CN116227661A - 风电场的功率预测方法、装置、电子设备及存储介质 - Google Patents
风电场的功率预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116227661A CN116227661A CN202211645413.6A CN202211645413A CN116227661A CN 116227661 A CN116227661 A CN 116227661A CN 202211645413 A CN202211645413 A CN 202211645413A CN 116227661 A CN116227661 A CN 116227661A
- Authority
- CN
- China
- Prior art keywords
- data
- wind speed
- nwp
- trained
- fan
- 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 53
- 238000012937 correction Methods 0.000 claims abstract description 139
- 238000012549 training Methods 0.000 claims abstract description 62
- 238000010801 machine learning Methods 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000010248 power generation Methods 0.000 abstract description 18
- 230000008569 process Effects 0.000 abstract description 15
- 238000004891 communication Methods 0.000 description 8
- 238000003066 decision tree Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
- 230000006403 short-term memory 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种风电场的功率预测方法、装置、电子设备及存储介质,方法包括:获取多个风机的实测风速数据、天气数值预测NWP数据和输出功率数据,并将风机的实测风速数据和NWP数据输入至由待训练风速数据和待训练NWP数据训练得到的预先建立的风速矫正模型,将得到的每个风机的NWP矫正气象数据和每个风机的输出功率数据输入至由待训练NWP矫正气象数据和待训练输出功率数据训练得到的预先建立的功率预测模型,得到每个风机的预测功率,并根据多个风机的预测功率求和得到总风电场预测的总功率。由此,解决风电功率预测在求和过程中风机间的精度误差较大的问题,并消除因风机间的发电差异对整体发电精度的影响,进而提升功率预测精度。
Description
技术领域
本申请涉及风力发电技术领域,特别涉及一种风电场的功率预测方法、装置、电子设备及存储介质。
背景技术
随着风力发电机组单机容量的提高和自动化技术的发展,风力发电系统也从原来的用户分布式能源向集中式大规模风电场发展,风电在电网中比例不断增大,大量并网的风电对电力系统的调度运行和安全稳定带来严峻挑战,风电场发电功率的准确预测不仅保证了电力系统的安全运行和有效调度,还可以减少电力系统备用容量、降低系统运行成本、减轻风力发电对电网造成的不利影响、提高风电在电力系统中的比例,因此对风电功率进行预测具有十分重要意义。
相关技术中,短期风电功率预测方式是对场站整体建立模型,建模过程中,往往会利用测风塔数据对NWP数据进行校准,以提高NWP(Numerical Weather Prediction,天气数值预测)的准确性,进而从一定程度上提升短期功率预测的整体精度。
然而,该方法具有一定的局限性,由于测风塔数据是单点数据,并不能代替真实的风场区域所有风机的真实气象数据,矫正后的数据准确性也存在瓶颈,无形中限制了模型预测精度的提升。
发明内容
本申请提供一种风电场的功率预测方法、装置、电子设备及存储介质,以解决短期风电功率预测在求和过程中风机间的精度误差较大的问题,并消除因风机间的发电差异对整体发电精度的影响,进而提升功率预测精度。
本申请第一方面实施例提供一种风电场的功率预测方法,包括以下步骤:
获取多个风机的实测风速数据、天气数值预测NWP数据和输出功率数据;
将每个风机的实测风速数据和NWP数据输入至预先建立的风速矫正模型,得到所述每个风机的NWP矫正气象数据,其中,所述预先建立的风速矫正模型由待训练风速数据和待训练NWP数据训练得到;以及
将所述每个风机的NWP矫正气象数据和所述每个风机的输出功率数据输入至预先建立的功率预测模型,得到所述每个风机的预测功率,并根据所述多个风机的预测功率求和得到总风电场预测的总功率,其中,所述预先建立的功率预测模型由待训练NWP矫正气象数据和待训练输出功率数据训练得到。
根据本申请的一个实施例,所述将每个风机的实测风速数据和NWP数据输入至所述预先建立的风速矫正模型,得到所述每个风机的NWP矫正气象数据,包括:
获取所述每个风机的NWP数据所建立的特征向量;
将所述特征向量和所述每个风机的实测风速数据输入至所述预先建立的风速矫正模型,得到所述每个风机的NWP矫正气象数据。
根据本申请的一个实施例,在将每个风机的实测风速数据和NWP数据输入至所述每个风机对应的风速矫正模型,得到所述每个风机的NWP矫正气象数据之前,还包括:
获取多个目标风机的待训练风速数据和待训练NWP数据;
对所述待训练风速数据和所述待训练NWP数据进行预处理,并将处理后的所述待训练风速数据和所述待训练NWP数据按照预设比例划分为训练集和验证集;
基于所述训练集,利用机器学习方法训练预设校正模型,得到初始风速矫正模型,并利用所述验证集验证所述初始风速矫正模型是否满足预设条件;
若所述所述初始风速矫正模型满足所述预设条件,则将所述初始风速矫正模型作为所述预先建立的风速矫正模型,否则,将所述初始风速矫正模型作为所述预设校正模型,并重新基于所述训练集进行训练,直至满足所述预设条件。
根据本申请的一个实施例,在将所述每个风机的NWP矫正气象数据和所述每个风机的输出功率数据输入至预先建立的功率预测模型之前,还包括:
获取基于所述预先建立的风速矫正模型输出的所述多个目标风机的待训练NWP矫正气象数据和待训练输出功率数据;
基于所述待训练NWP矫正气象数据和所述待训练输出功率数据,训练预设的功率预测机器学习模型,得到所述预先建立的功率预测模型。
根据本申请的一个实施例,所述预设的功率预测机器学习模型包括Xgboost(eXtreme Gradient Boosting,极端梯度提升)模型和/或LSTM(Long Short Term Memory,长短期记忆)模型。
根据本申请实施例提出的风电场的功率预测方法,通过获取多个风机的实测风速数据、天气数值预测NWP数据和输出功率数据,并将风机的实测风速数据和NWP数据输入至由待训练风速数据和待训练NWP数据训练得到的预先建立的风速矫正模型,将得到的每个风机的NWP矫正气象数据和每个风机的输出功率数据输入至由待训练NWP矫正气象数据和待训练输出功率数据训练得到的预先建立的功率预测模型,得到每个风机的预测功率,并根据多个风机的预测功率求和得到总风电场预测的总功率。由此,解决短期风电功率预测在求和过程中风机间的精度误差较大的问题,并消除因风机间的发电差异对整体发电精度的影响,进而提升功率预测精度。
本申请第二方面实施例提供一种风电场的功率预测装置,包括:
获取模块,用于获取多个风机的实测风速数据、天气数值预测NWP数据和输出功率数据;
输入模块,用于将每个风机的实测风速数据和NWP数据输入至预先建立的风速矫正模型,得到所述每个风机的NWP矫正气象数据,其中,所述预先建立的风速矫正模型由待训练风速数据和待训练NWP数据训练得到;以及
求和模块,用于将所述每个风机的NWP矫正气象数据和所述每个风机的输出功率数据输入至预先建立的功率预测模型,得到所述每个风机的预测功率,并根据所述多个风机的预测功率求和得到总风电场预测的总功率,其中,所述预先建立的功率预测模型由待训练NWP矫正气象数据和待训练输出功率数据训练得到。
根据本申请的一个实施例,所述输入模块,具体用于:
获取所述每个风机的NWP数据所建立的特征向量;
将所述特征向量和所述每个风机的实测风速数据输入至所述预先建立的风速矫正模型,得到所述每个风机的NWP矫正气象数据。
根据本申请的一个实施例,在将每个风机的实测风速数据和NWP数据输入至所述每个风机对应的风速矫正模型,得到所述每个风机的NWP矫正气象数据之前,所述输入模块,还用于:
获取多个目标风机的待训练风速数据和待训练NWP数据;
