CN110503228B - 低风速下的风力发电机组的功率预测方法及设备 - Google Patents

Abstract

本发明提供一种低风速下的风力发电机组的功率预测方法及设备。所述功率预测方法包括：将第一功率实际值序列输入到第一功率预测模型，以通过第一功率预测模型来预测第一功率预测值序列，其中，第一功率实际值序列为风力发电机组在当前时刻以前的第一预定时间长度内的功率实际值的时间序列；通过功率残差预测模型来预测分别与第一功率预测值序列中的每一个功率预测值对应的残差值，其中，与功率预测值对应的残差值是指与所述功率预测值对应的时刻的功率实际值与所述功率预测值之间的差值；将第一功率预测值序列中的每一个功率预测值和与其对应的残差值相加后得到的功率值序列，作为最终预测的风力发电机组的功率值序列。

Description

低风速下的风力发电机组的功率预测方法及设备

技术领域

本发明总体说来涉及风力发电技术领域，更具体地讲，涉及一种低风速下的风力发电机组的功率预测方法及设备。

背景技术

随着风资源的不断开发和风力发电相关技术的不断进步，风资源丰富区域的开发进入饱和状态，但是风资源丰富区域也存在一些问题，例如弃风、限电和并网瓶颈等。于是，风资源开发逐渐转向了低风速区域。

在风电领域中，低风速区域通常是指年平均风速在5m/s至7m/s风速区间内的地区。低风速具有多变(即，风速、风向变化频繁)、湍流强度大等特点，而风力发电机组的功率变化与风速变化具有较强的相关性，因此，对低风速区域进行风资源开发活动时，存在低风速下难以快速准确地预测风力发电机组的功率的技术问题。

发明内容

本发明的示例性实施例在于提供一种低风速下的风力发电机组的功率预测方法及设备，其能够对风力发电机组的低风速下的功率进行准确预测。

根据本发明的示例性实施例，提供一种低风速下的风力发电机组的功率预测方法，所述功率预测方法包括：将第一功率实际值序列输入到第一功率预测模型，以通过第一功率预测模型来预测第一功率预测值序列，其中，第一功率实际值序列为风力发电机组在当前时刻以前的第一预定时间长度内的功率实际值的时间序列，第一功率预测值序列为风力发电机组在未来第二预定时间长度内的功率预测值的时间序列；通过功率残差预测模型来预测分别与第一功率预测值序列中的每一个功率预测值对应的残差值，其中，与功率预测值对应的残差值是指与所述功率预测值对应的时刻的功率实际值与所述功率预测值之间的差值；将第一功率预测值序列中的每一个功率预测值和与其对应的残差值相加后得到的功率值序列，作为最终预测的风力发电机组的功率值序列。

可选地，通过功率残差预测模型来预测分别与第一功率预测值序列中的每一个功率预测值对应的残差值的步骤包括：通过第一功率预测模型来预测风力发电机组的第二功率预测值序列，其中，第二功率预测值序列为风力发电机组在当前时刻以前的第一预定时间长度内的功率预测值的时间序列；基于第二功率预测值序列和第一功率实际值序列，通过功率残差预测模型来预测分别与第一功率预测值序列中的每一个功率预测值对应的残差值。

可选地，基于第二功率预测值序列和第一功率实际值序列，通过功率残差预测模型来预测分别与第一功率预测值序列中的每一个功率预测值对应的残差值的步骤包括：从第一功率预测值序列中的第一个功率预测值开始，依次预测与第一功率预测值序列中的每一个功率预测值对应的残差值，其中，针对第一功率预测值序列中的第i个功率预测值，将功率残差值序列之中的与第i时间段对应的各个残差值输入到功率残差预测模型，以通过功率残差预测模型来预测与第i个功率预测值对应的残差值，并将预测得到的残差值添加到功率残差值序列以更新功率残差值序列，其中，当i为1时，第i时间段为当前时刻以前的第三预定时间长度的时间段，当i为大于1的整数时，第i时间段为与第一功率预测值序列中的第(i-1)个功率预测值对应的时刻以前的第三预定时间长度的时间段，其中，初始的功率残差值序列为第一功率实际值序列中的功率实际值与第二功率预测值序列中的对应的功率预测值之间的差值形成的时间序列。

可选地，所述功率预测方法还包括：确定风力发电机组在当前时刻以前的第一预定时间长度内是否持续发电；当确定风力发电机组持续发电时，执行通过第一功率预测模型来预测第一功率预测值序列的步骤。

可选地，所述功率预测方法还包括：当确定风力发电机组没有持续发电时，将第一风速实际值序列输入到第一风速预测模型，以通过第一风速预测模型来预测第一风速预测值序列，其中，第一风速实际值序列为风力发电机组在当前时刻以前的第一预定时间长度内的环境风速实际值的时间序列，第一风速预测值序列为风力发电机组在未来第二预定时间长度内的环境风速预测值的时间序列；通过风速残差预测模型来预测分别与第一风速预测值序列中的每一个环境风速预测值对应的残差值，其中，与环境风速预测值对应的残差值是指与所述环境风速预测值对应的时刻的环境风速实际值与所述环境风速预测值之间的差值；将第一风速预测值序列中的每一个环境风速预测值和与其对应的残差值相加后得到的环境风速值序列，输入到第二功率预测模型，以通过第二功率预测模型来最终预测风力发电机组的功率值序列。

可选地，通过风速残差预测模型来预测分别与第一风速预测值序列中的每一个风速预测值对应的残差值的步骤包括：通过第一风速预测模型来预测风力发电机组的第二风速预测值序列，其中，第二风速预测值序列为风力发电机组在当前时刻以前的第一预定时间长度内的环境风速预测值的时间序列；基于第二风速预测值序列和第一风速实际值序列，通过风速残差预测模型来预测分别与第一风速预测值序列中的每一个环境风速预测值对应的残差值。

可选地，基于第二风速预测值序列和第一风速实际值序列，通过风速残差预测模型来预测分别与第一风速预测值序列中的每一个环境风速预测值对应的残差值的步骤包括：从第一风速预测值序列中的第一个风速预测值开始，依次预测与第一风速预测值序列中的每一个风速预测值对应的残差值，其中，针对第一风速预测值序列中的第j个环境风速预测值，将风速残差值序列之中的与第j时间段对应的各个残差值输入到风速残差预测模型，以通过风速残差预测模型预测与第j个环境风速预测值对应的残差值，并将预测得到的残差值添加到风速残差值序列以更新风速残差值序列，其中，当j为1时，第j时间段为当前时刻以前的第三预定时间长度的时间段，当j为大于1的整数时，第j时间段为与第一风速预测值序列中的第(j-1)个环境风速预测值对应的时刻以前的第三预定时间长度的时间段，其中，初始的风速残差值序列为第一风速实际值序列中的环境风速实际值与第二风速预测值序列中的对应的环境风速预测值之间的差值形成的时间序列。

可选地，风力发电机组的功率实际值为风力发电机组的输出功率实际值，风力发电机组的功率预测值为风力发电机组的输出功率预测值，最终预测的风力发电机组的功率值序列为风力发电机组的输出功率值序列；或者，风力发电机组的功率实际值为风力发电机组的电网侧有功功率实际值，风力发电机组的功率预测值为风力发电机组的电网侧有功功率预测值，最终预测的风力发电机组的功率值序列为风力发电机组的电网侧有功功率值序列。

