CN116029425A - 风机出力爬坡事件预测方法、装置和计算机设备 - Google Patents

Abstract

本申请涉及一种风机出力爬坡事件预测方法、装置和计算机设备，所述方法包括：获取目标风电场的多个历史风机出力数据和多个历史风速数据，以及目标风电场在预测时间段内的多个风速数据；根据多个历史风机出力数据，得到历史风机出力时间序列，以及根据多个历史风速数据，得到历史风速时间序列；通过训练完成的预测模型对历史风机出力时间序列、历史风速时间序列和多个风速数据进行处理，得到目标风电场在预测时间段内的风机出力差分曲线；基于风机出力差分曲线，确定目标风电场在预测时间段内的风电爬坡事件结果。采用本方法能够提前精准定位极端天气环境下可能出现的风电爬坡事件，改善未来新型电力系统调度运行面临的不确定性。

Description

风机出力爬坡事件预测方法、装置和计算机设备

技术领域

本申请涉及电网安全技术领域，特别是涉及一种风机出力爬坡事件预测方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术

由于利用风能发电对环境的影响非常小，因而风能发电成为一项重要的发电方式。随着系统中风电装机容量的不断提升，风电的随机性、波动性及间歇性对电网的安全稳定运行、电网规划等领域带来巨大挑战。特别是在强对流、台风、长时间大范围雨雪冰冻灾害等极端天气环境下，极易发生风电快速爬坡(短时间内风电功率出现大幅变化)的事件，影响的电网安全运行。因此，亟需一种能够预测风机出力爬坡事件的方法，以对在极端天气环境下出现的风电爬坡事件进行分析，防止影响电力系统的安全稳定运行。

发明内容

基于此，有必要针对上述极端天气下风力发电出力容易出现风电爬坡事件，影响新型电力系统安全稳定运行的问题，提供一种风机出力爬坡事件预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

第一方面，本申请提供了一种风机出力爬坡事件预测方法。所述方法包括：

获取目标风电场的多个历史风机出力数据和多个历史风速数据，以及所述目标风电场在预测时间段内的多个风速数据；

根据所述多个历史风机出力数据，得到历史风机出力时间序列，以及根据所述多个历史风速数据，得到历史风速时间序列；

通过训练完成的预测模型对所述历史风机出力时间序列、所述历史风速时间序列和所述多个风速数据进行处理，得到所述目标风电场在所述预测时间段内的风机出力差分曲线；

基于所述风机出力差分曲线，确定所述目标风电场在所述预测时间段内的风电爬坡事件结果。

在其中一个实施例中，所述根据所述多个历史风机出力数据，得到历史风机出力时间序列，以及根据所述多个历史风速数据，得到历史风速时间序列，包括：

根据所述多个历史风机出力数据，得到初始风机出力时间序列；对所述初始风机出力时间序列进行差分处理，得到所述历史风机出力时间序列；

根据所述多个历史风速数据，得到初始风速时间序列；对所述初始风速时间序列进行差分处理，得到所述历史风速时间序列。

在其中一个实施例中，所述方法还包括：

根据预定义的爬坡事件检测基准，确定差分时间间隔；

按照所述差分时间间隔，对所述初始风机出力时间序列进行差分处理，得到所述历史风机出力时间序列；

以及按照所述差分时间间隔，对所述初始风速时间序列进行差分处理，得到所述历史风速时间序列。

在其中一个实施例中，所述通过训练完成的预测模型对所述历史风机出力时间序列、所述历史风速时间序列和所述多个风速数据进行处理，得到所述目标风电场在所述预测时间段内的风机出力差分曲线，包括：

通过所述训练完成的预测模型对所述历史风机出力时间序列、所述历史风速时间序列和所述多个风速数据进行处理，得到所述目标风电场在所述预测时间段的各个时刻的风机出力的概率分布；

基于所述各个时刻的风机出力的概率分布，确定所述目标风电场在所述预测时间段内的风机出力差分曲线。

在其中一个实施例中，所述通过所述训练完成的预测模型对所述历史风机出力时间序列、所述历史风速时间序列和所述多个风速数据进行处理，得到所述目标风电场在所述预测时间段的各个时刻的风机出力的概率分布区间，包括：

按照每个时步均输入上一时步输出的隐藏状态和上一时步的风机出力数据，并同步将当前时步的风速数据作为输入量的处理方式，通过所述训练完成的预测模型处理得到所述目标风电场在所述预测时间段的各个时刻的风机出力的概率分布区间。

在其中一个实施例中，所述预测模型通过下述方式训练得到：

获取所述目标风电场在第一时间段的第一样本风机发电出力数据和第一样本风速数据和第二时间段的第二样本风速数据和第二风机发电处理数据标签；

分别根据所述第一样本风机发电出力数据和所述第一样本风速数据，得到样本风机出力时间序列和样本风速时间序列；

通过待训练的预测模型对所述样本风机出力时间序列、所述样本风速时间序列和所述第二样本风速数据进行处理，得到所述目标风电场在所述第二时间段的预测第二风机发电处理数据；

基于所述预测第二风机发电处理数据和所述第二风机发电处理数据标签之间的损失值，对所述待训练的预测模型进行训练，得到训练完成的预测模型。

第二方面，本申请还提供了一种风机出力爬坡事件预测装置。所述装置包括：

获取模块，用于获取目标风电场的多个历史风机出力数据和多个历史风速数据，以及所述目标风电场在预测时间段内的多个风速数据；

确定模块，用于根据所述多个历史风机出力数据，得到历史风机出力时间序列，以及根据所述多个历史风速数据，得到历史风速时间序列；

预测模块，用于通过训练完成的预测模型对所述历史风机出力时间序列、所述历史风速时间序列和所述多个风速数据进行处理，得到所述目标风电场在所述预测时间段内的风机出力差分曲线；

识别模块，用于基于所述风机出力差分曲线，确定所述目标风电场在所述预测时间段内的风电爬坡事件结果。

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下步骤：

获取目标风电场的多个历史风机出力数据和多个历史风速数据，以及所述目标风电场在预测时间段内的多个风速数据；

根据所述多个历史风机出力数据，得到历史风机出力时间序列，以及根据所述多个历史风速数据，得到历史风速时间序列；

通过训练完成的预测模型对所述历史风机出力时间序列、所述历史风速时间序列和所述多个风速数据进行处理，得到所述目标风电场在所述预测时间段内的风机出力差分曲线；

基于所述风机出力差分曲线，确定所述目标风电场在所述预测时间段内的风电爬坡事件结果。

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下步骤：

获取目标风电场的多个历史风机出力数据和多个历史风速数据，以及所述目标风电场在预测时间段内的多个风速数据；

根据所述多个历史风机出力数据，得到历史风机出力时间序列，以及根据所述多个历史风速数据，得到历史风速时间序列；

通过训练完成的预测模型对所述历史风机出力时间序列、所述历史风速时间序列和所述多个风速数据进行处理，得到所述目标风电场在所述预测时间段内的风机出力差分曲线；

基于所述风机出力差分曲线，确定所述目标风电场在所述预测时间段内的风电爬坡事件结果。

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下步骤：

获取目标风电场的多个历史风机出力数据和多个历史风速数据，以及所述目标风电场在预测时间段内的多个风速数据；

根据所述多个历史风机出力数据，得到历史风机出力时间序列，以及根据所述多个历史风速数据，得到历史风速时间序列；

通过训练完成的预测模型对所述历史风机出力时间序列、所述历史风速时间序列和所述多个风速数据进行处理，得到所述目标风电场在所述预测时间段内的风机出力差分曲线；

基于所述风机出力差分曲线，确定所述目标风电场在所述预测时间段内的风电爬坡事件结果。

上述风机出力爬坡事件预测方法、装置、计算机设备、存储介质和计算机程序产品，获取目标风电场的多个历史风机出力数据和多个历史风速数据，以及目标风电场在预测时间段内的多个风速数据，根据多个历史风机出力数据，得到历史风机出力时间序列，以及根据多个历史风速数据，得到历史风速时间序列，通过训练完成的预测模型对历史风机出力时间序列、历史风速时间序列和多个风速数据进行处理，得到目标风电场在预测时间段内的风机出力差分曲线，基于风机出力差分曲线，确定目标风电场在预测时间段内的风电爬坡事件结果，由此可以提前精准定位极端天气环境下可能出现的风电爬坡事件，改善未来新型电力系统调度运行面临的不确定性。

