CN114048930B - 一种超短期风电功率预测方法和装置 - Google Patents

一种超短期风电功率预测方法和装置 Download PDF

Info

Publication number
CN114048930B
CN114048930B CN202210034461.5A CN202210034461A CN114048930B CN 114048930 B CN114048930 B CN 114048930B CN 202210034461 A CN202210034461 A CN 202210034461A CN 114048930 B CN114048930 B CN 114048930B
Authority
CN
China
Prior art keywords
wind
correlation coefficient
power
wind power
prediction
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.)
Active
Application number
CN202210034461.5A
Other languages
English (en)
Other versions
CN114048930A (zh
Inventor
肖建华
刘冬明
龚贤夫
陈鸿琳
罗苑萍
傅惠芹
刘满
张莉
林晓波
李暖群
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.)
Jieyang Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Jieyang Power Supply Bureau of Guangdong Power Grid 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 Jieyang Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Jieyang Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202210034461.5A priority Critical patent/CN114048930B/zh
Publication of CN114048930A publication Critical patent/CN114048930A/zh
Application granted granted Critical
Publication of CN114048930B publication Critical patent/CN114048930B/zh
Priority to PCT/CN2022/144103 priority patent/WO2023134478A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Wind Motors (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明实施例公开了一种超短期风电功率预测方法和装置。该方法包括：获取每台风力电机的历史功率数据和影响风电功率的各种特征数据；根据每台风力电机的历史功率数据和影响风电功率的各种特征数据建立每台风力发电机的特征矩阵；根据每台风力发电机的特征矩阵计算各台风力发电机之间的多种相关系数；根据各台风力发电机之间的多种相关系数构建各台风力发电机之间的综合相关系数矩阵；根据各台风力发电机之间的综合相关系数矩阵确定每台风力发电机功率预测所需的输入特征参数；根据每台风力发电机功率预测所需的输入特征参数建立多种预测模型；根据各预测模型训练得到对应的功率预测结果，并采用聚类算法求解得到最优功率预测结果。