可选地，第一功率预测模型为自回归积分滑动平均模型；和/或，功率残差预测模型为支持向量机回归模型。

可选地，第一风速预测模型为自回归积分滑动平均模型；和/或，风速残差预测模型为支持向量机回归模型；和/或，第二功率预测模型为支持向量机回归模型。

根据本发明的另一示例性实施例，提供一种低风速下的风力发电机组的功率预测设备，所述功率预测设备包括：第一功率预测单元，用于将第一功率实际值序列输入到第一功率预测模型，以通过第一功率预测模型来预测第一功率预测值序列，其中，第一功率实际值序列为风力发电机组在当前时刻以前的第一预定时间长度内的功率实际值的时间序列，第一功率预测值序列为风力发电机组在未来第二预定时间长度内的功率预测值的时间序列；功率残差预测单元，用于通过功率残差预测模型来预测分别与第一功率预测值序列中的每一个功率预测值对应的残差值，其中，与功率预测值对应的残差值是指与所述功率预测值对应的时刻的功率实际值与所述功率预测值之间的差值；叠加单元，用于将第一功率预测值序列中的每一个功率预测值和与其对应的残差值相加后得到的功率值序列，作为最终预测的风力发电机组的功率值序列。

可选地，第一功率预测单元通过第一功率预测模型来预测风力发电机组的第二功率预测值序列，其中，第二功率预测值序列为风力发电机组在当前时刻以前的第一预定时间长度内的功率预测值的时间序列，其中，功率残差预测单元基于第二功率预测值序列和第一功率实际值序列，通过功率残差预测模型来预测分别与第一功率预测值序列中的每一个功率预测值对应的残差值。

可选地，功率残差预测单元从第一功率预测值序列中的第一个功率预测值开始，依次预测与第一功率预测值序列中的每一个功率预测值对应的残差值，其中，功率残差预测单元针对第一功率预测值序列中的第i个功率预测值，将功率残差值序列之中的与第i时间段对应的各个残差值输入到功率残差预测模型，以通过功率残差预测模型来预测与第i个功率预测值对应的残差值，并将预测得到的残差值添加到功率残差值序列以更新功率残差值序列，其中，当i为1时，第i时间段为当前时刻以前的第三预定时间长度的时间段，当i为大于1的整数时，第i时间段为与第一功率预测值序列中的第(i-1)个功率预测值对应的时刻以前的第三预定时间长度的时间段，其中，初始的功率残差值序列为第一功率实际值序列中的功率实际值与第二功率预测值序列中的对应的功率预测值之间的差值形成的时间序列。

可选地，所述功率预测设备还包括：确定单元，用于确定风力发电机组在当前时刻以前的第一预定时间长度内是否持续发电，其中，当确定单元确定风力发电机组持续发电时，第一功率预测单元通过第一功率预测模型来预测第一功率预测值序列。

可选地，所述功率预测设备还包括：第一风速预测单元，用于当确定风力发电机组没有持续发电时，将第一风速实际值序列输入到第一风速预测模型，以通过第一风速预测模型来预测第一风速预测值序列，其中，第一风速实际值序列为风力发电机组在当前时刻以前的第一预定时间长度内的环境风速实际值的时间序列，第一风速预测值序列为风力发电机组在未来第二预定时间长度内的环境风速预测值的时间序列；风速残差预测单元，用于通过风速残差预测模型来预测分别与第一风速预测值序列中的每一个环境风速预测值对应的残差值，其中，与环境风速预测值对应的残差值是指与所述环境风速预测值对应的时刻的环境风速实际值与所述环境风速预测值之间的差值；第二功率预测单元，用于将第一风速预测值序列中的每一个环境风速预测值和与其对应的残差值相加后得到的环境风速值序列，输入到第二功率预测模型，以通过第二功率预测模型来最终预测风力发电机组的功率值序列。

可选地，第一风速预测单元通过第一风速预测模型来预测风力发电机组的第二风速预测值序列，其中，第二风速预测值序列为风力发电机组在当前时刻以前的第一预定时间长度内的环境风速预测值的时间序列，其中，风速残差预测单元基于第二风速预测值序列和第一风速实际值序列，通过风速残差预测模型来预测分别与第一风速预测值序列中的每一个环境风速预测值对应的残差值。

可选地，风速残差预测单元从第一风速预测值序列中的第一个风速预测值开始，依次预测与第一风速预测值序列中的每一个风速预测值对应的残差值，其中，风速残差预测单元针对第一风速预测值序列中的第j个环境风速预测值，将风速残差值序列之中的与第j时间段对应的各个残差值输入到风速残差预测模型，以通过风速残差预测模型预测与第j个环境风速预测值对应的残差值，并将预测得到的残差值添加到风速残差值序列以更新风速残差值序列，其中，当j为1时，第j时间段为当前时刻以前的第三预定时间长度的时间段，当j为大于1的整数时，第j时间段为与第一风速预测值序列中的第(j-1)个环境风速预测值对应的时刻以前的第三预定时间长度的时间段，其中，初始的风速残差值序列为第一风速实际值序列中的环境风速实际值与第二风速预测值序列中的对应的环境风速预测值之间的差值形成的时间序列。

可选地，风力发电机组的功率实际值为风力发电机组的输出功率实际值，风力发电机组的功率预测值为风力发电机组的输出功率预测值，最终预测的风力发电机组的功率值序列为风力发电机组的输出功率值序列；或者，风力发电机组的功率实际值为风力发电机组的电网侧有功功率实际值，风力发电机组的功率预测值为风力发电机组的电网侧有功功率预测值，最终预测的风力发电机组的功率值序列为风力发电机组的电网侧有功功率值序列。

可选地，第一功率预测模型为自回归积分滑动平均模型；和/或，功率残差预测模型为支持向量机回归模型。

可选地，第一风速预测模型为自回归积分滑动平均模型；和/或，风速残差预测模型为支持向量机回归模型；和/或，第二功率预测模型为支持向量机回归模型。

根据本发明的另一示例性实施例，提供一种存储有计算机程序的计算机可读存储介质，当所述计算机程序被处理器执行时实现如上所述的低风速下的风力发电机组的功率预测方法。

根据本发明的另一示例性实施例，提供一种计算装置，所述计算装置包括：处理器；存储器，存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的低风速下的风力发电机组的功率预测方法，以实现对至少一台风力发电机组的低风速下的功率的预测。

根据本发明示例性实施例的低风速下的风力发电机组的功率预测方法及设备，能够对风力发电机组的功率进行准确预测，尤其对于现有技术预测效果较差的短期功率预测具有较好的预测效果。

将在接下来的描述中部分阐述本发明总体构思另外的方面和/或优点，还有一部分通过描述将是清楚的，或者可以经过本发明总体构思的实施而得知。

附图说明

通过下面结合示例性地示出实施例的附图进行的描述，本发明示例性实施例的上述和其他目的和特点将会变得更加清楚，其中：

图1示出根据本发明示例性实施例的低风速下的风力发电机组的功率预测方法的流程图；

图2示出根据本发明示例性实施例的低风速下的风力发电机组的功率预测方法的示例；

图3示出根据本发明的另一示例性实施例的低风速下的风力发电机组的功率预测方法的流程图；

图4示出根据本发明示例性实施例的低风速下的风力发电机组的功率预测方法的另一示例；

图5示出根据本发明示例性实施例的低风速下的风力发电机组的功率预测方法的预测效果示意图；

图6示出根据本发明示例性实施例的低风速下的风力发电机组的功率预测设备的框图；

图7示出根据本发明的示例性实施例的计算装置的框图。

具体实施方式

现将详细参照本发明的实施例，所述实施例的示例在附图中示出，其中，相同的标号始终指的是相同的部件。以下将通过参照附图来说明所述实施例，以便解释本发明。

图1示出根据本发明示例性实施例的低风速下的风力发电机组的功率预测方法的流程图。

参照图1，在步骤S10，将第一功率实际值序列输入到第一功率预测模型，以通过第一功率预测模型来预测第一功率预测值序列。这里，第一功率实际值序列为风力发电机组在当前时刻(以下，也将当前时刻称为t时刻)以前的第一预定时间长度内的功率实际值的时间序列，第一功率预测值序列为风力发电机组在未来第二预定时间长度内的功率预测值的时间序列。

