CN114139803A - 一种风电场站短期功率的预测方法、系统、设备和介质 - Google Patents

一种风电场站短期功率的预测方法、系统、设备和介质 Download PDF

Info

Publication number
CN114139803A
CN114139803A CN202111448553.XA CN202111448553A CN114139803A CN 114139803 A CN114139803 A CN 114139803A CN 202111448553 A CN202111448553 A CN 202111448553A CN 114139803 A CN114139803 A CN 114139803A
Authority
CN
China
Prior art keywords
wind
power
short
power plant
value
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
Application number
CN202111448553.XA
Other languages
English (en)
Inventor
代仕勇
汪绪先
李玎
黄缙华
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.)
Guangdong Power Grid Co Ltd
Electric Power Research Institute of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Electric Power Research Institute 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 Guangdong Power Grid Co Ltd, Electric Power Research Institute of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202111448553.XA priority Critical patent/CN114139803A/zh
Publication of CN114139803A publication Critical patent/CN114139803A/zh
Pending legal-status Critical Current

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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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

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

Abstract

本发明公开了一种风电场站短期功率的预测方法、系统、设备和介质，包括：获取目标地区风电场站的历史数据，并将历史数据经过预处理后，输入到预设的第一基于梯度提升决策树的预测模型进行训练，获得第二基于梯度提升决策树的预测模型；获取目标地区风电场站的实时数据，并将实时数据经过预处理后输入到第二基于梯度提升决策树的预测模型，获得目标地区风电场站的短期预测功率。本发明以风电场站短期功率预测准确度为目标，建立最优化模型；算法上以梯度提升决策树算法为基础，提高预测准确度和算法鲁棒性；使用该算法来求得模型的优化解。本发明相对于现有技术而言，在对风电场战短期功率预测问题上具有更好的计算效率和计算精度。

