CN113822418A - 一种风电场功率预测方法、系统、设备和存储介质 - Google Patents
一种风电场功率预测方法、系统、设备和存储介质 Download PDFInfo
- Publication number
- CN113822418A CN113822418A CN202111118737.XA CN202111118737A CN113822418A CN 113822418 A CN113822418 A CN 113822418A CN 202111118737 A CN202111118737 A CN 202111118737A CN 113822418 A CN113822418 A CN 113822418A
- Authority
- CN
- China
- Prior art keywords
- wind
- data
- power
- power plant
- model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims description 38
- 238000010248 power generation Methods 0.000 claims description 19
- 238000005259 measurement Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 13
- 238000013527 convolutional neural network Methods 0.000 description 10
- 230000004913 activation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及一种风电场功率预测方法、系统、设备和存储介质,基于收集的风电场的历史运行数据,对预先建立的风电场功率预测综合模型进行训练,得到训练好的风电场功率预测综合模型;将获取的风电场的实际运行数据输入到风电场功率预测综合模型中,得到风电场并网点总功率预测值。在构建风电场功率预测综合模型时,综合利用了气象数据、风电机组运行数据、风电机组状态数据以及风电场并网点的数据,充分利用了现有的风电场运行数据,使得对风电场功率预测的结果更加准确。本发明可以广范应用于风电场功率预测领域。
Description
技术领域
本发明涉及风力发电领域,具体地,涉及一种基于气象数据、运行数据及机组状态的风电场功率预测方法、系统、设备和存储介质。
背景技术
近些年来,风电产业内的精细化管理需求越来越高,对于风电运行中的指标预测精度有了更高的要求。
然而,现有的风电场功率预测方法往往没有考虑到风机的异常状态对风电场功率的影响,其结果会导致预测精度受到大幅影响。而且,很多风电场功率预测方法中使用的数据来源比较单一,仅考虑了气象数据或者风电机组运行过程中的数据。这种情况在实际预测中造成了部分信息缺失,对预测结果产生了影响。
发明内容
针对上述问题,本发明的目的是提供一种风电场功率预测方法、系统、设备和存储介质,综合利用气象数据、运行数据及机组状态等多种来源的数据对风电场功率进行预测,提高了功率预测模型的精度。
为实现上述目的,本发明采取以下技术方案:
本发明的第一个方面,是提供一种风电场功率预测方法,其包括以下步骤:
基于收集的风电场的历史运行数据,对预先建立的风电场功率预测综合模型进行训练,得到训练好的风电场功率预测综合模型;
将获取的风电场的实际运行数据输入到风电场功率预测综合模型中,得到风电场并网点总功率预测值。
优选地,所述基于收集的风电场的历史运行数据,对预先建立的风电场功率预测综合模型进行训练,得到训练好的风电场功率预测综合模型的方法,包括:
收集风电场的历史运行数据,包括风电场的历史气象数据、每台风电机组的历史测风数据以及风电场电网并网点总功率;风电场的历史气象数据包括气温、气压、相对湿度、风速和风向;每台风电机组的历史测风数据包括风向、风速、发电功率数据;
基于收集的风电场的历史运行数据,对预先建立的风电场功率预测综合模型进行训练,得到训练好的风电场功率预测综合模型。
优选地,所述基于收集的风电场的历史运行数据,对预先建立的风电场功率预测综合模型进行训练,得到训练好的风电场功率预测综合模型的方法,包括:
建立风电场功率预测综合模型,所述风电场功率预测综合模型包括测风模型、风机功率模型和风场功率模型;
基于风电场历史气象数据中的风向、风速数据以及每台风电机组历史测风数据中的风向、风速数据,对建立的测风模型进行训练,得到训练好的测风模型;
基于风电机组历史测风数据中的每台风电机组历史风向、风速、发电功率数据,以及风电场历史气象数据中的气温、气压、相对湿度数据,对建立的风机功率模型进行训练,得到训练好的风机功率模型;
