CN114462710A - 一种风机发电功率的短期预测方法、装置及介质 - Google Patents
一种风机发电功率的短期预测方法、装置及介质 Download PDFInfo
- Publication number
- CN114462710A CN114462710A CN202210128927.8A CN202210128927A CN114462710A CN 114462710 A CN114462710 A CN 114462710A CN 202210128927 A CN202210128927 A CN 202210128927A CN 114462710 A CN114462710 A CN 114462710A
- Authority
- CN
- China
- Prior art keywords
- target
- meteorological data
- short
- meteorological
- power
- 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 55
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000004590 computer program Methods 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000010248 power generation Methods 0.000 abstract description 21
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003203 everyday effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种风机发电功率的短期预测方法、装置及介质，主要涉及风机发电领域。该方法先根据历史预测气象数据和历史实际气象数据训练气象模型；然后，根据历史实际气象数据和历史短期实际功率训练短期预测模型；再调用气象模型以根据气象模型得到第一目标气象数据对应的第二目标气象数据；最后，调用短期预测模型以根据第二目标气象数据得到第二目标气象数据对应的目标短期预测功率，以便进行上报。该方法调用气象模型根据第一目标气象数据得到第二目标气象数据，并将该第二目标气象数据作为短期预测模型的输入，得到目标短期预测功率，以便进行上报，有效保证了短期预测功率的上报率。
Description
技术领域
本申请涉及风机发电领域，特别是涉及一种风机发电功率的短期预测方法、装置及介质。
背景技术
短期预测功率根据气象数据计算得到，指的是所预测的风机在当前时间的几天之后的发电功率，是风电场每日必须要上报电网的数据，且该数据的上报率和准确率都是电网对风电场考核的重要标准。在上报过程中，从测量气象数据的远端向风电场端传输气象数据，当遇到网络中断、反向隔离故障等突发状况导致气象数据无法传输到风电场端时，风电场需要启动容错机制，以得到短期预测功率并进行上报。
当前在气象数据传输中断时，无法得到短期预测功率，因此无法成功上报。
由此可见，如何提高短期预测功率的上报率是本领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供一种风机发电功率的短期预测方法、装置及介质，用于进行风机发电功率的短期预测，提高短期预测功率的上报率及准确率。
为解决上述技术问题，本申请提供一种风机发电功率的短期预测方法，包括：
根据历史预测气象数据和历史实际气象数据训练气象模型；其中，历史预测气象数据和历史实际气象数据按照时间对应；
根据历史实际气象数据和历史短期实际功率训练短期预测模型；其中，所述历史短期实际功率与所述历史实际气象数据按照所述时间对应；
调用气象模型以根据气象模型得到第一目标气象数据对应的第二目标气象数据；其中，第一目标气象数据为所预测的在目标时间的气象数据，目标时间在与历史短期实际功率对应的时间之后；
调用短期预测模型以根据第二目标气象数据得到第二目标气象数据对应的目标短期预测功率，以便进行上报。
优选地，在调用气象模型以根据气象模型得到第一目标气象数据对应的第二目标气象数据之前，还包括：
判断是否生成上报数据；
若未生成，则启动容错机制，进入调用气象模型根据第一目标气象数据得到第二目标气象数据的步骤。
优选地，第一目标气象数据为多组；
对应地，调用气象模型以根据气象模型得到第一目标气象数据对应的第二目标气象数据包括：
调用气象模型以根据第一目标气象数据得到与各第一目标气象数据对应的第二目标气象数据；
对全部第二目标气象数据取平均值，将平均值作为气象模型输出的第二目标气象数据。
优选地，在得到目标短期预测功率之后，还包括：
