Ultra-short-term Wind Power Multi-step Forecasting Based on DT-KAN-iTransformer

YAN Renwu; WU Huimin; LI Peiqiang

doi:10.20204/j.sp.2025.10013

English Version Reader LoginJournal Login

您当前的位置：

首页 >

文章列表页 >

Ultra-short-term Wind Power Multi-step Forecasting Based on DT-KAN-iTransformer

更新时间：2025-12-19

- Ultra-short-term Wind Power Multi-step Forecasting Based on DT-KAN-iTransformer
- Vol. 53, Issue 10, Pages: 95-105(2025)
- 作者机构：
  
  1. 福建理工大学电子电气与物理学院,福建,福州,350000
  2. 湖南大学电气与信息工程学院,湖南,长沙,410082
- 作者简介：
- 基金信息：
- DOI：10.20204/j.sp.2025.10013
  CLC：
- Published：2025
- 稿件说明：
移动端阅览
鄢仁武,吴慧敏,李培强.基于DT-KAN-iTransformer的超短期风电功率多步预测[J].智慧电力,2025,53(10):95-105.

YAN Renwu, WU Huimin, LI Peiqiang. Ultra-short-term Wind Power Multi-step Forecasting Based on DT-KAN-iTransformer[J]. 2025, 53(10): 95-105.
鄢仁武,吴慧敏,李培强.基于DT-KAN-iTransformer的超短期风电功率多步预测[J].智慧电力,2025,53(10):95-105. DOI： 10.20204/j.sp.2025.10013.

YAN Renwu, WU Huimin, LI Peiqiang. Ultra-short-term Wind Power Multi-step Forecasting Based on DT-KAN-iTransformer[J]. 2025, 53(10): 95-105. DOI： 10.20204/j.sp.2025.10013.

摘要

针对超短期风电功率多步预测中存在的数据分布偏移与多变量间通道相关性建模问题，提出一种基于DT-KAN-iTransformer的超短期风电功率多步预测模型。首先，为缓解风电数据在空间内与空间间存在的分布偏移，引入融合分布偏移（DT）模块在模型输入前后分别进行归一化与反归一化，以保持数据窗口分布一致性。其次，采用经科尔莫戈洛夫-阿诺德网络（KAN）改进的iTransformer网络，通过转置嵌入和非线性映射建立不同变量间的通道相关性，捕捉多变量间的非线性关系。最后，基于200 MW风电场实际数据，与9种基准模型进行对比实验。结果表明，所提出的DT-KAN-iTransformer模型在3项评价指标中均表现出更高的预测精度。

Abstract

To address the issues of data distribution shifts and modeling channel-wise dependencies among multiple variables in ultra-short-term wind power multi-step forecasting，a novel forecasting model named DT-KAN-iTransformer is proposed. First，a Dish-TS （DT） module is introduced to perform normalization and denormalization before and after model processing，respectively，to alleviate distribution shifts within and across spatial domains of wind power data and maintain data window distribution consistency. Second，an improved iTransformer network incorporating Kolmogorov-Arnold networks （KAN） is employed to establish channel-wise correlations among different variables through transposed embedding and nonlinear mapping，thereby capturing complex nonlinear relationships between multiple variables. Finally，comparative experiments with nine baseline models are conducted using actual data from a 200 MW wind farm. The results demonstrate that the proposed DT-KAN-iTransformer model achieves higher forecasting accuracy across three evaluation metrics.

关键词

Keywords

references

蔡昌春，范靖浩，李源佳，等. 基于TPA-MBLSTM模型的超短期风电功率预测 [J ] .电力科学与技术报，2024，39（1）：47-56.

胡宇晗，朱利鹏，李佳勇，等. 融合深度误差反馈学习和注意力机制的短期风电功率预测 [J ] .电力系统保护与控制，2024，52（4）：100-108.

付振宇，王文胤，凌小明，等. 基于长短期记忆及自适应Kriging子集模拟优化的风电功率预测方法 [J ] .电网与清洁能源，2024，40（11）：147-154.

徐炜君. 考虑主环境因素的GWO-SVR风电功率超短期预测 [J ] .电子设计工程，2023，31（15）：150-156.

张丁予，解佗，马易晨，等. 基于爬坡特征识别的短期风电功率集成预测方法 [J ] .电网与清洁能源，2024，40（8）：128-133.

王岑峰，王蕾，孙飞飞，等. 基于模糊逻辑控制的混合储能辅助风电调频的双层优化配置模型 [J ] .高压电器，2024，60（10）：54-63.

张海涛，李文娟，李雪峰，等. 基于变分模态分解和时间注意力机制TCN网络的光伏发电功率预测 [J ] .电测与仪表，2024，61（12）：156-163.

周丹，袁至，李骥，等. 考虑平抑未来时刻风电波动的混合储能系统超前模糊控制策略 [J ] .发电技术，2024，45（3）：412-422.

李民，杨暑森，李科锋，等. 覆雪状态下光伏发电功率预测方法研究 [J ] .高压电器，2023，59（9）：250-257.

马静静，王曦，王亮. 基于GRA-PSO-BP神经网络的办公建筑负荷率及冷冻水供水温度预测 [J ] .西安工程大学学报，2023，37（6）：17-25.

刘新宇，蒲欣雨，李继方，等. 基于贝叶斯优化的VMD-GRU短期风电功率预测 [J ] .电力系统保护与控制，2023，51（21）：158-165.

沈建良，来骏，张翼，等. 基于ACMD和BiGRU-Attention的负荷预测模型研究 [J ] .浙江电力，2023，42（6）：70-77.

杨国清，刘世林，王德意，等. 基于Attention-GRU风速修正和Stacking的短期风电功率预测 [J ] .太阳能学报，2022，43（12）：273-281.

肖烈禧，张玉，周辉，等. 基于IAOA-VMD-LSTM的超短期风电功率预测 [J ] .太阳能学报，2023，44（11）：239-246.

李卓，叶林，戴斌华，等. 基于IDSCNN-AM-LSTM组合神经网络超短期风电功率预测方法 [J ] .高电压技术，2022，48（6）：2117-2127.

王瑞临，赵健，孙智卿，等. 考虑数据分布偏移的短期居民净负荷预测方法 [J ] .电力建设，2024，45（2）：90-101.

陈烨烨，李瑶，李捍东. 基于VMD-PE-MulitiBiLSTM的超短期风电功率预测 [J ] .分布式能源，2024，9（2）：1-7.

曹帅，尹杰，李艺丰，等. 基于VMD-SSA-BiLSTM的多维时序电力负荷预测 [J ] .电力需求侧管理，2024，26（6）：88-93.

林骞，方磊，李明明，等. 基于MSD-Transformer的电压质量扰动分类方法 [J ] .供用电，2024，41（2）：28-35.

LI W，GAO L，ZHANG F，et al. IDHNet：ultra-short-term wind power forecasting with IVMD-DCInformer-HSSA network [J ] .Energy Science & Engineering，2024，12（12）：5566-5589.

唐利涛，张智勇，陈俊，等. 基于Autoformer的电力负荷预测与分析研究 [J ] .华东师范大学学报（自然科学版），2023，（5）：135-146.

LIU J，YANG F，YAN K，et al. Household energy consumption forecasting based on adaptive signal decomposition enhanced iTransformer network [J ] .Energy & Buildings，2024，324：114894.

YANG Z，YANG B，LIU W，et al. Short-term wind power forecast based on STL-IAOA-iTransformer algorithm：a case study in northwest China [J ] .Energy Engineering，2025，122（2）：405-430.

ANBO M，ZIKANG X，HAO Y，et al. A novel network training approach for solving sample imbalance problem in wind power prediction [J ] .Energy Conversion and Management，2023，283：116935.

OGASAWARA E，MARTINEZ L C，DE OLIVEIRA D，et al. Adaptive normalization：a novel data normalization approach for non-stationary time series [C ] // The 2010 International Joint Conference on Neural Networks （IJCNN）.Barcelona， Spain，2010：1-8.

PASSALIS N，TEFAS A，KANNIAINEN J，et al. Deep adaptive input normalization for time series forecasting .[J ] .IEEE Transactions on Neural Networks and Learning Systems，2020，31（9）：3760-3765.

TAESUNG K，JINHEE K，YUNWON T，et al. Reversible instance normalization for accurate time-series forecasting against distribution shift .[C ] //International Conference on Learning Representations.Virtual Event.2022：1-2

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Neural Network Training Method for Power System Stability Assessment Considering Distribution Shifts

Application of DPCA-POA-RF-Informer in Multi-scenario Multi-step Prediction of Photovoltaic Power

Multi-step Prediction of Ultra-short-term Wind Power Based on Non-stationary Transformer

Probe into Temporal-spatial Characteristics of Wind Power Output in Ningxia

Big Data Scenarios Prediction of Wind Power Ramp Events Based on ANN Probability Generation Model

Related Author

GUO Qinglai

DU Mingqiu

ZENG Hongtai

ZHOU Yanzhen

LU Liangyuchen

许晓敏1

Related Institution

Department of Electrical Engineering and Applied Electronics，Tsinghua University

School of Economics and Management,North China Electric Power University

Beijing Key Laboratory of New Energy and Low-carbon Development

School of Electrical Engineering,Xinjiang University

1. Guodian Northeast Electric Power Co.， Ltd.

AI问答

⁰