基于波动信息优选及切换输入机制的短期延长期风电集群功率预测

杨茂; 鞠超毅; 张薇; 苏欣

doi:10.19912/j.0254-0096.tynxb.2023-1776

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 >

基于波动信息优选及切换输入机制的短期延长期风电集群功率预测

更新时间：2025-10-18

- 基于波动信息优选及切换输入机制的短期延长期风电集群功率预测
- POWER FORECAST OF WIND POWER CLUSTER IN SHORT-TERM EXTENSION BASED ON FLUCTUATION INFORMATION OPTIMIZATION AND SWITCHING INPUT MECHANISM
- 太阳能学报 2025年46卷第3期页码：546-558
- 作者机构：
  
  现代电力系统仿真控制与绿色电能新技术教育部重点实验室（东北电力大学）,吉林 132012
- 作者简介：
- 基金信息：
- DOI：10.19912/j.0254-0096.tynxb.2023-1776
  中图分类号： TM614
- 网络出版：2025-04-07，
  
  纸质出版：2025
- 稿件说明：
移动端阅览
杨茂, 鞠超毅, 张薇, 苏欣. 基于波动信息优选及切换输入机制的短期延长期风电集群功率预测[J]. 太阳能学报, 2025, 46(3): 546-558.

Yang Mao, Ju Chaoyi, Zhang Wei, et al. POWER FORECAST OF WIND POWER CLUSTER IN SHORT-TERM EXTENSION BASED ON FLUCTUATION INFORMATION OPTIMIZATION AND SWITCHING INPUT MECHANISM[J]. 2025, 46(3): 546-558.
杨茂, 鞠超毅, 张薇, 苏欣. 基于波动信息优选及切换输入机制的短期延长期风电集群功率预测[J]. 太阳能学报, 2025, 46(3): 546-558. DOI： 10.19912/j.0254-0096.tynxb.2023-1776.

Yang Mao, Ju Chaoyi, Zhang Wei, et al. POWER FORECAST OF WIND POWER CLUSTER IN SHORT-TERM EXTENSION BASED ON FLUCTUATION INFORMATION OPTIMIZATION AND SWITCHING INPUT MECHANISM[J]. 2025, 46(3): 546-558. DOI： 10.19912/j.0254-0096.tynxb.2023-1776.

摘要

在风电功率预测领域

现有短期时间尺度研究和应用的预见期最长为7 d

缺乏对8~15 d短期延长期时间尺度下的预测研究。针对上述问题

提出基于天气过程挖掘和切换机制的8~15 d短期延长期预测框架

着重对未来出力水平进行预测

将历史选择分为波动性优先历史选择和稳定性优先历史选择

在波动性优先历史选择效果较差时

利用稳定性优先历史选择进行误差平衡。所提框架在甘肃省某风电集群进行验证

结果表明

所提框架均方根误差在8~15 d所有时间尺度下平均降低0.84%~1.45%

在未来数值天气预报（NWP）可用性匮乏的情况下实现了8~15 d预测

有效提高短期延长期预测的可靠性。

Abstract

In the field of wind power forecast

the longest forecast period for existing short-term time scale research and applications is 7 days

and there is a lack of forecast research on the 8-15 day short-term extension period time scale. To solve the above problems

this study proposed an 8-15 day short-term extension forecast framework based on the weather process mining and switching mechanism

focusing on the forecast of future output levels

and divided historical selection into volatility first historical selection and stability first historical selection

and used stability first historical selection to balance errors when the performance of volatility first historical selection was poor. The proposed framework was verified in a wind power cluster in Gansu Province. The results show that the root-mean-square error of the proposed framework decreases by 0.84 to 1.45 percentage points on average on all timescales of 8-15 days

and the 8-15 days forecast is realized under the condition of lack of availability of NWP

and the reliability of short-term extension forecast is improved.

关键词

Keywords

references

李娟, 王玲, 孙康杰, 等. 考虑风电不确定性和有功无功联合调整的两阶段优化调度[J]. 东北电力大学学报, 2023, 43(3): 72-81.

黄玲, 李林霞, 程瑜, 等. 基于SAM-WGAN-GP的短期风电功率预测[J]. 太阳能学报, 2023, 44(4): 180-188.

杨茂, 张书天, 王天硕, 等. 基于IKLIEP-四分位模型的风电场异常数据识别算法[J]. 高电压技术, 2023, 49(7): 2952-2960.

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.

杨茂, 于欣楠. 考虑风电场功率爬坡的超短期组合预测[J]. 东北电力大学学报, 2022, 42(1): 63-70.

王晓东, 栗杉杉, 刘颖明, 等. 基于特征变权的超短期风电功率预测[J]. 太阳能学报, 2023, 44(2): 52-58.

叶林, 滕景竹, 蓝海波, 等. 变尺度时间窗口和波动特征提取的短期风电功率组合预测[J]. 电力系统自动化, 2017, 41(17): 29-36, 59.

杨茂, 刘慧宇, 孙勇, 等. 基于原子稀疏分解和支持向量机的风电功率实时预测研究[J]. 东北电力大学学报, 2020, 40(3): 1-7.

王维高, 魏云冰, 滕旭东. 基于VMD-SSA-LSSVM的短期风电预测[J]. 太阳能学报, 2023, 44(3): 204-211.

王勃, 刘纯, 冯双磊, 等. 基于集群划分的短期风电功率预测方法[J]. 高电压技术, 2018, 44(4): 1254-1260.

杨茂, 彭天, 苏欣. 基于预测信息二维坐标动态划分的风电集群功率超短期预测[J]. 中国电机工程学报, 2022, 42(24): 8854-8864.

YU C Q, YAN G X, YU C M, et al.A multi-factor driven spatiotemporal wind power prediction model based on ensemble deep graph attention reinforcement learning networks[J]. Energy, 2023, 263: 126034.

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.

胡帅, 向月, 沈晓东, 等. 计及气象因素和风速空间相关性的风电功率预测模型[J]. 电力系统自动化, 2021, 45(7): 28-36.

欧阳庭辉, 查晓明, 秦亮, 等. 基于相似性修正的风电功率爬坡事件预测方法[J]. 中国电机工程学报, 2017, 37(2): 572-581.

梁志峰, 王铮, 冯双磊, 等. 基于波动规律挖掘的风电功率超短期预测方法[J]. 电网技术, 2020, 44(11): 4096-4104.

刘燕华, 刘冲, 李伟花, 等. 基于出力模式匹配的风电集群点多时间尺度功率预测[J]. 中国电机工程学报, 2014, 34(25): 4350-4358.

杨茂, 许传宇, 王凯旋. 基于切换输出机制的超短期风电功率预测[J]. 高电压技术, 2022, 48(2): 420-430.

戴千斌, 黄南天. 短期风电功率预测误差修正研究综述[J]. 东北电力大学学报, 2023, 43(2): 1-7.

杨茂, 代博祉, 刘蕾. 风电功率概率预测研究综述[J]. 东北电力大学学报, 2020, 40(2): 1-6.

张淑清, 杜灵韵, 王册浩, 等. 基于格拉姆角场与改进CNN-ResNet的风电功率预测方法[J]. 电网技术, 2023, 47(4): 1540-1548.

李卓, 叶林, 戴斌华, 等. 基于IDSCNN-AM-LSTM组合神经网络超短期风电功率预测方法[J]. 高电压技术, 2022, 48(6): 2117-2127.

杨健, 徐思卿, 姜尚光, 等. 基于动态时间规整的风电功率爬坡滚动修正模型[J]. 电力系统自动化, 2021, 45(16): 152-159.

吴振军, 冯为民, 胡智宏, 等. 基于改进Simpson积分算法的电能计量方法[J]. 电力系统保护与控制, 2012, 40(13): 14-17, 23.

余光正, 陆柳, 汤波, 等. 考虑转折性天气的海上风电功率超短期分段预测方法研究[J]. 中国电机工程学报, 2022, 42(13): 4859-4871.

杨茂, 白玉莹. 基于多位置NWP和门控循环单元的风电功率超短期预测[J]. 电力系统自动化, 2021, 45(1): 177-183.

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VMD-MBWO-KELM的短期风电功率预测

融合改进Informer与迁移学习的风电功率预测

基于风电概率预测的风电场调频容量估计方法

基于CEEMDAN-AsyHyperBand-MultiTCN的短期风电功率预测

基于VMD和改进BiLSTM的短期风电功率预测