CN116247655A - 一种风电出力预测方法、系统、存储介质及设备 - Google Patents
一种风电出力预测方法、系统、存储介质及设备 Download PDFInfo
- Publication number
- CN116247655A CN116247655A CN202211728563.3A CN202211728563A CN116247655A CN 116247655 A CN116247655 A CN 116247655A CN 202211728563 A CN202211728563 A CN 202211728563A CN 116247655 A CN116247655 A CN 116247655A
- Authority
- CN
- China
- Prior art keywords
- data
- wind power
- fan output
- fan
- power output
- 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 45
- 238000011156 evaluation Methods 0.000 claims abstract description 44
- 238000010219 correlation analysis Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 26
- 239000002002 slurry Substances 0.000 claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 claims description 4
- 238000010248 power generation Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Power Engineering (AREA)
- Computing Systems (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Wind Motors (AREA)
Abstract
本发明提供一种风电出力预测方法、系统、存储介质及设备，方法包括：获取若干风机的历史参数，风机的历史参数包括风机出力数据及风机出力相关数据，将风机出力数据和风机出力相关数据进行相关性分析，以确定风机出力相关数据当中与风机出力数据的相关性大于阈值的目标数据，将目标数据及其对应的风机出力数据输入到多个预设模型中进行模型训练，以训练得到多个风电出力预测模型，分别采用预设评估算法计算出每个风电出力预测模型的评估值，并选取评估值最优的风电出力预测模型为最优风电出力预测模型。本方法采用风速和浆角攻角等多重影响因子来对模型进行训练，取最优模型的训练方法，能够有效对风机出力做出精准的预测。
Description
技术领域
本发明涉及风电出力预测技术领域，特别涉及一种风电出力预测方法、系统、存储介质及设备。
背景技术
风力发电预测(WPF)旨在准确估计不同时间尺度上风电场的风力供应。风力发电是一种清洁安全的可再生能源，但不能持续生产，导致变化性高，这种可变性会给将风力发电纳入电网系统带来巨大挑战，同时气象数值预报技术发展水平局限，仍存在众多复杂区域的风电场功率预报准确率无法满足电网考核要求，造成巨额的扣电和限电损失，因此风电出力预测系统对于新能源企业合理运营风电场具有重要意义。为了保持发电和消耗之间的平衡，风力发电的波动需要从其他来源替代电力，这些电力可能无法在短时间内获得(例如，通常需要至少6个小时才能启动燃煤电厂)。因此，WPF已被广泛认为是风电并网和运营中关键的问题之一。
现有技术当中，目前一般会采用如lasso、决策树(DecisionTree)、XGBoost(ExtremeGradientBoosting)和长短记忆网络等机器学习方法来训练风机出力预测模型，但目前所需要的训练方法仅将风速作为影响因子，然而对于风机出力来说，风速是最重要的变量，但不是唯一的决定因素，导致目前训练的风机出力预测模型存在预测精度不足的问题。
发明内容
基于此，本发明的目的是提供一种风电出力预测方法、系统、存储介质及设备，以解决背景技术中目前训练的风机出力预测模型存在预测精度不足的问题。
根据本发明实施例的一种风电出力预测方法，方法包括：
获取若干风机的历史参数，风机的历史参数包括风机出力数据及风机出力相关数据，所述风机出力相关数据至少包括风速和浆角攻角；
将风机出力数据和风机出力相关数据进行相关性分析，以确定风机出力相关数据当中与风机出力数据的相关性大于阈值的目标数据；
