CN114519470A - 一种风电中长期发电量预测方法及装置 - Google Patents
一种风电中长期发电量预测方法及装置 Download PDFInfo
- Publication number
- CN114519470A CN114519470A CN202210190573.XA CN202210190573A CN114519470A CN 114519470 A CN114519470 A CN 114519470A CN 202210190573 A CN202210190573 A CN 202210190573A CN 114519470 A CN114519470 A CN 114519470A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- speed data
- historical
- day
- data
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 164
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000007774 longterm Effects 0.000 claims abstract description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 2
- 230000001932 seasonal effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000700 time series analysis Methods 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Wind Motors (AREA)
Abstract
本发明提供一种风电中长期发电量预测方法及装置。该方法包括：确定待预测风电站单日的历史风速数据；将单日的历史风速数据输入到预测模型，获得未来时间段内第一日的预测风速数据；基于预测模型和第一日的预测风速数据进行迭代预测处理，得到次月预测风速数据；次月预测风速数据为次月的每日风速数据；预测模型是基于单日样本风速数据及单日样本风速数据对应的单日目标风速数据进行训练得到的；将次月预测风速数据、历史发电量数据及其对应的历史风速数据输入到时间序列模型中，得到相应的次月发电量预测结果。本发明提供的方法，能够有效提高风电中长期发电量预测精度和效率，以及提升了发电量预测结果的稳定性。
Description
技术领域
本发明涉及风力发电技术领域，具体涉及一种风电中长期发电量预测方法及装置。另外，还涉及一种电子设备及处理器可读存储介质。
背景技术
近年来，随着风力发电技术快速发展，风电并网迅速增加。目前对风电发电量的预测一般分为短期预测和中长期预测等。中长期预测通常是指一个月及以上的时间段预测，其是进行发电指标分配及定价的重要依据。然而由于风速的波动性，风电场并网会给电力系统带来诸多的影响，电力系统对中长期风力发电量预测准确率提出了新的需求。为了减轻风电场并网后对电力系统的影响，需要对风电发电量进行有效的风电中长期发电量预测。但是，当前风电中长期发电量预测方案局限性较高，对历史数据长度有较高要求，通常需要历史3年以上的数据，由于许多电站建站时间较短或者历史数据丢失，导致当前主流方法预测精度不足或无法预测。因此，如何设计一种能稳定、精确的风电中长期发电量预测方案成为本领域亟待解决的技术问题。
发明内容
为此，本发明提供一种风电中长期发电量预测方法及装置，以解决现有技术中存在的风电中长期发电量预测方案局限性较高，从而导致预测的精度和效率较差的缺陷。
第一方面，本发明提供一种风电中长期发电量预测方法，包括：
确定待预测风电站单日的历史风速数据；
将所述单日的历史风速数据输入到预测模型，获得所述预测模型输出的未来时间段内第一日的预测风速数据；基于所述预测模型和所述第一日的预测风速数据进行迭代预测处理，得到相应的次月预测风速数据；所述次月预测风速数据为次月的每日风速数据；其中，所述预测模型是基于单日样本风速数据以及所述单日样本风速数据对应的单日目标风速数据进行训练得到的回归模型；
将所述次月预测风速数据、所述历史发电量数据及其对应的历史风速数据输入到时间序列模型中，以基于预设的时间周期对历史发电量数据进行周期性分解，得到相应的次月发电量预测结果。
进一步的，所述的风电中长期发电量预测方法，还包括：
获取风电站在第一时间段内的历史风速数据；其中，所述第一时间段内的历史风速数据包含单日样本风速数据；
获得风电站在第二时间段内的历史风速数据；其中，所述第二时间段内的历史风速数据包含单日目标风速数据；
将所述第一时间段内的历史风速数据作为训练样本集合，并将所述第二时间段内的历史风速数据作为训练目标，对预设回归模型进行训练，得到相应的所述预测模型；其中，所述第二时间段在所述第一时间段之后；所述第一时间段内的历史风速数据和所述第二时间段内的历史风速数据是以单日为时间单位的风速数据。
进一步的，所述的风电中长期发电量预测方法，还包括：
获取风电站在第一时间段内的历史发电量数据，并获取风电站在第二时间段内的历史发电量数据；所述第二时间段在第一时间段之后；
将所述第一时间段内的历史发电量数据作为训练样本集合，并将所述第二时间段内的历史发电量数据作为训练目标，对预设初始时间序列模型进行训练，得到相应的所述时间序列模型，以使得所述时间序列模型中每个时间周期对应一个发电量波动系数；其中，所述第一时间段内的历史发电量数据和所述第二时间段内的历史发电量数据是以月份为时间单位的发电量数据。
进一步的，基于所述预测模型和所述第一日的预测风速数据进行迭代预测处理，得到相应的次月预测风速数据，具体包括：
将所述第一日的预测风速数据输入到所述预测模型中，得到所述预测模型输出的第二日的预测风速数据；
将所述第二日的预测风速数据输入到所述预测模型中，得到所述预测模型输出的第三日的预测风速数据，直到预测出当前月份包含的每日的风速数据，并将所述每日的风速数据计算平均值，得到相应的次月预测风速数据。
进一步的，所述的风电中长期发电量预测方法，还包括：
获取原始的历史实发数据；所述原始的历史实发数据包含风电设备在预设时间范围内的限电检修记录、实发功率以及相应的历史风速；
对所述原始的历史实发数据进行数据清洗，以实现将基于所述历史风速计算得到的功率理论值来替换所述实发功率中的异常值和空值，确定相应的所述历史发电量数据及其对应的历史风速数据。
进一步的，所述时间周期为按照月份划分的时间周期。
第二方面，本发明还提供一种风电中长期发电量预测装置，包括：
数据获取单元，用于确定待预测风电站单日的历史风速数据；
风速预测单元，用于将所述单日的历史风速数据输入到预测模型，获得所述预测模型输出的未来时间段内第一日的预测风速数据；基于所述预测模型和所述第一日的预测风速数据进行迭代预测处理，得到相应的次月预测风速数据；所述次月预测风速数据为次月的每日风速数据；其中，所述预测模型是基于单日样本风速数据以及所述单日样本风速数据对应的单日目标风速数据进行训练得到的回归模型；
发电量预测单元，用于将所述次月预测风速数据、所述历史发电量数据及其对应的历史风速数据输入到时间序列模型中，以基于预设的时间周期对历史发电量数据进行周期性分解，得到相应的次月发电量预测结果。
进一步的，所述风速预测单元，具体用于：
将所述第一日的预测风速数据输入到所述预测模型中，得到所述预测模型输出的第二日的预测风速数据；
将所述第二日的预测风速数据输入到所述预测模型中，得到所述预测模型输出的第三日的预测风速数据，直到预测出当前月份包含的每日的风速数据，并将所述每日的风速数据计算平均值，得到相应的次月预测风速数据。
进一步的，所述的风电中长期发电量预测装置，还包括：预测模型训练单元；所述预测模型训练单元，具体用于：
获取风电站在第一时间段内的历史风速数据；其中，所述第一时间段内的历史风速数据包含单日样本风速数据；
获得风电站在第二时间段内的历史风速数据；其中，所述第二时间段内的历史风速数据包含单日目标风速数据；
将所述第一时间段内的历史风速数据作为训练样本集合，并将所述第二时间段内的历史风速数据作为训练目标，对预设回归模型进行训练，得到相应的所述预测模型；其中，所述第二时间段在所述第一时间段之后；所述第一时间段内的历史风速数据和所述第二时间段内的历史风速数据是以单日为时间单位的风速数据。
进一步的，所述的风电中长期发电量预测装置，还包括：时间序列模型训练单元；所述时间序列模型训练单元，具体用于：
获取风电站在第一时间段内的历史发电量数据，并获取风电站在第二时间段内的历史发电量数据；所述第二时间段在第一时间段之后；
将所述第一时间段内的历史发电量数据作为训练样本集合，并将所述第二时间段内的历史发电量数据作为训练目标，对预设初始时间序列模型进行训练，得到相应的所述时间序列模型，以使得所述时间序列模型中每个时间周期对应一个发电量波动系数；其中，所述第一时间段内的历史发电量数据和所述第二时间段内的历史发电量数据是以月份为时间单位的发电量数据。
进一步的，基于所述预测模型和所述第一日的预测风速数据进行迭代预测处理，得到相应的次月预测风速数据，具体包括：
将所述第一日的预测风速数据输入到所述预测模型中，得到所述预测模型输出的第二日的预测风速数据；
将所述第二日的预测风速数据输入到所述预测模型中，得到所述预测模型输出的第三日的预测风速数据，直到预测出当前月份包含的每日的风速数据，并将所述每日的风速数据计算平均值，得到相应的次月预测风速数据。
进一步的，所述的风电中长期发电量预测装置，还包括：历史实发数据预处理单元；所述历史实发数据预处理单元，具体用于：
获取原始的历史实发数据；所述原始的历史实发数据包含风电设备在预设时间范围内的限电检修记录、实发功率以及相应的历史风速；
对所述原始的历史实发数据进行数据清洗，以实现将基于所述历史风速计算得到的功率理论值来替换所述实发功率中的异常值和空值，确定相应的所述历史发电量数据及其对应的历史风速数据。
进一步的，所述时间周期为按照月份划分的时间周期。
第三方面，本发明还提供一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述计算机程序时实现如上述任意一项所述的风电中长期发电量预测方法的步骤。
第四方面，本发明还提供一种处理器可读存储介质，所述处理器可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如上述任意一项所述的风电中长期发电量预测方法的步骤。
本发明提供的风电中长期发电量预测方法，通过确定待预测风电站单日的历史风速数据，并将所述单日的历史风速数据输入到预测模型，获得所述预测模型输出的未来时间段内第一日的预测风速数据；基于所述预测模型和所述第一日的预测风速数据进行迭代预测处理，得到相应的次月预测风速数据；进一步的，将所述次月预测风速数据、所述历史发电量数据及其对应的历史风速数据输入到时间序列模型中，以基于预设的时间周期对历史发电量数据进行周期性分解，得到相应的次月发电量预测结果。其能够有效提高风电中长期发电量预测精度和效率，以及提升了发电量预测结果的稳定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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取其他的附图。
图1是本发明实施例提供的风电中长期发电量预测方法的流程示意图；
图2是本发明实施例提供的风电中长期发电量预测装置的结构示意图；
图3是本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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取的所有其他实施例，都属于本发明保护的范围。
下面基于本发明所述的风电中长期发电量预测方法，对其实施例进行详细描述。如图1所示，其为本发明实施例提供的风电中长期发电量预测方法的流程示意图，具体实现过程包括以下步骤：
步骤101：确定待预测风电站单日的历史风速数据。
在本发明实施例中，执行本步骤之前，需要预先进行模型训练。也就是，需要预先通过获取训练样本数据以及预设的训练目标对初始的回归模型和初始时间序列模型进行训练，以得到满足应用条件的预测模型和时间序列模型。其中，所述初始的回归模型可以是指现有技术的通常使用的线性回归预测模型、逻辑回归预测模型等，所述初始时间序列模型可以是指ARMA(Autoregressive moving average model，自回归滑动平均模型)、ARIMA(Autoregressive Integrated Moving Average model，差分整合移动平均自回归模型)、SARIMA(Seasonal Autoregressive Integrated Moving Average，季节性差分自回归滑动平均模型)等，在此不做具体限定。训练得到的所述回归模型用于对检测的相关数据进行拟合，将拟合之后的数据输入到时间序列模型。训练得到的所述时间序列模型对应的时间序列是按季度性时间顺序排列的、随时间变化且相互关联的数据序列，其能够综合考虑季节性周期因素的影响，对一个风电站进行一定时间段内的连续观测，并分析其变化过程，从而通过相应的发电量波动系数选择合适的数据。通过使用预测模型和时间序列模型级联的方法提高预测精度，其中时间序列模型考虑季节性因素的时间序列分析方法横向预测月发电量。
具体的，在预测模型训练过程中，首选获取风电站在第一时间段(比如1-8月份)内的历史风速数据以及风电站在第二时间段(比如9-10月份)内的历史风速数据；然后，将所述第一时间段内的历史风速数据作为训练样本集合，并将所述第二时间段内的历史风速数据作为训练目标，对预设回归模型进行训练，通过模型参数调优得到相应的所述预测模型。其中，所述第一时间段内的历史风速数据包含单日样本风速数据，所述第二时间段内的历史风速数据包含单日目标风速数据；所述第一时间段内的历史风速数据和所述第二时间段内的历史风速数据是以单日为时间单位的风速数据。
在时间序列模型训练过程中，首先获取风电站在第一时间段(比如1-8月份)内的历史发电量数据，并获取风电站在第二时间段(比如9-10月份)内的历史发电量数据；然后，将所述第一时间段内的历史发电量数据作为训练样本集合，并将所述第二时间段内的历史发电量数据作为训练目标，对预设初始时间序列模型进行训练，得到相应的所述时间序列模型，以使得所述时间序列模型中每个时间周期对应一个发电量波动系数。其中，所述第一时间段内的历史发电量数据和所述第二时间段内的历史发电量数据是以月份为时间单位的发电量数据；所述第二时间段在第一时间段之后。
在训练得到预测模型和时间序列模型之后，确定待预测风电站单日的历史风速数据，并将所述单日的历史风速数据输入到预测模型。
步骤102：将所述单日的历史风速数据输入到预测模型，获得所述预测模型输出的未来时间段内第一日的预测风速数据；基于所述预测模型和所述第一日的预测风速数据进行迭代预测处理，得到相应的次月预测风速数据；所述次月预测风速数据为次月的每日风速数据；
其中，基于所述预测模型和所述第一日的预测风速数据进行迭代预测处理，得到相应的次月预测风速数据，对应的具体实现过程包括：将所述第一日的预测风速数据输入到所述预测模型中，得到所述预测模型输出的第二日的预测风速数据；将所述第二日的预测风速数据输入到所述预测模型中，得到所述预测模型输出的第三日的预测风速数据，依次进行迭代预测处理直到预测出当前月份包含的每日的风速数据，并将所述每日的风速数据计算平均值，得到相应的次月预测风速数据。所述预测模型是基于单日样本风速数据以及所述单日样本风速数据对应的单日目标风速数据进行训练得到的回归模型。
步骤103：将所述次月预测风速数据、所述历史发电量数据及其对应的历史风速数据输入到时间序列模型中，以基于预设的时间周期对历史发电量数据进行周期性分解，得到相应的次月发电量预测结果。
在本发明实施例中，执行本步骤之前，还需要获取原始的历史实发数据；所述原始的历史实发数据包含风电设备在预设时间范围内的限电检修记录、实发功率以及相应的历史风速；对所述原始的历史实发数据进行数据清洗，以实现将基于所述历史风速计算得到的功率理论值来替换所述实发功率中的异常值和空值，确定相应的所述历史发电量数据及其对应的历史风速数据，从而得到每日的历史实际发电量数据，基于所述每日的历史实际发电量数据，得到所述历史实际月发电量数据。所述时间周期为按照月份划分的时间周期。
在一个具体实施例中，首先对原始的历史实发数据进行数据清洗，原始的历史实发数据包括历史风速、实发功率、限电检修记录等，对实发功率中的异常值和空值使用通过风速计算的理论值代替，数据清洗目的是为了得到该站理论可发电量。在模型训练过程中，获取每日历史实发数据和相应的预测数据(包含目标风速数据)，并按单日提取平均风速、波峰数量、波谷数量、最大风速以及最小风速等特征，进一步分割为训练集和测试集，其中训练集时间长度可为预测目标日期前10-30日的数据，制作以未来一天的平均风速为训练目标的初始的回归模型，特征包括上述风速特征、实际风速、实际功率、预测风速、预测功率等。将上述得到的对未来第一日的预测风速数据迭代入训练完成的预测模型中，则可得到未来第二日预测风速数据，反复迭代，即得到未来1个月的每日预测风速数据(即次月预测风速数据)。将预测模型输出的预测风速数据平均为次月预测风速数据与历史实际月发电量数据代入时间序列模型，时间序列模型中可将季节性周期设为12，对历史发电量数据进行季节性分解，即可得到有规律的以12为周期的重复波形和随机信号，然后对随机信号再进行时间序列外推，外推结果叠加重复波形结果，最终得到次月发电量预测结果。本发明实施例通过以月为尺度的横向时间序列推导方案，并且引入了以日为尺度的气象特征提取，通过历史对应日建立预测模型，通过预测模型对时间序列模型预测得到的次月发电量进行校正，从而充分考虑了近期气象情况对未来气象的影响，提高次月发电量预测精度。
本发明实施例所述的风电中长期发电量预测方法，通过确定待预测风电站单日的历史风速数据，并将所述单日的历史风速数据输入到预测模型，获得所述预测模型输出的未来时间段内第一日的预测风速数据；基于所述预测模型和所述第一日的预测风速数据进行迭代预测处理，得到相应的次月预测风速数据；进一步的，将所述次月预测风速数据、所述历史发电量数据及其对应的历史风速数据输入到时间序列模型中，以基于预设的时间周期对历史发电量数据进行周期性分解，得到相应的次月发电量预测结果。其能够有效提高风电中长期发电量预测精度和效率，以及提升了发电量预测结果的稳定性。
与上述提供的一种风电中长期发电量预测方法相对应，本发明还提供一种风电中长期发电量预测装置。由于该装置的实施例相似于上述方法实施例，所以描述得比较简单，相关之处请参见上述方法实施例部分的说明即可，下面描述的风电中长期发电量预测装置的实施例仅是示意性的。请参考图2所示，其为本发明实施例提供的一种风电中长期发电量预测装置的结构示意图。
本发明所述的风电中长期发电量预测装置，具体包括如下部分：
数据获取单元201，用于确定待预测风电站单日的历史风速数据；
风速预测单元202，用于将所述单日的历史风速数据输入到预测模型，获得所述预测模型输出的未来时间段内第一日的预测风速数据；基于所述预测模型和所述第一日的预测风速数据进行迭代预测处理，得到相应的次月预测风速数据；所述次月预测风速数据为次月的每日风速数据；其中，所述预测模型是基于单日样本风速数据以及所述单日样本风速数据对应的单日目标风速数据进行训练得到的回归模型；
发电量预测单元203，用于将所述次月预测风速数据、所述历史发电量数据及其对应的历史风速数据输入到时间序列模型中，以基于预设的时间周期对历史发电量数据进行周期性分解，得到相应的次月发电量预测结果。
进一步的，所述风速预测单元，具体用于：
将所述第一日的预测风速数据输入到所述预测模型中，得到所述预测模型输出的第二日的预测风速数据；
将所述第二日的预测风速数据输入到所述预测模型中，得到所述预测模型输出的第三日的预测风速数据，直到预测出当前月份包含的每日的风速数据，并将所述每日的风速数据计算平均值，得到相应的次月预测风速数据。
进一步的，所述的风电中长期发电量预测装置，还包括：预测模型训练单元；所述预测模型训练单元，具体用于：
获取风电站在第一时间段内的历史风速数据；其中，所述第一时间段内的历史风速数据包含单日样本风速数据；
获得风电站在第二时间段内的历史风速数据；其中，所述第二时间段内的历史风速数据包含单日目标风速数据；
将所述第一时间段内的历史风速数据作为训练样本集合，并将所述第二时间段内的历史风速数据作为训练目标，对预设回归模型进行训练，得到相应的所述预测模型；其中，所述第二时间段在所述第一时间段之后；所述第一时间段内的历史风速数据和所述第二时间段内的历史风速数据是以单日为时间单位的风速数据。
进一步的，所述的风电中长期发电量预测装置，还包括：时间序列模型训练单元；所述时间序列模型训练单元，具体用于：
获取风电站在第一时间段内的历史发电量数据，并获取风电站在第二时间段内的历史发电量数据；所述第二时间段在第一时间段之后；
将所述第一时间段内的历史发电量数据作为训练样本集合，并将所述第二时间段内的历史发电量数据作为训练目标，对预设初始时间序列模型进行训练，得到相应的所述时间序列模型，以使得所述时间序列模型中每个时间周期对应一个发电量波动系数；其中，所述第一时间段内的历史发电量数据和所述第二时间段内的历史发电量数据是以月份为时间单位的发电量数据。
进一步的，基于所述预测模型和所述第一日的预测风速数据进行迭代预测处理，得到相应的次月预测风速数据，具体包括：
将所述第一日的预测风速数据输入到所述预测模型中，得到所述预测模型输出的第二日的预测风速数据；
将所述第二日的预测风速数据输入到所述预测模型中，得到所述预测模型输出的第三日的预测风速数据，直到预测出当前月份包含的每日的风速数据，并将所述每日的风速数据计算平均值，得到相应的次月预测风速数据。
进一步的，所述的风电中长期发电量预测装置，还包括：历史实发数据预处理单元；所述历史实发数据预处理单元，具体用于：
获取原始的历史实发数据；所述原始的历史实发数据包含风电设备在预设时间范围内的限电检修记录、实发功率以及相应的历史风速；
对所述原始的历史实发数据进行数据清洗，以实现将基于所述历史风速计算得到的功率理论值来替换所述实发功率中的异常值和空值，确定相应的所述历史发电量数据及其对应的历史风速数据。
进一步的，所述时间周期为按照月份划分的时间周期。
本发明实施例所述的风电中长期发电量预测装置，通过确定待预测风电站单日的历史风速数据，并将所述单日的历史风速数据输入到预测模型，获得所述预测模型输出的未来时间段内第一日的预测风速数据；基于所述预测模型和所述第一日的预测风速数据进行迭代预测处理，得到相应的次月预测风速数据；进一步的，将所述次月预测风速数据、所述历史发电量数据及其对应的历史风速数据输入到时间序列模型中，以基于预设的时间周期对历史发电量数据进行周期性分解，得到相应的次月发电量预测结果。其能够有效提高风电中长期发电量预测精度和效率，以及提升了发电量预测结果的稳定性。
与上述提供的风电中长期发电量预测方法相对应，本发明还提供一种电子设备。由于该电子设备的实施例相似于上述方法实施例，所以描述得比较简单，相关之处请参见上述方法实施例部分的说明即可，下面描述的电子设备仅是示意性的。如图3所示，其为本发明实施例公开的一种电子设备的实体结构示意图。该电子设备可以包括：处理器(processor)301、存储器(memory)302和通信总线303，其中，处理器301，存储器302通过通信总线303完成相互间的通信，通过通信接口304与外部进行通信。处理器301可以调用存储器302中的逻辑指令，以执行风电中长期发电量预测方法，该方法包括：确定待预测风电站单日的历史风速数据；将所述单日的历史风速数据输入到预测模型，获得所述预测模型输出的未来时间段内第一日的预测风速数据；基于所述预测模型和所述第一日的预测风速数据进行迭代预测处理，得到相应的次月预测风速数据；所述次月预测风速数据为次月的每日风速数据；其中，所述预测模型是基于单日样本风速数据以及所述单日样本风速数据对应的单日目标风速数据进行训练得到的回归模型；将所述次月预测风速数据、所述历史发电量数据及其对应的历史风速数据输入到时间序列模型中，以基于预设的时间周期对历史发电量数据进行周期性分解，得到相应的次月发电量预测结果。
此外，上述的存储器302中的逻辑指令可以通过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，本发明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，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明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：存储芯片、U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在处理器可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的风电中长期发电量预测方法。该方法包括：确定待预测风电站单日的历史风速数据；将所述单日的历史风速数据输入到预测模型，获得所述预测模型输出的未来时间段内第一日的预测风速数据；基于所述预测模型和所述第一日的预测风速数据进行迭代预测处理，得到相应的次月预测风速数据；所述次月预测风速数据为次月的每日风速数据；其中，所述预测模型是基于单日样本风速数据以及所述单日样本风速数据对应的单日目标风速数据进行训练得到的回归模型；将所述次月预测风速数据、所述历史发电量数据及其对应的历史风速数据输入到时间序列模型中，以基于预设的时间周期对历史发电量数据进行周期性分解，得到相应的次月发电量预测结果。
又一方面，本发明实施例还提供一种处理器可读存储介质，所述处理器可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的风电中长期发电量预测方法。该方法包括：确定待预测风电站单日的历史风速数据；将所述单日的历史风速数据输入到预测模型，获得所述预测模型输出的未来时间段内第一日的预测风速数据；基于所述预测模型和所述第一日的预测风速数据进行迭代预测处理，得到相应的次月预测风速数据；所述次月预测风速数据为次月的每日风速数据；其中，所述预测模型是基于单日样本风速数据以及所述单日样本风速数据对应的单日目标风速数据进行训练得到的回归模型；将所述次月预测风速数据、所述历史发电量数据及其对应的历史风速数据输入到时间序列模型中，以基于预设的时间周期对历史发电量数据进行周期性分解，得到相应的次月发电量预测结果。
所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种风电中长期发电量预测方法，其特征在于，包括：
确定待预测风电站单日的历史风速数据；
将所述单日的历史风速数据输入到预测模型，获得所述预测模型输出的未来时间段内第一日的预测风速数据；基于所述预测模型和所述第一日的预测风速数据进行迭代预测处理，得到相应的次月预测风速数据；所述次月预测风速数据为次月的每日风速数据；其中，所述预测模型是基于单日样本风速数据以及所述单日样本风速数据对应的单日目标风速数据进行训练得到的回归模型；
将所述次月预测风速数据、所述历史发电量数据及其对应的历史风速数据输入到时间序列模型中，以基于预设的时间周期对历史发电量数据进行周期性分解，得到相应的次月发电量预测结果。
2.根据权利要求1所述的风电中长期发电量预测方法，其特征在于，还包括：
获取风电站在第一时间段内的历史风速数据；其中，所述第一时间段内的历史风速数据包含单日样本风速数据；
获得风电站在第二时间段内的历史风速数据；其中，所述第二时间段内的历史风速数据包含单日目标风速数据；
将所述第一时间段内的历史风速数据作为训练样本集合，并将所述第二时间段内的历史风速数据作为训练目标，对预设回归模型进行训练，得到相应的所述预测模型；其中，所述第二时间段在所述第一时间段之后；所述第一时间段内的历史风速数据和所述第二时间段内的历史风速数据是以单日为时间单位的风速数据。
3.根据权利要求1所述的风电中长期发电量预测方法，其特征在于，还包括：
获取风电站在第一时间段内的历史发电量数据，并获取风电站在第二时间段内的历史发电量数据；所述第二时间段在第一时间段之后；
将所述第一时间段内的历史发电量数据作为训练样本集合，并将所述第二时间段内的历史发电量数据作为训练目标，对预设初始时间序列模型进行训练，得到相应的所述时间序列模型，以使得所述时间序列模型中每个时间周期对应一个发电量波动系数；其中，所述第一时间段内的历史发电量数据和所述第二时间段内的历史发电量数据是以月份为时间单位的发电量数据。
4.根据权利要求1所述的风电中长期发电量预测方法，其特征在于，基于所述预测模型和所述第一日的预测风速数据进行迭代预测处理，得到相应的次月预测风速数据，具体包括：
将所述第一日的预测风速数据输入到所述预测模型中，得到所述预测模型输出的第二日的预测风速数据；
将所述第二日的预测风速数据输入到所述预测模型中，得到所述预测模型输出的第三日的预测风速数据，直到预测出当前月份包含的每日的风速数据，并将所述每日的风速数据计算平均值，得到相应的次月预测风速数据。
5.根据权利要求1所述的风电中长期发电量预测方法，其特征在于，还包括：
获取原始的历史实发数据；所述原始的历史实发数据包含风电设备在预设时间范围内的限电检修记录、实发功率以及相应的历史风速；
对所述原始的历史实发数据进行数据清洗，以实现将基于所述历史风速计算得到的功率理论值来替换所述实发功率中的异常值和空值，确定相应的所述历史发电量数据及其对应的历史风速数据。
6.根据权利要求1或3所述的风电中长期发电量预测方法，其特征在于，所述时间周期为按照月份划分的时间周期。
7.一种风电中长期发电量预测装置，其特征在于，包括：
数据获取单元，用于确定待预测风电站单日的历史风速数据；
风速预测单元，用于将所述单日的历史风速数据输入到预测模型，获得所述预测模型输出的未来时间段内第一日的预测风速数据；基于所述预测模型和所述第一日的预测风速数据进行迭代预测处理，得到相应的次月预测风速数据；所述次月预测风速数据为次月的每日风速数据；其中，所述预测模型是基于单日样本风速数据以及所述单日样本风速数据对应的单日目标风速数据进行训练得到的回归模型；
发电量预测单元，用于将所述次月预测风速数据、所述历史发电量数据及其对应的历史风速数据输入到时间序列模型中，以基于预设的时间周期对历史发电量数据进行周期性分解，得到相应的次月发电量预测结果。
8.根据权利要求7所述的风电中长期发电量预测装置，其特征在于，所述风速预测单元，具体用于：
将所述第一日的预测风速数据输入到所述预测模型中，得到所述预测模型输出的第二日的预测风速数据；
将所述第二日的预测风速数据输入到所述预测模型中，得到所述预测模型输出的第三日的预测风速数据，直到预测出当前月份包含的每日的风速数据，并将所述每日的风速数据计算平均值，得到相应的次月预测风速数据。
9.一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任意一项所述的风电中长期发电量预测方法的步骤。
10.一种处理器可读存储介质，所述处理器可读存储介质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6任意一项所述的风电中长期发电量预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210190573.XA CN114519470A (zh) | 2022-02-28 | 2022-02-28 | 一种风电中长期发电量预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210190573.XA CN114519470A (zh) | 2022-02-28 | 2022-02-28 | 一种风电中长期发电量预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114519470A true CN114519470A (zh) | 2022-05-20 |
Family
ID=81598526
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210190573.XA Pending CN114519470A (zh) | 2022-02-28 | 2022-02-28 | 一种风电中长期发电量预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114519470A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117332901A (zh) * | 2023-10-17 | 2024-01-02 | 南方电网数字电网研究院有限公司 | 采用分层时间聚合策略的新能源小时间尺度功率预测方法 |
| CN117332239A (zh) * | 2023-11-27 | 2024-01-02 | 深圳润世华软件和信息技术服务有限公司 | 一种发电量计算方法、装置、设备及存储介质 |
-
2022
- 2022-02-28 CN CN202210190573.XA patent/CN114519470A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117332901A (zh) * | 2023-10-17 | 2024-01-02 | 南方电网数字电网研究院有限公司 | 采用分层时间聚合策略的新能源小时间尺度功率预测方法 |
| CN117332239A (zh) * | 2023-11-27 | 2024-01-02 | 深圳润世华软件和信息技术服务有限公司 | 一种发电量计算方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yu et al. | Reliability constraint stochastic UC by considering the correlation of random variables with Copula theory | |
| CN108846528B (zh) | 一种大工业电力用户长期负荷预测方法 | |
| CN114519470A (zh) | 一种风电中长期发电量预测方法及装置 | |
| CN109840633B (zh) | 光伏输出功率预测方法、系统和存储介质 | |
| CN112085285B (zh) | 母线负荷预测方法、装置、计算机设备和存储介质 | |
| CN113159102B (zh) | 一种多时间尺度的光伏功率预测方法及系统 | |
| CN113988477A (zh) | 基于机器学习的光伏功率短期预测方法、装置及存储介质 | |
| CN111709569A (zh) | 风电场输出功率预测修正方法及装置 | |
| CN111371088A (zh) | 一种基于bp神经网络修正svg控制策略的方法及系统 | |
| CN111311026A (zh) | 一种顾及数据特征、模型和校正的径流非线性预测方法 | |
| CN114819385A (zh) | 风电功率预测方法、装置、电子设备及存储介质 | |
| Sun et al. | Short-term power load prediction based on VMD-SG-LSTM | |
| CN114065634A (zh) | 一种数据驱动的电能质量监测布点优化方法及装置 | |
| 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 | |
| CN113988398A (zh) | 一种风电机组功率预测方法、装置、电子设备和存储介质 | |
| CN117744916A (zh) | 储能容量的预测方法、装置、计算机设备及可读存储介质 | |
| CN117473384A (zh) | 一种电网线路安全约束辨识方法、装置、设备及存储介质 | |
| CN112598181A (zh) | 负荷预测方法、装置、设备和存储介质 | |
| CN115081681B (zh) | 一种基于prophet算法的风电功率预测方法 | |
| CN111950752A (zh) | 光伏电站发电量预测方法、装置、系统及其存储介质 | |
| CN115618922A (zh) | 光伏功率预测方法、设备、光伏发电系统及存储介质 | |
| CN110659442A (zh) | 系统及其数据短期预测方法和装置、存储介质 | |
| CN112613674B (zh) | 中长期风电发电量预测方法、装置、电子设备及存储介质 | |
| Xing et al. | Static equivalent of distribution network with distributed PV considering correlation between fluctuation of PV and load | |
| CN112070319B (zh) | 一种基于时序动态回归的超短期光伏发电功率预测方法 |
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 |