将目标短期预测功率作为上报数据进行上报。
优选地，在训练气象模型之前，还包括：
对历史预测气象数据和历史实际气象数据进行预处理。
优选地，在调用短期预测模型以根据第二目标气象数据得到第二目标气象数据对应的目标短期预测功率之后，还包括：
获取目标时间的实际气象数据；
根据第一目标气象数据和目标时间的实际气象数据校准气象模型；
获取风机在目标时间的实际发电功率；
根据风机在目标时间的实际发电功率和目标时间的实际气象数据校准短期预测模型。
为解决上述技术问题，本申请还提供一种风机发电功率的短期预测装置，包括：
第一训练模块，用于根据历史预测气象数据和历史实际气象数据训练气象模型；其中，历史预测气象数据和历史实际气象数据按照时间对应；
第二训练模块，用于根据历史实际气象数据和历史短期实际功率训练短期预测模型；其中，历史短期实际功率与历史实际气象数据按照时间对应；
第一调用模块，用于调用气象模型以根据气象模型得到第一目标气象数据对应的第二目标气象数据；其中，第一目标气象数据为所预测的在目标时间的气象数据，目标时间在与历史短期实际功率对应的时间之后；
第二调用模块，用于调用短期预测模型以根据第二目标气象数据得到第二目标气象数据对应的目标短期预测功率，以便进行上报。
为解决上述技术问题，本申请还提供一种风机发电功率的短期预测装置，包括：
存储器，用于存储计算机程序；
处理器，用于执行计算机程序时实现上述风机发电功率的短期预测方法的步骤。
为解决上述技术问题，本申请还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述风机发电功率的短期预测方法的步骤。
本申请提供一种风机发电功率的短期预测方法，该方法先根据历史预测气象数据和历史实际气象数据训练气象模型；然后，根据历史实际气象数据和历史短期实际功率训练短期预测模型；再调用气象模型以根据气象模型得到第一目标气象数据对应的第二目标气象数据；其中，第一目标气象数据为所预测的在目标时间的气象数据；最后，调用短期预测模型以根据第二目标气象数据得到第二目标气象数据对应的目标短期预测功率，以便进行上报。该方法调用气象模型根据第一目标气象数据得到第二目标气象数据，并将该第二目标气象数据作为短期预测模型的输入，得到目标短期预测功率，以便进行上报，有效保证了短期预测功率的上报率。另外，由于气象模型根据历史预测气象数据和历史实际气象数据训练得到，且第一目标气象数据为所预测的在目标时间的气象数据，因此，基于第一目标气象数据所得到的第二目标气象数据可视为所预测的在目标时间的最新、最准确的气象数据，基于第二目标气象数据得到的目标短期预测功率的准确率得到了有效保障。
此外，本申请所提供的风机发电功率的短期预测装置、介质与风机发电功率的短期预测方法相对应，效果如上。
附图说明
为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅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为本申请提供的一种风机发电功率的短期预测方法的流程图；
图2为本申请提供的一种风机发电功率的短期预测装置的结构图；
图3为本申请提供的另一种风机发电功率的短期预测装置的结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部实施例。基于本申请中的实施例，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，都属于本申请保护范围。
本申请的核心是提供一种风机发电功率的短期预测方法、装置及介质，用于进行风机发电功率的短期预测，提高短期预测功率的上报率和准确率。
为了使本技术领域的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。
需要说明的是，本申请提供的风机发电功率的短期预测方法适用于风电场，尤其是发生突发状况时对风机发电功率的短期预测，其中，突发状况包括但不限于因网络故障、反向隔离故障等原因而无法获取到所预测的气象数据以及缺失所预测的最新、最准确的气象数据导致无法启动短期预测模型。
图1为本申请提供的一种风机发电功率的短期预测方法的流程图。如图1所示，该方法包括：
S1：根据历史预测气象数据和历史实际气象数据训练气象模型。
