CN116108989B - 一种风电超短期功率预测方法、系统、存储介质及设备 - Google Patents
一种风电超短期功率预测方法、系统、存储介质及设备 Download PDFInfo
- Publication number
- CN116108989B CN116108989B CN202310085439.8A CN202310085439A CN116108989B CN 116108989 B CN116108989 B CN 116108989B CN 202310085439 A CN202310085439 A CN 202310085439A CN 116108989 B CN116108989 B CN 116108989B
- Authority
- CN
- China
- Prior art keywords
- wind
- data
- power
- speed
- model
- 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 37
- 238000012545 processing Methods 0.000 claims abstract description 48
- 238000013136 deep learning model Methods 0.000 claims abstract description 43
- 238000012986 modification Methods 0.000 claims abstract description 15
- 230000004048 modification Effects 0.000 claims abstract description 15
- 230000015654 memory Effects 0.000 claims description 43
- 238000012937 correction Methods 0.000 claims description 34
- 230000007246 mechanism Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 7
- 238000011084 recovery Methods 0.000 claims 2
- 238000000827 velocimetry Methods 0.000 claims 2
- 239000013598 vector Substances 0.000 description 12
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000007787 long-term memory Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Wind Motors (AREA)
Abstract
本申请涉及一种风电超短期功率预测预测方法,所述方法包括:获取历史时段下风电场的视频流数据、气象数据以及每台风力电机组的实际功率数据,并进行数据处理;创建多模态深度学习模型;将进行数据修处理的视频流数据、气象数据以及每台风力电机组的实际功率数据输入所述多模态深度学习模型,得到所述风电场的超短期功率预测数据。相比现有技术,本发明能够在台风条件下,提高风电超短期功率预测准确度,满足了实际应用需求。
Description
技术领域
本申请涉及风电功率预测技术领域,特别是涉及一种风电超短期功率预测方法、系统、存储介质及电力设备。
背景技术
风电功率预测是风电场的重要功能之一,功率预测的准确度可以提升风电场的效益,降低对电网冲击,有效提高清洁能源的利用率。目前基于气象数据对风电功率预测是最重要的方法,风速与风向等气象因素直接影响风机发电,因此气象预测的准确度从根本上决定了功率预测的准确度。同时,气象公司数据源对项目提供整场单点气象预测数据,缺少整场气象预测。对于几十甚至几百公里的风电场,气象预测数据太少,成为制约功率预测准确度的瓶颈。
发明内容
基于此,有必要针对上述技术问题,提供一种能够在台风条件下,提高风电超短期功率预测准确度的风电超短期功率预测方法、系统、存储介质及电力设备。
本发明实施例提供了一种风电超短期功率预测方法,所述方法包括以下步骤:
获取历史时段下风电场的视频流数据、气象数据以及每台风力电机组的实际功率数据,并进行数据处理;
创建多模态深度学习模型;
将进行数据修处理的视频流数据、气象数据以及每台风力电机组的实际功率数据输入所述多模态深度学习模型,得到所述风电场的超短期功率预测数据。
进一步地,对历史时段下风电场的视频流数据、气象数据以及每台风力电机组的实际功率数据进行数据处理,具体包括:
获取历史时段下风电场的视频流数据,并根据历史时段下的实际风速和风向计算所述视频流数据中每一帧视频图像的风速流分布;
创建天气处理模型,将历史时段下风电场的气象数据输入所述天气处理模型,得到预测气象数据;
