基于PXGBoost-GAE-GMM-GRU多风力机功率预测

彭驿尧; 关新宇; 李强仁; 李春华; 雷艾虎; 贺得珺

doi:10.19912/j.0254-0096.tynxb.2025-0107

English Version Journal Login

您当前的位置：

首页 >

文章列表页 >

基于PXGBoost-GAE-GMM-GRU多风力机功率预测

更新时间：2026-07-22

- 基于PXGBoost-GAE-GMM-GRU多风力机功率预测
- Vol. 47, Issue 6, Pages: 334-343(2026)
- 作者机构：
- 作者简介：
- 基金信息：
- DOI：10.19912/j.0254-0096.tynxb.2025-0107
  CLC： TM715
- Online First：08 July 2026，
  
  Published：2026
- 稿件说明：
移动端阅览
彭驿尧, 关新宇, 李强仁, et al. 基于PXGBoost-GAE-GMM-GRU多风力机功率预测[J]. 2026, 47(6): 334-343.
DOI：

彭驿尧, 关新宇, 李强仁, et al. 基于PXGBoost-GAE-GMM-GRU多风力机功率预测[J]. 2026, 47(6): 334-343. DOI： 10.19912/j.0254-0096.tynxb.2025-0107.

摘要

提出一种基于高斯图卷积的循环神经网络预测多风力机功率。首先

利用粒子群算法（PSO）优化的极致梯度提升树（XGBoost）算法构成特征筛选网络选取重要特征;其次

利用图自编码器和余弦相关度融合的方法构建网络图有效挖掘站点间潜在相关性

描述多风力机站点特征的空间相关性;最后采用高斯图卷积神经网络深度提取网络图中的内在关系

由循环神经网络整合其时空相关性实现多风力机功率预测。在真实风电场数据上开展实验

将预测结果与其他模型对比。实验结果表明

模型在MSE、RMSE、MAE和MAPE指标上分别达7.7851 MW、2.7902 MW、2.6851 MW和0.2283

较传统方法降低60%~80%

尤其在风速波动场景下误差降低40%

所提模型能显著提升多风力机功率的预测性能。

Abstract

Wind power forecasting is a crucial topic in the field of wind energy generation. With the increasing penetration of renewable energy in power systems

wind energy

as a rapidly developing renewable resource

necessitates accurate short-term forecasting for the energy industry. In this paper

a Gaussian Mixture Model-gated Recurrent Unit （GMM-GRU） based on Gaussian graph convolution is proposed. Firstly

the XGBoost algorithm optimized by Particle Swarm Optimization （PSO） is utilized to construct a feature selection network for identifying important features. Secondly

using the graph auto-encoder and cosine correlation fusion method

a network graph to effectively capture the potential long-distance correlations among sites and accurately describe the spatial correlation of multi-site features are built. Finally

the Gaussian Mixture Model （GMM） is employed to deeply extract the intrinsic relationships within the network graph

and the Gated Recurrent Unit （GRU） integrates its spatio-temporal correlations to address the power forecasting problem. The experiments on real wind farm data are carried out. The comparisons with other models demonstrate that the proposed model significantly enhances wind power forecasting performance.

关键词

Keywords

references

刘旺, 邢晓帆, 王戎. 全球陆地风能发电潜力的历史变化及未来预测[J]. 北京大学学报(自然科学版), 2023, 59(5): 833-842.

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]. 中国电力, 2023, 56(10): 96-105.

晏吴宇歆, 张海波, 刘童蕙, 等. 基于损失函数改进和补丁时序Transformer网络的风功率超短期多步预测[J]. 太阳能学报, 2025, 46(6): 510-521.

曹俊波, 周任军, 邓学华, 等. 考虑优化ARIMA模型差分次数的风功率预测[J]. 电力系统及其自动化学报, 2019, 31(1): 105-111.

刘震, 刘丹, 王彦文, 等. 基于多元回归-ARIMA-卡尔曼组合模型的风电功率超短期预测[J]. 风能, 2018(6): 74-78.

符杨, 郑紫宸, 时帅, 等. 考虑气象相似性与数值天气预报修正的海上风功率预测[J]. 电网技术, 2019, 43(4): 1253-1259.

王帅党, 程鹏. 基于GWO优化BiLSTM模型的地区短期风功率的预测[J]. 黑龙江科学, 2023, 14(16): 28-31, 35.

李进友, 李媛, 黄露秋, 等. 基于XGBoost-GRNN算法的分段式风功率预测[J]. 计算机集成制造系统, 2025, 31(10): 3831-3845.

付波, 李昊, 权轶, 等. 基于SHAP重要性排序和时空双流的多风场超短期功率预测[J]. 重庆理工大学学报(自然科学), 2024, 38(5): 249-258.

赵泽妮, 云斯宁, 贾凌云, 等. 基于统计模型的短期风能预测方法研究进展[J]. 太阳能学报, 2022, 43(11): 224-234.

AHMED U, MUHAMMAD R, ABBAS S S, et al.Short-term wind power forecasting using integrated boosting approach[J]. Frontiers in energy research, 2024, 12: 1401978.

梁超, 刘永前, 周家慷, 等. 基于卷积循环神经网络的风电场内多点位风速预测方法[J]. 电网技术, 2021, 45(2): 534-541.

赵子琪, 杨斌, 张远广. 基于图自编码器和GRU网络的分层交通流预测模型[J]. 计算机科学, 2024, 51(S1): 680-685.

JI Shan, 姜巍, 景鑫. 基于余弦相似度和图卷积网络的电力负荷预测方法[J]. 浙江电力, 2025, 44(1): 68-75.

BISHOP C M.Pattern recognition and machine learning[M]. New York: Springer, 2006.

汪鸿翔, 柳培忠, 骆炎民, 等. 高斯核函数卷积神经网络跟踪算法[J]. 智能系统学报, 2018, 13(3): 388-394.

杨丽, 吴雨茜, 王俊丽, 等. 循环神经网络研究综述[J]. 计算机应用, 2018, 38(S2): 1-6, 26.

文洁. MSE与MAE对机器学习性能优化的作用比较[J]. 信息与电脑, 2018, 30(15): 42-43.

常振成, 游国栋, 肖梓跃, 等. 基于VMD-MBWO-KELM的短期风电功率预测[J]. 太阳能学报, 2025, 46(6): 623-631.

陆继翔, 张琪培, 杨志宏, 等. 基于CNN-LSTM混合神经网络模型的短期负荷预测方法[J]. 电力系统自动化, 2019, 43(8): 131-137.

刘会家, 滕杰, 冯铃, 等. 基于GAT-GRU的高渗透率分布式新能源接入的配电网无功优化[J]. 现代电力, 2025, 42(3): 531-541.

殷豪, 李奕甸, 谢智锋, 等. 混合图神经网络和门控循环网络的短期光伏功率预测[J]. 太阳能学报, 2024, 45(3): 523-532.

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

基于改进SVR-SSA-BiLSTM误差修正的短期风电功率混合预测模型研究

基于MODWT-BiLSTM-BiGRU的风电功率预测

基于BiTCN-Informer的新型超短期风电功率组合预测方法

融合物理约束与多尺度特征的Mamba-Transformer超短期风电功率预测

基于动态深度学习的风电功率在线预测方法

Related Author

王莘然

胡皓

吴子辰

顾彬

葛伟

刘彦宾

刘文哲

郭利进

Related Institution

Guangxi Power Grid Dispatching Control Center

Beihai Power Supply Bureau, Guangxi Power Grid

School of Electrical Engineering, Guangxi University

Energy Development Research Institute, China Southern Power Grid

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

AI问答

⁰