附图说明

图1为一个实施例中风机出力爬坡事件预测方法的应用环境图；

图2为一个实施例中风机出力爬坡事件预测方法的流程示意图；

图3为一个实施例中DeepAR模型的模型结构示意图；

图4为另一个实施例中风机出力爬坡事件预测方法的流程示意图；

图5为一个应用实施例中上爬坡事件的风机出力差分曲线示意图；

图6为一个应用实施例中下爬坡事件的风机出力差分曲线示意图；

图7为一个应用实施例中风机出力差分曲线的预测结果示意图；

图8为另一个应用实施例中风机出力差分曲线的预测结果示意图；

图9为一个实施例中风机出力爬坡事件预测装置的结构框图；

图10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。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必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，以便这里描述的本申请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。

本申请实施例提供的风机出力爬坡事件预测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与数据管理系统104进行通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。

在本申请的应用场景中，通过数据采集装置采样不同风电场的风机发电出力数据和风速数据，并上传至数据管理系统104中，在确定可能发生风机出力爬坡事件的目标风电场后，终端102可从数据管理系统104中获取目标风电场的多个历史风机出力数据和多个历史风速数据，以及目标风电场在预测时间段内的多个风速数据，根据多个历史风机出力数据，得到历史风机出力时间序列，以及根据多个历史风速数据，得到历史风速时间序列，通过训练完成的预测模型对历史风机出力时间序列、历史风速时间序列和多个风速数据进行处理，得到目标风电场在预测时间段内的风机出力差分曲线，基于风机出力差分曲线，确定目标风电场在预测时间段内的风电爬坡事件结果。

在一个实施例中，如图2所示，提供了一种风机出力爬坡事件预测方法，以该方法应用于图1中的终端102为例进行说明，包括以下步骤：

步骤S210，获取目标风电场的多个历史风机出力数据和多个历史风速数据，以及目标风电场在预测时间段内的多个风速数据。

具体实现中，数据采集装置可按照预设的采样时间间隔对风机出力数据及风速数据进行采样，例如，采样时间间隔可以为10分钟、15分钟、30分钟和60分钟等。以采样时间间隔为10分钟为例，则采集时一天能够采集的数据点为144，针对采集能力的不同，可将采样时间间隔进行适当调整。本申请中，风速数据可视为如天气类的可提前确定的已知数据。

步骤S220，根据多个历史风机出力数据，得到历史风机出力时间序列，以及根据多个历史风速数据，得到历史风速时间序列。

具体实现中，可将多个历史风机出力数据，构建为单位时间下的历史风机出力时间序列，以及将多个风速数据，构建为单位时间下的历史风速时间序列。

步骤S230，通过训练完成的预测模型对历史风机出力时间序列、历史风速时间序列和多个风速数据进行处理，得到目标风电场在预测时间段内的风机出力差分曲线。

具体实现中，预测模型可以为深度自回归模型(DeepAR)，将风机出力时间序列作为训练数据输入训练模型，将风速时间序列作为协变量一同参与训练，构建DeepAR风机出力爬坡事件的预测模型，通过样本数据对预测模型训练完成后，通过训练完成的预测模型对历史风机出力时间序列、历史风速时间序列和多个风速数据进行处理，得到目标风电场在预测时间段的各个时刻的风机出力的概率分布，然后基于各个时刻的风机出力的概率分布，确定目标风电场在预测时间段内的风机出力差分曲线。

本步骤采用的DeepAR模型有别于传统的时间序列预测算法以时间序列上的每个时间断面上的数值作为预测目标，其根据因变量和协变量的历史数据，计算序列在每个时间点上的概率分布，能够很方便的将相关的物理约束纳入模型考虑，大幅提升了预测精度，也能够评估出预测的不确定性和相关预测的可靠性。

步骤S240，基于风机出力差分曲线，确定目标风电场在预测时间段内的风电爬坡事件结果。

具体地，根据风电功率在短时间的变化方向，风电爬坡事件可分为上爬坡事件及下爬坡事件。可将风机出力差分曲线，按照差分时间间隔，转换为爬坡率曲线，当爬坡率小于第一阈值时，判定发生下爬坡事件，当爬坡率大于第二阈值时，判定发生上爬坡事件。其中，风机出力差分曲线转换为爬坡率曲线可以通过风机出力差分值与差分时间间隔的比值确定，即爬坡率＝风机出力差分值/差分时间间隔。

上述风机出力爬坡事件预测方法中，获取目标风电场的多个历史风机出力数据和多个历史风速数据，以及目标风电场在预测时间段内的多个风速数据，根据多个历史风机出力数据，得到历史风机出力时间序列，以及根据多个历史风速数据，得到历史风速时间序列，通过训练完成的预测模型对历史风机出力时间序列、历史风速时间序列和多个风速数据进行处理，得到目标风电场在预测时间段内的风机出力差分曲线，基于风机出力差分曲线，确定目标风电场在预测时间段内的风电爬坡事件结果，由此可以提前精准定位极端天气环境下可能出现的风电爬坡事件，改善未来新型电力系统调度运行面临的不确定性。

在一示例性实施例中，上述步骤S220中历史风机出力时间序列和历史风速时间序列可以通过以下步骤得到：根据多个历史风机出力数据，得到初始风机出力时间序列；对初始风机出力时间序列进行差分处理，得到历史风机出力时间序列；根据多个历史风速数据，得到初始风速时间序列；对初始风速时间序列进行差分处理，得到历史风速时间序列。

具体实现中，在将多个历史风机出力数据，构建为单位时间下的历史风机出力时间序列的过程中，先根据多个历史风机出力数据，得到初始风机出力时间序列，记为P＝{P₁，P₂，…，P_n}，然后结合风电爬坡事件的检测基准，对初始风机出力时间序列进行差分处理，得到单位时间下的历史风机出力时间序列。类似地，在将多个风速数据，构建为单位时间下的历史风速时间序列的过程中，先根据多个历史风速数据，得到初始风速时间序列，记为W＝{W₁，W₂，…，W_n}，其中，n为时间序列中的元素个数，然后结合风电爬坡事件的检测基准，对初始风速时间序列进行差分处理，得到历史风速时间序列。

进一步地，在一示例性实施例中，上述步骤S220中历史风机出力时间序列和历史风速时间序列的确定还包括：

步骤S221，根据预定义的爬坡事件检测基准，确定差分时间间隔；

步骤S222，按照差分时间间隔，对初始风机出力时间序列进行差分处理，得到历史风机出力时间序列；

步骤S223，以及按照差分时间间隔，对初始风速时间序列进行差分处理，得到历史风速时间序列。

其中，爬坡事件的检测基准为：在一定时间间隔下，起始时刻和结束时刻的风电功率的差值绝对值与时间间隔的比值大于给定阈值，认为此时出现风电爬坡事件，用公式可表示为：

式中：P_t和P_t+△t分表表示t时刻和t+△t时刻的功率，λ_threshold为给定阈值。

将上述的时间差△t作为差分时间间隔，对初始风机出力时间序列和初始风速时间序列进行差分处理。

更具体地，为便于后续风机出力差分曲线转换为爬坡率曲线，以确定爬坡事件的发生情况，可定义最小爬坡时间△t为1小时，对初始风机出力时间序列和初始风速时间序列进行时间间隔为1小时的差分处理，得到每小时时刻相对于前一小时风机出力的变化量时间序列ΔP＝{ΔP₁,ΔP₂,...,ΔP_n}，作为历史风机出力时间序列和风速的变化量时间序列ΔW＝{ΔW₁,ΔW₂,...,ΔW_n}，作为历史风速时间序列。

上述实施例中，通过由预定义的爬坡事件检测基准确定的差分时间间隔，对多个历史风机出力数据构建的初始风机出力时间序列和多个历史风速数据构建的初始风速时间序列分别进行差分处理，能够消除初始风机出力时间序列和初始风速时间序列的波动，保证所得到的历史风机出力时间序列和历史风速时间序列的平稳性，同时差分处理可以提取风机出力和风速的变化特征，可以提高训练的预测模型的预测能力的准确性。

在一示例性实施例中，预测模型通过下述方式训练得到：

步骤S31，获取目标风电场在第一时间段的第一样本风机发电出力数据和第一样本风速数据和第二时间段的第二样本风速数据和第二风机发电处理数据标签；

步骤S32，分别根据第一样本风机发电出力数据和第一样本风速数据，得到样本风机出力时间序列和样本风速时间序列；

步骤S33，通过待训练的预测模型对样本风机出力时间序列、样本风速时间序列和第二样本风速数据进行处理，得到目标风电场在第二时间段的预测第二风机发电处理数据；

步骤S34，基于预测第二风机发电处理数据和第二风机发电处理数据标签之间的损失值，对待训练的预测模型进行训练，得到训练完成的预测模型。

其中，第一时间段早于第二时间段，例如第一时间段为2月3日至2月6日，第二时间段为2月7日。

具体实现中，可以目标风电场在第一时间段的第一样本风机发电出力数据为输入变量，以第一样本风速数据和第二样本风速数据为协变量，以第二风机发电处理数据标签为监督信息，对待训练的预测模型进行训练，得到训练完成的预测模型。其中，根据第一样本风机发电出力数据和第一样本风速数据分别得到样本风机出力时间序列和样本风速时间序列的过程，与前述实施例中根据历史风机发电出力数据和历史风速数据，得到历史风机出力时间序列和历史风速时间序列的方法相同，均为先构建一个初始的时间序列，然后通过差分时间间隔对初始时间序列进行差分处理，得到最终的时间序列，在此不再详细赘述。

参考图3，为以DeepAR模型作为预测模型时的模型结构示意图，可分为训练部分和预测部分，在模型的训练过程中，每个时步均输入上一时步的隐藏状态h_i,t-1和风机出力观测值z_i,t-1，并同步将当前时刻的已知协变量x_i,t，即风速数据作为输入量。经过神经网络的学习，可以计算优化出当前时步的隐藏状态h_i,t，进而通过似然函数

进行仿射，返回当前时步的概率预测分布，其中θ()的具体形式取决于似然函数的选择。最后通过最大化对数似然函数来对整个网络的参数进行训练，即优化得到较优的自回归循环神经网络函数h()和映射神经网络θ()中的参数。

根据最后确定的自回归循环神经网络函数h()和映射神经网络θ()中的参数，得到训练完成的预测模型。

其中，预测模型中的似然函数

的选择需要与数据的统计属性相匹配。常用的似然函数形式有高斯分布、伯努利分布、beta分布、负二项式分布等。考虑到风电爬坡的数值型数据特征，在本文中采用高斯分布作为似然函数模型对风电爬坡场景下的风机出力进行预测。由此似然模型参数包括数学期望和标准差，即θ＝(μ,σ)，选择softplus作为其激活函数来保证σ为正数。其表达式如下：

其中，参数

b_μ、

b_σ均由自回归循环神经网络训练优化所得。

在模型训练完成后，为评价DeepAR预测模型的预测效果及同其他时序预测模型性能的对比效果，可选取均方根误差(Root Mean Square Error，RMSE)、均方误差(MeanSquare Error，MSE)、平均绝对百分比误差(Mean Absolute Percentage Error，MAPE)、加权分位数损失(Weighted Quantile Loss，WQL)等作为预测模型的评价指标，对DeepAR预测模型的有效性和准确性进行评估。

其中，上述提及的RMSE、MSE、MAPE、WQL评价指标表达式如下：

其中，

表示模型的预测值，Y(i)表示实际观测值，h表示预测区间长度，τ为指定的分位数大小，

是分位数为τ时模型预测值。

本实施例中，通过以DeepAR模型作为预测模型进行训练，利用DeepAR模型的概率分布预测特性，能够更大程度上的捕获风电爬坡特征，提高对风电爬坡事件的预测结果的准确性。

在一示例性实施例中，上述步骤S240具体包括：

步骤S241，通过训练完成的预测模型对历史风机出力时间序列、历史风速时间序列和多个风速数据进行处理，得到目标风电场在预测时间段的各个时刻的风机出力的概率分布；

步骤S242，基于各个时刻的风机出力的概率分布，确定目标风电场在预测时间段内的风机出力差分曲线。

进一步地，在一示例性实施例中，上述步骤S241具体包括：按照每个时步均输入上一时步输出的隐藏状态和上一时步的风机出力数据，并同步将当前时步的风速数据作为输入量的处理方式，通过训练完成的预测模型处理得到目标风电场在预测时间段的各个时刻的风机出力的概率分布区间。

具体实现中，参考图3，以历史时间段为[1,t₀－1]，预测时间段为[t₀,T]为例，历史时间段内的历史风机出力数据和历史风速数据可视为观测数据，预测时间段内的风速数据可视为先验的已知数据，当预测模型训练完成后，即可导入时间序列在[1,t₀－1]区间的观测数据，得到

并在[t₀,T]区间对每一时步依次进行计算，得到概率分布模型(如高斯分布模型

)，进而借助该概率分布模型随机采样得到一个预测值

这个采样值将作为下一个时步的输入。如此不断重复该过程，能够得到[t₀,T]时间段中各时刻的序列预测值。

可以理解的是，概率分布预测本质上是预测该时步上数值的概率分布，并且通过设定参数，描述出该数值可能的区间，在当前时步上输出一个概率并采样得到数值之后，这个数值将会作为下一个时步的输入，而这个数值是随机采样得到的，每次存在一定的差异，由此可极大地增强训练的预测模型的鲁棒性。

本实施例中，DeepAR最后能够产生一个可选时间跨度的多步预测结果，其中单时步的预测结果为概率分布，默认输出置信度为50％和90％的概率分布区间，置信度可以在1％-99％之间任意选择。通过给出各个时步的概率分布，既可以使用某置信度条件下的概率分布区间来进行爬坡事件预测，也可以综合区间预测结果给出一个时步点的爬坡事件预测结果，这种根据该时步的概率分布范围来衡量发生风电爬坡的可能性的方法，提供更多的调度灵活性和可操作性。

在另一个实施例中，如图4所示，提供了一种风机出力爬坡事件预测方法的流程示意图，本实施例中，包括以下步骤：

步骤S410，获取目标风电场的多个历史风机出力数据和多个历史风速数据，以及目标风电场在预测时间段内的多个风速数据；

步骤S420，根据多个历史风机出力数据，得到初始风机出力时间序列，以及根据多个历史风速数据，得到初始风速时间序列；

步骤S430，按照预先确定的差分时间间隔，分别对初始风机出力时间序列和初始风速时间序列进行差分处理，得到差分处理后的历史风机出力时间序列和历史风速时间序列；

步骤S440，按照每个时步均输入上一时步输出的隐藏状态和上一时步的风机出力数据，并同步将当前时步的风速数据作为输入量的处理方式，通过训练完成的预测模型对历史风机出力时间序列、历史风速时间序列和多个风速数据进行处理，得到目标风电场在预测时间段的各个时刻的风机出力的概率分布；

步骤S450，基于各个时刻的风机出力的概率分布，确定目标风电场在预测时间段内的风机出力差分曲线。

本实施例提供的风机出力爬坡事件预测方法，可以提前精准定位极端天气环境下可能出现的风电爬坡事件，改善未来新型电力系统调度运行面临的不确定性。

在一个实施例中，为了便于本领域技术人员理解本申请实施例，以下将结合附图的具体示例进行说明。

选取某地1至6月的某风机发电出力数据及同一时期的实测风速数据作为数据集。数据采样间隔为10min，并以5月10日0点为分界点，之前数据作为训练集，以5月10日和5月14日当天作为预测区间，每个预测区间长度为144，其中5月10日和5月14日的风机出力实测数据差分曲线图如图5和图6所示，由图可知这两日都发生了较为明显的风电爬坡事件，其中5月10日晚发生了显著的上爬坡事件，5月14日早晨发生了显著的下爬坡事件。

TFT(Temporal Fusion Transformers，针对多步预测任务的一种Transformer模型)采用分位数回归，能够通过结合先验已知协变量提取时序特征来优化模型预测效果，对于时序数据的多步预测任务也具有很好的效果和解释性，其输出结果为各时步上变量点预测值。

由于TFT模型预测结果的数值特性，对于所选数据集，以DeepAR上侧50分位数为点预测值，考虑风速以及风电爬坡特性的影响，选取仅用风机发电出力数据进行训练的DeepAR(power)模型、以风机发电出力为目标预测序列，风速为协变量进行训练的DeepAR(power&speed)模型、以风机发电出力差分值为目标预测序列，风速差分值为协变量进行训练的DeepAR(diff power&speed)模型、以风机发电出力差分值为目标预测序列，风速差分值为协变量进行训练的TFT(diff power&speed)模型共计四种模型作为对照。

将所用训练数据分为20个batch进行训练，模型整个训练过程共迭代50次，以达到较好的拟合状态，同时优化模型的性能和速度。根据上述指标对5月10日和5月14日两天的预测结果进行综合评价，结果如表1所示。

表1模型预测性能对比评估

由表1的数据可知，对所用数据差分处理前，单风机出力数据参与模型训练并不能达到很高的拟合效果，RMSE的值达到了1.939011，50分位数下的加权分位数损失值为0.350456。模型虽有一定的预测能力，但并不能有效预测未来一天时间内的风机出力变化。结合风速作为协变量之后预测效果反而有所退步，各项指标均显著增大。考虑是风机出力受多项因素影响，单纯的风速大小并不能刻画其变化特征，反而会影响模型提取风电爬坡特征的能力。对所用数据进行差分处理后在进行模型训练，可以看到模型预测能力的各项性能指标均有了显著减小，模型预测能力显著增强。并且较之单风机出力数据训练的模型预测能力更强。RMSE低至0.253522，50分位数下的加权分位数损失值为0.177522，远低于其他模型预测的结果。与之相比，TFT时序预测模型虽然同样采用的是差分处理后的风速和风机出力数据，其模型预测效果并不理想，虽远超另外两个非差分数据训练的DeepAR模型，但显然不及差分数据训练的DeepAR模型。这也得益于DeepAR模型的概率分布预测特性，能够更大程度上的捕获风电爬坡特征。

另外，DeepAR模型预测的结果实际上是目标序列取值的概率分布，实际上能够得到不同置信度条件下的预测值波动范围，能够更大范围的捕获波动特征。图7所示为5月10日DeepAR(diff_power&speed)预测结果，图8所示为5月14日DeepAR(diff_power&speed)预测结果中，通过这两次预测结果可以看出，实际上50分位数下的点预测结果同真实值之间仍有一定的偏差，但其95％置信区间却能够覆盖几乎所有的真实观测值所在位置，由此电网调度者不但能根据50分位数时的点预测结果来判断是否存在风电爬坡事件，同时也能够根据该时步的概率分布范围来衡量发生风电爬坡的可能性，提供更多的调度灵活性和可操作性。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

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机出力爬坡事件预测方法的风机出力爬坡事件预测装置。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机出力爬坡事件预测装置实施例中的具体限定可以参见上文中对于风机出力爬坡事件预测方法的限定，在此不再赘述。

在一个实施例中，如图9所示，提供了一种风机出力爬坡事件预测装置，包括：

获取模块910，用于获取目标风电场的多个历史风机出力数据和多个历史风速数据，以及所述目标风电场在预测时间段内的多个风速数据；

确定模块920，用于根据所述多个历史风机出力数据，得到历史风机出力时间序列，以及根据所述多个历史风速数据，得到历史风速时间序列；

预测模块930，用于通过训练完成的预测模型对所述历史风机出力时间序列、所述历史风速时间序列和所述多个风速数据进行处理，得到所述目标风电场在所述预测时间段内的风机出力差分曲线；

识别模块940，用于基于所述风机出力差分曲线，确定所述目标风电场在所述预测时间段内的风电爬坡事件结果。

在其中一个实施例中，确定模块920，还用于根据所述多个历史风机出力数据，得到初始风机出力时间序列；对所述初始风机出力时间序列进行差分处理，得到所述历史风机出力时间序列；以及根据所述多个历史风速数据，得到初始风速时间序列；对所述初始风速时间序列进行差分处理，得到所述历史风速时间序列。

在其中一个实施例中，确定模块920，还用于根据预定义的爬坡事件检测基准，确定差分时间间隔；按照所述差分时间间隔，对所述初始风机出力时间序列进行差分处理，得到所述历史风机出力时间序列；以及按照所述差分时间间隔，对所述初始风速时间序列进行差分处理，得到所述历史风速时间序列。

在其中一个实施例中，预测模块930，还用于通过所述训练完成的预测模型对所述历史风机出力时间序列、所述历史风速时间序列和所述多个风速数据进行处理，得到所述目标风电场在所述预测时间段的各个时刻的风机出力的概率分布；基于所述各个时刻的风机出力的概率分布，确定所述目标风电场在所述预测时间段内的风机出力差分曲线。

在其中一个实施例中，预测模块930，还用于按照每个时步均输入上一时步输出的隐藏状态和上一时步的风机出力数据，并同步将当前时步的风速数据作为输入量的处理方式，通过所述训练完成的预测模型处理得到所述目标风电场在所述预测时间段的各个时刻的风机出力的概率分布区间。

在其中一个实施例中，上述装置还包括训练模块，用于获取所述目标风电场在第一时间段的第一样本风机发电出力数据和第一样本风速数据和第二时间段的第二样本风速数据和第二风机发电处理数据标签；分别根据所述第一样本风机发电出力数据和所述第一样本风速数据，得到样本风机出力时间序列和样本风速时间序列；通过待训练的预测模型对所述样本风机出力时间序列、所述样本风速时间序列和所述第二样本风速数据进行处理，得到所述目标风电场在所述第二时间段的预测第二风机发电处理数据；基于所述预测第二风机发电处理数据和所述第二风机发电处理数据标签之间的损失值，对所述待训练的预测模型进行训练，得到训练完成的预测模型。

上述风机出力爬坡事件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终端，其内部结构图可以如图10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、通信接口、显示屏和输入装置。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、内存储器。该非易失性存储介质存储有操作系统和计算机程序。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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种风机出力爬坡事件预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图10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，还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，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

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)

1.一种风机出力爬坡事件预测方法，其特征在于，所述方法包括：

获取目标风电场的多个历史风机出力数据和多个历史风速数据，以及所述目标风电场在预测时间段内的多个风速数据；

根据所述多个历史风机出力数据，得到历史风机出力时间序列，以及根据所述多个历史风速数据，得到历史风速时间序列；

通过训练完成的预测模型对所述历史风机出力时间序列、所述历史风速时间序列和所述多个风速数据进行处理，得到所述目标风电场在所述预测时间段内的风机出力差分曲线；

基于所述风机出力差分曲线，确定所述目标风电场在所述预测时间段内的风电爬坡事件结果。

2.根据权利要求1所述的方法，其特征在于，所述根据所述多个历史风机出力数据，得到历史风机出力时间序列，以及根据所述多个历史风速数据，得到历史风速时间序列，包括：

根据所述多个历史风机出力数据，得到初始风机出力时间序列；对所述初始风机出力时间序列进行差分处理，得到所述历史风机出力时间序列；

根据所述多个历史风速数据，得到初始风速时间序列；对所述初始风速时间序列进行差分处理，得到所述历史风速时间序列。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

根据预定义的爬坡事件检测基准，确定差分时间间隔；

按照所述差分时间间隔，对所述初始风机出力时间序列进行差分处理，得到所述历史风机出力时间序列；

以及按照所述差分时间间隔，对所述初始风速时间序列进行差分处理，得到所述历史风速时间序列。

4.根据权利要求1所述的方法，其特征在于，所述通过训练完成的预测模型对所述历史风机出力时间序列、所述历史风速时间序列和所述多个风速数据进行处理，得到所述目标风电场在所述预测时间段内的风机出力差分曲线，包括：

通过所述训练完成的预测模型对所述历史风机出力时间序列、所述历史风速时间序列和所述多个风速数据进行处理，得到所述目标风电场在所述预测时间段的各个时刻的风机出力的概率分布；

基于所述各个时刻的风机出力的概率分布，确定所述目标风电场在所述预测时间段内的风机出力差分曲线。

5.根据权利要求4所述的方法，其特征在于，所述通过所述训练完成的预测模型对所述历史风机出力时间序列、所述历史风速时间序列和所述多个风速数据进行处理，得到所述目标风电场在所述预测时间段的各个时刻的风机出力的概率分布区间，包括：

按照每个时步均输入上一时步输出的隐藏状态和上一时步的风机出力数据，并同步将当前时步的风速数据作为输入量的处理方式，通过所述训练完成的预测模型处理得到所述目标风电场在所述预测时间段的各个时刻的风机出力的概率分布区间。

6.根据权利要求1所述的方法，其特征在于，所述预测模型通过下述方式训练得到：

获取所述目标风电场在第一时间段的第一样本风机发电出力数据和第一样本风速数据和第二时间段的第二样本风速数据和第二风机发电处理数据标签；

分别根据所述第一样本风机发电出力数据和所述第一样本风速数据，得到样本风机出力时间序列和样本风速时间序列；

通过待训练的预测模型对所述样本风机出力时间序列、所述样本风速时间序列和所述第二样本风速数据进行处理，得到所述目标风电场在所述第二时间段的预测第二风机发电处理数据；

基于所述预测第二风机发电处理数据和所述第二风机发电处理数据标签之间的损失值，对所述待训练的预测模型进行训练，得到训练完成的预测模型。

7.一种风机出力爬坡事件预测装置，其特征在于，所述装置包括：

获取模块，用于获取目标风电场的多个历史风机出力数据和多个历史风速数据，以及所述目标风电场在预测时间段内的多个风速数据；

确定模块，用于根据所述多个历史风机出力数据，得到历史风机出力时间序列，以及根据所述多个历史风速数据，得到历史风速时间序列；

预测模块，用于通过训练完成的预测模型对所述历史风机出力时间序列、所述历史风速时间序列和所述多个风速数据进行处理，得到所述目标风电场在所述预测时间段内的风机出力差分曲线；

识别模块，用于基于所述风机出力差分曲线，确定所述目标风电场在所述预测时间段内的风电爬坡事件结果。

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中任一项所述的风机出力爬坡事件预测方法的步骤。

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中任一项所述的风机出力爬坡事件预测方法的步骤。

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中任一项所述的风机出力爬坡事件预测方法的步骤。

Images