基于TCN-NCP-CFC神经网络的超短期风电功率预测

赵飞; 吴文标; 汪燕毅

doi:doi:10.19912/j.0254-0096.tynxb.2024-2249

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TCN-NCP-CFC神经网络的超短期风电功率预测

更新时间：2026-07-22

- 基于TCN-NCP-CFC神经网络的超短期风电功率预测
- 基于TCN-NCP-CFC神经网络的超短期风电功率预测
- 太阳能学报 2026年47卷第4期页码：376-386
- 作者机构：
- 作者简介：
- 基金信息：
- DOI：doi:10.19912/j.0254-0096.tynxb.2024-2249
  中图分类号： TM614
- 网络首发：2026-05-08，
  
  纸质出版：2026
- 稿件说明：
移动端阅览
赵飞, 吴文标, 汪燕毅. 基于TCN-NCP-CFC神经网络的超短期风电功率预测[J]. 太阳能学报, 2026,47(4):376-386.

赵飞, 吴文标, 汪燕毅. 基于TCN-NCP-CFC神经网络的超短期风电功率预测[J]. 2026, 47(4): 376-386.
赵飞, 吴文标, 汪燕毅. 基于TCN-NCP-CFC神经网络的超短期风电功率预测[J]. 太阳能学报, 2026,47(4):376-386. DOI： doi:10.19912/j.0254-0096.tynxb.2024-2249.

赵飞, 吴文标, 汪燕毅. 基于TCN-NCP-CFC神经网络的超短期风电功率预测[J]. 2026, 47(4): 376-386. DOI： doi:10.19912/j.0254-0096.tynxb.2024-2249.

摘要

针对风力发电功率的不确定性和波动性，提出一种结合时间卷积网络（TCN）、闭式连续时间网络（CFC）和神经回路策略（NCP）的超短期风电功率预测方法。首先，使用TCN对原始数据进行初步学习，提取时间序列中的关键信息；随后，将其输入NCP-CFC网络中，利用NCP独特的分层类脑递归连接结构及CFC高效的求解机制和防梯度消失特性进行预测；最后，通过全连接层调整输出范围和维度，获得最终预测结果。通过模型结构的消融实验以及与RNN类模型的对比实验验证各模块的必要性。通过两组算例分析（内蒙古某风电场的算例：MSE=25.70 MW2、RMSE=5.07 MW、MAE=3.92 MW、SMAPE=32.51%、R2=0.92；开源算例：MSE=27.38 MW2、RMSE=5.23 MW、MAE=3.71 MW、SMAPE=38.52%、R2=0.84），验证了所提模型在超短期风电功率预测中的有效性。

Abstract

To address the uncertainties and fluctuations associated with wind power generation

an ultra-short-term wind power forecasting method integrating temporal convolutional networks （TCN）

closed-form continuous-time networks （CFC）

and neural circuit policies （NCP） is proposed. Initially

TCN is utilized to conduct preliminary learning from raw data

extracting crucial information from the time series. Subsequently

the processed data is fed into the NCP-CFC network

which leverages the unique hierarchical brain-like recursive connections of NCP and the efficient solving mechanism and anti-gradient vanishing properties of CFC for forecasting. Finally

a fully connected layer adjusts the output range and dimensions to produce the final forecast. The necessity of each module is validated through ablation studies and comparative experiments with RNN-based models. Two case studies are conducted to demonstrate the effectiveness of the proposed model in ultra-short-term wind power forecasting： one involving a wind farm in Inner Mongolia （MSE=25.70 MW

RMSE=5.07 MW

MAE=3.92 MW

SMAPE=32.51%

=0.92） and another using open-source data （MSE=27.38 MW

RMSE=5.23 MW

MAE=3.71 MW

SMAPE=38.52%

=0.84）.

关键词

Keywords

references

国家能源局. 国家能源局发布2024年1-8月份全国电力工业统计数据[J]. 电力勘测设计, 2024(9): 39.

乔颖, 鲁宗相, 闵勇. 提高风电功率预测精度的方法[J]. 电网技术, 2017, 41(10): 3261-3269.

HANIFI S, LIU X L, LIN Z, et al.A critical review of wind power forecasting methods: past, present and future[J]. Energies, 2020, 13(15): 3764.

兰昆, 吴战波, 赵泽妮, 等. 基于多因子的太阳辐照度预测方法研究进展[J]. 太阳能学报, 2024, 45(5): 593-601.

贾凌云, 云斯宁, 赵泽妮, 等. 神经网络短期光伏发电预测的应用研究进展[J]. 太阳能学报, 2022, 43(12): 88-97.

赵泽妮, 云斯宁, 贾凌云, 等. 基于统计模型的短期风能预测方法研究进展[J]. 太阳能学报, 2022, 43(11): 224-234.

向玲, 刘佳宁, 苏浩, 等. 基于CEEMDAN二次分解和LSTM的风速多步预测研究[J]. 太阳能学报, 2022, 43(8): 334-339.

傅质馨, 王宝池, 刘皓明, 等. 基于风速-功率组合分解重构的海上风电功率预测[J]. 太阳能学报, 2024, 45(11): 418-426.

时培明, 郭轩宇, 杜清灿, 等. 基于TCN-BiLSTM-Attention-ESN的光伏功率预测[J]. 太阳能学报, 2024, 45(9): 304-316.

符杨, 任子旭, 魏书荣, 等. 基于改进LSTM-TCN模型的海上风电超短期功率预测[J]. 中国电机工程学报, 2022, 42(12): 4292-4302.

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.

钟吴君, 李培强, 涂春鸣. 基于尾流关联的动态超图风电功率超短期预测方法[J]. 中国电机工程学报, 2025, 45(12): 4693-4706.

HASANI R, LECHNER M, AMINI A, et al.Liquid time-constant networks[J]. Proceedings of the AAAI conference on artificial intelligence, 2021, 35(9): 7657-7666.

HASANI R, LECHNER M, AMINI A, et al.Closed-form continuous-time neural networks[J]. Nature machine intelligence, 2022, 4(11): 992-1003.

LECHNER M, HASANI R, AMINI A, et al.Neural circuit policies enabling auditable autonomy[J]. Nature machine intelligence, 2020, 2(10): 642-652.

李林艳, 毕贵红, 孔凡文, 等. 计及相似日和时间相关性的深度学习短期电力负荷预测[J]. 电力科学与工程, 2025, 41(1): 41-52.

BARTLETT P L, MONTANARI A, RAKHLIN A.Deep learning: a statistical viewpoint[J]. Acta numerica, 2021, 30: 87-201.

姚琦, 柳玉, 白恺, 等. 风电场功率预测水平的多指标综合评价方法研究[J]. 太阳能学报, 2019, 40(2): 333-340.

DING Y.Data science for wind energy[M]. Boca Raton, FL: Chapman and hall/CRC, 2019.

ZHAO Z N, YUN S N, JIA L Y, et al.Hybrid VMD-CNN-GRU-based model for short-term forecasting of wind power considering spatio-temporal features[J]. Engineering applications of artificial intelligence, 2023, 121: 105982.

JIA L Y, YUN S N, ZHAO Z N, et al.Improving short-term forecasting of solar power generation by using an EEMD-BiGRU model: a comparative study based on seven standalone models and six hybrid models[J]. International journal of green energy, 2024, 21(14): 3135-3158.

MENG Y, YUN S N, ZHAO Z N, et al.Short-term electricity load forecasting based on a novel data preprocessing system and data reconstruction strategy[J]. Journal of building engineering, 2023, 77: 107432.

GUO J X, YUN S N, MENG Y, et al.Prediction of heating and cooling loads based on light gradient boosting machine algorithms[J]. Building and environment, 2023, 236: 110252.

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TCN-BiLSTM-Attention-ESN的光伏功率预测

基于信息熵聚类分解和CTA-BiLSTM的超短期风电功率预测

基于多元气象信息和改进组合神经网络的分布式光伏短期功率预测模型

计及尾流效应的海上风电场超短期功率预测

基于CPO-VMD-FE改进功率序列及NRBO优化时序预测模型的风电功率短期预测