考虑多风电机组关联特性的超短期功率预测方法

朱童; 王彦沣; 叶希; 黄格超; 李甘; 朱琳俐; 张巍; 王渝红

doi:10.16527/j.issn.1003-6954.20250104

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 >

考虑多风电机组关联特性的超短期功率预测方法

电网技术 | 更新时间：2026-02-13

- 考虑多风电机组关联特性的超短期功率预测方法
- 考虑多风电机组关联特性的超短期功率预测方法
- 四川电力技术 2025年48卷第1期页码：23-31+71
- 作者机构：
  
  1. 国网四川省电力公司
  2. 四川大学电气工程学院
- 作者简介：
- 基金信息：
  
  国家电网有限公司科技项目(52199723001G)
- DOI：10.16527/j.issn.1003-6954.20250104
  中图分类号： TM614;TP18
- 纸质出版：2025
- 稿件说明：
移动端阅览
朱童, 王彦沣, 叶希, 等. 考虑多风电机组关联特性的超短期功率预测方法[J]. 四川电力技术, 2025,48(1):23-31+71.

朱童, 王彦沣, 叶希, et al. 考虑多风电机组关联特性的超短期功率预测方法[J]. 2025, 48(1): 23-31+71.
朱童, 王彦沣, 叶希, 等. 考虑多风电机组关联特性的超短期功率预测方法[J]. 四川电力技术, 2025,48(1):23-31+71. DOI： 10.16527/j.issn.1003-6954.20250104.

朱童, 王彦沣, 叶希, et al. 考虑多风电机组关联特性的超短期功率预测方法[J]. 2025, 48(1): 23-31+71. DOI： 10.16527/j.issn.1003-6954.20250104.

摘要

由于邻近多风电机组间存在复杂的关联关系，深度挖掘多风电机组的空间特征有利于提高风电功率的预测精度。因此，提出了一种考虑多风电机组关联特性的超短期功率预测方法。首先，基于能量谷优化算法对变分模态分解的关键参数进行优化，将原始风电功率数据分解为多个利于预测的模态分量；随后，在双向门控循环单元时序预测网络中引入时序注意力机制，充分提取多风电机组间的复杂联系，从时空角度对各模态分量进行精准预测；最后，对各模态分量预测值进行重构得到多台风机的风电功率预测。实验结果表明，与其他预测模型相比，所提方法不仅能有效提高多风电机组的超短期功率预测精度，同时也能缩短训练时间。

Abstract

关键词

Keywords

references

Azizi Mahdi,Aickelin Uwe,A Khorshidi Hadi,Baghalzadeh Shishehgarkhaneh Milad.Energy valley optimizer: a novel metaheuristic algorithm for global and engineering optimization.[J].Scientific reports,2023.

Gang Wang,Ru Jia,Jinhai Liu,Huaguang Zhang.A hybrid wind power forecasting approach based on Bayesian model averaging and ensemble learning[J].Renewable Energy,2020.

Hao Yin,Zuhong Ou,Shengquan Huang,Anbo Meng.A cascaded deep learning wind power prediction approach based on a two-layer of mode decomposition[J].Energy,2019.

Shun-Yao Shih,Fan-Keng Sun,Hung-yi Lee.Temporal pattern attention for multivariate time series forecasting[J].Machine Learning,2019(8-9).

Jinhua Zhang,Jie Yan,David Infield,Yongqian Liu,Fue-sang Lien.Short-term forecasting and uncertainty analysis of wind turbine power based on long short-term memory network and Gaussian mixture model[J].Applied Energy,2019.

Chuanjin Yu,Yongle Li,Yulong Bao,Haojun Tang,Guanghao Zhai.A novel framework for wind speed prediction based on recurrent neural networks and support vector machine[J].Energy Conversion and Management,2018.

Wei Sun,Yuwei Wang.Short-term wind speed forecasting based on fast ensemble empirical mode decomposition, phase space reconstruction, sample entropy and improved back-propagation neural network[J].Energy Conversion and Management,2018.

Jianbo Yang,Qunyi Liu,Xin Li,Xiandan Cui.Overview of Wind Power in China: Status and Future[J].Sustainability,2017.

徐灵.基于EMD-TCN-GRU超短期电力负荷预测[J].船电技术,2024(10).

吴肃霜,蔡小路,李俊贤.风电功率预测方法与最新技术发展研究[J].水电与新能源,2024(03).

王瑞,李虹锐,逯静,卜旭辉.基于VMD-LILGWO-LSSVM短期风电功率预测[J].河南理工大学学报(自然科学版),2024(02).

史彭珍,魏霞,张春梅,谢丽蓉,叶家豪,杨家梁.基于VMD-BOA-LSSVM-AdaBoost的短期风电功率预测[J].太阳能学报,2024(01).

程先龙,保佑智,何度江,梁健,方伟,杨博.基于EMD-ELM-LSTM的短期风电功率预测[J].昆明理工大学学报(自然科学版),2023(06).

吕云龙,胡琴,熊俊杰,龙敦华.基于时空注意力卷积模型的超短期风电功率预测[J].电网技术,2024(05).

杨茂,王达,王小海,范馥麟,高博,王勃.基于数据物理混合驱动的超短期风电功率预测模型[J].高电压技术,2024(11).

代佳琨,向月,刘俊勇,张新.基于数字孪生的区域气象关联风电预测模型[J].四川电力技术,2023(02).

黄睿,朱玲俐,高峰,王渝红,杨亚兰,熊小峰.基于变分模态分解的卷积长短时记忆网络短期电力负荷预测方法[J].现代电力,2024(01).

王渝红,史云翔,周旭,曾琦,方飚,毕悦.基于时间模式注意力机制的BiLSTM多风电机组超短期功率预测[J].高电压技术,2022(05).

孙蓉,李强,罗海峰,窦迅,邓叶航.基于自适应移动平滑与时间卷积网络误差修正的风电功率预测[J].全球能源互联网,2022(01).

孟安波,陈顺,王陈恩,丁伟锋,蔡涌烽,符嘉晋,周华敏.基于混沌CSO优化时序注意力GRU模型的超短期风电功率预测[J].电网技术,2021(12).

孙荣富,张涛,和青,徐海翔.风电功率预测关键技术及应用综述[J].高电压技术,2021(04).

冉茂霞,黄沁元,刘鑫,宋弘,吴浩.基于优化变分模态分解的磁瓦内部缺陷检测[J].浙江大学学报(工学版),2020(11).

李艳,彭春华,傅裕,孙惠娟.基于CNN-LSTM网络模型的风电功率短期预测研究[J].华东交通大学学报,2020(04).

赵兵,王增平,纪维佳,高欣,李晓兵.基于注意力机制的CNN-GRU短期电力负荷预测方法[J].电网技术,2019(12).

崔杨,陈正洪,刘丽珺.弃风限电条件下复杂地形风电场短期风功率预测对比分析[J].太阳能学报,2017(12).

唐贵基,刘尚坤.基于VMD和谱峭度的滚动轴承早期故障诊断方法[J].中国测试,2017(09).

浏览量

110

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

暂无数据