将目标数据及其对应的风机出力数据输入到多个预设模型中进行模型训练，以训练得到多个风电出力预测模型；
分别采用预设评估算法计算出每个风电出力预测模型的评估值，并选取评估值最优的风电出力预测模型为最优风电出力预测模型。
另外，根据本发明上述实施例的一种风电出力预测方法，还可以具有如下附加的技术特征：
进一步地，所述风机出力相关数据还包括第一相关特征、第二相关特征以及第三相关特征；
其中，第一相关特征T1、第二相关特征T2以及第三相关特征T3满足以下条件式：
T1＝wps3；
T2＝wps3＊cosx；
T3＝wps3＊(cosx－2sinx)；
式中，wps代表风速，x代表浆角攻角。
进一步地，将风机出力数据与和风机出力相关数据进行相关性分析，以确定风机出力相关数据当中与风机出力数据的相关性大于阈值的目标数据的步骤包括：
将风机出力数据与风机出力相关数据中的每个相关数据分别进行相关性分析，以确定风机出力数据与风机出力相关数据中的每个相关数据的相关度；
将相关度大于阈值的相关数据确定为目标数据。
进一步地，将风机出力数据与风机出力相关数据中的相关数据进行相关性分析的步骤包括：
将风机出力数据与风机出力相关数据中的相关数据分别进行曲线拟合，以确定将风机出力数据与风机出力相关数据中的相关数据的相关度。
进一步地，将风机出力数据与风机出力相关数据中的相关数据分别进行曲线拟合的步骤包括：
风机出力相关数据中的相关数据进行区间划分，并找到风机出力相关数据中的相关数据的每个区间的区间中位数；
计算出每个区间对应的风机出力数据的风机出力中位数；
将每个区间的区间中位数和风机出力中位数进行曲线拟合，以确定将风机出力数据与风机出力相关数据中的相关数据的相关度。
进一步地，分别采用预设评估算法计算出每个风电出力预测模型的评估值的步骤包括：
将历史参数中至少部分历史参数输入每个风电出力预测模型中进行计算得出预测数据，根据预测数据与历史参数中的实际数据进行对比，确定预测数据与实际数据之间的评估值，并选取评估值最优的风电出力预测模型为最优风电出力预测模型。
进一步地，将风机出力数据和风机出力相关数据进行相关性分析，以确定风机出力相关数据当中与风机出力数据的相关性大于阈值的目标数据的步骤之前还包括：
将风机出力相关数据中每个相关数据与对应的预定阈值进行对比，以判断每个相关数据是否出现异常；
若是，将异常的相关数据采用与其相对的标准数据进行填充，标准数据包括与当前异常数据相对应的均值/与当前异常数据相对应的前一条数据/与当前异常数据相对应的后一条数据。
根据本发明实施例的一种风电出力预测系统，系统包括：
数据获取模块，用于获取若干风机的历史参数，风机的历史参数包括风机出力数据及风机出力相关数据；
数据分析模块，用于将风机出力数据和风机出力相关数据进行相关性分析，以确定风机出力相关数据当中与风机出力数据的相关性大于阈值的目标数据；
模型训练模块，用于将目标数据及其对应的风机出力数据输入到多个预设模型中进行模型训练，以训练得到多个风电出力预测模型；
模型评估模块，用于分别采用预设评估算法计算出每个风电出力预测模型的评估值，并选取评估值最优的风电出力预测模型为最优风电出力预测模型。
本发明还提出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上述的风电出力预测方法。
本发明还提出一种风电出力预测设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如上述的风电出力预测方法。
与现有技术相比：通过提出一种风电出力预测方法，能够有效对风机出力做出精准的预测，从而满足预测精度的要求，保障对电网调度的安全性和经济性，具体来说，获取若干风机的历史参数，风机的历史参数包括风机出力数据及风机出力相关数据，将风机出力数据和风机出力相关数据进行相关性分析，以确定风机出力相关数据当中与风机出力数据的相关性大于阈值的目标数据，将目标数据及其对应的风机出力数据输入到多个预设模型中进行模型训练，以训练得到多个风电出力预测模型分别采用预设评估算法计算出每个风电出力预测模型的评估值，并选取评估值最优的风电出力预测模型为最优风电出力预测模型，以通过最优风电出力预测模型对风电出力进行预测，本方法采用风速和浆角攻角等多重影响因子来对模型进行训练，并采用先进行相关分析，找到最相关参数，再对多个模型进行训练，取最优模型的训练方法，大大提升了模型预测精度。
附图说明
图1为本发明第一实施例中的风电出力预测方法的流程图；
图2为本发明实施例提供的风力出力数据与风速的曲线拟合图；
图3为本发明实施例提供的风力出力数据与浆角攻角的曲线拟合图；