在本实施例中，历史预测气象数据指的是预先准备的所预测的基于风机地理位置的气象数据，历史实际气象数据与历史预测气象数据按照时间对应。可以理解的是，气象数据是反映天气的一组数据，主要包括风速、风向、气温、气压等。由于进行气象预测的时间与所预测的气象数据的实际时间之间的间隔越久，所预测的气象数据的准确率越低，因此，为保证气象模型的准确率，历史预测气象数据应为与历史实际气象数据对应的时间较近的时间所预测的，例如，可以为在历史实际气象数据对应的时间的前三天所预测的，由于在这三天中，每天都会预测一组在历史实际气象数据对应的时间的气象数据，因此，对于每组历史实际气象数据，均有三组历史预测气象数据与之对应，也就是说，在训练气象模型时，对于每组历史实际气象数据，均可以使用三组历史预测气象数据分别与其组合进行训练，以优化气象模型。另外，在训练气象模型时，将历史预测气象数据作为输入，将历史实际气象数据作为输出，经过尝试，使用xgboost算法得到的气象模型的准确率是最高的。
S2：根据历史实际气象数据和历史短期实际功率训练短期预测模型。
在本实施例中，历史短期实际功率为风机的实测历史发电功率，每个历史短期实际功率都存在一组历史预测气象数据与之对应。显然，为保证短期预测模型的准确率，历史实际气象数据对应的时间应与历史短期实际功率对应的时间的间隔较短，例如，在获取到一组历史实际气象数据后，可基于该组历史实际气象数据预测后一天风机的发电功率，并获取风机后一天的实测发电功率以作为与该组历史实际气象数据对应的历史短期实际功率。另外，在训练短期预测模型时，将历史实际气象数据作为输入，历史短期实际功率作为输出，经过尝试，使用xgboost算法得到的短期预测模型的准确率是最高的。
S3：调用气象模型以根据气象模型得到第一目标气象数据对应的第二目标气象数据。
在本实施例中，第一目标气象数据为所预测的在目标时间的气象数据。需要说明的是，目标时间在与历史短期实际功率对应的时间之后，由于目标短期预测功率是基于所预测的在目标时间的最新、最准确的气象数据预测得到，而当前无法保证第一目标气象数据是所预测的在目标时间的最新、最准确的气象数据，因此需要对第一目标气象数据进行处理，根据气象模型得到第一目标气象数据对应的第二目标气象数据，此时可将第二目标气象数据视为所预测的在目标时间的最新、最准确的气象数据，以进行短期预测。为提高第二目标气象数据的准确率，第一目标气象数据应为离目标时间较近的时间预测的气象数据，例如，第一目标气象数据可以包括目标时间之前的三天所预测的在目标时间的气象数据，由于通常情况下每天都会预测下一周的气象数据，因此，此时的第一目标气象数据包括三组气象数据，以作为气象模型的输入。显然，第一目标气象数据也可以只有一组气象数据，本实施例对此不做限制。
在具体实施中，先调用气象模型根据输入的第一目标气象数据得到与该第一目标气象数据对应的第二目标气象数据，此时，第二目标气象数据可视为所预测的风机在目标时间的最新、最准确的气象数据，以将其作为短期预测模型的输入，得到风机在目标时间的短期预测功率。
S4：调用短期预测模型以根据第二目标气象数据得到第二目标气象数据对应的目标短期预测功率，以便进行上报。
由于短期预测模型是基于历史实际气象数据和历史短期实际功率得到，因此，在输入第二目标气象数据后，调用短期预测模型可根据第二目标气象数据得到与该第二目标气象数据对应的目标短期预测功率，此时所得到的目标短期预测功率即为风机在目标时间的短期预测功率。在得到目标短期预测功率之后，根据该目标短期预测功率生成上报文件进行上报，以保证短期预测功率的上报率。
本实施例提供一种风机发电功率的短期预测方法，该方法先根据历史预测气象数据和历史实际气象数据训练气象模型；然后，根据历史实际气象数据和历史短期实际功率训练短期预测模型；再调用气象模型以根据气象模型得到第一目标气象数据对应的第二目标气象数据；其中，第一目标气象数据为所预测的在目标时间的气象数据；最后，调用短期预测模型以根据第二目标气象数据得到第二目标气象数据对应的目标短期预测功率，以便进行上报。该方法调用气象模型根据第一目标气象数据得到第二目标气象数据，并将该第二目标气象数据作为短期预测模型的输入，得到目标短期预测功率，以便进行上报，有效保证了短期预测功率的上报率。另外，由于气象模型根据历史预测气象数据和历史实际气象数据训练得到，且第一目标气象数据为所预测的在目标时间的气象数据，因此，基于第一目标气象数据所得到的第二目标气象数据可视为所预测的目标时间的最新、最准确的气象数据，基于第二目标气象数据得到的目标短期预测功率的准确率得到了有效保障。
在上述实施例调用气象模型以根据气象模型得到第一目标气象数据对应的第二目标气象数据之前，需要先判断是否已生成短期预测功率的上报文件，可以理解的是，只有在未生成短期预测功率的上报文件时才需要调用模型进行短期功率预测。该步骤包括：
判断是否生成上报数据；
若未生成，则启动容错机制，进入调用气象模型根据第一目标气象数据得到第二目标气象数据的步骤。
在具体实施中，每天都会在预设时间段检测是否生成待上报的短期预测功率，若已经生成，则结束本次检测，若未生成，则启动容错机制，进行短期功率预测，以根据所得到的短期预测功率生成上报文件进行上报。
