基于AGCN-LSTM模型的海上风电场功率概率预测

苏向敬; 程子凡; 聂良钊; 符杨

doi:10.7500/AEPS20231209002

您当前的位置：

首页 >

文章列表页 >

基于AGCN-LSTM模型的海上风电场功率概率预测

学术研究 | 更新时间：2025-06-16

- 基于AGCN-LSTM模型的海上风电场功率概率预测
- Power Probability Prediction for Offshore Wind Farm Based on AGCN-LSTM Model
- 电力系统自动化 2024年48卷第22期页码：140-149
- 作者机构：
  
  1.上海电力大学海上风电研究院，上海市 200090
  2.上海电力大学电气工程学院，上海市 200090
  3.华润电力（湖北）销售有限公司，湖北省武汉市 430000
- 作者简介：
  
  苏向敬(1984—)，男，博士，光明学者特聘教授，硕士生导师，主要研究方向：电力人工智能与大数据、配电网优化规划与运行。E-mail：xiangjing_su@126.com
  程子凡(1999—)，男，硕士研究生，主要研究方向：基于图神经网络的海上风电出力预测技术。E-mail：sdszzsczf@163.com
  聂良钊（1997—），男，硕士，主要研究方向：基于图神经网络的海上风电出力预测技术。E-mail：nieliangzhao@163.com
  符杨(1968—)，男，通信作者，博士，教授，博士生导师，主要研究方向：风力发电与并网技术、变压器状态监测与故障诊断。E-mail：mfudong@126.com
- 基金信息：
  
  国家重点研发计划资助项目(2023YFB2406900)
- DOI：10.7500/AEPS20231209002
  中图分类号：
- 收稿：2023-12-09，
  
  修回：2024-05-24，
  
  网络出版：2024-10-15，
  
  纸质出版：2024-11-25
- 稿件说明：
移动端阅览
苏向敬,程子凡,聂良钊等.基于AGCN-LSTM模型的海上风电场功率概率预测[J].电力系统自动化,2024,48(22):140-149.

SU Xiangjing,CHENG Zifan,NIE Liangzhao,et al.Power Probability Prediction for Offshore Wind Farm Based on AGCN-LSTM Model[J].Automation of Electric Power Systems,2024,48(22):140-149.
苏向敬,程子凡,聂良钊等.基于AGCN-LSTM模型的海上风电场功率概率预测[J].电力系统自动化,2024,48(22):140-149. DOI： 10.7500/AEPS20231209002.

SU Xiangjing,CHENG Zifan,NIE Liangzhao,et al.Power Probability Prediction for Offshore Wind Farm Based on AGCN-LSTM Model[J].Automation of Electric Power Systems,2024,48(22):140-149. DOI： 10.7500/AEPS20231209002.

摘要

海上风电场各风电机组间存在较强的时空关联，现有风电功率预测研究虽对时空关联进行了探索，但未能更好地表达动态的空间关联；同时，空间关联的“黑盒”也降低了预测的可信度；另外，概率预测相比确定性预测可提供更全面的信息。为此，提出一种基于自适应图卷积网络（AGCN）-长短期记忆（LSTM）网络的海上风电场功率超短期概率预测模型。首先，通过AGCN中的自适应矩阵获取季节性变化海上风电机组间的动态空间关联，并实现空间维度的可解释，同时利用LSTM网络挖掘数据时间维度的相关性；其次，基于所获得的时空关联，通过改进的分位数回归模型构建风电场功率概率预测区间；最后，基于中国东海大桥海上风电场真实数据进行仿真验证。结果表明，相较于已有概率预测模型，动态图拓扑可以更好地揭示海上风电场变化的空间关系；改进后的分位数回归模型有效避免了分位数预测存在的曲线交叉问题；二者共同提升了模型整体预测精度和稳定性。

Abstract

There are strong spatio-temporal correlations among the wind turbines in offshore wind farms. Although previous research on wind power prediction has explored the spatio-temporal correlation

its dynamic spatial correlation has not been better expressed. Meanwhile

the “black box” of spatial correlation significantly reduces the prediction credibility. In addition

the probability prediction provides more comprehensive information than deterministic prediction. Therefore

based on the adaptive graph convolutional network (AGCN) and long short-term memory (LSTM) network

an ultra-short-term probability prediction model of offshore wind farm power is proposed. Firstly

dynamic spatial correlations between seasonal offshore wind turbines are obtained through the adaptive matrix in AGCN

and interpretability in spatial dimensions is achieved. Meanwhile

the LSTM network is used to mine the temporal correlation of data. Secondly

based on the obtained spatio-temporal correlations

an improved quantile regression model is used to construct a probability prediction interval for wind farm power. Finally

based on the real data from the offshore wind farm of Donghai Bridge

China

simulation and verification are conducted. The results indicate that compared with existing probability prediction models

dynamic graph topology can better reveal the spatial relationship of changes in offshore wind farms. The improved quantile regression model effectively avoids the problem of curve crossing in quantile prediction. They both improve the overall prediction accuracy and stability of the model.

关键词

Keywords

references

Global Wind Energy Council . GWEC global wind report 2018 ［EB/OL］. ［ 2024-05-24 ］. https：//gwec.net/wp-content/uploads/2019/04/GWEC-Global-Wind-Report-2018 https://gwec.net/wp-content/uploads/2019/04/GWEC-Global-Wind-Report-2018 .

ZHANG Y G ， PAN G F ， ZHAO Y P ， et al . Short-term wind speed interval prediction based on artificial intelligence methods and error probability distribution ［J］. Energy Conversion and Management ， 2020 ， 224 ： 113346 .

GUO Z H ， WU J ， LU H Y ， et al . A case study on a hybrid wind speed forecasting method using BP neural network ［J］. Knowledge-Based Systems ， 2011 ， 24 （ 7 ）： 1048 - 1056 .

VASWANI A ， SHAZEER N ， PARMAR N ， et al . Attention is all you need ［C］// Advances in Neural Information Processing Systems ， December 4-9 ， 2017 ， Long Beach， USA .

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 .

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 .

YUAN K ， ZHANG K F ， ZHENG Y X ， et al . Irregular distribution of wind power prediction ［J］. Journal of Modern Power Systems and Clean Energy ， 2018 ， 6 （ 6 ）： 1172 - 1180 .

WANG Y ， HU Q H ， MENG D Y ， et al . Deterministic and probabilistic wind power forecasting using a variational Bayesian-based adaptive robust multi-kernel regression model ［J］. Applied Energy ， 2017 ， 208 ： 1097 - 1112 .

WANG Z ， WANG W S ， LIU C ， et al . Short-term probabilistic forecasting for regional wind power using distance-weighted kernel density estimation ［J］. IET Renewable Power Generation ， 2018 ， 12 （ 15 ）： 1725 - 1732 .

阎洁，刘永前，韩爽，等 . 分位数回归在风电功率预测不确定性分析中的应用［J］. 太阳能学报， 2013 ， 34 （ 12 ）： 2101 - 2107 .

YAN Jie ， LIU Yongqian ， HAN Shuang ， et al . Quantile regression in uncertainty analysis of wind power forecasting ［J］. Acta Energiae Solaris Sinica ， 2013 ， 34 （ 12 ）： 2101 - 2107 .

苏向敬，宇海波，符杨，等 . 基于DALSTM和联合分位数损失的海上风电功率概率预测［J］. 中国电力， 2023 ， 56 （ 11 ）： 10 - 19 .

SU Xiangjing ， YU Haibo ， FU Yang ， et al . Probabilistic forecasting of offshore wind power based on dual-stage attentional LSTM and joint quantile loss function ［J］. Electric Power ， 2023 ， 56 （ 11 ）： 10 - 19 .

FU X B ， GAO F ， WU J ， et al . Spatiotemporal attention networks for wind power forecasting ［C］// 2019 International Conference on Data Mining Workshops（ICDMW）， November 8-11 ， 2019 ， Beijing， China ： 149 - 154 .

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 .

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 .

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 .

WANG H Z ， LI G Q ， WANG G B ， et al . Deep learning based ensemble approach for probabilistic wind power forecasting ［J］. Applied Energy ， 2017 ， 188 ： 56 - 70 .

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 .

BRUNA J ， ZAREMBA W ， SZLAM A ， et al . Spectral networks and locally connected networks on graphs ［EB/OL］. ［ 2024-05-28 ］. http：//arxiv.org/abs/1312.6203v3 http://arxiv.org/abs/1312.6203v3 .

SUN C ， CHEN Y Y ， CHENG C . Imputation of missing data from offshore wind farms using spatio-temporal correlation and feature correlation ［J］. Energy ， 2021 ， 229 ： 120777 .

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 time-space uncertainty forecasting method of wind power ［D］. Beijing ： North China Electric Power University ， 2021 .

JIANG W W ， ZHANG L . Geospatial data to images： a deep-learning framework for traffic forecasting ［J］. Tsinghua Science and Technology ， 2019 ， 24 （ 1 ）： 52 - 64 .

LIAO W L ， BAK-JENSEN B ， PILLAI J R ， 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 .

DAUPHIN Y N ， FAN A ， AULI M ， et al . Language modeling with gated convolutional networks ［EB/OL］. ［ 2024-05-07 ］. https：//doi.org/10.48550/arXiv.1612.08083 https://doi.org/10.48550/arXiv.1612.08083 .

WAN C ， XU Z ， PINSON P ， et al . Probabilistic forecasting of wind power generation using extreme learning machine ［J］. IEEE Transactions on Power Systems ， 2014 ， 29 （ 3 ）： 1033 - 1044 .

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 .

刘雨佳，樊艳芳，白雪岩，等 . 基于特征交叉机制和误差补偿的风力发电功率短期预测［J］. 电工技术学报， 2023 ， 38 （ 12 ）： 3277 - 3288 .

LIU Yujia ， FAN Yanfang ， BAI Xueyan ， et al . Short-term wind power prediction based on feature crossover mechanism and error compensation ［J］. Transactions of China Electrotechnical Society ， 2023 ， 38 （ 12 ）： 3277 - 3288 .

LIU H ， MI X W ， LI Y F . Smart deep learning based wind speed prediction model using wavelet packet decomposition， convolutional neural network and convolutional long short term memory network ［J］. Energy Conversion and Management ， 2018 ， 166 ： 120 - 131 .

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

海上风电DRU-HVDC送出系统构网-跟网型风机容量配置

海上风电-柔直与常规直流混合馈入系统谐振稳定性分析及优化

海上风电多端柔性直流输电系统及直流故障处理方案

计及系统谐振稳定性和运行可靠性的海上风电分频送出规划

计及陆上电网外送能力影响的海上直流系统经济并网规划