CN114784795A - 风电功率预测方法、装置、电子设备及存储介质 - Google Patents
风电功率预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114784795A CN114784795A CN202210393504.9A CN202210393504A CN114784795A CN 114784795 A CN114784795 A CN 114784795A CN 202210393504 A CN202210393504 A CN 202210393504A CN 114784795 A CN114784795 A CN 114784795A
- Authority
- CN
- China
- Prior art keywords
- weather forecast
- meteorological
- numerical weather
- wind power
- prediction
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
- H02J3/381—Dispersed generators
-
- 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
Abstract
本申请涉及一种风电功率预测方法、装置、计算机设备和可读存储介质,方法包括:获取数值天气预报和实测功率数据,数值天气预报包括多个维度的气象特征;根据实测功率数据对数值天气预报进行降维处理,得到降维后的数值天气预报;通过风电功率预测模型对降维后的数值天气预报进行风电功率预测,得到预测风电功率。采用本申请可以降低数据天气预报维度,去除数据天气预报中的冗余信息,提高风电功率预测精度。
Description
技术领域
本申请涉及电力系统运行领域,特别是涉及一种风电功率预测方法、装置、电子设备及存储介质。
背景技术
随着风电的不断发展,电力系统中风电发电比例逐步升高。由于风电功率本身具有波动大,不确定性强的特点,搭建精确的数学模型预测风电功率对维持电力系统的实时能量供需平衡便尤为重要。
目前,业界通常使用数值天气预报结合预测模型进行风电功率的预测,但由于数值天气预报本身即属于预测信息,且存在数据维度高、冗余信息多的问题,数值天气预报本身的误差会在风电功率预测模型中被进一步放大,造成风电功率预测精度较差。
发明内容
基于此,有必要针对现有风电功率预测模型精度低的问题提供一种风电功率预测方法、装置、电子设备及存储介质。
第一方面,本申请提供了一种风电功率预测方法,所述方法包括:
获取数值天气预报和实测功率数据,所述数值天气预报包括多个维度的气象特征;
根据所述实测功率数据对所述数值天气预报进行降维处理,得到降维后的数值天气预报;
通过风电功率预测模型对所述降维后的数值天气预报进行风电功率预测,得到预测风电功率。
在其中一个实施例中,所述根据所述实测功率数据对所述数值天气预报进行降维处理,得到降维后的数值天气预报,包括:
根据所述实测功率数据和所述气象特征,构建皮尔逊相关性指数序列、互信息熵序列、斯皮尔曼相关性指数序列;
根据所述皮尔逊相关性指数序列、所述互信息熵序列、所述斯皮尔曼相关性指数序列,确定所述数值天气预报中处于异常状态的气象特征,将所述处于异常状态的气象特征从所述数值天气预报中删除,得到第一降维数值天气预报。
在其中一个实施例中,所述根据所述实测功率数据对所述数值天气预报进行降维处理,得到降维后的数值天气预报,还包括:
根据所述第一降维数值天气预报中各所述气象特征的所述皮尔逊相关性指数序列、所述互信息熵序列、所述斯皮尔曼相关性指数序列,构建融合相关性指数序列,所述融合相关性指数序列包括各所述气象特征的融合相关性指数,所述融合相关性指数用于表征所述气象特征与所述实测功率数据的相关性;
根据各所述气象特征的所述融合相关性指数,对各所述气象特征进行由高至低排序,得到气象特征序列;
按序依次从所述气象特征序列中确定目标气象特征,直至所述目标气象特征的融合相关性指数的累加结果大于阈值;
根据所述目标气象特征,得到第二降维数值天气预报。
在其中一个实施例中,所述根据所述实测功率数据对所述数值天气预报进行降维处理,得到降维后的数值天气预报,还包括:
根据气象特征类型分别对风电场实测数据和所述第二降维数值天气预报中的气象特征进行分类,得到各所述气象特征类型对应的风电场实测数据集合以及气象特征数据集合;
针对任一所述气象特征类型,从所述气象特征类型对应的所述风电场实测数据集合中确定标准实测数据,并确定所述气象特征类型对应的所述气象特征数据集合中各所述气象特征与所述标准实测数据的误差;
根据各所述气象特征数据集合中各所述气象特征对应的所述误差,确定各所述气象特征数据集合中各所述气象特征的气象特征融合权重;
根据各所述气象特征数据集合中各所述气象特征的所述气象特征融合权重,对各所述气象特征数据集合中的所述气象特征进行融合,得到第三降维数值天气预报。
在其中一个实施例中,所述风电功率预测模型中包括至少两个预测模型,所述通过风电功率预测模型对所述降维后的数值天气预报进行风电功率预测,得到预测风电功率,包括:
通过各所述预测模型分别对所述降维后的数值天气预报进行风电功率预测,得到多个初始预测风电功率;
根据各所述预测模型的预测模型融合权重对所述多个初始预测风电功率进行融合处理,得到预测风电功率。
在其中一个实施例中,所述方法还包括:
获取预置时段内的数值天气预报和实测功率数据;
根据所述预置时段内的实测功率数据,对所述预置时段内的数值天气预报进行降维处理,得到预置时段内降维后的数值天气预报;
根据所述预置时段内降维后的数值天气预报构建训练集;
通过所述训练集分别对各所述预测模型进行训练处理,得到各所述预测模型的损失值;
根据所述各所述预测模型的所述损失值,得到所述各所述预测模型的预测模型融合权重。
第二方面,本申请还提供了一种风电功率预测装置,所述装置包括:
第一获取模块,用于获取数值天气预报和实测功率数据,所述数值天气预报包括多个维度的气象特征;
第一降维模块,用于根据所述实测功率数据对所述数值天气预报进行降维处理,得到降维后的数值天气预报;
预测模块,用于通过风电功率预测模型对所述降维后的数值天气预报进行风电功率预测,得到预测风电功率。
在其中一个实施例中,所述第一降维模块,还用于:
根据所述实测功率数据和所述气象特征,构建皮尔逊相关性指数序列、互信息熵序列、斯皮尔曼相关性指数序列;
根据所述皮尔逊相关性指数序列、所述互信息熵序列、所述斯皮尔曼相关性指数序列,确定所述数值天气预报中处于异常状态的气象特征,将所述处于异常状态的气象特征从所述数值天气预报中删除,得到第一降维数值天气预报。
在其中一个实施例中,所述第一降维模块,还用于:
根据所述第一降维数值天气预报中各所述气象特征的所述皮尔逊相关性指数序列、所述互信息熵序列、所述斯皮尔曼相关性指数序列,构建融合相关性指数序列,所述融合相关性指数序列包括各所述气象特征的融合相关性指数,所述融合相关性指数用于表征所述气象特征与所述实测功率数据的相关性;
根据各所述气象特征的所述融合相关性指数,对各所述气象特征进行由高至低排序,得到气象特征序列;
按序依次从所述气象特征序列中确定目标气象特征,直至所述目标气象特征的融合相关性指数的累加结果大于阈值;
根据所述目标气象特征,得到第二降维数值天气预报。
在其中一个实施例中,所述第一降维模块,还用于:
根据气象特征类型分别对风电场实测数据和所述第二降维数值天气预报中的气象特征进行分类,得到各所述气象特征类型对应的风电场实测数据集合以及气象特征数据集合;
针对任一所述气象特征类型,从所述气象特征类型对应的所述风电场实测数据集合中确定标准实测数据,并确定所述气象特征类型对应的所述气象特征数据集合中各所述气象特征与所述标准实测数据的误差;
根据各所述气象特征数据集合中各所述气象特征对应的所述误差,确定各所述气象特征数据集合中各所述气象特征的气象特征融合权重;
根据各所述气象特征数据集合中各所述气象特征的所述气象特征融合权重,对各所述气象特征数据集合中的所述气象特征进行融合,得到第三降维数值天气预报。
在其中一个实施例中,所述预测模块,还用于:
通过各所述预测模型分别对所述降维后的数值天气预报进行风电功率预测,得到多个初始预测风电功率;
根据各所述预测模型的预测模型融合权重对所述多个初始预测风电功率进行融合处理,得到预测风电功率。
在其中一个实施例中,所述装置还包括:
第二获取模块,用于获取预置时段内的数值天气预报和实测功率数据;
第二降维模块,用于根据所述预置时段内的实测功率数据,对所述预置时段内的数值天气预报进行降维处理,得到预置时段内降维后的数值天气预报;
构建模块,用于根据所述预置时段内降维后的数值天气预报构建训练集;
训练模块,用于通过所述训练集分别对各所述预测模型进行训练处理,得到各所述预测模型的损失值;
融合权重模块,用于根据所述各所述预测模型的所述损失值,得到所述各所述预测模型的预测模型融合权重。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以上任一项风电功率预测方法。
第四方面,本申请还提供了一种计算机可读存储介质。所述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以上任一项风电功率预测方法。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以上任一项风电功率预测方法。
上述风电功率预测方法、装置、电子设备及存储介质,可以在获取数值天气预报和实测功率数据后,根据实测功率数据对数值天气预报进行降维处理,进而可以通过风电功率预测模型对降维后的数值天气预报进行风电功率预测,得到预测风电功率。由于本申请实施例对数值天气预报进行了降维处理,故可以降低数值天气预报维度,降低风电功率预测模型处理的数据维度,且可以降低数值天气预报中的冗余信息,进而可以有效提高风电功率的预测精度和预测效率。
附图说明
图1为一个实施例中风电功率预测方法的流程示意图;
图2为一个实施例中步骤104的流程示意图;
图3为一个实施例中步骤104的流程示意图;
图4为一个实施例中步骤104的流程示意图;
图5为一个实施例中步骤106的流程示意图;
图6为一个实施例中风电功率预测方法的流程示意图;
图7为一个实施例中风电功率预测方法的流程示意图;
图8为一个实施例中风电功率预测方法的示意图;
图9为一个实施例中风电功率预测方法的示意图;
图10为一个实施例中风电功率预测装置的结构框图;
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种风电功率预测方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤102,获取数值天气预报和实测功率数据,数值天气预报包括多个维度的气象特征。
其中,数值天气预报是一个预测信息,包括预测日的多种预测气象特征,其中预测日可以为待进行天气预测的日子,例如:数值天气预报为在3月19日预测的3月20日的天气信息,则预测日为3月20日。示例性的,数值天气预报可以包括温度、风向、云量等多种气象特征。例如:当数值天气预报的时间分辨率为15分钟,包括22种气象特征时,则数值天气预报为96×22的数组,气象特征是96×1的数组。实测功率数据为数值天气预报对应的预测日内实测的风电功率数据。
步骤104,根据实测功率数据对数值天气预报进行降维处理,得到降维后的数值天气预报。
本申请实施例中,可以通过实测功率与数值天气预报的相关性,对数值天气预报进行降维处理。示例性的,可以确定数值天气预报中每一个气象特征和实测功率数据的相关性指数,通过去除相关性指数处于异常状态的气象特征、筛选相关性指数满足预设条件的气象特征、融合属于同一类气象特征类型的气象特征等方式实现对数值天气预报的降维处理。
示例性的,可以在去除相关性指数处于异常状态的气象特征,筛选相关性指数满足预设条件的气象特征后,对属于同一类气象特征类型的气象特征进行融合,实现对数值天气预报的降维,进而得到降维后的数值天气预报。
本申请实施例中不对基于气象特征和实测功率数据的相关性指数,对数值天气预报进行降维处理的方式做具体限定,凡是可以基于气象特征和实测功率数据的相关性指数,实现对数值天气预报进行降维处理的方式均适用于本申请实施例中。
步骤106,通过风电功率预测模型对降维后的数值天气预报进行风电功率预测,得到预测风电功率。
本申请实施例中,风电功率预测模型为预先训练的用于进行风电功率预测的模型,本申请实施例不对风电功率预测模型的模型结构及训练过程做具体限定。
在得到降维后的数值天气预报后,可以将降维后的数值天气预报作为风电功率预测模型的输入信息,输入至风电功率预测模型中进行风电功率预测,进而得到预测风电功率。
本申请实施例提供的风电功率预测方法,可以在获取数值天气预报和实测功率数据后,根据实测功率数据对数值天气预报进行降维处理,进而可以通过风电功率预测模型对降维后的数值天气预报进行风电功率预测,得到预测风电功率。由于本申请实施例对数值天气预报进行了降维处理,故可以降低数值天气预报维度,降低风电功率预测模型处理的数据维度,且可以降低数值天气预报中的冗余信息,进而可以有效提高风电功率的预测精度和预测效率。
在一个实施例中,如图2所示,步骤104中,根据实测功率数据对数值天气预报进行降维处理,得到降维后的数值天气预报,包括:
步骤202,根据实测功率数据和气象特征,构建皮尔逊相关性指数序列、互信息熵序列、斯皮尔曼相关性指数序列。
示例性的,本申请实施例中可以根据实测功率数据和气象特征,构建二者的相关性指数序列,其中,相关性指数序列可以包括皮尔逊相关性指数序列、互信息熵序列、斯皮尔曼相关性指数序列等。
其中,以变量X为气象特征,变量Y为实测功率数据为例,皮尔逊相关性指数的确定方式可以参照公式(一),互信息熵的确定方式可以参照公式(二),斯皮尔曼相关性指数的确定方式可以参照公式(三)。需要说明的是,得到的皮尔逊相关性指数、互信息熵、斯皮尔曼相关性指数均是-1至1区间内的实数:
其中,ρXY是气象特征和实测功率数据的皮尔逊相关性指数,cov(X,Y)是气象特征和实测功率数据的协方差,σX是气象特征的方差,σY是实测功率数据的方差。
其中,I(X;Y)是气象特征和实测功率数据的互信息熵,p(X,Y)是气象特征和实测功率数据的联合分布,p(X)是气象特征的分布,p(Y)是实测功率数据的分布。
其中,rs是气象特征和实测功率数据的斯皮尔曼相关性指数,cov(R(X),R(Y))是等级变量气象特征和等级变量实测功率数据的协方差,σR(X)是等级变量气象特征的方差,σR(Y)是等级变量实测功率数据的方差。
本申请实施例中,在构建相关性指数序列的过程中,可以将数值天气预报中每一个气象特征和实测功率数据均进行归一化处理,进而根据归一化处理后的气象特征和归一化处理后的实测功率数据,计算每一个气象特征和实测功率数据的皮尔逊相关性指数,进而根据各气象特征和实测功率数据的皮尔逊相关性指数,构建得到皮尔逊相关性指数序列根据归一化处理后的气象特征和归一化处理后的实测功率数据,计算每一个气象特征和实测功率数据的互信息熵,进而根据各气象特征和实测功率数据的互信息熵,构建得到互信息熵序列根据归一化处理后的气象特征和归一化处理后的实测功率数据,计算每一个气象特征和实测功率数据的斯皮尔曼相关性指数,进而根据各气象特征和实测功率数据的斯皮尔曼相关性指数,构建得到斯皮尔曼相关性指数序列示例性的,仍以上述示例为例,在使用的数值天气预报有22个维度时,得到的皮尔逊相关性指数序列、互信息熵序列、斯皮尔曼相关性指数序列均为22×1的序列。
步骤204,根据皮尔逊相关性指数序列、互信息熵序列、斯皮尔曼相关性指数序列,确定数值天气预报中处于异常状态的气象特征,将处于异常状态的气象特征从数值天气预报中删除,得到第一降维数值天气预报。
本申请实施例中,可以通过皮尔逊相关性指数序列、互信息熵序列、斯皮尔曼相关性指数序列,对数值天气预报中的各气象特征进行异常判断,以从数值天气预报中确定出处于异常状态的气象特征。
示例性的,当气象特征对应的三种评价体系(皮尔逊相关性指数、互信息熵、斯皮尔曼相关性指数),在判断该气象特征和实测功率数据是正相关还是负相关上存在矛盾的情况下,也即在气象特征对应的皮尔逊相关性指数、互信息熵、斯皮尔曼相关性指数不全为正或不全为负的情况下,可以确定该气象特征为处于异常状态的气象特征,也即将该气象特征作为异常气象特征。示例性的,当皮尔逊相关性指数、互信息熵为正,斯皮尔曼相关性指数为负时,可以判断该气象特征处于异常状态。
本申请实施例在完成全部气象特征的异常判断后,可以将异常气象特征从数值天气预报中删除,得到第一降维数值天气预报。相应的,还可以将异常气象特征的皮尔逊相关性指数从皮尔逊相关性指数序列中删除,将异常气象特征的互信息熵从互信息熵序列中删除,将异常气象特征的斯皮尔曼相关性指数从斯皮尔曼相关性指数序列中删除。
示例性的,在使用的数值天气预报有22个维度,判断出的异常气象特征共2个的情况下,删除异常气象特征后的第一降维数值天气预报有20个维度,删除异常气象特征的皮尔逊相关性指数、互信息熵、斯皮尔曼相关性指数后的皮尔逊相关性指数序列、互信息熵序列、斯皮尔曼相关性指数序列均为20×1的序列。
本申请实施例提供的风电功率预测方法,可以根据实测功率数据和气象特征,构建皮尔逊相关性指数序列、互信息熵序列、斯皮尔曼相关性指数序列,进而可以根据皮尔逊相关性指数序列、互信息熵序列、斯皮尔曼相关性指数序列,确定数值天气预报中处于异常状态的气象特征,将处于异常状态的气象特征从数值天气预报中删除,得到第一降维数值天气预报。由于本申请实施例对数值天气预报进行了降维处理,故可以降低数值天气预报维度,降低风电功率预测模型处理的数据维度,且可以降低数值天气预报中的冗余信息,进而可以有效提高风电功率的预测精度和预测效率。
在一个实施例中,如图3所示,步骤204中,根据实测功率数据对数值天气预报进行降维处理,得到降维后的数值天气预报,包括:
步骤302,根据第一降维数值天气预报中各气象特征的皮尔逊相关性指数序列、互信息熵序列、斯皮尔曼相关性指数序列,构建融合相关性指数序列,融合相关性指数序列包括各气象特征的融合相关性指数,融合相关性指数用于表征气象特征与实测功率数据的相关性。
其中,气象特征的融合相关性指数可以是通过DS证据理论(Dempster–Shafertheory)(DS证据理论参照公式(四)所示),对该气象特征的皮尔逊相关性指数、互信息熵、斯皮尔曼相关性指数进行融合后,得到的相关性指数:
DS证据理论用于融合两个信任函数m1、m2对集合A分配的概率,m1,2(A)为融合后的概率。其中集合A是识别框架Θ的任一子集。信任函数m1对于识别框架Θ的所有子集A所分配的概率之和为1,信任函数m2对于识别框架Θ的所有子集A所分配的概率之和也为1。
示例性的,在采用DS证据理论前,可以首先对皮尔逊相关性指数序列、互信息熵序列、斯皮尔曼相关性指数序列进行预处理,包括:采用公式(五)分别计算出皮尔逊相关性指数序列中每一个皮尔逊相关性指数在皮尔逊相关性指数序列中所占的比重,互信息熵序列中每一个互信息熵在互信息熵序列中所占的比重和斯皮尔曼相关性指数序列中每一个斯皮尔曼相关性指数在斯皮尔曼相关性指数序列中所占的比重。
其中,是相关性指数比重。j指代使用的相关性指数计算公式,其中,j=1指代皮尔逊相关性指数,j=2指代互信息熵,j=3指代斯皮尔曼相关性指数。示例性的,在j=1时,指第i个气象特征与实测功率数据的皮尔逊相关性指数,指该皮尔逊相关性指数在皮尔逊相关性指数序列之和中所占的比重;在j=2时,指第i个气象特征与实测功率数据的互信息熵,指该互信息熵在互信息熵序列之和中所占的比重;在j=3时,指第i个气象特征与实测功率数据的斯皮尔曼相关性指数,指该斯皮尔曼相关性指数在斯皮尔曼相关性指数序列之和中所占的比重
计算出每一个皮尔逊相关性指数的皮尔逊相关性指数比重,每一个互信息熵的互信息熵比重,每一个斯皮尔曼相关性指数的斯皮尔曼相关性指数比重后,可以得到皮尔逊相关性指数比重序列互信息熵比重序列斯皮尔曼相关性指数比重序列
本申请实施例中,在得到皮尔逊相关性指数比重序列、互信息熵比重序列、斯皮尔曼相关性指数比重序列之后,对第i个气象特征,本申请实施例可以先采用DS证据理论融合该气象特征的皮尔逊相关性指数比重和互信息熵比重,得到初步融合指数(参见公式(六)),再将初步融合指数和该气象特征的斯皮尔曼相关性指数比重融合(参见公式(七)),得到融合相关性指数:
步骤304,根据各气象特征的融合相关性指数,对各气象特征进行由高至低排序,得到气象特征序列。
本申请实施例可以根据气象特征的融合相关性指数的大小,对第一降维数值天气预报中各气象特征由高至低排序,融合相关性指数最高的气象特征排列在第一位,融合相关性指数最低的气象特征排列在最后一位,得到气象特征序列。
步骤306,按序依次从气象特征序列中确定目标气象特征,直至目标气象特征的融合相关性指数的累加结果大于阈值。
其中,阈值是一个预先定义的百分比数值,本申请实施例中对该阈值的具体取值不做具体限定,本示例中以阈值取值为90%为例,对本申请实施例加以说明。
本申请实施例计算每个融合相关性指数在所有融合相关性指数中所占的比重,将各气象特征的比重作为贡献率,贡献率的计算方式参照公式(八):
本申请实施例从气象特征序列的第一位起,将第一位气象特征选取为目标气象特征,取该第一位气象特征的融合相关性指数对应的贡献率;若该贡献率未大于阈值,则将第二位气象特征选取为目标气象特征,将该第二位气象特征的贡献率与第一位气象特征的贡献率相加;若该累加结果仍未大于阈值,则将第三位气象特征选取为目标气象特征,将第三位气象特征的贡献率与前述累加结果相加……直至所有被选取为目标气象特征的气象特征的贡献率之和大于阈值为止。示例性的,在阈值设定为90%的情况下,若第一位气象特征的贡献率为91%,则本申请实施例仅选取第一位气象特征为目标气象特征;若最后一位气象特征的贡献率为11%,也即在不选取最后一位气象特征的情况下所有目标气象特征的贡献率之和仅为89%,小于阈值的情况下,本申请实施例需要选取全部气象特征为目标气象特征。
需要说明的是,本申请实施例也可以根据气象特征的融合相关性指数的大小,对第一降维数值天气预报中各气象特征由低至高排序,在选取目标气象特征时从气象特征序列的最后一位起,按序选取目标气象特征,直到所有目标气象特征的贡献率之和大于阈值,本申请实施例中不对气象特征的排序方式及目标气象特征的选取方式做具体限定。
步骤308,根据目标气象特征,得到第二降维数值天气预报。
本申请实施例中,在得到目标气象特征之后,根据目标气象特征,可以构建得到第二降维数值天气预报。示例性的,在第一降维数值天气预报有20个维度,从第一降维数值天气预报中共选取了17个目标气象特征的情况下,第二降维数值天气预报有17个维度。
需要说明的是,本申请实施例可以对第一降维数值天气预报进行进一步的降维处理,得到第二降维数值天气预报,实际上,也可以直接对数值天气预报进行降维处理,得到第二降维数值天气预报,具体过程参照前述实施例的相关描述即可,本申请实施例在此不再赘述。
本申请实施例提供的风电功率预测方法,可以根据第一降维数值天气预报中各气象特征的皮尔逊相关性指数序列、互信息熵序列、斯皮尔曼相关性指数序列得到各气象特征的融合相关性指数,进而筛选出第一降维数值天气预报中融合相关性指数符合预设条件的气象特征为目标气象特征,根据目标气象特征得到第二降维数值天气预报。由于本申请实施例对第一降维数值天气预报再次进行了降维处理,也即对数值天气预报进行了两次降维处理,故可以进一步降低数值天气预报维度,降低风电功率预测模型处理的数据维度,且可以进一步降低数值天气预报中的冗余信息,进而可以有效提高风电功率的预测精度和预测效率。
在一个实施例中,如图4所示,步骤204中,根据实测功率数据对数值天气预报进行降维处理,得到降维后的数值天气预报,还包括:
步骤402,根据气象特征类型分别对风电场实测数据和第二降维数值天气预报中的气象特征进行分类,得到各气象特征类型对应的风电场实测数据集合以及气象特征数据集合。
其中,风电场实测数据指数值天气预报预测日的实测天气数据。例如:数值天气预报为在3月19日预测的3月20日的天气信息,则预测日为3月20日。
本申请实施例根据气象特征的类型分出多个气象特征类型。示例性的,若气象特征包括10米风速、30米风速、70米风速、10米风向、70米风向、100米风向、海平面气压、云量,则气象特征类型可以包括风速、风向、海平面气压和云量。本申请实施例可以根据气象特征类型对风电场实测数据进行分类,得到每个气象特征类型对应的风电场实测数据集合,根据气象特征类型对第二降维数值天气预报中的气象特征进行分类,得到每个气象特征类型对应的气象特征数据集合。针对任一气象特征类型来说,其对应的风电场实测数据集合中包括对应该气象特征类型的至少一个风电场实测数据,其对应的气象特征数据集合中包括对应该气象特征类型的至少一个第二降维数值天气预报中的气象特征。
步骤404,针对任一气象特征类型,从气象特征类型对应的风电场实测数据集合中确定标准实测数据,并确定气象特征类型对应的气象特征数据集合中各气象特征与标准实测数据的误差。
示例性的,针对任一气象特征类型,可以将该气象特征类型对应的风电场实测数据集合中的各风电场实测数据以及实测功率数据进行归一化处理后,根据归一化处理后的风电场实测数据和归一化处理后的实测功率数据,分别计算该气象特征类型对应的风电场实测数据集合中的各风电场实测数据与实测功率数据之间的皮尔逊相关性指数,将皮尔逊相关性指数最大的风电场实测数据确定为该气象特征类型对应的标准实测数据。
进一步的,可以将该气象特征类型对应的气象特征数据集合中的各气象特征与该气象特征类型对应的标准实测数据作差,得到各气象特征与标准实测数据的误差序列,针对任一气象特征对应的误差序列,可以对该误差序列进行求和处理,进而可以得到该气象特征与标准实测数据的误差,其他气象特征对应的误差序列参照该气象特征的误差序列的处理方式,可以分别得到各气象特征与标准实测数据的误差。
步骤406,根据各气象特征数据集合中各气象特征对应的误差,确定各气象特征数据集合中各气象特征的气象特征融合权重。
本申请实施例针对每一气象特征数据集合,根据该气象特征数据集合中各气象特征对应的误差,计算各气象特征的气象特征融合权重,以使得与标准实测数据误差最大的气象特征融合权重最小,与标准实测数据误差最小的气象特征融合权重最大。
其中,融合权重计算公式如公式(九)所示:
其中,λi指气象特征数据集合中第i个气象特征的气象特征融合权重,ei指该第i个气象特征与标准实测数据的误差,n指该气象特征数据集合中的气象特征数量。
步骤408,根据各气象特征数据集合中各气象特征的气象特征融合权重,对各气象特征数据集合中的气象特征进行融合,得到第三降维数值天气预报。
示例性的,针对任一气象特征,在得到该气象特征数据集合中各气象特征的融合权重之后,可以根据该气象特征数据集合中各气象特征的气象特征融合权重,对该气象特征数据集合中的气象特征进行融合,参照该融合过程处理其它气象特征数据集合后,可以得到第三降维数值天气预报。
本申请实施例不对具体融合方式做具体限定,示例性,可以采用线性加权的方式融合各气象特征数据集合中的气象特征。线性加权的公式见公式(十):
本申请实施例对各气象特征数据集合中的气象特征进行融合处理后,可以得到融合后的气象特征,融合后的气象特征的数量等于气象特征数据集合的数量。在得到融合后的气象特征之后,根据融合后的气象特征,可以构建第三降维数值天气预报。示例性的,若第二降维数值天气预报共有17个维度,本申请实施例对第二降维数值天气预报中的该17个气象特征共分出了10个气象特征类型并融合了该10个气象特征类型中的气象特征,则第三降维数值天气预报有10个维度。
需要说明的是,本申请实施例可以对第二降维数值天气预报进行进一步的降维处理,得到第三降维数值天气预报,实际上,也可以直接对数值天气预报进行降维处理,得到第三降维数值天气预报,或者,还可以直接对第一降维数值天气预报进行降维处理,得到第三降维数值天气预报,具体过程参照前述实施例的相关描述即可,本申请实施例在此不再赘述。
本申请实施例提供的风电功率预测方法,可以根据气象特征类型分别对风电场实测数据和第二降维数值天气预报中的气象特征进行分类,从各气象特征类型对应的风电场实测数据集合中确定标准实测数据后,可以根据各气象特征类型对应的标准实测数据对各气象特征数据集合中的气象特征进行融合,得到第三降维数值天气预报。由于本申请实施例对第二降维数值天气预报再次进行了降维处理,也即对数值天气预报进行了三次降维处理,故可以进一步降低数值天气预报维度,降低风电功率预测模型处理的数据维度,且可以进一步降低数值天气预报中的冗余信息,进而可以有效提高风电功率的预测精度和预测效率。
在一个实施例中,如图5所示,风电功率预测模型中包括至少两个预测模型,上述步骤106中,通过风电功率预测模型对降维后的数值天气预报进行风电功率预测,得到预测风电功率,包括:
步骤502,通过各预测模型分别对降维后的数值天气预报进行风电功率预测,得到多个初始预测风电功率。
示例性的,本申请实施例中风电功率预测模型中包括至少两个预测模型,本申请实施例中对预测模型的数量和类型不做具体限定,以下以风电功率预测模型中包括至少三个预测模型为例,对本申请实施例加以说明。
示例性的,本申请实施例中风电功率预测模型中包括三个预测模型,该三个预测模型包括正态云模型多目标黏菌算法(Cloud Multi-objective Slime Mould Algorithm,CMOSMA)优化的极限学习机(Extreme Learning Machine,ELM),即MOSMA-ELM模型、使用正态云模型多目标黏菌算法优化的BP模型(Back Propagation,BP),即MOSMA-BP模型和使用正态云模型多目标黏菌算法优化的ELMAN神经网络,即MOSMA-ELMAN模型。
本申请实施例将降维后的数值天气预报分别输入各预测模型中进行预测处理,得到多个初始预测风电功率,例如:以前述示例为例,可以得到MOSMA-ELM模型的初始预测风电功率p1,MOSMA-BP模型的初始预测风电功率p2和MOSMA-ELMAN模型的初始预测风电功率p3。
步骤504,根据各预测模型的预测模型融合权重对多个初始预测风电功率进行融合处理,得到预测风电功率。
示例性的,在得到各预测模型的初始预测风电功率后,可以根据各预测模型的预测模型融合权重,对各初始预测风电功率进行融合。
本申请实施例不对具体融合方式做具体限定,示例性,可以采用线性加权的方式融合各预测模型的初始预测风电功率。以使用的预测模型是MOSMA-ELM模型、MOSMA-BP模型和MOSMA-ELMAN模型为例,线性加权的公式见公式(十一):
其中,p是预测风电功率,m指代使用的预测模型,m=1指代MOSMA-ELM模型,m=2指代MOSMA-BP模型,m=3指代MOSMA-ELMAN模型,λm是各预测模型的融合权重,pm是各预测模型的初始预测风电功率。
本申请实施例提供的风电功率预测方法,采用多个预测模型对降维后的数值天气预报进行预测处理,计算各预测模型对应的预测模型融合权重并基于预测模型融合权重对各预测模型的初始预测风电功率进行融合,有效弥补了各预测模型在风电功率预测方面各自的不足,改善了单一预测模型预测精度低的问题,进一步提升了风电功率预测精度。
在一个实施例中,如图6所示,上述方法还包括:
步骤602,获取预置时段内的数值天气预报和实测功率数据。
本申请实施例中,在对预测日的风电功率进行预测的过程中,可以获取该预测日之前预置时段内的数值天气预报和实测功率数据,进而基于该预置时段内的数值天气预报和实测功率数据,确定在对预测日的风电功率进行预测的过程中,各预测模型对应的预测模型融合权重。
其中,预置时段为预先设定的时间范围,本申请实施例不对预置时段的具体取值做具体限定,例如:预置时段可以是预测日的前三周,也即预测日是22日时,预置时段可以是同月的1-21日
步骤604,根据预置时段内的实测功率数据,对预置时段内的数值天气预报进行降维处理,得到降维后的数值天气预报。
本申请实施例中,对预置时段内的数值天气预报进行降维处理的过程参照前述实施例的相关描述即可,本申请实施例在此不再赘述。
步骤606,根据降维后的数值天气预报构建训练集。
在对预置时段内的数值天气预报进行降维处理后,可以根据降维后的数值天气预报构建训练集,以使用该训练集对各预测模型进行损失计算,以得到各预测模型对应的预测模型融合权重。
为了便于得到各预测模型的预测模型融合权重,本申请实施例可以将构建的训练集划分为多个子训练集。示例性的,当预置时段是待预测日的前三周时,可以以周为单位划分子训练集,即1-7日为第一子训练集,8-14日为第二子训练集,15-21日为第三子训练集。
步骤608,通过训练集分别对各预测模型进行训练处理,得到各预测模型的损失值。
各预测模型将在每个子训练集上得到一个损失值,据此可以构建每个子训练集的训练误差序列。示例性的,当预测模型是MOSMA-ELM模型,MOSMA-BP模型和MOSMA-ELMAN模型时,第i子训练集的训练误差序列可以是 其中指MOSMA-ELM模型在第i子训练集上的训练误差,指MOSMA-BP模型在第i子训练集上的训练误差,指MOSMA-ELMAN模型在第i子训练集上的训练误差。
步骤610,根据各预测模型的损失值,得到各预测模型的预测模型融合权重。
其中,各预测模型的预测模型融合权重可以是通过DS证据理论,对该预测模型在各子训练集上的训练误差进行融合后,得到的相关性指数。
其中m指代使用的预测模型,m=1指代MOSMA-ELM模型,m=2指代MOSMA-BP模型,m=3指代MOSMA-ELMAN模型。示例性的,指MOSMA-ELM模型在第i子训练集上的训练误差比重,指MOSMA-BP模型在第i子训练集上的训练误差比重,指MOSMA-ELMAN模型在第i子训练集上的训练误差比重。
本申请实施例使用公式(十三)、公式(十四)融合每一个训练模型在所有子训练集上的训练误差比重,得到MOSMA-ELM模型的预测模型融合权重λ1、MOSMA-BP模型的预测模型融合权重λ2、MOSMA-ELMAN模型的预测模型融合权重λ3:
其中,是第一子训练集的训练误差比重和第二子训练集的误差比重融合后的第一融合训练误差比重。本申请实施例进而可以将第一融合训练误差比重与第三子训练集的训练误差比重融合,得到第二融合训练误差比重……直至将第n-2融合训练误差比重与第n子训练集的训练误差比重融合,得到预测模型融合权重。最终得到预测模型融合权重的融合公式如下:
本申请实施例进而可以使用公式(十一)根据λ1、λ2、λ3得到最终预测值。
本申请实施例提供的风电功率预测方法,可以计算各预测模型在各子训练集上的训练误差,通过融合各预测模型在各子训练集上的训练误差得到各预测模型的预测模型融合权重,进而可以基于预测模型融合权重对各预测模型的初始预测风电功率进行融合,有效弥补了各预测模型在风电功率预测方面各自的不足,改善了单一预测模型预测精度低的问题,进一步提升了风电功率预测精度。
为使本领域技术人员更好的理解本申请实施例,以下通过具体示例对本申请实施例加以说明。
示例性的,如图7、图8所示,示出了一种风电功率预测方法的流程图。当预测日是22日时,此时可以选取预测日前3周即1日至7日,8日至14日,15日至21日的数值天气预报为训练数据集。在实际进行训练时,可以使用降维后的数值天气预报作为输入,降维后的数值天气预报对应的实测功率数据作为输出对风电功率预测模型进行训练。
首先可以对数值天气预报进行降维处理。对数值天气预报中包含的每一个气象特征,可以采用皮尔逊相关性指数、互信息熵、斯皮尔曼相关性指数分别计算每一个气象特征和该数值天气预报对应的实测功率数据的相关性指数,根据结果构建皮尔逊相关性指数序列,互信息熵序列,斯皮尔曼相关性指数序列。
其中,采用的三种相关性指数(皮尔逊相关性指数、互信息熵、斯皮尔曼相关性指数)计算方式中,皮尔逊相关性指数可以反映两个数据集的波形相似度,可以用来衡量气象特征与实测功率数据之间的冲突性;互信息熵可以衡量变量之间的不确定性;斯皮尔曼相关性指数是一种具有非参数性质的等级统计指标,可以用来度量两个变量变化的一致性。三种相关性指数均具有衡量气象特征与功率相关性的评价能力。
进一步的,可以根据皮尔逊相关性指数序列,互信息熵序列,斯皮尔曼相关性指数序列确定处于异常状态的气象特征,并将该处于异常状态的气象特征从数值天气预报中删除,得到第一降维数值天气预报。确定处于异常状态的气象特征的具体步骤可以参照前述实施例的相关描述,本申请实施例在此不再赘述。
本申请实施例进而可以根据各气象特征的相关性指数,将相关性指数大于阈值的气象特征确定为目标气象特征。由于单一的相关性指数计算方式不能全面的反映气象特征与实测功率数据之间的映射关系,本申请实施例采用DS证据理论对三种相关性指数(皮尔逊相关性指数、互信息熵、斯皮尔曼相关性指数)进行融合,得到融合相关性指数,并根据各气象特征的融合相关性指数,将融合相关性指数大于阈值的气象特征确定为目标气象特征,进而根据目标气象特征构建第二降维数值天气预报。确定目标气象特征的具体步骤可以参照前述实施例的相关描述,本申请实施例在此不再赘述。
在得到第二降维数值天气预报后,可以将第二降维数值天气预报根据气象特征类型分类,将各气象特征类型对应的气象特征数据集合中的气象特征融合,得到融合后的气象特征,进而根据融合后的气象特征构建第三降维数值天气预报。确定融合后的气象特征的具体步骤可以参照前述实施例的相关描述,本申请实施例在此不再赘述。
本申请实施例采用多个预测模型分别对降维后的数值天气预报进行预测处理,得到初始预测风电功率,进而根据各预测模型的预测模型融合权重对多个初始预测风电功率进行融合处理,得到预测风电功率。
示例性的,本申请实施例可以使用MOSMA-ELM模型、MOSMA-BP模型和MOSMA-ELMAN模型进行预测。ELM是一类单隐层前向型网络,仅通过少量计算就可以训练网络权值,极大地提高了网络的泛化能力和学习速度,具有较强的非线性拟合能力。BP是一种正向传播模型,具有很强的非线性映射能力。ELMAN是一种拥有局部反馈和局部记忆模块的递归优化的神经网络,具有全局稳定以及适应时变的能力。三种预测模型(MOSMA-ELM模型、MOSMA-BP模型和MOSMA-ELMAN模型)均可以对风电功率进行预测,但每个预测模型在风电功率预测方面的推理能力和拟合能力均有限,故本申请实施例需要对各预测模型的初始预测功率进行融合,以降低预测误差,提高预测精度。融合各预测模型的初始预测风电功率的具体步骤可以参照前述实施例的相关描述,本申请实施例在此不再赘述。
示例性的,如图9所示,示出了本申请实施例提供的风电功率预测方法的预测值曲线和实测功率数据的曲线。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的风电功率预测方法的风电功率预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个风电功率预测装置实施例中的具体限定可以参见上文中对于风电功率预测方法的限定,在此不再赘述。
在一个实施例中,如图10所示,提供了一种风电功率预测装置,包括:第一获取模块1002、第一降维模块1004和预测模块1006,其中:
第一获取模块1002,用于获取数值天气预报和实测功率数据,所述数值天气预报包括多个维度的气象特征。
第一降维模块1004,用于根据所述实测功率数据对所述数值天气预报进行降维处理,得到降维后的数值天气预报。
预测模块1006,用于通过风电功率预测模型对所述降维后的数值天气预报进行风电功率预测,得到预测风电功率。
基于本申请实施例提供的风电功率预测装置,通过获取数值天气预报和实测功率数据,可以根据实测功率数据对所述数值天气预报进行降维处理。本申请实施例进而可以通过风电功率预测模型对降维后的数值天气预报进行风电功率预测,得到预测风电功率。本申请实施例降低了数值天气预报维度,去除了数值天气预报中的冗余信息,有效提高了风电功率的预测精度。
在其中一个实施例中,所述第一降维模块1004,还用于:
根据所述实测功率数据和所述气象特征,构建皮尔逊相关性指数序列、互信息熵序列、斯皮尔曼相关性指数序列;
根据所述皮尔逊相关性指数序列、所述互信息熵序列、所述斯皮尔曼相关性指数序列,确定所述数值天气预报中处于异常状态的气象特征,将所述处于异常状态的气象特征从所述数值天气预报中删除,得到第一降维数值天气预报。
在其中一个实施例中,所述第一降维模块1004,还用于:
根据所述第一降维数值天气预报中各所述气象特征的所述皮尔逊相关性指数序列、所述互信息熵序列、所述斯皮尔曼相关性指数序列,构建融合相关性指数序列,所述融合相关性指数序列包括各所述气象特征的融合相关性指数,所述融合相关性指数用于表征所述气象特征与所述实测功率数据的相关性;
根据各所述气象特征的所述融合相关性指数,对各所述气象特征进行由高至低排序,得到气象特征序列;
按序依次从所述气象特征序列中确定目标气象特征,直至所述目标气象特征的融合相关性指数的累加结果大于阈值;
根据所述目标气象特征,得到第二降维数值天气预报。
在其中一个实施例中,所述第一降维模块1004,还用于:
根据气象特征类型分别对风电场实测数据和所述第二降维数值天气预报中的气象特征进行分类,得到各所述气象特征类型对应的风电场实测数据集合以及气象特征数据集合;
针对任一所述气象特征类型,从所述气象特征类型对应的所述风电场实测数据集合中确定标准实测数据,并确定所述气象特征类型对应的所述气象特征数据集合中各所述气象特征与所述标准实测数据的误差;
根据各所述气象特征数据集合中各所述气象特征对应的所述误差,确定各所述气象特征数据集合中气象特征的气象特征融合权重各所述气象特征的气象特征融合权重;
根据各所述气象特征数据集合中气象特征的气象特征融合权重各所述气象特征的气象特征融合权重,对各所述气象特征数据集合中的所述气象特征进行融合,得到第三降维数值天气预报。
在其中一个实施例中,所述预测模块1006,还用于:
通过各所述预测模型分别对所述降维后的数值天气预报进行风电功率预测,得到多个初始预测风电功率;
根据各所述预测模型的预测模型融合权重对所述多个初始预测风电功率进行融合处理,得到预测风电功率。
在其中一个实施例中,所述装置还包括:
第二获取模块,用于获取预置时段内的数值天气预报和实测功率数据;
第二降维模块,用于根据所述预置时段内的实测功率数据,对所述预置时段内的数值天气预报进行降维处理,得到预置时段内降维后的数值天气预报;
构建模块,用于根据所述预置时段内降维后的数值天气预报构建训练集;
训练模块,用于通过所述训练集分别对各所述预测模型进行训练处理,得到各所述预测模型的损失值;
融合权重模块,用于根据所述各所述预测模型的所述损失值,得到所述各所述预测模型的预测模型融合权重。
上述风电功率预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种风电功率预测方法。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种风电功率预测方法,其特征在于,所述方法包括:
获取数值天气预报和实测功率数据,所述数值天气预报包括多个维度的气象特征;
根据所述实测功率数据对所述数值天气预报进行降维处理,得到降维后的数值天气预报;
通过风电功率预测模型对所述降维后的数值天气预报进行风电功率预测,得到预测风电功率。
2.根据权利要求1所述的方法,其特征在于,所述根据所述实测功率数据对所述数值天气预报进行降维处理,得到降维后的数值天气预报,包括:
根据所述实测功率数据和所述气象特征,构建皮尔逊相关性指数序列、互信息熵序列、斯皮尔曼相关性指数序列;
根据所述皮尔逊相关性指数序列、所述互信息熵序列、所述斯皮尔曼相关性指数序列,确定所述数值天气预报中处于异常状态的气象特征,将所述处于异常状态的气象特征从所述数值天气预报中删除,得到第一降维数值天气预报。
3.根据权利要求2所述的方法,其特征在于,所述根据所述实测功率数据对所述数值天气预报进行降维处理,得到降维后的数值天气预报,还包括:
根据所述第一降维数值天气预报中各所述气象特征的所述皮尔逊相关性指数序列、所述互信息熵序列、所述斯皮尔曼相关性指数序列,构建融合相关性指数序列,所述融合相关性指数序列包括各所述气象特征的融合相关性指数,所述融合相关性指数用于表征所述气象特征与所述实测功率数据的相关性;
根据各所述气象特征的所述融合相关性指数,对各所述气象特征进行由高至低排序,得到气象特征序列;
按序依次从所述气象特征序列中确定目标气象特征,直至所述目标气象特征的融合相关性指数的累加结果大于阈值;
根据所述目标气象特征,得到第二降维数值天气预报。
4.根据权利要求3所述的方法,其特征在于,所述根据所述实测功率数据对所述数值天气预报进行降维处理,得到降维后的数值天气预报,还包括:
根据气象特征类型分别对风电场实测数据和所述第二降维数值天气预报中的气象特征进行分类,得到各所述气象特征类型对应的风电场实测数据集合以及气象特征数据集合;
针对任一所述气象特征类型,从所述气象特征类型对应的所述风电场实测数据集合中确定标准实测数据,并确定所述气象特征类型对应的所述气象特征数据集合中各所述气象特征与所述标准实测数据的误差;
根据各所述气象特征数据集合中各所述气象特征对应的所述误差,确定各所述气象特征数据集合中各所述气象特征的气象特征融合权重;
根据各所述气象特征数据集合中各所述气象特征的所述气象特征融合权重,对各所述气象特征数据集合中的所述气象特征进行融合,得到第三降维数值天气预报。
5.根据权利要求1至4中任一项所述的方法,其特征在于,所述风电功率预测模型中包括至少两个预测模型,
所述通过风电功率预测模型对所述降维后的数值天气预报进行风电功率预测,得到预测风电功率,包括:
通过各所述预测模型分别对所述降维后的数值天气预报进行风电功率预测,得到多个初始预测风电功率;
根据各所述预测模型的预测模型融合权重对所述多个初始预测风电功率进行融合处理,得到预测风电功率。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
获取预置时段内的数值天气预报和实测功率数据;
根据所述预置时段内的实测功率数据,对所述预置时段内的数值天气预报进行降维处理,得到预置时段内降维后的数值天气预报;
根据所述预置时段内降维后的数值天气预报构建训练集;
通过所述训练集分别对各所述预测模型进行训练处理,得到各所述预测模型的损失值;
根据所述各所述预测模型的所述损失值,得到所述各所述预测模型的预测模型融合权重。
7.一种风电功率预测装置,其特征在于,所述装置包括:
第一获取模块,用于获取数值天气预报和实测功率数据,所述数值天气预报包括多个维度的气象特征;
第一降维模块,用于根据所述实测功率数据对所述数值天气预报进行降维处理,得到降维后的数值天气预报;
预测模块,用于通过风电功率预测模型对所述降维后的数值天气预报进行风电功率预测,得到预测风电功率。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一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权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210393504.9A CN114784795A (zh) | 2022-04-15 | 2022-04-15 | 风电功率预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210393504.9A CN114784795A (zh) | 2022-04-15 | 2022-04-15 | 风电功率预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114784795A true CN114784795A (zh) | 2022-07-22 |
Family
ID=82429567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210393504.9A Pending CN114784795A (zh) | 2022-04-15 | 2022-04-15 | 风电功率预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114784795A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109007A (zh) * | 2023-03-23 | 2023-05-12 | 阿里巴巴达摩院(杭州)科技有限公司 | 发电功率确定方法、服务器及存储介质 |
-
2022
- 2022-04-15 CN CN202210393504.9A patent/CN114784795A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109007A (zh) * | 2023-03-23 | 2023-05-12 | 阿里巴巴达摩院(杭州)科技有限公司 | 发电功率确定方法、服务器及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107506868B (zh) | 一种短时电力负荷预测的方法及装置 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
Lin et al. | High-precision forecast using grey models | |
CN114065653A (zh) | 电力负荷预测模型的构建方法与电力负荷预测方法 | |
CN110807508B (zh) | 计及复杂气象影响的母线峰值负荷预测方法 | |
CN115034473A (zh) | 一种电价预测方法、系统及装置 | |
CN114784795A (zh) | 风电功率预测方法、装置、电子设备及存储介质 | |
CN114202174A (zh) | 一种电价风险等级预警方法、装置及存储介质 | |
CN113901679A (zh) | 电力系统的可靠性分析方法、装置和计算机设备 | |
CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
CN114881343B (zh) | 基于特征选择的电力系统短期负荷预测方法及装置 | |
CN116108976A (zh) | 一种超短期风速预测方法 | |
CN115204501A (zh) | 企业评估方法、装置、计算机设备和存储介质 | |
CN116191398A (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
CN115473219A (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
CN116050475A (zh) | 关键污染物浓度预测模型的训练方法、装置和计算机设备 | |
CN112256735B (zh) | 一种用电监测方法、装置、计算机设备和存储介质 | |
CN113469570A (zh) | 信息质量评价模型构建方法、装置、设备及存储介质 | |
CN115986746B (zh) | 基于软传感器的预测方法、装置、计算机设备和存储介质 | |
CN113449258B (zh) | 智能电表的质量评估方法、装置、终端设备及存储介质 | |
CN116629694A (zh) | 基于电网工程的esg指标体系算法模型确定方法和装置 | |
CN115545214A (zh) | 用户筛选方法、装置、计算机设备、存储介质和程序产品 | |
CN117437104A (zh) | 县域碳排放量预测方法、装置、计算机设备和存储介质 | |
CN117318026A (zh) | 光伏发电功率预测方法、装置、计算机设备和存储介质 | |
CN114819282A (zh) | 基于个性化共识的应急任务规划方案评估方法和系统 |
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 |