图4为本发明实施例提供的第一相关特征、第二相关特征以及第三相关特征与风力出力数据的相关度示意图；
图5为本发明实施例提供的风力出力数据与风速中位数的曲线拟合图；
图6为本发明第四实施例中的风电出力预测系统的结构示意图；
图7为本发明第五实施例中的风电出力预测设备的结构示意图。
以下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
请参阅图1，所示为本发明第一实施例中的风电出力预测方法，方法可以通过软件和/或硬件来实现，方法具体包括步骤S01－S04。
步骤S01，获取若干风机的历史参数，风机的历史参数包括风机出力数据及风机出力相关数据，所述风机出力相关数据至少包括风速和浆角攻角。
其中，对于预测风机出力数据而言，影响预测风机出力数据的因素包括但不限于风向、气温、气压以及风切变等等，在一些优选的实施例中，在本实施例中风机出力相关数据还包括第一相关特征、第二相关特征以及第三相关特征。其中，需要说明的是，风速、浆角攻角以及风机出力数据是风机的历史数据可以直接获得的数据，但为了更全面的保障后续预测风力出力数据的准确性，本申请还自定义三个特征，第一相关特征、第二相关特征以及第三相关特征。
具体来说，第一相关特征T1、第二相关特征T2以及第三相关特征T3满足以下条件式：
T1＝wps3；
T2＝wps3＊cosx；
T3＝wps3＊(cosx－2sinx)；
式中，wps代表风速，x代表浆角攻角。
步骤S02，将风机出力数据和风机出力相关数据进行相关性分析，以确定风机出力相关数据当中与风机出力数据的相关性大于阈值的目标数据。
具体地，在一些可选实施例当中，步骤S02可以具体包括：
将风机出力数据与风机出力相关数据中的每个相关数据分别进行相关性分析，以确定风机出力数据与风机出力相关数据中的每个相关数据的相关度，将相关度大于阈值的相关数据确定为目标数据。
具体来说，将风机出力数据与风机出力相关数据中的相关数据分别进行曲线拟合，以确定将风机出力数据与风机出力相关数据中的相关数据的相关度。
也就是说，将风机出力数据与风速、浆角攻角、第一相关特征、第二相关特征以及第三相关特征分别进行相关性分析，找出相关度最高的相关性特征，例如，风机出力数据与风速的相关度高、风机出力数据与第一相关特征的相关度高、风机出力数据与第三相关特征的相关度高，那么，风机出力数据与风速、风机出力数据与第一相关特征和风机出力数据与第三相关特征为相关度最高的相关性特征，用于后续进行模型训练。
例如，请参阅图2，将风机出力数据与风速进行曲线拟合得出相关度，将相关度与预定的阈值进行对比，确定风机出力数据与风速相关度。
请参阅图3，将风机出力数据与浆角攻角进行曲线拟合得出相关度，将相关度与预定的阈值进行对比，确定风机出力数据与浆角攻角的相关度。
需要说明的是，在实际情况中，浆角攻角与风机出力数据的关系如图3所示，由图3可知当浆角攻角从零度开始增加到90度，升力系数从1一直下降0，阻力系数从0上升至2。因此当浆角攻角大于某值时，风机出力数据应小于等于0。
请参阅图4，由图可知第一相关特征与风机出力数据的相关度为0.761，第二相关特征与风机出力数据的相关度为0.772，第三相关特征与风机出力数据的相关度为0.909，可知构建的特征为有效特征。
步骤S03，将目标数据及其对应的风机出力数据输入到多个预设模型中进行模型训练，以训练得到多个风电出力预测模型。
具体地，在一些可选实施例当中，步骤S03可以具体包括：
本实施例中的预设模型可以采用现有技术中的模型，示例并非限定，该预设模型可以是lstm模型、Lasso模型、xgboost模型、岭回归模型等不同的模型。
例如，在上述步骤S02中的示例，风机出力数据与风速的相关度高、风机出力数据与第一相关特征的相关度高、风机出力数据与第三相关特征的相关度高，那么，将风机出力数据、风速、第一相关特征和第三相关特征输入多个模型中进行训练，从而得出多个风电出力预测模型。
步骤S04，分别采用预设评估算法计算出每个风电出力预测模型的评估值，并选取评估值最优的风电出力预测模型为最优风电出力预测模型。
具体地，在一些可选实施例当中，步骤S04可以具体包括：
将历史参数中至少部分历史参数输入每个风电出力预测模型中进行计算得出预测数据，根据预测数据与历史参数中的实际数据进行对比，确定预测数据与实际数据之间的评估值，并选取评估值最优的风电出力预测模型为最优风电出力预测模型。
也就是说，将风机的历史参数分为训练集和验证集，通过训练集训练处风电出力预测模型，再将验证集输入风电出力预测模型中，从而确定最优风电出力预测模型。
在一些优选的实施例当中，也可以才用度量拟合优度R2及方差进行量化，准确判断模型的效果，并采用图表、曲线图等方式进行可视化展示。基于此开发自适应最优模型评估技术，自动根据平均绝对百分比误差及方差综合评分，选择得分最高的模型用作预测。