本实施例在调用模型进行短期功率预测之前，先判断是否生成上报数据，并在未生成上报数据时，触发容错机制，进入调用气象模型根据第一目标气象数据得到第二目标气象数据的步骤，在已生成上报数据时则不需要进行短期功率检测，能够有效节省时间。
在上述实施例中提到，第一目标气象数据可以为一组，也可以为多组，当第一目标气象数据为多组时，对应地，调用气象模型得到的与各第一目标气象数据对应的第二目标气象数据也为多组，此时需要对第二目标气象数据进行处理再输出。该步骤包括：
调用气象模型以根据第一目标气象数据得到与各第一目标气象数据对应的第二目标气象数据；
对全部第二目标气象数据取平均值，将平均值作为气象模型输出的第二目标气象数据。
在具体实施中，若第一目标气象数据为在目标时间之前的三天所预测的在目标时间的气象数据，此时的第一目标气象数据即包括三组气象数据，因此调用气象模型所得到的第二目标气象数据也为三组。在气象模型输出第二目标气象数据时，为便于用户查询使用，可对全部的第二目标气象数据直接取平均值或赋予不同权重求取加权平均值，具体地，对全部的第二目标气象数据中具有相同名称的参数直接取平均值或赋予不同权重求取加权平均值，例如，可根据所赋予的不同权重求取三组第二目标气象数据中的气温参数的加权平均值，并将所得到的平均值作为最终输出的第二目标气象数据中的气温参数，以进行输出。本实施例所提出的对全部第二目标气象数据取平均值进行输出只是一种优选的实施方式，显然，也可以直接输出全部的第二目标气象数据。
在第一目标气象数据为多组时，基于第一目标气象数据所得到的第二目标气象数据也为多组，在输出第二目标气象数据时，本实施例对全部的第二目标气象数据取平均值后进行输出，相较于直接输出全部的第二目标气象数据，在第二目标气象数据的组数较多时，取平均值进行输出更便于用户查询使用。
在上述实施例的基础上，本实施例在得到目标短期预测功率之后，还包括：将目标短期预测功率作为上报数据进行上报。
具体地，在得到目标短期预测功率之后，会基于该目标短期预测功率生成上报文件，此时目标短期预测功率即为上报文件中的上报数据，上报该上报文件即可满足短期预测功率的上报率。
本实施例在得到目标短期预测功率之后，将该目标短期预测功率作为上报数据进行上报，以满足短期预测功率的上报率。
在上述实施例的基础上，本实施例在训练气象模型之前，还包括：对历史预测气象数据和历史实际气象数据进行预处理。
在具体实施中，由于历史预测气象数据和历史实际气象数据按照时间对应，因此，为便于分析处理，可将历史预测气象数据和历史实际气象数据按照时间排序。在进行预处理时，由于每组历史预测气象数据均存在与其对应的历史实际气象数据，因此，可计算历史预测气象数据和与其对应的历史实际气象数据中的各参数的差值以便分析，计算完成后可选取其中一个或多个参数作为参考，当所选取的参数差值的绝对值大于预设的阈值时，则认为该参数差值对应的历史预测气象数据的准确率较低，会将该参数差值对应的历史预测气象数据和历史实际气象数据剔除，以免影响所训练的气象模型的精确度。可以理解的是，在比较所选取的参数差值的绝对值与预设的阈值时，对于不同参数，例如气温和风速，由于参数的单位不同，因此所使用的阈值也不同，另外，阈值的具体取值根据实际情况设置，本实施例对此不作说明。
本实施例在训练气象模型之前，对历史预测气象数据和历史实际气象数据进行预处理，剔除其中准确率较低的历史预测气象数据和与之对应的历史实际气象数据，以提高所训练的气象模型的精确度，有效保障了短期预测功率的准确率。
在上述实施例的基础上，本实施例在调用短期预测模型以根据第二目标气象数据得到第二目标气象数据对应的目标短期预测功率之后，分别对气象模型和短期预测模型进行校准。该步骤包括：
获取目标时间的实际气象数据；
根据第一目标气象数据和目标时间的实际气象数据校准气象模型；
获取风机在目标时间的实际发电功率；
根据风机在目标时间的实际发电功率和目标时间的实际气象数据校准短期预测模型。
具体地，对于气象模型，先获取目标时间的实际气象数据，然后，调节气象模型，使得气象模型根据第一目标气象数据输出的第二目标气象数据与目标时间的实际气象数据一致，以优化气象模型；对于短期预测模型，先获取风机在目标时间的实际发电功率，然后，调节短期预测模型，使得短期预测模型根据目标时间的实际气象数据输出的目标短期预测功率与风机在目标时间的实际发电功率一致，以优化短期预测模型。
本实施例在得到目标短期预测功率之后，根据第一目标气象数据和目标时间的实际气象数据校准气象模型，根据风机在目标时间的实际发电功率和目标时间的实际气象数据校准短期预测模型，提高了气象模型和短期预测模型的精确度，便于后续使用。
在上述实施例中，对于风机发电功率的短期预测方法进行了详细描述，本申请还提供风机发电功率的短期预测装置对应的实施例。需要说明的是，本申请从两个角度对装置部分的实施例进行描述，一种是基于功能模块的角度，另一种是基于硬件的角度。
图2为本申请提供的一种风机发电功率的短期预测装置的结构图。如图2所示，该装置包括：
第一训练模块10，用于根据历史预测气象数据和历史实际气象数据训练气象模型；其中，历史预测气象数据和历史实际气象数据按照时间对应；
第二训练模块11，用于根据历史实际气象数据和历史短期实际功率训练短期预测模型；其中，历史短期实际功率与历史实际气象数据按照时间对应；
第一调用模块12，用于调用气象模型以根据气象模型得到第一目标气象数据对应的第二目标气象数据；其中，第一目标气象数据为所预测的在目标时间的气象数据，目标时间在与历史短期实际功率对应的时间之后；
第二调用模块13，用于调用短期预测模型以根据第二目标气象数据得到第二目标气象数据对应的目标短期预测功率，以便进行上报。
由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
本实施例所提供的风机发电功率的短期预测装置，通过第一训练模块根据历史预测气象数据和历史实际气象数据训练气象模型；通过第二训练模块根据历史实际气象数据和历史短期实际功率训练短期预测模型；通过第一调用模块调用气象模型以根据气象模型得到第一目标气象数据对应的第二目标气象数据；通过第二调用模块调用短期预测模型以根据第二目标气象数据得到第二目标气象数据对应的目标短期预测功率，以便进行上报。该装置调用气象模型根据第一目标气象数据得到第二目标气象数据，并将该第二目标气象数据作为短期预测模型的输入，得到目标短期预测功率，以便进行上报，有效保证了短期预测功率的上报率。另外，由于气象模型根据历史预测气象数据和历史实际气象数据训练得到，并且第一目标气象数据为所预测的在目标时间的气象数据，因此，基于第一目标气象数据所得到的第二目标气象数据可视为所预测的在目标时间的最新、最准确的气象数据，基于第二目标气象数据得到的目标短期预测功率的准确率得到了有效保障。
图3为本申请另一实施例提供的风机发电功率的短期预测装置的结构图，如图3所示，该装置包括：
存储器20，用于存储计算机程序；
处理器21，用于执行计算机程序时实现如上述实施例中所提到的风机发电功率的短期预测方法的步骤。
本实施例提供的风机发电功率的短期预测装置可以包括但不限于智能手机、平板电脑、笔记本电脑或台式电脑等。
其中，处理器21可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器21可以采用数字信号处理器(Digital Signal Processor，DSP)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable LogicArray，PLA)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称中央处理器(CentralProcessing Unit，CPU)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器21可以在集成有图像处理器(Graphics Processing Unit，GPU)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器21还可以包括人工智能(Artificial Intelligence，AI)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器20可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器20还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器20至少用于存储以下计算机程序201，其中，该计算机程序被处理器21加载并执行之后，能够实现前述任一实施例公开的风机发电功率的短期预测方法的相关步骤。另外，存储器20所存储的资源还可以包括操作系统202和数据203等，存储方式可以是短暂存储或者永久存储。其中，操作系统202可以包括Windows、Unix、Linux等。数据203可以包括但不限于第一目标气象数据等。
在一些实施例中，风机发电功率的短期预测装置还可包括有显示屏22、输入输出接口23、通信接口24、电源25以及通信总线26。
本领域技术人员可以理解，图3中示出的结构并不构成对风机发电功率的短期预测装置的限定，可以包括比图示更多或更少的组件。
本实施例提供的风机发电功率的短期预测装置，包括存储器和处理器，处理器在执行存储器存储的程序时，能够实现上述风机发电功率的短期预测方法，效果同上。
最后，本申请还提供一种计算机可读存储介质对应的实施例。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述方法实施例中记载的风机发电功率的短期预测方法的步骤。
