CN114298134A - 风电功率预测方法及装置、电子设备 - Google Patents
风电功率预测方法及装置、电子设备 Download PDFInfo
- Publication number
- CN114298134A CN114298134A CN202111335706.XA CN202111335706A CN114298134A CN 114298134 A CN114298134 A CN 114298134A CN 202111335706 A CN202111335706 A CN 202111335706A CN 114298134 A CN114298134 A CN 114298134A
- Authority
- CN
- China
- Prior art keywords
- data
- wind power
- meteorological
- neural network
- input
- 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 45
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 238000010219 correlation analysis Methods 0.000 claims abstract description 18
- 238000005259 measurement Methods 0.000 claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 238000013450 outlier detection Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 11
- 238000011176 pooling Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供一种风电功率预测方法及装置、电子设备。方法包括：获取风电场的实测运行数据，实测运行数据包括风电场的气象数据和风功率数据；对实测运行数据进行离群值检验和处理，对缺失值进行插补处理；将处理后的风功率数据与气象数据中的各气象因素进行相关性分析，选取风功率相关性较高的气象因素所对应的气象数据为输入变量；基于卷积神经网络，对输入的各输入变量进行特征提取；基于LSTM神经网络，将特征提取后的各输入变量作为输入，以及将各输入变量所对应的风功率数据作为输出，训练得到风功率预测模型；利用风功率预测模型对风功率进行预测。本实施例的风电功率预测方法，能够得到更准确的风电预测值，提高了预测精度。
Description
技术领域
本公开属于风电功率预测技术领域，具体涉及一种风电功率预测方法及装置、电子设备。
背景技术
近年来，风电在世界范围内发展迅速。大规模风电出力的波动和间歇给电力系统带来了不稳定因素。提高风电功率预测精度是减少大规模风电并网造成电力系统不稳定的有效途径。
风电功率预测模型主要分为物理模型、统计模型、机器学习模型。物理模型通过微尺度气象学和计算流体力学将数值天气预报(NWP)数据转换为风力机高度的风速，并通过转换计算间接预报风力。该物理模型无需大量历史数据即可应用于新建风电场，易于实现风电功率的中长期预测。预报精度主要取决于数值预报资料的准确性、风电场周围物理环境的信息和物理模型的准确性。然而，物理模型计算成本较高，不适合短期风电功率预测。统计方法基于大量的风电场历史数据，采用卡尔曼滤波、自回归(AR)模型、自回归滑动平均(ARMA)模型等算法提取输入特征(NWP、历史测量数据)与风电功率之间的线性关系。统计模型可以实现短期风速预测，但不能分析变量之间的非线性关系。机器学习模型如反向传播网络、径向基函数、极限学习机、支持向量机(SVM)和高斯过程回归等，通过学习和训练大量的历史实测数据，建立了一个黑盒模型来拟合输入特性与输出风电功率之间的非线性关系。但是，浅层机器学习模型只能提取非常肤浅的特征，对多维大数据的学习能力较弱。
与浅层机器学习相比，深度学习模型具有更强的计算能力和复杂的函数拟合能力。通过对多层网络结构的非线性优化，深度学习模型可以从最低层到最高层自动提取数据中的固有特征。一些学者尝试将深度学习模型应用于基于历史数据的风电功率预测，以提高风电功率预测的准确性。其中包括了应用迁移学习模型将历史数据丰富的风电场训练的风速预测模型转移到历史数据较少的风电场。以及将深度信念网络模型应用于短期风速预测，取得了较好的预测精度,但这类方法在处理较长时间序列中仍会存在信息丢失导致预测精度降低的情况。
