南方电网技术

Southern Power System Technology

ISSN 1674-0629,CN 44-1643/TK

《南方电网技术》网络首发论文

题目： 考虑预测误差时空相依性的短期风电功率概率预测
作者： 胡文慧，苏欣，姜林，郭长星，杨茂
收稿日期： 2022-08-15
网络首发日期： 2023-02-20
引用格式： 胡文慧，苏欣，姜林，郭长星，杨茂．考虑预测误差时空相依性的短期风电
功率概率预测[J/OL]．南方电网技术.
https://kns.cnki.net/kcms/detail//44.1643.TK.20230219.1846.010.html

网络首发：在编辑部工作流程中，稿件从录用到出版要经历录用定稿、排版定稿、整期汇编定稿等阶
段。录用定稿指内容已经确定，且通过同行评议、主编终审同意刊用的稿件。排版定稿指录用定稿按照期
刊特定版式（包括网络呈现版式）排版后的稿件，可暂不确定出版年、卷、期和页码。整期汇编定稿指出
版年、卷、期、页码均已确定的印刷或数字出版的整期汇编稿件。录用定稿网络首发稿件内容必须符合《出
版管理条例》和《期刊出版管理规定》的有关规定；学术研究成果具有创新性、科学性和先进性，符合编
辑部对刊文的录用要求，不存在学术不端行为及其他侵权行为；稿件内容应基本符合国家有关书刊编辑、
出版的技术标准，正确使用和统一规范语言文字、符号、数字、外文字母、法定计量单位及地图标注等。
为确保录用定稿网络首发的严肃性，录用定稿一经发布，不得修改论文题目、作者、机构名称和学术内容，
只可基于编辑规范进行少量文字的修改。
出版确认：纸质期刊编辑部通过与《中国学术期刊（光盘版）》电子杂志社有限公司签约，在《中国
学术期刊（网络版）》出版传播平台上创办与纸质期刊内容一致的网络版，以单篇或整期出版形式，在印刷
出版之前刊发论文的录用定稿、排版定稿、整期汇编定稿。因为《中国学术期刊（网络版）》是国家新闻出
版广电总局批准的网络连续型出版物（ISSN 2096-4188，CN 11-6037/Z），所以签约期刊的网络版上网络首
发论文视为正式出版。
网络首发时间：2023-02-20 15:42:46
网络首发地址：https://kns.cnki.net/kcms/detail//44.1643.TK.20230219.1846.010.html

南方电网技术
第 17 卷，2023 年 SOUTHERN POWER SYSTEM TECHNOLOGY

中图分类号：TM614 文献标志码：A

考虑预测误差时空相依性的短期风电功率概率预测
胡文慧 1，苏欣 1，姜林 2，郭长星 3，杨茂 1
（1. 现代电力系统仿真控制与绿色电能新技术教育部重点实验室（东北电力大学），吉林 吉林 132012；2. 长春华信电
力成套设备有限公司，吉林 长春 130033；3. 国网吉林省电力有限公司松原市城郊供电分公司，吉林 松原 138001）

摘要：由于风电功率点预测误差无法避免，概率预测可以充分描述风电功率的不确定性，进而对调度部门的决策提供进
一步指导。当前的风电功率概率预测方法对其物理变化过程挖掘仍不完整。通过挖掘历史风电功率数据和数值天气预报
(numerical weather prediction,NWP)的时空特性，构建了一种考虑误差时空相依性的短期风电概率预测新框架。首先通过
门控循环单元(gated recurrent unit, GRU)得到点预测结果；进而，引入多位置 NWP，提出了一种考虑时空相依特性的多
层次误差场景划分方法；最后，利用 Bootstrap 抽样法重构形成新的适应建模的误差样本集，进行了不同置信水平下的
短期风电功率概率预测。由此得出，在考虑时空相依性的概率预测下，整体框架的效果在中国东北某风电场被验证，对
比相同置信水平下，预测精度得到有效明显提高，且评价指标预测区间覆盖率提高 0.53%、0.44%、0.32%，预测区间平
均带宽缩小 2.40%、2.14%，0.06%，证实了本文提出方法的有效性和可行性。
关键词：时空相依性；风电功率短期概率预测；层次聚类；门控循环单元；Bootstrap 抽样法

Probabilistic Prediction of Short-Term Wind Power Considering the Temporal

and Spatial Dependence of Prediction Errors
HU Wenhui1, SU Xin1, JIANG Lin2, GUO Changxing3, YANG Mao1
(1. Key Laboratory of Modern Power System Simulation and Control & Renewable Energy Technology, Ministry of Education
(Northeast Electric Power University), Jilin, Jilin 132012, China, 2. Changchun Huaxin Power COMPLETE PLANT Co., Ltd.,
Changchun, Jilin 130033, China, 3. Jilin Agricultural Power Co., Ltd., Songyuan, Jilin 138001, China.)

Abstract: Since wind power point forecast errors are unavoidable, probabilistic forecasts can fully describe the uncertainty of wind
power, and then provide further guidance for the dispatching department's decision-making. The current wind power probabilistic
prediction methods are still incomplete in mining its physical change process. Therefore, this paper constructs a new short-term wind
power probabilistic prediction framework that considers the spatiotemporal dependence of errors by mining the spatiotemporal
characteristics of historical wind power data and numerical weather prediction (NWP). Firstly, the point prediction results are
obtained through the gated recurrent unit (GRU); then, a multi-position NWP is introduced, and a multi-level error scene division
method considering the characteristics of space-time dependence is proposed; finally, the Bootstrap sampling method is used to
reconstruct the error to form a new adaptive modeling A sample set of short-term wind power probabilistic prediction at different
confidence levels is carried out. The experimental results show that the effect of the overall framework has been verified in a wind
farm in Northeast China under the probabilistic prediction considering the spatial and temporal dependencies. Compared with the
same confidence level, the prediction accuracy is effectively and significantly improved, and the evaluation index PICP is improved
by 0.53% and 0.44%, 0.32%, PINAW shrinks by 2.40%, 2.14%, 0.06%, which proves the feasibility and effectiveness of the proposed
method.
Key words: spatiotemporal dependence; short term probability prediction of wind power; hierarchical clustering; gated recurrent unit;
Bootstrap sampling 

基金项目：国家重点研发计划“大规模风电/光伏多时间尺度供电能力预测技术”(2022YFB2403000)。
Foundation item: Supported by the National Key Research and Development Program of China (2022YFB2403000).

1
2 南方电网技术 第 17 卷

0 引言 容易影响预测结果[21]；而核函数和带宽[22]的选取在
一定程度上会影响到核密度估计的性能[22]，同时还
当今全球化石能源日益减少，发展新能源成为
需要大量的数据做支撑。Bootstrap 抽样对变量的分
必要举措，风能和太阳能在新能源绿色可持续发展
布没有要求，能够使得与复杂统计量的推断更加便
方面中起着不可替代的作用[1]。传统风电功率预测
捷。考虑时空相依特性时必须进行样本分离，但是
的统计方法一般考虑历史统计信息的时间序列[2]、
考虑到非参数化建模时不再需要大量的样本[24]。
NWP 以及二者的结合预测方法，取得较好的预测效
本文针对上述问题，提出了一种计及时空相依
果，其中点预测是定性预测方法，确定性的点预测
特性且更适宜建模的概率预测总体框架，首先分析
无法准确地预测出未来时段的功率以及对系统的安
风电功率预测的误差特性，提出同时考虑时序性以
全稳定运行带来的风险。针对风电并网对系统带来
及空间性的样本分离的方法；其次，采用多位置
的潜在风险隐患，概率预测克服了点预测的局限性，
NWP 的随机森林（random forest，RF）加权提取特
能够提前预测这种影响，概率预测可以较好地填充
征作为空间上的输入特征，并引入相关性检验后的
点预测在不确定性预测误差中的空白。本文短期概
若干维度的功率值作为时序上的输入特征，计及风
率预测主要是针对次日 24 h 风电功率的累积分布函
速误差的多时空尺度分布关联性及差异性进行误差
数或概率密度函数。
场景建模；接着，基于 GRU 点预测模型建立风速-
大规模风电并网给系统带来诸多不利影响，文
功率预测误差的联合概率密度分布函数；再利用
献[1]指出提高风电功率预测精度能够有效减少这
Bootstrap 方法重构误差样本集，形成不同置信度下
种出力不确定性带来的影响，提高电力系统运行的
的概率区间；最后，通过中国东北某风电场的实测
稳定性[4]以及保证系统的安全[5]。现针对不确定性预
数据对本文所提出的整体概率预测框架进行验证。
测的研究中大多为整体性的建模与误差分析[5]，以
此来分析风电不确定性出力对系统调度造成的潜在 1 风电功率预测误差特性
[7]
影响 。
1.1 误差多时空分布特性
概率预测是风电功率预测中较为常用的不确定
点预测误差的典型特征表现为时序依赖特性和
性预测方法[8]。在综合考虑风资源的条件下进行概
空间独立特性，需要在对误差进行样本分离后得到
率预测，可以更准确地对系统消纳风电的水平进行
的样本子集上构建概率密度函数。按照时间连续性
评估[9]。文献[10]提出了一种包含风电功率概率预测
抽取样本主要是考虑到时序依赖特性，而考虑空间
和点预测的误差分析方法，利用预测误差分布特性
相依性时则恰好相反，则需要以空间分布特征为标
估计方法对各功率区间内的预测误差进行分析[11]。
准来提取样本。历史数据的变化过程影响风电功率
风电功率存在空间关联性[12]和时间持续性[13]，
的非平稳性，主要表现为风电功率短期预测误差分
考虑时空相依特性[14]，由于参考信息的维度增加，
布在不同样本子集的差异性。
因而预测精度得到提升。文献[15]对时序预测误差
风电功率概率预测的传统方法多数考虑预测模
进行拟合，但是仅考虑时序会产生由于样本量较少
型的准确性作为预测误差分布的主要影响因素，而
而过拟合的问题。参数化方法(高斯分布、柯西分布、
并未考虑预测误差还受到时序以及气象因素的影
拉普拉斯分布)和非参数化方法(模糊逻辑回归、神
响。本文得到不同风速-风电功率预测误差联合概率
经网络、K 最近邻方法[16])是实现概率预测的主要方
密度分布模型能描述各类风速-功率预测误差的分
法[17]。文献[18]中提出利用优化参数后的非标准分
布差异，并根据概率预测误差时序分布特点来改善
布来拟合功率预测误差，这为运行人员的决策提供
模型的预测性能。其中联合概率分布情况如图 1 所
了依据，风电功率的波动性使得预测误差在实际中
示。图中 y 轴为相对误差百分比，可以看到，不同
并不能完全符合其中一种分布。非参数化拟合实质
的 NWP 风速对应的预测功率误差的分布存在显著
上无需假设先验模型，是基于数据结构来推测被测
差异，而这种差异性主要是 NWP 在不同风速段预
样本的回归曲线，如分位点回归法[19]能更全面地描
报误差存在差异性所导致。
述变量间的分布特征影响[20]，但分位数交叉的现象

