Offshore Wind Power Prediction Incorporating Multivariate Typhoon Meteorological Factors

FU Zhixin; TANG Peng; WANG Jian; LIU Haoming

doi:10.20204/j.sp.2026.05011

English Version Journal Login

您当前的位置：

首页 >

文章列表页 >

Offshore Wind Power Prediction Incorporating Multivariate Typhoon Meteorological Factors

更新时间：2026-05-20

- Offshore Wind Power Prediction Incorporating Multivariate Typhoon Meteorological Factors
- Vol. 54, Issue 5, Pages: 89-97(2026)
- 作者机构：
  
  （河海大学电气与动力工程学院，）,江苏,南京,210000
- 作者简介：
- 基金信息：
- DOI：10.20204/j.sp.2026.05011
  CLC：
- Published：2026
- 稿件说明：
移动端阅览
傅质馨,唐鹏,王健,刘皓明.融合多元台风气象因素的海上风电功率预测[J].智慧电力,2026,54(5):89-97.

doi:10.20204/j.sp.2026.05011
傅质馨,唐鹏,王健,刘皓明.融合多元台风气象因素的海上风电功率预测[J].智慧电力,2026,54(5):89-97. DOI： 10.20204/j.sp.2026.05011.

doi:10.20204/j.sp.2026.05011 DOI：

摘要

针对台风天气下海上风电出力存在秒级、分钟级剧烈波动与非线性突变而导致预测精度大幅下降的问题，提出了计及多种台风气象因素的改进粒子群算法（IPSO）-时序卷积网络（TCN）-Transformer风电功率预测模型。首先，利用改进粒子群优化算法高效完成模型关键参数寻优标定，增强模型对复杂台风气象因子的适配解析能力；其次，通过优化Transformer深度学习湍流干扰下的风电运行数据，输出高精度点预测结果，并依托门控机制分位数回归实现动态区间预测；最后，采用某海上风电实测数据完成模型验证。算例结果表明，相较于现有常规优化预测模型，所提模型适配台风极端工况能力更强，可有效削弱出力突变带来的预测偏差，兼具更高预测精度与环境鲁棒性，能够为台风场景下海上风电功率精准预测提供可靠技术支撑。

Abstract

To address the problem of significant prediction accuracy degradation caused by severe second-level and minute-level fluctuations and nonlinear mutations in offshore wind power output during typhoon weather

an Improved Particle Swarm Optimization (IPSO)-Temporal Convolutional Network (TCN)-Transformer wind power forecasting model is proposed

incorporating multiple typhoon meteorological factors. First

the improved particle swarm optimization algorithm is used to efficiently calibrate the key model parameters

enhancing the model's ability to adapt and analyze complex typhoon meteorological factors. Second

the Transformer deep learning model is optimized to process wind power operational data under turbulent interference

outputting high-accuracy point prediction results

while dynamic interval prediction is achieved through a gated mechanism quantile regression approach. Finally

the model is validated using measured data from an offshore wind farm. The case study results show that

compared with existing conventional optimization prediction models

the proposed model exhibits stronger adaptability to extreme typhoon conditions

effectively mitigating prediction deviations caused by sudden output changes. It achieves both higher forecasting accuracy and environmental robustness

providing reliable technical support for accurate offshore wind power prediction under typhoon scenarios.

关键词

Keywords

references

朱继忠，高美云，肖鹏飞，等. 大规模海上风电并网与运行技术综述 [J ] .电力工程技术，2025，44（5）：2-24.

陶思钰，江福庆. 集群化发展模式下风电场预测、规划及控制关键技术综述 [J ] .电力工程技术，2024，43（1）：86-99.

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.

刘金朋，邓嘉明，高鹏宇，等. 基于VMD-IMPA-SVM的超短期风电功率预测 [J ] .智慧电力，2024，52（7）：24-31，79.

钱政，裴岩，曹利宵，等. 风电功率预测方法综述 [J ] .高电压技术，2016，42（4）：1047-1060.

王小明，徐斌，尹元亚，等. 基于空间相关性与Stacking集成学习的风电功率预测方法 [J ] .电力工程技术，2024，43（5）：224-232.

严佳丽，任必兴，陈思媛，等. 考虑热带气旋下爬坡致因的风电功率爬坡直接预测 [J ] .高压电器，2025，61（5）：179-188.

张元赫，杨明，于一潇，等. 台风天气下考虑可用装机容量不确定性的短期风电功率预测方法 [J ] .高电压技术，2025，51（9）：4869-4879.

GUANG. Z Y，LIU L，TANG B，et al ."Ultra-short-term wind power subsection forecasting method based on extreme weather[J ] .IEEE Transactions on Power Systems，2023，38（6）：5045-5056.

黄玲玲，石孝华，符杨，等. 基于DCGCN模型的海上风电场超短期功率预测 [J ] .电力系统自动化，2024，48（15）：64-72.

陈静，王铭海，刘煜寒，等. 基于Transformer与单分类支持向量机的窃电时间识别方法 [J ] .电网技术，2025，49（5）：2109-2118.

王曦，陈心怡. 一种基于时序卷积网络-Transformer的海上风电功率预测方法 [J ] .发电技术，2025，46（6）：1123-1132.

黄莉，甘恒玉，刘兴举，等. 基于Transformer编码器的超短期光伏发电功率预测 [J ] .智慧电力，2024，52（5）：16-22，59.

盛瑞祥，张啸宇. 基于概率TCN-Transformer的短期光伏功率预测模型 [J ] .综合智慧能源，2024，46（11）：10-18.

张亚丽，王聪，张宏立，等. 基于非平稳Transformer的超短期风电功率多步预测 [J ] .智慧电力，2024，52（1）：108-115.

郝清泉. 基于PIELM的可解释风电功率短期预测方法 [J ] .电气自动化，2025，47（2）：36-39.

肖白，张博，王辛玮，等. 基于组合模态分解和深度学习的短期风电功率区间预测 [J ] .电力系统自动化，2023，47（17）：110-117.

王生亮，刘根友. 一种非线性动态自适应惯性权重PSO算法 [J ] .计算机仿真，2021，38（4）：249-253，451.

徐武，范鑫豪，沈智方，等. 多尺度特征提取的Transformer短期风电功率预测 [J ] .太阳能学报，2025，46（2）：640-648.

韩宇超，同向前，邓亚平. 基于概率密度估计与时序Transformer网络的风功率日前区间预测 [J ] .中国电机工程学报，2024，44（23）：9285-9296.

殷豪，黄圣权，孟安波，等. 基于长短期记忆网络分位数回归的短期风电功率概率密度预测 [J ] .太阳能学报，2021，42（2）：150-156.

滕婧，姜亚君，师瑞峰，等. 基于频率增强融合时空信息的超短期风电功率预测 [J ] .太阳能学报，2025，46（09）：198-207.

杨宁宁，王怡昕，吴朝俊，等. 基于SSA-VMD-LIESN的短期风电功率预测方法研究 [J ] .太阳能学报，2025，46(05）：440-447.

时帅，张皓，黄冬梅，等. 考虑爬坡特征量的海上风电短期分区功率预测 [J ] .太阳能学报，2024，45（12）：258-268.

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

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

Impact of Extreme Weather Events on New Energy Power Generation and Power Grid Operation

Optimal Allocation Method of Wind Farm Virtual Inertia Based on Improved Particle Swarm Optimization Algorithm

Non-intrusive Load Decomposition Based on Progressive Model Structure and Temporal Information Embedding

Improved Transformer Medium and Long Term Prediction Model of Wind Farm Considering Multivariate Correlation

Related Author

LI Zhenkun

YANG Xijun

FU Yang

QIN Shiyao

JIANG Haozhe

TIAN Shuxin

CUI Chen2

JU Guanzhang1

Related Institution

Department of Electrical Engineering， Shanghai Jiaotong University

State Key Laboratory of Renewable Energy Grid-Integration （China Electric Power Research Institute）

School of Electrical Engineering， Shanghai University of Electric Power

Engineering Research Center of Offshore Wind Technology， Ministry of Education （Shanghai University of Electric Power）

CNPC Economics and Technology Research Institute

AI问答

⁰