[1]吴平雄,肖迎群,张 苏,等.基于组合数据清洗与 NL-ConvLSTM 模型的多步风电功率预测[J].机械与电子,2023,41(01):13-19.
　WU Pingxiong,XIAO Yingqun,ZHANG Su,et al.Multi-step Wind Power Prediction Based on Combined Data Cleaning and NL-ConvLSTM Model[J].Machinery & Electronics,2023,41(01):13-19.
点击复制

基于组合数据清洗与 NL-ConvLSTM 模型的多步风电功率预测()
分享到：

《机械与电子》[ISSN:1001-2257/CN:52-1052/TH]

卷:
41
期数:
2023年01期
页码:
13-19
栏目:
设计与研究
出版日期:
2023-01-25

文章信息/Info

Title:
Multi-step Wind Power Prediction Based on Combined Data Cleaning and NL-ConvLSTM Model
文章编号:
1001-2257 ( 2023 ) 01-0013-07
作者:
吴平雄 1 ; 肖迎群 2 ; 张 苏 2 ; 林兴宇 1
1. 贵州大学电气工程学院,贵州 贵阳 550025 ; 2. 贵州理工学院大数据学院,贵州 贵阳 550003
Author(s):
WU Pingxiong1 ;  XIAO Yingqun2 ;  ZHANG Su2 ;  LIN Xingyu1
( 1.School of Electrical Engineering , Guizhou University , Guiyang 550025 , China ; 2.School of Big Data , Guizhou Institute of Technology , Guiyang 550003 , China)
关键词:
多步预测; 风电功率预测; ConvLSTM ; 数据清洗; 非局部操作
Keywords:
multi-step prediction ;  wind power prediction ;  ConvLSTM ;  data cleaning ;  non-local operation
分类号:
TM614
文献标志码:
A
摘要:
针对风电数据在采集与传输过程中会产生大量缺失值和异常值,采用 DBSCAN 算法和最优组内差分法( OIV )组合筛删异常值,随机森林( RF )算法填补缺失值,提升数据准确性;并建立基于以 ConvLSTM 为单元的编码 预测( EF )网络的风电多气象输入多步预测模型,为了更好利用气象特征信息,在 ConvLSTM 模型的输入侧添加具有自注意力机制的非局部( NL )模块增强数据特征表现,从而搭建组合数据清洗方法的 NL-ConvLSTM 多步风电功率预测模型。实验结果表明,该方法能够进一步提高风电功率多步预测精度和稳定性。
Abstract:
Considering that a large number of missing values and outliers will be generated during the collection and transmission of wind power data , DBSCAN algorithm and optimal interclass variance( OIV ) method are used to filter out outliers , and random forest algorithm is used to fill in the missing data to improve the accuracy of the data.The encoding-forecasting network based on ConvLSTM cell is a multi step forecast model for wind power with multi-meteorological input.In order to make better use of meteorological feature information , a non-local module with self-attention mechanism is added to the input side of the encoding-forecasting network to enhance the representation of data features , so as to build the NL-ConvLSTM multi-step wind power prediction model , a combining data cleaning method.The experimental results show that this method can further improve the accuracy and stability of multi-step forecasting of wind power.

参考文献/References:

[ 1 ] 苏向敬,周汶鑫,李超杰,等 . 基于双重注意力 LSTM神经网络的可解释海上风电出力预测[ J ] . 电力系统自动化,2022 , 46 ( 7 ): 141-151.

[ 2 ] 孙荣富,张涛,和青,等 . 风电功率预测关键技术及应用综述[ J ] . 高电压技术, 2021 , 47 ( 4 ): 1129-1143.
[ 3 ] 李青,张新燕,马天娇,等 . 基于 ECBO-VMDWKELM 的风电功率超短期多步预测[ J ] . 电网技术,2021 , 45 ( 8 ): 30703080.
[ 4 ] 彭小圣,熊磊,文劲宇,等 . 风电集群短期及超短期功率预测精度改进方法综述[ J ] . 中国电机工程学报, 2016 ,36 ( 23 ): 6315-6326 , 6596.
[ 5 ] 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.
[ 6 ] 韩自奋,景乾明,张彦凯,等 . 风电预测方法与新趋势综述[ J ] . 电力系统保护与控制, 2019 , 47 ( 24 ): 178-187.
[ 7 ] 康宏伟,李强,于硕,等 . 基于 SA-PSO-BP 神经网络算法的超短期风电出力预测[ J ] . 内蒙古电力技术,2020 , 38 ( 6 ): 64-68.
[ 8 ] ZHANG Y , WANG P , NI T , et al.Wind power prediction based on LS-SVM model with error correction[ J ] .Advances in electrical and computer engineering , 2017 , 17 ( 1 ): 3-8.
[ 9 ] 武煜昊,王永生,徐昊,等 . 风电输出功率预测技术研究综述[ J / OL ] . 计算机科学与探索, 2022 : 1 28 [ 2022-08-14 ] .http :// kns.cnki.net / kcms / detail / 11.5602.TP.20220811.1134.002.html.
[ 10 ] 郑玉巧,刘玉涵,何正文,等 . 基于 QM-DBSCAN 的风力机数据清洗方法[ J ] . 兰州理工大学学报, 2021 ,47 ( 6 ): 50-55.
[ 11 ] 程亮 . 基于随机森林的基坑监测数据填补对比研究[ J ] . 城市地质, 2021 , 16 ( 4 ): 466-473.
[ 12 ] HU S , XIANG Y , ZHANG H C , et al.Hybrid forecasting method for wind power integrating spatial correlation and corrected numerical weather prediction [ J ] .Applied energy , 2021 , 293 : 116951.
[ 13 ] 贾睿,杨国华,郑豪丰,等 . 基于自适应权重的 CNN-LSTM 和 GRU 组合风电功率预测方法[ J ] . 中国电力,2022 , 55 ( 5 ): 47-56 , 110.
[ 14 ] 王雅兰,田野,杨丽华 . 基于 DA-CNNGRU 混合神经网络的超短期风电场功率预测方法[ J ] . 湖北电力,2021 , 45 ( 3 ): 23-28.
[ 15 ] 雷萌,郭鹏,刘博嵩 . 基于自适应 DBSCAN 算法的风电机组异常数据识别研究[ J ] . 动力工程学报, 2021 ,41 ( 10 ): 859-865.
[ 16 ] 娄建楼,胥佳,陆恒,等 . 基于功率曲线的风电机组数据清洗算法[ J ] . 电力系统自动化, 2016 , 40 ( 10 ): 116-121.
[ 17 ] 孙泽贤,孙鹤旭 . 计及误差反馈的短期风电功率预测[ J ] . 太阳能学报, 2020 , 41 ( 8 ): 281-287.
[ 18 ] WANG X L , GIRSHICK R , GUPTA A , et al.Non local neural networks [ C ]// 2018 IEEE / CVF Conference on Computer Vision and Pattern Recognition , 2018 : 7794-7803.
[ 19 ] SHI X J , CHEN Z R , WANG H , et al.Convolutional LSTM network : a machine learning approach for precipitation nowcasting [ C ]// 28th International Conference on Neural Information Processing Systems , 2015 : 802-810.
[ 20 ] 王敏 . 风电机组运行数据中异常值识别方法的研究[ D ] . 兰州:兰州理工大学,2019.
[ 21 ] 王新,王政霞 . 基于改进 bin 算法的风电机组风速功率数据清洗[ J ] . 智能科学与技术学报, 2020 , 2 ( 1 ): 62-71.
[ 22 ] 吴布托 . 风电机组运行数据中异常值的检测方法[ D ] . 兰州:兰州理工大学,2017.
[ 23 ] 武佳卉,邵振国,杨少华,等 . 数据清洗在新能源功率预测中的研究综述和展望[ J ] . 电 气 技 术, 2020 ,21( 11 ): 1-6.

相似文献/References:

[1]王腾洲,李森文,黄宇轩,等.基于 IWOA-SVM 的风电功率预测[J].机械与电子,2022,(05):9.
　WANG Tengzhou,LI Senwen,HUANG Yuxuan,et al.Wind Power Forecast Based on IWOA-SVM[J].Machinery & Electronics,2022,(01):9.

备注/Memo

备注/Memo:
收稿日期: 2022-09-08
作者简介:吴平雄 ( 1997- ),男,福建福州人,硕士研究生,研究方向为风电功率预测;肖迎群 ( 1975- ),男,湖南邵阳人,博士,副教授,研究方向为高维数据分析、机器学习。
更新日期/Last Update: 2023-02-28