创建功率修正模型,将历史时段下每台风力电机组的实际功率数据输入所述功率修正模型,得到修正功率数据。
进一步地,创建多模态深度学习模型,具体包括:
创建长短期记忆网络模型,并向所述长短期记忆网络模型中添加注意力机制,将添加有注意力机制的所述长短期记忆网络模型作为多模态深度学习模型。
进一步地,得到所述风电场的超短期功率预测数据之后,所述方法还包括如下步骤:
根据所述风电场的超短期功率预测数据,进行相应的异常天气告警。
本发明的另一实施例提出一种风电超短期功率预测系统,所述系统包括:
数据处理模块,用于获取历史时段下风电场的视频流数据、气象数据以及每台风力电机组的实际功率数据,并进行数据处理;
模型创建模块,用于创建多模态深度学习模型;
功率预测模块,用于将进行数据修处理的视频流数据、气象数据以及每台风力电机组的实际功率数据输入所述多模态深度学习模型,得到所述风电场的超短期功率预测数据。
进一步地,对历史时段下风电场的视频流数据、气象数据以及每台风力电机组的实际功率数据进行数据处理中,所述数据处理模块具体用于:
获取历史时段下风电场的视频流数据,并根据历史时段下的实际风速和风向计算所述视频流数据中每一帧视频图像的风速流分布;
创建天气处理模型,将历史时段下风电场的气象数据输入所述天气处理模型,得到预测气象数据;
创建功率修正模型,将历史时段下每台风力电机组的实际功率数据输入所述功率修正模型,得到修正功率数据
进一步地,创建多模态深度学习模型中,所述模型创建模块具体用于:
创建长短期记忆网络模型,并向所述长短期记忆网络模型中添加注意力机制,将添加有注意力机制的所述长短期记忆网络模型作为多模态深度学习模型。
进一步地,得到所述风电场的超短期功率预测数据之后,所述功率预测模块还用于:
根据所述风电场的超短期功率预测数据,进行相应的异常天气告警
本发明的另一个实施例还提出一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上所述的风电超短期功率预测方法。
本发明的另一个实施例还提出一种电力设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现如上所述的风电超短期功率预测方法。
上述风电超短期功率预测方法,获取历史时段下风电场的视频流数据、气象数据以及每台风力电机组的实际功率数据,并进行数据处理;创建多模态深度学习模型;将进行数据修处理的视频流数据、气象数据以及每台风力电机组的实际功率数据输入所述多模态深度学习模型,得到所述风电场的超短期功率预测数据。相比现有技术,本发明能够在台风条件下,提高风电超短期功率预测准确度,满足了实际应用需求。
附图说明
图1为本发明实施例提供的风电超短期功率预测方法的一种流程示意图;
图2为本发明实施例提供的风电超短期功率预测系统的结构框图;
图3为本发明实施例提供的电力设备的结构图。
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,本技术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。
需要说明的是,文中的步骤编号,仅为了方便具体实施例的解释,不作为限定步骤执行先后顺序的作用。本实施例提供的方法可以由相关的服务器执行,且下文均以服务器作为执行主体为例进行说明。
如图1所示,本发明实施例提供的风电超短期功率预测方法,通过利用风电场多处视频结合气象预测数据、过去实时功率三种模态信息使用深度学习模型进行预测,提出增加风电场视频,是为了利用实时的气象数据,用于提高风电功率预测准确度,同时在场站增加视频设备具备施工容易,成本低的特点,具有很好的推广性,解决了极端天气的风电超短期功率预测差的问题。所述方法包括步骤S11至步骤S13:
步骤S11,获取历史时段下风电场的视频流数据、气象数据以及每台风力电机组的实际功率数据,并进行数据处理。
如上所述,通过对历史时段下风电场的视频流数据、气象数据以及每台风力电机组的实际功率数据进行数据处理,以便于利用风电场的视频快速识别判断当前气象情况,并根据当前天气对气象预测进行修正,且利用视频信息可以比较准确预测未来天气。
进一步地,对历史时段下风电场的视频流数据、气象数据以及每台风力电机组的实际功率数据进行数据处理,具体包括:
获取历史时段下风电场的视频流数据,并根据历史时段下的实际风速和风向计算所述视频流数据中每一帧视频图像的风速流分布;
创建天气处理模型,将历史时段下风电场的气象数据输入所述天气处理模型,得到预测气象数据;
创建功率修正模型,将历史时段下每台风力电机组的实际功率数据输入所述功率修正模型,得到修正功率数据。
具体的,在进行视频处理的过程中,通过读入一段视频流与过去实际风速和风向,根据过去实际风速和风向计算,视频流中每一帧视频图像的风速流分布:
image_wind_speed=f(video,real_speed)
其中,real_spped包括风速与风向,video为过历史时段下的视频流,f为transformer视频测速算法。