Description

一种超短期风电功率预测方法和装置
技术领域
本发明实施例涉及风电功率预测技术领域，尤其涉及一种超短期风电功率预测方法和装置。
背景技术
传统的风电功率预测方法分为物理模型和统计模型，随着大数据技术的发展，人工智能技术被应用于风电预测中。但针对海上风电功率预测的研究却较少，由于海水比热容大、风浪、风机尾流的影响明显，陆地风电场的预测方法难以适应海上风电预测。近年来深度学习模型也逐渐被应用于海上风电功率预测中，但大多是将风电场作为一个整体进行预测，并未考虑风电场内风机尾流的影响。因此，急需一种应用于海上风电功率预测的预测方法。
发明内容
本发明提供一种超短期风电功率预测方法和装置，以实现对海上风电的功率预测，并提高预测的精度。
第一方面，本发明实施例提供了一种超短期风电功率预测方法，超短期风电功率预测方法包括：
获取每台风力电机的历史功率数据和影响风电功率的各种特征数据；
根据每台风力电机的历史功率数据和影响风电功率的各种特征数据建立每台风力发电机的特征矩阵；
根据每台风力发电机的特征矩阵，计算各台风力发电机之间的多种相关系数；
根据各台风力发电机之间的多种相关系数，构建各台风力发电机之间的综合相关系数矩阵；
根据各台风力发电机之间的综合相关系数矩阵，确定每台风力发电机功率预测所需的输入特征参数；
根据每台风力发电机功率预测所需的输入特征参数，建立多种预测模型；并根据各预测模型训练得到对应的功率预测结果；
根据各功率预测结果，采用聚类算法求解得到最优功率预测结果。
可选地，所述多种相关系数至少包括：Pearson相关系数、Spearman相关系数、R2系数和欧式距离；
所述根据各台风力发电机之间的多种相关系数，构建各台风力发电机之间的综合相关系数矩阵，包括：
根据各台风力发电机之间的多种相关系数，构建各台风力发电机之间的综合相关系数式；
根据各台风力发电机之间的综合相关系数式计算各台风力发电机之间的综合相关系数；并基于各台风力发电机之间的综合相关系数形成各台风力发电机之间的综合相关系数矩阵。
可选地，所述各台风力发电机之间的综合相关系数式为：
Figure 302288DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为各台风力发电机之间的Pearson相关系数；
Figure 78483DEST_PATH_IMAGE004
为
Figure 327062DEST_PATH_IMAGE003
所对应的系数；
Figure DEST_PATH_IMAGE005
为各台风力发电机之间的Spearman相关系数；
Figure 519009DEST_PATH_IMAGE006
为
Figure 162742DEST_PATH_IMAGE005
所对应的系数；
Figure DEST_PATH_IMAGE007
为各台 风力发电机之间的R2系数；
Figure 781942DEST_PATH_IMAGE008
为
Figure 314555DEST_PATH_IMAGE007
所对应的系数；
Figure DEST_PATH_IMAGE009
为各台风力发电机之间的欧式 距离；
Figure 310193DEST_PATH_IMAGE010
为
Figure 244651DEST_PATH_IMAGE009
所对应的系数；
所述各台风力发电机之间的综合相关系数矩阵为：
Figure 831490DEST_PATH_IMAGE012
其中，
Figure DEST_PATH_IMAGE013
为海上风力发电机
Figure 54661DEST_PATH_IMAGE014
和
Figure DEST_PATH_IMAGE015
之间的综合相关系数。
可选地，各种相关系数所对应的系数
Figure 86945DEST_PATH_IMAGE016
的计算公式为：
Figure 875910DEST_PATH_IMAGE018
其中，
Figure DEST_PATH_IMAGE019
、
Figure 368071DEST_PATH_IMAGE020
、
Figure DEST_PATH_IMAGE021
、
Figure 406434DEST_PATH_IMAGE022
的计算公式分别为：
Figure 947137DEST_PATH_IMAGE024
Figure 184083DEST_PATH_IMAGE026
Figure 722512DEST_PATH_IMAGE028
Figure 717013DEST_PATH_IMAGE030
其中，
Figure 890767DEST_PATH_IMAGE014
的取值为0，1，2，3。
可选地，所述根据各台风力发电机之间的综合相关系数矩阵，确定每台风力发电机功率预测所需的输入特征参数，包括：
依次判断所述综合相关系数矩阵中的各个元素是否满足预设阈值；若是，则将对应的元素值置1；若否，则将对应的元素值置0；并得到标准化的综合相关系数矩阵；
根据所述标准化的综合相关系数矩阵，按照预设筛选规则确定每台风力发电机功率预测所需的输入特征参数。
可选地，所述根据所述标准化的综合相关系数矩阵，按照预设筛选规则确定每台风力发电机功率预测所需的输入特征参数，包括：
将所述标准化的综合相关系数矩阵中的每一列的各个元素，按照预设筛选规则筛选出满足预设筛选条件的特征元素，并作为对应列的风力发电机的功率预测所需的输入特征参数；
其中，所述标准化的综合相关系数矩阵中的每一列向量表示一台风力发电机的特征参数向量。
可选地，所述预设筛选规则为：
计算每台风力发电机在所述标准化的综合相关系数矩阵中对应列的每个特征元素与对应的风力电机的历史功率数据之间的Pearson相关系数；
根据Pearson相关系数的计算结果，判断是否保留对应的特征元素。
可选地，所述特征数据至少包括每台风力发电机的周围环境风速、风向和温度，每台风力发电机的叶片角度，以及每台风力发电机的周围海水的流速、流向和温度。
可选地，所述多种预测模型至少包括：BP神经网络模型、卷积神经网络模型、门控循环神经网络模型和CNN-GRU模型。
第二方面，本发明实施例还提供了一种超短期风电功率预测装置，该超短期风电功率预测装置包括：
历史功率数据获取模块，用于获取每台风力电机的历史功率数据；
特征数据获取模块，用于获取每台风力电机的影响风电功率的各种特征数据；
特征矩阵建立模块，用于根据每台风力电机的历史功率数据和影响风电功率的各种特征数据建立每台风力发电机的特征矩阵；
多种相关系数计算模块，用于根据每台风力发电机的特征矩阵，计算各台风力发电机之间的多种相关系数；
综合相关系数矩阵构建模块，用于根据各台风力发电机之间的多种相关系数，构建各台风力发电机之间的综合相关系数矩阵；
输入特征参数确定模块，用于根据各台风力发电机之间的综合相关系数矩阵，确定每台风力发电机功率预测所需的输入特征参数；
多种预测模型建立模块，用于根据每台风力发电机功率预测所需的输入特征参数，建立多种预测模型；
功率预测结果获得模块，用于根据各预测模型训练得到对应的功率预测结果；
最优功率预测结果求解模块，用于根据各功率预测结果，采用聚类算法求解得到最优功率预测结果。
本发明通过提供一种超短期风电功率预测方法和装置，该超短期风电功率预测方法包括：获取每台风力电机的历史功率数据和影响风电功率的各种特征数据；根据每台风力电机的历史功率数据和影响风电功率的各种特征数据建立每台风力发电机的特征矩阵；根据每台风力发电机的特征矩阵，计算各台风力发电机之间的多种相关系数；根据各台风力发电机之间的多种相关系数，构建各台风力发电机之间的综合相关系数矩阵；根据各台风力发电机之间的综合相关系数矩阵，确定每台风力发电机功率预测所需的输入特征参数；根据每台风力发电机功率预测所需的输入特征参数，建立多种预测模型；并根据各预测模型训练得到对应的功率预测结果；根据各功率预测结果，采用聚类算法求解得到最优功率预测结果。通过该方法可以实现对海上风力发电机的功率进行预测，且全面地考虑影响海上风电预测的各种特征数据，并结合每台风力电机的历史功率数据生成每台风力发电机的特征矩阵，基于特征矩阵构建各台风力发电机之间的综合相关系数矩阵并根据综合相关系数矩阵确定最终输入到预测模型的输入特征参数，从而提高预测的精度。