可以理解的是，如果上述实施例中的方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或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中，执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例所提供的计算机可读存储介质包括上述提到的风机发电功率的短期预测方法，效果同上。
以上对本申请所提供的风机发电功率的短期预测方法、装置及介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (9)
1.一种风机发电功率的短期预测方法，其特征在于，包括：
根据历史预测气象数据和历史实际气象数据训练气象模型；其中，所述历史预测气象数据和所述历史实际气象数据按照时间对应；
根据所述历史实际气象数据和历史短期实际功率训练短期预测模型；其中，所述历史短期实际功率与所述历史实际气象数据按照所述时间对应；
调用所述气象模型以根据所述气象模型得到所述第一目标气象数据对应的第二目标气象数据；其中，所述第一目标气象数据为所预测的在目标时间的气象数据，所述目标时间在与所述历史短期实际功率对应的所述时间之后；
调用所述短期预测模型以根据所述第二目标气象数据得到所述第二目标气象数据对应的目标短期预测功率，以便进行上报。
2.根据权利要求1所述的风机发电功率的短期预测方法，其特征在于，在所述调用所述气象模型以根据所述气象模型得到所述第一目标气象数据对应的第二目标气象数据之前，还包括：
判断是否生成上报数据；
若未生成，则启动容错机制，进入所述调用所述气象模型根据第一目标气象数据得到第二目标气象数据的步骤。
3.根据权利要求1所述的风机发电功率的短期预测方法，其特征在于，所述第一目标气象数据为多组；
对应地，所述调用所述气象模型以根据所述气象模型得到所述第一目标气象数据对应的第二目标气象数据包括：
调用所述气象模型以根据所述第一目标气象数据得到与各所述第一目标气象数据对应的所述第二目标气象数据；
对全部所述第二目标气象数据取平均值，将所述平均值作为所述气象模型输出的所述第二目标气象数据。
4.根据权利要求2所述的风机发电功率的短期预测方法，其特征在于，在得到所述目标短期预测功率之后，还包括：
将所述目标短期预测功率作为所述上报数据进行上报。
5.根据权利要求1所述的风机发电功率的短期预测方法，其特征在于，在训练所述气象模型之前，还包括：
对所述历史预测气象数据和所述历史实际气象数据进行预处理。
6.根据权利要求1所述的风机发电功率的短期预测方法，其特征在于，在调用所述短期预测模型以根据所述第二目标气象数据得到所述第二目标气象数据对应的目标短期预测功率之后，还包括：
获取所述目标时间的实际气象数据；
根据所述第一目标气象数据和所述目标时间的实际气象数据校准所述气象模型；
获取所述风机在所述目标时间的实际所述发电功率；
根据所述风机在所述目标时间的实际所述发电功率和所述目标时间的实际气象数据校准所述短期预测模型。
7.一种风机发电功率的短期预测装置，其特征在于，包括：
第一训练模块，用于根据历史预测气象数据和历史实际气象数据训练气象模型；其中，所述历史预测气象数据和所述历史实际气象数据按照时间对应；
第二训练模块，用于根据所述历史实际气象数据和历史短期实际功率训练短期预测模型；其中，所述历史短期实际功率与所述历史实际气象数据按照所述时间对应；
第一调用模块，用于调用所述气象模型以根据所述气象模型得到所述第一目标气象数据对应的第二目标气象数据；其中，所述第一目标气象数据为所预测的在目标时间的气象数据，所述目标时间在与所述历史短期实际功率对应的所述时间之后；
第二调用模块，用于调用所述短期预测模型以根据所述第二目标气象数据得到所述第二目标气象数据对应的目标短期预测功率，以便进行上报。
8.一种风机发电功率的短期预测装置，其特征在于，包括存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述的风机发电功率的短期预测方法的步骤。
9.一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程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的风机发电功率的短期预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210128927.8A CN114462710A (zh) | 2022-02-11 | 2022-02-11 | 一种风机发电功率的短期预测方法、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210128927.8A CN114462710A (zh) | 2022-02-11 | 2022-02-11 | 一种风机发电功率的短期预测方法、装置及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114462710A true CN114462710A (zh) | 2022-05-10 |
