CN115018170A - 一种短期风电功率预测方法、装置、设备及存储介质 - Google Patents
一种短期风电功率预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115018170A CN115018170A CN202210669086.1A CN202210669086A CN115018170A CN 115018170 A CN115018170 A CN 115018170A CN 202210669086 A CN202210669086 A CN 202210669086A CN 115018170 A CN115018170 A CN 115018170A
- Authority
- CN
- China
- Prior art keywords
- wind power
- power prediction
- data
- trained
- target
- 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 69
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 109
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 23
- 238000003062 neural network model Methods 0.000 claims abstract description 22
- 238000011156 evaluation Methods 0.000 claims description 39
- 238000005457 optimization Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 241000283153 Cetacea Species 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000282461 Canis lupus Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000001052 transient 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
- 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
-
- 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
-
- 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
-
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
-
- 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)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Power Engineering (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种短期风电功率预测方法、装置、设备及存储介质,包括:采集当前风电场对应的实时风电功率数据,并对实时风电功率数据进行预处理,得到第一预处理后数据;将第一预处理后数据输入至预先训练好的目标风电功率预测模型,得到目标风电功率预测模型输出的与第一历史风电功率数据对应的风电功率预测结果;其中,目标风电功率预测模型为预先训练好的多分支神经网络模型,并且,在多分支神经网络模型的训练过程中,对VMD算法中的分解个数和各分解分量对应的中心频率进行优化。本申请通过对VMD算法中的分解个数和各分解分量对应的中心频率进行优化,从而利用训练出目标风电功率预测模型实现风电功率的预测,提高了预测精度。
Description
技术领域
本发明涉及风电功率预测技术领域,特别涉及一种短期风电功率预测方法、装置、设备及存储介质。
背景技术
当前,风电功率的预测方法可以分为间接预测方法和直接预测方法。其中间接预测方法主要是指用其他特征预测风电功率,例如风速、温度、空气密度等,但是由于误差叠加,这种方法通常预测不准确,然而直接预测方法主要使用风电功率本身的历史数据预测未来风电功率,能够延续时序序列,更加准确地拟合非线性关系,提高预测精度,但是又由于风电功率本身具有波动性和非周期性,难以直接提取出时序序列的趋势,因此信号分解技术与深度学习方法结合的预测模型开始出现。其中,VMD(Variational modedecomposition,变分模态分解)算法可以很好地解决时序序列中的模式混叠问题并且不会增加额外的噪声,但是VMD的分解次数和各分量的中心频率没有得到优化,同时大部分的深度学习预测方法仅仅考虑长期趋势特征的全局趋势,没有考虑到最近时间段的局部趋势。
发明内容
有鉴于此,本发明的目的在于提供一种短期风电功率预测方法、装置、设备及存储介质,能够加强风电功率预测模型的自相关性,并提高对短期风电功率的预测精度。其具体方案如下:
第一方面,本申请公开了一种短期风电功率预测方法,包括:
采集当前风电场对应的实时风电功率数据,并对所述实时风电功率数据进行预处理,得到第一预处理后数据;
将所述第一预处理后数据输入至预先训练好的目标风电功率预测模型,得到所述目标风电功率预测模型输出的与所述第一历史风电功率数据对应的风电功率预测结果;
其中,所述目标风电功率预测模型为预先训练好的多分支神经网络模型,并且,在所述多分支神经网络模型的训练过程中,对VMD算法中的分解个数和各分解分量对应的中心频率进行优化。
可选的,所述将所述第一预处理后数据输入至预先训练好的目标风电功率预测模型之前,还包括:
收集当前风电场的历史风电功率数据,并对所述历史风电功率数据进行预处理得到第二预处理后数据;
利用预设优化算法对VMD算法中的分解个数和各分解分量对应的中心频率进行多次优化,得到每次优化后对应的目标分解个数和目标中心频率;
根据每次优化后对应的所述目标分解个数和所述目标中心频率对所述第二预处理后数据进行数据分解,得到多组与所述目标分解个数和所述中心频率对应的分解分量;
将所述第二预处理后数据分别与每组所述分解分量进行重构,得到多组重构后数据;
利用所述重构后数据对基于卷积神经网络模型和门控循环单元构建的初始风电功率预测模型进行训练,得到多个与所述目标分解个数和所述中心频率对应的训练后的风电功率预测模型;
从多个所述训练后的风电功率预测模型中确定出目标风电功率预测模型。
可选的,所述对所述历史风电功率数据进行预处理得到第二预处理后数据,包括:
对所述历史风电功率数据进行去噪处理得到去噪后数据,并对所述去噪后数据进行归一化处理得到第二预处理后数据。
可选的,所述从多个所述训练后的风电功率预测模型中确定出目标风电功率预测模型,包括:
确定多个所述训练后的风电功率预测模型中的每个所述训练后的风电功率预测模型对应的模型评价指标得到相应的评价指标集;
将所述评价指标集中数值最小的模型评价指标所对应的所述训练后的风电功率预测模型确定为目标风电功率预测模型。
可选的,所述确定多个所述训练后的风电功率预测模型中的每个所述训练后的风电功率预测模型对应的模型评价指标得到相应的评价指标集,包括:
对多个所述训练后的风电功率预测模型中的每个所述训练后的风电功率预测模型对应的所述重构后数据进行特征提取,得到与所述重构后数据对应的局部趋势特征和全局趋势特征;
对所述局部趋势特征和所述全局趋势特征进行融合得到相应的融合后特征;
将所述融合后特征分别输入至相应的所述训练后的风电功率预测模型中,得到每个所述训练后的风电功率预测模型输出的风电功率预测值;
基于所述风电功率预测值和与所述风电功率预测值对应的风电功率实际值确定每个所述训练后的风电功率预测模型对应的模型评价指标,得到相应的评价指标集。
可选的,所述对所述局部趋势特征和所述全局趋势特征进行融合得到相应的融合后特征,包括:
利用预设特征融合算法对所述局部趋势特征和所述全局趋势特征进行融合得到相应的融合后特征。
可选的,所述利用预设优化算法对VMD算法中的分解个数和各分解分量对应的中心频率进行多次优化,包括:
利用鲸鱼算法对VMD算法中的分解个数和各分解分量对应的中心频率进行多次优化。
第二方面,本申请公开了一种风电功率预测装置,包括:
数据采集模块,用于采集当前风电场对应的实时风电功率数据;
第一数据预处理模块,用于对所述实时风电功率数据进行预处理,得到第一预处理后数据;
风电功率预测模块,用于将所述第一预处理后数据输入至预先训练好的目标风电功率预测模型,得到所述目标风电功率预测模型输出的与所述第一历史风电功率数据对应的风电功率预测结果;
其中,所述目标风电功率预测模型为预先训练好的多分支神经网络模型,并且,在所述多分支神经网络模型的训练过程中,对VMD算法中的分解个数和各分解分量对应的中心频率进行优化。
第三方面,本申请公开了一种电子设备,包括:
存储器,用于保存计算机程序;
处理器,用于执行所述计算机程序,以实现前述公开的短期风电功率预测方法的步骤。
第四方面,本申请公开了一种计算机可读存储介质,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现前述公开的短期风电功率预测方法的步骤。
可见,本申请提供了一种短期风电功率预测方法,包括:采集当前风电场对应的实时风电功率数据,并对所述实时风电功率数据进行预处理,得到第一预处理后数据;将所述第一预处理后数据输入至预先训练好的目标风电功率预测模型,得到所述目标风电功率预测模型输出的与所述第一历史风电功率数据对应的风电功率预测结果;其中,所述目标风电功率预测模型为预先训练好的多分支神经网络模型,并且,在所述多分支神经网络模型的训练过程中,对VMD算法中的分解个数和各分解分量对应的中心频率进行优化。由此可知,本申请在多分支神经网络模型的训练过程中,通过对VMD算法中的分解个数和各分解分量对应的中心频率进行优化,从而确定出训练好的目标风电功率预测模型,然后将采集到的实时风电功率数据进行预处理后,将第一预处理后数据输入至目标风电功率预测模型,得到目标风电功率预测模型输出的相应的风电功率预测结果。可知,本申请的技术方案能够加强风电功率预测模型的自相关性,并提高对短期风电功率的预测精度。
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简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种短期风电功率预测方法流程图;
图2为本申请公开的一种具体的短期风电功率预测方法流程图;
图3为本申请公开的一种风电场对应的风电功率数据时序示意图;
图4为本申请公开的一种风电功率数据VMD分解示意图;
图5为本申请公开的一种模型评价指标集确定方法流程图;
图6为本申请公开的一种风电功率预测值与风电功率实际值对比示意图;
图7为本申请公开的一种具体的风电功率预测流程图;
图8为本申请公开的一种风电功率预测装置结构示意图;
图9为本申请公开的一种电子设备结构图。
具体实施方式
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,所描述的实施例仅仅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得的所有其他实施例,都属于本发明保护的范围。
当前,现有技术中,VMD算法可以很好地解决时序序列中的模式混叠问题并且不会增加额外的噪声,但是VMD的分解次数和各分解分量的中心频率没有得到优化,同时大部分的深度学习预测方法仅仅考虑长期趋势特征的全局趋势,没有考虑到最近时间段的局部趋势。为此,本申请提供了一种短期风电功率预测方案,能够加强预测模型的自相关性,大大提高了预测精度。
本发明实施例公开了一种短期风电功率预测方法,参见图1所示,该方法包括:
步骤S11:采集当前风电场对应的实时风电功率数据,并对所述实时风电功率数据进行预处理,得到第一预处理后数据。
本实施例中,如果要预测当前风电场未来时间的风电功率数据,则可以采集当前风电场对应的实时风电功率数据,然后对所述实时风电功率数据进行预处理,得到第一预处理后数据,需要指出的是,采集到的上述实时风电功率数据为当前风电场历史时间内的具有时间序列特征的真实风电功率数据,并非是预测出的风电功率数据。并且对上述实时风电功率数据进行预处理时,上述预处理操作可以包括但不限于数据填充等操作。
步骤S12:将所述第一预处理后数据输入至预先训练好的目标风电功率预测模型,得到所述目标风电功率预测模型输出的与所述第一历史风电功率数据对应的风电功率预测结果。其中,所述目标风电功率预测模型为预先训练好的多分支神经网络模型,并且,在所述多分支神经网络模型的训练过程中,对VMD算法中的分解个数和各分解分量对应的中心频率进行优化。
本实施例中,在利用对上述实时风电功率数据进行预处理后得到的第一预处理后数据进行功率预测之前,需要预先训练出目标风电功率预测模型,也即,预先构建初始多分支神经网络模型,配置相应的初始参数,然后在上述初始多分支神经网络模型的训练过程中,通过对VMD算法中的分解个数和各分解分量对应的中心频率进行优化,进而确定出最终的用于风电功率预测的目标风电功率预测模型,然后将上述第一预处理后数据输入至上述目标风电功率预测模型,能够得到所述目标风电功率预测模型输出的与所述第一历史风电功率数据对应的风电功率预测结果。
可见,本申请实施例在多分支神经网络模型的训练过程中,通过对VMD算法中的分解个数和各分解分量对应的中心频率进行优化,从而确定出训练好的目标风电功率预测模型,然后将采集到的实时风电功率数据进行预处理后输入至目标风电功率预测模型,得到相应的风电功率预测结果,可知,本申请的技术方案能够加强预测模型的自相关性,大大提高了预测精度。
参见图2所示,本发明实施例公开了一种具体的短期风电功率预测方法,相较于上一实施例,本实施例对技术方案作了进一步的说明和优化。
步骤S21:收集当前风电场的历史风电功率数据,并对所述历史风电功率数据进行预处理得到第二预处理后数据。
本实施例中,通过收集当前风电场的历史风电功率数据,如图3所示,收集预设时间段的历史风电功率数据,然后对上述历史风电功率数据进行预处理得到第二预处理后数据,可以基于所述第二预处理后数据划分训练集和测试集,上述训练集用于模型的训练,上述测试集用于对训练后的目标模型进行验证。
本实施例中,上述对所述历史风电功率数据进行预处理得到第二预处理后数据,可以包括:对所述历史风电功率数据进行去噪处理得到去噪后数据,并对所述去噪后数据进行归一化处理得到第二预处理后数据。可以理解的是,对收集的原始历史风电功率数据进行去噪处理后,再将去噪后数据进行归一化处理。例如,对上述历史风电功率数据进行去噪处理后,利用Min-Max方法对去噪后数据进行归一化处理得到归一化后数据,上述归一化处理能够消除不同数据之间量纲的差异。所述Min-Max方法的计算公式为:
步骤S22:利用预设优化算法对VMD算法中的分解个数和各分解分量对应的中心频率进行多次优化,得到每次优化后对应的目标分解个数和目标中心频率。
本实施例中,对VMD算法中的分解个数和各分解分量对应的中心频率进行多次优化,得到每次优化后对应的目标分解个数和目标中心频率。需要指出的是,基于训练后模型对应的模型评价指标确定对VMD算法中的分解个数和各分解分量对应的中心频率进行多次优化的终止条件,每一次优化对应一次新的模型训练,从而得到相应的训练后模型,在优化的过程中,直至满足上述终止条件,则停止优化和训练。并且,所述预设优化算法可以包括但不限于WOA(Whale Optimization Algorithm,鲸鱼优化算法)、遗传算法、灰狼算法等。例如,利用鲸鱼算法对VMD算法中的分解个数和各分解分量对应的中心频率进行多次优化。也就是说,通过鲸鱼优化算法计算每只鲸鱼的适应度,并更新各个鲸鱼的位置,直至得到最优的结果,上述最优的结果分别是上述VMD算法中的目标分解个数和各分解分量的目标中心频率。其中,上述鲸鱼算法更新自身位置的计算公式为:
其中,t表示当前进行到第几次迭代的种群代数;X*(t)表示迭代到t代时,距离所确定猎物最近的最优位置;D表示领头鲸与猎物之间距离的中间参数;A表示收敛因子;D′表示第i只鲸鱼和猎物之间的距离;b表示一个定义螺旋线形状的常数;l表示一个元素对元素的乘法,通常为[-1,1]之间的随机数;p表示一个概率值,在实际应用时可以选取[0,1]之间的任意值;X(t+1)表示更新后的位置。
步骤S23:根据每次优化后对应的所述目标分解个数和所述目标中心频率对所述第二预处理后数据进行数据分解,得到多组与所述目标分解个数和所述中心频率对应的分解分量。
本实施例中,根据每次优化后对应的上述目标分解个数和上述目标中心频率对上述第二预处理后数据进行自适应的VMD分解操作,然后得到多组与所述目标分解个数和所述中心频率对应的分解分量。也就是说,每对优化后对应的所述目标分解个数和所述目标中心频率都分别对上述第二预处理后数据进行VMD分解操作,分别得到每对优化后对应的所述目标分解个数和所述目标中心频率对应的多个IMF(Intrinsic Mode Functions,内涵模态分量)和残余信号。
例如,如图4所示,根据优化后对应的所述目标分解个数和所述目标中心频率对收集到的预处理后的历史风电功率信号进行VMD分解操作,得到n个IMF和1个残差分量m(t)。假设历史风电功率信号为f,可以将历史风电功率信号分解为k个模态分量,同时需要保证分解的每个模态分量都具有中心频率。在满足所有模态分量之和与预处理后的历史风电功率信号相等的约束条件下,使得各模态分量的估计带宽之和最小,因此,对预处理后的历史风电功率信号构建的变分表达式可以为:
步骤S24:将所述第二预处理后数据分别与每组所述分解分量进行重构,得到多组重构后数据。
本实施例中,由于对预处理后的历史风电功率信号进行分解得到的分解分量和原始的历史风电功率之间具有一定的相关性,因此可以利用预设特征拼接法对分解后得到的各分解分量及预处理后的历史风电功率数据进行重构,如果在进行风电功率预测时,单独使用其中一方面的数据,会造成部分特征的丢失。
步骤S25:利用所述重构后数据对基于卷积神经网络模型和门控循环单元构建的初始风电功率预测模型进行训练,得到多个与所述目标分解个数和所述中心频率对应的训练后的风电功率预测模型。
本实施例中,将重构后数据作为用于训练模型的训练样本,即利用所述重构后数据对基于卷积神经网络模型和门控循环单元构建的初始风电功率预测模型进行训练,得到多个与所述目标分解个数和所述中心频率对应的训练后的风电功率预测模型。可以理解的是,利用每组重构后数据分别对基于卷积神经网络模型和门控循环单元构建的初始风电功率预测模型进行训练,然后能够得到多个与所述目标分解个数和所述中心频率对应的训练后的风电功率预测模型。也就是说,分别将每组重构后数据输入至初始卷积神经网络和初始门控循环单元进行训练,得到多个与所述目标分解个数和所述中心频率对应的训练后的卷积神经网络和训练后的门控循环单元。
步骤S26:从多个所述训练后的风电功率预测模型中确定出目标风电功率预测模型。
本实施例中,对VMD算法中的分解个数和各分解分量对应的中心频率进行多次优化,得到每次优化后对应的目标分解个数和目标中心频率之后,在模型训练的过程中,基于每次优化后对应的目标分解个数和目标中心频率对预处理后的历史风电功率数据进行处理,从而得到多个与目标分解个数和目标中心频率对应的训练后的风电功率预测模型,然后从多个所述训练后的风电功率预测模型中确定出目标风电功率预测模型。
本实施中,所述从多个所述训练后的风电功率预测模型中确定出目标风电功率预测模型,可以包括:确定多个所述训练后的风电功率预测模型中的每个所述训练后的风电功率预测模型对应的模型评价指标得到相应的评价指标集;将所述评价指标集中数值最小的模型评价指标所对应的所述训练后的风电功率预测模型确定为目标风电功率预测模型。可以理解的是,基于所述训练后的风电功率预测模型对应的模型评价指标确定目标风电功率预测模型,也就是说,将数值最小的模型评价指标对应的训练后的风电功率预测模型确定为目标风电功率预测模型。其中,所述确定多个所述训练后的风电功率预测模型中的每个所述训练后的风电功率预测模型对应的模型评价指标得到相应的评价指标集,如图5所示,具体可以包括:
步骤S31:对多个所述训练后的风电功率预测模型中的每个所述训练后的风电功率预测模型对应的所述重构后数据进行特征提取,得到与所述重构后数据对应的局部趋势特征和全局趋势特征。
步骤S32:对所述局部趋势特征和所述全局趋势特征进行融合得到相应的融合后特征。
步骤S33:将所述融合后特征分别输入至相应的所述训练后的风电功率预测模型中,得到每个所述训练后的风电功率预测模型输出的风电功率预测值。
步骤S34:基于所述风电功率预测值和与所述风电功率预测值对应的风电功率实际值确定每个所述训练后的风电功率预测模型对应的模型评价指标,得到相应的评价指标集。
也即,本实施例得到训练后的风电功率预测模型之后,对每一个训练后的风电功率预测模型对应的重构后数据分别进行多分支特征提取,得到每组重构后数据对应的局部趋势特征和全局趋势特征,然后利用预设特征融合算法分别对每组重构后数据对应的所述局部趋势特征和所述全局趋势特征进行融合得到相应的融合后特征,然后将融合后特征相应的输入至训练后的风电功率预测模型,从而得到不同训练后的风电功率预测模型分别输出的风电功率预测值,其中,每个训练后的风电功率预测模型输出的风电功率预测值的表示公式为:
P=F(C(yt)⊙G(yt));
其中,yt表示重构后数据,C(yt)表示所述重构后数据对应的局部趋势特征,G(yt)是所述重构后数据对应的全局趋势特征,⊙表示特征融合运算,F()表示训练后的风电功率预测模型,P表示所述训练后的风电功率预测模型输出的风电功率预测值。
得到训练后的风电功率预测模型输出的风电功率预测值之后,进而基于所述风电功率预测值和与所述风电功率预测值对应的风电功率实际值确定每个所述训练后的风电功率预测模型对应的模型评价指标,得到相应的评价指标集。如图6所示,上述图6示出了风电功率预测值与风电功率实际值的对比情况,计算所述风电功率预测值和与所述风电功率预测值对应的风电功率实际值之间的平均绝对值误差,其中,平均绝对值误差的计算公式为:
步骤S27:采集当前风电场对应的实时风电功率数据,并对所述实时风电功率数据进行预处理,得到第一预处理后数据。
步骤S28:将所述第一预处理后数据输入至所述目标风电功率预测模型,得到所述目标风电功率预测模型输出的与所述第一历史风电功率数据对应的风电功率预测结果。
关于上述步骤S27至步骤S28的具体内容可以参考前述实施例中公开的相应内容,在此不再进行赘述。
如图7所示,优化VMD算法中的分解个数和各分解分量的中心频率,得到优化后的VMD算法,然后利用优化后的VMD算法对风电功率数据进行分解,同时,然后将分解分量和风电功率数据进行重构,将重构后数据分别输入到CNN(Convolutional Neural Networks,卷积神经网络)和GRU(Gated Recurrent Unit,门控循环单元)中进行建模和预测,将CNN和GRU分别输出的预测结果进行融合得到最终预测结果。利用VMD算法对风电功率数据进行分解可以加强预测模型的自相关性,大大提高了预测精度,也就是说,由于预测模型的输入输出都是风电功率,根据风电功率的变化趋势进行预测,所以模型的自相关性越强,预测效果越好,并且对VMD中的相关参数进行优化调整,能够实现VMD算法在信号分解方面的自动寻优,而且分解分量和预处理后的历史风电功率数据进行重构,将重构后数据作为新的输入特征,并基于CNN和GRU对重构后数据进行特征提取,不仅使得构建的多分支神经网络能够实现全局趋势特征的学习,还能够兼顾了局部趋势特征对最终预测结果的影响,提高风电功率预测的准确性。
可见,本申请实施例中在多分支神经网络模型的训练过程中,通过对VMD算法中的分解个数和各分解分量对应的中心频率进行优化,从而确定出训练好的目标风电功率预测模型,然后将采集到的实时风电功率数据进行预处理后,将第一预处理后数据输入至目标风电功率预测模型,得到目标风电功率预测模型输出的相应的风电功率预测结果。可知,本申请的技术方案能够加强风电功率预测模型的自相关性,并提高对短期风电功率的预测精度。
相应的,本申请实施例还公开了一种风电功率预测装置,参见图8所示,该装置包括:
数据采集模块11,用于采集当前风电场对应的实时风电功率数据;
第一数据预处理模块12,用于对所述实时风电功率数据进行预处理,得到第一预处理后数据;
风电功率预测模块13,用于将所述第一预处理后数据输入至预先训练好的目标风电功率预测模型,得到所述目标风电功率预测模型输出的与所述第一历史风电功率数据对应的风电功率预测结果;
其中,所述目标风电功率预测模型为预先训练好的多分支神经网络模型,并且,在所述多分支神经网络模型的训练过程中,对VMD算法中的分解个数和各分解分量对应的中心频率进行优化。
由上可见,本实施例中在多分支神经网络模型的训练过程中,通过对VMD算法中的分解个数和各分解分量对应的中心频率进行优化,从而确定出训练好的目标风电功率预测模型,然后将采集到的实时风电功率数据进行预处理后,将第一预处理后数据输入至目标风电功率预测模型,得到目标风电功率预测模型输出的相应的风电功率预测结果。可知,本申请的技术方案能够加强风电功率预测模型的自相关性,并提高对短期风电功率的预测精度。
在一些具体的实施例中,所述风电功率预测装置,具体还可以包括:
数据收集模块,用于数据收集单元收集当前风电场的历史风电功率数据;
第二数据预处理模块,用于对所述历史风电功率数据进行预处理得到第二预处理后数据;
优化模块,用于利用预设优化算法对VMD算法中的分解个数和各分解分量对应的中心频率进行多次优化,得到每次优化后对应的目标分解个数和目标中心频率;
第二数据预处理模块,用于根据每次优化后对应的所述目标分解个数和所述目标中心频率对所述第二预处理后数据进行数据分解,得到多组与所述目标分解个数和所述中心频率对应的分解分量;
数据重构模块,用于将所述第二预处理后数据分别与每组所述分解分量进行重构,得到多组重构后数据;
模型训练模块,用于利用所述重构后数据对基于卷积神经网络模型和门控循环单元构建的初始风电功率预测模型进行训练,得到多个与所述目标分解个数和所述中心频率对应的训练后的风电功率预测模型;
模型确定模块,用于从多个所述训练后的风电功率预测模型中确定出目标风电功率预测模型。
在一些具体的实施例中,所述第二数据预处理模块,具体可以包括:
数据去噪子模块,用于对所述历史风电功率数据进行去噪处理得到去噪后数据;
数据归一化子模块,用于对所述去噪后数据进行归一化处理得到第二预处理后数据。
在一些具体的实施例中,所述模型确定模块,具体可以包括:
评价指标确定子模块,用于确定多个所述训练后的风电功率预测模型中的每个所述训练后的风电功率预测模型对应的模型评价指标得到相应的评价指标集;
目标模型确定子模块,用于将所述评价指标集中数值最小的模型评价指标所对应的所述训练后的风电功率预测模型确定为目标风电功率预测模型。
在一些具体的实施例中,所述评价指标确定子模块,具体可以包括:
特征提取单元,用于对多个所述训练后的风电功率预测模型中的每个所述训练后的风电功率预测模型对应的所述重构后数据进行特征提取,得到与所述重构后数据对应的局部趋势特征和全局趋势特征;
特征融合单元,用于对所述局部趋势特征和所述全局趋势特征进行融合得到相应的融合后特征;
特征输入单元,用于将所述融合后特征分别输入至相应的所述训练后的风电功率预测模型中,得到每个所述训练后的风电功率预测模型输出的风电功率预测值;
评价指标确定单元,用于基于所述风电功率预测值和与所述风电功率预测值对应的风电功率实际值确定每个所述训练后的风电功率预测模型对应的模型评价指标,得到相应的评价指标集。
在一些具体的实施例中,所述特征融合子模块,具体可以包括:
特征融合单元,用于利用预设特征融合算法对所述局部趋势特征和所述全局趋势特征进行融合得到相应的融合后特征。
在一些具体的实施例中,所述优化模块,具体可以包括:
优化子模块,用于利用鲸鱼算法对VMD算法中的分解个数和各分解分量对应的中心频率进行多次优化。
进一步的,本申请实施例还提供了一种电子设备。图9是根据一示例性实施例示出的电子设备20结构图,图中的内容不能认为是对本申请的使用范围的任何限制。
图9为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20,具体可以包括:至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中,所述存储器22用于存储计算机程序,所述计算机程序由所述处理器21加载并执行,以实现前述任一实施例公开的短期风电功率预测方法中的相关步骤。另外,本实施例中的电子设备20具体可以为电子计算机。
本实施例中,电源23用于为电子设备20上的各硬件设备提供工作电压;通信接口24能够为电子设备20创建与外界设备之间的数据传输通道,其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议,在此不对其进行具体限定;输入输出接口25,用于获取外界输入数据或向外界输出数据,其具体的接口类型可以根据具体应用需要进行选取,在此不进行具体限定。
另外,存储器22作为资源存储的载体,可以是只读存储器、随机存储器、磁盘或者光盘等,其上所存储的资源可以包括操作系统221、计算机程序222等,存储方式可以是短暂存储或者永久存储。
其中,操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222,其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的短期风电功率预测方法的计算机程序之外,还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的,本申请实施例还公开了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,所述计算机程序被处理器加载并执行时,实现前述任一实施例公开的短期风电功率预测方法步骤。
本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它实施例的不同之处,各个实施例之间相同或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。
最后,还需要说明的是,在本文中,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。
以上对本发明所提供的一种短期风电功率预测方法、装置、设备及存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种短期风电功率预测方法,其特征在于,包括:
采集当前风电场对应的实时风电功率数据,并对所述实时风电功率数据进行预处理,得到第一预处理后数据;
将所述第一预处理后数据输入至预先训练好的目标风电功率预测模型,得到所述目标风电功率预测模型输出的与所述第一历史风电功率数据对应的风电功率预测结果;
其中,所述目标风电功率预测模型为预先训练好的多分支神经网络模型,并且,在所述多分支神经网络模型的训练过程中,对VMD算法中的分解个数和各分解分量对应的中心频率进行优化。
2.根据权利要求1所述的短期风电功率预测方法,其特征在于,所述将所述第一预处理后数据输入至预先训练好的目标风电功率预测模型之前,还包括:
收集当前风电场的历史风电功率数据,并对所述历史风电功率数据进行预处理得到第二预处理后数据;
利用预设优化算法对VMD算法中的分解个数和各分解分量对应的中心频率进行多次优化,得到每次优化后对应的目标分解个数和目标中心频率;
根据每次优化后对应的所述目标分解个数和所述目标中心频率对所述第二预处理后数据进行数据分解,得到多组与所述目标分解个数和所述中心频率对应的分解分量;
将所述第二预处理后数据分别与每组所述分解分量进行重构,得到多组重构后数据;
利用所述重构后数据对基于卷积神经网络模型和门控循环单元构建的初始风电功率预测模型进行训练,得到多个与所述目标分解个数和所述中心频率对应的训练后的风电功率预测模型;
从多个所述训练后的风电功率预测模型中确定出目标风电功率预测模型。
3.根据权利要求2所述的短期风电功率预测方法,其特征在于,所述对所述历史风电功率数据进行预处理得到第二预处理后数据,包括:
对所述历史风电功率数据进行去噪处理得到去噪后数据,并对所述去噪后数据进行归一化处理得到第二预处理后数据。
4.根据权利要求2所述的短期风电功率预测方法,其特征在于,所述从多个所述训练后的风电功率预测模型中确定出目标风电功率预测模型,包括:
确定多个所述训练后的风电功率预测模型中的每个所述训练后的风电功率预测模型对应的模型评价指标得到相应的评价指标集;
将所述评价指标集中数值最小的模型评价指标所对应的所述训练后的风电功率预测模型确定为目标风电功率预测模型。
5.根据权利要求4所述的短期风电功率预测方法,其特征在于,所述确定多个所述训练后的风电功率预测模型中的每个所述训练后的风电功率预测模型对应的模型评价指标得到相应的评价指标集,包括:
对多个所述训练后的风电功率预测模型中的每个所述训练后的风电功率预测模型对应的所述重构后数据进行特征提取,得到与所述重构后数据对应的局部趋势特征和全局趋势特征;
对所述局部趋势特征和所述全局趋势特征进行融合得到相应的融合后特征;
将所述融合后特征分别输入至相应的所述训练后的风电功率预测模型中,得到每个所述训练后的风电功率预测模型输出的风电功率预测值;
基于所述风电功率预测值和与所述风电功率预测值对应的风电功率实际值确定每个所述训练后的风电功率预测模型对应的模型评价指标,得到相应的评价指标集。
6.根据权利要求5所述的短期风电功率预测方法,其特征在于,所述对所述局部趋势特征和所述全局趋势特征进行融合得到相应的融合后特征,包括:
利用预设特征融合算法对所述局部趋势特征和所述全局趋势特征进行融合得到相应的融合后特征。
7.根据权利要求2至6任一项所述的短期风电功率预测方法,其特征在于,所述利用预设优化算法对VMD算法中的分解个数和各分解分量对应的中心频率进行多次优化,包括:
利用鲸鱼算法对VMD算法中的分解个数和各分解分量对应的中心频率进行多次优化。
8.一种风电功率预测装置,其特征在于,包括:
数据采集模块,用于采集当前风电场对应的实时风电功率数据;
第一数据预处理模块,用于对所述实时风电功率数据进行预处理,得到第一预处理后数据;
风电功率预测模块,用于将所述第一预处理后数据输入至预先训练好的目标风电功率预测模型,得到所述目标风电功率预测模型输出的与所述第一历史风电功率数据对应的风电功率预测结果;
其中,所述目标风电功率预测模型为预先训练好的多分支神经网络模型,并且,在所述多分支神经网络模型的训练过程中,对VMD算法中的分解个数和各分解分量对应的中心频率进行优化。
9.一种电子设备,其特征在于,包括:
存储器,用于保存计算机程序;
处理器,用于执行所述计算机程序,以实现如权利要求1至7任一项所述的短期风电功率预测方法的步骤。
10.一种计算机可读存储介质,其特征在于,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的短期风电功率预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210669086.1A CN115018170A (zh) | 2022-06-14 | 2022-06-14 | 一种短期风电功率预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210669086.1A CN115018170A (zh) | 2022-06-14 | 2022-06-14 | 一种短期风电功率预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115018170A true CN115018170A (zh) | 2022-09-06 |
Family
ID=83074462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210669086.1A Pending CN115018170A (zh) | 2022-06-14 | 2022-06-14 | 一种短期风电功率预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115018170A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115833102A (zh) * | 2022-12-08 | 2023-03-21 | 南方电网数字电网研究院有限公司 | 基于模型预测控制的风电场频率快速响应控制方法 |
CN117498352A (zh) * | 2023-12-29 | 2024-02-02 | 西安热工研究院有限公司 | 一种基于储能辅助黑启动能力的风速预测方法及装置 |
-
2022
- 2022-06-14 CN CN202210669086.1A patent/CN115018170A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115833102A (zh) * | 2022-12-08 | 2023-03-21 | 南方电网数字电网研究院有限公司 | 基于模型预测控制的风电场频率快速响应控制方法 |
CN115833102B (zh) * | 2022-12-08 | 2023-08-25 | 南方电网数字电网研究院有限公司 | 基于模型预测控制的风电场频率快速响应控制方法 |
CN117498352A (zh) * | 2023-12-29 | 2024-02-02 | 西安热工研究院有限公司 | 一种基于储能辅助黑启动能力的风速预测方法及装置 |
CN117498352B (zh) * | 2023-12-29 | 2024-04-16 | 西安热工研究院有限公司 | 一种基于储能辅助黑启动能力的风速预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115018170A (zh) | 一种短期风电功率预测方法、装置、设备及存储介质 | |
CN112364975B (zh) | 基于图神经网络的终端运行状态预测方法及系统 | |
CN111612134A (zh) | 神经网络结构搜索方法、装置、电子设备及存储介质 | |
CN111402257A (zh) | 一种基于多任务协同跨域迁移的医学图像自动分割方法 | |
CN114519145A (zh) | 一种基于图神经网络挖掘用户长短期兴趣的序列推荐方法 | |
CN115034430A (zh) | 碳排放量预测方法、装置、终端及存储介质 | |
CN113361803A (zh) | 基于生成对抗网络的超短期光伏功率预测方法 | |
CN115824261A (zh) | 一种控制力矩陀螺仪故障检测方法、装置及相关存储介质 | |
CN117296061A (zh) | 具有改进准确度和减少的计算资源消耗的扩散模型 | |
CN113762503A (zh) | 数据处理方法、装置、设备及计算机可读存储介质 | |
CN112508178A (zh) | 神经网络结构搜索方法、装置、电子设备及存储介质 | |
CN117079005A (zh) | 一种光缆故障监测方法、系统、装置及可读存储介质 | |
CN112244863A (zh) | 信号识别方法、信号识别装置、电子设备及可读存储介质 | |
CN115713044B (zh) | 一种多工况切换下的机电设备剩余寿命分析方法和装置 | |
CN113342474B (zh) | 客户流量的预测、模型训练的方法、设备及存储介质 | |
CN116319383A (zh) | 流量矩阵预测方法、装置、计算机设备及存储介质 | |
CN116166642A (zh) | 基于引导信息的时空数据填补方法、系统、设备及介质 | |
CN115859048A (zh) | 一种局放信号的噪声处理方法及装置 | |
CN115496175A (zh) | 新建边缘节点接入评估方法、装置、终端设备及产品 | |
CN112529637A (zh) | 基于情景感知的服务需求动态预测方法及系统 | |
CN114926701A (zh) | 一种模型训练方法、目标检测方法、以及相关设备 | |
CN113608063B (zh) | 电力线路故障识别方法、装置及电子设备 | |
CN114723167A (zh) | 一种基于BiLSTM-RVFL模型的短时车速预测方法 | |
CN117851784A (zh) | 一种基于多尺度空洞卷积的时间序列预测方法 | |
CN117972535A (zh) | 风电机组关键部件故障预警方法、装置、设备及存储介质 |
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 |