Description

一种风电场站短期功率的预测方法、系统、设备和介质
技术领域
本发明涉及风电场技术领域，特别是涉及一种风电场站短期功率的预测方法、系统、设备和介质。
背景技术
风能是一种有效的清洁能源，属于可再生资源，得到了人们普遍的重视与利用，但是在实际中一些大规模的电机组在接入过程中会对整个电力系统的正常运行带来一定的影响面，对此，在实践中要加强对风电场发电功率的预测工作的重视。
在实际中对于风电功率的预测方式可以分为中长期、短期、超短期三种预测模式。在现阶段的发展过程中，对于风电功率进行的短期预测主要可以氛围物理以及统计两种模式。其中物理方式就是基于天气预报的数据利用相关数学关系对于风电场的实际出力数据进行计算，进而绘制出相关功率预测曲线图；统计方式则是基于相关历史数据以及实际的风电场的出力等相关数据关系，构建系统的数据预测模型，在通过预测参数的方式对于风电场的发电功率进行系统的预测分析。物理方式在实际中基于预测精度等客观因素的影响，受到的实际风电场的中各种物理条件影响相对较为严重；而统计方法在实践中的预测数据具有一定的精准性。对此在国际领域中主要应用统计方式对其预测。
在现阶段的风电功率短期预测的统计方法主要涵盖了以下几种：时间序列方式、灰色理论方式、神经网络方式NNS(neural networks)等。其中最为简单的方式为时间序列方式，但是其在实践中具有一定的误差性；灰色理论预测模型具有一定过养性，但是其实际的预测结果为一个区间范围，并没有精准的数值；神经网络方式在实践中其整体的拓扑结构相对较为紧凑，相对于其他方式来说具有一定的精准性，但是在实际中要通过大量的历史信息与数据，实际的耗费的时间过大。
发明内容
本发明的目的是：提供一种风电场站短期功率的预测方法、系统、设备和介质，在对风电场站短期功率的预测的问题上，具有更好的计算效率和计算精度。
为了实现上述目的，本发明提供了一种风电场站短期功率的预测方法，包括：
获取目标地区风电场的历史数据，其中，所述历史数据包括：检修停运计划、风向值、风速值、气温值和实际功率；
将所述历史数据输入到预设的第一基于梯度提升决策树的预测模型进行训练，获得第二基于梯度提升决策树的预测模型；
获取目标地区风电场的实时数据，其中，所述实时数据包括：检修停运计划、风向值、风速值、气温值；
将所述实时数据输入到第二基于梯度提升决策树的预测模型，获得目标地区风电场站的短期预测功率。
进一步地，在将所述实时数据输入到基于梯度提升决策树预测模型，获得目标地区风电场站的短期预测功率之后，还包括：
根据所述短期预测功率，获得风电场站短期功率的预测准确率。
进一步地，所述根据所述短期预测功率，获得风电场站短期功率的预测准确率，具体采用如下计算公式：
Figure BDA0003383899710000021
ypower＝max{ytrue,20％×ycap}；
其中，Acwind为单个风电场功率预测准确率；ytrue为风电场实际出力，为非负数；ypred为风电场预测出力；ycap为风电场装机容量；ypower为功率预测准确率的计算分母。
进一步地，所述获取目标地区风电场的历史数据，其中，所述历史数据包括：检修停运计划、风向值、风速值、气温值和实际功率，包括：
获取目标地区风电场的风向值、风速值、气温值和实际功率；
对所述风向值、风速值、气温值和实际功率进行预处理，并将预处理后的风向值、风速值、气温值和实际功率作为目标地区风电场的历史数据，其中，所述预处理，包括：将将所述风向值、风速值和气温值进行归一化处理，得到归一化处理后的风向值、风速值和气温值；将所述实际功率中的负数置零。
本发明还提供一种风电场站短期功率的预测系统，包括：第一数据获取模块、训练模块、第二数据获取模块和预测模块，其中；
所述第一数据获取模块，用于获取目标地区风电场的历史数据，其中，所述历史数据包括：检修停运计划、风向值、风速值、气温值和实际功率；
所述训练模块，用于将所述历史数据输入到预设的第一基于梯度提升决策树的预测模型进行训练，获得第二基于梯度提升决策树的预测模型；
所述第二数据获取模块，用于获取目标地区风电场的实时数据，其中，所述实时数据包括：检修停运计划、风向值、风速值、气温值；
所述预测模块，用于将所述实时数据输入到第二基于梯度提升决策树的预测模型，获得目标地区风电场站的短期预测功率。
进一步地，所述预测系统还包括预测准确率模块，用于根据所述短期预测功率，获得风电场站短期功率的预测准确率。
进一步地，所述预测准确率模块，具体采用如下计算公式：
Figure BDA0003383899710000041
ypower＝max{ytrue,20％×ycap}