具体的,在进行气象预测处理的过程中,读取过历史时段的气象数据(风速、预测气象),利用预处理模块对气象数据进行处理,得到更加准确的预测气象数据。
real_info=w(wind_speed,forecast_info)
其中,wind_speed为风速,forecast_info为预测气象,w为天气处理模型。
具体的,在进行功率修正处理的过程中,根据实际功率修正模型对实际功率进行修正
real_power_recheck=p(real_power)。
其中,p为功率修正模型,且所述功率修正模型是根据每台风力的电机组实测功率曲线与理论功率曲线拟合风速修正函数,得到风电场内所有的风电机组的功率修正模型。
步骤S12,创建多模态深度学习模型。
具体的,创建长短期记忆网络模型,并向所述长短期记忆网络模型中添加注意力机制,将添加有注意力机制的所述长短期记忆网络模型作为多模态深度学习模型。
如上所述,通过创建长短期记忆网络模型,并向所述长短期记忆网络模型中添加注意力机制,将添加有注意力机制的所述长短期记忆网络模型作为多模态深度学习模型,将各个风速子序列输入所述风速预测模型进行训练学习后得到各风速子序列的预测值,将历史时段下的风速流分布、预测气象数据、修正功率数据进行整合,可得到所述风电场的超短期功率预测数据。向所述长短期记忆网络模型中添加注意力机制时,首先获取所述长短期记忆网络模型隐藏层的输出矩阵,并根据所述输出矩阵的行向量与当前时间步状态,得到各个行向量的权重值,将各个行向量与各自的权重值相乘再求和,得到上下文向量;根据所述上下文向量与当前时间步状态的连接关系,得到添加注意力机制的长短期记忆网络模型。
进一步地,所述多模态深度学习模型还可以采用informer预测算法,通过informer预测算法对图像的风速分布流对预测风速进行修正,其表达式为:
forecast_wind=
f(forecast_wind,image_wind_speed,real_wind_speed)。
步骤S13,将进行数据修处理的视频流数据、气象数据以及每台风力电机组的实际功率数据输入所述多模态深度学习模型,得到所述风电场的超短期功率预测数据。
如上所述,通过将进行数据修处理的视频流数据、气象数据以及每台风力电机组的实际功率数据输入所述多模态深度学习模型,得到所述风电场的超短期功率预测数据,以便于及时对用户进行异常天气告警。
进一步地,得到所述风电场的超短期功率预测数据之后,所述方法还包括如下步骤:
根据所述风电场的超短期功率预测数据,进行相应的异常天气告警,如输出超短期功率和异常天气分类结果和对应的概率。
可以理解的,本发明利用风电场的视频可以快速识别判断当前气象情况,并根据当前天气对气象预测进行修正,利用视频信息可以比较准确预测未来天气,通过单独训练模型,可以快速判断异常天气,并发出告警信息,同时基于视频的多模态深度学习模型,可以提升预测准确度。
上述风电超短期功率预测方法,通过获取历史时段下风电场的视频流数据、气象数据以及每台风力电机组的实际功率数据,并进行数据处理;创建多模态深度学习模型;将进行数据修处理的视频流数据、气象数据以及每台风力电机组的实际功率数据输入所述多模态深度学习模型,得到所述风电场的超短期功率预测数据。相比现有技术,本发明能够在台风条件下,提高风电超短期功率预测准确度,满足了实际应用需求。
应该理解的是,虽然上述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,上述流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子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,这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。
请参阅图2,本发明提供还提供了一种风电超短期功率预测系统,所述系统包括:
数据处理模块21,用于获取历史时段下风电场的视频流数据、气象数据以及每台风力电机组的实际功率数据,并进行数据处理。
如上所述,通过对历史时段下风电场的视频流数据、气象数据以及每台风力电机组的实际功率数据进行数据处理,以便于利用风电场的视频快速识别判断当前气象情况,并根据当前天气对气象预测进行修正,且利用视频信息可以比较准确预测未来天气。
进一步地,对历史时段下风电场的视频流数据、气象数据以及每台风力电机组的实际功率数据进行数据处理,具体包括:
获取历史时段下风电场的视频流数据,并根据历史时段下的实际风速和风向计算所述视频流数据中每一帧视频图像的风速流分布;
创建天气处理模型,将历史时段下风电场的气象数据输入所述天气处理模型,得到预测气象数据;
创建功率修正模型,将历史时段下每台风力电机组的实际功率数据输入所述功率修正模型,得到修正功率数据。
具体的,在进行视频处理的过程中,通过读入一段视频流与过去实际风速和风向,根据过去实际风速和风向计算,视频流中每一帧视频图像的风速流分布:
image_wind_speed=f(video,real_speed)