综上，本发明上述实施例当中的风电出力预测方法，通过提出一种风电出力预测方法，能够有效对风机出力做出精准的预测，从而满足预测精度的要求，保障对电网调度的安全性和经济性，具体来说，获取若干风机的历史参数，风机的历史参数包括风机出力数据及风机出力相关数据，将风机出力数据和风机出力相关数据进行相关性分析，以确定风机出力相关数据当中与风机出力数据的相关性大于阈值的目标数据，将目标数据及其对应的风机出力数据输入到多个预设模型中进行模型训练，以训练得到多个风电出力预测模型分别采用预设评估算法计算出每个风电出力预测模型的评估值，并选取评估值最优的风电出力预测模型为最优风电出力预测模型，以通过最优风电出力预测模型对风电出力进行预测，本方法采用风速和浆角攻角等多重影响因子来对模型进行训练，并采用先进行相关分析，找到最相关参数，再对多个模型进行训练，取最优模型的训练方法，大大提升了模型预测精度。
实施例二
本发明第二实施例中也提出了一种风电出力预测方法，本实施例当中的风电出力预测方法与第一实施例当中的风电出力预测方法的不同之处在于，步骤S02之前，将风机出力数据和风机出力相关数据进行相关性分析的步骤之前具体可以包括：
将风机出力相关数据中每个相关数据与对应的预定阈值进行对比，以判断每个相关数据是否出现异常；
若是，将异常的相关数据采用与其相对的标准数据进行填充，标准数据包括与当前异常数据相对应的均值/与当前异常数据相对应的前一条数据/与当前异常数据相对应的后一条数据。
具体来说，由于数据在进行相关性分析之前，数据会存在空值及异常数据，为保证预测精确性，需要建立一套合适的清洗规则，为风机出力数据分析及预测提供一个准确的数据源，测时当数据超出阀值，则认为数据有异常，需要对异常数据进行清洗，可以采用均值填充、用前一条数据填充(FFILL)，用后一条数据填充(BFILL)等方法。
需要说明的是，当异常数据是风速时，则均值数据为风速的均值，上一条数据为异常数据的上一时刻风速，下一条数据为下一时刻风速，其他类同。
进一步地，对于风速较大但风电出力较小值的数据进行剔除，以提高风电出力预测模型的准确性，示例并非限定，不同的风机的地理位置、容量都不同，因此有不同的标准，需要依靠绘图后人工的灵活判断。例如：风机A可以为风速＞10，风机出力数据＜2为异常数据；风电B可以为风速＞10，风机出力数据＜1为异常数据。
综上，本发明实施例当中的风电出力预测方法，至少具有以下有益效果：
该方法在对风机出力数据和风机出力相关数据进行相关性分析之前，对获取的风机出力数据及风机出力相关数据进行预测处理，从而提高风电出力预测模型的准确性。
实施例三
本发明第三实施例中也提出了一种风电出力预测方法，本实施例当中的风电出力预测方法与第一实施例当中的风电出力预测方法的不同之处在于，步骤S02，将风机出力数据与风机出力相关数据中的相关数据分别进行曲线拟合，以确定将风机出力数据与风机出力相关数据中的相关数据的相关度的步骤具体可以包括：
风机出力相关数据中的相关数据进行区间划分，并找到风机出力相关数据中的相关数据的每个区间的区间中位数；
计算出每个区间对应的风机出力数据的风机出力中位数；
将每个区间的区间中位数和风机出力中位数进行曲线拟合，以确定将风机出力数据与风机出力相关数据中的相关数据的相关度。
示例并非限定，请参阅图5所示，可以将风速进行区间划分，例如风速为100个区间，其中，区间可以是等比例区间划分也可以是不等比例区间划分，找到每个区间的区间中位数，将该区间中位数与对应的风机出力数据的风机出力中位数进行曲线拟合，从而确定风速与风机出力数据的相关度。
需要说明的是，浆角攻角、第一相关特征、第二相关特征以及第三相关特征均可采用上述方式确定与风机出力数据的相关度，在此不作特别说明。
综上，本发明实施例当中的风电出力预测方法，至少具有以下有益效果：
该方法在确定风机出力相关数据中的相关数据与风机出力数据的相关度时，将风机出力相关数据中的相关数据进行区间划分，通过区间中位数与对应的风机出力数据的风机出力中位数进行曲线拟合，以确定风机出力相关数据中的相关数据与风机出力数据的相关度，从而大大减少了风机出力相关数据中的相关数据与风机出力数据的相关度曲线拟合的数据量。
实施例四
本发明另一方面还提供一种风电出力预测系统，请查阅图6，所示为本发明第四实施例中的风电出力预测系统，风电出力预测系统包括：
数据获取模块11，用于获取若干风机的历史参数，风机的历史参数包括风机出力数据及风机出力相关数据；
数据分析模块12，用于将风机出力数据和风机出力相关数据进行相关性分析，以确定风机出力相关数据当中与风机出力数据的相关性大于阈值的目标数据；
模型训练模块13，用于将目标数据及其对应的风机出力数据输入到多个预设模型中进行模型训练，以训练得到多个风电出力预测模型；
模型评估模块14，用于分别采用预设评估算法计算出每个风电出力预测模型的评估值，并选取评估值最优的风电出力预测模型为最优风电出力预测模型。
需要说明的是，本实施例中的数据获取模块11主动联接到上游系统，并对数据进行采集，并将结果存放于大数据平台上，以用于后续数据加工。
进一步地，数据获取模块11还可以对风机出力数据及风机出力相关数据具有数据空缺告警、数据质量稽核等功能，当数据存在质量问题时产生告警信息，并在界面上展示。
其中，风机出力相关数据包括风速、浆角攻角、第一相关特征、第二相关特征以及第三相关特征；
其中，第一相关特征T1、第二相关特征T2以及第三相关特征T3满足以下条件式：
T1＝wps3；
T2＝wps3＊cosx；
T3＝wps3＊(cosx－2sinx)；
式中，wps代表风速，x代表浆角攻角。
进一步地，在本实施例一些可选情况当中，数据分析模块12还用于将风机出力数据与风机出力相关数据中的每个相关数据分别进行相关性分析，以确定风机出力数据与风机出力相关数据中的每个相关数据的相关度；
将相关度大于阈值的相关数据确定为目标数据。
具体来说，将风机出力数据与风机出力相关数据中的相关数据分别进行曲线拟合，以确定将风机出力数据与风机出力相关数据中的相关数据的相关度。
在另外一些可选情况当中，数据分析模块12还用于将风机出力相关数据中的相关数据进行区间划分，并找到风机出力相关数据中的相关数据的每个区间的区间中位数；
计算出每个区间对应的风机出力数据的风机出力中位数；
将每个区间的区间中位数和风机出力中位数进行曲线拟合，以确定将风机出力数据与风机出力相关数据中的相关数据的相关度。
进一步地，在本实施例一些可选情况当中，模型评估模块14还用于将历史参数中至少部分历史参数输入每个风电出力预测模型中进行计算得出预测数据，根据预测数据与历史参数中的实际数据进行对比，确定预测数据与实际数据之间的评估值，并选取评估值最优的风电出力预测模型为最优风电出力预测模型。
进一步地，在本实施例一些可选情况当中，将风机出力数据和风机出力相关数据进行相关性分析，以确定风机出力相关数据当中与风机出力数据的相关性大于阈值的目标数据之前，传动系统动不平衡整车响应预测系统还包括：
数据预处理模块，用于将风机出力相关数据中每个相关数据与对应的预定阈值进行对比，以判断每个相关数据是否出现异常；
若是，将异常的相关数据采用与其相对的标准数据进行填充，标准数据包括与当前异常数据相对应的均值/与当前异常数据相对应的前一条数据/与当前异常数据相对应的后一条数据。
上述各模块、单元被执行时所实现的功能或操作步骤与上述方法实施例大体相同，在此不再赘述。
实施例五
本发明另一方面还提出一种风电出力预测设备，请参阅图7，所示为本发明第五实施例当中的风电出力预测设备，包括存储器20、处理器10以及存储在存储器上并可在处理器上运行的计算机程序30，处理器10执行计算机程序30时实现如上述的风电出力预测方法。
其中，风电出力预测设备具体可以为电脑、风电出力预测设备等，处理器10在一些实施例中可以是中央处理器(CentralProcessingUnit，CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器20中存储的程序代码或处理数据，例如执行访问限制程序等。
其中，存储器20至少包括一种类型的可读存储介质，可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器20在一些实施例中可以是风电出力预测设备的内部存储单元，例如该风电出力预测设备的硬盘。存储器20在另一些实施例中也可以是风电出力预测设备的外部存储装置，例如风电出力预测设备上配备的插接式硬盘，智能存储卡(SmartMediaCard，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(FlashCard)等。进一步地，存储器20还可以既包括风电出力预测设备的内部存储单元也包括外部存储装置。存储器20不仅可以用于存储安装于风电出力预测设备的应用软件及各类数据，还可以用于暂时地存储已经输出或者将要输出的数据。
需要指出的是，图7示出的结构并不构成对风电出力预测设备的限定，在其它实施例当中，该风电出力预测设备可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
本发明实施例还提出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述的风电出力预测方法。