Family
ID=81412799
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210128927.8A Pending CN114462710A (zh) | 2022-02-11 | 2022-02-11 | 一种风机发电功率的短期预测方法、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114462710A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
-
2022
- 2022-02-11 CN CN202210128927.8A patent/CN114462710A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
|---|---|---|
| CN112162878B (zh) | 数据库故障发现方法、装置、电子设备及存储介质 | |
| JP7194868B1 (ja) | 風に対するヨーの異常を検出するための方法および装置、並びにそれらのデバイスおよび記憶媒体 | |
| CN112855408B (zh) | 水轮发电机组预警方法以及预警装置 | |
| CN114462710A (zh) | 一种风机发电功率的短期预测方法、装置及介质 | |
| CN113852083A (zh) | 电网连锁故障自动搜索与预警方法、装置及设备 | |
| CN115390161A (zh) | 基于人工智能的降水预测方法及装置 | |
| CN111626498A (zh) | 设备运行状态预测方法、装置、设备及存储介质 | |
| CN111415683A (zh) | 语音识别异常告警方法、装置、计算机设备和存储介质 | |
| CN117227177B (zh) | 基于设备间监督的多任务打印控制方法及系统 | |
| WO2020055492A1 (en) | Using machine-learning methods to facilitate experimental evaluation of modifications to a computational environment within a distributed system | |
| CN111953569B (zh) | 状态信息上报方法、装置、设备及介质 | |
| EP4307172A1 (en) | Data interpolation method and apparatus and storage medium | |
| CN109978204B (zh) | 确定风电场的风功率的预测准确率的方法和装置 | |
| CN115360704A (zh) | 海上风电的出力预测方法、装置、设备及存储介质 | |
| CN114328078A (zh) | 一种阈值动态计算方法、装置及计算机可读存储介质 | |
| CN111866924B (zh) | 性能指标监控方法、装置、计算设备及计算机存储介质 | |
| CN114462712A (zh) | 一种风机发电功率的超短期预测方法、装置及介质 | |
| CN116663752B (zh) | 一种基于大数据分析的地质灾害智能预警系统 | |
| CN112465259B (zh) | 一种基于深度神经网络的开关故障预测方法 | |
| CN113900734B (zh) | 一种应用程序文件配置方法、装置、设备及存储介质 | |
| CN112634593B (zh) | 设备预警方法、装置、计算机设备和存储介质 | |
| CN116488341A (zh) | 电缆监测故障报警方法及系统 | |
| CN115409647A (zh) | 一种基于人工智能的能量路由器寿命预测方法和装置 | |
| CN115080353A (zh) | 一种设备运行数据处理方法、装置、介质 | |
| CN116504042A (zh) | 一种异常温度告警的生成方法、装置、设备及介质 |
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 |