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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000006243 chemical reaction Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 39
- 230000006870 function Effects 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000013016 damping Methods 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 13
- 239000000126 substance Substances 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001131 transforming effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005653 Brownian motion process Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005537 brownian motion Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000005654 stationary process Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
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:
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:
将历史出力数据转换为历史风速数据;
其中,为风电机组i在时间t下的出力,为风电机组i在时间t下的机组台数,表示风电机组i的尾流效应系数,为风电机组i的出力特征曲线,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,表示切出风速,表示切入风速,表示额
定出力,表示最大出力,和表示常数。
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
预测未来预设时间内的预测风速数据;
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;
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:
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,为风电场最大出力,
落在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:
将历史出力数据转换为历史风速数据;
其中,为风电机组i在时间t下的出力,为风电机组i在时间t下的机组台数,表示风电机组i的尾流效应系数,为风电机组i的出力特征曲线,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,表示切出风速,表示切入风速,表示额
定出力,表示最大出力,和表示常数。
公式二:
将所述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。
具体的,准确估计常数和的值,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。
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
并且韦布尔分布的均值与方差有如下关系:
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:
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,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
预测未来预设时间内的预测风速数据;
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。
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
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;
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;
将历史出力数据转换为历史风速数据;
其中,为风电机组i在时间t下的出力,为风电机组i在时间t下的机组台数,表示风电机组i的尾流效应系数,为风电机组i的出力特征曲线,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,表示切出风速,表示切入风速,表示
额定出力,表示最大出力,和表示常数。
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;
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,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
预测未来预设时间内的预测风速数据;
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。
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。
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。
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)
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)
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 |
-
2021
- 2021-11-02 CN CN202111285938.9A patent/CN113722939B/zh active Active
Patent Citations (4)
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)
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)
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 |