基于动态深度学习的风电功率在线预测方法

doi:doi:10.19912/j.0254-0096.tynxb.2024-0885

English Version Reader LoginJournal Login

您当前的位置：

首页 >

文章列表页 >

基于动态深度学习的风电功率在线预测方法

更新时间：2025-10-22

- 基于动态深度学习的风电功率在线预测方法
- Vol. 46, Issue 9, Pages: 171-180(2025)
- 作者机构：
- 作者简介：
- 基金信息：
- DOI：doi:10.19912/j.0254-0096.tynxb.2024-0885
  CLC： TM614
- Published Online：14 October 2025，
  
  Published：2025
- 稿件说明：
移动端阅览
[J]. 2025, 46(9): 171-180.
DOI：

[J]. 2025, 46(9): 171-180. DOI： doi:10.19912/j.0254-0096.tynxb.2024-0885.

摘要

为适应风电出力的随机性

提出一种基于动态深度学习的风电功率在线预测方法。首先

构建基于双向长短期记忆网络和双向门控循环单元的风电功率基准预测模型

根据训练数据集设置初始参数与权重;其次

采用快速霍夫丁漂移检测方法进行风电状态监测

根据检测结果动态更新深度学习模型;最后

引入随机森林回归模型对预测功率误差进行校正

并通过时间窗实现模型的滚动在线预测。验证结果表明

所提算法相较于Transformev方法均方根误差（RMSE）提高5.68%

平均绝对误差（MAE）提高18.56%

Abstract

Accurate wind power forecasting is crucial for the reliability of grid scheduling decisions. To address the variability in wind power output

a wind power online forecasting method based on dynamic deep learning is proposed. Initially

a benchmark model utilizing bidirectional Long Short-Term Memory（LSTM） networks and bidirectional Gated Recurrent Units（GRU） is developed

with parameters and weights tailored to the training dataset. Subsequently

a fast Hoeffding drift detection method is used for wind power state monitoring

and the deep learning model is dynamically updated based on the detection results. Finally

a Random Forest regression model is integrated to correct the predicted power errors

enabling rolling online forecasting through sequential time windows. Validation results indicate that the proposed algorithm improves the root mean square error（RMSE） by 5.68%

the mean absolute error（MAE） by 18.56%

and the coefficient of determination（） by 2.06% compared to the Transformer

demonstrating good predictive performance and further enhancing the accuracy of wind power forecasting.

关键词

Keywords

references

史彭珍, 魏霞, 张春梅, 等. 基于VMD-BOA-LSSVM-AdaBoost的短期风电功率预测[J]. 太阳能学报, 2024, 45(1): 226-233.

苏连成, 朱娇娇, 李英伟. 基于时间卷积网络残差校正的短期风电功率预测[J]. 太阳能学报, 2023, 44(7): 427-435.

周海, 刘建锋, 周健, 等. 基于改进降噪自编码器和多元时序聚类的海上风电功率预测[J]. 太阳能学报, 2023, 44(3): 129-138.

闫家铭, 毕天姝, 胥国毅, 等. 海上风电经VSC-HVDC并网改进频率控制策略[J]. 华北电力大学学报(自然科学版), 2021, 48(2): 11-19.

叶林, 赵金龙, 路朋, 等. 考虑气象特征与波动过程关联的短期风电功率组合预测[J]. 电力系统自动化, 2021, 45(4): 54-62.

LIU H, DUAN Z, LI Y F, et al.A novel ensemble model of different mother wavelets for wind speed multi-step forecasting[J]. Applied energy, 2018, 228: 1783-1800.

苗长新, 王霞, 李昊, 等. 基于数值天气预报风速误差修正的风电功率日前预测[J]. 电网技术, 2022, 46(9): 3455-3464.

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.

张亚超, 刘开培, 廖小兵, 等. 含大规模风电的电力系统多时间尺度源荷协调调度模型研究[J]. 高电压技术, 2019, 45(2): 600-608.

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.

LI P B, WANG X W, YANG J J.Short-term wind power forecasting based on two-stage attention mechanism[J]. IET renewable power generation, 2020, 14(2): 297-304.

程启明, 陈路, 程尹曼, 等. 基于EEMD和LS-SVM模型的风电功率短期预测方法[J]. 电力自动化设备, 2018, 38(5): 27-35.

JIA X D, JIN C, BUZZA M, et al.A deviation based assessment methodology for multiple machine health patterns classification and fault detection[J]. Mechanical systems and signal processing, 2018, 99: 244-261.

KO M S, LEE K, KIM J K, et al.Deep concatenated residual network with bidirectional LSTM for one-hour-ahead wind power forecasting[J]. IEEE transactions on sustainable energy, 2021, 12(2): 1321-1335.

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.

董雪, 赵宏伟, 赵生校, 等. 基于二次分解和多目标优化的超短期海上风电功率预测[J]. 高电压技术, 2022, 48(8): 3260-3270.

周育才, 肖添, 谢七月, 等. 基于聚类的HPO-BILSTM光伏功率短期预测[J]. 太阳能学报, 2024, 45(4): 512-518.

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.

CHO K, VAN MERRIENBOER B, GULCEHRE C, et al.Learning phrase representations using RNN encoder-decoder for statistical machine translation[J]. Computer Science, 2014.

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.

徐清妍, 何丽, 朱泓西. 改进Hoeffding不等式的概念漂移检测方法[J]. 计算机工程与应用, 2020, 56(19): 55-61.

孟凡兴, 韩萌, 李春鹏, 等. 概念漂移检测与适应方法综述[J]. 计算机工程与应用, 2024, 60(4): 75-88.

黄宇, 顾智勇, 李永玲, 等. 基于时间模式注意力机制的CNN-BiGRU短期负荷预测[J]. 华北电力大学学报(自然科学版), 2023, 50(6): 11-20.

丁婷婷, 杨明, 于一潇, 等. 基于误差修正的短期风电功率集成预测方法[J]. 高电压技术, 2022, 48(2): 488-496.

张国珍, 王其乐, 叶天泽, 等. 基于随机森林和LSTM-自编码算法的风机高温降容状态智能检测方法[J]. 华北电力大学学报(自然科学版), 2021, 48(3): 81-88.

郭鹏, 姜漫利, 李航涛. 基于运行数据和高斯过程回归的风电机组发电性能分析与监测[J]. 电力自动化设备, 2016, 36(8): 14-19, 29.

于群, 霍筱东, 何剑, 等. 基于斯皮尔曼相关系数和系统惯量的中国电网停电事故趋势预测[J]. 中国电机工程学报, 2023, 43(14): 5372-5381.

刘家敏, 李聪睿, 周志浩, 等. 基于WD-CS-SVM的超短期风电功率组合预测[J]. 电力工程技术, 2019, 38(5): 24-29.

符杨, 任子旭, 魏书荣, 等. 基于改进LSTM-TCN模型的海上风电超短期功率预测[J]. 中国电机工程学报, 2022, 42(12): 4292-4303.

刘世鹏, 宁德军, 马崛. 针对光伏发电功率预测的LSTformer模型[J]. 计算机工程与应用, 2024, 60(9): 317-325.

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

基于RF特征提取和TCN-BiGRU模型的短期光伏发电功率预测

WIND POWER FORECASTING BASED ON INTERPRETABLE OPTIMAL STACKING MODEL

Related Author

曾侨飞

李斌

翟永杰

杨建蒙

陈佳豪

赵巍

张群

侯玉强

Related Institution

Energy Development Research Institute, China Southern Power Grid

School of Electrical Engineering, Guangxi University

Beihai Power Supply Bureau, Guangxi Power Grid

Guangxi Power Grid Dispatching Control Center

Chian Electric Power Research Institute

AI问答

⁰