其中，Acwind为单个风电场功率预测准确率；ytrue为风电场实际出力，为非负数；ypred为风电场预测出力；ycap为风电场装机容量；ypower为功率预测准确率的计算分母。
进一步地，所述获取目标地区风电场的历史数据，其中，所述历史数据包括：检修停运计划、风向值、风速值、气温值和实际功率，包括：
获取目标地区风电场的风向值、风速值、气温值和实际功率；
对所述风向值、风速值、气温值和实际功率进行预处理，并将预处理后的风向值、风速值、气温值和实际功率作为目标地区风电场的历史数据，其中，所述预处理，包括：将将所述风向值、风速值和气温值进行归一化处理，得到归一化处理后的风向值、风速值和气温值；将所述实际功率中的负数置零。
本发明还提供一种计算机终端设备，包括：一个或多个处理器；存储器，与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任一项所述的风电场站短期功率的预测方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的风电场站短期功率的预测方法。
本发明提供的一种风电场站短期功率的预测方法、系统、设备和介质与现有技术相比，其有益效果在于：
本发明以风电场站短期功率预测准确度为目标，建立最优化模型；算法上以梯度提升决策树算法为基础，提高预测准确度和算法鲁棒性；使用该算法来求得模型的优化解。本发明相对于现有技术而言，在对风电场战短期功率预测问题上具有更好的计算效率和计算精度。
附图说明
图1是本发明提供的一种风电场站短期功率的预测方法的流程示意图；
图2是本发明提供的一种风电场站短期功率的预测系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如图1所示，本发明提供的一种风电场站短期功率的预测方法，至少包括步骤S1－S4，具体步骤如下：
S1、获取目标地区风电场的历史数据，其中，所述历史数据包括：检修停运计划、风向值、风速值、气温值和实际功率。
具体地，通过获取历史检修数据，历史天气数据中的风向值、风速值、气温值和历史实际功率值，并对获取后的历史数据进行预处理，并将预处理后的数据整合成最终的历史数据，其中，所述预处理，具体包括：将所述风向值、风速值和气温值进行归一化处理，将所述实际功率中的负数置零。
S2、将所述历史数据输入到预设的第一基于梯度提升决策树的预测模型进行训练，获得第二基于梯度提升决策树的预测模型。
需要说明的是，本发明预设的第一基于梯度提升决策树的预测模型采用梯度提升决策树算法进行构建的。
梯度提升(Gradient Boosting)算法是一种用于回归、分类和排序任务的机器学习技术，属于Boosting算法族的一部分。Gradient Boosting算法在迭代的每一步构建一个能够沿着梯度最陡的方向降低损失的学习器来弥补已有模型的不足。经典的AdaBoost算法只能处理采用指数损失函数的二分类学习任务，而梯度提升方法通过设置不同的可微损失函数可以处理各类学习任务(多分类、回归、Ranking等)，应用范围大大扩展。梯度提升算法利用损失函数的负梯度作为残差拟合的方式，如果其中的基函数采用决策树的话，就得到了梯度提升决策树(Gradient Boosting Decision Tree，GBDT)。
基于梯度提升算法的学习器叫做GBM(Gradient Boosting Machine)。理论上，GBM可以选择各种不同的学习算法作为基学习器。现实中，用得最多的基学习器是决策树。
S3、获取目标地区风电场的实时数据，其中，所述实时数据包括：检修停运计划、风向值、风速值、气温值。
S4、将所述实时数据输入到第二基于梯度提升决策树的预测模型，获得目标地区风电场站的短期预测功率。
具体地，通过将实时数据输入到训练好的预测模型中，获得目标地区风电场站的短期预测功率。
在本发明的某一个实施例中，在将所述实时数据输入到第二基于梯度提升决策树预测模型，获得目标地区风电场站的短期预测功率之后，还包括：
根据所述短期预测功率，获得风电场站短期功率的预测准确率。
在本发明的某一个实施例中，所述根据所述短期预测功率，获得风电场站短期功率的预测准确率，具体采用如下计算公式：
Figure BDA0003383899710000071
ypower＝max{ytrue,20％×ycap}；
其中，Acwind为单个风电场功率预测准确率；ytrue为风电场实际出力，为非负数；ypred为风电场预测出力；ycap为风电场装机容量；ypower为功率预测准确率的计算分母。
在本发明的某一个实施例中，所述获取目标地区风电场的历史数据，其中，所述历史数据包括：检修停运计划、风向值、风速值、气温值和实际功率，包括：
获取目标地区风电场的风向值、风速值、气温值和实际功率；
对所述风向值、风速值、气温值和实际功率进行预处理，并将预处理后的风向值、风速值、气温值和实际功率作为目标地区风电场的历史数据，其中，所述预处理，包括：将将所述风向值、风速值和气温值进行归一化处理，得到归一化处理后的风向值、风速值和气温值；将所述实际功率中的负数置零。
本发明提供的一种风电场站短期功率的预测方法和介质与现有技术相比，其有益效果在于：
本发明以风电场站短期功率预测准确度为目标，建立最优化模型；算法上以梯度提升决策树算法为基础，提高预测准确度和算法鲁棒性；使用该算法来求得模型的优化解。本发明相对于现有技术而言，在对风电场战短期功率预测问题上具有更好的计算效率和计算精度。
如图2所示，本发明还提供一种风电场站短期功率的预测系统200，包括：第一数据获取模块201、训练模块202、第二数据获取模块203和预测模块204，其中；
所述第一数据获取模块201，用于获取目标地区风电场的历史数据，其中，所述历史数据包括：检修停运计划、风向值、风速值、气温值和实际功率；
所述训练模块202，用于将所述历史数据输入到预设的第一基于梯度提升决策树的预测模型进行训练，获得第二基于梯度提升决策树的预测模型；
所述第二数据获取模块203，用于获取目标地区风电场的实时数据，其中，所述实时数据包括：检修停运计划、风向值、风速值、气温值；
所述预测模块204，用于将所述实时数据输入到第二基于梯度提升决策树的预测模型，获得目标地区风电场站的短期预测功率。
在本发明的某一个实施例中，所述系统还包括预测准确率模块，用于根据所述短期预测功率，获得风电场站短期功率的预测准确率。
在本发明的某一个实施例中，所述预测准确率模块，具体采用如下计算公式：
Figure BDA0003383899710000091
ypower＝max{ytrue,20％×ycap}；
其中，Acwind为单个风电场功率预测准确率；ytrue为风电场实际出力，为非负数；ypred为风电场预测出力；ycap为风电场装机容量；ypower为功率预测准确率的计算分母。
在本发明的某一个实施例中，所述获取目标地区风电场的历史数据，其中，所述历史数据包括：检修停运计划、风向值、风速值、气温值和实际功率，包括：
获取目标地区风电场的风向值、风速值、气温值和实际功率；
对所述风向值、风速值、气温值和实际功率进行预处理，并将预处理后的风向值、风速值、气温值和实际功率作为目标地区风电场的历史数据，其中，所述预处理，包括：将将所述风向值、风速值和气温值进行归一化处理，得到归一化处理后的风向值、风速值和气温值；将所述实际功率中的负数置零。
本发明还提供一种计算机终端设备，包括：一个或多个处理器；存储器，与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任一项所述的风电场站短期功率的预测方法。
需要说明的是，所述处理器可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field－ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器也可以是任何常规的处理器，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。
所述存储器主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(SmartMediaCard，SMC)、安全数字(SecureDigital，SD)卡和闪存卡(FlashCard)等，或所述存储器也可以是其他易失性固态存储器件。
需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，上述终端设备仅仅是示例，并不构成对终端设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的风电场站短期功率的预测方法。
需要说明的是，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序、计算机程序)，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种风电场站短期功率的预测方法，其特征在于，包括：
获取目标地区风电场的历史数据，其中，所述历史数据包括：检修停运计划、风向值、风速值、气温值和实际功率；
将所述历史数据输入到预设的第一基于梯度提升决策树的预测模型进行训练，获得第二基于梯度提升决策树的预测模型；
获取目标地区风电场的实时数据，其中，所述实时数据包括：检修停运计划、风向值、风速值、气温值；
将所述实时数据输入到第二基于梯度提升决策树的预测模型，获得目标地区风电场站的短期预测功率。
2.根据权利要求1所述的风电场站短期功率的预测方法，其特征在于，在将所述实时数据输入到基于梯度提升决策树预测模型，获得目标地区风电场站的短期预测功率之后，还包括：
根据所述短期预测功率，获得风电场站短期功率的预测准确率。
3.根据权利要求2所述的风电场站短期功率的预测方法，其特征在于，所述根据所述短期预测功率，获得风电场站短期功率的预测准确率，具体采用如下计算公式：
Figure FDA0003383899700000011
ypower＝max{ytrue,20％×ycap}
其中，Acwind为单个风电场功率预测准确率；ytrue为风电场实际出力，为非负数；ypred为风电场预测出力；ycap为风电场装机容量；ypower为功率预测准确率的计算分母。
4.根据权利要求1所述的风电场站短期功率的预测方法，其特征在于，所述获取目标地区风电场的历史数据，其中，所述历史数据包括：检修停运计划、风向值、风速值、气温值和实际功率，包括：
获取目标地区风电场的风向值、风速值、气温值和实际功率；
对所述风向值、风速值、气温值和实际功率进行预处理，并将预处理后的风向值、风速值、气温值和实际功率作为目标地区风电场的历史数据，其中，所述预处理，包括：将将所述风向值、风速值和气温值进行归一化处理，得到归一化处理后的风向值、风速值和气温值；将所述实际功率中的负数置零。
5.一种风电场站短期功率的预测系统，其特征在于，包括：第一数据获取模块、训练模块、第二数据获取模块和预测模块，其中；
所述第一数据获取模块，用于获取目标地区风电场的历史数据，其中，所述历史数据包括：检修停运计划、风向值、风速值、气温值和实际功率；
所述训练模块，用于将所述历史数据输入到预设的第一基于梯度提升决策树的预测模型进行训练，获得第二基于梯度提升决策树的预测模型；
所述第二数据获取模块，用于获取目标地区风电场的实时数据，其中，所述实时数据包括：检修停运计划、风向值、风速值、气温值；
所述预测模块，用于将所述实时数据输入到第二基于梯度提升决策树的预测模型，获得目标地区风电场站的短期预测功率。
6.根据权利要求5所述的风电场站短期功率的预测系统，其特征在于，所述预测系统还包括预测准确率模块，用于根据所述短期预测功率，获得风电场站短期功率的预测准确率。
7.根据权利要求6所述的风电场站短期功率的预测系统，其特征在于，所述预测准确率模块，具体采用如下计算公式：
Figure FDA0003383899700000031
ypower＝max{ytrue,20％×ycap}
其中，Acwind为单个风电场功率预测准确率；ytrue为风电场实际出力，为非负数；ypred为风电场预测出力；ycap为风电场装机容量；ypower为功率预测准确率的计算分母。
8.根据权利要求5所述的风电场站短期功率的预测系统，其特征在于，所述获取目标地区风电场的历史数据，其中，所述历史数据包括：检修停运计划、风向值、风速值、气温值和实际功率，包括：
获取目标地区风电场的风向值、风速值、气温值和实际功率；
对所述风向值、风速值、气温值和实际功率进行预处理，并将预处理后的风向值、风速值、气温值和实际功率作为目标地区风电场的历史数据，其中，所述预处理，包括：将将所述风向值、风速值和气温值进行归一化处理，得到归一化处理后的风向值、风速值和气温值；将所述实际功率中的负数置零。
9.一种计算机终端设备，其特征在于，包括：一个或多个处理器；存储器，与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至4任一项所述的风电场站短期功率的预测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的风电场站短期功率的预测方法。
CN202111448553.XA 2021-11-30 2021-11-30 一种风电场站短期功率的预测方法、系统、设备和介质 Pending CN114139803A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111448553.XA CN114139803A (zh) 2021-11-30 2021-11-30 一种风电场站短期功率的预测方法、系统、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111448553.XA CN114139803A (zh) 2021-11-30 2021-11-30 一种风电场站短期功率的预测方法、系统、设备和介质

