CN114498619A - 一种风电功率预测方法及装置 - Google Patents

一种风电功率预测方法及装置 Download PDF

Info

Publication number
CN114498619A
CN114498619A CN202111630654.9A CN202111630654A CN114498619A CN 114498619 A CN114498619 A CN 114498619A CN 202111630654 A CN202111630654 A CN 202111630654A CN 114498619 A CN114498619 A CN 114498619A
Authority
CN
China
Prior art keywords
wind power
sequence
data
singular
singular spectrum
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
CN202111630654.9A
Other languages
English (en)
Inventor
赵阳
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.)
Tianyi Cloud Technology Co Ltd
Original Assignee
Tianyi Cloud Technology 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 Tianyi Cloud Technology Co Ltd filed Critical Tianyi Cloud Technology Co Ltd
Priority to CN202111630654.9A priority Critical patent/CN114498619A/zh
Publication of CN114498619A publication Critical patent/CN114498619A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously

Abstract

本申请提供一种风电功率预测方法及装置，该方法包括：获取至少一台风力设备的历史运行数据，对至少一台风力设备的历史运行数据进行预处理，得到风电功率数据补充序列；基于奇异谱分析方法，利用风电功率数据补充序列对风电功率预测模型进行训练；将风力设备的当前运行数据输入所述风电功率预测模型，对风力设备的风电功率进行预测。利用本申请提供的方法，将复杂多模态、强随机性、强不确定性的风电功率序列进行奇异谱分解，能解决现有技术中，单个模型精度提升有限、难以学习序列短期特征以及预测滞后性等问题，奇异谱按照一定的规则将噪声进行滤除、并将不同特征的序列进行分组，从而提高了整体的预测精度。

