CN115936238B - 一种全域风电中长期出力预测方法、系统、设备及介质 - Google Patents
一种全域风电中长期出力预测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN115936238B CN115936238B CN202211663241.5A CN202211663241A CN115936238B CN 115936238 B CN115936238 B CN 115936238B CN 202211663241 A CN202211663241 A CN 202211663241A CN 115936238 B CN115936238 B CN 115936238B
- Authority
- CN
- China
- Prior art keywords
- data
- historical
- wind power
- cfs
- meteorological
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000011159 matrix material Substances 0.000 claims abstract description 49
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 46
- 230000007774 longterm Effects 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000013507 mapping Methods 0.000 claims abstract description 23
- 230000009467 reduction Effects 0.000 claims abstract description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 238000012847 principal component analysis method Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000012800 visualization Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012804 iterative process Methods 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
- 238000003672 processing method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种全域风电中长期出力预测方法、系统、计算机设备及存储介质。通过获取历史CFS气象数据和与CFS气象数据对应的该地区实际全域风电出力数据的映射关系，以该映射关系作为样本集，使用样本集对采用卷积神经网络构建的模型进行训练，得到全域风电中长期出力预测模型，用该全域风电中长期出力预测模型对该地区未来的全域风电中长期出力数据进行预测。对于历史CFS气象数据的处理采用PCA降维处理和数据增强处理、以及可视化处理后并进行特征提取，获取多维度特征矩阵数据集，以提升数据的连续性和准确性。本发明的技术方案可提高全域风电中长期出力预测的准确率，科学严谨，准确率高，稳定可靠，易于实现，具有很好的普适性。
Description
技术领域
本发明涉及风电出力预测技术领域，尤其涉及一种全域风电中长期出力预测方法、系统、计算机设备及可读存储介质。
背景技术
目前，全域风电中长期出力预测方法，一般根据逐个风电场出力预测结果进行累加得到全域预测数据，或对区域内的风电场进行相关性分析或聚类分析，确定区域的典型风电场，再通过典型风电场的出力预测数据换算成全域预测数据。
由于区域内的风电场数量众多，并且隶属于几十个不同的发电集团。一方面，单个风电场出力预测模型需要收集该风电场的历史运行数据，但该数据的质量较差，存在数据体量少、缺失、错误等问题，数据处理工作量较大，模型训练优化的时间较长，影响单场站出力预测模型的准确率；另一方面，风电场运行数据属于发电集团的数据资产，是难以获得的，因此采用逐个风电场出力预测结果累加的方式是十分困难和繁琐的。
另外，大气环流和局地气候是复杂多变的、局地性强，变化趋势具有不确定性，区域内各风电场之间的相关性也存在较大的波动和偏差，各区域内风电场的分布也各不相同，导致典型风电场的选取较为关键且困难，故由部分风电场预测数据折算成全域预测数据的准确率也难以保证。
发明内容