其中,real_spped包括风速与风向,video为过历史时段下的视频流,f为transformer视频测速算法。
具体的,在进行气象预测处理的过程中,读取过历史时段的气象数据(风速、预测气象),利用预处理模块对气象数据进行处理,得到更加准确的预测气象数据。
real_info=w(wind_speed,forecast_info)
其中,wind_speed为风速,forecast_info为预测气象,w为天气处理模型。
具体的,在进行功率修正处理的过程中,根据实际功率修正模型对实际功率进行修正
real_power_recheck=p(real_power)。
其中,p为功率修正模型,且所述功率修正模型是根据每台风力的电机组实测功率曲线与理论功率曲线拟合风速修正函数,得到风电场内所有的风电机组的功率修正模型。
模型创建模块22,用于创建多模态深度学习模型。
具体的,创建长短期记忆网络模型,并向所述长短期记忆网络模型中添加注意力机制,将添加有注意力机制的所述长短期记忆网络模型作为多模态深度学习模型。
如上所述,通过创建长短期记忆网络模型,并向所述长短期记忆网络模型中添加注意力机制,将添加有注意力机制的所述长短期记忆网络模型作为多模态深度学习模型,将各个风速子序列输入所述风速预测模型进行训练学习后得到各风速子序列的预测值,将历史时段下的风速流分布、预测气象数据、修正功率数据进行整合,可得到所述风电场的超短期功率预测数据。向所述长短期记忆网络模型中添加注意力机制时,首先获取所述长短期记忆网络模型隐藏层的输出矩阵,并根据所述输出矩阵的行向量与当前时间步状态,得到各个行向量的权重值,将各个行向量与各自的权重值相乘再求和,得到上下文向量;根据所述上下文向量与当前时间步状态的连接关系,得到添加注意力机制的长短期记忆网络模型。
进一步地,所述多模态深度学习模型还可以采用informer预测算法,通过informer预测算法对图像的风速分布流对预测风速进行修正,其表达式为:
forecast_wind=
f(forecast_wind,image_wind_speed,real_wind_speed)。
功率预测模块23,用于将进行数据修处理的视频流数据、气象数据以及每台风力电机组的实际功率数据输入所述多模态深度学习模型,得到所述风电场的超短期功率预测数据。
如上所述,通过将进行数据修处理的视频流数据、气象数据以及每台风力电机组的实际功率数据输入所述多模态深度学习模型,得到所述风电场的超短期功率预测数据,以便于及时对用户进行异常天气告警。
进一步地,得到所述风电场的超短期功率预测数据之后,所述方法还包括如下步骤:
根据所述风电场的超短期功率预测数据,进行相应的异常天气告警,如输出超短期功率和异常天气分类结果和对应的概率。
可以理解的,本发明利用风电场的视频可以快速识别判断当前气象情况,并根据当前天气对气象预测进行修正,利用视频信息可以比较准确预测未来天气,通过单独训练模型,可以快速判断异常天气,并发出告警信息,同时基于视频的多模态深度学习模型,可以提升预测准确度。
进一步地,对历史时段下风电场的视频流数据、气象数据以及每台风力电机组的实际功率数据进行数据处理中,所述数据处理模块具体用于:
获取历史时段下风电场的视频流数据,并根据历史时段下的实际风速和风向计算所述视频流数据中每一帧视频图像的风速流分布;
创建天气处理模型,将历史时段下风电场的气象数据输入所述天气处理模型,得到预测气象数据;
创建功率修正模型,将历史时段下每台风力电机组的实际功率数据输入所述功率修正模型,得到修正功率数据。
进一步地,创建多模态深度学习模型中,所述模型创建模块具体用于:
创建长短期记忆网络模型,并向所述长短期记忆网络模型中添加注意力机制,将添加有注意力机制的所述长短期记忆网络模型作为多模态深度学习模型。
进一步地,得到所述风电场的超短期功率预测数据之后,所述功率预测模块还用于:
根据所述风电场的超短期功率预测数据,进行相应的异常天气告警。
本发明实施例所提供的风电超短期功率预测系统,获取历史时段下风电场的视频流数据、气象数据以及每台风力电机组的实际功率数据,并进行数据处理;创建多模态深度学习模型;将进行数据修处理的视频流数据、气象数据以及每台风力电机组的实际功率数据输入所述多模态深度学习模型,得到所述风电场的超短期功率预测数据。相比现有技术,本发明能够在台风条件下,提高风电超短期功率预测准确度,满足了实际应用需求。
本发明实施例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包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上所述的风电超短期功率预测方法。
本发明实施例还提供了一种电力设备,参见图3所示,是本发明提供的一种电力设备的一个优选实施例的结构框图,所述电力设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现如上所述的风电超短期功率预测方法。
