低温天气下考虑风机运行状态聚类的短期风电功率预测方法

doi:10.12096/j.2096-4528.pgt.23129

发电技术 ›› 2025, Vol. 46 ›› Issue (2): 326-335.DOI: 10.12096/j.2096-4528.pgt.23129

• 新能源 • 上一篇

低温天气下考虑风机运行状态聚类的短期风电功率预测方法

张扬帆¹, 李奕霖², 叶林², 付雪姣¹, 王正宇¹, 王耀函¹

^1.华北电力科学研究院有限责任公司(国网冀北电力科学研究院)，北京市西城区 100018
^2.中国农业大学信息与电气工程学院，北京市海淀区 100083

收稿日期:2024-05-10 修回日期:2024-08-01 出版日期:2025-04-30 发布日期:2025-04-23
作者简介:张扬帆(1987)，男，硕士，工程师，研究方向为新能源发电运行技术，zhangyangfanhit@163.com；
叶林(1968)，男，博士，教授，研究方向为电力系统运行与控制、新能源发电技术，本文通信作者，yelin@cau.edu.cn。
基金资助:
华北电力科学研究院有限责任公司科技项目(KJZ2022060)

Short-Term Wind Power Prediction Method Considering Wind Turbine Operation Status Clustering Under Low-Temperature Conditions

Yangfan ZHANG¹, Yilin LI², Lin YE², Xuejiao FU¹, Zhengyu WANG¹, Yaohan WANG¹

^1.North China Electric Power Research Institution (State Grid Jibei Electric Power Research Institute), Xicheng District, Beijing 100018, China
^2.College of Information and Electrical Engineering, China Agricultural University, Haidian District, Beijing 100083, China

Received:2024-05-10 Revised:2024-08-01 Published:2025-04-30 Online:2025-04-23
Supported by:
the Science and Technology Program of North China Electric Power Research Institute Co., Ltd(KJZ2022060)

摘要/Abstract

摘要：

目的低温天气给包含高比例风电等新能源的电力系统运行带来了挑战，提升低温天气下的短期风电功率预测精度，将为电力系统的调度运行提供有效的决策信息。为此，提出一种低温天气下考虑机组运行状态聚类的风电功率预测方法。方法利用机组运行状态与保护控制信息，采用模糊C均值(fuzzy C-means，FCM)聚类算法对风电机组进行聚类；提出一种基于支持向量机的风机运行状态分组预测方法，预测风机是否处于正常运行状态；采用集成学习中的LightGBM算法预测风机正常运行时的功率值；基于运行状态和功率值的预测结果，给出风电场总体输出功率。最后，以冀北某风电场为例进行分析，验证所提方法的有效性。结果所提方法充分利用风机低温保护控制行为特征，准确预测了风电机组的关键切机时间，并给出停机容量，有效地拟合了风电功率曲线变化规律，将风电功率预测精度提升至90%以上。结论所提方法可为电力调度控制提供有效预测信息，也为大风等其他极端天气下的短期风电功率预测提供了参考。

关键词: 新能源, 电力系统, 风电, 功率预测, 机组运行, 模糊C均值(FCM)聚类, 支持向量机, 电力调度控制

Abstract:

Objectives Low-temperature weather poses challenges to the operation of power systems with a high proportion of new energy, such as wind power. Improving the accuracy of short-term wind power prediction under low-temperature conditions will provide effective decision-making information for power system scheduling and operation. To address this, a wind power prediction method considering the clustering of unit operation status under low-temperature conditions is proposed. Methods The fuzzy C-means (FCM) clustering algorithm is used to cluster wind turbines based on their operation status and protection control information. Then, a prediction method based on support vector machine is proposed to predict whether the wind turbines are in normal operation status. The LightGBM algorithm in ensemble learning is employed to predict the power output of wind turbines under normal operation. Based on the prediction results of both operation status and power values, the overall wind power output of the wind farm is determined. Finally, a case study of a wind farm in northern Hebei is conducted to validate the effectiveness of the proposed method. Results By fully utilizing the characteristics of wind turbine protection control behaviors under low temperatures, the proposed method accurately predicts the critical shutdown time of wind turbines and provides the shutdown capacity. It effectively fits the variation patterns of wind power curves,which improves the prediction accuracy of the wind power to more than 90%. Conclusion The proposed method can provide reliable prediction information for power scheduling and control. Additionally, it can provide a reference for short-term wind power prediction under other extreme weather conditions, such as strong winds.

Key words: new energy, power system, wind power, power prediction, unit operation, fuzzy C-means (FCM)clustering, support vector machine, power scheduling and control

中图分类号:

TK 81

张扬帆, 李奕霖, 叶林, 付雪姣, 王正宇, 王耀函. 低温天气下考虑风机运行状态聚类的短期风电功率预测方法[J]. 发电技术, 2025, 46(2): 326-335.

Yangfan ZHANG, Yilin LI, Lin YE, Xuejiao FU, Zhengyu WANG, Yaohan WANG. Short-Term Wind Power Prediction Method Considering Wind Turbine Operation Status Clustering Under Low-Temperature Conditions[J]. Power Generation Technology, 2025, 46(2): 326-335.

图/表 10

图1 考虑风机聚类的风电功率预测技术框架

Fig. 1 Framework of wind power prediction technology with inclusion of wind turbine clustering

表1 风机聚类特征参量

Tab. 1 Characteristic parameters of wind turbine clustering

类型	特征参量
风机运行控制参数	控制柜温度切机阈值
	环境温度切机阈值
	齿轮箱油温切机阈值
	机舱温度切机阈值
风机运行特征参数	切机时刻
	停机时长
	风机并网恢复时长

图2 LightGBM原理示意图

Fig. 2 Schematic diagram of LightGBM principle

表2 模型参数设置

Tab. 2 Model parameter settings

算法	参数	数值
SVM	惩罚系数C_p	1.0
SVM	核函数	RBF
LightGBM	树最大深度	6
	叶子节点数	64
	评估器个数	100
	学习率	0.05

图3 不同聚类个数的效果

Fig. 3 Effects of different cluster numbers

表3 风机聚类结果

Tab. 3 Wind turbine clustering results

类别	风机数量/台	合计装机容量/MW
1	35	84
2	66	99
3	53	106

图4 风机运行状态及停机容量

Fig. 4 Wind turbine operation status and shutdown capacity

图5 风电功率全过程预测

Fig. 5 Full-process prediction of wind power

图6 不同方法的风电功率预测结果

Fig. 6 Wind power prediction results using different methods

表4 不同预测方法的结果对比

Tab. 4 Comparison of results using different prediction methods

方法	训练集(2021年)		测试集(2022年)
方法	E_NRMS/%	E_NMA/%	E_NRMS/%	E_NMA/%
原始模型(LightGBM)	16.664	11.980	21.742	16.153
SVM-MLP	11.573	8.121	18.434	13.721
SVM-CNN	10.456	7.112	17.541	12.703
SVM-RF	10.180	6.012	15.216	10.110
SVM-XGBoost	9.544	5.887	14.874	9.102
本文方法	9.376	5.521	14.611	8.293
决策树-LightGBM	10.321	6.229	15.036	9.397
kNN-LightGBM	10.356	6.747	15.780	9.436
LR-LightGBM	10.452	6.337	15.366	9.420
BNN-LightGBM	9.982	5.733	14.901	9.005

参考文献 33

1	陶思钰，江福庆．集群化发展模式下风电场预测、规划及控制关键技术综述[J]．电力工程技术，2024，43(1)：86-99．
	TAO S Y， JIANG F Q ．Review of the key technologies of wind farm cluster prediction，planning and control[J]．Electric Power Engineering Technology，2024，43(1)：86-99．
2	刘洪波，刘永发，任阳，等．高风电渗透率下考虑系统风电备用容量的储能配置[J]．发电技术，2024，45(2)：260-272．
	LIU H B， LIU Y F， REN Y，et al ．Energy storage configuration considering the system wind power reserve capacity under high wind power permeability[J]．Power Generation Technology，2024，45(2)：260-272．
3	李璐，张泽端，毕贵红，等．“双碳”目标下基于系统动力学的发电行业碳减排政策研究[J]．电力系统保护与控制，2024，52(12)：69-81．
	LI L， ZHANG Z D， BI G H，et al ．Carbon emission reduction policy in the power generation sector based on system dynamics with “dual carbon” targets[J]．Power System Protection and Control，2024，52(12)：69-81．
4	中华人民共和国国家统计局．中国统计年鉴[M]．北京：中国统计出版社，2024．
	National Bureau of Statistics of China ．China statistical yearbook[M]．Beijing：China Statistics Press，2024．
5	蒋慕凝，何宇，张棠茜，等．基于特征选择及误差修正的风电功率预测[J]．分布式能源，2023，8(2)：37-43．
	JIANG M N， HE Y， ZHANG T Q，et al ．Wind power prediction based on feature selection and error correction[J]．Distributed Energy，2023，8(2)：37-43．
6	张玮，白恺，鲁宗相，等．特大型新能源基地面临挑战及未来形态演化分析[J]．全球能源互联网，2023，6(1)：10-25．
	ZHANG W， BAI K， LU Z X，et al ．Analysis of the challenges and future morphological evolution of super large-scale renewable energy base[J]．Journal of Global Energy Interconnection，2023，6(1)：10-25．
7	周丹，袁至，李骥，等．考虑平抑未来时刻风电波动的混合储能系统超前模糊控制策略[J]．发电技术，2024，45(3)：412-422．
	ZHOU D， YUAN Z， LI J，et al ．An advanced fuzzy control strategy for hybrid energy storage systems considering smoothing of wind power fluctuations at future moments[J]．Power Generation Technology，2024，45(3)：412-422．
8	周灵刚，朱敏捷，李建华．风电场安全运行中的低温影响效应试验测试[J]．电网与清洁能源，2023，39(5)：144-150．
	ZHOU L G， ZHU M J， LI J H ．Testing of low temperature effects in the safe operation of wind farms[J]．Power System and Clean Energy，2023，39(5)：144-150．
9	邓韦斯，卢斯煜，刘显茁，等．基于相空间重构和BiLSTM的风电功率短期预测[J]．广东电力，2023，36(7)：22-30．
	DENG W S， LU S Y， LIU X Z，et al ．Short-term forecasting of wind power based on phase space reconstruction and BiLSTM[J]．Guangdong Electric Power，2023，36(7)：22-30．
10	陈亦平，刘育成，夏成军，等．极端天气下爱尔兰新能源高渗透场景调度经验及启示[J]．电力建设，2024，45(9)：26-38．
	CHEN Y P， LIU Y C， XIA C J，et al ．Irish experience and insights on dispatching in high renewable penetration scenarios during extreme weather periods[J]．Electric Power Construction，2024，45(9)：26-38．
11	孙华东，许涛，郭强，等．英国“8·9”大停电事故分析及对中国电网的启示[J]．中国电机工程学报，2019，39(21)：6183-6192．
	SUN H D， XU T， GUO Q，et al ．Analysis on blackout in Great Britain power grid on August 9th，2019 and its enlightenment to power grid in China[J]．Proceedings of the CSEE，2019，39(21)：6183-6192．
12	LI Z M， XU Y， WANG P，et al ．Coordinated preparation and recovery of a post-disaster Multi-energy distribution system considering thermal inertia and diverse uncertainties[J]．Applied Energy，2023，336：120736． doi:10.1016/j.apenergy.2023.120736
13	冷喜武．美国得州2021轮停事故分析及其对中国电网改革的启示[J]．发电技术，2021，42(2)：151-159．
	LENG X W ．The analysis of 2021 Texas’ rotating blackout incident and its enlightenment to the reform of China power grid[J]．Power Generation Technology，2021，42(2)：151-159．
14	GAO L Y， DASARI T， HONG J R ．Wind farm icing loss forecast pertinent to winter extremes[J]．Sustainable Energy Technologies and Assessments，2022，50：101872． doi:10.1016/j.seta.2021.101872
15	SWENSON L， GAO L Y， HONG J R，et al ．An efficacious model for predicting icing-induced energy loss for wind turbines[J]．Applied Energy，2022，305：117809． doi:10.1016/j.apenergy.2021.117809
16	乔妍，韩丽，李梦洁．基于爬坡特征和云模型的风电功率预测误差区间评估[J]．电力系统自动化，2022，46(11)：75-84．
	QIAO Y， HAN L， LI M J ．Interval estimation of wind power forecasting error based on ramp features and cloud model[J]．Automation of Electric Power Systems，2022，46(11)：75-84．
17	屈尹鹏，徐箭，姜尚光，等．基于频繁模式挖掘的风电爬坡事件统计特性建模及预测[J]．电力系统自动化，2021，45(1)：36-43．
	QU Y P， XU J， JIANG S G，et al ．Frequent pattern mining based modeling and forecasting for statistical characteristics of wind power ramp events[J]．Automation of Electric Power Systems，2021，45(1)：36-43．
18	王康，张青蕾，王泽，等．高比例风电系统的爬坡备用需求评估[J]．电网与清洁能源，2022，38(8)：94-101． doi:10.3969/j.issn.1674-3814.2022.08.012
	WANG K， ZHANG Q L， WANG Z，et al ．Evaluation of ramping reserve requirement for high-proportion wind power systems[J]．Power System and Clean Energy，2022，38(8)：94-101． doi:10.3969/j.issn.1674-3814.2022.08.012
19	ZHAO Y N， YE L， PINSON P，et al ．Correlation-constrained and sparsity-controlled vector autoregressive model for spatio-temporal wind power forecasting[J]．IEEE Transactions on Power Systems，2018，33(5)：5029-5040． doi:10.1109/tpwrs.2018.2794450
20	黄玲玲，李锁，符杨，等．基于风电机组状态的超短期海上风电功率预测[J]．太阳能学报，2022，43(8)：391-398．
	HUANG L L， LI S， FU Y，et al ．Ultra-short term offshore wind power prediction based on condition-assessment of wind turbines[J]．Acta Energiae Solaris Sinica，2022，43(8)：391-398．
21	林铮，刘可真，沈赋，等．考虑海上风电多机组时空特性的超短期功率预测模型[J]．电力系统自动化，2022，46(23)：59-66．
	LIN Z， LIU K Z， SHEN F，et al ．Ultra-short-term power prediction model considering spatial-temporal characteristics of offshore wind turbines[J]．Automation of Electric Power Systems，2022，46(23)：59-66．
22	祁乐，唐健，江平，等．考虑机组分类的海上风电短期功率预测-校正模型[J]．山东电力技术，2021，48(5)：16-22．
	QI L， TANG J， JIANG P，et al ．Short-term offshore wind power prediction-correction model considering classification of wind farm units[J]．Shandong Electric Power，2021，48(5)：16-22．
23	苏向敬，聂良钊，李超杰，等．基于MSTAGNN模型的可解释海上风电场多风机出力预测[J]．电力系统自动化，2023，47(9)：88-98． doi:10.7500/AEPS20220502002
	SU X J， NIE L Z， LI C J，et al ．Interpretable power output prediction of multiple wind turbines for offshore wind farm based on multiple spatio-temporal attention graph neural network model[J]．Automation of Electric Power Systems，2023，47(9)：88-98． doi:10.7500/AEPS20220502002
24	叶林，李奕霖，裴铭，等．寒潮天气小样本条件下的短期风电功率组合预测[J]．中国电机工程学报，2023，43(2)：543-555．
	YE L， LI Y L， PEI M，et al ．Combined approach for short-term wind power forecasting under cold weather with small sample[J]．Proceedings of the CSEE，2023，43(2)：543-555．
25	王爽心，郭婷婷，李蒙．风电机组变工况变桨系统异常状态在线识别[J]．中国电机工程学报，2019，39(17)：5144-5152．
	WANG S X， GUO T T， LI M ．On-line abnormal state identification of pitch system based on transitional mode for wind turbine[J]．Proceedings of the CSEE，2019，39(17)：5144-5152．
26	青倚帆，周群，张仁建．基于贝叶斯网络的10 kV线路时钟超差计量点负荷类型识别方法[J]．电力科学与技术学报，2023，38(1)：122-129．
	QING Y F， ZHOU Q， ZHANG R J ．Load type identification method of 10 kV transmission line clock-inaccuracy metering point based on Bayesian network[J]．Journal of Electric Power Science and Technology，2023，38(1)：122-129．
27	BAGIROV A M， ALIGULIYEV R M， SULTANOVA N ．Finding compact and well-separated clusters：clustering using silhouette coefficients[J]．Pattern Recognition，2023，135：109144． doi:10.1016/j.patcog.2022.109144
28	汪繁荣，梅涛，卢璐．基于相似日聚类和VMD-LTWDBO-BiLSTM的短期光伏功率预测[J]．智慧电力，2024，52(10)：56-63．
	WANG F R， MEI T， LU L ．Short-term PV power prediction based on similar day clustering with VMD-LTWDBO-BiLSTM[J]．Smart Power，2024，52(10)：56-63．
29	赵耀，陆佳煜，李东东，等．基于机电信号融合的电励磁双凸极电机绕组匝间短路故障诊断[J]．电工技术学报，2023，38(1)：204-219．
	ZHAO Y， LU J Y， LI D D，et al ．A fault diagnosis strategy for winding inter-turn short-circuit fault in doubly salient electro-magnetic machine based on mechanical and electrical signal fusion[J]．Transactions of China Electrotechnical Society，2023，38(1)：204-219．
30	邹港，赵斌，罗强，等．基于PCA-VMD-MVO-SVM的短期光伏输出功率预测方法[J]．电力科学与技术学报，2024，39(5)：163-171．
	ZOU G， ZHAO B， LUO Q，et al ．Prediction method of short-term PV output power based on PCA-VMD-MVO-SVM[J]．Journal of Electric Power Science and Technology，2024，39(5)：163-171．
31	刘度度，任浪，肖坤，等．基于特征选择和机器学习的台区线损计算方法[J]．电测与仪表，2024，61(12)：133-143．
	LIU D D， REN L， XIAO K，et al ．A line loss calculation method based on feature selection and machine learning algorithm[J]．Electrical Measurement & Instrumentation，2024，61(12)：133-143．
32	吴宇辉，张扬帆，高峰，等．基于工作模态分析的风电机组叶片裂纹损伤在线监测研究[J]．中国电力，2023，56(10)：106-114．
	WU Y H， ZHANG Y F， GAO F，et al ．Research on online monitoring of crack damage of wind turbine blades based on working modal analysis[J]．Electric Power，2023，56(10)：106-114．
33	苗璐，樊玮，肖红燕，等．基于改进FCM聚类的光伏电站出力场景特性研究[J]．广东电力，2024，37(3)：1-11．
	MIAO L， FAN W， XIAO H Y，et al ．Study on typical output scenario characteristics of photovoltaic power station based on improved FCM clustering[J]．Guangdong Electric Power，2024，37(3)：1-11．

[1]	刘忠, 黄彦铭, 朱光明, 邹淑云. 含风-光-电氢混合储能的多微电网系统容量优化配置方法[J]. 发电技术, 2025, 46(2): 240-251.
[2]	孙勇, 高子航, 侯泽胤, 李德鑫, 王尧, 张海锋, 陆帅. 面向综合能源系统运行的气网聚合建模及辨识方法[J]. 发电技术, 2025, 46(2): 274-283.
[3]	王奎, 余梦, 张海静, 李妍, 刘哲, 郭军红. 面向光伏消纳和冰蓄冷空调群低碳需求响应的新型配电系统多时间尺度优化策略[J]. 发电技术, 2025, 46(2): 284-295.
[4]	孙正龙, 伞吉强. 面向扭振分析的含虚拟惯量双馈风机轴系研究[J]. 发电技术, 2025, 46(2): 314-325.
[5]	胡山鹰, 金涌, 张臻烨. 发展新质生产力，实现碳中和[J]. 发电技术, 2025, 46(1): 1-8.
[6]	杨剑锋, 李婷, 杨爱民, 冯子宁. 含电能路由器的光伏配电网电压越限问题潮流优化研究[J]. 发电技术, 2025, 46(1): 113-125.
[7]	兰国芹, 陆烨, 阚严生, 张继广, 王欢欢, 钟芳, 王承才, 肖黎明, 王照阳. 综合能源服务发展趋势与对策研究[J]. 发电技术, 2025, 46(1): 19-30.
[8]	崔露, 刘世林, 苗婉, 王青. 考虑电转氢和需求响应的风光储综合充能站优化运行策略[J]. 发电技术, 2025, 46(1): 31-41.
[9]	匡洪海, 郭茜. 基于多特征提取-卷积神经网络-长短期记忆网络的短期风电功率预测方法[J]. 发电技术, 2025, 46(1): 93-102.
[10]	任蓓蕾, 郭昆丽, 蔡维正, 李博浩, 朱婷华, 李玲陶. 基于改进线性自抗扰控制器的直驱风机次同步振荡抑制及阻抗稳定性分析[J]. 发电技术, 2024, 45(6): 1135-1145.
[11]	刘展, 刘健洵, 包琰洋, 李大字. 基于图正则化堆叠自编码器的风机轴承故障诊断方法[J]. 发电技术, 2024, 45(6): 1146-1152.
[12]	张立栋, 铁浩, 刘惠文, 李钦伟, 田文鑫, 赵秀勇, 常子涵. 风力机偏航对尾迹演化影响的实验研究[J]. 发电技术, 2024, 45(6): 1153-1162.
[13]	王宇绅, 陈皓勇, 黄宇翔, 吴晓彬, 朱彦瑾, 张健彬. 多重不确定性下的虚拟电厂参与电能量和需求响应市场鲁棒优化调度策略[J]. 发电技术, 2024, 45(6): 1173-1185.
[14]	李文, 卜凡鹏, 张潇桐, 杨创东, 张静. 基于典型商业运营模式的含电-氢混合储能微电网系统优化运行方法[J]. 发电技术, 2024, 45(6): 1186-1200.
[15]	张家龙, 宋彭, 瞿体明. 磁约束可控核聚变装置的磁体系统综述[J]. 发电技术, 2024, 45(6): 995-1015.

低温天气下考虑风机运行状态聚类的短期风电功率预测方法

Short-Term Wind Power Prediction Method Considering Wind Turbine Operation Status Clustering Under Low-Temperature Conditions

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

图/表 10

参考文献 33

相关文章 15

编辑推荐

Metrics