基于BiTCN-Informer的新型超短期风电功率组合预测方法

殷钰朋; 匡洪海; 曹世鹏; 杨慧娴; 李星宇

doi:10.19912/j.0254-0096.tynxb.2025-0025

欢迎来到能源电力期刊网！

English Version 期刊登录

您当前的位置：

首页 >

文章列表页 >

基于BiTCN-Informer的新型超短期风电功率组合预测方法

更新时间：2026-07-21

- 基于BiTCN-Informer的新型超短期风电功率组合预测方法
- 基于BiTCN-Informer的新型超短期风电功率组合预测方法
- 太阳能学报 2026年47卷第5期页码：350-356
- 作者机构：
- 作者简介：
- 基金信息：
  
  湖南省教育厅科学研究重点项目（23A0441）;湖南省自然科学基金（2023JJ50176）
- DOI：10.19912/j.0254-0096.tynxb.2025-0025
  中图分类号： TM614
- 网络首发：2026-06-04，
  
  纸质出版：2026
- 稿件说明：
移动端阅览
殷钰朋, 匡洪海, 曹世鹏, 等. 基于BiTCN-Informer的新型超短期风电功率组合预测方法[J]. 太阳能学报, 2026,47(5):350-356.

殷钰朋, 匡洪海, 曹世鹏, et al. 基于BiTCN-Informer的新型超短期风电功率组合预测方法[J]. 2026, 47(5): 350-356.
殷钰朋, 匡洪海, 曹世鹏, 等. 基于BiTCN-Informer的新型超短期风电功率组合预测方法[J]. 太阳能学报, 2026,47(5):350-356. DOI： 10.19912/j.0254-0096.tynxb.2025-0025.

殷钰朋, 匡洪海, 曹世鹏, et al. 基于BiTCN-Informer的新型超短期风电功率组合预测方法[J]. 2026, 47(5): 350-356. DOI： 10.19912/j.0254-0096.tynxb.2025-0025.

摘要

针对传统风电功率预测方法在局部峰值附近的波动数据区间和突变数据点预测精度有限的问题

提出基于BiTCN-Informer融合时空特征的超短期风电功率预测方法。首先

利用双向时间卷积神经网络（BiTCN）分析过去观测值与未来协变量的信息特征

提取数据的空间特征;然后

采用Informer概率稀疏自注意力机制和自注意力蒸馏机制简化网络参数

减少计算复杂度

识别长序列数据的依赖关系

捕捉序列的时序特征;最后

引入全连接层整合时序和空间特征。算例分析结果表明

所提组合模型相比其他模型能有效提高预测精度。

Abstract

Aiming at the problem that the prediction accuracy of fluctuation data intervals and abrupt data points near the local peak value of traditional wind power prediction methods is limited

an ultra-short term wind power prediction method based on BiTCN-Informer fusion of temporal and spatial characteristics is proposed. Firstly

bidirectional temporal convolutional network （BiTCN） is used to analyze the information features of past observations and future covariates

and to extract the spatial features of the data. Then

the Informer probabilistic sparse self-attention mechanism and self-attention distillation mechanism are used to simplify the network parameters

reduce the computational complexity

identify the dependency relationship of long sequence data

and capture the temporal features of the sequence. Finally

a fully connected layer is introduced to integrate temporal and spatial features. The results of the case study show that the proposed combined model can effectively improve the prediction accuracy compared with other models.

关键词

Keywords

references

韩丽, 程颖洁, 王施琪, 等. 基于扩散模型和爬坡趋势分类的风电功率自适应区间预测[J]. 电网技术, 2024, 48(6): 2448-2457.

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.

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.

KISVARI A, LIN Z, LIU X L.Wind power forecasting-a data-driven method along with gated recurrent neural network[J]. Renewable energy, 2021, 163: 1895-1909.

WANG L, TAO R, HU H L, et al.Effective wind power prediction using novel deep learning network: stacked independently recurrent autoencoder[J]. Renewable energy, 2021, 164: 642-655.

朱菊萍, 魏霞, 谢丽蓉, 等. 基于VMD和改进BiLSTM的短期风电功率预测[J]. 太阳能学报, 2024, 45(6): 422-428.

乔宽龙, 董存, 车建峰, 等. 时空特性下基于图卷积神经网络的风电集群功率短期预测方法[J]. 太阳能学报, 2024, 45(5): 95-103.

刘沛汉, 尹翠, 贾娜, 等. 基于小生境遗传算法与径向基代理模型的短期风电功率预测[J]. 太阳能学报, 2024, 45(8): 554-564.

吕云龙, 胡琴, 熊俊杰, 等. 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, 48(5): 2064-2073.

李练兵, 高国强, 吴伟强, 等. 考虑特征重组与改进Transformer的风电功率短期日前预测方法[J]. 电网技术, 2024, 48(4): 1466-1480.

SPRANGERS O, SCHELTER S, DE RIJKE M.Parameter-efficient deep probabilistic forecasting[J]. International journal of forecasting, 2023, 39(1): 332-345.

ZHOU H Y, ZHANG S H, PENG J Q, et al.Informer: beyond efficient transformer for long sequence time-series forecasting[J]. Proceedings of the AAAI conference on artificial intelligence, 2021, 35(12): 11106-11115.

CHEN Y B, XU J J.Solar and wind power data from the Chinese State Grid renewable energy generation forecasting competition[J]. Scientific data, 2022, 9: 577.

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

基于改进SVR-SSA-BiLSTM误差修正的短期风电功率混合预测模型研究

基于MODWT-BiLSTM-BiGRU的风电功率预测

基于PXGBoost-GAE-GMM-GRU多风力机功率预测

融合物理约束与多尺度特征的Mamba-Transformer超短期风电功率预测

基于动态深度学习的风电功率在线预测方法