对所述待训练风速数据和所述待训练NWP数据进行预处理,并将处理后的所述待训练风速数据和所述待训练NWP数据按照预设比例划分为训练集和验证集;
基于所述训练集,利用机器学习方法训练预设校正模型,得到初始风速矫正模型,并利用所述验证集验证所述初始风速矫正模型是否满足预设条件;
若所述所述初始风速矫正模型满足所述预设条件,则将所述初始风速矫正模型作为所述预先建立的风速矫正模型,否则,将所述初始风速矫正模型作为所述预设校正模型,并重新基于所述训练集进行训练,直至满足所述预设条件。
根据本申请的一个实施例,在将所述每个风机的NWP矫正气象数据和所述每个风机的输出功率数据输入至预先建立的功率预测模型之前,所述求和模块,还用于:
获取基于所述预先建立的风速矫正模型输出的所述多个目标风机的待训练NWP矫正气象数据和待训练输出功率数据;
基于所述待训练NWP矫正气象数据和所述待训练输出功率数据,训练预设的功率预测机器学习模型,得到所述预先建立的功率预测模型。
根据本申请的一个实施例,所述预设的功率预测机器学习模型包括Xgboost模型和/或LSTM模型。
根据本申请实施例提出的风电场的功率预测装置,通过获取多个风机的实测风速数据、天气数值预测NWP数据和输出功率数据,并将风机的实测风速数据和NWP数据输入至由待训练风速数据和待训练NWP数据训练得到的预先建立的风速矫正模型,将得到的每个风机的NWP矫正气象数据和每个风机的输出功率数据输入至由待训练NWP矫正气象数据和待训练输出功率数据训练得到的预先建立的功率预测模型,得到每个风机的预测功率,并根据多个风机的预测功率求和得到总风电场预测的总功率。由此,解决短期风电功率预测在求和过程中风机间的精度误差较大的问题,并消除因风机间的发电差异对整体发电精度的影响,进而提升功率预测精度。
本申请第三方面实施例提供一种电子设备,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程序,以实现如上述实施例所述的风电场的功率预测方法。
本申请第四方面实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行,以用于实现如上述实施例所述的风电场的功率预测方法。
本申请附加的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,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本申请实施例提供的一种风电场的功率预测方法的流程图;
图2为根据本申请的一个实施例的风电场的功率预测方法的流程图;
图3为根据本申请的一个实施例的单个风机风速矫正过程的流程图;
图4为根据本申请实施例的风电场的功率预测装置的方框示意图;
图5为根据本申请实施例的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的风电场的功率预测方法、装置、电子设备及存储介质。针对上述背景技术中提到的短期风电功率预测在求和过程中风机间的精度误差较大以及风机间的发电差异对整体发电精度有较大影响等问题,本申请提供了一种风电场的功率预测方法,在该方法中,通过对中小风力发电场站对单个风机进行功率预测,再对所有风机功率进行求和,进而得到对整个风电场站的短期预测功率,该方法在NWP校准阶段采用风机采集的轮毂高度的风速对NWP进行矫正,使得预测更加精细化,由此,解决了短期风电功率预测在求和过程中风机间的精度误差较大的问题,并消除因风机间的发电差异对整体发电精度的影响,进而提升功率预测精度。
具体而言,图1为本申请实施例所提供的一种风电场的功率预测方法的流程图。
如图1所示,该风电场的功率预测方法包括以下步骤:
在步骤S101中,获取多个风机的实测风速数据、天气数值预测NWP数据和输出功率数据。
应当理解的是,实测风速数据、天气数值预测NWP数据和输出功率数据在获取时可以采用相关技术中的获取方式,例如,查表或者实时检测的方式,为避免冗余,在此不做详细赘述。
在步骤S102中,将每个风机的实测风速数据和NWP数据输入至预先建立的风速矫正模型,得到每个风机的NWP矫正气象数据,其中,预先建立的风速矫正模型由待训练风速数据和待训练NWP数据训练得到。
其中,在一些实施例中,将每个风机的实测风速数据和NWP数据输入至预先建立的风速矫正模型,得到每个风机的NWP矫正气象数据,包括:获取每个风机的NWP数据所建立的特征向量;将特征向量和每个风机的实测风速数据输入至预先建立的风速矫正模型,得到每个风机的NWP矫正气象数据。
可以理解的是,特征向量可以表示每个气象影响因素的幅度大小,每个风机的NWP数据所建立的特征向量可以通过训练后的映射关系得到,该训练后的映射关系将在后文进行详细阐述;风速矫正模型可以根据采集到的实测风速数据和NWP数据进行风速矫正,即风速矫正模型在输入实测风速数据和NWP数据后,可以输出对应的NWP矫正气象数据。
因此,本申请实施例在得到每个风机的NWP数据所建立的特征向量之后,可以将每个风机的实测风速数据和每个风机的NWP数据所建立的特征向量输入至预先建立的风速矫正模型,即可得到每个风机的NWP矫正气象数据。
下面将详细阐述本申请实施例的风速矫正模型的建立过程。
在一些实施例中,在将每个风机的实测风速数据和NWP数据输入至每个风机对应的风速矫正模型,得到每个风机的NWP矫正气象数据之前,还包括:获取多个目标风机的待训练风速数据和待训练NWP数据;对待训练风速数据和待训练NWP数据进行预处理,并将处理后的待训练风速数据和待训练NWP数据按照预设比例划分为训练集和验证集;基于训练集,利用机器学习方法训练预设校正模型,得到初始风速矫正模型,并利用验证集验证初始风速矫正模型是否满足预设条件;若初始风速矫正模型满足预设条件,则将初始风速矫正模型作为预先建立的风速矫正模型,否则,将初始风速矫正模型作为预设校正模型,并重新基于训练集进行训练,直至满足预设条件。
可以理解的是,本申请实施例可以根据获取的多个目标风机的待训练风速数据和待训练NWP数据,得到满足预设条件的风速矫正模型,即对获取的多个目标风机的待训练风速数据和待训练NWP数据进行预处理,并利用处理后得到的训练集和验证集分别对预设校正模型进行训练和验证,从而得到满足条件的风速矫正模型。
需要说明的是,基于训练集对预设校正模型进行训练,将得到初始风速矫正模型,再利用验证集验证初始风速矫正模型是否满足预设条件,若满足,那么初始风速矫正模型将作为风速矫正模型,若不满足,初始风速矫正模型将作为预设校正模型重新进行训练,直到满足预设条件为止。
举例而言,如图2所示,图2为根据本申请的一个实施例的建立风速矫正模型的流程图。
如图2所示,建立风速矫正模型,主要包括以下步骤:
S201,(获取)NWP数据和单个风机测量数据。
S202,(进行)数据预处理。
S203,(划分得到)训练集、验证集。
S204,采用机器学习方法训练模型。
S205,得到NWP数据矫正模型。
需要说明的是,在实际操作过程中,本申请实施例将对中小型风电场n个风机建立n个单个风机风速矫正模型(此处n个单个风机的风速矫正模型可以为同一个风速矫正模型,也可以为不同的风速矫正模型),经过建立n个模型,可以获取n组NWP矫正气象数据以及风电场各个风机的输出功率数据。
进一步地,此处对上述训练后的映射关系进行详细说明。具体地,对于单个风机来说,本申请实施例定义风速预测矫正训练集合为Xi→Yi,其中,Yi为随机森林预测模型中的真实值映射为资料中第i个样本的风速真实值,Xi为资料中第i个样本的气象要素取值所建立的特征向量,{Ii1,Ii2,Ii3ΛIin}→Xi表示第i个样本的n个影响因子。
进一步地,本申请实施例在确定训练集的基础上建立单棵回归决策树,可以通过训练样本中的特征向量X和其对应的真实值Y对分裂变量和分裂值进行搜索,回归决策树将整个向量空间分为m个分区{R1,R2,KRm},对于其中任意分区均可以映射为模型,通过某个特征的取值将向量空间分为两部分表达式为:
R1(j,s)={I|Ij≤s}
R2(j,s)={I|Ij≤s}
其中,j代表一个影响因子,s代表分裂时的值。
进一步地,在单棵决策树的构建基础上,构建整个随机森林,生成的随机森林是多元非线性回归分析模型,并且随机森林预测值是所有决策树预测值的平均值。
在步骤S103中,将每个风机的NWP矫正气象数据和每个风机的输出功率数据输入至预先建立的功率预测模型,得到每个风机的预测功率,并根据多个风机的预测功率求和得到总风电场预测的总功率,其中,预先建立的功率预测模型由待训练NWP矫正气象数据和待训练输出功率数据训练得到。
可以理解的是,功率预测模型可以根据采集的每个风机的NWP矫正气象数据和每个风机的输出功率数据得到每个风机相应的预测功率,即将每个风机的NWP矫正气象数据和每个风机的输出功率数据输入至预先建立的功率预测模型,即可得到每个风机的预测功率。
进一步地,本申请实施例根据多个风机的预测功率进行求和,即可得到总风电场预测的总功率。
下面将详细阐述本申请实施例的功率预测模型的建立过程。
在一些实施例中,在将每个风机的NWP矫正气象数据和每个风机的输出功率数据输入至预先建立的功率预测模型之前,还包括:获取基于预先建立的风速矫正模型输出的多个目标风机的待训练NWP矫正气象数据和待训练输出功率数据;基于待训练NWP矫正气象数据和待训练输出功率数据,训练预设的功率预测机器学习模型,得到预先建立的功率预测模型。
其中,在一些实施例中,预设的功率预测机器学习模型包括Xgboost模型和/或LSTM模型。
也就是说,本申请实施例通过风速矫正模型得到的目标风机的待训练NWP矫正气象数据和待训练输出功率数据,对功率预测机器学习模型进行训练,以得到功率预测模型,实现风电场站的短期功率预测。
可以理解的是,功率预测过程中的NWP校准阶段,采集的风机数据要优于测风塔数据,从而能够更好地校准NWP数据,进而提升功率预测精度,此外,本申请实施例将多台风机的预测结果进行整合,使得风机间的精度误差在求和过程中得到部分消减。
为便于本领域技术人员进一步了解本申请实施例提出的风电场的功率预测方法,下面结合图3作进一步说明。
如图3所示,假设风电场站有风机1至风机n,本申请实施例可以采集风机1至风机n的实测风速数据、天气数值预测NWP数据和输出功率数据,采用NWP气象要素取值建立特征向量,并利用NWP风速与实测数据风机数据进行风速矫正,从而得到每个风机的NWP矫正气象数据和每个风机的输出功率数据,将NWP矫正气象数据、风电场n组风机输出功率数据输入进n个功率预测模型(此处n个功率预测模型可以为同一个功率预测模型,也可以为不同的功率预测模型),得到n组预测功率结果,最后对预测的n组功率结果进行加和处理,从而得到总风电场预测的总功率结果并进行误差分析。
根据本申请实施例提出的风电场的功率预测方法,通过获取多个风机的实测风速数据、天气数值预测NWP数据和输出功率数据,并将风机的实测风速数据和NWP数据输入至由待训练风速数据和待训练NWP数据训练得到的预先建立的风速矫正模型,将得到的每个风机的NWP矫正气象数据和每个风机的输出功率数据输入至由待训练NWP矫正气象数据和待训练输出功率数据训练得到的预先建立的功率预测模型,得到每个风机的预测功率,并根据多个风机的预测功率求和得到总风电场预测的总功率。由此,解决短期风电功率预测在求和过程中风机间的精度误差较大的问题,并消除因风机间的发电差异对整体发电精度的影响,进而提升功率预测精度。
其次参照附图描述根据本申请实施例提出的风电场的功率预测装置。
图4是本申请实施例的风电场的功率预测装置的方框示意图。
如图4所示,该风电场的功率预测装置10包括:获取模块100、输入模块200和求和模块300。
其中,获取模块100,用于获取多个风机的实测风速数据、天气数值预测NWP数据和输出功率数据;
输入模块200,用于将每个风机的实测风速数据和NWP数据输入至预先建立的风速矫正模型,得到每个风机的NWP矫正气象数据,其中,预先建立的风速矫正模型由待训练风速数据和待训练NWP数据训练得到;以及
求和模块300,用于将每个风机的NWP矫正气象数据和每个风机的输出功率数据输入至预先建立的功率预测模型,得到每个风机的预测功率,并根据多个风机的预测功率求和得到总风电场预测的总功率,其中,预先建立的功率预测模型由待训练NWP矫正气象数据和待训练输出功率数据训练得到。
进一步地,在一些实施例中,输入模块200,具体用于:
获取每个风机的NWP数据所建立的特征向量;
将特征向量和每个风机的实测风速数据输入至预先建立的风速矫正模型,得到每个风机的NWP矫正气象数据。
进一步地,在一些实施例中,在将每个风机的实测风速数据和NWP数据输入至每个风机对应的风速矫正模型,得到每个风机的NWP矫正气象数据之前,输入模块200,还用于:
获取多个目标风机的待训练风速数据和待训练NWP数据;
对待训练风速数据和待训练NWP数据进行预处理,并将处理后的待训练风速数据和待训练NWP数据按照预设比例划分为训练集和验证集;
基于训练集,利用机器学习方法训练预设校正模型,得到初始风速矫正模型,并利用验证集验证初始风速矫正模型是否满足预设条件;
若初始风速矫正模型满足预设条件,则将初始风速矫正模型作为预先建立的风速矫正模型,否则,将初始风速矫正模型作为预设校正模型,并重新基于训练集进行训练,直至满足预设条件。
进一步地,在一些实施例中,在将每个风机的NWP矫正气象数据和每个风机的输出功率数据输入至预先建立的功率预测模型之前,求和模块300,还用于:
获取基于预先建立的风速矫正模型输出的多个目标风机的待训练NWP矫正气象数据和待训练输出功率数据;
基于待训练NWP矫正气象数据和待训练输出功率数据,训练预设的功率预测机器学习模型,得到预先建立的功率预测模型。
进一步地,在一些实施例中,预设的功率预测机器学习模型包括Xgboost模型和/或LSTM模型。
需要说明的是,前述对风电场的功率预测方法实施例的解释说明也适用于该实施例的风电场的功率预测装置,此处不再赘述。
根据本申请实施例提出的风电场的功率预测装置,通过获取多个风机的实测风速数据、天气数值预测NWP数据和输出功率数据,并将风机的实测风速数据和NWP数据输入至由待训练风速数据和待训练NWP数据训练得到的预先建立的风速矫正模型,将得到的每个风机的NWP矫正气象数据和每个风机的输出功率数据输入至由待训练NWP矫正气象数据和待训练输出功率数据训练得到的预先建立的功率预测模型,得到每个风机的预测功率,并根据多个风机的预测功率求和得到总风电场预测的总功率。由此,解决短期风电功率预测在求和过程中风机间的精度误差较大的问题,并消除因风机间的发电差异对整体发电精度的影响,进而提升功率预测精度。
图5为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括:
存储器501、处理器502及存储在存储器501上并可在处理器502上运行的计算机程序。
处理器502执行程序时实现上述实施例中提供的风电场的功率预测方法。
进一步地,电子设备还包括:
通信接口503,用于存储器501和处理器502之间的通信。
存储器501,用于存放可在处理器502上运行的计算机程序。
存储器501可能包含高速RAM(Random Access Memory,随机存取存储器)存储器,也可能还包括非易失性存储器,例如至少一个磁盘存储器。
如果存储器501、处理器502和通信接口503独立实现,则通信接口503、存储器501和处理器502可以通过总线相互连接并完成相互间的通信。总线可以是ISA(IndustryStandard Architecture,工业标准体系结构)总线、PCI(Peripheral Component,外部设备互连)总线或EISA(Extended Industry Standard Architecture,扩展工业标准体系结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果存储器501、处理器502及通信接口503,集成在一块芯片上实现,则存储器501、处理器502及通信接口503可以通过内部接口完成相互间的通信。
处理器502可能是一个CPU(Central Processing Unit,中央处理器),或者是ASIC(Application Specific Integrated Circuit,特定集成电路),或者是被配置成实施本申请实施例的一个或多个集成电路。
本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上的风电场的功率预测方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“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申请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是必须针对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一个或N个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“N个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,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,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列,现场可编程门阵列等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种风电场的功率预测方法,其特征在于,包括以下步骤:
获取多个风机的实测风速数据、天气数值预测NWP数据和输出功率数据;
将每个风机的实测风速数据和NWP数据输入至预先建立的风速矫正模型,得到所述每个风机的NWP矫正气象数据,其中,所述预先建立的风速矫正模型由待训练风速数据和待训练NWP数据训练得到;以及
将所述每个风机的NWP矫正气象数据和所述每个风机的输出功率数据输入至预先建立的功率预测模型,得到所述每个风机的预测功率,并根据所述多个风机的预测功率求和得到总风电场预测的总功率,其中,所述预先建立的功率预测模型由待训练NWP矫正气象数据和待训练输出功率数据训练得到。
2.根据权利要求1所述的方法,其特征在于,所述将每个风机的实测风速数据和NWP数据输入至所述预先建立的风速矫正模型,得到所述每个风机的NWP矫正气象数据,包括:
获取所述每个风机的NWP数据所建立的特征向量;
将所述特征向量和所述每个风机的实测风速数据输入至所述预先建立的风速矫正模型,得到所述每个风机的NWP矫正气象数据。
3.根据权利要求1或2所述的方法,其特征在于,在将每个风机的实测风速数据和NWP数据输入至所述每个风机对应的风速矫正模型,得到所述每个风机的NWP矫正气象数据之前,还包括:
获取多个目标风机的待训练风速数据和待训练NWP数据;
对所述待训练风速数据和所述待训练NWP数据进行预处理,并将处理后的所述待训练风速数据和所述待训练NWP数据按照预设比例划分为训练集和验证集;
基于所述训练集,利用机器学习方法训练预设校正模型,得到初始风速矫正模型,并利用所述验证集验证所述初始风速矫正模型是否满足预设条件;
若所述所述初始风速矫正模型满足所述预设条件,则将所述初始风速矫正模型作为所述预先建立的风速矫正模型,否则,将所述初始风速矫正模型作为所述预设校正模型,并重新基于所述训练集进行训练,直至满足所述预设条件。
4.根据权利要求1所述的方法,其特征在于,在将所述每个风机的NWP矫正气象数据和所述每个风机的输出功率数据输入至预先建立的功率预测模型之前,还包括:
获取基于所述预先建立的风速矫正模型输出的所述多个目标风机的待训练NWP矫正气象数据和待训练输出功率数据;
基于所述待训练NWP矫正气象数据和所述待训练输出功率数据,训练预设的功率预测机器学习模型,得到所述预先建立的功率预测模型。
5.根据权利要求4所述的方法,其特征在于,所述预设的功率预测机器学习模型包括Xgboost模型和/或LSTM模型。
6.一种风电场的功率预测装置,其特征在于,包括:
获取模块,用于获取多个风机的实测风速数据、天气数值预测NWP数据和输出功率数据;
输入模块,用于将每个风机的实测风速数据和NWP数据输入至预先建立的风速矫正模型,得到所述每个风机的NWP矫正气象数据,其中,所述预先建立的风速矫正模型由待训练风速数据和待训练NWP数据训练得到;以及
求和模块,用于将所述每个风机的NWP矫正气象数据和所述每个风机的输出功率数据输入至预先建立的功率预测模型,得到所述每个风机的预测功率,并根据所述多个风机的预测功率求和得到总风电场预测的总功率,其中,所述预先建立的功率预测模型由待训练NWP矫正气象数据和待训练输出功率数据训练得到。
7.根据权利要求6所述的装置,其特征在于,所述输入模块,具体用于:
获取所述每个风机的NWP数据所建立的特征向量;
将所述特征向量和所述每个风机的实测风速数据输入至所述预先建立的风速矫正模型,得到所述每个风机的NWP矫正气象数据。
8.根据权利要求6或7所述的装置,其特征在于,在将每个风机的实测风速数据和NWP数据输入至所述每个风机对应的风速矫正模型,得到所述每个风机的NWP矫正气象数据之前,所述输入模块,还用于:
获取多个目标风机的待训练风速数据和待训练NWP数据;
对所述待训练风速数据和所述待训练NWP数据进行预处理,并将处理后的所述待训练风速数据和所述待训练NWP数据按照预设比例划分为训练集和验证集;
基于所述训练集,利用机器学习方法训练预设校正模型,得到初始风速矫正模型,并利用所述验证集验证所述初始风速矫正模型是否满足预设条件;
若所述所述初始风速矫正模型满足所述预设条件,则将所述初始风速矫正模型作为所述预先建立的风速矫正模型,否则,将所述初始风速矫正模型作为所述预设校正模型,并重新基于所述训练集进行训练,直至满足所述预设条件。
9.一种电子设备,其特征在于,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程序,以实现如权利要求1-5任一项所述的风电场的功率预测方法。
10.一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,该程序被处理器执行,以用于实现如权利要求1-5任一项所述的风电场的功率预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211645413.6A CN116227661A (zh) | 2022-12-16 | 2022-12-16 | 风电场的功率预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211645413.6A CN116227661A (zh) | 2022-12-16 | 2022-12-16 | 风电场的功率预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116227661A true CN116227661A (zh) | 2023-06-06 |
Family
ID=86577612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211645413.6A Pending CN116227661A (zh) | 2022-12-16 | 2022-12-16 | 风电场的功率预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116227661A (zh) |
-
2022
- 2022-12-16 CN CN202211645413.6A patent/CN116227661A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107346357B (zh) | 一种基于整体耦合模型的海上风机疲劳分析系统 | |
US20190072075A1 (en) | Method and device for detecting equivalent load of wind turbine | |
CN111709569A (zh) | 风电场输出功率预测修正方法及装置 | |
CN116306798A (zh) | 一种超短时风速预测方法及系统 | |
CN113221362B (zh) | 卫星发射场性能试验科目的选取方法、装置和电子设备 | |
CN116680569A (zh) | 基于rwkv神经网络的风资源预测方法和装置 | |
CN113935512A (zh) | 风电功率预测方法、装置、计算机设备和存储介质 | |
CN111852769A (zh) | 风机scada数据的偏航静态偏差角预测方法及系统 | |
CN112417734A (zh) | 一种基于风电场地理信息的风速订正方法及装置 | |
CN112052604A (zh) | 风机等效疲劳载荷的预测方法、系统、设备及可读介质 | |
CN112131753A (zh) | 风机疲劳寿命的评估方法、系统、设备及可读介质 | |
CN116227661A (zh) | 风电场的功率预测方法、装置、电子设备及存储介质 | |
CN116960981A (zh) | 发电功率预测方法和装置 | |
CN109978204B (zh) | 确定风电场的风功率的预测准确率的方法和装置 | |
CN114912353A (zh) | 基于风向相关性的风电场风向数值计算方法及系统 | |
CN110207871B (zh) | 风电机组的应力预测的方法、装置、存储介质和系统 | |
CN109960778B (zh) | 计算风电场理论功率的方法和装置 | |
CN111695291A (zh) | 一种用于确定长空气间隙击穿电压的方法及系统 | |
CN110659843A (zh) | 核电常规岛给水系统可靠性评估方法及装置 | |
CN115358478A (zh) | 风电机组发电量增益的评估方法、装置和电子设备 | |
CN116151130B (zh) | 风电场最大频率阻尼系数计算方法、装置、设备及介质 | |
CN117371581A (zh) | 一种新能源发电功率预测方法、装置及存储介质 | |
CN116108989B (zh) | 一种风电超短期功率预测方法、系统、存储介质及设备 | |
CN109944740B (zh) | 风电场场群控制方法和设备 | |
CN118066074A (zh) | 风力发电机组的载荷预测方法及装置 |
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 |