［J］. IEEE Transactions on Power Systems ， 2017 ， 32 （ 4 ）： 2767 - 2778 .

YU Y X ， HAN X S ， YANG M ， et al . Probabilistic prediction of regional wind power based on spatiotemporal quantile regression ［J］. IEEE Transactions on Industry Applications ， 2020 ， 56 （ 6 ）： 6117 - 6127 .

刘燕华，李伟花，刘冲，等 . 短期风电功率预测误差的混合偏态分布模型［J］. 中国电机工程学报， 2015 ， 35 （ 10 ）： 2375 - 2382 .

LIU Yanhua ， LI Weihua ， LIU Chong ， et al . Mixed skew distribution model of short-term wind power prediction error ［J］. Proceedings of the CSEE ， 2015 ， 35 （ 10 ）： 2375 - 2382 .

HE Y Y ， LI H Y . Probability density forecasting of wind power using quantile regression neural network and kernel density estimation ［J］. Energy Conversion and Management ， 2018 ， 164 ： 374 - 384 .

YAN J ， LI K ， BAI E W ， et al . Hybrid probabilistic wind power forecasting using temporally local Gaussian process ［J］. IEEE Transactions on Sustainable Energy ， 2016 ， 7 （ 1 ）： 87 - 95 .

CARPINONE A ， GIORGIO M ， LANGELLA R ， et al . Markov chain modeling for very-short-term wind power forecasting ［J］. Electric Power Systems Research ， 2015 ， 122 ： 152 - 158 .

丁藤，冯冬涵，林晓凡，等 . 基于修正后ARIMA-GARCH模型的超短期风速预测［J］. 电网技术， 2017 ， 41 （ 6 ）： 1808 - 1814 .

DING Teng ， FENG Donghan ， LIN Xiaofan ， et al . Ultra-short-term wind speed forecasting based on improved ARIMA-GARCH model ［J］. Power System Technology ， 2017 ， 41 （ 6 ）： 1808 - 1814 .

SUN M C ， FENG C ， ZHANG J . Conditional aggregated probabilistic wind power forecasting based on spatio-temporal correlation ［J］. Applied Energy ， 2019 ， 256 ： 113842 .

WANG Y ， ZOU R M ， LIU F ， et al . A review of wind speed and wind power forecasting with deep neural networks ［J］. Applied Energy ， 2021 ， 304 ： 117766 .

MURPHY K P . Probabilistic machine learning： an introduction （adaptive computation and machine learning）［M］. London， UK ： MIT Press ， 2020 .

LIU Y Q ， QIN H ， ZHANG Z D ， et al . Probabilistic spatiotemporal wind speed forecasting based on a variational Bayesian deep learning model ［J］. Applied Energy ， 2020 ， 260 ： 114259 .

SALINAS D ， FLUNKERT V ， GASTHAUS J ， et al . DeepAR： probabilistic forecasting with autoregressive recurrent networks ［J］. International Journal of Forecasting ， 2020 ， 36 （ 3 ）： 1181 - 1191 .

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 .

AFRASIABI M ， MOHAMMADI M ， RASTEGAR M ， et al . Advanced deep learning approach for probabilistic wind speed forecasting ［J］. IEEE Transactions on Industrial Informatics ， 2021 ， 17 （ 1 ）： 720 - 727 .

ZHANG H ， LIU Y Q ， YAN J ， et al . Improved deep mixture density network for regional wind power probabilistic forecasting ［J］. IEEE Transactions on Power Systems ， 2020 ， 35 （ 4 ）： 2549 - 2560 .

ZHANG H ， YAN J ， LIU Y Q ， et al . Multi-source and temporal attention network for probabilistic wind power prediction ［J］. IEEE Transactions on Sustainable Energy ， 2021 ， 12 （ 4 ）： 2205 - 2218 .

孙亚南，黄越辉，孙谊媊，等 . 基于运行数据的短期风电功率预测误差互补特性探析［J］. 电力系统自动化， 2021 ， 45 （ 21 ）： 215 - 223 .

SUN Yanan ， HUANG Yuehui ， SUN Yiqian ， et al . Operation data based analysis on complementary characteristics of short-term power prediction error for wind power ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 21 ）： 215 - 223 .

CHRISTOPHER B . Mixture density networks ［R］. Birmingham， UK ： Aston University ， 1994 ： 1 - 26 .

CHEN Y T ， KANG Y F ， CHEN Y X ， et al . Probabilistic forecasting with temporal convolutional neural network ［J］. Neurocomputing ， 2020 ， 399 ： 491 - 501 .

SALIMANS T ， KINGMA D P . Weight normalization： a simple reparameterization to accelerate training of deep neural networks ［EB/OL］. ［ 2021-10-30 ］. https：//arxiv.org/abs/1602.07868 https://arxiv.org/abs/1602.07868 .

Aneroid Energy . Wind energy ［EB/OL］. ［ 2021-10-30 ］. https：//anero.id/energy/wind-energy https://anero.id/energy/wind-energy .

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KAN的可解释净负荷概率预测方法

基于数据驱动预测控制的低感知度配电网在线无功优化方法

电网稳定智能判别模型可信度指标体系构建与综合评价方法