2
 胡文惠，等：考虑预测误差时空相依性的短期风电功率概率预测 3

距离公式， X   x1 , x2 , xn  和 Y   y1 , y2 , yn  对
T T

图 1 预测误差联合概率分布图
Fig. 1 Joint probability distribution of prediction error
1.2 计及时空相依性的误差场景划分方法
凝聚和分裂作为层次聚类的两种主要方式，在
本质上并没有好坏之分，但在分析实际问题时需要
依据数据特征来选择所需方法。由于层次聚类能够
[25]
获得完整且多层级的聚类树
这种“自底向上”的凝聚聚类方法进行样本聚类，
这种聚类方法具有对距离度量标准的选择并不敏感
的优点，层次聚类受输入样本顺序的影响不大，尤
其对数据量不大的样本聚类结果较为准确。层次聚
类法对样本数据进行聚类的具体流程如图 2 所示。
应两个不同样本。
3)比较加权距离指标的大小，通过得到的 DE 最
优值，将相似度最高的两类样本凝聚作为一个新的
集合。
4)重复以上步骤 2 和步骤 3，当最终类别个数
为 1 时，聚类停止。
2 预测模型
2.1 风电功率点预测
作为近年来最成功的机器学习技术之一的深度
学习，具有较高的学习性。其所包含的循环神经网
，所以本文主要使用 络(recurrent neural network,RNN)能够很好的求解序
列问题，而长短期记忆网络(long short-term memory,
LSTM)和 GRU 作为 RNN 两种常见的改进模型，具
有相似的单元内的数据流[26]，它们都属于门控循环
神经网络，而 GRU 是 LSTM 改动后的形式[27]。GRU
中的更新门由 LSTM 中的遗忘门所替换，简化了模
型架构，可以在减少了计算量和测试时间的同时保
证模型预测精度[28]，图 3 显示了 GPU 内部结构。
1

- +
+- h t 
-+

u t 

r t 
 
h  t  1 GRU内部运算结构

x t 

图 2 层次聚类法流程图 图 3 GRU 内部结构

Fig. 2 Flow chart of hierarchical clustering method Fig. 3 Internal structure of GRU
1)通过 RF 加权特征提取来分配权重处理多个 2.2 考虑预测误差时空相依性的短期风电功率概
位置 NWP 的信息，并将自相关和偏相关检验的功 率预测
率值作为输入，构造样本特征矩阵，根据单独指标 传统基于连续分布函数的分位数回归方法由于
聚类时的聚类结果分配加权聚类指标权重，进行组 拟合所得的概率密度函数是非连续的，所以本文不
合权重的层次聚类。 予采用。而对于累计函数在（0，1）上的均匀分布，
2)对输入样本 X 和样本 Y，通过加权聚类指标 引入 Bootstrap 方法可以增加样本的多样性 [30] ，
计算得到样本之间的加权距离，如式(1)所示。 Bootstrap 抽样对变量的分布没有要求，能够使得与
DE  X , Y   SQRT{A  F  X , Y   B  G  X , Y   复杂统计量的推断更加便捷。本文采用 Bootstrap 抽
(1)
样的方法来采样，为获得功率不确定性的波动区间，
C  H  X , Y }
通过给定的置信度来进行求解。采用 Bootstrap 抽样
式 中 : A、B、C 分 别 为 单 一 指 标 的 权 重 ；
的预测流程如图 4 所示。
F  X , Y  , G  X , Y  , H  X , Y  分别为单一指标的聚类
4 南方电网技术 第 17 卷

开始 为风电功率的实际值； p̂i 为风电功率的预测值；

数据预处理 PCAP 为风力发电站的总装机容量。
GRU点预测 平均绝对误差（mean absolute error, MAE）能
历史时段
RF加权处理后的 够很好反映预测值与真值之间差值情况，从而能够
多位置NWP特征
时间依赖性
层次聚类对预
测误差分类
时空相依性 准确反映出点预测误差在预测区间上的均值情况。
对应时刻相关性 空间独立性
检验后的功率值
不同风资源类型下的概
均方根误差(root mean squareerror,RMSE)，表示预测
率密度分布统计
值和真值误差平方和的均值，其越小表示预测效果
待预测时段
越好。
RF加权处理后的
多位置NWP特征 1 N
 pi  pˆ i
对相应的区间概率
密度分布进行 EMAE  (3)
对应时刻相关性 Bootstrap抽样 N i 1
检验后的功率值
根据不同的置信区间计 2
 pi  pˆ i 
1 N


算概率预测结果
ERMSE    (4)
i 1  pCAP 
N
结束

2.3.2 区间预测的评价指标
图 4 基于 Bootstrap 抽样的风电功率短期预测流程图
针对于短期风电功率区间预测的结果，选取区
Fig. 4 Short term prediction process of wind power based on
间覆盖率、区间平均带宽两个指标进行评价。
Bootstrap sampling
首先对风电场数据进行预处理，并根据历史时 预 测 区 间 覆 盖 率 (pi coverage probablity,
段数据的 GRU 模型进行点预测误差，考虑时间依 PICP)，作为评估预测模型可靠性的依据，主要反
赖性和空间独立性及历史时段通过 RF 加权处理后 映了实际功率落在预测波动区间内的概率。
的多个位置 NWP 特征，并将对应时刻相关性检验 平均覆盖误差 (average coverage error,ACE) 为
后的若干维度功率值的层次聚类对预测误差分类。 PICP 与置信度α之差，ACE 与 PINAW 共同组成评
然后对不同风资源类型下的概率密度分布，通过提 价体系，当 ACE 相同的情况下，PINAW 越小表明
供待预测时刻的通过 RF 加权处理后的多个位置 预测结果的清晰度更好。
NWP 特征以及对应时刻相关性检验后的若干维度 1 Nt 
RPICP   ki  (5)
功率值，并利用历史时刻的概率密度分布统计，来 N i 1
匹配不同风资源下的误差累计概率密度分布，并对 EACE   RPICP     100%
(6)
累计概率密度的大小进行 Bootstrap 抽样。最后根据 式中： N 为预测区间内预测点数量；  为给定的置
提供相应的置信区间，如 85%，可以根据所得误差 信度； k 为布尔量，当 k  1 时，表明实际功率落入
序列分布得到该时刻概率与预测结果。 预测区间内， k  0 时，实际功率落入预测区间外。
2.3 评价指标 预测区间平均带宽（pi normalized averaged
2.3.1 点预测的评价指标 width,PINAW），它反映预测上下限间宽度的均值，
本文针对短期风电功率点预测结果，主要选取 并作为评估预测模型清晰度的主要依据。
准确率以及平均绝对误差这两个指标来对预测结果 1 Mt
进行评价。
WPINAW   U t  xi   Lt  xi 
M t R i 1  (7)
准确率（accurary rate, AR）作为评估预测模型
式中：M 为预测功率的变化区间；R 为用于归一化
结果与真实值差异性的依据，数值越接近于 1 说明
的目标值范围；如果预测结果的 RPICP 值相同，当
分类结果越准确。
WPINAW 值越小，预测效果越好，反之越差。
1 N
  pi  pˆ i 
N i 1
(2) 3 算例分析
RAR  1 
PCAP
本文使用中国东北某总装机容量为 400.5 MW
式中： RAR 为准确率； N 为测试集样本总数量； pi 的风电场时运数据，将 2017 年和 2018 年的实测数
 胡文惠，等：考虑预测误差时空相依性的短期风电功率概率预测 5

据进行算例分析，选取时间分辨率为 15 min 的实测 较高的情况下，ELM 等模型会产生剧烈性的大波动

数据和 NWP 数据。其中选取风电场两年内，每个 误差，这极不利于后续的概率预测，影响预测效果。
季节前两个月的数据作为训练集，前一年每个季节 精准的点预测为提高区间预测的效果提供良好基
最后一月的预测误差，作为点预测统计数据。短期 础。
风电功率区间预测采用后一年每个季节最后一个月
表1 4 个季节预测结果对比
的数据。 Tab. 1 Comparison of prediction results for four seasons
点预测的精度不仅与网络模型有关，还深受网 季 本文方法 不考虑时空相依
模型 RAR/ EMAE/ ERMSE/ RAR/ EMAE/ ERMSE/
络输入的影响。NWP 信息多样，包含各不同高度的 节
% % % % % %
风速、风向、气压和温度等，本文采用多位置 NWP 春
ELM 86.14 15.56 18.67 84.56 17.43 20.66
LSTM 85.27 16.05 19.33 83.15 17.15 20.55
的 RF 加权提取特征作为空间上的输入特征，并引 季
GRU 87.49 13.21 15.46 85.32 14.36 17.05
入相关性检验后的若干维度的功率值作为 GRU 模 ELM 87.68 13.26 15.51 85.1 15.11 17.51
夏
型的功率输入。 LSTM 86.21 14.45 17.03 84.52 15.98 18.59
季
GRU 87.99 13.02 15.09 85.64 14.55 17.63
3.1 点预测结果 ELM 84.22 14.35 17.34 82.33 15.99 18.64
秋
基于本文所提方法以及不考虑时空相依的方法 LSTM 84.78 14.63 17.55 82.54 16.01 18.68
季
GRU 86.77 13.24 15.24 84.43 14.65 16.97
所得到的各模型预测结果评价指标如表 1 所示。考
ELM 83.78 16.33 18.89 81.66 17.83 20.15
虑时空相依时，ELM 和 LSTM 模型在不同季节下的 冬
LSTM 84.14 17.08 19.91 82.37 19.31 20.88
季
预测效果不稳定，在春季，ELM 的准确率要高于 GRU 84.81 15.92 18.36 81.69 16.96 19.59

LSTM，同比高 0.87%；在秋季，LSTM 的准确率要

高于 ELM，同比高 0.56%。GRU 模型在不同季节的
点预测准确率均高于两个对比模型，相比 ELM 和
LSTM 模型，春季的短期准确率分别高 1.35%和
2.22%；秋季的短期准确率分别高 2.55%和 1.99%。
并且本文采用方法所产生的预测误差均小于其他两
种对比方法，如夏季本文所采用的 GRU 预测方法 （a）春季
比 ELM 和 LSTM 所产生的 MAE 分别下降了 0.24%
和 1.43%，RMSE 分别下降了 0.42%和 1.94%；冬季
MAE 分别下降了 0.41%和 1.16%，RMSE 分别下降
了 0.53%和 1.55%。相对来说不考虑时空相依的情
况下，各模型的 AR 平均降低 2.16%，MAE 平均上
升 1.52%，RMSE 平均上升 1.54%，本文考虑时空
相依的方法能显著提升点预测效果。综合以上，本
（b）夏季
文采用的 GRU 模型有效避免季节因素和风电场出
力水平带给点预测的影响，使得预测效果更为准确
且稳定。图 5 为 4 个季节某一天的点预测效果对比
图。如图 5 所示，本文方法的功率预测值曲线与实
际功率曲线吻合较好，GRU 模型能够有效捕捉一些
范围性的升降趋势，做到全局性的跟踪，其他两种
模型无法感知，只能通过平滑的方式完成范围性过
度。在功率变化较小的区间，GRU 模型仍能做到预 （c）秋季

测曲线与实际值最为贴合，其他两种模型多为较高
或低于实际值曲线，虽能做到贴合变化趋势，却无
法做到数值上的接近。在秋季风电场整体出力水平
6 南方电网技术 第 17 卷

（d）冬季
（d）冬季
图5 4 个季节的预测效果对比图
Fig. 5 Comparison chart of prediction effect of four seasons. 图6 4 个季节某 3 天的预测效果图
Fig. 6 Prediction effect chart of three days in four seasons
3.2 区间预测结果
图 6 为 4 个季节某 3 d 的区间预测效果图。如 为更明显体现本文模型的优越性能，选择应用
图 6 所示，在给定的置信水平下，所提模型能够精 广泛的分位数回归法、核密度估计法作为对比模型，
准追踪风电功率功率变化趋势。在相同的置信区间 计算各模型的区间预测评估指标，结果如表 2 所示。
内，本文所提方法的 PICP 有所增加，PINAW 有所 表 2 各模型区间预测评价指标对比
减小，做到两个指标的同时改善，为系统的可靠运 Tab. 2 Comparison of prediction evaluation indicator of each model

行提供更加精准的预测信息。 置信水平/% RPICP/% RPINAW/% EACE/%

85 83.31 31.26 -1.69

分位数
90 87.24 33.57 -2.76
回归
95 94.31 35.38 -0.69

85 83.38 30.23 -1.62

核密度估计 90 89.25 32.67 -0.75

95 94.24 34.02 -0.76

85 84.45 27.48 -0.55

Bootstrap 重采
（a）春季 90 90.17 29.54 0.17
样（本文方法）
95 95.07 33.87 0.07

85 83.92 29.88 -1.08

Bootstrap 重采
样（输入单位 90 89.73 31.68 -0.27
置 NWP）
95 94.75 33.93 -0.25

由表 2 可以看出，与其他模型相比，本文方法
在 85%的置信水平下相比分位数回归法 PICP 提高
了 1.14%，PINAW 缩小了 3.78%；相比核密度估计
（b）夏季
法 PICP 提高了 1.07%，PINAW 缩小了 2.75%；在
90%的置信水平下，相比分位数回归法 PICP 提高了
2.93%，PINAW 缩小了 4.03%；相比核密度估计法
PICP 提高了 0.92%，PINAW 缩小了 3.13%；在 95%
的置信水平下，相比分位数回归法的 PICP 提高了
0.76%，PINAW 缩小了 1.51%；相比核密度估计法
PICP 提高了 0.83%，PINAW 缩小了 0.15%，由此可
见本文所提的短期区间预测方法在各置信水平下的
（c）秋季
PICP 均大于两种对比模型，PINAW 均小于两种对
 胡文惠，等：考虑预测误差时空相依性的短期风电功率概率预测 7

比模型，效果最好。在保证好的预测效果的前提下， considering wind farm power climbing[J]. Journal Of Northeast

Electric Power University, 2022,42(1): 63-70.
提高了系统可靠性。且所提模型具有一定的稳定性，
[3] 薛禹胜, 雷兴, 薛峰, 等. 关于风电不确定性对电力系统影响的
如核密度估计法在 85%的置信水平下，相比分位数 评述[J]. 中国电机工程学报, 2014, 34(29): 5029-5040.
回归法的 PICP 提高了 0.07%，PINAW 减小了 XUE Yusheng, LEI Xing, XUE Feng, et al. A review on the impact
of wind power uncertainties on power systems [J]. Proceedings of the
1.03%；但在 95%的置信水平下，相比分位数回归
CSEE, 2014, 34(29): 5029-5040.
法的 PICP 降低了 0.07%，PINAW 增加了 1.36%。 [4] 康田雨,覃智君.基于超参数优化和双重注意力机制的超短期风电

分位数回归、核密度估计的 ACE 指标均小于 0，表 功率预测[J].南方电网技术,2022,16(5): 44-53.

KANG Tianyu, QIN Zhijun. An ultra-short-term wind power
明 PICP 指标小于对应的置信度，本文方法相比其
forecasting method based on hyperparameter optimization and
余方法有着更低的 ACE 指标，具有更高的可靠性。 dual-stage attention mechanism[J]. Southern Power System
与不考虑时空相依性的概率预测方法相比，本文方 Technology, 2022,16(5): 44-53.
[5] 任立阳, 付昱, 王宝财, 等．考虑经济效益的风储联合发电系统的
法在各置信水平下，PICP 分别提高了 0.53%、0.44%、
最优功率预测[J]．东北电力大学学报, 2020, 40(3): 16-25．
0.32%，PINAW 缩小了 2.40%、2.14%，0.06%。 REN Liyang, FU Yu, WANG Baocai, et al. Optimal power prediction
of wind power storage combined power generation system
4 结论 considering economic benefits[J]. Journal of Northeast Electric
Power University, 2020, 40(3): 16-25.
本文建立了一种考虑预测误差时空相依性的短 [6] 阎洁, 李宁, 刘永前, 等. 短期风电功率动态云模型不确定性预
期风电功率概率预测方法，得出结论如下。 测方法[J]. 电力系统自动化, 2019, 43(3): 17-23.

1)为能够更好的反映模型在不同风资源下的适 YAN Jie, LI Ning, LIU Yongqian, et al. Short-term uncertainty

