基于CAWR-LSTM-TRF模型的超短期风电功率预测

潘鹏程; 张帅; 刘晖; 陈子介

doi:doi:10.19912/j.0254-0096.tynxb.2024-2231

English Version Journal Login

您当前的位置：

首页 >

文章列表页 >

基于CAWR-LSTM-TRF模型的超短期风电功率预测

更新时间：2026-04-08

- 基于CAWR-LSTM-TRF模型的超短期风电功率预测
- Vol. 47, Issue 3, Pages: 452-461(2026)
- 作者机构：
- 作者简介：
- 基金信息：
- DOI：doi:10.19912/j.0254-0096.tynxb.2024-2231
  CLC： TM614
- Online First：07 April 2026，
  
  Published：2026
- 稿件说明：
移动端阅览
潘鹏程, 张帅, 刘晖, et al. 基于CAWR-LSTM-TRF模型的超短期风电功率预测[J]. 2026, 47(3): 452-461.
DOI：

潘鹏程, 张帅, 刘晖, et al. 基于CAWR-LSTM-TRF模型的超短期风电功率预测[J]. 2026, 47(3): 452-461. DOI： doi:10.19912/j.0254-0096.tynxb.2024-2231.

摘要

为提高风电超短期预测精度

提出一种长短期记忆神经网络（LSTM）算法与Transformer（TRF）模型相结合的超短期风电功率组合预测模型。为避免预测模型陷入局部最优解

引入余弦退火热重启（CAWR）策略对模型进行优化。首先

利用噪声密度聚类（DBSCAN）和随机森林（RF）进行异常数据清洗与填补。其次

采用CAWR-LSTM-TRF组合模型提取风电功率特征。最后

进行超短期风电功率预测。研究结果表明：与LSTM-TRF模型相比

经CAWR优化的LSTM-TRF组合预测模型的对称平均绝对百分比误差平均降低了0.46个百分点。因此

所提模型具有较高预测精度和较好预测性能。

Abstract

To improve the accuracy of the ultra-short term wind power prediction

an ultra-short-term wind power prediction model based on a Long Short-Term Memory （LSTM） neural network algorithm combined with the Transformer （TRF） model is proposed. The cosine annealing with warm restarts （CAWR） strategy is introduced to optimize the proposed prediction model to prevent the prediction model from converging to local optima. Firstly

the density-based spatial clustering of applications with noise （DBSCAN） and random forest （RF） methods are employed for anomaly detection and data imputation. Secondly

the CAWR-LSTM-TRF combined model is utilized to extract wind power features. Finally

the experiments for ultra-short-term wind power forecasting are conducted. The results of the study show that the symmetric mean absolute percentage error of the combined LSTM-TRF prediction model optimized by CAWR is reduced by an average of 0.46 percentage points compared to the LSTM-TRF model. Therefore

the proposed model achieves higher prediction accuracy and superior forecasting performance.

关键词

Keywords

references

国家能源局. 国家能源局发布2025年1-11月份全国电力工业统计数据[N]. 北京: 国家能源局, 2025.

彭小圣, 熊磊, 文劲宇, 等. 风电集群短期及超短期功率预测精度改进方法综述[J]. 中国电机工程学报, 2016, 36(23): 6315-6326, 6596.

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.

韩自奋, 景乾明, 张彦凯, 等. 风电预测方法与新趋势综述[J]. 电力系统保护与控制, 2019, 47(24): 178-187.

薛禹胜, 郁琛, 赵俊华, 等. 关于短期及超短期风电功率预测的评述[J]. 电力系统自动化, 2015, 39(6): 141-151.

杨茂, 张罗宾. 基于数据驱动的超短期风电功率预测综述[J]. 电力系统保护与控制, 2019, 47(13): 171-186.

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.

张群, 唐振浩, 王恭, 等. 基于长短时记忆网络的超短期风功率预测模型[J]. 太阳能学报, 2021, 42(10): 275-81.

贾睿, 杨国华, 郑豪丰, 等. 基于自适应权重的CNN-LSTM&GRU组合风电功率预测方法[J]. 中国电力, 2022, 55(5): 47-56, 110.

刘佳宁. 基于长短时记忆网络的超短期风速及风功率预测研究[D]. 保定: 华北电力大学, 2022.

李丹, 方泽仁, 缪书唯, 等. 考虑训练样本分布不均衡的超短期风电功率概率预测[J]. 电网技术, 2024, 48(3): 1133-1147.

杨宇晴, 张怡. 基于mRMR和VMD-AM-LSTM的短期风功率预测[J]. 控制工程, 2022, 29(1): 10-17.

袁畅, 王森, 孙永辉, 等. 基于混合特征双重衍生和误差修正的风电功率超短期预测[J]. 电力系统自动化, 2024, 48(5): 68-76.

臧海祥, 赵勇凯, 张越, 等. 基于低风速功率修正和损失函数改进的超短期风电功率预测[J]. 电力系统自动化, 2024, 48(7): 248-257.

康逸群, 刘厦, 雷兢. 基于鲁棒稀疏宽度学习系统的短期风电功率预测[J]. 太阳能学报, 2024, 45(5): 32-43.

李丹, 王奇, 杨保华, 等. 基于独立稀疏SAE的多风电场超短期功率预测[J]. 电力系统及其自动化学报, 2022, 34(2): 23-30.

ESTER M, KRIEGEL H, SANDER J, et al.A density-based algorithm for discovering clusters in large spatial databases with noise[C]//Proceedings of the 2nd International Conference on Knowledge Discovery and Data Mining Protland, 1996: 226-231.

牟哲岳, 孙勇, 王瑞良, 等. 基于实测数据和机器学习的风电机组载荷预测模型[J]. 太阳能学报, 2023, 44(10): 414-419.

胡锐, 乔加飞, 李永华, 等. 基于WOA-VMD-SSA-LSTM的中长期风电预测[J]. 太阳能学报, 2024, 45(9): 549-556.

VASWANI A, SHAZEER N, PARMAR N, et al.Attention is all you need[C]//Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook: Curran Associates Inc, 2017: 6000-6010.

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.

潘鹏程, 刘晖, 王仁明. 自适应密度聚类组合数据清洗的LSTM风电功率预测[J]. 电力系统及其自动化学报, 2024, 36(7): 59-66.

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

ULTRA-SHORT TERM OFFSHORE WIND POWER PREDICTION BASED ON CONDITION-ASSESSMENT OFWIND TURBINES

DATA CLEANING METHOD CONSIDERING TEMPORAL AND SPATIAL CORRELATION FOR MEASURED WIND SPEED OF WIND TURBINES

基于信息熵聚类分解和CTA-BiLSTM的超短期风电功率预测

基于贝叶斯参数优化Transformer时间段分割模型的超短期风电功率预测方法

一种利用风电机组风轮大转动惯量平抑功率波动的控制策略

Related Author

Huang Lingling

Li Suo

Fu Yang

Wang Zhenshuai

Li Li

Liang Yuan

Lin Na

Yan Jie

Related Institution

School of Electrical Engineering, Shanghai University of Electric Power

School of New Energy, North China Electric Power University

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

Key Laboratory of Modern Power System Simulation Control and New Green Energy Technology of Ministry of Education （Northeast Electric Power University）

School of Mechanical and Electrical Engineering, Lanzhou University of Technology

AI问答

⁰