Publications (1)

Publication Number Publication Date
CN114139803A true CN114139803A (zh) 2022-03-04

Family

ID=80386417

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111448553.XA Pending CN114139803A (zh) 2021-11-30 2021-11-30 一种风电场站短期功率的预测方法、系统、设备和介质

Country Status (1)

Country Link
CN (1) CN114139803A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114970979A (zh) * 2022-05-07 2022-08-30 哈尔滨工业大学（深圳） 一种基于功率预测的储能优化方法及系统
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

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200050954A1 (en) * 2018-08-10 2020-02-13 Kabushiki Kaisha Toshiba Energy management device, model management method and non-transitory computer readable medium
CN111191858A (zh) * 2020-02-25 2020-05-22 上海积成能源科技有限公司 一种基于梯度提升算法预测短期电力负荷的系统模型
CN111667093A (zh) * 2020-04-22 2020-09-15 华北电力科学研究院有限责任公司 中长期风电发电计算方法及装置
CN113361761A (zh) * 2021-06-01 2021-09-07 山东大学 一种基于误差修正的短期风电功率集成预测方法及系统
CN113496315A (zh) * 2021-09-08 2021-10-12 广东电网有限责任公司湛江供电局 基于分位数梯度提升决策树的负荷区间预测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200050954A1 (en) * 2018-08-10 2020-02-13 Kabushiki Kaisha Toshiba Energy management device, model management method and non-transitory computer readable medium
CN111191858A (zh) * 2020-02-25 2020-05-22 上海积成能源科技有限公司 一种基于梯度提升算法预测短期电力负荷的系统模型
CN111667093A (zh) * 2020-04-22 2020-09-15 华北电力科学研究院有限责任公司 中长期风电发电计算方法及装置
CN113361761A (zh) * 2021-06-01 2021-09-07 山东大学 一种基于误差修正的短期风电功率集成预测方法及系统
CN113496315A (zh) * 2021-09-08 2021-10-12 广东电网有限责任公司湛江供电局 基于分位数梯度提升决策树的负荷区间预测方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114970979A (zh) * 2022-05-07 2022-08-30 哈尔滨工业大学（深圳） 一种基于功率预测的储能优化方法及系统
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
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
CN111241755A (zh) 电力负荷预测方法
CN111695742A (zh) 一种综合能源系统日前调度区间优化方法、系统及设备
CN113822418A (zh) 一种风电场功率预测方法、系统、设备和存储介质
CN108429256A (zh) 电力系统运行优化方法及终端设备
CN113052389A (zh) 基于多任务的分布式光伏电站超短期功率预测方法及系统
CN112257928A (zh) 一种基于cnn和分位数回归的短期电力负荷概率预测方法
CN112365090A (zh) 一种基于深度学习的非入侵式用电负荷识别方法及装置
CN115759467A (zh) 一种误差修正的分时刻集成学习光伏预测方法
CN113991843A (zh) 一种电网调度操作的防误方法、系统、设备和介质
CN112651576A (zh) 长期风电功率预测方法及装置
CN111179108A (zh) 用电能耗的预测方法和装置
CN116470491A (zh) 基于copula函数的光伏功率概率预测方法及系统
CN114139803A (zh) 一种风电场站短期功率的预测方法、系统、设备和介质
CN117932272A (zh) 一种基于pso-lstm模型的多特征逐时电力负荷预测方法
CN116992274B (zh) 基于改进主成分回归模型的短期风速预测方法及系统
CN113240217A (zh) 一种基于集成预测模型的光伏发电预测方法及装置
CN113609699A (zh) 辐射状配电网交流潮流模型的计算方法和系统
CN117194872A (zh) 一种风电场风速校正方法、系统、计算机设备及存储介质
CN109344875B (zh) 基于聚类分析的日风电出力时序生成方法及装置
CN114281846B (zh) 一种基于机器学习的新能源发电预测方法
CN115528684A (zh) 一种超短期负荷预测方法、装置及电子设备
CN114118611A (zh) 基于预测算法池的风电功率预测方法和系统
CN116528270B (zh) 一种基站节能潜力评估方法、装置、设备及存储介质
Zhang et al. Load prediction based on depthwise separable convolution model
CN112215383A (zh) 一种分布式光伏发电功率预测方法和系统

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