优选地,所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序1、计算机程序2、······),所述一个或者多个模块/单元被存储在所述存储器20中,并由所述处理器10执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述电力设备中的执行过程。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,通用处理器可以是微处理器,或者所述处理器也可以是任何常规的处理器,所述处理器是所述电力设备的控制中心,利用各种接口和线路连接所述电力设备的各个部分。
所述存储器主要包括程序存储区和数据存储区,其中,程序存储区可存储操作系统、至少一个功能所需的应用程序等,数据存储区可存储相关数据等。此外,所述存储器可以是高速随机存取存储器,还可以是非易失性存储器,例如插接式硬盘,智能存储卡(SmartMedia Card,SMC)、安全数字(Secure Digital,SD)卡和闪存卡(Flash Card)等,或所述存储器20也可以是其他易失性固态存储器件。
需要说明的是,上述电力设备可包括,但不仅限于,处理器、存储器,本领域技术人员可以理解,图3结构框图仅仅是电力设备的示例,并不构成对电力设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件。
综上,本发明提供的风电超短期功率预测方法、系统、存储介质及电力设备,获取历史时段下风电场的视频流数据、气象数据以及每台风力电机组的实际功率数据,并进行数据处理;创建多模态深度学习模型;将进行数据修处理的视频流数据、气象数据以及每台风力电机组的实际功率数据输入所述多模态深度学习模型,得到所述风电场的超短期功率预测数据。相比现有技术,本发明能够在台风条件下,提高风电超短期功率预测准确度,满足了实际应用需求。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.一种风电超短期功率预测方法,其特征在于,所述方法包括以下步骤:
获取历史时段下风电场的视频流数据、气象数据以及每台风力电机组的实际功率数据,并进行数据处理;
创建多模态深度学习模型;
将进行数据修处理的视频流数据、气象数据以及每台风力电机组的实际功率数据输入所述多模态深度学习模型,得到所述风电场的超短期功率预测数据;
其中,对历史时段下风电场的视频流数据、气象数据以及每台风力电机组的实际功率数据进行数据处理,具体包括:
获取历史时段下风电场的视频流数据,并根据历史时段下的实际风速和风向计算所述视频流数据中每一帧视频图像的风速流分布;所述风速流分布表示为:
image_wind_speed=f(video,real_speed)
其中,image_wind_speed表示风速流分布;real_spped表示历史时段下的实际风速和风向;video表示历史时段下风电场的视频流数据;f(·)表示transformer视频测速算法;
创建天气处理模型,将历史时段下风电场的气象数据输入所述天气处理模型,得到预测气象数据;所述预测气象数据表示为:
real_info=w(wind_speed,forecast_info)
其中,real_info表示预测气象数据;wind_speed和forecast_info分别表示为历史时段下风电场的气象数据中的风速和预测气象;w(·)表示天气处理模型;
创建功率修正模型,将历史时段下每台风力电机组的实际功率数据输入所述功率修正模型,得到修正功率数据;所述功率修正模型为根据每台风力的电机组实测功率曲线与理论功率曲线拟合风速修正函数,得到风电场内所有的风电机组的功率修正模型;所述修正功率数据表示为:
real_power_recheck=p(real_power)
其中,real_power_recheck表示修正功率数据;real_power表示历史时段下每台风力电机组的实际功率数据;p(·)表示功率修正模型;
创建多模态深度学习模型,具体包括:
创建长短期记忆网络模型,并向所述长短期记忆网络模型中添加注意力机制,将添加有注意力机制的所述长短期记忆网络模型作为多模态深度学习模型。
2.根据权利要求1所述的风电超短期功率预测方法,其特征在于,得到所述风电场的超短期功率预测数据之后,所述方法还包括如下步骤:
根据所述风电场的超短期功率预测数据,进行相应的异常天气告警。
3.一种风电超短期功率预测系统,其特征在于,所述系统包括:
数据处理模块,用于获取历史时段下风电场的视频流数据、气象数据以及每台风力电机组的实际功率数据,并进行数据处理;
模型创建模块,用于创建多模态深度学习模型;
功率预测模块,用于将进行数据修处理的视频流数据、气象数据以及每台风力电机组的实际功率数据输入所述多模态深度学习模型,得到所述风电场的超短期功率预测数据;
其中,对历史时段下风电场的视频流数据、气象数据以及每台风力电机组的实际功率数据进行数据处理中,所述数据处理模块具体用于:
获取历史时段下风电场的视频流数据,并根据历史时段下的实际风速和风向计算所述视频流数据中每一帧视频图像的风速流分布;所述风速流分布表示为:
image_wind_speed=f(video,real_speed)
其中,image_wind_speed表示风速流分布;real_spped表示历史时段下的实际风速和风向;video表示历史时段下风电场的视频流数据;f(·)表示transformer视频测速算法;
创建天气处理模型,将历史时段下风电场的气象数据输入所述天气处理模型,得到预测气象数据;所述预测气象数据表示为:
real_info=w(wind_speed,forecast_info)
其中,real_info表示预测气象数据;wind_speed和forecast_info分别表示为历史时段下风电场的气象数据中的风速和预测气象;w(·)表示天气处理模型;
创建功率修正模型,将历史时段下每台风力电机组的实际功率数据输入所述功率修正模型,得到修正功率数据;所述功率修正模型为根据每台风力的电机组实测功率曲线与理论功率曲线拟合风速修正函数,得到风电场内所有的风电机组的功率修正模型;所述修正功率数据表示为:
real_power_recheck=p(real_power)
其中,real_power_recheck表示修正功率数据;real_power表示历史时段下每台风力电机组的实际功率数据;p(·)表示功率修正模型;
创建多模态深度学习模型中,所述模型创建模块具体用于:
创建长短期记忆网络模型,并向所述长短期记忆网络模型中添加注意力机制,将添加有注意力机制的所述长短期记忆网络模型作为多模态深度学习模型。
4.根据权利要求3所述的风电超短期功率预测系统,其特征在于,得到所述风电场的超短期功率预测数据之后,所述功率预测模块还用于:
根据所述风电场的超短期功率预测数据,进行相应的异常天气告警。
5.一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包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1至2中任一项所述的风电超短期功率预测方法。
6.一种电力设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现如权利要求1至2中任一项所述的风电超短期功率预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310085439.8A CN116108989B (zh) | 2023-01-13 | 2023-01-13 | 一种风电超短期功率预测方法、系统、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310085439.8A CN116108989B (zh) | 2023-01-13 | 2023-01-13 | 一种风电超短期功率预测方法、系统、存储介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116108989A CN116108989A (zh) | 2023-05-12 |
CN116108989B true CN116108989B (zh) | 2024-02-02 |
Family
ID=86263468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310085439.8A Active CN116108989B (zh) | 2023-01-13 | 2023-01-13 | 一种风电超短期功率预测方法、系统、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116108989B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102269124A (zh) * | 2011-06-30 | 2011-12-07 | 内蒙古电力勘测设计院 | 超短期风电场发电功率预测系统 |
CN103489132A (zh) * | 2013-09-03 | 2014-01-01 | 吉林省电力科学研究院有限公司 | 风电场可靠性评估系统 |
CN109063915A (zh) * | 2018-08-10 | 2018-12-21 | 广东工业大学 | 短期风速预测方法、装置、设备、系统及存储介质 |
CN109543907A (zh) * | 2018-11-23 | 2019-03-29 | 华润电力技术研究院有限公司 | 一种复杂地形风资源评估方法及其装置 |
CN109802430A (zh) * | 2018-12-29 | 2019-05-24 | 上海电力学院 | 一种基于LSTM-Attention网络的风电电网控制方法 |
CN112836434A (zh) * | 2021-02-22 | 2021-05-25 | 中国电建集团华东勘测设计研究院有限公司 | 融合时序特征和统计特征的风电超短期功率预测方法 |
CN113505938A (zh) * | 2021-07-26 | 2021-10-15 | 中国电力科学研究院有限公司 | 一种超短期风电功率组合预测方法及系统 |
CN113822418A (zh) * | 2021-09-24 | 2021-12-21 | 中节能风力发电股份有限公司 | 一种风电场功率预测方法、系统、设备和存储介质 |
CN114139803A (zh) * | 2021-11-30 | 2022-03-04 | 广东电网有限责任公司 | 一种风电场站短期功率的预测方法、系统、设备和介质 |
CN114462710A (zh) * | 2022-02-11 | 2022-05-10 | 华润电力技术研究院有限公司 | 一种风机发电功率的短期预测方法、装置及介质 |
CN114757427A (zh) * | 2022-04-22 | 2022-07-15 | 大连理工大学 | 自回归修正的lstm智能风电场超短期功率预测方法 |
CN115456289A (zh) * | 2022-09-22 | 2022-12-09 | 华润电力技术研究院有限公司 | 一种风电超短期功率预测方法、系统、设备及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210356492A1 (en) * | 2020-05-15 | 2021-11-18 | Em Photonics, Inc. | Wind determination method, wind determination system, and wind determination computer program product for determining wind speed and direction based on image analysis |
-
2023
- 2023-01-13 CN CN202310085439.8A patent/CN116108989B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102269124A (zh) * | 2011-06-30 | 2011-12-07 | 内蒙古电力勘测设计院 | 超短期风电场发电功率预测系统 |
CN103489132A (zh) * | 2013-09-03 | 2014-01-01 | 吉林省电力科学研究院有限公司 | 风电场可靠性评估系统 |
CN109063915A (zh) * | 2018-08-10 | 2018-12-21 | 广东工业大学 | 短期风速预测方法、装置、设备、系统及存储介质 |
CN109543907A (zh) * | 2018-11-23 | 2019-03-29 | 华润电力技术研究院有限公司 | 一种复杂地形风资源评估方法及其装置 |
CN109802430A (zh) * | 2018-12-29 | 2019-05-24 | 上海电力学院 | 一种基于LSTM-Attention网络的风电电网控制方法 |
CN112836434A (zh) * | 2021-02-22 | 2021-05-25 | 中国电建集团华东勘测设计研究院有限公司 | 融合时序特征和统计特征的风电超短期功率预测方法 |
CN113505938A (zh) * | 2021-07-26 | 2021-10-15 | 中国电力科学研究院有限公司 | 一种超短期风电功率组合预测方法及系统 |
CN113822418A (zh) * | 2021-09-24 | 2021-12-21 | 中节能风力发电股份有限公司 | 一种风电场功率预测方法、系统、设备和存储介质 |
CN114139803A (zh) * | 2021-11-30 | 2022-03-04 | 广东电网有限责任公司 | 一种风电场站短期功率的预测方法、系统、设备和介质 |
CN114462710A (zh) * | 2022-02-11 | 2022-05-10 | 华润电力技术研究院有限公司 | 一种风机发电功率的短期预测方法、装置及介质 |
CN114757427A (zh) * | 2022-04-22 | 2022-07-15 | 大连理工大学 | 自回归修正的lstm智能风电场超短期功率预测方法 |
CN115456289A (zh) * | 2022-09-22 | 2022-12-09 | 华润电力技术研究院有限公司 | 一种风电超短期功率预测方法、系统、设备及介质 |
Non-Patent Citations (6)
Title |
---|
Bin Tan ; Xin Ma ; Qihong Shi.Ultra-short-term Wind Power Forecasting Based on Improved LSTM.《 2021 6th International Conference on Power and Renewable Energy (ICPRE)》.2021,1029-1033. * |