附图说明
图1是本发明实施例一中的一种超短期风电功率预测方法的流程图；
图2是本发明实施例二中的一种超短期风电功率预测方法的流程图；
图3是本发明实施例三中的一种超短期风电功率预测装置的结构框图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一中提供的一种超短期风电功率预测方法的流程图，本实施例可适用于在海上风电管理平台中，实现提高超短期风电功率预测精度的方法，该方法可以由超短期风电功率预测装置来执行，该装置可以由软件和/或硬件的方式来实现，该装置可配置于管理平台的服务器中，参考图1，具体包括如下步骤：
步骤110、获取每台风力电机的历史功率数据和影响风电功率的各种特征数据；
通常，海上风电功率预测受到众多因素的影响，例如大气温度、风速、海水温度、风机轮翼处风速、风机叶片与风向的夹角等。虽然由众多的因数都会影响海上风机功率的输出，但每个因素的影响程度不一，有的因素甚至可以直接忽略。因此，影响风电功率的各种特征数据是指除去可以直接忽略的因素以外的因素。
其中，每台风力电机的历史功率数据可以从海上风电场的数据采集与监视控制系统（Supervisory Control And Data Acquisition，SCADA）获取各台风力发电机的功率时间序列。每台风力电机的影响风电功率的各种特征数据可以通过数据采集设备或传感器等进行采集，例如，温度可以采用温度传感器采集。将采集到的每台风力电机的历史功率数据和影响风电功率的各种特征数据都发送到数据存储设备进行存储。因而，服务器可以直接从数据存储设备获取每台风力电机的历史功率数据和影响风电功率的各种特征数据。
步骤120、根据每台风力电机的历史功率数据和影响风电功率的各种特征数据建立每台风力发电机的特征矩阵；
其中，在获取每台风力电机的影响风电功率的各种特征数据后，为了统一样本数据的统计分布性，方便后续处理，需要对各种特征数据做归一化处理，即将每台风力发电机的周围环境风速、风向和温度，以及每台风力发电机的周围海水的流速、流向和温度都进行归一化处理。并将归一化处理后的每台风力发电机的各种特征数据与对应的历史功率数据拼接为每台风力发电机的特征矩阵X。
其中，归一化处理采用min-max归一化方法，将数据归一化至[0，1]，具体公式为：
Figure 592007DEST_PATH_IMAGE032
其中，
Figure DEST_PATH_IMAGE033
为各种特征数据向量，
Figure 222709DEST_PATH_IMAGE034
为对应的特征数据向量的最小值，
Figure DEST_PATH_IMAGE035
为对应 的特征数据向量的最大值。
步骤130、根据每台风力发电机的特征矩阵，计算各台风力发电机之间的多种相关系数；
其中，各台风力发电机之间存在一定的相关性。因此，基于各台风力发电机的特征矩阵，计算得到的各台风力发电机之间的相关系数可以反应各台风力发电机之间在不同的特征或维度方面的相关性。
其中，相关系数可以采用多种方式去表征，例如，Pearson相关系数可以根据波形来确定各台风力发电机之间的相关性；Spearman相关系数可以根据单调性来确定各台风力发电机之间的相关性；R2相关系数可以说明各台风力发电机相互间的影响程度；欧氏距离用来确定两个海上风力发电机的特征间的关联程度。此外，相关系数还可以包括其他种类，具体可根据实际情况进行设置，在此不做具体的限定。
步骤140、根据各台风力发电机之间的多种相关系数，构建各台风力发电机之间的综合相关系数矩阵；
其中，各台风力发电机之间的多种相关系数可以从多种不同的角度反应各台风力发电机之间特征的相关性。不同相关系数计算方法表现出不同的特征，考虑到不同的相关系数的侧重点不同，因此，为了提高预测的精度，在评估海上风力发电机间的相关性时，结合多种相关系数，并对各种相关系数进行加权，构建各台风力发电机之间的综合相关系数矩阵，以更为准确的反映海上风力发电机组之间特征的相互影响，例如，风力发电机组之间尾流的相互影响。
步骤150、根据各台风力发电机之间的综合相关系数矩阵，确定每台风力发电机功率预测所需的输入特征参数；
其中，每台风力发电机功率预测所需的输入特征参数是各种功率预测模型进行训练的基础参数，为了提高每台风力发电机功率预测的准确性，必须要确保输入到功率预测模型进行训练的输入特征参数为影响风力发电机功率变化的重要因素特征。因此，在根据预测模型训练之前，需要对预测所需的输入特征参数进行特征筛选，即根据各台风力发电机之间的综合相关系数矩阵可以确定每台风力发电机功率预测最终需要输入的特征参数。
步骤160、根据每台风力发电机功率预测所需的输入特征参数，建立多种预测模型；并根据各预测模型训练得到对应的功率预测结果；
具体的，基于每台风力发电机功率预测所需的输入特征参数，对每台风力发电机建立多种预测模型，并将每台风力发电机功率预测所需的输入特征参数输入到每台风力发电机的各个预测模型，进行训练，得到对应的风力发电机的各个预测模型的功率预测结果。其中，针对每台风力发电机都建立多种预测模型，并根据各个预测模型进行训练，是为了得到每台风力发电机在多种预测模型下的训练情况，以便后续将多种预测模型的预测结果进行耦合，实现将多种预测模型的优点进行耦合，以得到最优的预测结果，从而提高功率预测的精度和可靠性。
步骤170、根据各功率预测结果，采用聚类算法求解得到最优功率预测结果。
其中，将多种预测模型的预测结果采用聚类算法进行耦合求解最优预测结果，充分保留了不同预测模型的优点，采用聚类算法与其有机结合使得预测模型的预测精度得到了进一步的提升，具有重要的实际工程意义。
在本实施例的技术方案中，该超短期风电功率预测方法的工作原理为：首选先，获取每台风力电机的历史功率数据和影响风电功率的各种特征数据；根据每台风力电机的历史功率数据和影响风电功率的各种特征数据建立每台风力发电机的特征矩阵；根据每台风力发电机的特征矩阵，计算各台风力发电机之间的多种相关系数；根据各台风力发电机之间的多种相关系数，构建各台风力发电机之间的综合相关系数矩阵；根据各台风力发电机之间的综合相关系数矩阵，确定每台风力发电机功率预测所需的输入特征参数；根据每台风力发电机功率预测所需的输入特征参数，建立多种预测模型；并根据各预测模型训练得到对应的功率预测结果；根据各功率预测结果，采用聚类算法求解得到最优功率预测结果。由此可知，通过全面地考虑影响海上风电预测的各种特征数据，并结合每台风力电机的历史功率数据生成每台风力发电机的特征矩阵，基于特征矩阵构建各台风力发电机之间的综合相关系数矩阵并根据综合相关系数矩阵确定最终输入到预测模型的输入特征参数，从而提高预测的精度。且通过聚类算法将多种预测模型的预测结果进行耦合，在充分保留不同预测模型的优点的同时，将聚类算法与各种预测模型有机结合使得预测精度得到了进一步的提升。
本实施例的技术方案，通过提供一种超短期风电功率预测方法，该超短期风电功率预测方法包括：获取每台风力电机的历史功率数据和影响风电功率的各种特征数据；根据每台风力电机的历史功率数据和影响风电功率的各种特征数据建立每台风力发电机的特征矩阵；根据每台风力发电机的特征矩阵，计算各台风力发电机之间的多种相关系数；根据各台风力发电机之间的多种相关系数，构建各台风力发电机之间的综合相关系数矩阵；根据各台风力发电机之间的综合相关系数矩阵，确定每台风力发电机功率预测所需的输入特征参数；根据每台风力发电机功率预测所需的输入特征参数，建立多种预测模型；并根据各预测模型训练得到对应的功率预测结果；根据各功率预测结果，采用聚类算法求解得到最优功率预测结果。通过该方法可以实现对海上风力发电机的功率进行预测，且全面地考虑影响海上风电预测的各种特征数据，并结合每台风力电机的历史功率数据生成每台风力发电机的特征矩阵，基于特征矩阵构建各台风力发电机之间的综合相关系数矩阵并根据综合相关系数矩阵确定最终输入到预测模型的输入特征参数，从而提高预测的精度。
在上述技术方案的基础上，可选地，特征数据至少包括每台风力发电机的周围环境风速、风向和温度，每台风力发电机的叶片角度，以及每台风力发电机的周围海水的流速、流向和温度。
其中，每台风力发电机的周围环境风速和风向会影响海上风力发电机的尾流。而海上风力发电机的尾流因素会在一定程度上影响风力发电机的功率预测，因此，为了提高风力发电机的功率预测的精度，需要考虑每台风力发电机的周围环境风速和风向这两个特征数据。
可选地，在获取到每台风力电机的影响风电功率的各种特征数据后，需要对部分 数据进行预处理，以提高数据的准确性。例如，对于每台风力发电机的周围环境的风速和风 向数据，假设风速为
Figure 970085DEST_PATH_IMAGE036
，风向为
Figure DEST_PATH_IMAGE037
，将其分解为经向风速
Figure 321432DEST_PATH_IMAGE038
和纬向风速
Figure DEST_PATH_IMAGE039
，其 计算公式如下：
Figure DEST_PATH_IMAGE041
对于每台风力发电机的周围海水的流向数据，假设海水流向数据为
Figure 736232DEST_PATH_IMAGE042
，将其分 解为流向余弦
Figure DEST_PATH_IMAGE043
和流向正弦
Figure 30511DEST_PATH_IMAGE044
，其计算公式如下：
Figure 671708DEST_PATH_IMAGE046
对于每台风力发电机的叶片角度数据，假设风力发电机的叶片角度为
Figure 357904DEST_PATH_IMAGE042
，将其 分解为叶片角度正弦
Figure DEST_PATH_IMAGE047
和余弦
Figure 627212DEST_PATH_IMAGE048
，其计算公式如下：
Figure 6240DEST_PATH_IMAGE050
实施例二
图2是本发明实施例二中提供的一种超短期风电功率预测方法的流程图。在上述实施例一的基础上，可选地，多种相关系数至少包括：Pearson相关系数、Spearman相关系数、R2系数和欧式距离。
其中，对各台风力发电机之间的Pearson相关系数的计算公式为：
Figure 524946DEST_PATH_IMAGE052
其中，对各台风力发电机之间的Spearman相关系数的计算公式为：
Figure 952517DEST_PATH_IMAGE054
其中，对各台风力发电机之间的R2系数的计算公式为：
Figure 279593DEST_PATH_IMAGE056
其中，对各台风力发电机之间的欧式距离的计算公式为：
Figure 157419DEST_PATH_IMAGE058
进一步地，参考图2，该超短期风电功率预测方法具体包括如下步骤：
步骤210、获取每台风力电机的历史功率数据和影响风电功率的各种特征数据；
步骤220、根据每台风力电机的历史功率数据和影响风电功率的各种特征数据建立每台风力发电机的特征矩阵；
步骤230、根据每台风力发电机的特征矩阵，计算各台风力发电机之间的多种相关系数；
步骤240、根据各台风力发电机之间的多种相关系数，构建各台风力发电机之间的综合相关系数式；
其中，可选地，各台风力发电机之间的综合相关系数式为：
Figure DEST_PATH_IMAGE059
其中，
Figure 38787DEST_PATH_IMAGE003
为各台风力发电机之间的Pearson相关系数；
Figure 161726DEST_PATH_IMAGE004
为
Figure 546571DEST_PATH_IMAGE003
所对应的系数；
Figure 1823DEST_PATH_IMAGE005
为各台风力发电机之间的Spearman相关系数；
Figure 229542DEST_PATH_IMAGE006
为
Figure 264494DEST_PATH_IMAGE005
所对应的系数；
Figure 831742DEST_PATH_IMAGE007
为各台 风力发电机之间的R2系数；
Figure 520212DEST_PATH_IMAGE008
为
Figure 376173DEST_PATH_IMAGE007
所对应的系数；
Figure 11554DEST_PATH_IMAGE009
为各台风力发电机之间的欧式 距离；
Figure 230045DEST_PATH_IMAGE010
为
Figure 495942DEST_PATH_IMAGE009
所对应的系数；
可选地，各种相关系数所对应的系数
Figure 370357DEST_PATH_IMAGE016
的计算公式为：
Figure 370280DEST_PATH_IMAGE060
其中，
Figure 849803DEST_PATH_IMAGE019
、
Figure 83338DEST_PATH_IMAGE020
、
Figure 507366DEST_PATH_IMAGE021
、
Figure 687812DEST_PATH_IMAGE022
的计算公式分别为：
Figure DEST_PATH_IMAGE061
Figure 146475DEST_PATH_IMAGE062
Figure DEST_PATH_IMAGE063
Figure 19753DEST_PATH_IMAGE064
其中，
Figure DEST_PATH_IMAGE065
的取值为0，1，2，3。
示例性的，设矩阵A为：
Figure DEST_PATH_IMAGE067
其中，
Figure 665498DEST_PATH_IMAGE022
为矩阵A的行列式，
Figure 10154DEST_PATH_IMAGE019
、
Figure 198690DEST_PATH_IMAGE020
、
Figure 774028DEST_PATH_IMAGE021
为矩阵A的行列式的子行列式。通过系数
Figure 172648DEST_PATH_IMAGE016
的 计算公式，以及
Figure 694896DEST_PATH_IMAGE019
、
Figure 800256DEST_PATH_IMAGE020
、
Figure 608812DEST_PATH_IMAGE021
和
Figure 370094DEST_PATH_IMAGE022
的计算公式计算各种相关系数所对应的系数
Figure 492771DEST_PATH_IMAGE016
的方法可以提 高计算的简便性。
步骤250、根据各台风力发电机之间的综合相关系数式计算各台风力发电机之间的综合相关系数；并基于各台风力发电机之间的综合相关系数形成各台风力发电机之间的综合相关系数矩阵。
其中，各台风力发电机之间的综合相关系数矩阵为：
Figure 514954DEST_PATH_IMAGE012
其中，
Figure 635357DEST_PATH_IMAGE013
为海上风力发电机
Figure 946252DEST_PATH_IMAGE014
和
Figure 173752DEST_PATH_IMAGE015
之间的综合相关系数。
步骤260、依次判断综合相关系数矩阵中的各个元素是否满足预设阈值；若是，则将对应的元素值置1；若否，则将对应的元素值置0；并得到标准化的综合相关系数矩阵。
具体的，依次判断综合相关系数矩阵
Figure 191387DEST_PATH_IMAGE068
中的各个元素
Figure 545008DEST_PATH_IMAGE013
是否超过预设阈值k，若超 过，则将对应的元素值置为1；若未超过，则将对应的元素值置为0，由此将综合相关系数矩 阵
Figure 139937DEST_PATH_IMAGE068
中的所有元素的值标准化为只有1和/或0的标准化的综合相关系数矩阵
Figure DEST_PATH_IMAGE069
。其中，标准 化的综合相关系数矩阵
Figure 73258DEST_PATH_IMAGE069
中的每一列表示一台风力发电机，且每一列中元素值为1的元素 对应该列风力发电机的一个特征数据，即每一列中元素值为1的个数表示该列风力发电机 在预测时所用到的风机特征的总数。换句话说，通过将综合相关系数矩阵按照预设阈值进 行标准化处理后，相当于对每台风力发电机的预测模型所需的输入特征进行了一次筛选， 即根据每台风力发电机的实际情况选择其对应所需的特征输入到预测模型进行功率预测 （因为每台风力发电机由于周围风速、风向、海水流速、流向等影响因素或影响程度可能不 同，对其功率预测的影响也就不同，因此，每台风力发电机进行功率预测所需考虑的特征数 据也不一定相同），从而可以提高预测的精度。
其中，预设阈值k可根据实际情况进行设置，在此不做具体的限定。
步骤270、根据标准化的综合相关系数矩阵，按照预设筛选规则确定每台风力发电机功率预测所需的输入特征参数。
其中，将综合相关系数矩阵按照预设阈值进行标准化处理，只是对每台风力发电机的预测模型所需的输入特征进行了初次筛选，为了提高输入特征筛选的可靠性和提高预测的精度，按照预设筛选规则对标准化的综合相关系数矩阵进行二次筛选，以确定每台风力发电机功率预测最终所需的输入特征参数。
可选地，将标准化的综合相关系数矩阵中的每一列的各个元素，按照预设筛选规则筛选出满足预设筛选条件的特征元素，并作为对应列的风力发电机的功率预测所需的输入特征参数；
其中，标准化的综合相关系数矩阵中的每一列向量表示一台风力发电机的特征参数向量。
示例性的，假设标准化的综合相关系数矩阵中的第i列对应第n台风力发电机，设 第i列为
Figure 804454DEST_PATH_IMAGE070
，其中，Y中的各个元素值为0或1，Y中的各个元素值为1的元素表示 第n台风力发电机的一个特征。则将Y中的各个元素按照预设筛选规则筛选出满足预设筛选 条件的特征元素，假设Y中的元素
Figure DEST_PATH_IMAGE071
的值为1，且满足预设筛选条件，则将元素
Figure 797817DEST_PATH_IMAGE071
作为第n台 风力发电机的功率预测所需的一个输入特征参数。按照预设筛选规则筛选出列矩阵Y中所 有满足预设条件的元素，即筛选出第n台风力发电机的功率预测所需的所有输入特征参数。
可选地，预设筛选规则为：
计算每台风力发电机在标准化的综合相关系数矩阵中对应列的每个特征元素与对应的风力电机的历史功率数据之间的Pearson相关系数；
根据Pearson相关系数的计算结果，判断是否保留对应的特征元素。
示例性的，仍以上述第n台风力发电机为例，且设第n台风力发电机的历史功率数据为P，分别计算列矩阵Y中的各个元素与第n台风力发电机的历史功率数据P之间的Pearson相关系数；根据Pearson相关系数的计算结果，判断是否保留对应的特征元素。若该元素与历史功率数据的Pearson相关系数表现为强相关性则保留该元素，即保留该元素对应的风力发电机的特征元素；若否，则移除该元素，即移除该元素对应的风力发电机的特征元素。
其中，Pearson相关系数表现为强相关性是指Pearson相关系数的绝对值达到预设系数阈值及以上则为具有相关性，且Pearson相关系数的绝对值系数越大，相关性越强。其中，预设系数阈值可以为0.6，具体可根据实际情况进行设置，在此不做具体的限定。
步骤280、根据每台风力发电机功率预测所需的输入特征参数，建立多种预测模型；并根据各预测模型训练得到对应的功率预测结果；
步骤290、根据各功率预测结果，采用聚类算法求解得到最优功率预测结果。
可选地，多种预测模型至少包括：BP神经网络模型、卷积神经网络模型(Convolutional Neural Networks，CNN)、门控循环神经网络模型(Recurrent NeuralNetwork， RNN)和CNN-GRU模型。
具体的，根据每台风力发电机功率预测所需的输入特征参数，分别建立每台风力发电机的BP神经网络模型、卷积神经网络模型、门控循环神经网络模型和CNN-GRU模型。
其中，每台风力发电机所对应的BP神经网络模型、卷积神经网络模型、门控循环神经网络模型和CNN-GRU模型的建立和训练方法分别如下：
对于BP神经网络模型：首先，建立三层BP神经网络，示例性的，将神经元数量依次 设置为64，128，256，以构建BP神经网络模型；然后，根据上述最终确定的风力发电机的输入 特征参数，训练BP神经网络模型，最后输出海上风力发电机的预测功率
Figure 145622DEST_PATH_IMAGE072
。
对于卷积神经网络模型：首先，建立两层CNN模型，示例性的，将神经元数量依次设 置为4和8，以构建卷积神经网络模型；然后，根据上述最终确定的风力发电机的输入特征参 数，训练卷积神经网络模型，最后输出海上风力发电机的预测功率
Figure DEST_PATH_IMAGE073
。
对于门控循环神经网络模型：首先，建立两层GRU模型，示例性的，将神经元数量依 次设置为4和8，以构建门控循环神经网络模型；然后，根据上述最终确定的风力发电机的输 入特征参数，训练门控循环神经网络模型，最后输出海上风力发电机的预测功率
Figure 351475DEST_PATH_IMAGE074
。
对于CNN-GRU模型：首先，建立一层CNN和两层GRU的组合模型，示例性的，将神经元 数量依次设置为4，8，4，以构建CNN-GRU模型；然后，根据上述最终确定的风力发电机的输入 特征参数，训练CNN-GRU模型，最后输出海上风力发电机的预测功率
Figure DEST_PATH_IMAGE075
。
可选地，根据各种预测模型得到的功率预测结果，采用粒子群算法(Particleswarm optimization，PSO)求解得到最优功率预测结果。具体求解过程如下：
首先，将4种预测模型的预测结果进行加权，并求和得到综合模型的最终预测结果，其关系式如下：
Figure DEST_PATH_IMAGE077
其中，
Figure 438642DEST_PATH_IMAGE078
为综合模型的最终预测结果；
Figure DEST_PATH_IMAGE079
为对应各种预测模型预测结果的权 重，满足：
Figure 665224DEST_PATH_IMAGE080
。
然后，以4种预测模型的预测结果的均方根误差为最小目标函数，采用粒子群算法 (Particle swarm optimization，PSO)求解
Figure 906850DEST_PATH_IMAGE079
的最优值，以求解得到最优功率预测结果。
其次，执行PSO算法的粒子位置与速度更新公式，得到新的粒子的位置与速度；
接着，计算新粒子的适应度值，若适应度值优于其个体最优位置
Figure DEST_PATH_IMAGE081
，则将其值赋予
Figure 244290DEST_PATH_IMAGE081
；若适应度值优于其全局最优位置
Figure 153341DEST_PATH_IMAGE082
，则将其值赋予
Figure 81982DEST_PATH_IMAGE082
；
最后，根据预设迭代次数重复执行更新粒子的位置与速度，以及计算更新后的粒 子的适应度值及判断的操作，直到满足预设迭代次数为止；并将满足预设迭代次数时的结 果作为
Figure 14166DEST_PATH_IMAGE079
的最优值，以求解得到最优功率预测结果。
其中，目标函数的表达式为：
Figure 358560DEST_PATH_IMAGE084
其中，
Figure DEST_PATH_IMAGE085
为优化目标；n为样本数量，即矩阵中的所有元素的个数；
Figure 151810DEST_PATH_IMAGE014
为矩阵中的第 个元素；
Figure 251353DEST_PATH_IMAGE078
为预测值，是个矩阵；
Figure 733150DEST_PATH_IMAGE086
为真实值。
其中，粒子群算法的更新公式如下：
Figure 818918DEST_PATH_IMAGE088
其中，
Figure 436981DEST_PATH_IMAGE090
其中，
Figure DEST_PATH_IMAGE091
和
Figure 176267DEST_PATH_IMAGE092
分别为粒子的速度和位置；
Figure DEST_PATH_IMAGE093
和
Figure 473256DEST_PATH_IMAGE094
是0到1之间的随机数；
Figure 97135DEST_PATH_IMAGE093
和
Figure 664645DEST_PATH_IMAGE094
为学 习因子；
Figure DEST_PATH_IMAGE095
为惯性因子。
其中，执行PSO算法的粒子位置与速度更新公式，得到新的粒子的位置与速度，根 据种群粒
Figure 981357DEST_PATH_IMAGE096
，更新种群P的更新公式如下：
Figure 172167DEST_PATH_IMAGE098
其中，
Figure DEST_PATH_IMAGE099
是粒子
Figure 193213DEST_PATH_IMAGE100
和
Figure DEST_PATH_IMAGE101
根据上式计算出的最小目标值对应的粒子种 群。
实施例三
图3是本发明实施例三中提供的一种超短期风电功率预测装置的结构框图。本发明实施例三提供了一种超短期风电功率预测装置，参考图3，该装置100包括：
历史功率数据获取模块10，用于获取每台风力电机的历史功率数据；
特征数据获取模块20，用于获取每台风力电机的影响风电功率的各种特征数据；
特征矩阵建立模块30，用于根据每台风力电机的历史功率数据和影响风电功率的各种特征数据建立每台风力发电机的特征矩阵；
多种相关系数计算模块40，用于根据每台风力发电机的特征矩阵，计算各台风力发电机之间的多种相关系数；
综合相关系数矩阵构建模块50，用于根据各台风力发电机之间的多种相关系数，构建各台风力发电机之间的综合相关系数矩阵；
输入特征参数确定模块60，用于根据各台风力发电机之间的综合相关系数矩阵，确定每台风力发电机功率预测所需的输入特征参数；
多种预测模型建立模块70，用于根据每台风力发电机功率预测所需的输入特征参数，建立多种预测模型；
功率预测结果获得模块80，用于根据各预测模型训练得到对应的功率预测结果；
最优功率预测结果求解模块90，用于根据各功率预测结果，采用聚类算法求解得到最优功率预测结果。
本实施例的技术方案，通过提供一种超短期风电功率预测装置，该超短期风电功率预测装置包括：历史功率数据获取模块，用于获取每台风力电机的历史功率数据；特征数据获取模块，用于获取每台风力电机的影响风电功率的各种特征数据；特征矩阵建立模块，用于根据每台风力电机的历史功率数据和影响风电功率的各种特征数据建立每台风力发电机的特征矩阵；多种相关系数计算模块，用于根据每台风力发电机的特征矩阵，计算各台风力发电机之间的多种相关系数；综合相关系数矩阵构建模块，用于根据各台风力发电机之间的多种相关系数，构建各台风力发电机之间的综合相关系数矩阵；输入特征参数确定模块，用于根据各台风力发电机之间的综合相关系数矩阵，确定每台风力发电机功率预测所需的输入特征参数；多种预测模型建立模块，用于根据每台风力发电机功率预测所需的输入特征参数，建立多种预测模型；功率预测结果获得模块，用于根据各预测模型训练得到对应的功率预测结果；最优功率预测结果求解模块，用于根据各功率预测结果，采用聚类算法求解得到最优功率预测结果。通过该装置可以实现对海上风力发电机的功率进行预测，且全面地考虑影响海上风电预测的各种特征数据，并结合每台风力电机的历史功率数据生成每台风力发电机的特征矩阵，基于特征矩阵构建各台风力发电机之间的综合相关系数矩阵并根据综合相关系数矩阵确定最终输入到预测模型的输入特征参数，从而提高预测的精度。
可选地，多种相关系数至少包括：Pearson相关系数、Spearman相关系数、R2系数和欧式距离；
综合相关系数矩阵构建模块50，包括：
综合相关系数式构建单元，用于根据各台风力发电机之间的多种相关系数，构建各台风力发电机之间的综合相关系数式；
综合相关系数计算单元，用于根据各台风力发电机之间的综合相关系数式计算各台风力发电机之间的综合相关系数；
综合相关系数矩阵形成单元，用于基于各台风力发电机之间的综合相关系数形成各台风力发电机之间的综合相关系数矩阵。
可选地，各台风力发电机之间的综合相关系数式为：
Figure 379343DEST_PATH_IMAGE059
其中，
Figure 866956DEST_PATH_IMAGE003
为各台风力发电机之间的Pearson相关系数；
Figure 545062DEST_PATH_IMAGE004
为
Figure 900957DEST_PATH_IMAGE003
所对应的系数；
Figure 285802DEST_PATH_IMAGE005
为各台风力发电机之间的Spearman相关系数；
Figure 6634DEST_PATH_IMAGE006
为
Figure 16045DEST_PATH_IMAGE005
所对应的系数；
Figure 785418DEST_PATH_IMAGE007
为各台 风力发电机之间的R2系数；
Figure 87086DEST_PATH_IMAGE008
为
Figure 306715DEST_PATH_IMAGE007
所对应的系数；
Figure 897096DEST_PATH_IMAGE009
为各台风力发电机之间的欧式 距离；
Figure 266898DEST_PATH_IMAGE010
为
Figure 750969DEST_PATH_IMAGE009
所对应的系数；
各台风力发电机之间的综合相关系数矩阵为：
Figure 79182DEST_PATH_IMAGE102
其中，
Figure 110854DEST_PATH_IMAGE013
为海上风力发电机
Figure 81084DEST_PATH_IMAGE014
和
Figure 419662DEST_PATH_IMAGE015
之间的综合相关系数。
可选地，各种相关系数所对应的系数
Figure 856459DEST_PATH_IMAGE016
的计算公式为：
Figure 44602DEST_PATH_IMAGE060
其中，
Figure 693889DEST_PATH_IMAGE019
、
Figure 746027DEST_PATH_IMAGE020
、
Figure 353726DEST_PATH_IMAGE021
、
Figure 530630DEST_PATH_IMAGE022
的计算公式分别为：
Figure DEST_PATH_IMAGE103
Figure 78548DEST_PATH_IMAGE062
Figure 329401DEST_PATH_IMAGE063
Figure 108001DEST_PATH_IMAGE064
其中，
Figure 506621DEST_PATH_IMAGE014
的取值为0，1，2，3。
可选地，输入特征参数确定模块60，包括：
标准化的综合相关系数矩阵获得单元，用于根据综合相关系数矩阵依次判断综合相关系数矩阵中的各个元素是否满足预设阈值；若是，则将对应的元素值置1；若否，则将对应的元素值置0；并得到标准化的综合相关系数矩阵；
输入特征参数确定单元，用于根据标准化的综合相关系数矩阵，按照预设筛选规则确定每台风力发电机功率预测所需的输入特征参数。
可选地，输入特征参数确定单元还用于：将标准化的综合相关系数矩阵中的每一列的各个元素，按照预设筛选规则筛选出满足预设筛选条件的特征元素，并作为对应列的风力发电机的功率预测所需的输入特征参数；
其中，标准化的综合相关系数矩阵中的每一列向量表示一台风力发电机的特征参数向量。
可选地，预设筛选规则为：
计算每台风力发电机在标准化的综合相关系数矩阵中对应列的每个特征元素与对应的风力电机的历史功率数据之间的Pearson相关系数；
根据Pearson相关系数的计算结果，判断是否保留对应的特征元素。
可选地，特征数据至少包括每台风力发电机的周围环境风速、风向和温度，每台风力发电机的叶片角度，以及每台风力发电机的周围海水的流速、流向和温度。
可选地，多种预测模型至少包括：BP神经网络模型、卷积神经网络模型、门控循环神经网络模型和CNN-GRU模型。
本发明实施例所提供的超短期风电功率预测装置可执行本发明任意实施例所提供的超短期风电功率预测方法，具备执行方法相应的功能模块和有益效果。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (8)

1.一种超短期风电功率预测方法，其特征在于，包括：
获取每台风力电机的历史功率数据和影响风电功率的各种特征数据；
根据每台风力电机的历史功率数据和影响风电功率的各种特征数据建立每台风力发电机的特征矩阵；
根据每台风力发电机的特征矩阵，计算各台风力发电机之间的多种相关系数；
根据各台风力发电机之间的多种相关系数，构建各台风力发电机之间的综合相关系数矩阵；
根据各台风力发电机之间的综合相关系数矩阵，确定每台风力发电机功率预测所需的输入特征参数；其中，所述根据各台风力发电机之间的综合相关系数矩阵，确定每台风力发电机功率预测所需的输入特征参数，包括：依次判断所述综合相关系数矩阵中的各个元素是否满足预设阈值；若是，则将对应的元素值置1；若否，则将对应的元素值置0；并得到标准化的综合相关系数矩阵；根据所述标准化的综合相关系数矩阵，按照预设筛选规则确定每台风力发电机功率预测所需的输入特征参数；其中，所述根据所述标准化的综合相关系数矩阵，按照预设筛选规则确定每台风力发电机功率预测所需的输入特征参数，包括：将所述标准化的综合相关系数矩阵中的每一列的各个元素，按照预设筛选规则筛选出满足预设筛选条件的特征元素，并作为对应列的风力发电机的功率预测所需的输入特征参数；其中，所述标准化的综合相关系数矩阵中的每一列向量表示一台风力发电机的特征参数向量；
根据每台风力发电机功率预测所需的输入特征参数，建立多种预测模型；并根据各预测模型训练得到对应的功率预测结果；
根据各功率预测结果，采用聚类算法求解得到最优功率预测结果。
2.根据权利要求1所述的超短期风电功率预测方法，其特征在于，所述多种相关系数至少包括：Pearson相关系数、Spearman相关系数、R2系数和欧式距离；
所述根据各台风力发电机之间的多种相关系数，构建各台风力发电机之间的综合相关系数矩阵，包括：
根据各台风力发电机之间的多种相关系数，构建各台风力发电机之间的综合相关系数式；
根据各台风力发电机之间的综合相关系数式计算各台风力发电机之间的综合相关系数；并基于各台风力发电机之间的综合相关系数形成各台风力发电机之间的综合相关系数矩阵。
3.根据权利要求2所述的超短期风电功率预测方法，其特征在于，所述各台风力发电机之间的综合相关系数式为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为各台风力发电机之间的Pearson相关系数；
Figure DEST_PATH_IMAGE006
为
Figure 654431DEST_PATH_IMAGE004
所对应的系数；
Figure DEST_PATH_IMAGE008
为各台风力发电机之间的Spearman相关系数；
Figure DEST_PATH_IMAGE010
为
Figure 368309DEST_PATH_IMAGE008
所对应的系数；
Figure DEST_PATH_IMAGE012
为各台风力发电机之间的R2系数；
Figure DEST_PATH_IMAGE014
为
Figure 288991DEST_PATH_IMAGE012
所对应的系数；
Figure DEST_PATH_IMAGE016
为各台风力发电机之间的欧式距离；
Figure DEST_PATH_IMAGE018
为
Figure 966091DEST_PATH_IMAGE016
所对应的系数；
所述各台风力发电机之间的综合相关系数矩阵为：
Figure DEST_PATH_IMAGE020
其中，
Figure DEST_PATH_IMAGE022
为海上风力发电机
Figure DEST_PATH_IMAGE024
和
Figure DEST_PATH_IMAGE026
之间的综合相关系数。
4.根据权利要求3所述的超短期风电功率预测方法，其特征在于，各种相关系数所对应的系数
Figure DEST_PATH_IMAGE028
的计算公式为：
Figure DEST_PATH_IMAGE030
其中，
Figure DEST_PATH_IMAGE032
、
Figure DEST_PATH_IMAGE034
、
Figure DEST_PATH_IMAGE036
、
Figure DEST_PATH_IMAGE038
的计算公式分别为：
Figure DEST_PATH_IMAGE040
Figure DEST_PATH_IMAGE042
Figure DEST_PATH_IMAGE044
Figure DEST_PATH_IMAGE046
其中，
Figure 557960DEST_PATH_IMAGE024
的取值为0，1，2，3。
5.根据权利要求1所述的超短期风电功率预测方法，其特征在于，所述预设筛选规则为：
计算每台风力发电机在所述标准化的综合相关系数矩阵中对应列的每个特征元素与对应的风力电机的历史功率数据之间的Pearson相关系数；
根据Pearson相关系数的计算结果，判断是否保留对应的特征元素。
6.根据权利要求1所述的超短期风电功率预测方法，其特征在于，所述特征数据至少包括每台风力发电机的周围环境风速、风向和温度，每台风力发电机的叶片角度，以及每台风力发电机的周围海水的流速、流向和温度。
7.根据权利要求1所述的超短期风电功率预测方法，其特征在于，所述多种预测模型至少包括：BP神经网络模型、卷积神经网络模型、门控循环神经网络模型和CNN-GRU模型。
8.一种超短期风电功率预测装置，其特征在于，包括：
历史功率数据获取模块，用于获取每台风力电机的历史功率数据；
特征数据获取模块，用于获取每台风力电机的影响风电功率的各种特征数据；
特征矩阵建立模块，用于根据每台风力电机的历史功率数据和影响风电功率的各种特征数据建立每台风力发电机的特征矩阵；
多种相关系数计算模块，用于根据每台风力发电机的特征矩阵，计算各台风力发电机之间的多种相关系数；
综合相关系数矩阵构建模块，用于根据各台风力发电机之间的多种相关系数，构建各台风力发电机之间的综合相关系数矩阵；
输入特征参数确定模块，用于根据各台风力发电机之间的综合相关系数矩阵，确定每台风力发电机功率预测所需的输入特征参数；其中，所述根据各台风力发电机之间的综合相关系数矩阵，确定每台风力发电机功率预测所需的输入特征参数，包括：依次判断所述综合相关系数矩阵中的各个元素是否满足预设阈值；若是，则将对应的元素值置1；若否，则将对应的元素值置0；并得到标准化的综合相关系数矩阵；根据所述标准化的综合相关系数矩阵，按照预设筛选规则确定每台风力发电机功率预测所需的输入特征参数；其中，所述根据所述标准化的综合相关系数矩阵，按照预设筛选规则确定每台风力发电机功率预测所需的输入特征参数，包括：将所述标准化的综合相关系数矩阵中的每一列的各个元素，按照预设筛选规则筛选出满足预设筛选条件的特征元素，并作为对应列的风力发电机的功率预测所需的输入特征参数；其中，所述标准化的综合相关系数矩阵中的每一列向量表示一台风力发电机的特征参数向量；
多种预测模型建立模块，用于根据每台风力发电机功率预测所需的输入特征参数，建立多种预测模型；
功率预测结果获得模块，用于根据各预测模型训练得到对应的功率预测结果；
最优功率预测结果求解模块，用于根据各功率预测结果，采用聚类算法求解得到最优功率预测结果。
CN202210034461.5A 2022-01-13 2022-01-13 一种超短期风电功率预测方法和装置 Active CN114048930B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210034461.5A CN114048930B (zh) 2022-01-13 2022-01-13 一种超短期风电功率预测方法和装置
PCT/CN2022/144103 WO2023134478A1 (zh) 2022-01-13 2022-12-30 超短期风电功率预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210034461.5A CN114048930B (zh) 2022-01-13 2022-01-13 一种超短期风电功率预测方法和装置

