基于电站聚类和TCN-QR-KDE的省级电网新能源非参数概率预测方法

苏华英; 张俊涛; 李鼎元; 张俨; 王融融; 程春田

doi:doi:10.19912/j.0254-0096.tynxb.2024-0839

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 >

基于电站聚类和TCN-QR-KDE的省级电网新能源非参数概率预测方法

更新时间：2025-10-22

- 基于电站聚类和TCN-QR-KDE的省级电网新能源非参数概率预测方法
- 暂无标题
- 太阳能学报 2025年46卷第9期页码：706-716
- 作者机构：
- 作者简介：
- 基金信息：
  
  贵州电网有限责任公司电力调度控制中心高比例新能源电网水电灵活性量化动态评估及智慧调控技术研究项目（GZKJXM20220086）;国家自然科学基金重点项目（52239001）
- DOI：doi:10.19912/j.0254-0096.tynxb.2024-0839
  中图分类号： TM73
- 网络出版：2025-10-14，
  
  纸质出版：2025
- 稿件说明：
移动端阅览
苏华英, 张俊涛, 李鼎元, 等. 基于电站聚类和TCN-QR-KDE的省级电网新能源非参数概率预测方法[J]. 太阳能学报, 2025,46(9):706-716.
苏华英, 张俊涛, 李鼎元, 等. 基于电站聚类和TCN-QR-KDE的省级电网新能源非参数概率预测方法[J]. 太阳能学报, 2025,46(9):706-716. DOI： doi:10.19912/j.0254-0096.tynxb.2024-0839.

DOI：

摘要

针对省级电网新能源发电概率预测中存在的场站对象多、特征变量维数高及区域气象因素影响显著等难点

提出一种全省区域新能源功率非参数概率预测方法。首先

构建基于气象相似区聚类划分的风电和光伏集群

将各集群气象信息加权聚合为全省区域预测模型的可用气象因子;其次

利用斯皮尔曼及最大信息系数多准则筛选出与新能源出力最相关的气象因子

作为模型输入;最后

构建基于时间卷积神经网络（TCN）-分位数回归（QR）-核密度估计（KDE）的非参数概率预测模型。以西南某省区域风电和光伏总出力概率预测为应用实例

对比验证所提方法的有效性。

Abstract

The probability prediction problem of regional new energy power generation in the province faces difficulties such as multiple power station objects

high dimensional characteristic variables

and influence of regional meteorological factors. Therefore

this paper proposes a non-parametric probabilistic prediction method for regional new energy power in the province. Firstly

the historical meteorological factors of each station are used as input data

and the improved clustering method is used to construct wind power and photovoltaic clusters based on meteorologically similar areas

and then the meteorological information of each cluster is weighted and aggregated into available meteorological factors for the provincial regional prediction model. Based on this

the meteorological factors most related to new energy output are screened using Spearman and maximum information coefficient as the final input factors of the model to improve the model training efficiency. Finally

a nonparametric probabilistic prediction model based on time convolutional neural network （TCN）-quantile regression （QR）-kernel density estimation （KDE） is constructed. Taking all the wind power and photovoltaic plants in a southwestern province as application examples

the effectiveness of the proposed method is verified.

关键词

Keywords

references

舒印彪, 陈国平, 贺静波, 等. 构建以新能源为主体的新型电力系统框架研究[J]. 中国工程科学, 2021, 23(6): 61-69.

舒印彪, 张丽英, 张运洲, 等. 我国电力碳达峰、碳中和路径研究[J]. 中国工程科学, 2021, 23(6): 1-14.

郭威, 孙胜博, 陶鹏, 等. 基于多元变分模态分解和混合深度神经网络的短期光伏功率预测[J]. 太阳能学报, 2024, 45(4): 489-499.

庞传军, 张波, 余建明, 等. 基于结构化负荷模型的电力负荷概率区间预测[J]. 中国电力, 2021, 54(9): 89-95.

周育才, 肖添, 谢七月, 等. 基于聚类的HPO-BILSTM光伏功率短期预测[J]. 太阳能学报, 2024, 45(4): 512-518.

