付文龙,邵孟欣,张海荣,李琳琳,杨钰琪,韩梓航

• 1:三峡大学电气与新能源学院
• 2:中国长江电力股份有限公司
• 3:智慧长江与水电科学湖北省重点实验室

摘要(Abstract)：

为提升超短期风电功率预测的准确性，提出了一种融合气象预报与卷积简化长短期记忆网络(ConvSLSTM)的高效预测模型。首先，针对风电数据中常见的异常值问题，采用箱线图法进行异常值检测，并结合K近邻互补法对检测出的异常值进行修正，以提升数据质量与可信度。其次，为简化模型输入并增强特征相关性，利用最大信息系数(MIC)筛选出与风电功率高度相关的气象因子，如风速与轮毂高度风速。在此基础上，结合长短期记忆网络(LSTM)引入卷积运算，强化特征提取能力，并设计交叉耦合的新型门控结构与窥视孔机制，以减少网络参数，提高模型训练效率。最后，结合历史数据与数值气象预报数据，基于ConvSLSTM模型对风电功率序列进行高精度预测。试验结果表明，所提模型在多个预测步长下，相较于无预报的ConvSLSTM、预报-LSTM与预报-Transformer等模型，其平均绝对误差(MAE)分别降低了42.18%、2.26%与32.66%。基于气象预报的ConvSLSTM模型展现出更高的预测精度、更强的鲁棒性与更优的泛化能力，充分验证了其在风电功率预测任务中的显著优势，具备良好的应用前景。

关键词(KeyWords)： 卷积简化长短期记忆网络;箱线图法;K近邻互补法;数值气象预报

Abstract:

Keywords:

基金项目(Foundation): 湖北省自然科学基金(2022CFD170);; 湖北省重点研发计划项目(2022AAA007)

作者(Author): 付文龙,邵孟欣,张海荣,李琳琳,杨钰琪,韩梓航

DOI: 10.13928/j.cnki.wrahe.2025.S2.120

参考文献(References)：

• [1] 武煜昊，王永生，徐昊，等.风电输出功率预测技术研究综述[J].计算机科学与探索，2022,16(12):2653-2677.
• [2] 孙堃，赵萌萌，沈美娜，等.基于CEEMD和模糊熵的随机森林风力发电功率预测[J].智慧电力，2019,47(10):36-43.
• [3] 马志侠，张林鍹，巴音塔娜，等.基于自适应二次分解与CNN-BiLSTM的超短期风电功率预测[J].太阳能学报，2024,45(6):429-435.
• [4] 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.
• [5] 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.
• [6] 王伟胜，王铮，董存，等.中国短期风电功率预测技术现状与误差分析[J].电力系统自动化，2021,45(1):17-27.
• [7] 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.
• [8] 赵雅婷，景超，张兴忠.基于多重注意力的双通道超短期风电功率预测[J].电网技术，2023,47(7):2887-2897.
• [9] 王颉，刘兴杰，梁英，等.一种基于MGWO-Informer的超短期风电功率预测方法[J].太阳能学报，2024,45(11):477-485.
• [10] 郑颖颖，李鑫，陈延旭，等.基于Stacking多模型融合的极端天气短期风电功率预测方法[J].高电压技术，2024,50(9):3871-3882.
• [11] 吉丽萍，黄景涛，李一凡，等.一种基于多信息融合的风电功率预测特征选择方法[J].兰州理工大学学报，2024,50(5):94-100.
• [12] 施进炜，张程，原冬芸.基于数据修正的概率稀疏自注意短期风电功率预测[J].智慧电力，2023,51(10):54-61.
• [13] 付炳喆，王玮，任国瑞，等.考虑增强特征选择的深度卷积-时序网络短期风功率预测[J].动力工程学报，2024,44(10):1565-1573.
• [14] 陈元峰，马溪原，程凯，等.基于气象特征量选取与SVM模型参数优化的新能源超短期功率预测[J].太阳能学报，2023,44(12):568-576.
• [15] 朱琼锋，李家腾，乔骥，等.人工智能技术在新能源功率预测的应用及展望[J].中国电机工程学报，2023,43(8):3027-3048.
• [16] 郇政林，刘杰，徐沈智，等.面向高比例新能源接入的源-荷-储灵活性资源协调规划[J].电网与清洁能源，2022,38(7):107-117.
• [17] YANG M,GUO Y F,WANG B,et al.A day-ahead wind speed correction method:Enhancing wind speed forecasting accuracy using a strategy combining dynamic feature weighting with multi-source information and dynamic matching with improved similarity function[J].Expert Systems with Applications,2025,263:125724.
• [18] ZHU G P,JIA W Q,CHENG L F,et al.A non-stationary Transformer model for power forecasting with dynamic data distillation and wake effect correction suitable for large wind farms[J].Energy Conversion and Management,2025,324:119292.
• [19] 苏向敬，程子凡，聂良钊，等.基于AGCN-LSTM模型的海上风电场功率概率预测[J].电力系统自动化，2024,48(22):140-149.
• [20] 唐清苇，向月，代佳琨，等.基于CNN–LSTM的风电场发电功率迁移预测方法[J].工程科学与技术，2024,56(2):91-99.
• [21] 黄玲玲，石孝华，符杨，等.基于DCGCN模型的海上风电场超短期功率预测[J].电力系统自动化，2024,48(15):64-72.
• [22] 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.
• [23] LIU Y,WANG L H.Drought prediction method based on an improved CEEMDAN-QR-BL model[J].IEEE Access,2021,9:6050-6062.
• [24] WANG D M,SUN Y,XIAO J L,et al.Research on pipeline leakage signal denoising using variational mode decomposition and energy value[J].Petroleum Science and Technology,2025,43(2):202-218.
• [25] KARASU S,ALTAN A.Crude oil time series prediction model based on LSTM network with chaotic Henry gas solubility optimization[J].Energy,2022,242:122964.
• [26] ZHANG H C,PENG Z Y,TANG J J,et al.A multi-layer extreme learning machine refined by sparrow search algorithm and weighted mean filter for short-term multi-step wind speed forecasting[J].Sustainable Energy Technologies and Assessments,2022,50:101698.
• [27] NESHAT M,MAJIDI NEZHAD M,MIRJALILI S,et al.Quaternion convolutional long short-term memory neural model with an adaptive decomposition method for wind speed forecasting:North Aegean islands case studies[J].Energy Conversion and Management,2022,259:115590.
• [28] 张野，李凤婷，张高航，等.考虑风电爬坡备用需求的风电高渗透电力系统优化调度方法[J].电力系统保护与控制，2024,52(23):95-106.
• [29] 胡甲秋，唐健，卓毅鑫，等.短时强降雨天气风电场发电功率预测模型设计[J].太阳能学报，2024,45(9):543-548.
• [30] 刘长良，赵陆阳，王梓齐，等.基于时空注意力-Seq2Seq模型的多风电机组多步风速预测算法[J].太阳能学报，2023,44(8):420-429.
• [31] 赵寒亭，张耀，霍巍，等.基于纵向联邦学习的短期风电功率协同预测方法[J].电力系统自动化，2023,47(16):44-53.
• [32] 邓韦斯，车建峰，汪明清，等.基于网格型数值天气预报的风电集群日前功率预测方法[J].南方电网技术，2024,18(6):51-57.
• [33] FU W L,FU Y C,LI B L,et al.A compound framework incorporating improved outlier detection and correction,VMD,weight-based stacked generalization with enhanced DESMA for multi-step short-term wind speed forecasting[J].Applied Energy,2023,348:121587.
• [34] 钱小毅，孙天贺，姜兴宇，等.基于动态邻域指标重构的风电机组故障检测方法[J].太阳能学报，2024,45(9):557-563.
• [35] 叶林，裴铭，李卓，等.风电和光伏发电功率联合预测与预调度框架[J].高电压技术，2024,50(9):3823-3836.
• [36] 胡锐，乔加飞，李永华，等.基于WOA-VMD-SSA-LSTM的中长期风电预测[J].太阳能学报，2024,45(9):549-556.
• [37] 金阳，韩磊，金梅兵，等.基于ConvLSTM的中国东南沿海波浪智能预报和评估[J].海洋学研究，2024,42(3):88-98.