Publications (2)

Publication Number Publication Date
CN114048930A CN114048930A (zh) 2022-02-15
CN114048930B true CN114048930B (zh) 2022-05-17

Family

ID=80196387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210034461.5A Active CN114048930B (zh) 2022-01-13 2022-01-13 一种超短期风电功率预测方法和装置

Country Status (2)

Country Link
CN (1) CN114048930B (zh)
WO (1) WO2023134478A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114048930B (zh) * 2022-01-13 2022-05-17 广东电网有限责任公司揭阳供电局 一种超短期风电功率预测方法和装置
CN115204522B (zh) * 2022-09-13 2023-01-24 华北电力大学 区域发电功率预测方法、装置、设备及存储介质
CN116128130B (zh) * 2023-01-31 2023-10-24 广东电网有限责任公司 一种基于图神经网络的短期风能数据预测方法及装置
CN117763314B (zh) * 2024-02-22 2024-05-17 安徽大学 一种基于时空相关性挖掘的风电功率预测方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004285858A (ja) * 2003-03-19 2004-10-14 Mitsubishi Electric Corp 風力発電システムおよび風力発電機の制御方法
CN103268366B (zh) * 2013-03-06 2017-09-29 辽宁省电力有限公司电力科学研究院 一种适用于分散式风电场的组合风电功率预测方法
US10598157B2 (en) * 2017-02-07 2020-03-24 International Business Machines Corporation Reducing curtailment of wind power generation
CN109102101B (zh) * 2017-06-21 2021-01-26 北京金风科创风电设备有限公司 风电场风速的预测方法和系统
CN109146192B (zh) * 2018-09-03 2021-09-03 贵州电网有限责任公司 一种考虑风电机组运行工况的风电功率预测方法
CN110188939B (zh) * 2019-05-24 2023-12-12 上海电气风电集团股份有限公司 风电场的风功率的预测方法、系统、设备和存储介质
CN110991743B (zh) * 2019-12-05 2022-08-19 河海大学 一种基于聚类分析和优化神经网络的风电功率短期组合预测方法
CN111310972B (zh) * 2020-01-17 2022-06-03 上海电力大学 一种考虑尾流效应的海上风电机组维护路径随机规划方法
CN112329979A (zh) * 2020-09-23 2021-02-05 燕山大学 一种基于自适应深度残差网络的超短期风电功率预测方法
CN113159452B (zh) * 2021-05-17 2022-03-01 河北工业大学 基于时空相关性的风电集群功率预测方法
CN113507118B (zh) * 2021-07-11 2022-05-13 湘潭大学 一种风电功率预测方法及系统
CN114048930B (zh) * 2022-01-13 2022-05-17 广东电网有限责任公司揭阳供电局 一种超短期风电功率预测方法和装置

Also Published As

Publication number Publication date
CN114048930A (zh) 2022-02-15
WO2023134478A1 (zh) 2023-07-20

Similar Documents

Publication Publication Date Title
CN114048930B (zh) 一种超短期风电功率预测方法和装置
Wang et al. Wind power interval prediction based on improved PSO and BP neural network
CN109117951B (zh) 基于bp神经网络的概率潮流在线计算方法
CN108304623B (zh) 一种基于堆栈降噪自动编码器的概率潮流在线计算方法
Park et al. Bayesian ascent: A data-driven optimization scheme for real-time control with application to wind farm power maximization
CN112116162B (zh) 基于ceemdan-qfoa-lstm的输电线覆冰厚度预测方法
US20220186709A1 (en) Reinforcement learning-based real time robust variable pitch control of wind turbine systems
Ellefsen et al. Validation of data-driven labeling approaches using a novel deep network structure for remaining useful life predictions
Chen et al. Research on wind power prediction method based on convolutional neural network and genetic algorithm
CN115630101A (zh) 水文参数智能化监控与水资源大数据管理系统
Li et al. Rolling bearing fault diagnosis under variable working conditions based on joint distribution adaptation and SVM
CN109886488B (zh) 考虑风速时滞性的分散式风电场分层混合短期预测方法
CN113095547B (zh) 一种基于gra-lstm-ice模型的短期风功率预测方法
Bouhelal et al. Blade element momentum theory coupled with machine learning to predict wind turbine aerodynamic performances
CN116485049B (zh) 一种基于人工智能的电能计量误差预测与优化系统
CN117096871A (zh) 一种基于时空分布的风电功率概率密度的预测方法
CN112861418A (zh) 一种基于ga-woa-grnn网络的斜拉索短期覆冰厚度预测方法
CN116861256A (zh) 一种固废焚烧过程的炉温预测方法、系统、设备及介质
CN116792256A (zh) 一种风速预测变桨控制系统及控制方法
CN116722541A (zh) 一种基于卷积神经网络的电力系统负荷预测方法及装置
CN111488974A (zh) 基于深度学习神经网络的海洋风能降尺度方法
CN115659201A (zh) 物联网气体浓度检测方法及监控系统
Ziaei et al. Short-Term Wind Characteristics Forecasting Using Stacked LSTM Networks
CN110826290B (zh) 一种海上浮式系统安全预警方法
Safavieh et al. A new integrated approach for very short-term wind speed prediction using wavelet networks and PSO

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