万灿, 宋永华. 新能源电力系统概率预测理论与方法及其应用[J]. 电力系统自动化, 2021, 45(1): 2-16.

王钊, 王伟胜, 刘纯, 等. 风电功率的特征近邻搜索概率预测方法[J]. 电网技术, 2022, 46(3): 880-887.

李丰君, 王磊, 赵健, 等. 基于天气融合和LSTM网络的分布式光伏短期功率预测方法[J]. 中国电力, 2022, 55(11): 149-154.

万灿, 崔文康, 宋永华. 新能源电力系统概率预测: 基本概念与数学原理[J]. 中国电机工程学报, 2021, 41(19): 6493-6508.

WANG K, ZHANG Y, LIN F, et al.Nonparametric probabilistic forecasting for wind power generation using quadratic spline quantile function and autoregressive recurrent neural network[J]. IEEE transactions on sustainable energy, 2022, 13(4): 1930-1943.

WU Y K, WU Y C, HONG J S, et al.Probabilistic forecast of wind power generation with data processing and numerical weather predictions[C]//2020 IEEE/IAS 56th Industrial and Commercial Power Systems Technical Conference (I&CPS). Las Vegas, NV, USA, 2020: 1-11.

CUI W K, WAN C, SONG Y H.Ensemble deep learning-based non-crossing quantile regression for nonparametric probabilistic forecasting of wind power generation[J]. IEEE transactions on power systems, 2023, 38(4): 3163-3178.

王森, 孙永辉, 侯栋宸, 等. 基于多窗宽核密度估计的风电功率超短期自适应概率预测[J]. 高电压技术, 2024, 50(7): 3070-3079.

杨锡运, 邢国通, 马雪, 等. 一种核极限学习机分位数回归模型及风电功率区间预测[J]. 太阳能学报, 2020, 41(11): 300-306.

KHORRAMDEL B, ZARE A, CHUNG C Y, et al.A generic convex model for a chance-constrained look-ahead economic dispatch problem incorporating an efficient wind power distribution modeling[J]. IEEE transactions on power systems, 2020, 35(2): 873-886.

FAUSTINE A, PEREIRA L.FPSeq2Q: fully parameterized sequence to quantile regression for net-load forecasting with uncertainty estimates[J]. IEEE transactions on smart grid, 2022, 13(3): 2440-2451.

VON KRANNICHFELDT L, WANG Y, ZUFFEREY T, et al.Online ensemble approach for probabilistic wind power forecasting[J]. IEEE transactions on sustainable energy, 2022, 13(2): 1221-1233.

YU Y X, YANG M, HAN X S, et al.A regional wind power probabilistic forecast method based on deep quantile regression[J]. IEEE transactions on industry applications, 2021, 57(5): 4420-4427.

崔杨, 陈正洪, 许沛华. 基于机器学习的集群式风光一体短期功率预测技术[J]. 中国电力, 2020, 53(3): 1-7.

王钊, 王勃, 冯双磊, 等. 区域多风电场功率的分位数回归概率预测方法[J]. 电网技术, 2020, 44(4): 1368-1375.

李青, 张新燕, 摆志俊, 等. 基于MQ-WaveNet的风电集群发电功率多步概率预测[J]. 电力系统自动化, 2023, 47(8): 156-168.

YU Y X, HAN X S, YANG M, et al.Probabilistic prediction of regional wind power based on spatiotemporal quantile regression[J]. IEEE transactions on industry applications, 2020, 56(6): 6117-6127.

王涛, 李薇, 许野, 等. 计及相似日的VMD-FE-LSTM光伏出力组合预测模型研究[J]. 太阳能学报, 2024, 45(5): 490-499.

任密蜂, 王家辉, 叶泽甫, 等. 一种适用于单/多光伏电站的迁移超短期光伏预测建模框架[J]. 太阳能学报, 2024, 45(6): 359-367.

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

考虑新能源消纳的电动汽车有序充电控制策略

考虑局部条件特征的风电功率短期预测