发明内容
本公开旨在至少解决现有技术中存在的技术问题之一，提供一种风电功率预测方法及装置、电子设备。
本公开的一方面，提供一种风电功率预测方法，所述方法包括：
获取风电场的实测运行数据，所述实测运行数据包括风电场的气象数据和风功率数据；
对所述实测运行数据进行离群值检验和处理，对缺失值进行插补处理；
将处理后的所述风功率数据与所述气象数据中的各气象因素进行相关性分析，选取风功率相关性较高的气象因素所对应的气象数据为输入变量；
基于卷积神经网络，对输入的各输入变量进行特征提取；
基于LSTM神经网络，将特征提取后的各输入变量作为输入，以及将各输入变量所对应的风功率数据作为输出，训练得到风功率预测模型；
利用所述风功率预测模型对风功率进行预测。
在一些实施方式中，所述对所述实测运行数据进行离群值检验和处理，包括：
采用四分位法，将所述实测运行数据从小到大排列并平均分成4份，得到下四分位数Q1、中位数Q2和上四分位数Q3；
根据所述下四分位数Q1与上四分位数Q3之差，得到四分位数间距IQR；
根据所述四分位数间距IQR，得出数据异常值内限范围[D1,Du]，并将超出所述内限范围[D1,Du]的运行数据剔除；
所述对缺失值进行插补处理，包括：
对缺失数据采用前后相邻的数据进行插补处理。
在一些实施方式中，所述内限范围满足下述关系式：
[D1,Du]＝[Q1-1.5IQR,Q3+1.5IQR]。
在一些实施方式中，所述对缺失数据采用前后相邻的数据进行插补处理，包括：
若缺失数据的前后均存在相邻数据，则选取前后两点数据的平均值进行插补；
若缺失数据仅前面或后面存在相邻数据，则采用该前面或后面数据进行插补；
若缺失数据的前后均无相邻数据，则使用前一天同一时刻的数据进行插补。
在一些实施方式中，所述将处理后的所述风功率数据与所述气象数据中的各气象因素进行相关性分析，包括：
利用Pearson相关系数，对处理后的所述风功率数据和所述气象数据进行相关性分析，通过相关系数rxy值的大小确定风功率数据与各气象因素间的相关性强弱。
在一些实施方式中，所述基于LSTM神经网络，将特征提取后的各输入变量作为输入，以及将各输入变量所对应的风功率数据作为输出，训练得到风功率预测模型，包括：
将数据集随机划分为训练集与测试集，采用k折交叉验证法确定所述LSTM神经网络的输入参数、隐含层层数、隐含层神经元个数、迭代次数和优化算法；
在所述LSTM神经网络中引入注意力模型，将所述LSTM神经网络的输出输入到所述注意力模型中；
通过数据训练，确定网络模型参数，对所述LSTM神经网络进行优化从而得到最优的LSTM网络模型。
在一些实施方式中，在利用所述风功率预测模型对风功率进行预测之后，所述方法还包括：
采用平均绝对误差、均方根误差中的一者对预测结果进行评价。
在一些实施方式中，所述平均绝对误差采用下述关系式：
所述均方根误差采用下述关系式(2)：
其中，MAE为平均绝对误差，RMSE为均方根误差，pi predict表示功率预测值，pi为功率实际值，N为预测样本数。
本公开的另一方面，提供一种风电功率预测装置，所述装置包括：
获取模块，用于获取风电场的实测运行数据，所述实测运行数据包括风电场的气象数据和风功率数据；
处理模块，用于对所述实测运行数据进行离群值检验和处理，对缺失值进行插补处理；
分析模块，用于将处理后的所述风功率数据与所述气象数据中的各气象因素进行相关性分析，选取风功率相关性较高的气象因素所对应的气象数据为输入变量；
提取模块，用于基于卷积神经网络，对输入的各输入变量进行特征提取；
训练模块，用于基于LSTM神经网络，将特征提取后的各输入变量作为输入，以及将各输入变量所对应的风功率数据作为输出，训练得到风功率预测模型；
预测模块，用于利用所述风功率预测模型对风功率进行预测。
本公开的另一方面，提供一种电子设备，包括：
一个或多个处理器；
存储单元，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时，能使得所述一个或多个处理器实现根据前文记载的所述的方法。
