基于机器学习方法的风速偏差订正研究

贺姗姗; 王捷儒; 申彦波; 高金兵

doi:10.19912/j.0254-0096.tynxb.2025-0286

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 >

基于机器学习方法的风速偏差订正研究

更新时间：2026-07-22

- 基于机器学习方法的风速偏差订正研究
- 基于机器学习方法的风速偏差订正研究
- 太阳能学报 2026年47卷第6期页码：459-465
- 作者机构：
- 作者简介：
- 基金信息：
- DOI：10.19912/j.0254-0096.tynxb.2025-0286
  中图分类号： P457
- 网络首发：2026-07-08，
  
  纸质出版：2026
- 稿件说明：
移动端阅览
贺姗姗, 王捷儒, 申彦波, 等. 基于机器学习方法的风速偏差订正研究[J]. 太阳能学报, 2026,47(6):459-465.

贺姗姗, 王捷儒, 申彦波, et al. 基于机器学习方法的风速偏差订正研究[J]. 2026, 47(6): 459-465.
贺姗姗, 王捷儒, 申彦波, 等. 基于机器学习方法的风速偏差订正研究[J]. 太阳能学报, 2026,47(6):459-465. DOI： 10.19912/j.0254-0096.tynxb.2025-0286.

贺姗姗, 王捷儒, 申彦波, et al. 基于机器学习方法的风速偏差订正研究[J]. 2026, 47(6): 459-465. DOI： 10.19912/j.0254-0096.tynxb.2025-0286.

摘要

通过风速偏差订正方法提高模式产品的预报准确性

为风电场风电功率预测提供可靠的数据支持。以山西陵川县风电场为例

利用循环神经网络（RNN）、非线性模型（NLinear）、Transformer这3种机器学习方法

分别建立CMA-WSP2.0模式产品的风速偏差订正模型

研究结果表明

3种方法的结果均优于模式产品

且Transformer、NLinear分别在10 m和100 m高度风速提高准确性方面表现更优。因此

机器学习方法可有效提升风速数据的质量和可靠性

为风能资源开发利用、功率预报等领域提供更准确的数据支持。

Abstract

By improving the forecasting accuracy of model products through wind speed deviation correction methods

reliable data support is provided for wind power generation forecasting in wind farms. Taking the Lingchuan County Wind Farm in Shanxi Province as an example

three machine learning methods recurrent neural network （RNN）

nonlinear model（NLinear）

and Transformer were employed to establish wind speed deviation correction models for CMA-WSP2.0 model products. The results show that the results of three methods are better than that of the original model products

and Transformer and NLinear perform better in improving the accuracy of wind speed at heights of 10 m meters and 100 m meters

respectively. Therefore

machine learning methods can effectively improve the quality and reliability of wind speed data

offering a more accurate data foundation for wind energy resource development and utilization

power forecasting and other fields.

关键词

Keywords

references

冉靖, 张智刚, 梁志峰, 等. 风电场风速和发电功率预测方法综述[J]. 数理统计与管理, 2020, 39(6): 1045-1059.

许立兵, 孔扬, 周峥, 等. 基于机器学习的风场预报订正方法研究[J]. 陕西气象, 2023(1): 15-20.

朱延和, 朱寿鹏, 夏平, 等. 基于U-net神经网络的新疆10 m风速预报订正研究[J]. 大气科学, 2024, 48(6): 2300-2315.

毛开银, 赵长名, 何嘉. 基于XGBoost的10 m风速订正研究[J]. 成都信息工程大学学报, 2020, 35(6): 604-609.

孙全德, 焦瑞莉, 夏江江, 等. 基于机器学习的数值天气预报风速订正研究[J]. 气象, 2019, 45(3): 426-436.

张颖超, 肖寅, 邓华. 基于ELM的风电场短期风速订正技术研究[J]. 气象, 2016, 42(4): 466-471.

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.

张淑清, 杨振宁, 姜安琦, 等. 基于EN-SKPCA降维和FPA优化LSTMNN的短期风电功率预测[J]. 太阳能学报, 2022, 43(6): 204-211.

李嘉文, 盛德仁, 李蔚, 等. 基于多目标优化和误差修正的短期风速预测[J]. 太阳能学报, 2022, 43(8): 273-280.

范彤昕, 全洁, 曾美洁, 等. 基于RNN模型的新能源发电功率预测研究[J]. 建模与仿真, 2025, 14(1): 379-387.

WANG D, XU M, ZHU G M, et al.Enhancing wind power forecasting accuracy through LSTM with adaptive wind speed calibration (C-LSTM)[J]. Scientific reports, 2025, 15: 5352.

JOSEPH L P, DEO R C, PRASAD R, et al.Near real-time wind speed forecast model with bidirectional LSTM networks[J]. Renewable energy, 2023, 204: 39-58.

WU H J, MENG K, FAN D, et al.Multistep short-term wind speed forecasting using transformer[J]. Energy, 2022, 261: 125231.

BI K F, XIE L X, ZHANG H H, et al.Accurate medium-range global weather forecasting with 3D neural networks[J]. Nature, 2023, 619(7970): 533-538.

许沛华, 陈正洪, 孙延维, 等. 湖北山区复杂地形条件下风电功率预报算法研究[J]. 干旱气象, 2021, 39(3): 524-532.

杨璐, 宋林烨, 荆浩, 等. 复杂地形下高精度风场融合预报订正技术在冬奥会赛区风速预报中的应用研究[J]. 气象, 2022, 48(2): 162-176.

庄文兵, 章涵, 王建, 等. 基于中尺度和微尺度的复杂地形大风预报方法研究[J]. 气象科技进展, 2017, 7(2): 13-19.

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WRF模式的中长期风速预报及订正研究

风资源评估测风数据插补方法的时空特性研究

优化变分模态分解下NRBO-LSTM-Attention修正预测风速的风电功率短期预测

基于多尺度分解和多模型融合的锂电池剩余使用寿命预测

基于Graph Transformer的大型风电场工程尾流模型