forecasting method for wind power based on real-time switching
应性，考虑时空相依性对误差进行统计分析，所提
cloud model [J]. Automation of Electric Power Systems, 2019, 43(3):
模型有效提高了概率预测的预测精度。 17-23.
2)与分位数回归法、核密度估计法相比，本文 [7] 于东. 考虑风电不确定出力的电力系统优化调度模型研究[D].南
京: 江苏大学,2016.
方法在不同置信度下均有较高的可靠性， PICP 平
[8] ZHANG Yao, WANG Jianxue, WANG Xifan. Review on
均提高了 1.61%和 0.94%，PINAW 缩小了 3.11%和 probabilistic forecasting of wind power generation [J]. Renewable
2.01%。 and Sustainable Energy Reviews, 2014(32): 255-270.
[9] 叶一达, 魏林君, 乔颖, 等. 非参数条件概率预测提高风电消纳
3)与不考虑时空相依性的概率预测方法相比， 的优化方法[J]. 电网技术, 2017, 41(5): 1443-1450.
本文方法使风电场短期概率预测效果得到了提升。 YE Yida, WEI Linjun, QIAO Ying, et al. Optimal method of
预测风力发电功率对电力系统具有重要价值， improving wind power accommodation by nonparametric conditional
probabilistic forecasting[J]. Power System Technology, 2017, 41(5):
其准确度直接影响着系统的调度与电网的可靠运
1443-1450.
行。为了提高预测精度，在考虑时空相依性的基础 [10] 庞传军, 尚学伟, 张波, 等. 基于改进梯度提升算法的短期风电
上利用层次聚类的方法对误差分类。风力发电功率 功率概率预测[J]. 电力系统自动化, 2022, 46(16): 198-206.
PANG Chuanjun, SHANG Xuewei, ZHANG Bo. Selective
时间序列的误差以及气象因素是本文在构建预测模
heterogeneous ensemble for ultra-short-term wind power forecasting
型时所充分考虑的，但是功率特性曲线的准确度也 based on local learning and multi-objective optimization[J].
会影响功率预测的准确度，此部分内容将在后续的 Automation of Electric Power Systems, 2022, 46(16):198-206.
[11] 杨锡运, 张艳峰, 叶天泽, 等. 基于朴素贝叶斯的风电功率组合
工作进一步研究。
概率区间预测[J]. 高电压技术, 2020, 46(3): 1099-1108.
YANG Xiyun, ZHANG Yanfeng, YE Tianze1,et al. Prediction of
参考文献
combination probability interval of wind power based on naive
[1] 杨茂, 刘慧宇, 孙勇, 等.基于原子稀疏分解和支持向量机的风电 Bayes[J]. High Voltage Engineering, 2020,46(3):1099-1108.
功率实时预测研究[J].东北电力大学学报, 2020, 40(3): 1-7. [12] 王陈恩, 殷豪, 陈顺, 等. 考虑空间耦合的少数据风电功率预测
方法[J]. 南方电网技术, 2022, 16(6): 75-81.
YANG Mao, LIU Huiyu, SUN Yong, et al. A study on real-time
prediction of wind power based on atomic sparse decomposition and WANG Chen’en, YIN Hao, CHEN Shun, et al. Wind power
support vector machine[J]. Journal Of Northeast Electric Power forecasting method with few data considering spatial coupling[J].
University, 2020, 40(3): 1-7. Southern Power System Technology, 2022,16(6): 75-81.
[2] 杨茂, 于欣楠. 考虑风电场功率爬坡的超短期组合预测[J].东北电 [13] 叶林, 赵永宁. 基于空间相关性的风电功率预测研究综述[J]. 电
力大学学报,2022,42(1): 63-70. 力系统自动化, 2014, 38(14): 126-135.

YANG Mao, YU Xinnan. An ultra-short term combined prediction YE Lin, ZHAO Yongning. A review on wind power prediction based
8 南方电网技术 第 17 卷

on spatial correlation approach [J]. Automation of Electric Power YANG Hong, LI Wendong, ZHAO Zhenbing. Kernel density
Systems, 2014, 38(14): 126-135. estimation of wind power forecast error based on smooth bootstrap
[14] 杨茂 , 王金鑫 , 都键 , 等.基于极限学习机与格兰杰检验的风 method [J]. Renewable Energy Sources, 2021, 39(4): 494-500.
电功率缺失数据补齐[J].东北电力大学学报, 2019, 39(4): 27-34. [24] 乔颖, 鲁宗相, 吴问足. 考虑误差时序–条件性质的短期风电功率
YANG Mao, WANG Jinxin, DU Jian. The complement of the missing 概率预测[J]. 电网技术, 2020, 44(7): 2529-2537.
data based on the extreme learning machine and Granger test in wind QIAO Ying, LU Zongxiang, WU Wenzu. Day-ahead wind power
power[J]. Journal Of Northeast Electric Power University, 2019, probabilistic forecast considering conditional dependency and
39(4): 27-34. temporal correlation [J]. Power System Technology, 2020, 44(7):
[15] 王成福, 王昭卿, 孙宏斌, 等. 考虑预测误差时序分布特性的含 2529-2537.
风 电 机 组 组 合 模 型 [J]. 中 国 电 机 工 程 学 报 , 2016, 36(15): [25] 杨茂, 董昊. 基于风速分频和权值匹配的 RBF 超短期风电功率预
4081-4090. 测方法[J]. 可再生能源, 2020, 38(11): 1483-1488.
WANG Chengfu, WANG Zhaoqin, SUN Hongbin, et al. Model of YANG Mao, DONG Hao. RBF ultra-short-term wind power
unit commitment with wind farm considering time series forecasting method based on wind speed frequency division and
characteristic of wind power forecast error [J]. Proceedings of the weight matching [J]. Renewable Energy Resources, 2020, 38(11):
CSEE, 2016, 36(15): 4081-4090. 1483-1488.
[16] 齐霞, 安磊, 张妍, 等. 风电机组功率曲线建模方法对比研究[J]. [26] 薛阳, 王琳, 王舒, 等. 一种结合 CNN 和 GRU 网络的超短期风电
可再生能源, 2018, 36(4): 580-585. 预测模型[J]. 可再生能源, 2019, 37(3): 456-462.
QI Xia, AN Lie, ZHANG Yan, et al. Comparative study of multiple XUE Yang, WANG Lin, WANG Shu, et al. An ultra-short-term wind
power curve modelling method of wind [J]. Renewable Energy power forecasting model combined with CNN and GRU networks [J].
Resources, 2018, 36(4): 580-585. Renewable Energy Resources, 2019, 37(3): 456-462.
[17] 杨茂, 代博祉, 刘蕾. 风电功率概率预测研究综述[J]. 东北电力 [27] 杨茂, 白玉莹. 基于多位置 NWP 和门控循环单元的风电功率超
大学学报, 2020, 40(2): 1-6. 短期预测[J]. 电力系统自动化, 2021, 45(1): 177-183.
YANG Mao, DAI Bozhi, LIU Lie. A review of wind power YANG Mao, BAI Yuying. Ultra-short-term prediction of wind power
probabilistic prediction [J]. Journal of Northeast Electric University, based on multi-location numerical weather prediction and gated
2020, 40(2): 1-6. recurrent unit [J]. Automation of Electric Power Systems, 2021,
[18] 刘兴杰, 谢春雨. 基于贝塔分布的风电功率波动区间估计[J]. 电 45(1): 177-183.
力自动化设备, 2014, 34(12): 26-30. [28] 陈金富, 朱乔木, 石东源, 等. 利用时空相关性的多位置多步风
LIU Xingjie, XIE Chunyu. Estimation of wind power fluctuation 速预测模型[J]. 中国电机工程学报, 2019, 39(7): 2093-2106.
interval based on beta distribution [J]. Electric Power Automation CHEN Jinfu, ZHU Qiaomu, SHI Dongyua, et al. A multi-step wind
Equipment, 2014, 34(12): 26-30. speed prediction model for multiple sites leveraging spatio-temporal
[19] 杨茂, 董昊. 基于数值天气预报风速和蒙特卡洛法的短期风电功 correlation [J]. Proceedings of the CSEE, 2019, 39(7): 2093-2106.
率区间预测[J]. 电力系统自动化, 2021, 45(5): 79-85. [29] 王健,易姝慧,刘俊杰,等.基于随机森林算法和稳态波形的非介入
YANG Mao, DONG Hao. Short-term wind power interval prediction 式工业负荷辨识[J].中国电力,2022,55(2):82-89.
based on wind speed of numerical weather prediction and monte WANG Jian, YI Shuhui, LIU Junjie, et al. Non-intrusive industrial
carlo method [J]. Automation of Electric Power Systems, 2021, 45(5): load identification based on random forest algorithm and steady-state
79-85. waveform [J]. Electric Power, 2022,55(2):82-89.
[20] 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 [30] 薛阳, 张宁, 俞志程, 等. 基于 BiLSTM 和 Bootstrap 方法的风电
测方法[J]. 电网技术, 2020, 44(4): 1368-1375. 功率区间预测[J]. 可再生能源, 2020, 38(8): 1059-1064.
WANG Zhao, WANG Bo, FENG Shuanglei,, et al. Probabilistic XUE Yang, ZHANG Ning, YU Zhicheng, et al. Interval prediction
Forecasts Based on Quantile Regression for Regional Wind Farms[J]. method of wind power based on BiLSTM and Bootstrap [J].
Power System Technology, 2020,44(4):1368-1375. Renewable Energy Resources, 2020, 38(8): 1059-1064.
[21] 张浩.风电功率时空不确定性预测方法研究[D]. 北京: 华北电力
大学,2021. 收稿日期：2022-08-15
[22] 蔡可天,钱玉良.风电接入时考虑储能和分时电价的电力系统经济 作者简介：
调度[J].南方电网技术 2022,16(7):116-127. 胡文慧（1997），女，硕士研究生，研究方向为新能源发电功率预
CAI Ketian, QIAN Yuliang. Economic dispatch of power system with 测，1401822887@qq.com；
wind power connected considering energy storage and time-of-use 苏 欣 （ 1983 ） ， 女 ， 讲 师 ， 硕 士 ， 研 究 方 向 为 数 据 挖
electricity price [J]. Southern Power System Technology, 掘,28366072@qq.com；
2022,16(7):116-127. 杨茂（1982），男，通讯作者，博士生导师，博士，研究方向为新
[23] 杨宏, 李文栋, 赵振兵. 基于光滑自助法的风功率预测误差核密 能源发电功率预测、微网优化调度以及风电机组变桨控制，
度建模方法[J]. 可再生能源, 2021, 39(4): 494-500. yangmao820@163.com。