本公开的风电功率预测方法及装置，通过对风电场的实测运行数据进行离群值检验和处理，并对缺失值进行插补处理，保证了数据的完整性与有效性，并针对风电功率与相关气象因素间进行了相关性分析取特征输入。针对风电场风功率预测，基于传统的LSTM神经网络，为了深度提取数据特征，引入CNN-LSTM模型，能够得到更准确的风电预测值，提高了预测精度。
附图说明
图1为本公开一实施例的风电功率预测方法的流程图；
图2为本公开另一实施例的LSTM网络结构示意图；
图3为本公开另一实施例的CNN-LSTM-Attention模型结构示意图；
图4为本公开另一实施例的不同预测方法对比图；
图5为本公开另一实施例的风电功率预测装置的结构示意图。
具体实施方式
为使本领域技术人员更好地理解本公开的技术方案，下面结合附图和具体实施方式对本公开作进一步详细描述。
本实施例的一方面，如图1所示，涉及一种风电功率预测方法S100，所述方法S100包括：
S110、获取风电场的实测运行数据，所述实测运行数据包括风电场的气象数据和风功率数据。
具体地，在本步骤中，风电场的气象数据，例如，可以包括风速、温度、湿度和风向等。
S120、对所述实测运行数据进行离群值检验和处理，对缺失值进行插补处理。
S130、将处理后的所述风功率数据与所述气象数据中的各气象因素进行相关性分析，选取风功率相关性较高的气象因素所对应的气象数据为输入变量。
S140、基于卷积神经网络，对输入的各输入变量进行特征提取。
S150、基于LSTM神经网络，将特征提取后的各输入变量作为输入，以及将各输入变量所对应的风功率数据作为输出，训练得到风功率预测模型。
S160、利用所述风功率预测模型对风功率进行预测。
本实施例的风电功率预测方法，通过对风电场的实测运行数据进行离群值检验和处理，并对缺失值进行插补处理，保证了数据的完整性与有效性，并针对风电功率与相关气象因素间进行了相关性分析取特征输入。针对风电场风功率预测，基于传统的LSTM神经网络，为了深度提取数据特征，引入CNN-LSTM模型，能够得到更准确的风电预测值，提高了预测精度。
在一些实施方式中，所述对所述实测运行数据进行离群值检验和处理，包括：
采用四分位法，将所述实测运行数据从小到大排列并平均分成4份，其中每份数据各占总数据的25％，得到下四分位数Q1、中位数Q2和上四分位数Q3。其中，其中：总数据中的1/4数据的值小于Q1，1/4的数据大于Q3，Q1与Q3之差为四分位数间距IQR。根据所述四分位数间距IQR，得出数据异常值内限范围[D1,Du]，并将超出所述内限范围[D1,Du]的运行数据剔除。
具体地，可以通过下述关系式计算得到所述内限范围：
[D1,Du]＝[Q1-1.5IQR,Q3+1.5IQR]。
所有不在[Q1－1.5IQR,Q3+1.5IQR]区间内的值为离群值。对温度、风向、风速、湿度等气象数据分别进行离群值的检验和处理，如果数据为离群值，处理方法如下：(1)小于等于Q1－1.5IQR的值，用Q1－1.5IQR的值进行替换。(2)大于等于Q3+1.5IQR的值，用Q3+1.5IQR替换。
在一些实施方式中，所述对缺失值进行插补处理，包括：
对缺失数据采用前后相邻的数据进行插补处理。
具体地，若缺失数据的前后均存在相邻数据，则选取前后两点数据的平均值进行插补。若缺失数据仅前面或后面存在相邻数据，则采用该前面或后面数据进行插补。若缺失数据的前后均无相邻数据，则使用前一天同一时刻的数据进行插补。
在一些实施方式中，所述将处理后的所述风功率数据与所述气象数据中的各气象因素进行相关性分析，包括：
利用Pearson相关系数，对处理后的所述风功率数据和所述气象数据进行相关性分析，通过相关系数rxy值的大小确定风功率数据与各气象因素间的相关性强弱。
具体地，在本步骤中，相关系数rxy介于(-1，1)之间，若rxy>0，则表示变量x与y呈正相关；rxy<0，则表示变量x与y呈负相关；|rxy|越小，表示变量x与y之间的相关度越弱；反之则越强，具体计算如下关系式所示：
根据上述关系式，得到风功率与其他气象影响因素之间的相关系数。如下表1所示，其中风速对风力发电功率的相关性最强，Pearson相关系数为0.898；其次为风向，相关系数为0.803；相关湿度与风功率之间的Pearson系数为-0.201，呈现弱相关性。因此选取风速、风向和温度3个变量。
表1风功率与其他气象影响因素之间的相关系数表
在一些实施方式中，所述基于卷积神经网络，对输入的各输入变量进行特征提取，包括：
确定CNN层包括卷积层、池化层与全连接层。其中，卷积层和池化层是CNN网络特征提取的关键模块，输入特征通过卷积层进行卷积，实现对特征的提取；池化层对来自前一卷积层的信息进行采样，实现信息的过滤；全连接层将二维特征向量映射到一维向量进行输出。
具体地，CNN层设计为2层卷积层、2层池化层与1层全连接层。第一层有64个卷积核和池化核，大小为1x4维向量；第二层卷积层有32个卷积核，大小设置为1x3，步长为2，池化层选用最大池化方式。CNN的输出层Hc＝[hc1…hct-1…hct…hcj]T表示如下述关系式所示：
P1＝max(C1)+b2
P2＝max(C2)+b4
Hc＝Sigmoid(P2×W3+b5)
式中：卷积层1与2的输出分别是C1和C2；池化层1与2的输出分别是P1和P2；W1、W2与W3均为权重；b1、b2、b3、b4与b5均为偏差。
在一些实施方式中，所述基于LSTM神经网络，将特征提取后的各输入变量作为输入，以及将各输入变量所对应的风功率数据作为输出，训练得到风功率预测模型，包括：
将数据集随机划分为训练集与测试集，采用k折交叉验证法确定所述LSTM神经网络的输入参数、隐含层层数、隐含层神经元个数、迭代次数和优化算法。
在所述LSTM神经网络中引入注意力模型，将所述LSTM神经网络的输出输入到所述注意力模型中。注意力机制可以将权值重新分配，突出模型中关键信息的重要作用，避免关键信息的丢失，同时抑制其他无用信息。
通过数据训练，确定网络模型参数，对所述LSTM神经网络进行优化从而得到最优的LSTM网络模型，实现对风功率时间序列及其影响因素之间的输入输出数据进行建模，通过历史风功率数据与输入特征变量数据进行风功率的预测。
具体地，在本步骤中，LSTM神经网络单元由四个不同的计算门组成，网络结构如图2所示。输入门it，遗忘门ft，输出门ot以及记忆单元状态函数mt计算方式如下。σ(·)为激活函数；w和b分别为输入权重矩阵及其对应偏差：
ft＝σ(Wf·[xt,ht-1]+bf)
it＝σ(Wi·[xt,ht-1]+bi)
ot＝σ(Wo·[xt,ht-1]+bo)
mt＝tanh(Wc·[xt,ht-1]+bc)
建立的LSTM网络包括3层单元，采用k折交叉验证法进行超参数选择，目标函数定义为均方误差MSE。如下表2所示：采用Adam算法不断调整参数以优化预测的结果。
表2LSTM网络超参数选择
同时，在LSTM网络中引入注意力模型，将LSTM层的输出ht输入到注意力模型中，下述公式为LSTM-Attention模型的输出：
yt＝Sigmoid(wost+bo)
式中：yt为t时刻的输出，st为注意力层t时刻的输出。CNN-LSTM-Attention网络风功率预测模型如图3所示。
在一些实施方式中，在利用所述风功率预测模型对风功率进行预测之后，所述方法还包括：
采用平均绝对误差、均方根误差中的一者对预测结果进行评价。
在一些实施方式中，所述平均绝对误差采用下述关系式：
所述均方根误差采用下述关系式：
其中，MAE为平均绝对误差，RMSE为均方根误差，pi predict表示功率预测值，pi为功率实际值，N为预测样本数。
随机选取某日进行短期的风功率预测，为了更好的验证所提方法的有效性，分别使用LSTM模型、CNN-LSTM模型、以及基于注意力机制的CNN-LSTM模型进行短期的风功率预测。选取预测精度最高的某日期的预测结果作为展示，不同模型的预测结果如图4所示：模型评价指标如表3所示：
表3不同模型预测评价指标
由图4可以看出，相比于LSTM预测模型，CNN-LSTM预测模型与CNN-LSTM-Attention预测模型均可跟踪风功率的变化趋势，在风功率变化较大的地方，CNN-LSTM-Attention模型预测值更加接近风功率的实际值，说明所提出的CNN-LSTM-Attention模型可以在风功率波动较大等特殊情况下的准确的进行预测，具有良好的鲁棒性。表3位不同模型的预测评价指标，针对预测的结果进行了量化的分析，相较于传统LSTM网络，CNN-LSTM网络与CNN-LSTM-Attention网络预测的误差更小，精度更高，说明卷积神经网络CNN具有很好的数据特征提取能力。相较于CNN-LSTM网络，本公开提出的CNN-LSTM-Attention网络模型预测结果的平均绝对误差与均方根误差分别为5.1253和5.5871，说明Attention注意力机制的引入优化了CNN-LSTM模型结构，提高了预测精度，具有更好的泛化性与鲁棒性。
总而言之，本公开的风电功率预测方法，针对风电场的短期风功率预测，本公开采用了四分位法进行了异常数据的检测与处理，并对缺失数据进行了数据插补为后续建模预测提供了可靠的数据基础。此外，针对风功率影响因素的筛选，采用Pearson相关系数法确定了输入特征变量。为了深度提取数据特征，利用CNN提取气象因素等相关特征向量并进行时间序列重构输入到LSTM中，同时在LSTM中引入了Attention注意力机制，提高了LSTM网络预测的精度。
本公开的另一方面，如图5所示，提供一种风电功率预测装置100，该装置100适用于前文记载的方法，具体可以参考前文相关记载，在此不作赘述。所述装置100包括：
获取模块110，用于获取风电场的实测运行数据，所述实测运行数据包括风电场的气象数据和风功率数据；
处理模块120，用于对所述实测运行数据进行离群值检验和处理，对缺失值进行插补处理；
分析模块130，用于将处理后的所述风功率数据与所述气象数据中的各气象因素进行相关性分析，选取风功率相关性较高的气象因素所对应的气象数据为输入变量；
提取模块140，用于基于卷积神经网络，对输入的各输入变量进行特征提取；
训练模块150，用于基于LSTM神经网络，将特征提取后的各输入变量作为输入，以及将各输入变量所对应的风功率数据作为输出，训练得到风功率预测模型；
预测模块160，用于利用所述风功率预测模型对风功率进行预测。
本实施例的风电功率预测装置，通过对风电场的实测运行数据进行离群值检验和处理，并对缺失值进行插补处理，保证了数据的完整性与有效性，并针对风电功率与相关气象因素间进行了相关性分析取特征输入。针对风电场风功率预测，基于传统的LSTM神经网络，为了深度提取数据特征，引入CNN-LSTM模型，能够得到更准确的风电预测值，提高了预测精度。
本公开的另一方面，提供一种电子设备，包括：
一个或多个处理器；
存储单元，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时，能使得所述一个或多个处理器实现根据前文记载的所述的方法。
可以理解的是，以上实施方式仅仅是为了说明本公开的原理而采用的示例性实施方式，然而本公开并不局限于此。对于本领域内的普通技术人员而言，在不脱离本公开的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本公开的保护范围。
Claims (10)
1.一种风电功率预测方法，其特征在于，所述方法包括：
获取风电场的实测运行数据，所述实测运行数据包括风电场的气象数据和风功率数据；
对所述实测运行数据进行离群值检验和处理，对缺失值进行插补处理；
将处理后的所述风功率数据与所述气象数据中的各气象因素进行相关性分析，选取风功率相关性较高的气象因素所对应的气象数据为输入变量；
基于卷积神经网络，对输入的各输入变量进行特征提取；
基于LSTM神经网络，将特征提取后的各输入变量作为输入，以及将各输入变量所对应的风功率数据作为输出，训练得到风功率预测模型；
利用所述风功率预测模型对风功率进行预测。
2.根据权利要求1所述的方法，其特征在于，
所述对所述实测运行数据进行离群值检验和处理，包括：
采用四分位法，将所述实测运行数据从小到大排列并平均分成4份，得到下四分位数Q1、中位数Q2和上四分位数Q3；
根据所述下四分位数Q1与上四分位数Q3之差，得到四分位数间距IQR；
根据所述四分位数间距IQR，得出数据异常值内限范围[D1,Du]，并将超出所述内限范围[D1,Du]的运行数据剔除；
所述对缺失值进行插补处理，包括：
对缺失数据采用前后相邻的数据进行插补处理。
3.根据权利要求2所述的方法，其特征在于，所述内限范围满足下述关系式：
[D1,Du]＝[Q1-1.5IQR,Q3+1.5IQR]。
4.根据权利要求2所述的方法，其特征在于，所述对缺失数据采用前后相邻的数据进行插补处理，包括：
若缺失数据的前后均存在相邻数据，则选取前后两点数据的平均值进行插补；
若缺失数据仅前面或后面存在相邻数据，则采用该前面或后面数据进行插补；
若缺失数据的前后均无相邻数据，则使用前一天同一时刻的数据进行插补。
5.根据权利要求1所述的方法，其特征在于，所述将处理后的所述风功率数据与所述气象数据中的各气象因素进行相关性分析，包括：
利用Pearson相关系数，对处理后的所述风功率数据和所述气象数据进行相关性分析，通过相关系数rxy值的大小确定风功率数据与各气象因素间的相关性强弱。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述基于LSTM神经网络，将特征提取后的各输入变量作为输入，以及将各输入变量所对应的风功率数据作为输出，训练得到风功率预测模型，包括：
将数据集随机划分为训练集与测试集，采用k折交叉验证法确定所述LSTM神经网络的输入参数、隐含层层数、隐含层神经元个数、迭代次数和优化算法；
在所述LSTM神经网络中引入注意力模型，将所述LSTM神经网络的输出输入到所述注意力模型中；
通过数据训练，确定网络模型参数，对所述LSTM神经网络进行优化从而得到最优的LSTM网络模型。
7.根据权利要求1至5任一项所述的方法，其特征在于，在利用所述风功率预测模型对风功率进行预测之后，所述方法还包括：
采用平均绝对误差、均方根误差中的一者对预测结果进行评价。
8.根据权利要求7所述的方法，其特征在于，所述平均绝对误差采用下述关系式：
所述均方根误差采用下述关系式(2)：
其中，MAE为平均绝对误差，RMSE为均方根误差，pi predict表示功率预测值，pi为功率实际值，N为预测样本数。
9.一种风电功率预测装置，其特征在于，所述装置包括：
获取模块，用于获取风电场的实测运行数据，所述实测运行数据包括风电场的气象数据和风功率数据；
处理模块，用于对所述实测运行数据进行离群值检验和处理，对缺失值进行插补处理；
分析模块，用于将处理后的所述风功率数据与所述气象数据中的各气象因素进行相关性分析，选取风功率相关性较高的气象因素所对应的气象数据为输入变量；
提取模块，用于基于卷积神经网络，对输入的各输入变量进行特征提取；
训练模块，用于基于LSTM神经网络，将特征提取后的各输入变量作为输入，以及将各输入变量所对应的风功率数据作为输出，训练得到风功率预测模型；
预测模块，用于利用所述风功率预测模型对风功率进行预测。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储单元，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时，能使得所述一个或多个处理器实现根据权利要求1至8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111335706.XA CN114298134A (zh) | 2021-11-11 | 2021-11-11 | 风电功率预测方法及装置、电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111335706.XA CN114298134A (zh) | 2021-11-11 | 2021-11-11 | 风电功率预测方法及装置、电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114298134A true CN114298134A (zh) | 2022-04-08 |
Family
ID=80964608
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111335706.XA Pending CN114298134A (zh) | 2021-11-11 | 2021-11-11 | 风电功率预测方法及装置、电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114298134A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115587617A (zh) * | 2022-10-17 | 2023-01-10 | 国网黑龙江省电力有限公司 | 长时间序列的序列信息捕捉方法及装置、短期用电量预测方法及装置 |
| CN115877345A (zh) * | 2023-02-28 | 2023-03-31 | 航天宏图信息技术股份有限公司 | 一种风廓线雷达缺测数据的补齐方法和装置 |
| CN116662766A (zh) * | 2023-08-01 | 2023-08-29 | 浙江大学 | 基于数据二维重构的风速预测方法及装置、电子设备 |
| CN117595238A (zh) * | 2023-10-31 | 2024-02-23 | 北京爱特瑞科软件开发有限责任公司 | 风电功率预测模型的训练方法和风电功率预测方法 |
| CN118300089A (zh) * | 2024-04-07 | 2024-07-05 | 浙江大学 | 一种基于时空相关性的风电场风电功率预测方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060173623A1 (en) * | 2005-02-01 | 2006-08-03 | Grzych Matthew L | System and method for enhanced measure-correlate-predict for a wind farm location |
| CN108412710A (zh) * | 2018-01-30 | 2018-08-17 | 同济大学 | 一种风电机组风功率数据清洗方法 |
| KR20200087731A (ko) * | 2020-06-30 | 2020-07-21 | 동국대학교 산학협력단 | 고빈도 기상 데이터를 이용한 합성곱 신경망 기반의 기상 요소 예측 방법 및 장치 |
| CN111798034A (zh) * | 2020-06-10 | 2020-10-20 | 河海大学 | 基于风流场时空图像学习的风电功率预测系统及预测方法 |
| CN112633317A (zh) * | 2020-11-02 | 2021-04-09 | 国能信控互联技术有限公司 | 基于注意力机制的cnn-lstm风机故障预测方法及系统 |
| CN112733462A (zh) * | 2021-01-21 | 2021-04-30 | 国网辽宁省电力有限公司阜新供电公司 | 一种结合气象因素的超短期风电场功率预测方法 |
| CN113516271A (zh) * | 2021-04-05 | 2021-10-19 | 东北电力大学 | 一种基于时空神经网络的风电集群功率日前预测方法 |
-
2021
- 2021-11-11 CN CN202111335706.XA patent/CN114298134A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060173623A1 (en) * | 2005-02-01 | 2006-08-03 | Grzych Matthew L | System and method for enhanced measure-correlate-predict for a wind farm location |
| CN108412710A (zh) * | 2018-01-30 | 2018-08-17 | 同济大学 | 一种风电机组风功率数据清洗方法 |
| CN111798034A (zh) * | 2020-06-10 | 2020-10-20 | 河海大学 | 基于风流场时空图像学习的风电功率预测系统及预测方法 |
| KR20200087731A (ko) * | 2020-06-30 | 2020-07-21 | 동국대학교 산학협력단 | 고빈도 기상 데이터를 이용한 합성곱 신경망 기반의 기상 요소 예측 방법 및 장치 |
| CN112633317A (zh) * | 2020-11-02 | 2021-04-09 | 国能信控互联技术有限公司 | 基于注意力机制的cnn-lstm风机故障预测方法及系统 |
| CN112733462A (zh) * | 2021-01-21 | 2021-04-30 | 国网辽宁省电力有限公司阜新供电公司 | 一种结合气象因素的超短期风电场功率预测方法 |
| CN113516271A (zh) * | 2021-04-05 | 2021-10-19 | 东北电力大学 | 一种基于时空神经网络的风电集群功率日前预测方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115587617A (zh) * | 2022-10-17 | 2023-01-10 | 国网黑龙江省电力有限公司 | 长时间序列的序列信息捕捉方法及装置、短期用电量预测方法及装置 |
| CN115877345A (zh) * | 2023-02-28 | 2023-03-31 | 航天宏图信息技术股份有限公司 | 一种风廓线雷达缺测数据的补齐方法和装置 |