应该理解，第一功率实际值序列中的各个功率实际值(也即，各个序列点)按照与其对应的当前时刻或历史时刻(例如，采集该功率实际值的时刻)的先后顺序被排列，并且，相邻序列点对应的时刻之间均间隔第一预定时间间隔(也即，功率实际值的采样周期)。第一功率预测值序列中的各个功率预测值按照与其对应的未来时刻的先后顺序被排列，第一功率预测值序列中的相邻序列点对应的时刻之间均间隔第二预定时间间隔，第二预定时间间隔可与第一预定时间间隔相同。

作为示例，第一预定时间长度可大于或等于第二预定时间长度。

作为示例，第一功率实际值序列中的风力发电机组的功率实际值可为风力发电机组的输出功率实际值，相应地，第一功率预测值序列中的风力发电机组的功率预测值为风力发电机组的输出功率预测值，即，根据本发明示例性实施例的风力发电机组的功率预测方法预测的是风力发电机组的输出功率。作为另一示例，第一功率实际值序列中的风力发电机组的功率实际值可为风力发电机组的电网侧有功功率实际值，相应地，第一功率预测值序列中的风力发电机组的功率预测值为风力发电机组的电网侧有功功率预测值，即，根据本发明示例性实施例的风力发电机组的功率预测方法预测的是风力发电机组的电网侧有功功率。应该理解，也可通过本发明示例性实施例的风力发电机组的功率预测方法来预测风力发电机组的其他类型的功率，本发明对此不作限制。

在步骤S20，通过功率残差预测模型来预测分别与第一功率预测值序列中的每一个功率预测值对应的残差值。这里，与功率预测值对应的残差值是指与所述功率预测值对应的时刻的功率实际值与所述功率预测值之间的差值。

作为示例，可先通过第一功率预测模型来预测风力发电机组的第二功率预测值序列，其中，第二功率预测值序列为风力发电机组在当前时刻以前的第一预定时间长度内的功率预测值的时间序列；然后，基于第二功率预测值序列和第一功率实际值序列，通过功率残差预测模型来预测分别与第一功率预测值序列中的每一个功率预测值对应的残差值。

作为示例，通过第一功率预测模型来预测风力发电机组的第二功率预测值序列的步骤可包括：将第二功率实际值序列输入到第一功率预测模型，以通过第一功率预测模型来预测第二功率预测值序列，其中，第二功率实际值序列为风力发电机组在(t-m)时刻以前的第三预定时间长度内的功率实际值的时间序列，其中，t指示当前时刻，m指示第一预定时间长度。作为示例，第三预定时间长度可大于或等于第一预定时间长度。

作为示例，基于第二功率预测值序列和第一功率实际值序列，通过功率残差预测模型来预测分别与第一功率预测值序列中的每一个功率预测值对应的残差值的步骤可包括：从第一功率预测值序列中的第一个功率预测值开始，依次预测与第一功率预测值序列中的每一个功率预测值对应的残差值，其中，针对第一功率预测值序列中的第i个功率预测值，将功率残差值序列之中的与第i时间段对应的各个残差值(也即，功率残差值序列之中的后预定数量的残差值)输入到功率残差预测模型，以通过功率残差预测模型来预测与第i个功率预测值对应的残差值，并将预测得到的与第i个功率预测值对应的残差值添加到功率残差值序列以更新功率残差值序列。这里，当i为1时，第i时间段为当前时刻以前的第四预定时间长度的时间段，当i为大于1的整数时，第i时间段为与第一功率预测值序列中的第(i-1)个功率预测值对应的时刻以前的第四预定时间长度的时间段，其中，初始的功率残差值序列为第一功率实际值序列中的功率实际值与第二功率预测值序列中的对应的功率预测值之间的差值形成的时间序列。

应该理解，初始的功率残差值序列即为第一功率实际值序列中的各个功率实际值与与其对应时刻的功率预测值之间的差值(也即，与所述各个功率实际值对应的时刻的残差值)形成的时间序列；与第i个功率预测值对应的残差值所对应的时刻即为第i个功率预测值所对应的时刻；功率残差值序列之中的与第i时间段对应的各个残差值即：功率残差值序列之中的对应的时刻落在第i时间段内的所有残差值。

应该理解，从第一功率预测值序列中的第一个功率预测值开始，依次预测与第一功率预测值序列中的每一个功率预测值对应的残差值，即预测完与前一个功率预测值对应的残差值，才能预测与后一个功率预测值对应的残差值，并且，预测得到的与前一个功率预测值对应的残差值被用于预测与后一个功率预测值对应的残差值。

作为示例，可通过在线的方式训练与风力发电机组对应的第一功率预测模型和功率残差预测模型。具体说来，可直接使用当前采集到的风力发电机组的功率数据来实时训练第一功率预测模型和功率残差预测模型。

作为另一示例，可通过离线的方式训练与风力发电机组对应的第一功率预测模型和功率残差预测模型。具体说来，可获取风力发电机组在一个历史时段内的功率数据来一次性训练第一功率预测模型和功率残差预测模型。

在步骤S30，将第一功率预测值序列中的每一个功率预测值和与其对应的残差值相加后得到的功率值序列，作为最终预测的风力发电机组的功率值序列。

应该理解，第一功率预测模型和功率残差预测模型可以是各种适当的预测模型，例如，可以是神经网络模型(NN)、多元自适应回归样条(MARS)模型等，本发明对此不作限制。

应该理解，通过将第二预定时间长度设置为较小的值，即可实现对短期(例如，分钟级)功率的预测，相应地，通过将第二预定时间长度设置为较大的值，即可实现对中长期(例如，小时级、天级)功率的预测。相较于中长期功率预测，短期功率预测对预测速度和预测准确度均有较高的要求，现有技术较难实现对短期功率的快速准确预测。

本发明考虑到低风速下风力发电机组的功率的变化特点，以及自回归积分滑动平均(ARIMA)模型可以对预测对象的变化趋势进行较好的预测，支持向量机回归(SVR)模型对数据变化具有较强的敏感性，作为优选示例，第一功率预测模型可为自回归积分滑动平均模型，功率残差预测模型可为支持向量机回归模型，从而能够实现对低风速状态下的功率的快速准确预测，即使对短期功率也能够达到较好的预测效果。

图2示出根据本发明示例性实施例的低风速下的风力发电机组的功率预测方法的示例。

这里，第一功率预测模型为ARIMA(p，d，q)模型，其中，p，d，q为模型参数，通过训练得到；功率残差预测模型为SVR模型，功率残差预测模型的模型参数通过训练得到。各个序列的采样周期均为n秒，也即，每个序列中的相邻序列点对应的时刻之间均间隔n秒。

参照图2，在步骤S10，可将第一功率实际值序列{s(t-a*n)，...，s(t-1*n),s(t)}输入到训练好的第一功率预测模型，以通过第一功率预测模型来预测第一功率预测值序列{s'(t+1*n),s'(t+2*n),...,s'(t+b*n)}。这里，t指示当前时刻，s(t)指示当前时刻的功率实际值，s(t-1*n)指示(t-1*n)这一时刻的功率实际值，第一功率实际值序列包括(a+1)个序列点，第一功率实际值序列对应的第一预定时间长度为a*n。相应地，s'(t+1*n)指示通过第一功率预测模型预测得到的(t+1*n)这一时刻的功率预测值，第一功率预测值序列包括b个序列点，第一功率预测值序列对应的第二预定时间长度为(b-1)*n。a，b，n的值可通过多次试验来取最优值，例如，n的值可小于等于2秒，第二预定时间长度可小于或等于第一预定时间长度，第一预定时间长度可小于10分钟。