Description

一种风电功率预测方法及装置
技术领域
本申请涉及风电发电过程中的短期功率预测领域，特别涉及一种风电功率预测方法及装置。
背景技术
在能源领域，随着化石能源的日益枯竭，人类急切需要一种取之不尽，用之不竭的能源进行替代，风能就是其中的一种。对一个地区的风电功率预测，能探测该地区的风能储量，从而作为该地区的风电设施建设的重要参考。在电力调度领域，风力发电具有剧烈的短期振荡特性，良好的风力发电预测能够精准地预测风电功率，从而规避因风力发电短期振荡特性所带来的电网功率不平衡运行的风险，从而提高电网运行的平稳性。风电功率预测是电力调度、新能源行业热点方向，在诸多领域都起着重要的作用。
深度学习技术在近几年取得飞速的发展，尤其是在风电预测领域，通过大量的数据进行训练模型，从而能够取提取风电功率序列的特征模态，并在各个特征模态上进行精准的预测。但是现有的成果主要是针对风电功率中的趋势项和主要特征进行特征提取，例如：长记忆网络模型(Long short-term memory，LSTM)、自回归滑动平均模型(Autoregressive moving average model，ARMA)等等。但在实际情况下，需要对更加极端振荡做出精确的预测。目前的预测方法难以应对短期、极端振荡的发电特性。
有鉴于此，需要提出一种风电功率预测方法，从而应对风力发电的短期振荡特性所带来的预测滞后性问题。
发明内容
本申请提供一种风电功率预测方法及装置，用于应对风力发电的短期振荡特性所带来的预测滞后性问题。
第一方面，本申请提供一种风电功率预测方法，该方法包括：获取至少一台风力设备的历史运行数据，对至少一台风力设备的历史运行数据进行预处理，得到风电功率数据补充序列；基于奇异谱分析方法，利用风电功率数据补充序列对风电功率预测模型进行训练；将风力设备的当前运行数据输入风电功率预测模型，对风力设备的风电功率进行预测。
利用本发明提供的方法，可以在时间卷积网络和奇异谱分析的基础上，提出一种基于短期特征的风电功率预测方法。该方法可以解决现有技术中，单个模型精度提升有限、难以学习序列短期特征、预测滞后性等问题。该方法将复杂多模态、强随机性、强不确定性的风电功率序列进行奇异谱分解，可以根据奇异谱按照一定的规则将噪声进行滤除、并将不同特征的序列进行分组，每一个分组内部模态相近，从而提高了整体模型的预测精度；并且基于卷积网络架构的时间卷积网络，能够充分学习序列短期特征，从而能让预测值表达更多细节。此外，引入卷积网络后，输入序列的各个元素都经过同样的卷积操作获得最终结果，其结果的预测滞后性得到了明显的改善。
作为一种可能的实施方式，对至少一台风力设备的历史运行数据进行预处理，得到风电功率数据补充序列，包括：对至少一台风力设备的历史运行数据进行预处理，得到风电功率数据历史序列；将风电功率数据历史序列中的每个小于零的序列数据调整为设定数值，并将风电功率数据历史序列中的缺失序列数据以及离群异常序列数据采用平均数值替换，得到风电功率数据补充序列；平均数值为风电功率数据历史序列中各个序列数据的平均值。
作为一种可能的实施方式，基于奇异谱分析方法，利用风电功率数据补充序列对风电功率预测模型进行训练，包括：
基于奇异谱分析方法，对风电功率数据补充序列进行去噪处理得到重构风电功率数据序列；
将重构风电功率数据序列进行分解，得到多个分组序列，对分组序列进行窗口化处理，得到多个窗口序列；
以设定比例将多个窗口序列划分为测试序列集和训练序列集；
利用测试序列集和训练序列集对待训练模型进行训练，得到风电功率预测模型，待训练模型为以训练序列集中的窗口序列进行训练，并以测试序列集中的窗口序列进行测试得到，待训练模型包括：至少一层时间卷积网络以及扩张因果卷积网络。
作为一种可能的实施方式，基于奇异谱分析方法，对风电功率数据补充序列进行去噪处理得到重构风电功率数据序列，包括：从风电功率数据补充序列中提取长度为L的滑动窗口向量，按照以下公式，作为列向量嵌入到轨迹矩阵X之中：
Figure BDA0003440925630000031
对轨迹矩阵X进行奇异值分解，得到第一奇异谱；将第一奇异谱中小于设定值的奇异谱值放大设定倍数，得到第二奇异谱；对第二奇异谱复原得到成分矩阵，根据成分矩阵确定重构风电功率数据序列。
作为一种可能的实施方式，对轨迹矩阵X进行奇异值分解，得到第一奇异谱，包括：
对轨迹矩阵X进行奇异值分解，得到多个奇异谱值；
确定多个奇异谱值中的每个奇异谱值的贡献率，贡献率为奇异谱值与多个奇异谱值之和的比值；
以奇异谱值的序号为横坐标，以奇异谱值对应贡献率为纵坐标构成奇异谱。
作为一种可能的实施方式，根据成分矩阵确定重构风电功率数据序列，包括：
将成分矩阵按如下公式进行副对角线取平均操作，得到重构风电功率数据序列中的每个数据X′(j)：
Figure BDA0003440925630000041
其中，b是成分矩阵Xi′中的元素，X′(j)则是分量矩阵Xi′序列化以后，第j个的值。
作为一种可能的实施方式，多个分组序列，包括：
趋势序列、低频细节分量序列、中频细节分量序列以及高频细节分量序列。
第二方面，本申请提供一种风电功率预测装置，包括：
历史数据获取单元，用于获取至少一台风力设备的历史运行数据，对至少一台风力设备的历史运行数据进行预处理，得到风电功率数据补充序列；奇异谱模型训练单元，用于基于奇异谱分析方法，利用风电功率数据补充序列对风电功率预测模型进行训练；预测单元，用于将风力设备的当前运行数据输入风电功率预测模型，对风力设备的风电功率进行预测。
第三方面，本申请提供一种电子设备，该电子设备包括：存储器，用于存储程序指令；处理器，用于调用存储器中存储的程序指令，按照获得的程序执行如第一方面的风电功率预测方法。
第四方面，本申请提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序或指令，当计算机程序或指令被风电功率预测装置执行时，使得风电功率预测装置执行第一方面的风电功率预测方法。
本申请的这些方面或其它方面在以下实施例的描述中会更加简明易懂。
附图说明
图1为一种风电功率预测方法的流程示意图；
图2为本申请中的奇异谱的示意图；
图3为一种时间卷积的因果卷积模块的结构示意图；
图4为一种扩张因果卷积网络的结构示意图；
图5为一种具有多通道时间卷积核的结构示意图；
图6为一种风电功率预测装置的结构示意图；
图7为一种电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，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它实施例，都属于本发明保护的范围。
风电功率的精准预测对电网稳定经济运行具有重要意义，做好风电功率预测的工作能够降低运行成本，优化电网调度，便于安排机组维护和检修，进而实现调度的经济合理性。
目前进行风电功率预测的方法主要有传统的统计学方法以及基于机器学习的预测方法。其中，统计学方法主要有多元线性回归(Multiple Linear Regression，MLR)、时间序列分析法(Time series analysis)以及卡尔曼滤波法(Kalman Gain，KG)等，这类方法原理与建模简单，但当录入的数据样本容量较大时，进行风电功率预测效果不明显。而另一类方法则基于机器学习的算法，例如灰色系统、人工神经网络、支持向量机(support vectormachines，SVM)以及高斯过程(Gaussian Process，GP)等。其中，反向传播(backpropagation，BP)神经网络和支持向量机(Support Vector Machine，SVM)的应用最为广泛。但上述方法缺少对风电功率序列相关性的考虑，并且当训练样本较多时，会存在无法有效收敛的问题。
近年来，以长记忆网络模型为代表的深度学习算法在短期风电功率预测领域取得了较好的应用，长记忆网络模型可以充分挖掘时序数据之间的内在关联，但当特征为非连续数据时，预测精度不高。因此，使用卷积神经网络(Convolutional Neural Networks，CNN)可以自动提取特征，提高预测精度。
自回归滑动平均模型作为一种成熟的机器学习方法也被广泛应用于风电功率超短期预测。自回归滑动平均模型由自回归模型(Autoregressive model，AR)和滑动平均模型(Moving Average，MA)组成，采用对历史功率进行自回归运算及来预测未来多小时内的风电出力。自回归滑动平均模型方法有很多优点，因此广泛用于风电功率超短期预测，但自回归滑动平均模型最大的缺点就是其预测的滞后性——即当风电出力发生改变时，自回归滑动平均模型预测的结果的变化速度普遍慢于实际风电出力变化速度，因此，严重影响自回归滑动平均模型的预测精度。
有鉴于此，本申请提供一种风电功率预测方法及装置，提出风电功率短期预测方法，从而解决现有风电功率预测中存在的预测精度不高的技术问题。
如图1所示，为本申请实施例提供的一种风电功率预测方法，该方法可以包括以下步骤：
步骤S101，获取所述至少一台风力设备的历史运行数据，对所述至少一台风力设备的历史运行数据进行预处理，得到风电功率数据补充序列。
需要说明的是，本申请所述的风电功率预测，可以用风电功率序列的预测生成来表示，风电功率序列的预测生成是指利用长度有限的实测风电功率序列来生成大量在统计特征上与原始实测序列吻合程度较高的功率序列，从而实现风电功率的预测。
其中，随着风电设备的数量规模越来越多，风电出力的随机特性在系统分析方面已经不能忽略。风电功率序列的预测生成既能够准确反映原始场景特性，又能具有对未来的可预见性的较少风功率序列场景，对含大规模风电电力系统的运行与规划具有重要的参考意义。风电功率序列的生成方法主要有蒙特卡洛法、聚类法、场景法优化生成/削减技术以及“双向优化”场景生成技术等等。
在上述实施例中，分布式的风电系统中位于不同地理位置的至少一台风力发电设备，可以将自身的历史运行数据进行上传，或者有服务器集中获取位于不同风电厂的历史运行数据。所述历史运行数据可以但不限于包括：风力发电设备的历史测量数据、风电场风电实际出力的历史出力序列等等。所述历史出力序列可以为过去多年内风电实际出力序列。此外，所述历史运行数据中还可以包括气象历史数据，所述气象历史数据可以为风力发电设备周围气象参数，如：风速，辐照度，气温，相对湿度，气压，降水等参数。
在一种可能的实施方式中，对所述至少一台风力设备的历史运行数据进行预处理，得到风电功率数据补充序列，包括：对所述至少一台风力设备的历史运行数据进行预处理，得到风电功率数据历史序列；将所述风电功率数据历史序列中的每个小于零的序列数据调整为设定数值，并将所述风电功率数据历史序列中的缺失序列数据以及离群异常序列数据采用平均数值替换，得到风电功率数据补充序列；所述平均数值为风电功率数据历史序列中各个序列数据的平均值。
具体的，在获取风力发电厂的历史运行数据的过程中，因传输网络或统计误差等问题，会导致生成的风电功率序列存在缺失序列数据或异常序列数据的情况，需要对所述至少一台风力设备的历史运行数据进行预处理，得到风电功率数据补充序列。
方式一：在风电功率序列中存在小于零的序列数据(异常序列数据)时，将小于零的序列数据调整为设定数值。例如，可以将小于零的序列数据调整为0。
方式二：在风电功率序列中存在缺失序列数据以及离群异常序列数据时，采用平均数值替换，所述平均数值为风电功率数据历史序列中各个序列数据的平均值，所述离群异常序列数据，又称为逸出序列数据，是指在数据中有一个或几个数值与其他数值相比差异较大。此外，在风电功率序列中存在缺失序列数据以及离群异常序列数据时，还可以采用众数数据或者中位数据来替换，这里不做具体限定。
步骤S102，基于奇异谱分析方法，利用所述风电功率数据补充序列对风电功率预测模型进行训练。
其中，奇异谱分析方法是近年来兴起的一种研究非线性时间序列数据的强大的方法。它根据所观测到的时间序列构造出轨迹矩阵，并对轨迹矩阵进行分解、重构，从而提取出代表原时间序列不同成分的信号，如长期趋势信号、周期信号、噪声信号等，从而对时间序列的结构进行分析，并可进一步预测。
作为一种可能的实施方式，所述基于奇异谱分析方法，利用所述风电功率数据补充序列对风电功率预测模型进行训练，包括：
基于奇异谱分析方法，对所述风电功率数据补充序列进行去噪处理得到重构风电功率数据序列；
将所述重构风电功率数据序列进行分解，得到多个分组序列，对所述分组序列进行窗口化处理，得到多个窗口序列；
以设定比例将所述多个窗口序列划分为测试序列集和训练序列集。
利用所述测试序列集和所述训练序列集对待训练模型进行训练，得到所述风电功率预测模型，所述待训练模型为以所述训练序列集中的窗口序列进行训练，并以所述测试序列集中的窗口序列进行测试得到，所述待训练模型包括：至少一层时间卷积网络以及扩张因果卷积网络。
其中，对各类序列进行去噪处理可以包括多种方式，本申请采用奇异谱分析并重构风电功率数据序列。
作为一种可能的实施方式，所述基于奇异谱分析方法，对所述风电功率数据补充序列进行去噪处理得到重构风电功率数据序列，包括：
从所述风电功率数据补充序列中提取长度为L的滑动窗口向量，按照以下公式，作为列向量嵌入到轨迹矩阵X之中：
对所述轨迹矩阵X进行奇异值分解，得到第一奇异谱；
将所述第一奇异谱中小于设定值的奇异谱值放大设定倍数，得到第二奇异谱；
对所述第二奇异谱复原得到成分矩阵，根据所述成分矩阵确定重构风电功率数据序列。
具体的，可以从所述风电功率数据补充序列中提取长度为L的滑动窗口向量。提取的方式遵循以下公式：
Figure BDA0003440925630000091
其中，N为风电功率数据补充序列[X1,X2,X3,…,Xi+L-1]中序列数据的数量，将风电功率数据补充序列带入上述公式(1)中，得到轨迹矩阵X：
Figure BDA0003440925630000092
作为一种可能的实施方式，对所述轨迹矩阵X进行奇异值分解，得到第一奇异谱，包括：
对所述轨迹矩阵X进行奇异值分解，得到多个奇异谱值；
确定所述多个奇异谱值中的每个奇异谱值的贡献率，所述贡献率为奇异谱值与所述多个奇异谱值之和的比值；
以所述奇异谱值的序号为横坐标，以所述奇异谱值对应贡献率为纵坐标构成所述奇异谱。
具体的，对所述轨迹矩阵X进行奇异值分解，得到多个奇异谱值，包括：将风电功率序列得到的轨迹矩阵，按照以下公式(2)进行奇异值分解，得到三元组
Figure BDA0003440925630000093
Figure BDA0003440925630000094
上述三元组是所述的轨迹矩阵X进行奇异值分解后的第i个特征三元组(即为多个奇异谱值)。
确定所述多个奇异谱值中的每个奇异谱值的贡献率，所述贡献率为奇异谱值与所述多个奇异谱值之和的比值，该步骤为：
将每一个分量的奇异值按照公式(3)进行计算，获得该分量的贡献率，其中，将该分量的贡献率作为纵坐标，将该分量序号i为横坐标，构建的奇异谱。
Figure BDA0003440925630000101
作为一种可能的实施方式，在得到第一奇异谱后，将所述第一奇异谱中小于设定值的奇异谱值放大设定倍数，得到第二奇异谱；
具体的，参阅图2所示的奇异谱，是将第一奇异谱的纵坐标重新进行调整的第二奇异谱(图2的调整方式为将尾部放大)。本申请对奇异谱的调整方式不做限定。
而在得到第二奇异谱后，可以按照公式(4)所示，将所述第二奇异谱复原得到成分矩阵，换言之，将轨迹矩阵X复原为成分矩阵Xi′。
Figure BDA0003440925630000102
而在复原得到成分矩阵后，根据所述成分矩阵确定重构风电功率数据序列。
作为一种可能的实施方式，可以将所述成分矩阵按如下公式(5)进行副对角线取平均操作，得到重构风电功率数据序列中的每个数据X′(j)，将重构风电功率数据序列中的每个数据进行重组，得到重构风电功率数据序列。
Figure BDA0003440925630000103
其中，b是成分矩阵Xi′中的元素，X′(j)则是分量矩阵Xi′序列化以后，第j个的值。
最终得到重构风电功率数据序列X(t)：X(t)＝X1′(t)+X2′(t)+…+Xr′(t)。
在得到重构风电功率数据序列后，将所述重构风电功率数据序列进行分解，得到多个分组序列，对所述分组序列进行窗口化处理，得到多个窗口序列；
以设定比例将所述多个窗口序列划分为测试序列集和训练序列集；
利用所述测试序列集和所述训练序列集对待训练模型进行训练，得到所述风电功率预测模型，所述待训练模型为以所述训练序列集中的窗口序列进行训练，并以所述测试序列集中的窗口序列进行测试得到，所述待训练模型包括：至少一层时间卷积网络以及扩张因果卷积网络。
具体的，可以将所述重构风电功率数据序列分解为多种类型的多组序列，所述多组序列中可以包括以下类型的序列：趋势序列、低频细节分量序列、中频细节分量序列以及高频细节分量序列。
在模型训练阶段，使用所述多个窗口序列对待训练模型进行训练。其中，待训练模型中可以包括时间卷积网络的因果卷积网络。参阅图3所示，为时间卷积的因果卷积模块的结构示意图，其中，因果卷积网络可以采用一维全卷积神经网络，且一维全卷积神经网络中各个层的输入序列(窗口序列)，可以采用步长为1、权值间隔步长为1且卷积核权值数目为2的卷积核。因果卷积网络的输出层的输出在输入层上覆盖的范围是有限的，且与因果卷积核的深度成正比。此外，前后两个邻近的卷积层之间对应位置的采样单元在时序上相差一个采样点或一个采样周期。由于因果卷积网络的卷积核设计，使得因果卷积网络中某个隐层单元的输入不存在下一时刻的值，即仅包含上一个隐层对应位置单元输出或者该位置之前单元的输出。因此，因果卷积网络同循环神经网络一样可以建立时序性，即卷积层的某个单元不会输入前一层在未来时刻的输出。
但与时序卷积网络不同的是，循环神经网络架构的最终输出能够获得所有的输入历史信息，但是这些输入历史信息所经过的循环神经网络的个数是不同的。历史输入值包含的信息每经过一次循环神经网络，就会衰减一次。不同时刻的输入值衰减的程度不同，它们是不均衡的。这种现象导致循环神经网络架构的输出呈现预测滞后性，即与近期信息呈现高度相关。使用卷积架构的网络还可以充分提取序列的短期特征，适用于短期内变化明显的电功率序列。此外，时序卷积网络是基于循环神经网络架构的网络，其短期特征提取能力将强且能够并行运算。
参阅图4所示，图4为本申请实施例提供的扩张因果卷积网络的结构示意图，该扩张因果卷积网络是在因果卷积网络的基础上，随着网络深度的加深，使每一层的步幅逐渐增大。通过将每层的步幅增大，从而导致最终输出能够覆盖的历史信息变多。
扩张因果卷积的计算公式(6)如下：
Figure BDA0003440925630000121
其中，dj是第j层卷积核的卷积核滑动步幅；wi是卷积核的第i个参数，卷积核一共k个参数；x(s-dj·i)是第j层卷积层的第i个输入；F(s)是j层卷积层的第s个输出。
每一层的扩张因果卷积网络的步幅需要保持不大于ki的条件，其中k是卷积核的尺寸，i是当卷积层层数。只有这样，在前一层的相邻两次卷积的“视野”就不会存在遗漏，最终的输出才不会遗漏最大视野范围内任何的信息。
使用扩张因果卷积网络可以显著降低卷积网络的层数，缓解了梯度下降和梯度爆炸的问题，并且有效的降低了计算量以及模型参数，从而使得模型降低过拟合风险。
图5展示了具有多通道时间卷积核的时序卷积网络的结构示意图，每一个通道是由图5所示残差模块进行串行而获得。输入层为时序卷积网络所要预测的序列的一个时间窗口。隐藏层则由如图4所示的扩张因果卷积网络组成。其中，每一个隐藏层的残差都由两层扩张因果卷积网络组成，然后由一个恒等卷积来获得较稳定的下降梯度。每一个时间卷积核通道可以提取输入窗口序列在该窗口下的某个振动模态，并输出该模态的下一时刻预测值。所有通道的时间卷积核的输出结果序列会经过一个简单的DenseLayer(致密)层自适应加权求和，最终得到输出层的结果。
其中，模态是结构的固有振动特性，每一个模态具有特定的固有频率、阻尼比和模态振型。这些模态参数可以由计算或试验分析取得，这样一个计算或试验分析过程称为(振动)模态分析。
在构建完毕网络模型结构后，可以将多组窗口序列按照设定的比例划分为测试序列集和训练序列集。
并将分组序列的各自的测试序列集和训练序列集放入各自机器的模型上，进行模型训练，最终将各分组模型的单步预测结果相加，得到最终的风电功率预测模型。
可选的，若存在多步预测，则将预测的单步结果，作为风电功率预测模型的最后一个历史值，从而实现循环预测，得到分组序列的多步预测结果，最后将这些结果相加即可得到多步预测结果。
表1
Figure BDA0003440925630000131
如表1所示，本申请训练的模型相比于现有技术在性能上具有大幅的提升。如表1所示，本申请训练的模型的均方根误差(Root Mean Squared Error，RMSE)最小，决定系数(R2)最高，说明本申请训练的模型能较好地拟合真实曲线，具有最小的预测误差振荡，预测精度最高。
步骤S103，将风力设备的当前运行数据输入所述风电功率预测模型，对所述风力设备的风电功率进行预测。
本发明方法在时间卷积网络和奇异谱分析的基础上，提出一种基于短期特征的风电功率预测方法。该方法可以解决现有技术中，单个模型精度提升有限、难以学习序列短期特征、预测滞后性等问题。该方法将复杂多模态、强随机性、强不确定性的风电功率序列进行奇异谱分解，可以根据奇异谱按照一定的规则将噪声进行滤除、并将不同特征的序列进行分组，每一个分组内部模态相近，从而提高了整体模型的预测精度；并且基于卷积网络架构的时间卷积网络，能够充分学习序列短期特征，从而能让预测值表达更多细节。此外，引入卷积网络后，输入序列的各个元素都经过同样的卷积操作获得最终结果，其结果的预测滞后性得到了明显的改善。
参与图6所示，基于相同的技术构思，本申请实施例还提供了一种风电功率预测装置600，包括：
历史数据获取单元601，用于获取所述至少一台风力设备的历史运行数据，对所述至少一台风力设备的历史运行数据进行预处理，得到风电功率数据补充序列。
奇异谱模型训练单元602，用于基于奇异谱分析方法，利用所述风电功率数据补充序列对风电功率预测模型进行训练。
预测单元603，用于将风力设备的当前运行数据输入所述风电功率预测模型，对所述风力设备的风电功率进行预测。
基于相同的技术构思，本申请实施例还提供了一种电子设备700，如图7所示，该电子设备700包括至少一个处理器701和通信接口702，以及与至少一个处理器连接的存储器703，本申请实施例中不限定处理器701与存储器703之间的具体连接介质，图7中处理器701和存储器703之间通过总线连接为例。总线可以分为地址总线、数据总线、控制总线等。
在本申请实施例中，存储器703存储有可被至少一个处理器701执行的指令，至少一个处理器701通过执行存储器703存储的指令，可以执行前述的基于风电功率预测方法中所包括的步骤。
其中，处理器701是电子设备700的控制中心，可以利用各种接口和线路连接电子设备的各个部分，通过运行或执行存储在存储器703内的指令以及调用存储在存储器703内的数据，从而实现数据处理。可选的，处理器701可包括一个或多个处理单元，处理器701可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理下发指令。可以理解的是，上述调制解调处理器也可以不集成到处理器701中。在一些实施例中，处理器701和存储器703可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。
处理器701可以是通用处理器，例如中央处理器(CPU)、数字信号处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列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，可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合基于风电功率预测方法实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器703作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器703可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory，RAM)、静态随机访问存储器(Static Random Access Memory，SRAM)、可编程只读存储器(Programmable Read Only Memory，PROM)、只读存储器(Read Only Memory，ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性存储器、磁盘、光盘等等。存储器703是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器703还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。
基于同样的发明构思，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序或指令，当所述计算机程序或指令被风电功率预测装置执行时，使得所述风电功率预测装置执行如上述实施例所述的任一项方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种风电功率预测方法，其特征在于，所述方法包括：
获取所述至少一台风力设备的历史运行数据，对所述至少一台风力设备的历史运行数据进行预处理，得到风电功率数据补充序列；
基于奇异谱分析方法，利用所述风电功率数据补充序列对风电功率预测模型进行训练；
将风力设备的当前运行数据输入所述风电功率预测模型，对所述风力设备的风电功率进行预测。
2.根据权利要求1所述的方法，其特征在于，对所述至少一台风力设备的历史运行数据进行预处理，得到风电功率数据补充序列，包括：
对所述至少一台风力设备的历史运行数据进行预处理，得到风电功率数据历史序列；
将所述风电功率数据历史序列中的每个小于零的序列数据调整为设定数值，并将所述风电功率数据历史序列中的缺失序列数据以及离群异常序列数据采用平均数值替换，得到风电功率数据补充序列；所述平均数值为风电功率数据历史序列中各个序列数据的平均值。
3.根据权利要求1所述的方法，其特征在于，所述基于奇异谱分析方法，利用所述风电功率数据补充序列对风电功率预测模型进行训练，包括：
基于奇异谱分析方法，对所述风电功率数据补充序列进行去噪处理得到重构风电功率数据序列；
将所述重构风电功率数据序列进行分解，得到多个分组序列，对所述分组序列进行窗口化处理，得到多个窗口序列；
以设定比例将所述多个窗口序列划分为测试序列集和训练序列集；
利用所述测试序列集和所述训练序列集对待训练模型进行训练，得到所述风电功率预测模型，所述待训练模型为以所述训练序列集中的窗口序列进行训练，并以所述测试序列集中的窗口序列进行测试得到，所述待训练模型包括：至少一层时间卷积网络以及扩张因果卷积网络。
4.根据权利要求3所述的方法，其特征在于，所述基于奇异谱分析方法，对所述风电功率数据补充序列进行去噪处理得到重构风电功率数据序列，包括：
从所述风电功率数据补充序列中提取长度为L的滑动窗口向量，按照以下公式，作为列向量嵌入到轨迹矩阵X之中：
Figure FDA0003440925620000021
对所述轨迹矩阵X进行奇异值分解，得到第一奇异谱；
将所述第一奇异谱中小于设定值的奇异谱值放大设定倍数，得到第二奇异谱；
对所述第二奇异谱复原得到成分矩阵，根据所述成分矩阵确定重构风电功率数据序列。
5.根据权利要求4所述的方法，其特征在于，对所述轨迹矩阵X进行奇异值分解，得到第一奇异谱，包括：
对所述轨迹矩阵X进行奇异值分解，得到多个奇异谱值；
确定所述多个奇异谱值中的每个奇异谱值的贡献率，所述贡献率为奇异谱值与所述多个奇异谱值之和的比值；
以所述奇异谱值的序号为横坐标，以所述奇异谱值对应贡献率为纵坐标构成所述奇异谱。
6.根据权利要求4所述的方法，其特征在于，所述根据所述成分矩阵确定重构风电功率数据序列，包括：
将所述成分矩阵按如下公式进行副对角线取平均操作，得到重构风电功率数据序列中的每个数据X′(j)：
Figure FDA0003440925620000031
其中，b是成分矩阵Xi′中的元素，X′(j)则是分量矩阵Xi′序列化以后，第j个的值。
7.根据权利要求3所述的方法，其特征在于，所述多个分组序列，包括：
趋势序列、低频细节分量序列、中频细节分量序列以及高频细节分量序列。
8.一种风电功率预测装置，其特征在于，包括：
历史数据获取单元，用于获取所述至少一台风力设备的历史运行数据，对所述至少一台风力设备的历史运行数据进行预处理，得到风电功率数据补充序列；
奇异谱模型训练单元，用于基于奇异谱分析方法，利用所述风电功率数据补充序列对风电功率预测模型进行训练；
预测单元，用于将风力设备的当前运行数据输入所述风电功率预测模型，对所述风力设备的风电功率进行预测。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的所述程序指令，按照获得的程序执行如权利要求1-7任一项所述的风电功率预测方法。
10.一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中存储有计算机程序或指令，当所述计算机程序或指令被风电功率预测装置执行时，使得所述风电功率预测装置执行如权利要求1至7中任一项所述的方法。
CN202111630654.9A 2021-12-28 2021-12-28 一种风电功率预测方法及装置 Pending CN114498619A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111630654.9A CN114498619A (zh) 2021-12-28 2021-12-28 一种风电功率预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111630654.9A CN114498619A (zh) 2021-12-28 2021-12-28 一种风电功率预测方法及装置

Publications (1)

Publication Number Publication Date
CN114498619A true CN114498619A (zh) 2022-05-13

Family

ID=81495719

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111630654.9A Pending CN114498619A (zh) 2021-12-28 2021-12-28 一种风电功率预测方法及装置

Country Status (1)

Country Link
CN (1) CN114498619A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115345367A (zh) * 2022-08-16 2022-11-15 哈尔滨工业大学 一种基于实时去噪的大跨度桥梁风速预测方法
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
CN116306287A (zh) * 2022-06-30 2023-06-23 华北电力大学 风机预测数据确定方法、系统、应用及可读存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116306287A (zh) * 2022-06-30 2023-06-23 华北电力大学 风机预测数据确定方法、系统、应用及可读存储介质
CN116306287B (zh) * 2022-06-30 2024-02-09 华北电力大学 风机预测数据确定方法、系统、应用及可读存储介质
CN115345367A (zh) * 2022-08-16 2022-11-15 哈尔滨工业大学 一种基于实时去噪的大跨度桥梁风速预测方法
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

Similar Documents

Publication Publication Date Title
Alencar et al. Hybrid approach combining SARIMA and neural networks for multi-step ahead wind speed forecasting in Brazil
CN114498619A (zh) 一种风电功率预测方法及装置
Shamshad et al. First and second order Markov chain models for synthetic generation of wind speed time series
CN111080032A (zh) 一种基于Transformer结构的负荷预测方法
Liu et al. Heating load forecasting for combined heat and power plants via strand-based LSTM
CN113159102B (zh) 一种多时间尺度的光伏功率预测方法及系统
CN111242351A (zh) 基于自编码器和gru神经网络的热带气旋轨迹预测方法
CN115859816A (zh) 一种基于cnn-lstm算法的风功率分钟级预测方法及系统
Li et al. Deep spatio-temporal wind power forecasting
CN116595394A (zh) 风速修正模型的训练方法及风速预测方法、设备和介质
CN114330934A (zh) 一种模型参数自适应的gru新能源短期发电功率预测方法
Li et al. GMM-HMM-based medium-and long-term multi-wind farm correlated power output time series generation method
CN115034485A (zh) 一种基于数据空间的风电功率区间预测方法及装置
CN113984198B (zh) 一种基于卷积神经网络的短波辐射预测方法及系统
CN115689055A (zh) 一种短期太阳辐照度预测方法及装置
CN113642255A (zh) 基于多尺度卷积循环神经网络的光伏发电功率预测方法
CN116739172B (zh) 一种基于爬坡识别的海上风电功率超短期预测方法及装置
CN116628442B (zh) 一种基于人工神经网络的地下水储量变化空间降尺度方法
CN116760006A (zh) 一种风电功率预测方法、装置、设备及存储介质
CN115758876A (zh) 一种风速和风向预报准确率方法、系统及计算机设备
WO2022222230A1 (zh) 基于机器学习的指标预测方法、装置、设备及存储介质
Zhu et al. Prediction of air quality index based on wavelet transform combination model
CN114282336A (zh) 一种新能源电站出力场景生成方法及系统
CN115392101A (zh) 一种综合能源随机场景生成方法及系统
CN116707331B (zh) 基于模型预测的逆变器输出电压高精度调节方法及系统

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