| CN116662766A (zh) * | 2023-08-01 | 2023-08-29 | 浙江大学 | 基于数据二维重构的风速预测方法及装置、电子设备 |
| CN116662766B (zh) * | 2023-08-01 | 2023-10-03 | 浙江大学 | 基于数据二维重构的风速预测方法及装置、电子设备 |
| CN117595238A (zh) * | 2023-10-31 | 2024-02-23 | 北京爱特瑞科软件开发有限责任公司 | 风电功率预测模型的训练方法和风电功率预测方法 |
| CN118300089A (zh) * | 2024-04-07 | 2024-07-05 | 浙江大学 | 一种基于时空相关性的风电场风电功率预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114298134A (zh) | 风电功率预测方法及装置、电子设备 | |
| Liu et al. | Wind power prediction with missing data using Gaussian process regression and multiple imputation | |
| CN111126704B (zh) | 基于多图卷积和记忆网络的多区域降水量预测模型构建方法 | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN111931983B (zh) | 一种降水量预测方法及系统 | |
| CN112000084B (zh) | 一种基于1d-cnn和gru-svm的控制器模块智能bit设计方法 | |
| CN111898825A (zh) | 一种光伏发电功率短期预测方法及装置 | |
| CN116303786B (zh) | 一种基于多维数据融合算法的区块链金融大数据管理系统 | |
| CN112504682A (zh) | 基于粒子群优化算法的底盘发动机故障诊断方法及系统 | |
| CN111222689A (zh) | 基于多尺度时间特征的lstm负荷预测方法、介质及电子装置 | |
| CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
| CN117473411A (zh) | 基于改进Transformer模型的轴承寿命预测方法 | |
| CN116415505A (zh) | 一种基于sbr-dbn模型的系统故障诊断与状态预测方法 | |
| CN116384244A (zh) | 一种基于物理增强神经网络的电磁场预测方法 | |
| CN114118401A (zh) | 基于神经网络的配电网络流量预测方法、系统、装置及存储介质 | |
| CN113151842B (zh) | 风光互补电解水制氢的转化效率的确定方法和确定装置 | |
| CN118017482A (zh) | 基于预测误差特征提取的灵活性爬坡容量需求分析方法 | |
| CN108038518A (zh) | 一种基于气象数据的光伏发电功率确定方法及系统 | |
| CN115526376A (zh) | 多特征融合的生成对抗网络超短期风功率预测方法 | |
| CN114252266A (zh) | 一种基于dbn-svdd模型的滚动轴承性能退化评估方法 | |
| CN114298413A (zh) | 一种水电机组振摆趋势预测方法 | |
| CN112183814A (zh) | 一种短期风速预测方法 | |
| Lestari et al. | Rainfall Prediction using Spatial Convolutional Neural Networks and Recurrent Neural Networks | |
| Guo et al. | Modelling for multi-phase batch processes using steady state identification and deep recurrent neural network | |
| CN113485986B (zh) | 一种电力数据修复方法 |
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 |