本发明提供了一种全域风电中长期出力预测方法、系统、计算机设备及可读存储介质，以解决区域内风电场数量众多，大部分风电场的历史数据都存在数据体量少、缺失、错误，数据整体质量差，全域预测数据的准确率低的技术问题。
为解决上述技术问题，第一方面，本发明实施例提供了一种全域风电中长期出力预测方法，所述方法包括：
选取历史时间段，获取该历史时间段选定地区全域范围内的历史CFS气象数据；所述历史CFS气象数据包括：起报时间、预报时间、气象要素和经纬度格点位置；
根据所述历史CFS气象数据得到所对应的历史多维度特征矩阵数据集，作为出力预测特征数据；
获取所述选定地区所述历史时间段对应的实际全域风电出力数据，并将其按照所述历史CFS气象数据的预报时间进行整理，得到出力预测标签数据；
将所述出力预测特征数据和出力预测标签数据按照预报时间进行整合，获得样本集；
构建卷积神经网络，并采用所述样本集对所述卷积神经网络进行训练，获得全域风电中长期出力预测模型；
选取未来待预测时间段的CFS气象数据，根据所述未来待预测时间段的CFS气象数据得到所对应的未来多维度特征矩阵数据集，并将所述未来多维度特征矩阵数据集输入所述全域风电中长期出力预测模型进行预测，得到所述未来待预测时间段选定地区全域风电中长期出力预测数据。
在进一步实施方式中，所述根据所述历史CFS气象数据得到所对应的历史多维度特征矩阵数据集，包括：
采用主成分分析方法对所述历史CFS气象数据进行降维处理。
在进一步实施方式中，所述根据所述历史CFS气象数据得到所对应的历史多维度特征矩阵数据集，还包括：
采用线性插补法对所述PCA降维处理后的历史CFS气象数据的同一起报时间、预报时间和经纬度格点位置的气象要素的时间间隔插补为15分钟。
在进一步实施方式中，所述根据所述历史CFS气象数据得到所对应的历史多维度特征矩阵数据集，还包括：
针对所述插补处理后的历史CFS气象数据的每一种气象要素，按照起报时间、预报时间和经纬度格点位置的顺序进行升序排序；
依次选取所述每一种气象要素同一起报时间和预报时间的全部经纬度格点位置的全部特征数据，并对所述每一全部特征数据进行可视化计算生成气象要素图谱图像；
将所有所述气象要素图谱图像组成多维度图谱图像集。
在进一步实施方式中，所述根据所述历史CFS气象数据得到所对应的历史多维度特征矩阵数据集，还包括：
对所述多维度图谱图像集进行灰度处理，并将其按照起报时间、预报时间、经纬度格点位置、多维度图谱图像灰度值的顺序组合成初始多维度特征矩阵；
将同一起报时间、预报时间、经纬度格点位置及其所对应的所有多维度图谱图像灰度值组合获得多维度特征矩阵，将所有所述多维度特征矩阵组成多维度特征矩阵数据集。
在进一步实施方式中，所述将所述出力预测特征数据和出力预测标签数据按照预报时间进行整合，获得样本集，包括：
按照预报时间，将所述出力预测特征数据和出力预测标签数据进行组合，得到所有同一起报时间和预报时间每一经纬度格点位置多维度图谱图像灰度值与实际全域风电出力数据的映射关系，作为所述选定地区历史CFS气象数据和实际全域风电出力数据的映射数据集；
将所述映射数据集作为样本集。
在进一步实施方式中，所述卷积神经网络包括：(3,3)矩阵大小的卷积核、(2,2)矩阵大小池化核和多个深度可分离卷积神经网络层结构，以及一个网络展平层和一个不带激活的全连接神经网络；
所述采用所述样本集对所述卷积神经网络进行训练，包括：
将所述样本集拆分为训练样本集、验证样本集和测试样本集；
将所述训练样本集采用小批量数据方式输入所述卷积神经网络模型进行迭代训练，获取所述卷积神经网络模型超参数；
将所述验证样本集采用小批量数据方式输入所述卷积神经网络模型，对所述卷积神经网络模型进行验证和超参数调整；
将所述测试样本集采用小批量数据方式输入所述卷积神经网络模型，对所述卷积神经网络进行测试。
第二方面，本发明实施例提供一种全域风电中长期出力预测系统，所述系统包括：
历史数据获取单元：用于选取历史时间段，获取该历史时间段选定地区全域范围内的历史CFS气象数据；所述历史CFS气象数据包括：起报时间、预报时间、气象要素和经纬度格点位置；
特征数据生成单元：用于根据所述历史CFS气象数据得到所对应的历史多维度特征矩阵数据集，作为出力预测特征数据；
标签数据生成单元：用于获取所述选定地区所述历史时间段对应的实际全域风电出力数据，并将其按照所述历史CFS气象数据的预报时间进行整理，得到出力预测标签数据；
数据整合单元：用于将所述出力预测特征数据和出力预测标签数据按照预报时间进行整合，获得样本集；
模型构建单元：用于构建卷积神经网络，并采用所述样本集对所述卷积神经网络进行训练，获得全域风电中长期出力预测模型；
数据预测单元：用于选取未来待预测时间段的CFS气象数据，根据所述未来待预测时间段的CFS气象数据得到所对应的未来多维度特征矩阵数据集，并将所述未来多维度特征矩阵数据集输入所述全域风电中长期出力预测模型进行预测，得到所述未来待预测时间段选定地区全域风电中长期出力预测数据。
第三方面，本发明实施例提供一种计算机设备：包括存储器、处理器和收发器，它们之间通过总线连接；存储器用于存储一组计算机程序指令和数据，并可以将存储的数据传输给处理器，处理器可以执行存储器存储的程序指令，以执行如上述权利要求中任一项所述的方法。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当所述计算机程序被运行时，实现如以上权利要求任一项所述的方法。
本发明实施例提供了一种全域风电中长期出力预测方法、系统、计算机设备及计算机存储介质。通过获取历史CFS气象数据和与CFS气象数据对应的该地区实际全域风电出力数据的映射关系，以该映射关系作为样本集，使用样本集对采用卷积神经网络构建的模型进行训练，得到全域风电中长期出力预测模型，用该全域风电中长期出力预测模型对该地区未来的全域风电中长期出力数据进行预测。对于历史CFS气象数据的处理采用PCA降维处理和数据增强处理、以及可视化处理后并进行特征提取，获取多维度特征矩阵数据集，以提升数据的连续性和准确性。本发明的技术方案可提高全域风电中长期出力预测的准确率，科学严谨，准确率高，稳定可靠，易于实现，具有很好的普适性。
附图说明
图1是本发明实施例所提供的一种全域风电中长期出力预测方法流程示意图；
图2是本发明实施例所提供的多维度图谱图像样图；
图3是本发明实施例所提供的一种全域风电中长期出力预测系统结构示意图；
图4是本发明实施例所提供的一种计算机设备示意图。
具体实施方式
下面结合附图具体阐明本发明的实施方式，实施例的给出仅仅是为了说明目的，并不能理解为对本发明的限定，包括附图仅供参考和说明使用，不构成对本发明专利保护范围的限制。基于本发明中的实施例，本领域普通技术人员在没有作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。
第一实施例
请参阅图1，在本发明的实施例中，一种全域风电中长期出力预测方法，所述方法包括以下步骤：
S1、选取历史时间段，获取该历史时间段选定地区全域范围内的历史CFS气象数据；所述历史CFS气象数据包括：起报时间、预报时间、气象要素和经纬度格点位置。
CFS气象数据，是指气候预报系统(Climate Forecast System，CFS)数据，包括风速、风向、气温、气压、相对湿度等一系列气象要素，在空间上用经纬度格点表示，预报时间间隔为6小时。CFS气象数据每天做2次预报，比如每天8点和20点都做一次，每一次都是预测未来很长时间，在本发明中数据的每日起报时间是相同的，比如每天都选8点，或者每天都选20点。
在本发明实施例中，以当前时间为参考点，往前追溯一年，获取一年前的历史CFS气象数据，针对每一起报时间，选取与起报时间相差特定天数的预报数据。比如起报时间为10月20日，数据原本的预报时间是从10月20日开始，到12月5日结束，这里截取的预报时间段为11月1日至11月30日，即距离起报时间相差10天至相差40天的时段。充分利用CFS气象数据空间范围的全域性，数据更全面、准确。
S2、根据所述历史CFS气象数据得到所对应的历史多维度特征矩阵数据集，作为出力预测特征数据。
在本发明实施例中，需要对获取的CFS气象数据进行降维处理，因气象要素相互之间关联性强，为提升数据处理效率，对CFS气象数据进行PCA降维处理。PCA降维处理，是指主成分分析(Principal Component Analysis，PCA)方法，用于对CFS气象数据进行降维处理，从高维度的气象要素降低为低维度的气象要素，在保证气象要素数据空间基本不变的情况下大幅度降低数据量大小。
比如CFS气象数据包含10米高度层风速、10米风向、100米风速、100米风向、气温、气压、相对湿度、辐射、云量等几十种气象要素，采用PCA降维处理方法，通过数据坐标系变换，在保持基本数据特征不变的前提下，实现气象要素数量的降低，比如去除强相关的要素、变化不大的要素等等，处理后可能只有几种气象要素，数据维度降低，数据量降低，保留了主要影响成分，使计算数据量大幅降低。
为保证数据数量充足，需要对PCA降维处理后的CFS气象数据进行数据增强处理，在本发明实施例中，采用线性差值法，针对降维后的每一个经纬度格点位置的气象要素分别从6小时时间间隔插补为15分钟时间间隔，使之与实际全域风电出力统计数据在时间分辨率上对齐，增强数据样本规模，充分利用了时间维度的连续性。
在对数据进行增强数据处理后，需要对数据进行可视化处理，为保证数据的有序性，便于观察、分析，针对每一种气象要素，按照起报时间、预报时间和经纬度格点位置的顺序进行升序排序。再依次选取同一起报时间和预报时间的全部经纬度格点位置的气象要素数据，并进行可视化计算，生成每一种气象要素在同一起报时间和预报时间点所对应的气象要素图谱图像，并以其起报时间、预报时间、气象要素名称进行图像文件命名，如图2所示为气象要素图谱图像样图。将所有气象要素图谱图像组成多维度图谱图像集，使原本离散、稀疏的格点数据转化成了连续、渐变的图像数据，可直接覆盖全域所有风电场站，避免了单场站累计这一类复杂、困难的计算方式。
在本发明实施例中，升序排序的方法是，先按起报时间进行排序，所有的起报时间2022-10-20 20:00:00都排在最前面，然后排下一天的起报时间2022-10-21 20:00:00，依次类推，对起报时间一样的数据，再按预报时间的先后顺序排序。每一个预报时间都包含该地区的很多经纬度网格点上数据，然后再按纬度、经度继续排序。以风速数据为例：(起报时间2022-10-20 20:00:00，预报时间2022-11-01 00:15:00，纬度北纬40度、经度东经120度，风速5米/秒)、(起报时间2022-10-20 20:00:00，预报时间2022-11-01 00:15:00，纬度北纬40度、经度东经121度，风速6米/秒).......。
在获得多维度图谱图像集之后，对图像进行特征提取，获取多维度特征矩阵数据集。
每一张图谱图像都是由同一起报时间和预报时间所有经纬度格点位置上的气象要素信息生成的，为了便于后续对气象要素特征进行分析，对每一张图谱图像进行灰度处理，将图谱图像的RGB三通道值加权求和，形成单通道格式数据。将每一张图谱图像均按照起报时间、预报时间、经纬度格点位置、多维度图谱图像灰度值的顺序进行组合，获得初始多维度特征矩阵。再将初始多维度特征矩阵中具有同一起报时间、预报时间、经纬度格点位置的所有多维度图谱图像灰度值组合获得多维度特征矩阵，将所有多维度特征矩阵组成多维度特征矩阵数据集，作为出力预测特征数据，为后续模型训练做准备。
S3、获取所述选定地区所述历史时间段对应的实际全域风电出力数据，并将其按照所述历史CFS气象数据的预报时间进行整理，得到出力预测标签数据。
实际全域风电出力数据，是指该地区整体的风电实际总出力数据，其时间间隔为15分钟，其数据周期同样以当前时间为参考点，选取当前时间前一年的选定地区实际全域风电出力数据。实际全域风电出力数据采集起点与CFS气象数据的预报时间起点相同。
将该地区实际全域风电出力数据按照历史CFS气象数据的预报时间进行整理，得到出力预测标签数据。
S4、将所述出力预测特征数据和出力预测标签数据按照预报时间进行整合，获得样本集。
获取出力预测特征数据的预报时间，将该预报时间对应的出力预测特征数据和出力预测标签数据组合，建立映射关系，依次得到所有预报时间的映射关系并组成映射数据集，作为选定地区历史CFS气象数据和实际全域风电出力数据的映射数据集，将映射数据集作为样本集。
S5、构建卷积神经网络，并采用所述样本集对所述卷积神经网络进行训练，获得全域风电中长期出力预测模型。
本发明实施例中的卷积神经网络以(3,3)矩阵大小的卷积核、(2,2)矩阵大小池化核和多个深度可分离卷积神经网络层结构，以及一个网络展平层和一个不带激活的全连接神经网络构建模型，该模型适用于图像数据的回归预测场景。
将上述获取的样本集按照一定比例(如0.6:0.2:0.2)将其拆分成训练样本集、验证样本集、测试样本集，其中训练样本集、验证样本集都随机打乱顺序，各类样本集数据均采用小批量数据方式参与模型训练。小批量数据方式，为将样本集进行分组，比如训练样本集有10000个样本，每次取100个样本，即第一次取第1-100个，第二次取第101-200个，依次类推，小批量参与模型运算，而不是一下子把大批量的数据全部参与计算。
将训练样本集输入构建完成的卷积神经网络模型进行迭代训练，观察训练指标，如平均绝对误差、均方根误差等指标随迭代过程的推进而产生的变化趋势，并不断调整模型超参数，获取所述卷积神经网络模型超参数。
将验证样本集输入卷积神经网络模型，对卷积神经网络模型进行验证和超参数调整，选取训练和验证效果最佳的超参数组合作为模型最终的超参数。
将测试样本集输入卷积神经网络模型，对卷积神经网络进行测试，将训练得到的结果，即模型框架、超参数和权重组合等数据，固化保存为本地文件。
载入训练好的模型文件得到卷积神经网络模型，获得该地区的全域风电中长期出力预测模型。采用卷积神经网络和全连接网络构建模型，能够挖掘图谱的全局特征和局部特征，并且将其与全域出力结合回归拟合出稳定良好的、潜在的网络映射关系。
S6、选取未来待预测时间段的CFS气象数据，根据所述未来待预测时间段的CFS气象数据得到所对应的未来多维度特征矩阵数据集，并将所述未来多维度特征矩阵数据集输入所述全域风电中长期出力预测模型进行预测，得到所述未来待预测时间段选定地区全域风电中长期出力预测数据。
在本发明实施例中，获取未来一个月的CFS气象数据，将其进行处理，获得未来一个月CFS气象数据对应的未来多维度特征矩阵数据集，输入该地区的全域风电中长期出力预测模型，计算获取未来一个月、时间间隔为15分钟全域风电出力预测数据。
在本发明实施例中，针对区域内风电场数量众多，大部分风电场的历史数据存在数据体量少、缺失、错误，数据整体质量差，全域预测数据的准确率低的技术问题。通过获取历史CFS气象数据和与历史CFS气象数据对应的该地区实际全域风电出力数据的映射关系，以该映射关系作为样本集，使用样本集对采用卷积神经网络构建的模型进行训练，得到全域风电中长期出力预测模型，用该全域风电中长期出力预测模型对该地区未来的全域风电中长期出力数据进行预测。
本发明充分利用了空间范围的全域性，数据更全面、准确，以及时间维度的连续性，使气象要素特征数据和标签数据在时间上对齐的密度更大，数据样本量更大。通过绘制气象图谱图像的方式，使原本离散、稀疏的格点数据转化成了连续、渐变的图像数据，可直接覆盖全域所有风电场站。采用卷积神经网络和全连接网络构建模型，能够挖掘图谱的全局特征和局部特征，并且将其与全域出力结合回归拟合出稳定良好的、潜在的网络映射关系，通过多重技术提升了全域风电中长期出力预测的准确率。
第二实施例
相应地，如图3所示，基于一种全域风电中长期出力预测方法，本发明实施例还提供一种全域风电中长期出力预测系统，所述系统包括：
历史数据获取单元1：用于选取历史时间段，获取该历史时间段选定地区全域范围内的历史CFS气象数据；所述历史CFS气象数据包括：起报时间、预报时间、气象要素和经纬度格点位置。
特征数据生成单元2：用于根据所述历史CFS气象数据得到所对应的历史多维度特征矩阵数据集，作为出力预测特征数据。
标签数据生成单元3：用于获取所述选定地区所述历史时间段对应的实际全域风电出力数据，并将其按照所述历史CFS气象数据的预报时间进行整理，得到出力预测标签数据。
数据整合单元4：用于将所述出力预测特征数据和出力预测标签数据按照预报时间进行整合，获得样本集。
模型构建单元5：用于构建卷积神经网络，并采用所述样本集对所述卷积神经网络进行训练，获得全域风电中长期出力预测模型。
数据预测单元6：用于选取未来待预测时间段的CFS气象数据，根据所述未来待预测时间段的CFS气象数据得到所对应的未来多维度特征矩阵数据集，并将所述未来多维度特征矩阵数据集输入所述全域风电中长期出力预测模型进行预测，得到所述未来待预测时间段选定地区全域风电中长期出力预测数据。
关于一种全域风电中长期出力预测系统的具体限定可以参见上述对于一种全域风电中长期出力预测方法的限定，此处不再赘述。本领域普通技术人员可以意识到，结合本申请所公开的实施例描述的各个模块和步骤，能够以硬件、软件或者两者结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
第三实施例
如图4所示，本发明实施例提供的一种计算机设备，包括存储器、处理器和收发器，它们之间通过总线连接；存储器用于存储一组计算机程序指令和数据，并可以将存储的数据传输给处理器，处理器可以执行存储器存储的程序指令，以执行上述全域风电中长期出力预测方法的步骤。
其中，存储器可以包括易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者；处理器可以是中央处理器、微处理器、特定应用集成电路、可编程逻辑器件或其组合。通过示例性但不是限制性说明，上述可编程逻辑器件可以是复杂可编程逻辑器件、现场可编程逻辑门阵列、通用阵列逻辑或其任意组合。
另外，存储器可以是物理上独立的单元，也可以与处理器集成在一起。
本领域普通技术人员可以理解，图4中示出的结构，仅仅是与本发明申请方案相关的部分结构的框图，并不构成对本发明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，或者具有相同的部件布置。
第四实施例
在一个实施例中，提供了一种计算机可读存储介质，所述存储介质用于存储一个或多个计算机程序，所述一个或多个计算机程序包括程序代码，当所述计算机程序在计算机上运行时，所述程序代码用于执行上述全域风电中长期出力预测方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如SSD)等。
本领域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。
本实施例中全域风电中长期出力预测方法、系统、计算机设备及计算机存储介质，针对的区域内风电场数量众多，大部分风电场的历史数据存在数据体量少、缺失、错误，数据整体质量差，全域预测数据的准确率低的技术问题。通过获取历史CFS气象数据和与历史CFS气象数据对应的该地区实际全域风电出力数据的映射关系，以该映射关系作为样本集，使用样本集对采用卷积神经网络构建的模型进行训练，得到全域风电中长期出力预测模型，用该全域风电中长期出力预测模型对该地区未来的全域风电中长期出力数据进行预测。
本发明充分利用了空间范围的全域性，数据更全面、准确，以及时间维度的连续性，使气象要素特征数据和标签数据在时间上对齐的密度更大，数据样本量更大。通过绘制气象要素图谱图像的方式，使原本离散、稀疏的格点数据转化成了连续、渐变的图像数据，可直接覆盖全域所有风电场站。采用卷积神经网络和全连接网络构建模型，能够挖掘图谱的全局特征和局部特征，并且将其与全域出力结合回归拟合出稳定良好的、潜在的网络映射关系，通过多重技术提升了全域风电中长期出力预测的准确率。
以上所述实施例仅表达了本申请的几种优选实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当理解的是，本发明是说明性的而非限制性的，本发明方法并不局限于上文所述的特定配置，尽管附图示例说明了本发明的一个或多个实例，对于本技术领域的普通技术人员来说，在不脱离本发明精神和原则范围的情况下，所做出的任何修改、同等替换、改进等，均应包含在本发明的权利要求范围之内。因此，本申请专利的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种全域风电中长期出力预测方法，其特征在于，所述方法包括：
选取历史时间段，获取该历史时间段选定地区全域范围内的历史CFS气象数据；所述历史CFS气象数据包括：起报时间、预报时间、气象要素和经纬度格点位置；
根据所述历史CFS气象数据得到所对应的历史多维度特征矩阵数据集，作为出力预测特征数据；
获取所述选定地区所述历史时间段对应的实际全域风电出力数据，并将其按照所述历史CFS气象数据的预报时间进行整理，得到出力预测标签数据；
将所述出力预测特征数据和出力预测标签数据按照预报时间进行整合，获得样本集；
构建卷积神经网络，并采用所述样本集对所述卷积神经网络进行训练，获得全域风电中长期出力预测模型；
选取未来待预测时间段的CFS气象数据，根据所述未来待预测时间段的CFS气象数据得到所对应的未来多维度特征矩阵数据集，并将所述未来多维度特征矩阵数据集输入所述全域风电中长期出力预测模型进行预测，得到所述未来待预测时间段选定地区全域风电中长期出力预测数据。
2.如权利要求1所述的全域风电中长期出力预测方法，其特征在于，所述根据所述历史CFS气象数据得到所对应的历史多维度特征矩阵数据集，包括：
采用主成分分析方法对所述历史CFS气象数据进行降维处理。
3.如权利要求2所述的全域风电中长期出力预测方法，其特征在于，所述根据所述历史CFS气象数据得到所对应的历史多维度特征矩阵数据集，还包括：
采用线性插补法对所述PCA降维处理后的历史CFS气象数据的同一起报时间、预报时间和经纬度格点位置的气象要素的时间间隔插补为15分钟。
4.如权利要求3所述的全域风电中长期出力预测方法，其特征在于，所述根据所述历史CFS气象数据得到所对应的历史多维度特征矩阵数据集，还包括：
对所述插补处理后的历史CFS气象数据的每一种气象要素，按照起报时间、预报时间和经纬度格点位置的顺序进行升序排序；
依次选取所述每一种气象要素同一起报时间和预报时间的全部经纬度格点位置的全部特征数据，并对所述每一全部特征数据进行可视化计算生成气象要素图谱图像；
将所有所述气象要素图谱图像组成多维度图谱图像集。
5.如权利要求4所述的全域风电中长期出力预测方法，其特征在于，所述根据所述历史CFS气象数据得到所对应的历史多维度特征矩阵数据集，还包括：
对所述多维度图谱图像集进行灰度处理，并将其按照起报时间、预报时间、经纬度格点位置、多维度图谱图像灰度值的顺序组合成初始多维度特征矩阵；
将所述初始多维度特征矩阵中具有同一起报时间、预报时间、经纬度格点位置的所有多维度图谱图像灰度值组合获得多维度特征矩阵，将所有所述多维度特征矩阵组成多维度特征矩阵数据集。
6.如权利要求1所述的全域风电中长期出力预测方法，其特征在于，所述将所述出力预测特征数据和出力预测标签数据按照预报时间进行整合，获得样本集，包括：
按照预报时间，将所述出力预测特征数据和出力预测标签数据进行组合，得到所有同一起报时间和预报时间每一经纬度格点位置多维度图谱图像灰度值与实际全域风电出力数据的映射关系，作为所述选定地区历史CFS气象数据和实际全域风电出力数据的映射数据集；
将所述映射数据集作为样本集。
7.如权利要求1所述的全域风电中长期出力预测方法，其特征在于，所述卷积神经网络包括：(3,3)矩阵大小的卷积核、(2,2)矩阵大小池化核和多个深度可分离卷积神经网络层结构，以及一个网络展平层和一个不带激活的全连接神经网络；
所述采用所述样本集对所述卷积神经网络进行训练，包括：
将所述样本集拆分为训练样本集、验证样本集和测试样本集；
将所述训练样本集采用小批量数据方式输入所述卷积神经网络模型进行迭代训练，获取所述卷积神经网络模型超参数；
将所述验证样本集采用小批量数据方式输入所述卷积神经网络模型，对所述卷积神经网络模型进行验证和超参数调整；
将所述测试样本集采用小批量数据方式输入所述卷积神经网络模型，对所述卷积神经网络进行测试。
8.一种全域风电中长期出力预测系统，其特征在于，所述系统包括：
历史数据获取单元：用于选取历史时间段，获取该历史时间段选定地区全域范围内的历史CFS气象数据；所述历史CFS气象数据包括：起报时间、预报时间、气象要素和经纬度格点位置；
特征数据生成单元：用于根据所述历史CFS气象数据得到所对应的历史多维度特征矩阵数据集，作为出力预测特征数据；
标签数据生成单元：用于获取所述选定地区所述历史时间段对应的实际全域风电出力数据，并将其按照所述历史CFS气象数据的预报时间进行整理，得到出力预测标签数据；
数据整合单元：用于将所述出力预测特征数据和出力预测标签数据按照预报时间进行整合，获得样本集；
模型构建单元：用于构建卷积神经网络，并采用所述样本集对所述卷积神经网络进行训练，获得全域风电中长期出力预测模型；
数据预测单元：用于选取未来待预测时间段的CFS气象数据，根据所述未来待预测时间段的CFS气象数据得到所对应的未来多维度特征矩阵数据集，并将所述未来多维度特征矩阵数据集输入所述全域风电中长期出力预测模型进行预测，得到所述未来待预测时间段选定地区全域风电中长期出力预测数据。
9.一种计算机设备，其特征在于：包括存储器、处理器和收发器，它们之间通过总线连接；存储器用于存储一组计算机程序指令和数据，并可以将存储的数据传输给处理器，处理器可以执行存储器存储的程序指令，以执行如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有计算机程序，当所述计算机程序被运行时，实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211663241.5A CN115936238B (zh) | 2022-12-23 | 2022-12-23 | 一种全域风电中长期出力预测方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211663241.5A CN115936238B (zh) | 2022-12-23 | 2022-12-23 | 一种全域风电中长期出力预测方法、系统、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115936238A CN115936238A (zh) | 2023-04-07 |
| CN115936238B true CN115936238B (zh) | 2024-01-12 |
Family
ID=86557323
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211663241.5A Active CN115936238B (zh) | 2022-12-23 | 2022-12-23 | 一种全域风电中长期出力预测方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115936238B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117273244A (zh) * | 2023-11-22 | 2023-12-22 | 中国电力科学研究院有限公司 | 一种区域风光资源中长期人工智能预报方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111342456A (zh) * | 2020-03-18 | 2020-06-26 | 国网天津市电力公司电力科学研究院 | 一种台区能源系统建模方法及系统 |
| CN111860982A (zh) * | 2020-07-06 | 2020-10-30 | 东北大学 | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 |
| CN112531694A (zh) * | 2020-11-27 | 2021-03-19 | 国网重庆市电力公司电力科学研究院 | 基于数字孪生技术的交直流混合电网全域实时模拟方法 |
| CN114202129A (zh) * | 2021-12-31 | 2022-03-18 | 京东方科技集团股份有限公司 | 风电出力预测方法、电子设备、存储介质及系统 |
| CN115186907A (zh) * | 2022-07-14 | 2022-10-14 | 华润电力技术研究院有限公司 | 风电场中长期发电量的预测方法、系统、设备及介质 |
-
2022
- 2022-12-23 CN CN202211663241.5A patent/CN115936238B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111342456A (zh) * | 2020-03-18 | 2020-06-26 | 国网天津市电力公司电力科学研究院 | 一种台区能源系统建模方法及系统 |
| CN111860982A (zh) * | 2020-07-06 | 2020-10-30 | 东北大学 | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 |
| CN112531694A (zh) * | 2020-11-27 | 2021-03-19 | 国网重庆市电力公司电力科学研究院 | 基于数字孪生技术的交直流混合电网全域实时模拟方法 |
| CN114202129A (zh) * | 2021-12-31 | 2022-03-18 | 京东方科技集团股份有限公司 | 风电出力预测方法、电子设备、存储介质及系统 |
| CN115186907A (zh) * | 2022-07-14 | 2022-10-14 | 华润电力技术研究院有限公司 | 风电场中长期发电量的预测方法、系统、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115936238A (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110363327B (zh) | 基于ConvLSTM和3D-CNN的短临降水预测方法 | |
| CN113919231B (zh) | 基于时空图神经网络的pm2.5浓度时空变化预测方法及系统 | |
| CN110555561B (zh) | 一种中长期径流集合预报方法 | |
| CN111045117B (zh) | 一种气候监测预测平台 | |
| CN113657662B (zh) | 一种基于数据融合的降尺度风电功率预测方法 | |
| CN110633841B (zh) | 基于集合采样的省级范围地块尺度数据同化产量预测方法 | |
| CN112330050A (zh) | 一种基于双层XGBoost考虑多特征的电力系统负荷预测方法 | |
| CN115936238B (zh) | 一种全域风电中长期出力预测方法、系统、设备及介质 | |
| CN116224473B (zh) | 一种风速预报方法、模型训练方法、装置和存储介质 | |
| CN114021830A (zh) | 一种基于cnn-lstm的多时间范围风速预测方法 | |
| CN113176420A (zh) | 一种针对电网杆塔点的风速预报订正系统 | |
| CN117076738A (zh) | 基于变网格模型的中长期气象预测方法、系统及介质 | |
| CN112801332A (zh) | 一种基于灰度共生矩阵的短期风速预测方法 | |
| CN113984198B (zh) | 一种基于卷积神经网络的短波辐射预测方法及系统 | |
| CN114692981A (zh) | 基于Seq2Seq模型的中长期径流预报方法和系统 | |
| CN116523145B (zh) | 光伏功率超短期预测方法、装置、计算机设备及存储介质 | |
| CN112580899A (zh) | 一种融合机器学习模型的中长期风力发电预测方法及系统 | |
| CN117543567A (zh) | 用于风电场无功优化的风电功率预测方法及装置 | |
| CN117761802A (zh) | 一种基于联邦学习的风电场气象预报算法 | |
| CN110059972B (zh) | 基于泛函深度信念网络的日太阳辐射资源评估方法 | |
| CN116565840A (zh) | 一种用于风电场风功率预测的高精度风速软测量方法 | |
| CN115238967A (zh) | 一种结合云图和相邻电站集群的光伏功率预测方法及装置 | |
| CN114325877A (zh) | 气象预报数据的评估方法和装置 | |
| CN114330902B (zh) | 一种基于解耦机制的配电线路负荷预测方法 | |
| Aguilar et al. | Hybrid methodology for modeling short-term wind power generation using conditional Kernel density estimation and singular spectrum analysis |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |