基于长短期记忆神经网络的风力发电功率预测方法

李相俊; 许格健

doi:10.12096/j.2096-4528.pgt.19108

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于长短期记忆神经网络的风力发电功率预测方法

新能源 | 更新时间：2025-06-06

- 基于长短期记忆神经网络的风力发电功率预测方法
- Wind Power Prediction Method Based on Long Short-term Memory Neural Network
- 发电技术 2019年40卷第5期页码：426-433
- 作者机构：
  
  新能源与储能运行控制国家重点实验室(中国电力科学研究院有限公司), 北京市海淀区 100192
- 作者简介：
  
  [ "李相俊(1979), 男, 博士, 教授级高级工程师, 研究方向为大规模储能技术、新能源与分布式发电、电力系统运行与控制, li_xiangjun@126.com" ]
- 基金信息：
  
  国家电网公司科技项目(DG71-19-015)
- DOI：10.12096/j.2096-4528.pgt.19108
  中图分类号：
- 收稿：2019-07-16，
  
  纸质出版：2019-10-30
- 稿件说明：
移动端阅览
李相俊, 许格健. 基于长短期记忆神经网络的风力发电功率预测方法[J]. 发电技术, 2019,40(5):426-433.

Xiangjun LI, Gejian XU. Wind Power Prediction Method Based on Long Short-term Memory Neural Network[J]. Power Generation Technology, 2019, 40(5): 426-433.
李相俊, 许格健. 基于长短期记忆神经网络的风力发电功率预测方法[J]. 发电技术, 2019,40(5):426-433. DOI： 10.12096/j.2096-4528.pgt.19108.

Xiangjun LI, Gejian XU. Wind Power Prediction Method Based on Long Short-term Memory Neural Network[J]. Power Generation Technology, 2019, 40(5): 426-433. DOI： 10.12096/j.2096-4528.pgt.19108.

摘要

风力发电过程具有较强的随机性，导致风力发电功率的预测准确度不高。针对上述问题，提出了一种融合深度学习算法的风力发电功率预测方法。以历史风力发电功率数据作为输入，建立风力发电功率预测模型，实现对未来一个时间刻度的风力发电功率预测。算例结果表明，与传统时序预测方法相比，基于长短期记忆神经网络的风力发电功率预测结果在各项指标中误差更小，验证了上述方法在风力发电功率预测中的可行性和有效性，提升了风力发电功率预测的准确性。

Abstract

Wind power generation process has strong randomness

which leads to low accuracy of wind power prediction. In view of the above phenomenon

a wind power generation power prediction method based on deep learning algorithm was proposed. Taking the historical wind power data as input

a wind power prediction model was established to realize the wind power prediction on a time scale in the future. The results of the example show that compared with the traditional time-series prediction method

the average absolute error of the wind power prediction results based on long short-term memory neural network is smaller in each index

which verifies the feasibility and effectiveness of the above method in wind power generation prediction

and improves the accuracy of wind power generation prediction.

关键词

Keywords

references

陈国初, 公维祥, 冯兆红.熵判别人工蜂群算法优化的风电功率[J].电力系统及其自动化学报, 2017, 29(7):41-45, 67.

国家能源局.2018年风电并网运行情况[EB/OL ] .[2019-01-28 ] . http://www.nea.gov.cn/2019-01/28/c_137780779.htm http://www.nea.gov.cn/2019-01/28/c_137780779.htm .

周云, 严正, 李乃湖, 等.BESS平抑风功率波动算法中多重SOC反馈策略设计[J].太阳能学报, 2017, 38(6):1459-1467.

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.

闫鹤鸣, 李相俊, 麻秀范, 等.基于超短期风电预测功率的储能系统跟踪风电计划出力控制方法[J].电网技术, 2015, 39(2):433-439.

Liu C Y, Chao Q, Wei L L.Wind-storage coupling based on actual data and fuzzy control in multiple time scales for real-time rolling smoothing of fluctuation[J].Electric Power Automation Equipment, 2015, 35(2):35-41.

Fang S, Chiang H D.A high-accuracy wind power forecasting model[J].IEEE Transactions on Power Systems, 2017, 32(2):1589-1590.

Qian Z, Pei Y, Cao L X, et al.Review of wind power forecasting method[J].High Voltage Engineering, 2016, 42(4):1047-1060.

Hu M Y, Hu Z J, Zhang M L, et al.Research on wind power forecasting method based on improved AdaBoost.RT and KELM algorithm[J].Power System Technology, 2017, 37(2):536-542.

张俊, 贺旭, 陆春良, 等.基于数值天气预报的光伏功率短期预测分类组合算法[J].广东电力, 2019, 32(6):55-60.

杨正瓴, 刘仍祥, 李真真.基于季风和大气压分布的我国风电功率预测研究[J].分布式能源, 2018, 3(2):29-38.

吴宇杭, 温步瀛, 江岳文, 等.基于变分模式分解和深度门控循环网络的风速短期预测模型[J].电网与清洁能源, 2018, 34(12):59-64.

雷爽, 王鹏卉, 张亚刚.基于集合经验模态分解的组合风速预测方法[J].电力科学与工程, 2018, 34(1):18-23.

杨明莉, 刘三明, 王致杰, 等.卡尔曼小波神经网络风速预测[J].电力系统及其自动化学报, 2015(12):42-46.

方必武, 刘涤尘, 王波, 等.基于小波变换和改进萤火虫算法优化LSSVM的短期风速预测[J].电力系统保护与控制, 2016(8):37-43.

李国庆, 张钰, 张明江, 等.基于MRMR的集合经验模态分解和支持向量机的风电功率实时预测[J].东北电力大学学报, 2017, 37(2):39-44.

曹俊波, 周任军, 邓学华, 等.考虑优化ARIMA模型差分次数的风功率预测[J].电力系统及其自动化学报, 2019, 31(1):105-111.

李彬, 彭曙蓉, 彭君哲,等.基于深度学习分位数回归模型的风电功率概率密度预测[J].电力自动化设备, 2018, 38(9):15-20.

江岳春, 张丙江, 邢方方, 等.基于混沌时间序列GA-VNN模型的超短期风功率多步预测[J].电网技术, 2015, 39(8):2160-2166.

陈宁, 薛禹胜, 丁杰, 等.利用空间相关性的超短期风速预测[J].电力系统自动化, 2017(12):124-130.

陈杰, 沈艳霞, 陆欣, 等.一种风电功率概率区间多目标智能优化预测方法[J].电网技术, 2016, 40(8):2281-2287.

吴晓刚, 孙荣富, 乔颖, 等.基于风电场功率特性的风电预测误差分布估计[J].电网技术, 2017, 41(6):1802-1807.

Li D, Ren Z Y, Yan W, et al.Month-ahead wind power curve probabilistic prediction based on factor analysis and quantile regression neural network[J].Proceedings of the CSEE, 2017, 37(18):5238-5248.

董伟, 杨强, 葛磊蛟, 等.基于混合智能模型的分布式风力发电预测方法[J].供用电, 2019(1):34-39.

Li Y, Li X J, Jia X C, et al.Monitoring and control for hundreds megawatt scale battery energy storage station based on multi-agent: methodology and system design[C]//2018 IEEE International Conference of Safety Produce Informatization.Chongqing, China: IEEE, 2018.

Li X J, Wang S X.A review on energy management, operation control and application methods for grid battery energy storage systems[J].CSEE Journal of Power and Energy Systems, DOI:10.17775/CSEEJPES, 2019.00160.

冯泽磊, 吴美凤.基于大数据平台的火电机组实时运行状态监测[J].华电技术, 2019, 41(4):29-32, 37.

李冰, 张妍, 刘石.基于LSTM的短期风速预测研究[J].计算机仿真, 2018, 35(11):456-461.

梁荣, 王洪涛, 吴奎华, 等.基于神经网络和ARIMA模型的冷热电短期负荷预测[J].电力系统及其自动化学报, DOI:10.19635/j.cnki.csu-epsa.000260.

赫卫国, 郝向军, 郭雅娟, 等.基于ARIMA和SVR的光伏电站超短期功率预测[J].广东电力, 2017, 30(8):32-37.

王旭, 陈潇一.基于AHP、ARIMA算法的电力信息系统负载预测研究与应用[J].电网与清洁能源, 2017, 33(8):20-25.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于人工智能的质子交换膜燃料电池状态估计及故障诊断

基于大语言模型的图检索增强生成技术在核电领域的应用与展望

基于人工智能的可再生能源电解水制氢关键技术及发展前景分析

基于人工智能的直流微电网大信号稳定性评估方法研究