基于风电场的历史气象数据中的气温、气压、相对湿度、风速和风向数据、每台风电机组历史发电功率数据以及风电场电网并网点总功率数据,对建立的风场功率模型进行训练,得到训练好的风场功率模型。
优选地,所述测风模型的输入数据为过去一段时间内的风电场历史气象数据中的风向、风速数据,输出数据为下一时刻每台风电机组的风向、风速数据;
所述风机功率模型的输入数据为风电场历史气象数据中的气温、气压、相对湿度数据,以及风电机组历史测风数据中的风向、风速数据,输出数据为风电机组的发电功率数据;
所述风场功率模型的输入数据为风电场历史气象数据中的各项数据、风电机组历史数据中的每台风电机组历史发电功率数据,输出数据为风电场电网并网点总功率。
优选地,所述测风模型包括用于对风速预测的LSTM模块和用于对风向预测的CNN模块;
所述LSTM模块的输入为以该时刻为终点的过去m个时间步长,每个时间步包含n个以τ为间隔的预处理后数据点;输出为每台风电机组在下一时刻的风速预测值;
所述CNN模块的输入为以该时刻为终点的过去T个时间点的预处理后数据;输出为每台风机在下一时刻的风向预测值,所述风向预测值为一个16维的向量,其中每个数值代表风向处于该方位的概率,取概率最高值对应方位为风向预测值。
优选地,,所述风场功率模型包括三个LSTM层以及两个全连接层。
优选地,所述将获取的风电场的实际运行数据输入到风电场功率预测综合模型中,得到风电场并网点总功率预测值的方法,包括:
获取实际风电场气象预报数据中的风向、风速数据;
将获取的实际风电场气象预报数据中的风向、风速数据输入到测风模型中,得到每台风电机组的风向、风速数据预测值;
将每台风电机组的风向、风速数据预测值,以及风电场实测气象数据中的气温、气压、相对湿度数据一并输入到风机功率模型中,得到每台风电机组的发电功率预测值;
使用风电机组状态对每台风电机组的发电功率预测值进行修正,得到包含风电机组状态影响的每台风电机组的发电功率修正值;
将每台风电机组的发电功率修正值、风电场实测气象数据输入到风场功率模型中,得到风电场并网点总功率预测值。
本发明的第二个方面,是提供一种风电场功率预测系统,其包括:
模型训练模块,用于基于收集的风电场的历史运行数据,对预先建立的风电场功率预测综合模型进行训练,得到训练好的风电场功率预测综合模型;其中,该风电场功率预测综合模型包括测风模型、风机功率模型、风场功率模型;
功率预测模块,用于将获取的风电场的实际运行数据输入到风电场功率预测综合模型中,得到风电场并网点总功率预测值。
本发明的第三个方面,是提供一种处理设备,所述处理设备至少包括处理器和存储器,所述存储器上存储有计算机程序,所述处理器运行所述计算机程序时执行以实现所述风电场功率预测方法的步骤。
本发明的第四个方面,是提供一种计算机存储介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现所述风电场功率预测方法的步骤。
本发明由于采取以上技术方案,其具有以下优点:
1、本发明在构建风电场功率预测综合模型时,综合利用了气象数据、风电机组运行数据、风电机组状态数据以及风电场并网点的数据,充分利用了现有的风电场运行数据,使得对风电场功率预测的结果更加准确。
2、本发明建立的风电场功率预测综合模型包括测风模型、风机功率模型和风场功率模型,综合利用了多种具有强大表达能力的算法,能够很好的提高预测系统的精度,给出多个维度上的多种数值的预测,实现了风电机组以及风电场的短期功率预测。
3、本发明中的功率预测没有采用相对传统的依据功率曲线的方式,其原因在于:本发明中使用的数据较多,原有的功率曲线方式没有很好的综合性算法将这些数据充分利用,会造成不小的信息损失。同时现有的机器学习、神经网络算法已经发展成熟,能够针对复杂问题进行快速的训练及预测。考虑到以上优点,本发明中采用了机器学习、神经网络算法来进行模型构建和训练。
因此,本发明可以广范应用于风电场功率预测领域。
附图说明
图1为本发明实施例提供的风电场功率预测方法流程图;
图2为本发明实施例提供的模型关系学习训练阶段的流程图;
图3为本发明实施例提供的功率预测阶段的流程图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
本发明所提供的一种基于气象数据、运行数据及机组状态的风电场功率预测方法,包含两个阶段:其一为模型关系学习训练阶段,其二为功率预测阶段。本发明中使用的数据包括了风电场气象数据、风电机组运行数据以及风电场并网点数据,同时建立了多个模型,能够对不同指标进行预测分析,从整体上提高风电场功率预测的精确度。
实施例1
如图1所示,本实施例公开了一种风电场功率预测方法,具体的,包括以下步骤:
1)模型关系学习训练阶段:基于收集的风电场的历史运行数据,对预先建立的风电场功率预测综合模型进行训练,得到训练好的风电场功率预测综合模型;
2)功率预测阶段:将获取的风电场的实际运行数据输入到风电场功率预测综合模型中,得到风电场并网点总功率预测值。
进一步地,上述步骤1)中,如图2所示,模型关系学习训练阶段包括以下步骤:
1.1)收集风电场的历史运行数据,包括风电场的历史气象数据、每台风电机组的历史测风数据以及风电场电网并网点总功率。其中,风电场的历史气象数据包括气温、气压、相对湿度、风速和风向等;每台风电机组的历史测风数据包括风向、风速、发电功率数据。每台风电机组的发电功率单位为kW,风电场电网并网点总功率单位为MW。
1.2)基于收集的风电场的历史运行数据,对预先建立的风电场功率预测综合模型进行训练,得到训练好的风电场功率预测综合模型。
进一步地,上述步骤1.2)中,基于收集的风电场的历史运行数据,对预先建立的风电场功率预测综合模型进行训练,得到训练好的风电场功率预测综合模型的方法,包括以下步骤:
1.2.1)建立风电场功率预测综合模型,该风电场功率预测综合模型包括测风模型、风机功率模型和风场功率模型。
其中,测风模型为气象测风数据与风电机组测风数据(风向、风速)间的关系模型;风机功率模型为每台风电机组测风数据、气象数据与发电功率的关系模型;风场功率模型为机组发电功率、气象数据与风电场并网点总功率间的关系模型。
1.2.2)基于风电场历史气象数据中的风向、风速数据以及每台风电机组历史测风数据中的风向、风速数据,对建立的测风模型进行训练,得到训练好的测风模型。
1.2.3)基于风电场历史气象数据中的气温、气压、相对湿度数据以及风电机组历史测风数据中的每台风电机组历史风向、风速、发电功率数据,对建立的风机功率模型进行训练,得到训练好的风机功率模型。
1.2.4)基于风电场历史气象数据中的气温、气压、相对湿度、风速和风向数据,每台风电机组历史发电功率数据以及风电场电网并网点总功率数据,对建立的风场功率模型进行训练,得到训练好的风场功率模型。
进一步地,上述步骤1.2.1)中,建立的测风模型的输入数据为过去一段时间内的风电场历史气象数据中的风向、风速数据,输出数据为下一时刻每台风电机组的风向、风速数据。
优选地,测风模型使用LSTM&CNN-ANN神经网络进行模型构建。本发明中建立的测风模型包括用于对风速预测的LSTM(长短时记忆网络)模块和用于对风向预测的CNN(卷积神经网络)模块。
其中,LSTM模块的输入为以该时刻为终点的过去m个时间步长,每个时间步包含n个以τ为间隔的预处理后数据点;输出为每台风电机组在下一时刻的风速预测值。LSTM模块包括两个LSTM层以及三个全连接层(ANN),其中,两个LSTM层用于提取数据中的时序信息特征,后接的三个全连接层用于学习提取到的信息并将信息提炼成需要的数据维度。具体的,为了减少多层网络带来的过拟合结果,本实施例还在每一个LSTM层中引入了归一化层和dropout层,同时在全连接层采用RELU函数为激活函数。
CNN模块的输入为以该时刻为终点的过去T个时间点的预处理后数据;输出为每台风机在下一时刻的风向预测值,该风向预测值为一个16维的向量,其中每个数值代表风向处于该方位的概率,一般取概率最高值对应方位为风向预测值。CNN模块由两各cnn-pooling-bn(卷积层-池化层-批归一化层)层、三个全连接层(ANN)以及一个softmax层。同样的,为了减少过拟合的风险,对前两层中加入dropout层,同时三个全连接层采用RELU函数作为激活函数。
进一步地,上述步骤1.2.1)中,风机功率模型的输入数据为风电场历史气象数据中的气温、气压、相对湿度数据,以及风电机组历史测风数据中的风向、风速数据,输出数据为风电机组的发电功率数据。优选地,本实施例中风机功率模型使用LGBM(light-gradientboosting method,轻度梯度提升方法)算法进行模型构建。
进一步地,上述步骤1.2.1)中,风场功率模型的输入数据为风电场历史气象数据中的各项数据、风电机组历史数据中的每台风电机组历史发电功率数据,输出数据为风电场电网并网点总功率。
优选地,本实施例中,风场功率模型使用LSTM-ANN进行模型构建。
风场功率模型的输入为以该时刻为终点的过去m个时间步长,每个时间步中为n个以τ为间隔的预处理后数据点;输出为风电场并网点在下一时刻的发电功率预测值。风场功率模型包括三个LSTM层以及两个全连接层(ANN)。为减少多层网络带来的过拟合结果,本实施例还在每一个LSTM层中引入了归一化层和dropout层,同时在全连接层采用RELU函数为激活函数。
进一步地,上述步骤1.2.2)中,基于风电场历史气象数据中的风向、风速数据以及每台风电机组历史测风数据中的风向、风速数据,对建立的测风模型进行训练,得到训练好的测风模型的方法,包括以下步骤:
a、输入数据预处理。清洗错误数据,填充缺失数据。将风向按照气象学中的风向16方位进行离散化,并使用one-hot重新编码,对重编码后的数据进行归一化。将数据分别整合成LSTM以及CNN模块对应的输入形式。
b、将预处理后的风速、风向数据作为样本数据分别输入到LSTM模块和CNN模块进行训练,得到训练好的测风模型。其中,对于LSTM模块进行训练时,其损失函数采用均方误差函数。对CNN模块进行训练时,其损失函数采用交叉熵损失函数。对于模型进行训练的方法为本领域技术人员公知技术,本发明在此不再赘述。
进一步地,上述步骤1.2.3)中,基于风电场历史气象数据中的气温、气压、相对湿度数据以及风电机组历史测风数据中的每台风电机组历史风向、风速、发电功率数据,对建立的风机功率模型进行训练,得到训练好的风机功率模型的方法,包括以下步骤:
a、输入数据预处理:首先清洗错误数据,填充缺失数据。将风向按照气象学中的风向16方位进行离散化。
b、设置LGBM算法的超参数,包括但不限于:树叶的数量、树的最大深度、迭代采样数据比例、特征划分区间的最大数量、弱学习器数量、学习率等。
c、进行超参数寻优。主要调整参数包括但不限于弱学习器数量、学习率、树叶的数量等。其中,进行超参数寻优时,可以采用网格寻优法、遗传算法、蜂群算法、布谷鸟算法等,本实施例中进行超参数寻优时,使用网格寻优法。
d、保存最优模型,以便后续使用。
进一步地,上述步骤1.2.4)中,构建方法包括以下步骤:
a、输入数据预处理。首先清洗错误数据,填充缺失数据。将风向按照气象学中的风向16方位进行离散化,并使用one-hot重新编码,对重编码后的数据进行归一化。将数据整合成LSTM-ANN算法对应的输入形式。
b、将预处理后的风电场历史气象数据中的气温、气压、相对湿度、风速和风向数据,每台风电机组历史发电功率数据以及风电场电网并网点总功率数据输入到构建好的风场功率模型中进行训练,得到训练好的风场功率模型。其中,对于风场功率模型进行训练时,其损失函数采用均方误差函数。
此处需指明一点,该风场功率模型输入数据中的每台机组发电功率为实发功率而非发电能力,原因在于实发功率与机组状态紧密相关,若采用发电能力进行训练会对模型的预测结果产生相当的负面影响。
进一步地,上述步骤2)中,如图3所示,功率预测阶段包括以下步骤:
2.1)获取实际风电场气象预报数据中的风向、风速数据;
2.2)将步骤2.1)中的风向、风速数据输入到测风模型中,得到每台风电机组的风向、风速数据预测值;
2.3)将步骤2.2)中得到的每台风电机组的风向、风速数据预测值,以及风电场实测气象数据中的气温、气压、相对湿度数据一并输入到风机功率模型中,得到每台风电机组的发电功率预测值;
2.4)使用风电机组状态(该数据可以在风电机组的SCADA数据中能找到该特征)对步骤2.3)中得到的每台风电机组的发电功率预测值进行修正,得到包含风电机组状态影响的每台风电机组的发电功率修正值;
2.5)将步骤2.4)中得到的每台风电机组的发电功率修正值、风电场实测气象数据输入到风场功率模型中,得到风电场并网点总功率预测值。
综上所述,本实施例中提出的一种基于气象数据、运行数据及机组状态的风电场功率预测方法利用了多种风电场运行中的数据以及气象数据,相较于现有的全场功率预测方法减少了很多信息损失,能够提高功率预测的精度。同时本发明中训练的多个模型能够给出风场运行中多个重要数据的预测,对于风电场的日常运行监测具有一定作用。能够实现风电场日常运行中的机组发电功率的预测以及电网并网点发电功率的预测。同时本发明是基于数据层面的方法,针对不同的实际情况,可以通过调整上述过程中的模块参数来完成算法对不同风场及风机的适配。因此本发明具有很强的适配性,能够满足不同风场、风机型号的具体需求。
实施例2
上述实施例1提供了一种风电场功率预测方法,与之相对应地,本实施例提供一种一种风电场功率预测系统。本实施例提供的识别系统可以实施实施例1的一种风电场功率预测方法,该识别系统可以通过软件、硬件或软硬结合的方式来实现。例如,该系统可以包括集成的或分开的功能模块或功能单元来执行实施例1各方法中的对应步骤。由于本实施例的识别系统基本相似于方法实施例,所以本实施例描述过程比较简单,相关之处可以参见实施例1的部分说明即可,本实施例的系统的实施例仅仅是示意性的。
本实施例提供的一种风电场功率预测系统,包括:
模型训练模块,用于基于收集的风电场的历史运行数据,对预先建立的风电场功率预测综合模型进行训练,得到训练好的风电场功率预测综合模型;其中,该风电场功率预测综合模型包括测风模型、风机功率模型、风场功率模型;
功率预测模块,用于将获取的风电场的实际运行数据输入到风电场功率预测综合模型中,得到风电场并网点总功率预测值。
实施例3
本实施例提供一种与本实施例1所提供的一种风电场功率预测方法对应的处理设备,处理设备可以是用于客户端的处理设备,例如手机、笔记本电脑、平板电脑、台式机电脑等,以执行实施例1的方法。
所述处理设备包括处理器、存储器、通信接口和总线,处理器、存储器和通信接口通过总线连接,以完成相互间的通信。存储器中存储有可在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行本实施例1所提供的一种风电场功率预测方法。
在一些实现中,存储器可以是高速随机存取存储器(RAM:Random AccessMemory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。
在另一些实现中,处理器可以为中央处理器(CPU)、数字信号处理器(DSP)等各种类型通用处理器,在此不做限定。
实施例4
本实施例1的一种风电场功率预测方法可被具体实现为一种计算机程序产品,计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本实施例1所述的一种风电场功率预测方法的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
需要说明的是,附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
上述各实施例仅用于说明本发明,其中各部件的结构、连接方式和制作工艺等都是可以有所变化的,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (10)
1.一种风电场功率预测方法,其特征在于,包括以下步骤:
基于收集的风电场的历史运行数据,对预先建立的风电场功率预测综合模型进行训练,得到训练好的风电场功率预测综合模型;
将获取的风电场的实际运行数据输入到风电场功率预测综合模型中,得到风电场并网点总功率预测值。
2.如权利要求1所述的一种风电场功率预测方法,其特征在于,所述基于收集的风电场的历史运行数据,对预先建立的风电场功率预测综合模型进行训练,得到训练好的风电场功率预测综合模型的方法,包括:
收集风电场的历史运行数据,包括风电场的历史气象数据、每台风电机组的历史测风数据以及风电场电网并网点总功率;风电场的历史气象数据包括气温、气压、相对湿度、风速和风向;每台风电机组的历史测风数据包括风向、风速、发电功率数据;
基于收集的风电场的历史运行数据,对预先建立的风电场功率预测综合模型进行训练,得到训练好的风电场功率预测综合模型。
3.如权利要求2所述的一种风电场功率预测方法,其特征在于,所述基于收集的风电场的历史运行数据,对预先建立的风电场功率预测综合模型进行训练,得到训练好的风电场功率预测综合模型的方法,包括:
建立风电场功率预测综合模型,所述风电场功率预测综合模型包括测风模型、风机功率模型和风场功率模型;
基于风电场历史气象数据中的风向、风速数据以及每台风电机组历史测风数据中的风向、风速数据,对建立的测风模型进行训练,得到训练好的测风模型;
基于风电机组历史测风数据中的每台风电机组历史风向、风速、发电功率数据,以及风电场历史气象数据中的气温、气压、相对湿度数据,对建立的风机功率模型进行训练,得到训练好的风机功率模型;
基于风电场的历史气象数据中的气温、气压、相对湿度、风速和风向数据、每台风电机组历史发电功率数据以及风电场电网并网点总功率数据,对建立的风场功率模型进行训练,得到训练好的风场功率模型。
4.如权利要求3所述的一种风电场功率预测方法,其特征在于,所述测风模型的输入数据为过去一段时间内的风电场历史气象数据中的风向、风速数据,输出数据为下一时刻每台风电机组的风向、风速数据;
所述风机功率模型的输入数据为风电场历史气象数据中的气温、气压、相对湿度数据,以及风电机组历史测风数据中的风向、风速数据,输出数据为风电机组的发电功率数据;
所述风场功率模型的输入数据为风电场历史气象数据中的各项数据、风电机组历史数据中的每台风电机组历史发电功率数据,输出数据为风电场电网并网点总功率。
5.如权利要求4所述的一种风电场功率预测方法,其特征在于,所述测风模型包括用于对风速预测的LSTM模块和用于对风向预测的CNN模块;
所述LSTM模块的输入为以该时刻为终点的过去m个时间步长,每个时间步包含n个以τ为间隔的预处理后数据点;输出为每台风电机组在下一时刻的风速预测值;
所述CNN模块的输入为以该时刻为终点的过去T个时间点的预处理后数据;输出为每台风机在下一时刻的风向预测值,所述风向预测值为一个16维的向量,其中每个数值代表风向处于该方位的概率,取概率最高值对应方位为风向预测值。
6.如权利要求4所述的一种风电场功率预测方法,其特征在于,所述风场功率模型包括三个LSTM层以及两个全连接层。
7.如权利要求3所述的一种风电场功率预测方法,其特征在于,所述将获取的风电场的实际运行数据输入到风电场功率预测综合模型中,得到风电场并网点总功率预测值的方法,包括:
获取实际风电场气象预报数据中的风向、风速数据;
将获取的实际风电场气象预报数据中的风向、风速数据输入到测风模型中,得到每台风电机组的风向、风速数据预测值;
将每台风电机组的风向、风速数据预测值,以及风电场实测气象数据中的气温、气压、相对湿度数据一并输入到风机功率模型中,得到每台风电机组的发电功率预测值;
使用风电机组状态对每台风电机组的发电功率预测值进行修正,得到包含风电机组状态影响的每台风电机组的发电功率修正值;
将每台风电机组的发电功率修正值、风电场实测气象数据输入到风场功率模型中,得到风电场并网点总功率预测值。
8.一种风电场功率预测系统,其特征在于,包括:
模型训练模块,用于基于收集的风电场的历史运行数据,对预先建立的风电场功率预测综合模型进行训练,得到训练好的风电场功率预测综合模型;其中,该风电场功率预测综合模型包括测风模型、风机功率模型、风场功率模型;
功率预测模块,用于将获取的风电场的实际运行数据输入到风电场功率预测综合模型中,得到风电场并网点总功率预测值。
9.一种处理设备,所述处理设备至少包括处理器和存储器,所述存储器上存储有计算机程序,其特征在于,所述处理器运行所述计算机程序时执行以实现权利要求1到7任一项所述风电场功率预测方法的步骤。
10.一种计算机存储介质,其特征在于,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现根据权利要求1到7任一项所述风电场功率预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111118737.XA CN113822418A (zh) | 2021-09-24 | 2021-09-24 | 一种风电场功率预测方法、系统、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111118737.XA CN113822418A (zh) | 2021-09-24 | 2021-09-24 | 一种风电场功率预测方法、系统、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113822418A true CN113822418A (zh) | 2021-12-21 |
Family
ID=78921044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111118737.XA Pending CN113822418A (zh) | 2021-09-24 | 2021-09-24 | 一种风电场功率预测方法、系统、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113822418A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114444291A (zh) * | 2022-01-20 | 2022-05-06 | 中节能风力发电股份有限公司 | 一种风机发电量损失精细化测算方法、系统、设备和介质 |
CN114723104A (zh) * | 2022-03-11 | 2022-07-08 | 新疆大学 | 一种风电机组机舱电气设备能耗优化综合建模方法及系统 |
CN114861990A (zh) * | 2022-04-18 | 2022-08-05 | 云南电网有限责任公司电力科学研究院 | 风电功率预测模型建模方法、装置和设备 |
CN115600639A (zh) * | 2022-09-30 | 2023-01-13 | 国网四川省电力公司眉山供电公司(Cn) | 一种风速传感器、输电线路风速预测方法及预警系统 |
CN116108989A (zh) * | 2023-01-13 | 2023-05-12 | 华润电力技术研究院有限公司 | 一种风电超短期功率预测预测方法、系统、存储介质及设备 |
CN116123028A (zh) * | 2022-12-20 | 2023-05-16 | 中国华能集团清洁能源技术研究院有限公司 | 风电场级mppt预测模型控制方法和装置 |
-
2021
- 2021-09-24 CN CN202111118737.XA patent/CN113822418A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114444291A (zh) * | 2022-01-20 | 2022-05-06 | 中节能风力发电股份有限公司 | 一种风机发电量损失精细化测算方法、系统、设备和介质 |
