CN115660232A - 风电功率的超短期预测方法、装置及系统 - Google Patents
风电功率的超短期预测方法、装置及系统 Download PDFInfo
- Publication number
- CN115660232A CN115660232A CN202211671083.8A CN202211671083A CN115660232A CN 115660232 A CN115660232 A CN 115660232A CN 202211671083 A CN202211671083 A CN 202211671083A CN 115660232 A CN115660232 A CN 115660232A
- Authority
- CN
- China
- Prior art keywords
- wind power
- power
- meteorological data
- prediction
- wind
- 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 59
- 238000012937 correction Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims description 29
- 230000005540 biological transmission Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 7
- 230000006403 short-term memory Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 238000010248 power generation Methods 0.000 abstract description 42
- 230000008859 change Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 101150036841 minJ gene Proteins 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Wind Motors (AREA)
Abstract
本发明公开了一种风电功率的超短期预测方法、装置及系统,属于风力发电技术领域。该方法包括:获取风电场的风机所处环境当前时刻的第一气象数据;基于所述第一气象数据,确定所述风机的第一风电预测功率;确定与所述第一气象数据对应的第二气象数据,所述第二气象数据表征所述风机所处环境的历史气象数据;确定所述第二气象数据对应的第二风电预测功率和第二风电实测功率;基于所述第二风电预测功率和所述第二风电实测功率,对所述第一风电预测功率进行误差修正,确定所述当前时刻对应的目标风电预测功率。该方法通过实时气象数据,结合相似条件下的历史气象数据的风电功率,修正风力发电输出功率预测偏差,实现风电功率的超短期准确预测。
Description
技术领域
本发明属于风力发电技术领域,尤其涉及一种风电功率的超短期预测方法、装置及系统。
背景技术
随着化石能源的逐渐枯竭和环境污染的日益严重,新能源的开发、利用和推广已成为必然趋势。风能作为一种丰富的环境友好型新能源,在最近几十年中发展迅速。目前中国对风能发电的运用越来越广泛,但风能的随机性、间歇性和不确定性会对电网的安全稳定运行产生不利影响。准确的风电功率预测有利于风电系统的运行、调峰、安全分析和能源交易。
目前,风电功率预测通常以某一时段的平均气象数据为输入,预测结果为该时段的平均输出功率,随着电网调度的精细化程度的提高,需要在较短的时间内对风电输出功率进行预测,在这种超短期预测系统中,气象数据实时变化,导致采集的气象数据更新不及时,风电功率预测的预测精度差以及预测结果的时效性、可靠性低。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种风电功率的超短期预测方法、装置及系统,提升风电功率预测的预测精度以及预测结果的时效性、可靠性。
第一方面,本发明提供了一种风电功率的超短期预测方法,该方法包括:
获取风电场的风机所处环境当前时刻的第一气象数据;
基于所述第一气象数据,确定所述风机的第一风电预测功率;
确定与所述第一气象数据对应的第二气象数据,所述第二气象数据表征所述风机所处环境的历史气象数据;
确定所述第二气象数据对应的第二风电预测功率和第二风电实测功率;
基于所述第二风电预测功率和所述第二风电实测功率,对所述第一风电预测功率进行误差修正,确定所述当前时刻对应的目标风电预测功率。
根据本发明的风电功率的超短期预测方法,通过实时获取风机所处环境当前时刻的气象数据,结合相似条件下的历史气象数据的风电功率,修正因气象数据实时变化导致的风力发电输出功率预测偏差,实现风电功率的超短期准确预测,有效提升风电功率预测的预测精度,预测结果的时效性、可靠性高,可以满足电力系统考核要求,有助于提高风力发电运营管理效率,优化电网调度。
根据本发明的一个实施例,所述确定与所述第一气象数据对应的第二气象数据,包括:
将所述第一气象数据分别与气象数据库中的多个历史气象数据进行比对,得到多个气象相似度,所述气象数据库包括所述风机所处环境的多个历史气象数据;
基于所述多个气象相似度,从所述气象数据库中确定出所述第二气象数据。
根据本发明的一个实施例,所述基于所述第二风电预测功率和所述第二风电实测功率,对所述第一风电预测功率进行误差修正,确定所述当前时刻对应的目标风电预测功率包括:
基于所述第二风电预测功率和所述第二风电实测功率,确定所述第二气象数据对应的目标功率差值;
基于所述目标功率差值对所述第一风电预测功率进行误差修正,确定所述目标风电预测功率。
根据本发明的一个实施例,所述基于所述目标功率差值对所述第一风电预测功率进行误差修正,确定所述目标风电预测功率,包括:
确定所述第一气象数据和所述第二气象数据的目标气象相似度;
基于所述目标气象相似度,确定所述目标功率差值对应的目标修正权值;
基于所述目标功率差值与所述目标修正权值的乘积,以及所述第一风电预测功率,确定所述目标风电预测功率。
根据本发明的一个实施例,所述基于所述第一气象数据,确定所述风机的第一风电预测功率,包括:
将所述第一气象数据输入至风电功率预测模型,获得所述风电功率预测模型输出的所述第一风电预测功率;
其中,所述风电功率预测模型基于长短期记忆网络构建,所述风电功率预测模型为基于样本气象数据和样本风电预测功率训练得到的。
第二方面,本发明提供了一种风电功率的超短期预测装置,该装置包括:
获取模块,用于获取风电场的风机所处环境当前时刻的第一气象数据;
第一处理模块,用于基于所述第一气象数据,确定所述风机的第一风电预测功率;
第二处理模块,用于确定与所述第一气象数据对应的第二气象数据,所述第二气象数据表征所述风机所处环境的历史气象数据;
第三处理模块,用于确定所述第二气象数据对应的第二风电预测功率和第二风电实测功率;
第四处理模块,用于基于所述第二风电预测功率和所述第二风电实测功率,对所述第一风电预测功率进行误差修正,确定所述当前时刻对应的目标风电预测功率。
根据本发明的风电功率的超短期预测装置,通过实时获取风机所处环境当前时刻的气象数据,结合相似条件下的历史气象数据的风电功率,修正因气象数据实时变化导致的风力发电输出功率预测偏差,实现风电功率的超短期准确预测,有效提升风电功率预测的预测精度,预测结果的时效性、可靠性高,可以满足电力系统考核要求,有助于提高风力发电运营管理效率,优化电网调度。
第三方面,本发明提供了一种风电功率的超短期预测系统,包括:
物理层,所述物理层包括风电场的风机;
感知层,所述感知层包括设置于所述风机周边的测风塔和气象站,所述感知层用于采集所述风机所处环境的气象数据;
数据传输层,所述数据传输层用于传输所述物理层的设备运行数据和所述感知层采集的气象数据;
数据处理层,所述数据处理层用于基于如第一方面所述的风电功率的超短期预测方法,确定所述风机的目标风电预测功率。
根据本发明的一个实施例,还包括:
决策层,所述决策层用于基于所述目标风电预测功率,生成所述风电场的风电并网策略。
第四方面,本发明提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述的风电功率的超短期预测方法。
第五方面,本发明提供了一种非暂态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如上述第一方面所述的风电功率的超短期预测方法。
第六方面,本发明提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现如第一方面所述的风电功率的超短期预测方法。
第七方面,本发明提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述第一方面所述的风电功率的超短期预测方法。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明实施例提供的风电功率的超短期预测方法的流程示意图之一;
图2是本发明实施例提供的长短期记忆网络;
图3是本发明实施例提供的风电功率的超短期预测方法的流程示意图之二;
图4是本发明实施例提供的风电功率的超短期预测方法的流程示意图之三;
图5是本发明实施例提供的风电功率的超短期预测结果的示意图;
图6是本发明实施例提供的风电功率的超短期预测装置的结构示意图;
图7是本发明实施例提供的电子设备的结构示意图。
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获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”等所区分的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”,一般表示前后关联对象是一种“或”的关系。
下面结合附图,通过具体的实施例及其应用场景对本发明实施例提供的风电功率的超短期预测方法、风电功率的超短期预测装置、电子设备和可读存储介质进行详细地说明。
本发明实施例中,可以通过构建基于数字孪生体的风电功率的超短期预测系统,在风电功率的超短期预测系统中,执行风电功率的超短期预测方法,实现风电功率的超短期预测。
数字孪生是充分利用物理模型、传感器更新、运行历史等数据,集成多学科、多物理量、多尺度、多概率的仿真过程,在虚拟空间中完成映射,从而反映相对应的实体装备的全生命周期过程。数字孪生可以被视为一个或多个重要的、彼此依赖的装备系统的数字映射系统。
根据数据孪生定义,数字孪生的结构体系必须能支撑物理实体、虚拟实体以及双向的信息流动等要素,并在其全生命周期发挥作用。
风电功率的超短期预测系统可以包括物理层、感知层、数据传输层、数据处理层和决策层5个部分组成的数据孪生体结构。
物理层包括风电场的风机,物理层是风电功率的超短期预测系统的数字孪生体的实体基础,可为感知层提供包括风量、风压及转速参数等信息。
感知层包括设置于风机周边的测风塔和气象站,感知层用于采集风机所处环境的气象数据。
感知层是数字孪生体系数据感知接入的媒介,包括安装在风机周边的测风塔及气象站,用于采集风机所处环境的风速、湿度、温度、气压等实时气象数据,从而驱动数字孪生体系正常进行。
数据传输层用于传输物理层的设备运行数据和感知层采集的气象数据,数据传输层可以以交换机和以太网为核心,搭建无线网络传输系统,实现气象数据、设备运行数据等数据的高效传输。
数据传输层可以采用分布式本地存储与集中式云存储相结合的方式对数据进行全面存储,可根据系统要求,实现数据的动态响应及相互调用。
数据处理层用于基于风电功率的超短期预测方法,确定风机的目标风电预测功率。
数据处理层作为风电功率的超短期预测系统数字孪生体的核心,是实现风力发电输出功率预测的关键,可为决策层生成最终的风电并网方案提供依据。
决策层用于基于目标风电预测功率,生成风电场的风电并网策略,决策层是保证风电并网安全、稳定的“窗口”,决策层根据处理得到的风力发电输出功率预测数据,生成相应的风电并网方案。
决策层还可根据设备运行状态信息下达响应运维指令到终端设备,保证风力发电系统内设备的正常工作。
其中,风电功率的超短期预测方法可应用于终端,具体可由,终端中的硬件或软件执行。
该终端包括但不限于具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的移动电话或平板电脑等便携式通信设备。还应当理解的是,在某些实施例中,该终端可以不是便携式通信设备,而是具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的台式计算机。
以下各个实施例中,描述了包括显示器和触摸敏感表面的终端。然而,应当理解的是,终端可以包括诸如物理键盘、鼠标和控制杆的一个或多个其它物理用户接口设备。
本发明实施例提供的风电功率的超短期预测方法,该风电功率的超短期预测方法的执行主体可以为电子设备或者电子设备中能够实现该风电功率的超短期预测方法的功能模块或功能实体,本发明实施例提及的电子设备包括但不限于手机、平板电脑、电脑、相机和可穿戴设备等,下面以电子设备作为执行主体为例对本发明实施例提供的风电功率的超短期预测方法进行说明。
如图1所示,该风电功率的超短期预测方法包括:步骤110至步骤150。
步骤110、获取风电场的风机所处环境当前时刻的第一气象数据。
其中,当前时刻的第一气象数据是风机所处环境的实时的气象数据。
可以理解的是,风电场的风机通过将空气流动所产生的动能(风能)转化为电能,实现发电,风能属于太阳能的一种转化形式,由于太阳辐射造成地球表面各部分受热不均匀,引起大气层中压力分布不平衡,在水平气压梯度的作用下,空气沿水平方向运动形成风,风电场的风机转换的电能与其所处环境的气象变化相关。
在该实施例中,当前时刻的第一气象数据可以为风电功率的超短期预测系统数字孪生体的感知层采集的。
步骤120、基于第一气象数据,确定风机的第一风电预测功率。
根据当前时刻的第一气象数据进行初步预测,得到当前时刻对应的风机的第一风电预测功率,第一风电预测功率是风力发电功率预测初始值。
在该步骤中,可以基于风机的历史风电实测功率和历史气象数据,确定风电功率和气象数据之间的对应关系,进而根据第一气象数据,确定风机的第一风电预测功率。
在该步骤中,也可以将第一气象数据输入至风电功率预测模型,获得风电功率预测模型输出的第一风电预测功率;
其中,风电功率预测模型基于长短期记忆网络构建,风电功率预测模型为基于样本气象数据和样本风电预测功率训练得到的。
长短期记忆网络(LSTM,Long Short-Term Memory)是一种时间循环神经网络,可以很好地解决传统的递归神经网络(Recurrent Neural Networks,RNN)存在梯度的弥散和爆炸问题。
如图1和图2所示,长短期记忆网络具有输入门、输出门与遗忘门等3个特殊的门控结构。
步骤130、确定与第一气象数据对应的第二气象数据。
其中,第二气象数据是与第一气象数据相似气象环境下的历史气象数据。
在实际执行中,风电功率的超短期预测系统数字孪生体的感知层所采集的风机所处环境的气象数据可以存储于气象数据库中。
在该实施例中,获取第一气象数据后,将第一气象数据上传至气象数据库更新气象数据库的数据,在气象数据库中查找与第一气象数据的气象环境类似的第二气象数据。
步骤140、确定第二气象数据对应的第二风电预测功率和第二风电实测功率。
第二气象数据对应的第二风电预测功率可以为通过风电功率预测模型预测输出的风电预测功率;第二气象数据对应的第二风电实测功率是实际测量得到的风电功率数据。
在实际执行中,风电功率的超短期预测系统数字孪生体的数据传输层可以存储物理层的设备运行数据和感知层采集的气象数据,可以通过数据传输层存储的数据,确定第二气象数据这一历史气象数据所对应的第二风电实测功率。
步骤150、基于第二风电预测功率和第二风电实测功率,对第一风电预测功率进行误差修正,确定当前时刻对应的目标风电预测功率。
可以理解的是,预测的第二风电预测功率与实际测量得到的第二风电实测功率存在一定的误差。
在该实施例中,根据类似气象条件下的第二风电预测功率与第二风电实测功率的误差,对当前时刻的第一风电预测功率进行误差修正,基于历史气象数据补偿修正风力发电功率预测初始值,有效提升最终的目标风电预测功率的预测准确度和精度。
在实际执行中,风电功率的超短期预测系统数字孪生体的数据处理层一方面将第一气象数据这一实时气象数据作为基于LSTM网络建立的风电功率预测模型输入量,计算得到风力发电功率预测初始值第一风电预测功率;另一方面基于历史气象数据第二气象数据对应的风电功率,补偿修正风力发电功率预测初始值,得到最终的数据孪生体预测值目标风电预测功率。
在该实施例中,通过构建数字孪生技术,可以有效地提高风力发电预测精度,感知层的多维传感器实时采集风机周围环境的气象相关参数,通过类似气象环境的风电功率修正因气象数据实时变化导致的风力发电输出功率预测偏差,可以有效提高预测精度。
根据本发明实施例提供的风电功率的超短期预测方法,通过实时获取风机所处环境当前时刻的气象数据,结合相似条件下的历史气象数据的风电功率,修正因气象数据实时变化导致的风力发电输出功率预测偏差,实现风电功率的超短期准确预测,有效提升风电功率预测的预测精度,预测结果的时效性、可靠性高,可以满足电力系统考核要求,有助于提高风力发电运营管理效率,优化电网调度。
在一些实施例中,步骤130、确定与第一气象数据对应的第二气象数据,可以包括:
将第一气象数据分别与气象数据库中的多个历史气象数据进行比对,得到多个气象相似度;
基于多个气象相似度,从气象数据库中确定出第二气象数据。
风电功率的超短期预测系统数字孪生体的感知层所采集的风机所处环境的气象数据可以存储于气象数据库中,气象数据库包括风机所处环境的多个历史气象数据。
在该实施例中,将第一气象数据上传至气象数据库,更新气象数据库的气象数据,并将第一气象数据与气象数据库中的多个历史气象数据分别进行比对,得到多个气象相似度,多个历史气象数据和多个气象相似度一一对应。
在实际执行中,基于多个气象相似度,从气象数据库中确定出第二气象数据,可以为预设相似度阈值,将气象相似度大于相似度阈值的历史气象数据作为第二气象数据,也可以为选取数值最大的气象相似度所对应的历史气象数据作为第二气象数据。
可以理解的是,气象相似度用于表征气象数据是否相似,根据气象相似度确定的第二气象数据对应的气象环境与第一气象数据对应的气象环境类似,相应的,风机的发电性能也类似,气象数据实时变化导致的风力发电输出功率预测偏差也类似。
在一些实施例中,步骤150、基于第二风电预测功率和第二风电实测功率,对第一风电预测功率进行误差修正,确定当前时刻对应的目标风电预测功率,可以包括:
基于第二风电预测功率和第二风电实测功率,确定第二气象数据对应的目标功率差值;
基于目标功率差值对第一风电预测功率进行误差修正,确定目标风电预测功率。
其中,目标功率差值为第二风电预测功率和第二风电实测功率的差值,目标功率差值表征第二气象数据实时变化导致的风力发电输出功率预测偏差。
在该实施例中,根据与第一气象数据对应的气象环境类似的第二气象数据的风力发电输出功率预测偏差,对第一气象数据的第一风电预测功率进行误差修正,修正因气象数据实时变化导致的风力发电输出功率预测偏差,实现风电功率的超短期准确预测,有效提升风电功率预测的预测精度,预测结果的时效性、可靠性高。
在一些实施例中,基于目标功率差值对第一风电预测功率进行误差修正,确定目标风电预测功率,可以包括:
确定第一气象数据和第二气象数据的目标气象相似度;
基于目标气象相似度,确定目标功率差值对应的目标修正权值;
基于目标功率差值与目标修正权值的乘积,以及第一风电预测功率,确定目标风电预测功率。
在该实施例中,计算第一气象数据和第二气象数据之间的目标气象相似度,目标气象相似度是表征第一气象数据和第二气象数据的相似程度的参数。
根据目标气象相似度,确定目标功率差值对应的目标修正权值,通过目标修正权值对目标功率差值进行加权处理,取目标功率差值与目标修正权值的乘积对第一风电预测功率进行误差修正,确定目标风电预测功率。
需要说明的是,通过引入第一气象数据和第二气象数据的目标气象相似度,对目标功率差值进行加权处理,目标修正权值的权值大小按照目标气象相似度确定,进一步消除第一气象数据和第二气象数据之间可能存在的误差,实现风电功率的超短期准确预测,有效提升风电功率预测的预测精度,预测结果的时效性、可靠性高。
以风电功率的超短期预测系统数字孪生体为例。
为修正因气象数据实时变化导致的预测精度误差,将传感器采集到的孪生数据与历史气象库进行对比分析,得到相似气象条件下风力发电输出功率实际值和预测值,按气象数据相似程度取与的差值对LSTM神经网络预测值进行修正得到最终预测功率P。
选取传感器实时采集的辐射强度、环境温度等各类孪生数据构造特征向量,则建立目标函数minJ:
确定最接近的气象数据。
目标函数需要满足以下条件:
将气象数据、预测功率等数据上传至气象数据库更新。
下面介绍一个具体的实施例。
如图4所示,获取历史气象数据、功率数据、未来四小时预报数据,进行数据清洗、归一化处理,随机确定起点,通过LSTM模型计算预测结果。
同时通过风电孪生数据构建目标函数minJ,确定最接近的气象数据搜寻该气象数据对应的发电功率值与实际值。
通过发电功率值与实际修正LSTM模型的预测结果,得到数字孪生体预测值,并进行气象数据库更新。
选取安徽滁州某风电场进行风力发电功率仿真算例预测,验证所提出的风电功率的超短期预测方法的精度,并对风电功率的超短期预测系统的可靠性进行检验。
研究时间段为2020年11、12月数据,传感器每间隔五分钟采集一次风速、温度、湿度、气压等气象数据,并录入气象数据库,将气象数据库中除测试日外的所有数据作为训练预测模型,将测试日当天的气象数据作为输入量带入预测模型得到LSTM神经网络预测值。
另一方面将对应气象数据上传历史数据库进行对比分析,查询得到相似气象条件下的风力发电的实际值和预测值,并进行误差修正得到最终的数字孪生体预测值,预测结果如图5所示。
如图5所示,由上图可见,两种预测模型预测曲线趋势与实际输出功率基本吻合,但部分预测时间存在一定幅度范围的偏差波动,数字孪生体预测值整体要比LSTM神经网络预测值更接近实际功率值,预测精度更高。
进一步地,计算两种预测模型的风力发电输出功率预测值和实际值的平均绝对误差MAE和相对均方根误差RMSE,结果如表1所示:
表1
通过上表预测误差进行比较发现,风电功率的超短期预测系统的数字孪生体通过LSTM神经网络算法预测结合历史气象数据修正的预测精度高于基于单独的LSTM模型的预测精度。
本发明实施例提供的风电功率的超短期预测方法,执行主体可以为风电功率的超短期预测装置。本发明实施例中以风电功率的超短期预测装置执行风电功率的超短期预测方法为例,说明本发明实施例提供的风电功率的超短期预测装置。
本发明实施例还提供一种风电功率的超短期预测装置。
如图6所示,该风电功率的超短期预测装置包括:
获取模块610,用于获取风电场的风机所处环境当前时刻的第一气象数据;
第一处理模块620,用于基于第一气象数据,确定风机的第一风电预测功率;
第二处理模块630,用于确定与第一气象数据对应的第二气象数据,第二气象数据表征风机所处环境的历史气象数据;
第三处理模块640,用于确定第二气象数据对应的第二风电预测功率和第二风电实测功率;
第四处理模块650,用于基于第二风电预测功率和第二风电实测功率,对第一风电预测功率进行误差修正,确定当前时刻对应的目标风电预测功率。
根据本发明实施例提供的风电功率的超短期预测装置,通过实时获取风机所处环境当前时刻的气象数据,结合相似条件下的历史气象数据的风电功率,修正因气象数据实时变化导致的风力发电输出功率预测偏差,实现风电功率的超短期准确预测,有效提升风电功率预测的预测精度,预测结果的时效性、可靠性高,可以满足电力系统考核要求,有助于提高风力发电运营管理效率,优化电网调度。
在一些实施例中,第二处理模块630,用于将第一气象数据分别与气象数据库中的多个历史气象数据进行比对,得到多个气象相似度,气象数据库包括风机所处环境的多个历史气象数据;
基于多个气象相似度,从气象数据库中确定出第二气象数据。
在一些实施例中,第四处理模块650,用于基于第二风电预测功率和第二风电实测功率,确定第二气象数据对应的目标功率差值;
基于目标功率差值对第一风电预测功率进行误差修正,确定目标风电预测功率。
在一些实施例中,第四处理模块650,用于确定第一气象数据和第二气象数据的目标气象相似度;
基于目标气象相似度,确定目标功率差值对应的目标修正权值;
基于目标功率差值与目标修正权值的乘积,以及第一风电预测功率,确定目标风电预测功率。
在一些实施例中,第一处理模块620,用于将第一气象数据输入至风电功率预测模型,获得风电功率预测模型输出的第一风电预测功率;
其中,风电功率预测模型基于长短期记忆网络构建,风电功率预测模型为基于样本气象数据和样本风电预测功率训练得到的。
本发明实施例中的风电功率的超短期预测装置可以是电子设备,也可以是电子设备中的部件,例如集成电路或芯片。该电子设备可以是终端,也可以为除终端之外的其他设备。示例性的,电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、移动上网装置(Mobile Internet Device,MID)、增强现实(augmented reality,AR)/虚拟现实(virtual reality,VR)设备、机器人、可穿戴设备、超级移动个人计算机(ultra-mobilepersonal computer,UMPC)、上网本或者个人数字助理(personal digital assistant,PDA)等,还可以为服务器、网络附属存储器(Network Attached Storage,NAS)、个人计算机(personal computer,PC)、电视机(television,TV)、柜员机或者自助机等,本发明实施例不作具体限定。
本发明实施例中的风电功率的超短期预测装置可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统,可以为IOS操作系统,还可以为其他可能的操作系统,本发明实施例不作具体限定。
本发明实施例提供的风电功率的超短期预测装置能够实现图1至图5的方法实施例实现的各个过程,为避免重复,这里不再赘述。
本发明实施例提供一种风电功率的超短期预测系统。
风电功率的超短期预测系统可以包括物理层、感知层、数据传输层、数据处理层和决策层5个部分组成的数据孪生体结构。
物理层包括风电场的风机,物理层是风电功率的超短期预测系统的数字孪生体的实体基础,可为感知层提供包括风量、风压及转速参数等信息。
感知层包括设置于风机周边的测风塔和气象站,感知层用于采集风机所处环境的气象数据。
感知层是数字孪生体系数据感知接入的媒介,包括安装在风机周边的测风塔及气象站,用于采集风机所处环境的风速、湿度、温度、气压等实时气象数据,从而驱动数字孪生体系正常进行。
数据传输层用于传输物理层的设备运行数据和感知层采集的气象数据,数据传输层可以以交换机和以太网为核心,搭建无线网络传输系统,实现气象数据、设备运行数据等数据的高效传输。
数据传输层可以采用分布式本地存储与集中式云存储相结合的方式对数据进行全面存储,可根据系统要求,实现数据的动态响应及相互调用。
数据处理层用于基于风电功率的超短期预测方法,确定风机的目标风电预测功率。
数据处理层作为风电功率的超短期预测系统数字孪生体的核心,是实现风力发电输出功率预测的关键,可为决策层生成最终的风电并网方案提供依据。
决策层用于基于目标风电预测功率,生成风电场的风电并网策略,决策层是保证风电并网安全、稳定的“窗口”,决策层根据处理得到的风力发电输出功率预测数据,生成相应的风电并网方案。
决策层还可根据设备运行状态信息下达响应运维指令到终端设备,保证风力发电系统内设备的正常工作。
在该实施例中,将数字孪生技术应用于风电功率超短期预测,通过构建数字孪生体,可以有效的提高风力发电预测精度,将多维传感器作为数据孪生体的感知层接入,采集得到风机及周围环境的相关参数,然后可以根据LSTM神经网络进行预测,得到初步预测结果。最后通过基于相似日搜索得到相似情况下的实际功率值,在LSTM神经网络预测结果的基础上,结合历史气象数据,可以对初始预测结果进行修正,并且能够多维度的评估风机状态以及周围环境情况,有效提高风力发电预测精度。
将数字孪生体作为构建风力发电输出功率预测模型的骨架,是风机测风塔、孪生数据与预测模型连接成一个整体,风电功率预测模型与孪生数据间可实现实时互通互联,可增强风力发电输出功率预测的时效性和可靠性。
同时,引入传感器修正机制,修正因气象数据实时变化导致的风力发电输出功率预测偏差,进一步提高了预测精度,且随着孪生数据的不断更新,气象数据库对预测功率的修正会更加精确,预测精度在一定范围内会不断提高。
根据本发明实施例提供的风电功率的超短期预测系统,通过实时获取风机所处环境当前时刻的气象数据,结合相似条件下的历史气象数据的风电功率,修正因气象数据实时变化导致的风力发电输出功率预测偏差,实现风电功率的超短期准确预测,有效提升风电功率预测的预测精度,预测结果的时效性、可靠性高,可以满足电力系统考核要求,有助于提高风力发电运营管理效率,优化电网调度。
在一些实施例中,决策层用于基于目标风电预测功率,生成风电场的风电并网策略。
在该实施例中,数字孪生体预测值将实时反馈到终端控制器,并生产相应控制指令,指导电网调度。
在一些实施例中,如图7所示,本发明实施例还提供一种电子设备700,包括处理器701、存储器702及存储在存储器702上并可在处理器701上运行的计算机程序,该程序被处理器701执行时实现上述风电功率的超短期预测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
需要说明的是,本发明实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。
本发明实施例还提供一种非暂态计算机可读存储介质,该非暂态计算机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上述风电功率的超短期预测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质,包括计算机可读存储介质,如计算机只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。
本发明实施例还提供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风电功率的超短期预测方法。
其中,所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质,包括计算机可读存储介质,如计算机只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。
本发明实施例另提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现上述风电功率的超短期预测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
应理解,本发明实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外,需要指出的是,本发明实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能,还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能,例如,可以按不同于所描述的次序来执行所描述的方法,并且还可以添加、省去、或组合各种步骤。另外,参照某些示例所描述的特征可在其他示例中被组合。
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上述实施例方法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,但很多情况下前者是更佳的实施方式。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可以以计算机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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,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的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本发明的保护之内。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种风电功率的超短期预测方法,其特征在于,包括:
获取风电场的风机所处环境当前时刻的第一气象数据;
基于所述第一气象数据,确定所述风机的第一风电预测功率;
确定与所述第一气象数据对应的第二气象数据,所述第二气象数据表征所述风机所处环境的历史气象数据;
确定所述第二气象数据对应的第二风电预测功率和第二风电实测功率;
基于所述第二风电预测功率和所述第二风电实测功率,对所述第一风电预测功率进行误差修正,确定所述当前时刻对应的目标风电预测功率。
2.根据权利要求1所述的风电功率的超短期预测方法,其特征在于,所述确定与所述第一气象数据对应的第二气象数据,包括:
将所述第一气象数据分别与气象数据库中的多个历史气象数据进行比对,得到多个气象相似度,所述气象数据库包括所述风机所处环境的多个历史气象数据;
基于所述多个气象相似度,从所述气象数据库中确定出所述第二气象数据。
3.根据权利要求1所述的风电功率的超短期预测方法,其特征在于,所述基于所述第二风电预测功率和所述第二风电实测功率,对所述第一风电预测功率进行误差修正,确定所述当前时刻对应的目标风电预测功率包括:
基于所述第二风电预测功率和所述第二风电实测功率,确定所述第二气象数据对应的目标功率差值;
基于所述目标功率差值对所述第一风电预测功率进行误差修正,确定所述目标风电预测功率。
4.根据权利要求3所述的风电功率的超短期预测方法,其特征在于,所述基于所述目标功率差值对所述第一风电预测功率进行误差修正,确定所述目标风电预测功率,包括:
确定所述第一气象数据和所述第二气象数据的目标气象相似度;
基于所述目标气象相似度,确定所述目标功率差值对应的目标修正权值;
基于所述目标功率差值与所述目标修正权值的乘积,以及所述第一风电预测功率,确定所述目标风电预测功率。
5.根据权利要求1-4任一项所述的风电功率的超短期预测方法,其特征在于,所述基于所述第一气象数据,确定所述风机的第一风电预测功率,包括:
将所述第一气象数据输入至风电功率预测模型,获得所述风电功率预测模型输出的所述第一风电预测功率;
其中,所述风电功率预测模型基于长短期记忆网络构建,所述风电功率预测模型为基于样本气象数据和样本风电预测功率训练得到的。
6.一种风电功率的超短期预测装置,其特征在于,包括:
获取模块,用于获取风电场的风机所处环境当前时刻的第一气象数据;
第一处理模块,用于基于所述第一气象数据,确定所述风机的第一风电预测功率;
第二处理模块,用于确定与所述第一气象数据对应的第二气象数据,所述第二气象数据表征所述风机所处环境的历史气象数据;
第三处理模块,用于确定所述第二气象数据对应的第二风电预测功率和第二风电实测功率;
第四处理模块,用于基于所述第二风电预测功率和所述第二风电实测功率,对所述第一风电预测功率进行误差修正,确定所述当前时刻对应的目标风电预测功率。
7.一种风电功率的超短期预测系统,其特征在于,包括:
物理层,所述物理层包括风电场的风机;
感知层,所述感知层包括设置于所述风机周边的测风塔和气象站,所述感知层用于采集所述风机所处环境的气象数据;
数据传输层,所述数据传输层用于传输所述物理层的设备运行数据和所述感知层采集的气象数据;
数据处理层,所述数据处理层用于基于如权利要求1-5任一项所述的风电功率的超短期预测方法,确定所述风机的目标风电预测功率。
8.根据权利要求7所述的风电功率的超短期预测系统,其特征在于,还包括:
决策层,所述决策层用于基于所述目标风电预测功率,生成所述风电场的风电并网策略。
9.一种电子设备,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,其特征在于,所述处理器执行所述程序时实现如权利要求1-5任一项所述风电功率的超短期预测方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-5任一项所述的风电功率的超短期预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211671083.8A CN115660232A (zh) | 2022-12-26 | 2022-12-26 | 风电功率的超短期预测方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211671083.8A CN115660232A (zh) | 2022-12-26 | 2022-12-26 | 风电功率的超短期预测方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115660232A true CN115660232A (zh) | 2023-01-31 |
Family
ID=85022488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211671083.8A Pending CN115660232A (zh) | 2022-12-26 | 2022-12-26 | 风电功率的超短期预测方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115660232A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115796285A (zh) * | 2023-02-13 | 2023-03-14 | 上海百事通法务信息技术有限公司浙江分公司 | 一种基于工程模型的诉讼案件预判方法、装置及电子设备 |
CN115983494A (zh) * | 2023-02-10 | 2023-04-18 | 广东工业大学 | 一种新建小样本风电场的短期风电功率预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609697A (zh) * | 2017-09-06 | 2018-01-19 | 南京邮电大学 | 一种风力发电功率预测方法 |
CN113935512A (zh) * | 2021-08-27 | 2022-01-14 | 清华大学 | 风电功率预测方法、装置、计算机设备和存储介质 |
CN115049115A (zh) * | 2022-05-31 | 2022-09-13 | 东北电力大学 | 计及nwp风速横纵向误差的rdpg风速修正方法 |
CN115423161A (zh) * | 2022-08-19 | 2022-12-02 | 国网山东省电力公司电力科学研究院 | 基于数字孪生的多能耦合优化调度方法及系统 |
-
2022
- 2022-12-26 CN CN202211671083.8A patent/CN115660232A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609697A (zh) * | 2017-09-06 | 2018-01-19 | 南京邮电大学 | 一种风力发电功率预测方法 |
CN113935512A (zh) * | 2021-08-27 | 2022-01-14 | 清华大学 | 风电功率预测方法、装置、计算机设备和存储介质 |
CN115049115A (zh) * | 2022-05-31 | 2022-09-13 | 东北电力大学 | 计及nwp风速横纵向误差的rdpg风速修正方法 |
CN115423161A (zh) * | 2022-08-19 | 2022-12-02 | 国网山东省电力公司电力科学研究院 | 基于数字孪生的多能耦合优化调度方法及系统 |
Non-Patent Citations (2)
Title |
---|
欧阳庭辉;查晓明;秦亮;熊一;黄鹤鸣;: "基于相似性修正的风电功率爬坡事件预测方法" * |
雷宇 等: "大规模风电并网下的电力系统调度决策研究" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115983494A (zh) * | 2023-02-10 | 2023-04-18 | 广东工业大学 | 一种新建小样本风电场的短期风电功率预测方法及系统 |
CN115983494B (zh) * | 2023-02-10 | 2023-09-12 | 广东工业大学 | 一种新建小样本风电场的短期风电功率预测方法及系统 |
CN115796285A (zh) * | 2023-02-13 | 2023-03-14 | 上海百事通法务信息技术有限公司浙江分公司 | 一种基于工程模型的诉讼案件预判方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ge et al. | A hybrid model for short-term PV output forecasting based on PCA-GWO-GRNN | |
CN106447098B (zh) | 一种光伏超短期功率预测方法及装置 | |
CN115660232A (zh) | 风电功率的超短期预测方法、装置及系统 | |
CN111900731B (zh) | 一种基于pmu的电力系统状态估计性能评价方法 | |
Ye et al. | Combined approach for short-term wind power forecasting based on wave division and Seq2Seq model using deep learning | |
CN110866633B (zh) | 一种基于svr支持向量回归的微电网超短期负荷预测方法 | |
Wu et al. | Stratification-based wind power forecasting in a high-penetration wind power system using a hybrid model | |
CN113822418A (zh) | 一种风电场功率预测方法、系统、设备和存储介质 | |
CN109272258B (zh) | 基于K-means聚类的区域风光发电资源评估方法 | |
Xu et al. | Correlation based neuro-fuzzy Wiener type wind power forecasting model by using special separate signals | |
Nana et al. | Short-term wind speed prediction based on CNN_GRU model | |
CN115860190A (zh) | 负荷检测模型的训练、用电负荷的检测方法及相关装置 | |
CN114154684A (zh) | 基于数据挖掘和多核支持向量机的短期光伏功率预测方法 | |
Zheng et al. | Short-term photovoltaic power prediction based on daily feature matrix and deep neural network | |
Yang et al. | Day‐ahead wind power combination forecasting based on corrected numerical weather prediction and entropy method | |
Dehghan et al. | Photovoltaic Power Forecasting With an Ensemble Multi-Input Deep Learning Approach | |
Fu et al. | A spatial forecasting method for photovoltaic power generation combined of improved similar historical days and dynamic weights allocation | |
CN115528684A (zh) | 一种超短期负荷预测方法、装置及电子设备 | |
Hua | Power quality prediction of active distribution network based on CNN-LSTM deep learning model | |
CN114298132A (zh) | 风电功率预测方法及装置、电子设备 | |
Chen et al. | Variation-cognizant probabilistic power flow analysis via multi-task learning | |
Yang et al. | Wind-storage combined system based on just-in-time-learning prediction model with dynamic error compensation | |
Hu et al. | A short-term wind speed forecasting model based on improved QPSO optimizing LSSVM | |
CN112215383A (zh) | 一种分布式光伏发电功率预测方法和系统 | |
Luo et al. | Prediction of Photovoltaic Power Generation Based on PSO-RNN and SVR Model |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230131 |
|
RJ01 | Rejection of invention patent application after publication |