【好文推荐】基于图卷积网络和风速差分拟合的中长期风功率预测

引文信息

陈子含, 滕伟, 胥学峰, 等. 基于图卷积网络和风速差分拟合的中长期风功率预测[J]. 中国电力, 2023, 56(10): 96-105.

CHEN Zihan, TENG Wei, XU Xuefeng, et al. Medium and long term wind power prediction based on graph convolutional network and wind velocity differential fitting[J]. Electric Power, 2023, 56(10): 96-105.

摘要

为充分利用数据特征间的先验关系，提高风电场中长期发电功率预测精度，提出一种基于图卷积神经网络（GCN）、风速差分拟合（DF）、粒子群优化算法（PSO）的中长期风功率预测模型。通过分析风力发电全过程，挖掘风功率影响因素及因素间的相互关联性，搭建GCN模型，分别拟合风速和功率利用效率，进一步结合基于DF的风速-功率计算模型计算风功率，模型的损失包含功率损失、风速损失和功率利用效率损失3个部分，采用粒子群优化算法为这3部分损失确定合适的权重。2个风电场的实际算例表明，该模型未来10天风功率预测的相对均方根误差分别为11.44%和13.09%，具有较高的预测精度。

结论

本文采用GCN模型充分利用了气象数据特征间的先验关系，并采用PSO优化DF风速-功率计算模型的损失函数权重，形成了GCN_DF_PSO复合模型，经过验证，该模型在面对未来10天的风功率预测中可以有效提升预测精度，在针对2个风电场的预测实例中，10天总体的相对均方误差为11.44%和13.09%，准确率为95.04%和91.76%，预测效果好于对比的其他模型，验证了提出的方法及中长期风功率预测模型的准确性。

欢迎点击文后“阅读原文”跳转期刊官网，获取更多信息！

 往期回顾 

编辑：于静茹

策划：蒋东方

审核：方彤

声明

根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。