Offshore Wind Power Forecasting Method Based on CKAN-IWTC-LSTM

TIAN Shuxin; JIANG Haozhe; QIN Shiyao; FU Yang; YANG Xijun; LI Zhenkun

doi:10.20204/j.sp.2025.11011

English Version Reader LoginJournal Login

您当前的位置：

首页 >

文章列表页 >

Offshore Wind Power Forecasting Method Based on CKAN-IWTC-LSTM

更新时间：2025-12-10

- Offshore Wind Power Forecasting Method Based on CKAN-IWTC-LSTM
- Vol. 53, Issue 11, Pages: 91-98(2025)
- 作者机构：
  
  1. 教育部海上风电技术工程研究中心（上海电力大学）,上海,200090
  2. 上海电力大学电气工程学院,上海,200090
  3. 可再生能源并网全国重点实验室（中国电力科学研究院有限公司）,北京,100192
  4. 上海交通大学电气工程系,上海,200240
- 作者简介：
- 基金信息：
- DOI：10.20204/j.sp.2025.11011
  CLC：
- Published：2025
- 稿件说明：
移动端阅览
田书欣,姜皓喆,秦世耀,符杨,杨喜军,李振坤.基于CKAN-IWTC-LSTM的海上风电功率预测方法[J].智慧电力,2025,53(11):91-98.

TIAN Shuxin, JIANG Haozhe, QIN Shiyao, et al. Offshore Wind Power Forecasting Method Based on CKAN-IWTC-LSTM[J]. 2025, 53(11): 91-98.
田书欣,姜皓喆,秦世耀,符杨,杨喜军,李振坤.基于CKAN-IWTC-LSTM的海上风电功率预测方法[J].智慧电力,2025,53(11):91-98. DOI： 10.20204/j.sp.2025.11011.

TIAN Shuxin, JIANG Haozhe, QIN Shiyao, et al. Offshore Wind Power Forecasting Method Based on CKAN-IWTC-LSTM[J]. 2025, 53(11): 91-98. DOI： 10.20204/j.sp.2025.11011.

摘要

针对海洋极端环境复杂性、空气动力学非线性、海上风电功率的强随机波动性等特点，提出一种融合Kolmogorov-Arnold网络架构的改进小波卷积长短期记忆网络（CKAN-IWTC-LSTM）海上风电功率预测方法。首先，采用引入星型聚合分发模块（STAD）的改进小波卷积（IWTC）特征提取方法，以增强海上多维气象特征的交互表征；其次，构建基于KAN架构强化输出的海上风电LSTM预测模型，挖掘海上风电功率数据时序变化规律；最后，建立多维度评估指标体系，并基于沙普利加性解释（SHAP）方法量化时序特征与环境特征对海上风电功率的贡献度。算例分析表明，所提方法能够有效实现海上风电功率的精准预测。

Abstract

In response to the complex marine extreme environments， nonlinear aerodynamic effects， and strong stochastic fluctuations of offshore wind power， this paper proposes an offshore wind power forecasting method that integrates an improved wavelet convolutional long short-term memory network with the Kolmogorov-Arnold Network architecture （CKAN-IWTC-LSTM）. First， an improved wavelet convolution （IWTC） feature extraction method incorporating a star aggregation and distribution module （STAD） is adopted to enhance the interactive representation of multidimensional meteorological features offshore. Second， an LSTM forecasting model for offshore wind power with enhanced output based on the KAN architecture is constructed to capture the temporal variation patterns in offshore wind power data. Finally， a multi-dimensional evaluation framework is established， and the Shapley additive exPlanations （SHAP） method is employed to quantify the contributions of temporal and environmental features to offshore wind power. Case study analysis demonstrates that the proposed method effectively achieves accurate forecasting of offshore wind power.

关键词

Keywords

references

汪敏，荣腾飞，李茜，等.基于可学习小波自注意力模型的海上风电功率超短期预测[J].高电压技术，2025，51（3）：1422-1433.

陈龙，刘璐洁，符杨，等.计及高风速和低风速影响的海上风电机组两阶段滚动优化维护策略[J].智慧电力，2024，52（7）：80-87，95.

严新荣，张宁宁，马奎超，等.我国海上风电发展现状与趋势综述[J].发电技术，2024，45（1）：1-12.

丰力，张莲梅，韦家佳，等.基于全生命周期经济评估的海上风电发展与思考[J].中国电力，2024，57（9）：80-93.

黄冬梅，牟宗凯，时帅，等.考虑复杂海洋状况下的深远海风电场并网系统可靠性评估[J].电力科学与技术报，2024，39（6）：174-183.

傅质馨，王宝池，刘皓明，等.基于风速-功率组合分解重构的海上风电功率预测[J].太阳能学报，2024，45（11）：418-426.

孙荣富，张涛，和青，等.风电功率预测关键技术及应用综述[J].高电压技术，2021，47（4）：1129-1143.

苏向敬，朱敏轩，宇海波，等.基于频谱注意力和无交叉联合分位数回归的海上风电功率超短期概率预测[J].电力系统保护与控制，2024，52（21）：103-116.

宋伟业，刘灵玥，阎洁，等.基于深度强化学习的海上风电集群自进化功率平滑控制方法[J].中国电力，2023，56（3）：36-46.

葛畅，阎洁，刘永前，等.海上风电场运行控制维护关键技术综述[J].中国电机工程学报，2022，42（12）：4278-4292.

张柏林，李希德，魏博，等.基于改进的场景分类和去粗粒化MCMC的风电出力模拟方法[J].电测与仪表，2024，61（7）：41-49，122.

田书欣，韩雪.基于正交小波变换的LSTM-ARIMA海上风速组合预测模型[J].智慧电力，2023，51（7）：39-43，50.

邵宜祥，刘剑，胡丽萍，等.一种改进组合神经网络的超短期风速预测方法研究[J].发电技术，2024，45（2）：323-330.

张维通，闫正兵，张正江，等.基于物理信息的时间卷积神经网络风电功率预测[J].计算机测量与控制，2024，32（11）：101-108，117.

唐清苇，向月，代佳琨，等.基于CNN-LSTM的风电场发电功率迁移预测方法[J].工程科学与技术，2024，56（2）：91-99.

田书欣，朱峰，杨喜军，等.基于Vague软集的海上风电功率区间预测[J].中国电机工程学报，2025，45（4）：1465-1477.

张昊立，张菁，倪建辉，等.引入注意力机制的LSTM-FCN海上风电功率预测[J].太阳能学报，2024，45（6）：444-450.

骆钊，吴谕侯，朱家祥，等.基于多尺度时间序列块自编码Transformer神经网络模型的风电超短期功率预测[J].电网技术，2023，47（9）：3527-3537.

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.

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.

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.

FINDER S E，AMOYAL R，TREISTER E，et al.Wavelet convolutions for large receptive fields[M].Switzerland，2024.

HOU Y，Zhang D.Graph neural network-enhanced multivariate time series forecasting with series-core fusion[C]//2025 8th International Conference on Advanced Algorithms and Control Engineering（ICAACE）. Shanghai，China，2025：1850-1854.

郑晓亮，杨晓亮，来文豪.新能源发电预测方法分类及研究进展[J].科学技术与工程，2024，24（34）：14503-14521.

强涵悦，任惠，于光发，等.基于区域迁移学习与动态图网络建模的超短期海上风电功率预测方法[J].电力科学与工程，2025，41（6）：19-29.

袁立宁，冯文刚，刘钊.基于Kolmogorov-Arnold网络的节点分类算法[J].计算机科学与探索，2025，19（3）：645-656.

能源行业风电标准化技术委员会.海上风电功率预测系统功能防范：NB/T 11577—2024[S].中华人民共和国：行业标准-能源，2004.

唐志国，李阳.基于改进无参尺度空间经验小波变换的变压器高频电流局放噪声抑制研究[J].高压器，2024，60（1）：144-153.

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Review on High Voltage Ride-Through Strategies for Offshore Doubly-Fed Wind Farms

Photovoltaic Short-term Power Forecasting Model Based on Hierarchical Clustering & BILSTM

Optimal Allocation of Active Power in Offshore Wind Power Clusters Considering Steady-state Response Error of Wind Turbines

Related Author

LUO Shuchen

ZHANG Zijie

QIN Yun

GONG Daqian

GONG Xianfu

LIN Yong

XIAO Pengyao

YU Hao

Related Institution

1. Grid Planning & Research Center， Guangdong Power Grid Corporation of CSC

College of Electrical and Information Engineering， Hu’nan University

Electrical Engineering and Automation College，Wuhan University

State Grid Anhui Electric Power Economic and Technology Research Institute

State Grid Shanghai Electric Power Research Institute

AI问答

⁰