基于AM-LSTM模型的超短期风电功率预测;韩朋;张晓琳;张飞;王永平;;科学技术与工程;第20卷(第21期);8594-8600 * |
基于CFD动力降尺度的复杂地形风电场风电功率短期预测方法研究;马文通;朱蓉;李泽椿;龚玺;;气象学报(第01期);89-102 * |
智慧电厂应用场景下多源信息融合的室内定位精度;孙建伟;任建国;陈志晓;刘金虹;李刍;《导航定位学报》;第10卷(第1期);110-115+139 * |
风电场群远程集中监控与生产管理系统设计;万黎升; 曹洋; 闫照云;《江西电力》;第40卷(第6期);13-17 * |
风电系统超短期风速预测与混合储能规划方法研究;庞明;《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》(第5期);C042-16 * |
Also Published As
Publication number | Publication date |
---|---|
CN116108989A (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110991666B (zh) | 故障检测方法、模型的训练方法、装置、设备及存储介质 | |
Cui et al. | Wind power ramp event forecasting using a stochastic scenario generation method | |
US20140006331A1 (en) | Power prediction for newly added wind turbine | |
CN110826789B (zh) | 基于电力系统的电力负荷预测方法、装置及终端设备 | |
Woo et al. | Wind field-based short-term turbine response forecasting by stacked dilated convolutional LSTMs | |
CN113822418A (zh) | 一种风电场功率预测方法、系统、设备和存储介质 | |
EP4038462A1 (en) | System and method for fusing multiple analytics of a wind turbine for improved efficiency | |
WO2023115425A1 (zh) | 一种超短时风速预测方法及系统 | |
CN108847679B (zh) | 风力发电机组及用于其的次同步振荡识别方法、装置及系统 | |
CN116128170B (zh) | 一种光伏电站功率超短期预测方法、装置及相关设备 | |
WO2024077753A1 (zh) | 一种基于多源异构数据的风力发电机故障预测方法 | |
CN113962433A (zh) | 一种融合因果卷积与可分离时间卷积的风电预测方法及系统 | |
CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
CN116108989B (zh) | 一种风电超短期功率预测方法、系统、存储介质及设备 | |
CN112906757A (zh) | 模型训练方法、光功率预测方法、装置、设备及存储介质 | |
CN115360704A (zh) | 海上风电的出力预测方法、装置、设备及存储介质 | |
CN111950752A (zh) | 光伏电站发电量预测方法、装置、系统及其存储介质 | |
Qu et al. | Data imputation of wind turbine using generative adversarial nets with deep learning models | |
CN116361928A (zh) | 基于联合学习的设备检测方法及装置 | |
CN113962432A (zh) | 一种融合三维卷积与轻量卷积门限单元的风电预测方法及系统 | |
CN114139803A (zh) | 一种风电场站短期功率的预测方法、系统、设备和介质 | |
US20220341393A1 (en) | System and method for fusing multiple analytics of a wind turbine for improved efficiency | |
CN112215383A (zh) | 一种分布式光伏发电功率预测方法和系统 | |
Dinh et al. | Implementation of Digital Twin-Assisted Condition Monitoring and Fault Diagnosis for Wind Turbines | |
CN113537595A (zh) | 模型训练方法、风功率预测方法、系统、设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |