CN113722939A - 风电出力预测方法、装置、设备及存储介质 - Google Patents

风电出力预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113722939A
CN113722939A CN202111285938.9A CN202111285938A CN113722939A CN 113722939 A CN113722939 A CN 113722939A CN 202111285938 A CN202111285938 A CN 202111285938A CN 113722939 A CN113722939 A CN 113722939A
Authority
CN
China
Prior art keywords
wind speed
data
historical
output
speed data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111285938.9A
Other languages
English (en)
Other versions
CN113722939B (zh
Inventor
周少雄
沈国安
汪大明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingke Youneng Shenzhen Technology Co ltd
Original Assignee
Qingke Youneng Shenzhen Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Qingke Youneng Shenzhen Technology Co ltd filed Critical Qingke Youneng Shenzhen Technology Co ltd
Priority to CN202111285938.9A priority Critical patent/CN113722939B/zh
Publication of CN113722939A publication Critical patent/CN113722939A/zh
Application granted granted Critical
Publication of CN113722939B publication Critical patent/CN113722939B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及电力系统规划技术领域，揭露了风电出力预测方法、装置、设备及存储介质，所述方法包括：获取风场的历史出力数据和基础数据；根据所述基础数据，利用转换模型，将所述历史出力数据转换为历史风速数据；基于所述历史风速数据，对预测模型进行训练，所述预测模型基于风速的韦布尔分布和随机差分方程构建得到；根据训练后的预测模型，基于时序，预测未来预设时间内的预测风速数据；根据所述转换模型，将所述预测风速数据转换为预测出力数据。本申请实现准确的预测未来预设时间内的出力情况。

Description

风电出力预测方法、装置、设备及存储介质
技术领域
本申请涉及电力系统规划技术领域，尤其涉及风电出力预测方法、装置、设备及存储介质。
背景技术
目前，在现有的风电场处理的模拟中，常基于风电功率预测方法，基于灰色模型等预测模型做超短期风电功率预测，其只能做超短期预测，无法考虑到风速的分布和时序；并且还有另一类基于时间序列ARIMA模型的，考虑了风速的时序性特征，但未考虑风速的分布特征。而在现有技术中，如何对短期或较长期的风场出力预测并没有很好的方法，因此，如何在考虑风速的分布和时序的基础上完成对风场出力预测成为了亟待解决的问题。
发明内容
本申请提供了一种风电出力预测方法、装置、设备及存储介质，以解决现有技术中如何对在考虑风速的分布和时序的基础上完成对风场出力预测的问题。
为解决上述问题，本申请提供了一种风电出力预测方法，包括：
获取风场的历史出力数据和基础数据；
根据所述基础数据，利用转换模型，将所述历史出力数据转换为历史风速数据；
基于所述历史风速数据，对预测模型进行训练，所述预测模型基于风速的韦布尔分布和随机差分方程构建得到；
根据训练后的预测模型，基于时序，预测未来预设时间内的预测风速数据；
根据所述转换模型，将所述预测风速数据转换为预测出力数据。
进一步的，在所述利用转换模型，将所述历史出力数据转换为历史风速数据之前，还包括：
根据
Figure 127392DEST_PATH_IMAGE001
对所述历史出力数据中的缺失值进行填充以及异常值进 行修复；
其中，所述
Figure 185478DEST_PATH_IMAGE002
表示
Figure 43844DEST_PATH_IMAGE003
日
Figure 311489DEST_PATH_IMAGE004
时间的出力，
Figure 1228DEST_PATH_IMAGE005
表示
Figure 964636DEST_PATH_IMAGE006
日
Figure 107035DEST_PATH_IMAGE007
时间 的出力，
Figure 381634DEST_PATH_IMAGE008
表示天数。
进一步的，所述基础数据包括机组台数、尾流效应系数和出力特征曲线，所述根据所述基础数据，利用转换模型，将所述历史出力数据转换为历史风速数据包括：
根据
Figure 191458DEST_PATH_IMAGE009
以及
Figure 60188DEST_PATH_IMAGE010
将历史出力数据转换为历史风速数据；
其中，
Figure 689884DEST_PATH_IMAGE011
为风电机组i在时间t下的出力，
Figure 502595DEST_PATH_IMAGE012
为风电机组i在时间t下的机组台数，
Figure 166925DEST_PATH_IMAGE013
表示风电机组i的尾流效应系数，
Figure 924666DEST_PATH_IMAGE014
为风电机组i的出力特征曲线，
Figure 41658DEST_PATH_IMAGE015
为风电机组i在 时间t的风速，R表示风电机组的额定容量，
Figure 457726DEST_PATH_IMAGE016
表示切出风速，
Figure 176896DEST_PATH_IMAGE017
表示切入风速，
Figure 387429DEST_PATH_IMAGE018
表示额 定出力，
Figure 257296DEST_PATH_IMAGE019
表示最大出力，
Figure 211477DEST_PATH_IMAGE020
和
Figure 785153DEST_PATH_IMAGE021
表示常数。
进一步的，所述
Figure 697745DEST_PATH_IMAGE022
和
Figure 727012DEST_PATH_IMAGE023
通过以下方式确定：
当
Figure 484884DEST_PATH_IMAGE024
为零时，且
Figure 998821DEST_PATH_IMAGE025
的相邻点的出力大于等于第一预设倍数的
Figure 269265DEST_PATH_IMAGE026
时，从
Figure 582566DEST_PATH_IMAGE027
到
Figure 144129DEST_PATH_IMAGE028
之间进行随机采样，得到
Figure 492064DEST_PATH_IMAGE029
；
当
Figure 681213DEST_PATH_IMAGE030
为零时，且
Figure 747389DEST_PATH_IMAGE031
的相邻点的出力小于第二预设倍数的
Figure 581484DEST_PATH_IMAGE032
时，从0到
Figure 783926DEST_PATH_IMAGE033
之间进行 随机采样，得到
Figure 675134DEST_PATH_IMAGE034
；
当
Figure 494186DEST_PATH_IMAGE035
时，从
Figure 397551DEST_PATH_IMAGE036
到
Figure 454500DEST_PATH_IMAGE037
之间进行随机采样，得到
Figure 782188DEST_PATH_IMAGE038
，其中
Figure 760640DEST_PATH_IMAGE039
为历史风 速数据中的最大风速，
Figure 467696DEST_PATH_IMAGE040
为额定出力对应的额定风速。
进一步的，所述基于所述历史风速数据，对预测模型进行训练包括：
基于所述预测模型中韦布尔分布的均值关系与方差关系，结合所述历史风速数据进行计算，得到所述预测模型中韦布尔分布中的参数；
基于所述历史风速数据的自相关系数，结合所述历史风速数据进行计算，得到所述预测模型中随机差分方程的阻尼比率参数。
进一步的，所述根据训练后的预测模型，基于时序，预测未来预设时间内的预测风速数据包括：
根据
Figure 644730DEST_PATH_IMAGE041
预测未来预设时间内的预测风速数据；
其中，
Figure 81003DEST_PATH_IMAGE042
表示阻尼比率，
Figure 609068DEST_PATH_IMAGE043
表示概率密度函数，
Figure 854235DEST_PATH_IMAGE044
表示所述韦布尔分布对应参数 中的比例参数，
Figure 823460DEST_PATH_IMAGE045
表示所述韦布尔分布对应参数中的形状参数，
Figure 492951DEST_PATH_IMAGE046
表示伽马函数，
Figure 977153DEST_PATH_IMAGE047
表示不完全伽马函数，x表示时间。
为了解决上述问题，本申请还提供一种风电出力预测装置，所述装置包括：
获取模块，用于获取风场的历史出力数据和基础数据；
第一转换模块，用于根据所述基础数据，利用转换模型，将所述历史出力数据转换为历史风速数据；
训练模块，用于基于所述历史风速数据，对预测模型进行训练，所述预测模型基于风速的韦布尔分布和随机差分方程构建得到；
预测模块，用于根据训练后的预测模型，基于时序，预测未来预设时间内的预测风速数据；
第二转换模块，用于根据所述转换模型，将所述预测风速数据转换为预测出力数据。
进一步的，所述训练模块包括第一参数计算子模块和第二参数计算子模块；
所述第一参数计算子模块，用于基于所述预测模型中韦布尔分布的均值关系与方差关系，结合所述历史风速数据进行计算，得到所述预测模型中韦布尔分布中的参数；
所述第二参数计算子模块，用于基于所述历史风速数据的自相关系数，结合所述历史风速数据进行计算，得到所述预测模型中随机差分方程的阻尼比率参数。
为了解决上述问题，本申请还提供一种计算机设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的风电出力预测方法。
为了解决上述问题，本申请还提供一种非易失性的计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上所述的风电出力预测方法。
根据本申请实施例提供的一种风电出力预测方法、装置、设备及存储介质，与现有技术相比至少具有以下有益效果：
通过获取风场的历史出力数据和基础数据，根据所述基础数据，利用转换模型，将所述历史出力数据转换为历史风速数据，便于后续对模型进行训练，并且将所述历史出力数据变换为历史风速数据，可以使最终的预测结果更贴近实际，基于所述历史风速数据，对预测模型进行训练，所述预测模型基于风速的韦布尔分布和随机差分方程构建得到，根据训练后的预测模型，基于时序，预测未来预设时间内的预测风速数据，实现基于风速的韦布尔分布和时序，来预测未来的风速情况，根据转换模型，将所述预测风速数据转换为预测出力数据，从而实现准确的预测未来预设时间内的出力情况。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图做一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的风电出力预测方法的流程示意图；
图2为图1中的步骤S3的一种具体实施方式的流程图；
图3为本申请一实施例提供的风电出力预测装置的模块示意图；
图4为本申请一实施例的计算机设备的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是是相同的实施例，也不是与其它实施例相互排斥的独立的或备选的实施例。本领域技术人员显式地或隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本申请提供一种风电出力预测方法。参照图1所示，图1为本申请一实施例提供的风电出力预测方法的流程示意图。
在本实施例中，风电出力预测方法包括：
S1、获取风场的历史出力数据和基础数据；
具体的，获取单风场的历史出力数据，一般为三到五年的出力数据，可以从调度或风电厂获取，所述三到五年的出力数据可以以天数或者小时为单位进行存储的，出力即输出功率，一般是指有功功率。所述基础数据包括机组台数、尾流效应系数和出力特征曲线，所述基础数据同样可以从调度或风电厂获取。
S2、根据所述基础数据，利用转换模型，将所述历史出力数据转换为历史风速数据；
具体的，根据所述风场的基础数据例如风电机组台数等数据，利用转换模型总公 式
Figure 557170DEST_PATH_IMAGE048
，将所述历史出力数据转换为历史风速数据。
进一步的，在所述利用转换模型，将所述历史出力数据转换为历史风速数据之前，还包括：
根据
Figure 239955DEST_PATH_IMAGE049
对所述历史出力数据中的缺失值进行填充以及异常值进 行修复；
其中，所述
Figure 175288DEST_PATH_IMAGE050
表示
Figure 940594DEST_PATH_IMAGE051
日
Figure 137351DEST_PATH_IMAGE052
时间的出力，
Figure 445883DEST_PATH_IMAGE053
表示
Figure 601052DEST_PATH_IMAGE054
日
Figure 122163DEST_PATH_IMAGE055
时间 的出力，
Figure 791786DEST_PATH_IMAGE056
表示天数。
具体的，通过对三到五年的历史出力数据中的缺失值、负值和离群点进行修复，从 而得到有利且无误出力数据。风电机组有相应的参数，如额定出力、最大出力等，实测的风 电出力数据应在最小出力和最大出力的范围内，即
Figure 714742DEST_PATH_IMAGE057
，
Figure 506724DEST_PATH_IMAGE058
为风电场最大出力， 落在
Figure 249553DEST_PATH_IMAGE059
之外的历史出力数据即识别为异常数据，并用缺失值相同的方法替换异常数 据。
通过利用欧式距离计算相似性，
Figure 178325DEST_PATH_IMAGE060
的填充值或修复值为：
Figure 893472DEST_PATH_IMAGE061
度量每天除
Figure 512147DEST_PATH_IMAGE062
时间出力数据的相似性，其中，
Figure 883217DEST_PATH_IMAGE063
为N天与
Figure 881260DEST_PATH_IMAGE064
最相似的出力序列。
通过对历史出力数据进行异常值修复和缺失值填充处理，提高数据的准确性，便于后续利用修复后的历史出力数据训练模型，提高模型的训练效果。
进一步的，所述基础数据包括机组台数、尾流效应系数和出力特征曲线，所述根据所述基础数据，利用转换模型，将所述历史出力数据转换为历史风速数据包括：
根据
Figure 450913DEST_PATH_IMAGE065
以及
Figure 178173DEST_PATH_IMAGE066
将历史出力数据转换为历史风速数据；
其中，
Figure 98855DEST_PATH_IMAGE067
为风电机组i在时间t下的出力，
Figure 635010DEST_PATH_IMAGE068
为风电机组i在时间t下的机组台数，
Figure 262432DEST_PATH_IMAGE069
表示风电机组i的尾流效应系数，
Figure 488489DEST_PATH_IMAGE070
为风电机组i的出力特征曲线，
Figure 83418DEST_PATH_IMAGE071
为风电机组i在 时间t的风速，R表示风电机组的额定容量，
Figure 157685DEST_PATH_IMAGE072
表示切出风速，
Figure 701930DEST_PATH_IMAGE073
表示切入风速，
Figure 39501DEST_PATH_IMAGE074
表示额 定出力，
Figure 666267DEST_PATH_IMAGE075
表示最大出力，
Figure 278645DEST_PATH_IMAGE076
和
Figure 942976DEST_PATH_IMAGE077
表示常数。
具体的，根据公式一：
Figure 248186DEST_PATH_IMAGE078
以及
公式二：
Figure 96669DEST_PATH_IMAGE079
将所述历史出力数据转换为历史风速数据。
并且出力特征曲线
Figure 512738DEST_PATH_IMAGE080
如公式三
Figure 234838DEST_PATH_IMAGE081
其中，
Figure 445370DEST_PATH_IMAGE082
为额定出力对应的额定风速，根据公式一和公式三相结合，即可得到上 述公式二，从而根据公式一和公式三来完成将历史出力数据转换为历史风速数据。
通过转换模型将所述历史出力数据转换为对应的历史风速数据，使得后续利用历史风速数据作为训练数据，输入模型进行训练，便于训练得到效果更好的模型。
再进一步的，所述
Figure 70166DEST_PATH_IMAGE083
和
Figure 821084DEST_PATH_IMAGE084
通过以下方式确定：
当
Figure 397690DEST_PATH_IMAGE085
为零时，且
Figure 779124DEST_PATH_IMAGE086
的相邻点的出力大于等于第一预设倍数的
Figure 133358DEST_PATH_IMAGE087
时，从
Figure 94491DEST_PATH_IMAGE088
到
Figure 587921DEST_PATH_IMAGE089
之间进行随机采样，得到
Figure 405835DEST_PATH_IMAGE090
；
当
Figure 171666DEST_PATH_IMAGE091
为零时，且
Figure 464720DEST_PATH_IMAGE092
的相邻点的出力小于第二预设倍数的
Figure 625705DEST_PATH_IMAGE093
时，从0到
Figure 145679DEST_PATH_IMAGE094
之间进行 随机采样，得到
Figure 146608DEST_PATH_IMAGE095
；
当
Figure 511862DEST_PATH_IMAGE096
时，从
Figure 917566DEST_PATH_IMAGE097
到
Figure 77284DEST_PATH_IMAGE098
之间进行随机采样，得到
Figure 627826DEST_PATH_IMAGE099
，其中
Figure 718142DEST_PATH_IMAGE100
为历史风 速数据中的最大风速，
Figure 40670DEST_PATH_IMAGE101
为额定出力对应的额定风速。
具体的，准确估计常数
Figure 574551DEST_PATH_IMAGE102
和
Figure 615319DEST_PATH_IMAGE103
的值，对于风速的整体分布情况相当重要，通过简单 随机抽样并结合相邻时点出力数据的相关性进行计算。风电出力数据的采样间隔较小，相 邻出力数据存在较大的相关性。对于最大出力数据和最小出力数据的获取，利用桶排序算 法对处理数据进行排序，出力数据的最大值为风电场最大出力，并以出力数据的95%分位数 作为风电场的额定出力的近似估计。额定出力与最大出力对应的风速即为额定风速与切出 风速；以最小非零出力数据对应的风速作为切入风速。在本申请中所述第一预设倍数为 0.95，所述第二预设倍数为0.05。
当出力数据为零时，若相邻时点的出力大于等于0.95倍
Figure 257128DEST_PATH_IMAGE104
，通过从
Figure 168584DEST_PATH_IMAGE105
中 随机抽样作为
Figure 935682DEST_PATH_IMAGE106
的估计值；若相邻时点的出力小于0.05倍
Figure 401430DEST_PATH_IMAGE107
，则从
Figure 378089DEST_PATH_IMAGE108
中随机抽样作 为
Figure 675209DEST_PATH_IMAGE109
的估计值；当
Figure 347630DEST_PATH_IMAGE110
，通过从
Figure 284362DEST_PATH_IMAGE111
中随机抽样作为
Figure 333220DEST_PATH_IMAGE112
的值。
通过将历史出力数据转换为历史风速数据，便于后续模型进行训练，并且能训练得到较优的模型。
S3、基于所述历史风速数据，对预测模型进行训练，所述预测模型基于风速的韦布尔分布和随机差分方程构建得到；
具体的，预测模型的构建是基于韦布尔分布和随机差分方程来构建的，利用韦布尔分布能很好的拟合风电场中的风速分布，且基于随机差分方程来训练能考虑到风速的时序性，所以将所述韦布尔分布与随机差分方程想结合来构建得到预测模型，能同时考虑到风速的时序性和分布特征。
进一步的，如图2所示，所述基于所述历史风速数据，对预测模型进行训练包括：
S31、基于所述预测模型中韦布尔分布的均值关系与方差关系，结合所述历史风速数据进行计算，得到所述预测模型中韦布尔分布中的参数；
S32、基于所述历史风速数据的自相关系数，结合所述历史风速数据进行计算，得到所述预测模型中随机差分方程的阻尼比率参数。
具体的，所述步骤S31和S32的执行不分先后，通过利用韦布尔分布的概率密度函数
Figure 685180DEST_PATH_IMAGE113
其中c和k分别为尺度参数和形状参数，
Figure 528502DEST_PATH_IMAGE114
是一个示性函数：
Figure 765580DEST_PATH_IMAGE115
并且韦布尔分布的均值与方差有如下关系：
Figure 290233DEST_PATH_IMAGE116
其中
Figure 582453DEST_PATH_IMAGE117
、
Figure 331097DEST_PATH_IMAGE118
为风速均值与方差，并且方差可通过统计量
Figure 55471DEST_PATH_IMAGE119
、
Figure 383815DEST_PATH_IMAGE120
来计算
Figure 241525DEST_PATH_IMAGE121
，
Figure 692229DEST_PATH_IMAGE122
将标准韦布尔分布的均值和方差与统计量的
Figure 513686DEST_PATH_IMAGE123
、
Figure 314895DEST_PATH_IMAGE124
的公式相结合，即可得到，
Figure 30042DEST_PATH_IMAGE125
通过利用历史风速数据，即可得到韦布尔分布的尺度参数c和形状参数k的估计值。
并且对于随机差分方程的训练，也即参数的计算，对于随机差分方程需计算阻尼比率，具体的：
首先对于自相关系数
Figure 386068DEST_PATH_IMAGE126
度量的是同一事件在两个不同时期之间的相关程度，计 算公式为：
Figure 285366DEST_PATH_IMAGE127
其中
Figure 283409DEST_PATH_IMAGE128
，且所述
Figure 305592DEST_PATH_IMAGE129
指在t时间的风速，
Figure 98098DEST_PATH_IMAGE130
是指在t-k时 间的风速；
研究发现，如果风速时间序列是平稳过程，则风速序列的自相关系数是由负指数 控制下的单调衰减函数，即：
Figure 222043DEST_PATH_IMAGE131
其中，参数
Figure 755268DEST_PATH_IMAGE132
为阻尼比率。
Figure 179428DEST_PATH_IMAGE133
的大小与风速序列变化的剧烈程度有关，风速变化越 剧烈，其自相关系数衰减越快，
Figure 346098DEST_PATH_IMAGE133
越大，变换可得：
Figure 754077DEST_PATH_IMAGE134
对历史风速数据
Figure 763096DEST_PATH_IMAGE135
计算前
Figure 307341DEST_PATH_IMAGE136
阶的滞后自相关系数，
利用上式
Figure 441651DEST_PATH_IMAGE137
对自相关系数进行变换为，并用最小二 乘法则利用函数
Figure 805767DEST_PATH_IMAGE138
拟合变换后得到的序列，求得参数值
Figure 946374DEST_PATH_IMAGE139
的最优估计：
Figure 797655DEST_PATH_IMAGE140
从而求得预测模型中的尺度参数c、形状参数k以及阻尼比率
Figure 837286DEST_PATH_IMAGE139
，实现了利用历史 风速数据，且同时考虑了风速的时序与分布，来训练得到预测模型，并且不需要配置过多的 额外参数，利于实际工程应用，且同时考虑风速的分布特征和时序特征，模型预测得到的风 速与实际风速契合度高。
S4、根据训练后的预测模型，基于时序，预测未来预设时间内的预测风速数据；
具体的，通过将时间序列输入训练后的预测模型，来预测未来预设时间的预测风速数据。
进一步的，所述根据训练后的预测模型，基于时序，预测未来预设时间内的预测风速数据包括：
根据
Figure 219857DEST_PATH_IMAGE141
预测未来预设时间内的预测风速数据；
其中，
Figure 839189DEST_PATH_IMAGE142
表示阻尼比率，
Figure 89517DEST_PATH_IMAGE143
表示概率密度函数，
Figure 565629DEST_PATH_IMAGE144
表示所述韦布尔分布对应参数 中的比例参数，
Figure 169916DEST_PATH_IMAGE145
表示所述韦布尔分布对应参数中的形状参数，
Figure 592939DEST_PATH_IMAGE146
表示伽马函数，
Figure 252369DEST_PATH_IMAGE147
表示不完全伽马函数，x表示时间。
具体的，在概率密度函数f(x)在其定义域
Figure 837066DEST_PATH_IMAGE148
中非负、连续且方差有限，其期望
Figure 725387DEST_PATH_IMAGE149
，随机微分方差可表示为：
Figure 483259DEST_PATH_IMAGE150
；
其中
Figure 708179DEST_PATH_IMAGE151
，
Figure 463777DEST_PATH_IMAGE152
为标准布朗运动，
Figure 42657DEST_PATH_IMAGE153
是定义在
Figure 604219DEST_PATH_IMAGE154
上的非负函数：
Figure 683646DEST_PATH_IMAGE155
那么随机过程
Figure 406883DEST_PATH_IMAGE156
是各态遍历的且概率密度函数为
Figure 207480DEST_PATH_IMAGE157
，其自相关系数符合：
Figure 307154DEST_PATH_IMAGE158
设风速符合尺度参数与形状参数分别为
Figure 303404DEST_PATH_IMAGE159
和
Figure 463121DEST_PATH_IMAGE160
的韦布尔分布，韦布尔分布相关性 质，可知：
Figure 485435DEST_PATH_IMAGE161
其中，
Figure 592062DEST_PATH_IMAGE162
是
Figure 911661DEST_PATH_IMAGE163
对应的分布函数，
Figure 694809DEST_PATH_IMAGE164
与
Figure 469998DEST_PATH_IMAGE165
分别为伽马函数
Figure 380316DEST_PATH_IMAGE166
与不完全伽马函数：
Figure 557351DEST_PATH_IMAGE167
通过利用上述v(x)方程，来预测未来预设时段内的预测风速数据，得到预测风速数据更贴合实际。
S5、根据所述转换模型，将所述预测风速数据转换为预测出力数据。
具体的，通过转换模型的总公式
Figure 55941DEST_PATH_IMAGE168
，以及出力特征曲线公式
Figure 256109DEST_PATH_IMAGE169
来将所述预测风速数据转换为预测出力数据。
需要强调的是，为了进一步保证数据的私密性和安全性，所述历史出力数据、基础数据、预测风速数据以及预测处理数据的所有数据还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
通过获取风场的历史出力数据和基础数据，根据所述基础数据，利用转换模型，将所述历史出力数据转换为历史风速数据，便于后续对模型进行训练，并且将所述历史出力数据变换为历史风速数据，可以使最终的预测结果更贴近实际，基于所述历史风速数据，对预测模型进行训练，所述预测模型基于风速的韦布尔分布和随机差分方程构建得到，根据训练后的预测模型，基于时序，预测未来预设时间内的预测风速数据，实现基于风速的韦布尔分布和时序，来预测未来的风速情况，根据转换模型，将所述预测风速数据转换为预测出力数据，从而实现准确的预测未来预设时间内的出力情况。
本实施例还提供一种风电出力预测装置，如图3所示，是本申请风电出力预测装置的功能模块图。
本申请所述风电出力预测装置100可以安装于电子设备中。根据实现的功能，所述风电出力预测装置100可以包括获取模块101、第一转换模块102、训练模块103、预测模块104和第二转换模块105。本申请所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
获取模块101，用于获取风场的历史出力数据和基础数据；
第一转换模块102，用于根据所述基础数据，利用转换模型，将所述历史出力数据转换为历史风速数据；
进一步的，所述风电出力预测装置100还包括预处理模块；
所述预处理模块用于根据
Figure 766856DEST_PATH_IMAGE170
对所述历史出力数据中的缺失值进行填充以及异常值进行修复；
其中，所述
Figure 1659DEST_PATH_IMAGE171
表示
Figure 936730DEST_PATH_IMAGE172
日
Figure 873462DEST_PATH_IMAGE173
时间的出力，
Figure 656741DEST_PATH_IMAGE174
表示
Figure 808368DEST_PATH_IMAGE175
日
Figure 854952DEST_PATH_IMAGE176
时 间的出力，
Figure 89100DEST_PATH_IMAGE177
表示天数。
通过预处理模块对历史出力数据进行异常值修复和缺失值填充处理，提高数据的准确性，便于后续利用修复后的历史出力数据训练模型，提高模型的训练效果。
进一步的，所述基础数据包括机组台数、尾流效应系数和出力特征曲线，所述拆零计算模块102包括转换子模块；
所述转换子模块，用于根据
Figure 879333DEST_PATH_IMAGE178
以及
Figure 151045DEST_PATH_IMAGE179
将历史出力数据转换为历史风速数据；
其中，
Figure 368531DEST_PATH_IMAGE180
为风电机组i在时间t下的出力，
Figure 847833DEST_PATH_IMAGE181
为风电机组i在时间t下的机组台数，
Figure 691024DEST_PATH_IMAGE182
表示风电机组i的尾流效应系数，
Figure 20506DEST_PATH_IMAGE183
为风电机组i的出力特征曲线，
Figure 205630DEST_PATH_IMAGE184
为风电机组i 在时间t的风速，R表示风电机组的额定容量，
Figure 151721DEST_PATH_IMAGE185
表示切出风速，
Figure 77564DEST_PATH_IMAGE186
表示切入风速，
Figure 995973DEST_PATH_IMAGE187
表示 额定出力，
Figure 617578DEST_PATH_IMAGE188
表示最大出力，
Figure 254227DEST_PATH_IMAGE189
和
Figure 983761DEST_PATH_IMAGE190
表示常数。
通过转换子模块，将所述历史出力数据转换为对应的历史风速数据，使得后续利用历史风速数据作为训练数据，输入模型进行训练，便于训练得到效果更好的模型。
再进一步的，所述转换子模块还包括第一填充单元、第二填充单元和第三填充单元；
所述第一填充单元，用于当
Figure 818993DEST_PATH_IMAGE191
为零时，且
Figure 798450DEST_PATH_IMAGE191
的相邻点的出力大于等于第一预设倍 数的
Figure 719133DEST_PATH_IMAGE192
时，从
Figure 724129DEST_PATH_IMAGE193
到
Figure 676517DEST_PATH_IMAGE194
之间进行随机采样，得到
Figure 577608DEST_PATH_IMAGE195
；
所述第二填充单元，用于当
Figure 985587DEST_PATH_IMAGE196
为零时，且
Figure 263115DEST_PATH_IMAGE196
的相邻点的出力小于第二预设倍数的
Figure 804431DEST_PATH_IMAGE192
时，从0到
Figure 938740DEST_PATH_IMAGE197
之间进行随机采样，得到
Figure 771698DEST_PATH_IMAGE195
；
所述第三填充单元，用于当
Figure 649655DEST_PATH_IMAGE198
时，从
Figure 45477DEST_PATH_IMAGE199
到
Figure 350687DEST_PATH_IMAGE200
之间进行随机采样，得 到
Figure 920209DEST_PATH_IMAGE084
，其中
Figure 601857DEST_PATH_IMAGE201
为历史风速数据中的最大风速，
Figure 58377DEST_PATH_IMAGE202
为额定出力对应的额定风速。
通过第一填充单元、第二填充单元和第三填充单元的配合，来对历史风速数据进行数据修复，以得到分布更好的历史风速数据。
训练模块103，用于基于所述历史风速数据，对预测模型进行训练，所述预测模型基于风速的韦布尔分布和随机差分方程构建得到；
进一步的，所述训练模块103包括第一参数计算子模块和第二参数计算子模块；
所述第一参数计算子模块，用于基于所述预测模型中韦布尔分布的均值关系与方差关系，结合所述历史风速数据进行计算，得到所述预测模型中韦布尔分布中的参数；
所述第二参数计算子模块，用于基于所述历史风速数据的自相关系数，结合所述历史风速数据进行计算，得到所述预测模型中随机差分方程的阻尼比率参数。
通过第一参数计算子模块和第二参数计算子模块的配合，求得预测模型中的尺度 参数c、形状参数k以及阻尼比率
Figure 797139DEST_PATH_IMAGE203
，实现了利用历史风速数据，且同时考虑了风速的时序与 分布，来训练得到预测模型，并且不需要配置过多的额外参数，利于实际工程应用，且同时 考虑风速的分布特征和时序特征，模型预测得到的风速与实际风速契合度高。
预测模块104，用于根据训练后的预测模型，基于时序，预测未来预设时间内的预测风速数据；
进一步的，所述预测模块104包括风速预测子模块；
所述风速预测子模块，用于根据
Figure 135847DEST_PATH_IMAGE204
预测未来预设时间内的预测风速数据；
其中，
Figure 558870DEST_PATH_IMAGE205
表示阻尼比率，
Figure 932213DEST_PATH_IMAGE206
表示概率密度函数，
Figure 779559DEST_PATH_IMAGE207
表示所述韦布尔分布对应参数 中的比例参数，
Figure 871143DEST_PATH_IMAGE208
表示所述韦布尔分布对应参数中的形状参数，
Figure 629014DEST_PATH_IMAGE209
表示伽马函数，
Figure 574974DEST_PATH_IMAGE210
表示不完全伽马函数，x表示时间。
通过风速预测子模块通过利用上述v(x)方程，来预测未来预设时段内的预测风速数据，得到预测风速数据更贴合实际。
第二转换模块105，用于根据所述转换模型，将所述预测风速数据转换为预测出力数据；
通过采用上述装置，所述风电出力预测装置100通过获取模块101、第一转换模块102、训练模块103、预测模块104和第二转换模块105的配合使用，通过获取风场的历史出力数据和基础数据，根据所述基础数据，利用转换模型，将所述历史出力数据转换为历史风速数据，便于后续对模型进行训练，并且将所述历史出力数据变换为历史风速数据，可以使最终的预测结果更贴近实际，基于所述历史风速数据，对预测模型进行训练，所述预测模型基于风速的韦布尔分布和随机差分方程构建得到，根据训练后的预测模型，基于时序，预测未来预设时间内的预测风速数据，实现基于风速的韦布尔分布和时序，来预测未来的风速情况，根据转换模型，将所述预测风速数据转换为预测出力数据，从而实现准确的预测未来预设时间内的出力情况。
本申请实施例还提供一种计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器 (Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（FlashCard）等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如风电出力预测方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器（Central Processing Unit，CPU）、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述风电出力预测方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本实施例通过处理器执行存储在存储器的计算机可读指令时实现如上述实施例风电出力预测方法的步骤，通过获取风场的历史出力数据和基础数据，根据所述基础数据，利用转换模型，将所述历史出力数据转换为历史风速数据，便于后续对模型进行训练，并且将所述历史出力数据变换为历史风速数据，可以使最终的预测结果更贴近实际，基于所述历史风速数据，对预测模型进行训练，所述预测模型基于风速的韦布尔分布和随机差分方程构建得到，根据训练后的预测模型，基于时序，预测未来预设时间内的预测风速数据，实现基于风速的韦布尔分布和时序，来预测未来的风速情况，根据转换模型，将所述预测风速数据转换为预测出力数据，从而实现准确的预测未来预设时间内的出力情况。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的风电出力预测方法的步骤，通过获取风场的历史出力数据和基础数据，根据所述基础数据，利用转换模型，将所述历史出力数据转换为历史风速数据，便于后续对模型进行训练，并且将所述历史出力数据变换为历史风速数据，可以使最终的预测结果更贴近实际，基于所述历史风速数据，对预测模型进行训练，所述预测模型基于风速的韦布尔分布和随机差分方程构建得到，根据训练后的预测模型，基于时序，预测未来预设时间内的预测风速数据，实现基于风速的韦布尔分布和时序，来预测未来的风速情况，根据转换模型，将所述预测风速数据转换为预测出力数据，从而实现准确的预测未来预设时间内的出力情况。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本申请各个实施例所述的方法。
本申请上述实施例的风电出力预测装置、计算机设备、计算机可读存储介质具有与上述实施例的风电出力预测方法相同的技术效果，在此不作展开。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种风电出力预测方法，其特征在于，所述方法包括：
获取风场的历史出力数据和基础数据；
根据所述基础数据，利用转换模型，将所述历史出力数据转换为历史风速数据；
基于所述历史风速数据，对预测模型进行训练，所述预测模型基于风速的韦布尔分布和随机差分方程构建得到；
根据训练后的预测模型，基于时序，预测未来预设时间内的预测风速数据；
根据所述转换模型，将所述预测风速数据转换为预测出力数据。
2.根据权利要求1所述的风电出力预测方法，其特征在于，在所述利用转换模型，将所述历史出力数据转换为历史风速数据之前，还包括：
根据
Figure 81417DEST_PATH_IMAGE001
对所述历史出力数据中的缺失值进行填充以及异常值进行修 复；
其中，所述
Figure 139503DEST_PATH_IMAGE002
表示
Figure 627614DEST_PATH_IMAGE003
日
Figure 898190DEST_PATH_IMAGE004
时间的出力，
Figure 587928DEST_PATH_IMAGE005
表示
Figure 551336DEST_PATH_IMAGE006
日
Figure 831751DEST_PATH_IMAGE007
时间的出 力，
Figure 765072DEST_PATH_IMAGE008
表示天数。
3.根据权利要求1所述的风电出力预测方法，其特征在于，所述基础数据包括机组台数、尾流效应系数和出力特征曲线，所述根据所述基础数据，利用转换模型，将所述历史出力数据转换为历史风速数据包括：
根据
Figure 309317DEST_PATH_IMAGE009
以及
Figure 912468DEST_PATH_IMAGE010
将历史出力数据转换为历史风速数据；
其中，
Figure 539234DEST_PATH_IMAGE011
为风电机组i在时间t下的出力，
Figure 886033DEST_PATH_IMAGE012
为风电机组i在时间t下的机组台数，
Figure 19205DEST_PATH_IMAGE013
表示风电机组i的尾流效应系数，
Figure 324416DEST_PATH_IMAGE014
为风电机组i的出力特征曲线，
Figure 300462DEST_PATH_IMAGE015
为风电机组i在时 间t的风速，R表示风电机组的额定容量，
Figure 448022DEST_PATH_IMAGE016
表示切出风速，
Figure 107804DEST_PATH_IMAGE017
表示切入风速，
Figure 318337DEST_PATH_IMAGE018
表示额 定出力，
Figure 919695DEST_PATH_IMAGE019
表示最大出力，
Figure 139455DEST_PATH_IMAGE020
和
Figure 512799DEST_PATH_IMAGE021
表示常数。
4.根据权利要求3所述的风电出力预测方法，其特征在于，所述
Figure 159812DEST_PATH_IMAGE022
和
Figure 982887DEST_PATH_IMAGE023
通过以下方式确 定：
当
Figure 475179DEST_PATH_IMAGE024
为零时，且
Figure 968609DEST_PATH_IMAGE025
的相邻点的出力大于等于第一预设倍数的时，从
Figure 628053DEST_PATH_IMAGE028
到
Figure 658457DEST_PATH_IMAGE029
之间 进行随机采样，得到
Figure 271972DEST_PATH_IMAGE030
；
当
Figure 401733DEST_PATH_IMAGE031
时，从
Figure 199400DEST_PATH_IMAGE032
到
Figure 299074DEST_PATH_IMAGE033
之间进行随机采样，得到
Figure 235937DEST_PATH_IMAGE034
，其中
Figure 395654DEST_PATH_IMAGE035
为历史风速数 据中的最大风速，
Figure 704055DEST_PATH_IMAGE036
为额定出力对应的额定风速。
5.根据权利要求1所述的风电出力预测方法，其特征在于，所述基于所述历史风速数据，对预测模型进行训练包括：
基于所述预测模型中韦布尔分布的均值关系与方差关系，结合所述历史风速数据进行计算，得到所述预测模型中韦布尔分布中的参数；
基于所述历史风速数据的自相关系数，结合所述历史风速数据进行计算，得到所述预测模型中随机差分方程的阻尼比率参数。
6.根据权利要求5所述的风电出力预测方法，其特征在于，所述根据训练后的预测模型，基于时序，预测未来预设时间内的预测风速数据包括：根据
Figure 872999DEST_PATH_IMAGE037
预测未来预设时间内的预测风速数据；
其中，
Figure 461107DEST_PATH_IMAGE038
表示阻尼比率，
Figure 664162DEST_PATH_IMAGE039
表示概率密度函数，
Figure 439351DEST_PATH_IMAGE040
表示所述韦布尔分布对应参数中的 比例参数，
Figure 739882DEST_PATH_IMAGE041
表示所述韦布尔分布对应参数中的形状参数，
Figure 916917DEST_PATH_IMAGE042
表示伽马函数，
Figure DEST_PATH_IMAGE043
表示 不完全伽马函数，x表示时间。
7.一种风电出力预测装置，其特征在于，所述装置包括：
获取模块，用于获取风场的历史出力数据和基础数据；
第一转换模块，用于根据所述基础数据，利用转换模型，将所述历史出力数据转换为历史风速数据；
训练模块，用于基于所述历史风速数据，对预测模型进行训练，所述预测模型基于风速的韦布尔分布和随机差分方程构建得到；
预测模块，用于根据训练后的预测模型，基于时序，预测未来预设时间内的预测风速数据；
第二转换模块，用于根据所述转换模型，将所述预测风速数据转换为预测出力数据。
8.根据权利要求7所述的风电出力预测装置，其特征在于，所述训练模块包括第一参数计算子模块和第二参数计算子模块；
所述第一参数计算子模块，用于基于所述预测模型中韦布尔分布的均值关系与方差关系，结合所述历史风速数据进行计算，得到所述预测模型中韦布尔分布中的参数；
所述第二参数计算子模块，用于基于所述历史风速数据的自相关系数，结合所述历史风速数据进行计算，得到所述预测模型中随机差分方程的阻尼比率参数。
9.一种计算机设备，其特征在于，所述计算机设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至6中任一所述的风电出力预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至6中任一所述的风电出力预测方法。
CN202111285938.9A 2021-11-02 2021-11-02 风电出力预测方法、装置、设备及存储介质 Active CN113722939B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111285938.9A CN113722939B (zh) 2021-11-02 2021-11-02 风电出力预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111285938.9A CN113722939B (zh) 2021-11-02 2021-11-02 风电出力预测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113722939A true CN113722939A (zh) 2021-11-30
CN113722939B CN113722939B (zh) 2022-02-22