CN114723104A (zh) * | 2022-03-11 | 2022-07-08 | 新疆大学 | 一种风电机组机舱电气设备能耗优化综合建模方法及系统 |
CN114861990A (zh) * | 2022-04-18 | 2022-08-05 | 云南电网有限责任公司电力科学研究院 | 风电功率预测模型建模方法、装置和设备 |
CN115600639A (zh) * | 2022-09-30 | 2023-01-13 | 国网四川省电力公司眉山供电公司(Cn) | 一种风速传感器、输电线路风速预测方法及预警系统 |
CN115600639B (zh) * | 2022-09-30 | 2023-11-14 | 国网四川省电力公司眉山供电公司 | 一种风速传感器、输电线路风速预测方法及预警系统 |
CN116123028A (zh) * | 2022-12-20 | 2023-05-16 | 中国华能集团清洁能源技术研究院有限公司 | 风电场级mppt预测模型控制方法和装置 |
CN116108989A (zh) * | 2023-01-13 | 2023-05-12 | 华润电力技术研究院有限公司 | 一种风电超短期功率预测预测方法、系统、存储介质及设备 |
CN116108989B (zh) * | 2023-01-13 | 2024-02-02 | 华润电力技术研究院有限公司 | 一种风电超短期功率预测方法、系统、存储介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113822418A (zh) | 一种风电场功率预测方法、系统、设备和存储介质 | |
Xiaoyun et al. | Short-term prediction of wind power based on deep long short-term memory | |
CN107766990B (zh) | 一种光伏电站发电功率的预测方法 | |
CN103473621A (zh) | 风电场短期功率预测方法 | |
CN111241755A (zh) | 电力负荷预测方法 | |
CN109325607A (zh) | 一种短期风电功率预测方法及系统 | |
CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
CN110717610A (zh) | 一种基于数据挖掘的风电功率预测方法 | |
Li et al. | Deep spatio-temporal wind power forecasting | |
CN114021483A (zh) | 基于时域特征与XGBoost的超短期风电功率预测方法 | |
CN116911806B (zh) | 基于互联网+的电力企业能源信息管理系统 | |
Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
CN113962433A (zh) | 一种融合因果卷积与可分离时间卷积的风电预测方法及系统 | |
CN115034485A (zh) | 一种基于数据空间的风电功率区间预测方法及装置 | |
CN115660232A (zh) | 风电功率的超短期预测方法、装置及系统 | |
CN113095547B (zh) | 一种基于gra-lstm-ice模型的短期风功率预测方法 | |
CN117117819A (zh) | 一种光伏发电短期功率预测方法、系统、设备和介质 | |
CN114298132A (zh) | 风电功率预测方法及装置、电子设备 | |
CN111950752A (zh) | 光伏电站发电量预测方法、装置、系统及其存储介质 | |
CN113610328A (zh) | 一种发电负荷预测方法 | |
CN117154680A (zh) | 一种基于非平稳Transformer模型的风电功率预测方法 | |
CN111126645A (zh) | 一种基于数据挖掘技术和改进支持向量机的风电预测算法 | |
CN114154684A (zh) | 基于数据挖掘和多核支持向量机的短期光伏功率预测方法 | |
CN113723670A (zh) | 变时间窗口的光伏发电功率短期预测方法 | |
CN111539573A (zh) | 一种风光互补离网系统的功率预测方法及系统 |
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 |