在步骤S20，可首先将第二功率实际值序列{s(t-(a+c)*n),...,s(t-(a+2)*n),s(t-(a+1)*n)}输入到第一功率预测模型，以通过第一功率预测模型来预测第二功率预测值序列{s'(t-a*n)，...，s'(t-1*n),s'(t)}；然后，将第一功率实际值序列{s(t-a*n)，...，s(t-1*n),s(t)}与第二功率预测值序列{s'(t-a*n)，...，s'(t-1*n),s'(t)}对应做差得到功率残差值序列{e(t-a*n)，...，e(t-1*n),e(t)}；接下来，将功率残差值序列中的后f个残差值(即，e(t-(f-1)*n)，...，e(t-1*n),e(t))输入到训练好的功率残差预测模型来预测与s'(t+1*n)对应的残差值e'(t+1*n)，并将预测得到的残差值e'(t+1*n)添加到功率残差值序列以更新功率残差值序列(即，更新后的功率残差值序列为{e(t-a*n)，...，e(t-1*n),e(t),e'(t+1*n)})，然后再基于更新后的功率残差值序列针对第一功率预测值序列中的下一个功率预测值重复执行上述步骤，直至预测得到与第一功率预测值序列中的每一个功率预测值对应的残差值(即，e'(t+1*n),e'(t+2*n),...,e'(t+b*n))。即，通过训练好的功率残差预测模型使用滚动残差的方式来逐步预测与第一功率预测值序列中的每一个功率预测值对应的残差值。

这里，s(t-(a+1)*n)指示(t-(a+1)*n)这一时刻的功率实际值，第二功率实际值序列包括c个序列点，第二功率实际值序列对应的第三预定时间长度为(c-1)*n，第三预定时间长度可大于或等于第一预定时间长度。此外，f的值可通过多次试验来取最优值，如果f取值过大，则训练次数减少模型会不准确，如果f取值过小，则输入序列较短无法准确预测。

在步骤S30，将第一功率预测值序列{s'(t+1*n),s'(t+2*n),...,s'(t+b*n)}中的每一个功率预测值和与其对应的残差值相加后得到的功率值序列{p(t+1*n),p(t+2*n),...,p(t+b*n)}，作为最终预测的风力发电机组的功率值序列。

图3示出根据本发明的另一示例性实施例的低风速下的风力发电机组的功率预测方法的流程图。

参照图3，根据本发明的另一示例性实施例的低风速下的风力发电机组的功率预测方法除包括图1所示的步骤S10、步骤S20和步骤S30之外，还可包括步骤S40、S50、S60和S70。步骤S10至步骤S30可参照根据图1和图2描述的具体实施方式来实现，在此不再赘述。

在步骤S40，确定风力发电机组在当前时刻以前的第一预定时间长度内是否持续发电。也即，确定风力发电机组在当前时刻以前的第一预定时间长度内的功率实际值是否连续(没有中断)。

应该理解，可通过各种适当的方式来确定风力发电机组在当前时刻以前的第一预定时间长度内是否持续发电。

作为示例，可确定风力发电机组在当前时刻以前的(第一预定时间长度+第三预定时间长度)内是否持续发电。

当在步骤S40确定风力发电机组持续发电时，执行步骤S10至步骤S30。

具体说来，当风力发电机组在当前时刻以前的第一预定时间长度内持续发电时，即能够得到第一功率实际值序列来进行预测，因此，可执行步骤S10至步骤S30。当风力发电机组在当前时刻以前的第一预定时间长度内不持续发电时，即不能够得到第一功率实际值序列来进行预测，考虑到风力发电机组的功率变化与风速的变化具有较强的相关性，因此，作为示例，当在步骤S40确定风力发电机组不持续发电时，可执行步骤S40。

在步骤S40，将第一风速实际值序列输入到第一风速预测模型，以通过第一风速预测模型来预测第一风速预测值序列，其中，第一风速实际值序列为风力发电机组在当前时刻以前的第一预定时间长度内的环境风速实际值的时间序列，第一风速预测值序列为风力发电机组在未来第二预定时间长度内的环境风速预测值的时间序列。

应该理解，第一风速实际值序列中的各个环境风速实际值(也即，各个序列点)按照与其对应的当前时刻或历史时刻(例如，采集该环境风速实际值的时刻)的先后顺序被排列，并且，相邻序列点对应的时刻之间均间隔第一预定时间间隔(也即，环境风速实际值的采样周期)。第一风速预测值序列中的各个环境风速预测值按照与其对应的未来时刻的先后顺序被排列，第一风速预测值序列中的相邻序列点对应的时刻之间均间隔第二预定时间间隔。

在步骤S50，通过风速残差预测模型来预测分别与第一风速预测值序列中的每一个环境风速预测值对应的残差值，其中，与环境风速预测值对应的残差值是指与所述环境风速预测值对应的时刻的环境风速实际值与所述环境风速预测值之间的差值。

作为示例，可先通过第一风速预测模型来预测风力发电机组的第二风速预测值序列，其中，第二风速预测值序列为风力发电机组在当前时刻以前的第一预定时间长度内的环境风速预测值的时间序列；然后，可基于第二风速预测值序列和第一风速实际值序列，通过风速残差预测模型来预测分别与第一风速预测值序列中的每一个环境风速预测值对应的残差值。

作为示例，通过第一风速预测模型来预测风力发电机组的第二风速预测值序列的步骤可包括：将第二风速实际值序列输入到第一风速预测模型，以通过第一风速预测模型来预测第二风速预测值序列，其中，第二风速实际值序列为风力发电机组在(t-m)时刻以前的第三预定时间长度内的环境风速实际值的时间序列，其中，t指示当前时刻，m指示第一预定时间长度。

作为示例，基于第二风速预测值序列和第一风速实际值序列，通过风速残差预测模型来预测分别与第一风速预测值序列中的每一个环境风速预测值对应的残差值的步骤可包括：从第一风速预测值序列中的第一个环境风速预测值开始，依次预测与第一风速预测值序列中的每一个环境风速预测值对应的残差值，其中，针对第一风速预测值序列中的第j个环境风速预测值，将风速残差值序列之中的与第j时间段对应的各个残差值(也即，风速残差值序列之中的后预定数量的残差值)输入到风速残差预测模型，以通过风速残差预测模型预测与第j个环境风速预测值对应的残差值，并将预测得到的残差值添加到风速残差值序列以更新风速残差值序列，其中，当j为1时，第j时间段为当前时刻以前的第四预定时间长度的时间段，当j为大于1的整数时，第j时间段为与第一风速预测值序列中的第(j-1)个环境风速预测值对应的时刻以前的第四预定时间长度的时间段，其中，初始的风速残差值序列为第一风速实际值序列中的环境风速实际值与第二风速预测值序列中的对应的环境风速预测值之间的差值形成的时间序列。

在步骤S60，将第一风速预测值序列中的每一个环境风速预测值和与其对应的残差值相加后得到的环境风速值序列，输入到第二功率预测模型，以通过第二功率预测模型来最终预测风力发电机组的功率值序列。这里，最终预测得到的功率值序列为通过第二功率预测模型最终预测的风力发电机组在未来第二预定时间长度内的功率值的时间序列。

作为示例，通过第二功率预测模型最终预测得到的可以是风力发电机组的输出功率值序列，相应地，在训练第二功率预测模型时使用的是风力发电机组的输出功率数据。作为另一示例，通过第二功率预测模型最终预测得到的可以是风力发电机组的电网侧有功功率值序列，相应地，在训练第二功率预测模型时使用的是风力发电机组的电网侧有功功率数据。应该理解，也可通过第二功率预测模型来预测风力发电机组的其他类型的功率，本发明对此不作限制。

作为示例，可通过在线的方式训练与风力发电机组对应的第一风速预测模型、风速残差预测模型和第二功率预测模型。具体说来，可直接使用当前采集到的风力发电机组的环境风速数据和功率数据来实时训练第一风速预测模型、风速残差预测模型和第二功率预测模型。

作为另一示例，可通过离线的方式训练与风力发电机组对应的第一风速预测模型、风速残差预测模型和第二功率预测模型。具体说来，可获取风力发电机组在一个历史时段内的环境风速数据和功率数据来一次性训练第一风速预测模型、风速残差预测模型和第二功率预测模型。

应该理解，第一风速预测模型、风速残差预测模型和第二功率预测模型可以是各种适当的预测模型，例如，可以是神经网络模型(NN)、多元自适应回归样条(MARS)模型等，本发明对此不作限制。本发明考虑到风速具有多变(即，风速、风向变化频繁)、湍流强度大等特点，以及自回归积分滑动平均(ARIMA)模型可以对预测对象的变化趋势进行较好的预测，支持向量机回归(SVR)模型对数据变化具有较强的敏感性，作为优选示例，第一风速预测模型可为自回归积分滑动平均模型；风速残差预测模型可为支持向量机回归模型；第二功率预测模型可为支持向量机回归模型，从而能够实现对低风速状态下的功率的快速准确预测，即使对短期功率也能够达到较好的预测效果。

图4示出根据本发明示例性实施例的低风速下的风力发电机组的功率预测方法的另一示例。

这里，第一风速预测模型为ARIMA(p，d，q)模型，其中，p，d，q为模型参数，通过训练得到；风速残差预测模型为SVR模型(即，图4中的SVR预测模型1)，风速残差预测模型的模型参数通过训练得到；第二功率预测模型为SVR模型(即，图4中的SVR预测模型2)，第二功率预测模型的模型参数通过训练得到。各个序列的采样周期均为n秒，也即，每个序列中的相邻序列点对应的时刻之间均间隔n秒。

参照图4，在步骤S50，可将第一风速实际值序列{v(t-a*n)，...，v(t-1*n),v(t)}输入到训练好的第一风速预测模型，以通过第一风速预测模型来预测第一风速预测值序列{v'(t+1*n),v'(t+2*n),...,v'(t+b*n)}。这里，t指示当前时刻，v(t)指示当前时刻的环境风速实际值，v(t-1*n)指示(t-1*n)这一时刻的环境风速实际值，第一风速实际值序列包括(a+1)个序列点，第一风速实际值序列对应的第一预定时间长度为a*n。相应地，v'(t+1*n)指示通过第一风速预测模型预测得到的(t+1*n)这一时刻的环境风速预测值，第一风速预测值序列包括b个序列点，第一风速预测值序列对应的第二预定时间长度为(b-1)*n。

在步骤S60，可首先将第二风速实际值序列{v(t-(a+c)*n),...,v(t-(a+2)*n),v(t-(a+1)*n)}输入到第一风速预测模型，以通过第一风速预测模型来预测第二风速预测值序列{v'(t-a*n)，...，v'(t-1*n),v'(t)}；然后，将第一风速实际值序列{v(t-a*n)，...，v(t-1*n),v(t)}与第二风速预测值序列{v'(t-a*n)，...，v'(t-1*n),v'(t)}对应做差得到风速残差值序列{e(t-a*n)，...，e(t-1*n),e(t)}；接下来，将风速残差值序列中的后f个残差值(即，e(t-(f-1)*n)，...，e(t-1*n),e(t))输入到训练好的风速残差预测模型来预测与v'(t+1*n)对应的残差值e'(t+1*n)，并将预测得到的残差值e'(t+1*n)添加到风速残差值序列以更新风速残差值序列(即，更新后的风速残差值序列为{e(t-a*n)，...，e(t-1*n),e(t),e'(t+1*n)})，然后再基于更新后的风速残差值序列针对第一风速预测值序列中的下一个环境风速预测值重复执行上述步骤，直至预测得到分别与第一风速预测值序列中的每一个环境风速预测值对应的残差值(即，e'(t+1*n),e'(t+2*n),...,e'(t+b*n))。即，通过训练好的风速残差预测模型使用滚动残差的方式来逐步预测与第一风速预测值序列中的每一个环境风速预测值对应的残差值。

这里，v(t-(a+1)*n)指示(t-(a+1)*n)这一时刻的环境风速实际值，第二风速实际值序列包括c个序列点，第二风速实际值序列对应的第三预定时间长度为(c-1)*n，第三预定时间长度可大于或等于第一预定时间长度。此外，第四预定时间长度即(f-1)*n。

在步骤S70，将第一风速预测值序列{v'(t+1*n),v'(t+2*n),...,v'(t+b*n)}中的每一个环境风速预测值和与其对应的残差值相加后得到的风速值序列{v(t+1*n),v(t+2*n),...,v(t+b*n)}输入到第二功率预测模型，以通过第二功率预测模型来最终预测风力发电机组的功率值序列{p(t+1*n),p(t+2*n),...,p(t+b*n)}。

表1示出不同风速条件下不同功率预测方法的预测效果，其中，“MARS”指示单独使用多元自适应回归样条模型预测风力发电机组的功率的方法，“SVR”指示单独使用支持向量机模型预测风力发电机组的功率的方法，“NN”指示单独使用神经网络模型预测风力发电机组的功率的方法，“ARIMA”指示单独使用自回归积分滑动平均模型预测风力发电机组的功率的方法，“ARIMA+SVR”指示使用如图2所示的风力发电机组的功率预测方法。可以看出，使用如图2所示的风力发电机组的功率预测方法，无论是预测的功率的相对误差中位数，还是预测功率表现最优的次数，均优于其他的功率预测方法，尤其对于低风速高湍流强度情况下的功率的预测，明显优于其他的功率预测方法。

表1不同功率预测方法的预测效果

图5示出根据本发明示例性实施例的低风速下的风力发电机组的功率预测方法的预测效果示意图。参照图5，曲线“L1”指示风力发电机组的功率随时间变化的曲线；“L2”指示仅通过ARIMA模型预测的功率随时间变化的曲线；“L3”指示通过图2所示的风力发电机组的功率预测方法预测的功率随时间变化的曲线。可以看出，通过本发明的风力发电机组的功率预测方法预测得到的功率与实际功率的相对误差较小，具有较高的预测准确度，并且，由于低风速情况下的功率较难被准确预测，仅通过ARIMA模型预测的低风速情况下的功率与实际功率相比误差较大，而通过本发明的风力发电机组的功率预测方法则能够较准确地预测低风速情况下的功率。

根据本发明的示例性实施例，算法的复杂性较低，因此计算量较小，能够实现对功率的快速预测，与此同时，又充分考虑了低风速下风力发电机组的功率变化特性，能够准确地对低风速下的功率进行预测，并且，完全能够满足短期功率预测的要求。

图6示出根据本发明示例性实施例的低风速下的风力发电机组的功率预测设备的框图。如图6所示，根据本发明示例性实施例的低风速下的风力发电机组的功率预测设备包括：第一功率预测单元10、功率残差预测单元20和叠加单元30。

第一功率预测单元10用于将第一功率实际值序列输入到第一功率预测模型，以通过第一功率预测模型来预测第一功率预测值序列，其中，第一功率实际值序列为风力发电机组在当前时刻以前的第一预定时间长度内的功率实际值的时间序列，第一功率预测值序列为风力发电机组在未来第二预定时间长度内的功率预测值的时间序列。

功率残差预测单元20用于通过功率残差预测模型来预测分别与第一功率预测值序列中的每一个功率预测值对应的残差值，其中，与功率预测值对应的残差值是指与所述功率预测值对应的时刻的功率实际值与所述功率预测值之间的差值。

叠加单元30用于将第一功率预测值序列中的每一个功率预测值和与其对应的残差值相加后得到的功率值序列，作为最终预测的风力发电机组的功率值序列。

作为示例，第一功率预测单元10可通过第一功率预测模型来预测风力发电机组的第二功率预测值序列，其中，第二功率预测值序列为风力发电机组在当前时刻以前的第一预定时间长度内的功率预测值的时间序列，其中，功率残差预测单元20可基于第二功率预测值序列和第一功率实际值序列，通过功率残差预测模型来预测分别与第一功率预测值序列中的每一个功率预测值对应的残差值。

作为示例，功率残差预测单元20可从第一功率预测值序列中的第一个功率预测值开始，依次预测与第一功率预测值序列中的每一个功率预测值对应的残差值，其中，功率残差预测单元20针对第一功率预测值序列中的第i个功率预测值，将功率残差值序列之中的与第i时间段对应的各个残差值输入到功率残差预测模型，以通过功率残差预测模型来预测与第i个功率预测值对应的残差值，并将预测得到的残差值添加到功率残差值序列以更新功率残差值序列，其中，当i为1时，第i时间段为当前时刻以前的第四预定时间长度的时间段，当i为大于1的整数时，第i时间段为与第一功率预测值序列中的第(i-1)个功率预测值对应的时刻以前的第四预定时间长度的时间段，其中，初始的功率残差值序列为第一功率实际值序列中的功率实际值与第二功率预测值序列中的对应的功率预测值之间的差值形成的时间序列。

作为示例，根据本发明示例性实施例的低风速下的风力发电机组的功率预测设备还可包括：确定单元(未示出)。

确定单元用于确定风力发电机组在当前时刻以前的第一预定时间长度内是否持续发电，其中，当确定单元确定风力发电机组持续发电时，第一功率预测单元10通过第一功率预测模型来预测第一功率预测值序列。

作为示例，根据本发明示例性实施例的低风速下的风力发电机组的功率预测设备还可包括：第一风速预测单元(未示出)、风速残差预测单元(未示出)和第二功率预测单元(未示出)。

第一风速预测单元用于当确定风力发电机组没有持续发电时，将第一风速实际值序列输入到第一风速预测模型，以通过第一风速预测模型来预测第一风速预测值序列，其中，第一风速实际值序列为风力发电机组在当前时刻以前的第一预定时间长度内的环境风速实际值的时间序列，第一风速预测值序列为风力发电机组在未来第二预定时间长度内的环境风速预测值的时间序列。

风速残差预测单元用于通过风速残差预测模型来预测分别与第一风速预测值序列中的每一个环境风速预测值对应的残差值，其中，与环境风速预测值对应的残差值是指与所述环境风速预测值对应的时刻的环境风速实际值与所述环境风速预测值之间的差值。

第二功率预测单元用于将第一风速预测值序列中的每一个环境风速预测值和与其对应的残差值相加后得到的环境风速值序列，输入到第二功率预测模型，以通过第二功率预测模型来最终预测风力发电机组的功率值序列。

作为示例，第一风速预测单元可通过第一风速预测模型来预测风力发电机组的第二风速预测值序列，其中，第二风速预测值序列为风力发电机组在当前时刻以前的第一预定时间长度内的环境风速预测值的时间序列，其中，风速残差预测单元可基于第二风速预测值序列和第一风速实际值序列，通过风速残差预测模型来预测与第一风速预测值序列中的每一个环境风速预测值对应的残差值。

作为示例，风速残差预测单元可从第一风速预测值序列中的第一个风速预测值开始，依次预测与第一风速预测值序列中的每一个风速预测值对应的残差值，其中，风速残差预测单元针对第一风速预测值序列中的第j个环境风速预测值，将风速残差值序列之中的与第j时间段对应的各个残差值输入到风速残差预测模型，以通过风速残差预测模型预测与第j个环境风速预测值对应的残差值，并将预测得到的残差值添加到风速残差值序列以更新风速残差值序列，其中，当j为1时，第j时间段为当前时刻以前的第四预定时间长度的时间段，当j为大于1的整数时，第j时间段为与第一风速预测值序列中的第(j-1)个环境风速预测值对应的时刻以前的第四预定时间长度的时间段，其中，初始的风速残差值序列为第一风速实际值序列中的环境风速实际值与第二风速预测值序列中的对应的环境风速预测值之间的差值形成的时间序列。

作为示例，风力发电机组的功率实际值可为风力发电机组的输出功率实际值，风力发电机组的功率预测值可为风力发电机组的输出功率预测值，最终预测的风力发电机组的功率值序列可为风力发电机组的输出功率值序列；或者，风力发电机组的功率实际值可为风力发电机组的电网侧有功功率实际值，风力发电机组的功率预测值可为风力发电机组的电网侧有功功率预测值，最终预测的风力发电机组的功率值序列可为风力发电机组的电网侧有功功率值序列。

作为示例，第一功率预测模型可为自回归积分滑动平均模型；和/或，功率残差预测模型可为支持向量机回归模型。

作为示例，第一风速预测模型可为自回归积分滑动平均模型；和/或，风速残差预测模型可为支持向量机回归模型；和/或，第二功率预测模型可为支持向量机回归模型。

应该理解，根据本发明示例性实施例的低风速下的风力发电机组的功率预测设备的具体实现方式可参照结合图1至图5描述的相关具体实现方式来实现，在此不再赘述。

此外，应该理解，根据本发明示例性实施例的低风速下的风力发电机组的功率预测设备中的各个单元可被实现为硬件组件和/或软件组件。本领域技术人员根据限定的各个单元所执行的处理，可以例如使用现场可编程门阵列(FPGA)或专用集成电路(ASIC)来实现各个单元。

图7示出根据本发明的示例性实施例的计算装置40的框图。这里，计算装置40可仅用于预测单台风力发电机组的低风速下的功率，例如，计算装置40可以是该风力发电机组的主控制器；计算装置40也可用于预测多台风力发电机组的低风速下的功率，例如，计算装置40可以是场群控制器。应该理解，当计算装置40用于预测多台风力发电机组的功率时，不同风力发电机组对应不同的预测模型，针对任一风力发电机组的预测模型均是使用该风力发电机组的运行数据训练得到的。

如图7所示，计算装置40的组件可以包括但不限于：一个或更多个处理器或处理单元401、系统存储器402、连接不同系统组件(包括处理单元401和系统存储器402)的总线403。

总线403表示多种总线结构中的一种或多种。举例来说，这些总线结构包括但不限于：工业体系结构(ISA)总线、微通道体系结构(MAC)总线、增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

在本发明的另一示例性实施例中，计算装置40还可包括一种或多种计算机系统可读介质。这些介质可以是任何能够被计算装置40访问的可用介质，包括易失性介质和非易失性介质、可移动介质或不可移动介质。

系统存储器402可包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)404和/或高速缓存存储器405。系统存储器402可进一步包括其它可移动/不可移动、易失性/非易失性计算机系统存储介质。仅作为示例，系统存储器402还可包括存储系统406，其中，存储系统406可以用于读写不可移动的、非易失性磁介质(图7中未示出，通常被称为“硬盘驱动器”)。尽管图7中未示出，但系统存储器402还可包括用于对可移动非易失性磁盘(例如软盘)读写的磁盘驱动器、以及对可移动非易失性光盘(例如CD-ROM、DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线403相连。系统存储器402可以包括至少一个程序产品，其中，程序产品具有被配置为执行本发明各实施例的多个功能的至少一个程序模块407。

具有至少一个程序模块407的程序/实用工具408可被存储在例如系统存储器402中，这样的程序模块407包括但不限于：操作系统、一个或更多个应用程序、其它程序模块以及程序数据，此外，这些示例中的每一个或某种组合中可包括网络环境的实现。程序模块407通常执行本发明所描述的实施例中的功能和/或方法，以预测至少一台风力发电机组的低风速下的功率。

计算装置40也可以与显示器50以及一个或更多个其它外部设备60(例如键盘、指向设备等)通信，还可以与一个或更多个使得用户能够与该计算装置40交互的设备通信和/或与使得计算装置40能与一个或更多个其它计算设备进行通信的任何设备(例如网卡、调制解调器等)通信。这种通信可以通过输入/输出(I/O)接口409进行。此外，计算装置40还可通过网络适配器410与一个或更多个网络(例如局域网(LAN)、广域网(WAN)和/或公共网络(例如因特网))进行通信。如图7中所示，网络适配器410可通过总线403与计算装置40的其它模块通信。应当明白，尽管图7中未示出，但是可结合计算机系统使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

应当注意，图7仅仅示意性地示出了可以用于实现本发明中各个实施方式的计算装置40的示意图。本领域技术人员可以理解，该计算装置40可以由当前风机控制系统中现有的控制设备来实现，或者可通过引入附加控制设备来实现，还可以由风机控制系统中的现有控制设备和新增的附加设备一起实现。此外，本发明还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序可包括用于执行上述低风速下的风力发电机组的功率预测方法中各种操作的指令。

此外，本发明还提供了一种计算装置，包括存储有计算机程序的可读介质，所述计算机程序包括用于执行上述低风速下的风力发电机组的功率预测方法中各种操作的指令。

根据本发明的示例性实施例的计算机可读存储介质，存储有当被处理器执行时使得处理器执行上述低风速下的风力发电机组的功率预测方法的计算机程序。该计算机可读存储介质是可存储由计算机系统读出的数据的任意数据存储装置。计算机可读存储介质的示例包括：只读存储器、随机存取存储器、只读光盘、磁带、软盘、光数据存储装置和载波(诸如经有线或无线传输路径通过互联网的数据传输)。

虽然已表示和描述了本发明的一些示例性实施例，但本领域技术人员应该理解，在不脱离由权利要求及其等同物限定其范围的本发明的原理和精神的情况下，可以对这些实施例进行修改。

Claims (16)

1.一种低风速下的风力发电机组的功率预测方法，其特征在于，所述功率预测方法适用于低风速高湍流强度情况下的功率的预测，所述功率预测方法包括：

将第一功率实际值序列输入到第一功率预测模型，以通过第一功率预测模型来预测第一功率预测值序列，其中，第一功率实际值序列为风力发电机组在当前时刻以前的第一预定时间长度内的功率实际值的时间序列，第一功率预测值序列为风力发电机组在未来第二预定时间长度内的功率预测值的时间序列；

通过功率残差预测模型来预测分别与第一功率预测值序列中的每一个功率预测值对应的残差值，其中，与功率预测值对应的残差值是指与所述功率预测值对应的时刻的功率实际值与所述功率预测值之间的差值；

将第一功率预测值序列中的每一个功率预测值和与其对应的残差值相加后得到的功率值序列，作为最终预测的风力发电机组的功率值序列，

其中，第一功率预测模型为自回归积分滑动平均模型；

和，功率残差预测模型为支持向量机回归模型；

其中，通过功率残差预测模型来预测分别与第一功率预测值序列中的每一个功率预测值对应的残差值的步骤包括：

通过第一功率预测模型来预测风力发电机组的第二功率预测值序列，其中，第二功率预测值序列为风力发电机组在当前时刻以前的第一预定时间长度内的功率预测值的时间序列，

基于第二功率预测值序列和第一功率实际值序列，通过功率残差预测模型来预测分别与第一功率预测值序列中的每一个功率预测值对应的残差值；

其中，基于第二功率预测值序列和第一功率实际值序列，通过功率残差预测模型来预测分别与第一功率预测值序列中的每一个功率预测值对应的残差值的步骤包括：

从第一功率预测值序列中的第一个功率预测值开始，依次预测与第一功率预测值序列中的每一个功率预测值对应的残差值，其中，针对第一功率预测值序列中的第i个功率预测值，将功率残差值序列之中的与第i时间段对应的各个残差值输入到功率残差预测模型，以通过功率残差预测模型来预测与第i个功率预测值对应的残差值，并将预测得到的残差值添加到功率残差值序列以更新功率残差值序列，

其中，当i为1时，第i时间段为当前时刻以前的第三预定时间长度的时间段，当i为大于1的整数时，第i时间段为与第一功率预测值序列中的第（i-1）个功率预测值对应的时刻以前的第三预定时间长度的时间段，

其中，初始的功率残差值序列为第一功率实际值序列中的功率实际值与第二功率预测值序列中的对应的功率预测值之间的差值形成的时间序列。

2.根据权利要求1所述的功率预测方法，其特征在于，所述功率预测方法还包括：

确定风力发电机组在当前时刻以前的第一预定时间长度内是否持续发电；

当确定风力发电机组持续发电时，执行通过第一功率预测模型来预测第一功率预测值序列的步骤。

3.根据权利要求2所述的功率预测方法，其特征在于，所述功率预测方法还包括：

当确定风力发电机组没有持续发电时，将第一风速实际值序列输入到第一风速预测模型，以通过第一风速预测模型来预测第一风速预测值序列，其中，第一风速实际值序列为风力发电机组在当前时刻以前的第一预定时间长度内的环境风速实际值的时间序列，第一风速预测值序列为风力发电机组在未来第二预定时间长度内的环境风速预测值的时间序列；

通过风速残差预测模型来预测分别与第一风速预测值序列中的每一个环境风速预测值对应的残差值，其中，与环境风速预测值对应的残差值是指与所述环境风速预测值对应的时刻的环境风速实际值与所述环境风速预测值之间的差值；

将第一风速预测值序列中的每一个环境风速预测值和与其对应的残差值相加后得到的环境风速值序列，输入到第二功率预测模型，以通过第二功率预测模型来最终预测风力发电机组的功率值序列。

4.根据权利要求3所述的功率预测方法，其特征在于，通过风速残差预测模型来预测分别与第一风速预测值序列中的每一个风速预测值对应的残差值的步骤包括：

通过第一风速预测模型来预测风力发电机组的第二风速预测值序列，其中，第二风速预测值序列为风力发电机组在当前时刻以前的第一预定时间长度内的环境风速预测值的时间序列；

基于第二风速预测值序列和第一风速实际值序列，通过风速残差预测模型来预测分别与第一风速预测值序列中的每一个环境风速预测值对应的残差值。

5.根据权利要求4所述的功率预测方法，其特征在于，基于第二风速预测值序列和第一风速实际值序列，通过风速残差预测模型来预测分别与第一风速预测值序列中的每一个环境风速预测值对应的残差值的步骤包括：

从第一风速预测值序列中的第一个风速预测值开始，依次预测与第一风速预测值序列中的每一个风速预测值对应的残差值，其中，针对第一风速预测值序列中的第j个环境风速预测值，将风速残差值序列之中的与第j时间段对应的各个残差值输入到风速残差预测模型，以通过风速残差预测模型预测与第j个环境风速预测值对应的残差值，并将预测得到的残差值添加到风速残差值序列以更新风速残差值序列，

其中，当j为1时，第j时间段为当前时刻以前的第三预定时间长度的时间段，当j为大于1的整数时，第j时间段为与第一风速预测值序列中的第（j-1）个环境风速预测值对应的时刻以前的第三预定时间长度的时间段，

其中，初始的风速残差值序列为第一风速实际值序列中的环境风速实际值与第二风速预测值序列中的对应的环境风速预测值之间的差值形成的时间序列。

6.根据权利要求1或3所述的功率预测方法，其特征在于，风力发电机组的功率实际值为风力发电机组的输出功率实际值，风力发电机组的功率预测值为风力发电机组的输出功率预测值，最终预测的风力发电机组的功率值序列为风力发电机组的输出功率值序列；

或者，风力发电机组的功率实际值为风力发电机组的电网侧有功功率实际值，风力发电机组的功率预测值为风力发电机组的电网侧有功功率预测值，最终预测的风力发电机组的功率值序列为风力发电机组的电网侧有功功率值序列。

7.根据权利要求3所述的功率预测方法，其特征在于，

第一风速预测模型为自回归积分滑动平均模型；

和/或，风速残差预测模型为支持向量机回归模型；

和/或，第二功率预测模型为支持向量机回归模型。

8.一种低风速下的风力发电机组的功率预测设备，其特征在于，所述功率预测设备适用于低风速高湍流强度情况下的功率的预测，所述功率预测设备包括：

第一功率预测单元，用于将第一功率实际值序列输入到第一功率预测模型，以通过第一功率预测模型来预测第一功率预测值序列，其中，第一功率实际值序列为风力发电机组在当前时刻以前的第一预定时间长度内的功率实际值的时间序列，第一功率预测值序列为风力发电机组在未来第二预定时间长度内的功率预测值的时间序列；

功率残差预测单元，用于通过功率残差预测模型来预测分别与第一功率预测值序列中的每一个功率预测值对应的残差值，其中，与功率预测值对应的残差值是指与所述功率预测值对应的时刻的功率实际值与所述功率预测值之间的差值；

叠加单元，用于将第一功率预测值序列中的每一个功率预测值和与其对应的残差值相加后得到的功率值序列，作为最终预测的风力发电机组的功率值序列，

其中，第一功率预测模型为自回归积分滑动平均模型；

和，功率残差预测模型为支持向量机回归模型；

其中，第一功率预测单元通过第一功率预测模型来预测风力发电机组的第二功率预测值序列，其中，第二功率预测值序列为风力发电机组在当前时刻以前的第一预定时间长度内的功率预测值的时间序列，

其中，功率残差预测单元基于第二功率预测值序列和第一功率实际值序列，通过功率残差预测模型来预测分别与第一功率预测值序列中的每一个功率预测值对应的残差值；

其中，功率残差预测单元从第一功率预测值序列中的第一个功率预测值开始，依次预测与第一功率预测值序列中的每一个功率预测值对应的残差值，其中，功率残差预测单元针对第一功率预测值序列中的第i个功率预测值，将功率残差值序列之中的与第i时间段对应的各个残差值输入到功率残差预测模型，以通过功率残差预测模型来预测与第i个功率预测值对应的残差值，并将预测得到的残差值添加到功率残差值序列以更新功率残差值序列，

其中，当i为1时，第i时间段为当前时刻以前的第三预定时间长度的时间段，当i为大于1的整数时，第i时间段为与第一功率预测值序列中的第（i-1）个功率预测值对应的时刻以前的第三预定时间长度的时间段，

其中，初始的功率残差值序列为第一功率实际值序列中的功率实际值与第二功率预测值序列中的对应的功率预测值之间的差值形成的时间序列。

9.根据权利要求8所述的功率预测设备，其特征在于，所述功率预测设备还包括：

确定单元，用于确定风力发电机组在当前时刻以前的第一预定时间长度内是否持续发电，

其中，当确定单元确定风力发电机组持续发电时，第一功率预测单元通过第一功率预测模型来预测第一功率预测值序列。

10.根据权利要求9所述的功率预测设备，其特征在于，所述功率预测设备还包括：

第一风速预测单元，用于当确定风力发电机组没有持续发电时，将第一风速实际值序列输入到第一风速预测模型，以通过第一风速预测模型来预测第一风速预测值序列，其中，第一风速实际值序列为风力发电机组在当前时刻以前的第一预定时间长度内的环境风速实际值的时间序列，第一风速预测值序列为风力发电机组在未来第二预定时间长度内的环境风速预测值的时间序列；

风速残差预测单元，用于通过风速残差预测模型来预测分别与第一风速预测值序列中的每一个环境风速预测值对应的残差值，其中，与环境风速预测值对应的残差值是指与所述环境风速预测值对应的时刻的环境风速实际值与所述环境风速预测值之间的差值；

第二功率预测单元，用于将第一风速预测值序列中的每一个环境风速预测值和与其对应的残差值相加后得到的环境风速值序列，输入到第二功率预测模型，以通过第二功率预测模型来最终预测风力发电机组的功率值序列。

11.根据权利要求10所述的功率预测设备，其特征在于，第一风速预测单元通过第一风速预测模型来预测风力发电机组的第二风速预测值序列，其中，第二风速预测值序列为风力发电机组在当前时刻以前的第一预定时间长度内的环境风速预测值的时间序列，

其中，风速残差预测单元基于第二风速预测值序列和第一风速实际值序列，通过风速残差预测模型来预测分别与第一风速预测值序列中的每一个环境风速预测值对应的残差值。

12.根据权利要求11所述的功率预测设备，其特征在于，风速残差预测单元从第一风速预测值序列中的第一个风速预测值开始，依次预测与第一风速预测值序列中的每一个风速预测值对应的残差值，其中，风速残差预测单元针对第一风速预测值序列中的第j个环境风速预测值，将风速残差值序列之中的与第j时间段对应的各个残差值输入到风速残差预测模型，以通过风速残差预测模型预测与第j个环境风速预测值对应的残差值，并将预测得到的残差值添加到风速残差值序列以更新风速残差值序列，

其中，当j为1时，第j时间段为当前时刻以前的第三预定时间长度的时间段，当j为大于1的整数时，第j时间段为与第一风速预测值序列中的第（j-1）个环境风速预测值对应的时刻以前的第三预定时间长度的时间段，

其中，初始的风速残差值序列为第一风速实际值序列中的环境风速实际值与第二风速预测值序列中的对应的环境风速预测值之间的差值形成的时间序列。

13.根据权利要求8或10所述的功率预测设备，其特征在于，风力发电机组的功率实际值为风力发电机组的输出功率实际值，风力发电机组的功率预测值为风力发电机组的输出功率预测值，最终预测的风力发电机组的功率值序列为风力发电机组的输出功率值序列；

或者，风力发电机组的功率实际值为风力发电机组的电网侧有功功率实际值，风力发电机组的功率预测值为风力发电机组的电网侧有功功率预测值，最终预测的风力发电机组的功率值序列为风力发电机组的电网侧有功功率值序列。

14.根据权利要求10所述的功率预测设备，其特征在于，

第一风速预测模型为自回归积分滑动平均模型；

和/或，风速残差预测模型为支持向量机回归模型；

和/或，第二功率预测模型为支持向量机回归模型。

15.一种存储有计算机程序的计算机可读存储介质，其特征在于，当所述计算机程序被处理器执行时实现如权利要求1至7中的任意一项所述的低风速下的风力发电机组的功率预测方法。

16.一种计算装置，其特征在于，所述计算装置包括：

处理器；

存储器，存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1至7中的任意一项所述的低风速下的风力发电机组的功率预测方法，以实现对至少一台风力发电机组的低风速下的功率的预测。

Images