Family

ID=78686451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111285938.9A Active CN113722939B (zh) 2021-11-02 2021-11-02 风电出力预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113722939B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114510817A (zh) * 2021-12-27 2022-05-17 中国航天空气动力技术研究院 一种用于无人机滑翔路径规划的风场感知算法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101852172A (zh) * 2010-03-09 2010-10-06 山东科技大学 一种考虑风电场内尾流影响的风电机组输入风速计算方法
CN102780219A (zh) * 2012-05-17 2012-11-14 清华大学 基于风电运行模拟的多维度风电消纳能力判别方法
CN104794325A (zh) * 2015-03-10 2015-07-22 国家电网公司 一种基于随机差分方程的集群风电场出力时序模拟方法
CN109614718A (zh) * 2018-12-14 2019-04-12 国网山东省电力公司经济技术研究院 一种风电出力仿真模拟模型与方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101852172A (zh) * 2010-03-09 2010-10-06 山东科技大学 一种考虑风电场内尾流影响的风电机组输入风速计算方法
CN102780219A (zh) * 2012-05-17 2012-11-14 清华大学 基于风电运行模拟的多维度风电消纳能力判别方法
CN104794325A (zh) * 2015-03-10 2015-07-22 国家电网公司 一种基于随机差分方程的集群风电场出力时序模拟方法
CN109614718A (zh) * 2018-12-14 2019-04-12 国网山东省电力公司经济技术研究院 一种风电出力仿真模拟模型与方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张硕等: "风电场可靠性建模", 《电网技术》 *
方江晓等: "基于统计聚类分析的短期风电功率预测", 《电力系统保护与控制》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114510817A (zh) * 2021-12-27 2022-05-17 中国航天空气动力技术研究院 一种用于无人机滑翔路径规划的风场感知算法

Also Published As

Publication number Publication date
CN113722939B (zh) 2022-02-22

Similar Documents

Publication Publication Date Title
Cui et al. Short‐term city electric load forecasting with considering temperature effects: An improved ARIMAX model
CN112508118B (zh) 针对数据偏移的目标对象行为预测方法及其相关设备
CN111680841B (zh) 基于主成分分析的短期负荷预测方法、系统及终端设备
CN112990583B (zh) 一种数据预测模型的入模特征确定方法及设备
CN113821931B (zh) 风机输出功率预测方法和系统
CN112085378B (zh) 资源分配方法、装置、计算机设备及存储介质
CN113722939B (zh) 风电出力预测方法、装置、设备及存储介质
CN113807728A (zh) 基于神经网络的绩效考核方法、装置、设备及存储介质
CN112906757A (zh) 模型训练方法、光功率预测方法、装置、设备及存储介质
CN116843216A (zh) 一种指标预警方法、装置、计算机设备及存储介质
CN115936895A (zh) 基于人工智能的风险评估方法、装置、设备及存储介质
Wu et al. Data-driven nonparametric joint chance constraints for economic dispatch with renewable generation
CN108491958B (zh) 一种短时公交客流弦不变量预测方法
CN113761375A (zh) 基于神经网络的消息推荐方法、装置、设备及存储介质
CN113139698A (zh) 负荷预测方法、装置及设备
CN116843483A (zh) 一种车险理赔方法、装置、计算机设备及存储介质
CN111739646A (zh) 数据验证方法、装置、计算机设备及可读存储介质
CN104698838A (zh) 基于论域动态划分和学习的模糊调度规则挖掘方法
CN111933154A (zh) 一种伪冒语音的识别方法、设备及计算机可读存储介质
CN116707331A (zh) 基于模型预测的逆变器输出电压高精度调节方法及系统
Zhou et al. Short-term wind power prediction based on statistical clustering
CN115099875A (zh) 基于决策树模型的数据分类方法及相关设备
CN114996964A (zh) 风电预测方法、装置、设备及存储介质
CN114386332A (zh) 基于edc-lstm模型的土壤湿度预测方法、装置及存储介质
CN113779871A (zh) 一种电热耦合系统调度方法、装置、电子设备及其存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Wind power output prediction methods, devices, equipment, and storage media

Effective date of registration: 20230619

Granted publication date: 20220222

Pledgee: Bank of Jiangsu Limited by Share Ltd. Shenzhen branch

Pledgor: Qingke Youneng (Shenzhen) Technology Co.,Ltd.

Registration number: Y2023980044471

PE01 Entry into force of the registration of the contract for pledge of patent right