本领域技术人员可以理解，在流程图中表示或在此以其他方式描述的逻辑或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读存储介质中，以供指令执行系统、装置或设备(如基于计算机系统、包括处理器系统或其他可以从指令执行系统、装置或设备取指令并执行指令系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读存储介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读存储介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读存储介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
应当理解，本发明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，多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。例如，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它们的组合来实现：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(PGA)，现场可编程门阵列(FPGA)等。
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。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种风电出力预测方法，其特征在于，方法包括：
获取若干风机的历史参数，风机的历史参数包括风机出力数据及风机出力相关数据，所述风机出力相关数据至少包括风速和浆角攻角；
将风机出力数据和风机出力相关数据进行相关性分析，以确定风机出力相关数据当中与风机出力数据的相关性大于阈值的目标数据；
将目标数据及其对应的风机出力数据输入到多个预设模型中进行模型训练，以训练得到多个风电出力预测模型；
分别采用预设评估算法计算出每个风电出力预测模型的评估值，并选取评估值最优的风电出力预测模型为最优风电出力预测模型。
2.根据权利要求1的风电出力预测方法，其特征在于，所述风机出力相关数据还包括第一相关特征、第二相关特征以及第三相关特征；
其中，第一相关特征T1、第二相关特征T2以及第三相关特征T3满足以下条件式：
T1＝wps3；
T2＝wps3＊cosx；
T3＝wps3＊(cosx－2sinx)；
式中，wps代表风速，x代表浆角攻角。
3.根据权利要求2的风电出力预测方法，其特征在于，将风机出力数据与和风机出力相关数据进行相关性分析，以确定风机出力相关数据当中与风机出力数据的相关性大于阈值的目标数据的步骤包括：
将风机出力数据与风机出力相关数据中的每个相关数据分别进行相关性分析，以确定风机出力数据与风机出力相关数据中的每个相关数据的相关度；
将相关度大于阈值的相关数据确定为目标数据。
4.根据权利要求3的风电出力预测方法，其特征在于，将风机出力数据与风机出力相关数据中的相关数据进行相关性分析的步骤包括：
将风机出力数据与风机出力相关数据中的相关数据分别进行曲线拟合，以确定将风机出力数据与风机出力相关数据中的相关数据的相关度。
5.根据权利要求4的风电出力预测方法，其特征在于，将风机出力数据与风机出力相关数据中的相关数据分别进行曲线拟合的步骤包括：
风机出力相关数据中的相关数据进行区间划分，并找到风机出力相关数据中的相关数据的每个区间的区间中位数；
计算出每个区间对应的风机出力数据的风机出力中位数；
将每个区间的区间中位数和风机出力中位数进行曲线拟合，以确定将风机出力数据与风机出力相关数据中的相关数据的相关度。
6.根据权利要求1的风电出力预测方法，其特征在于，分别采用预设评估算法计算出每个风电出力预测模型的评估值的步骤包括：
将历史参数中至少部分历史参数输入每个风电出力预测模型中进行计算得出预测数据，根据预测数据与历史参数中的实际数据进行对比，确定预测数据与实际数据之间的评估值，并选取评估值最优的风电出力预测模型为最优风电出力预测模型。
7.根据权利要求1的风电出力预测方法，其特征在于，将风机出力数据和风机出力相关数据进行相关性分析，以确定风机出力相关数据当中与风机出力数据的相关性大于阈值的目标数据的步骤之前还包括：
将风机出力相关数据中每个相关数据与对应的预定阈值进行对比，以判断每个相关数据是否出现异常；
若是，将异常的相关数据采用与其相对的标准数据进行填充，标准数据包括与当前异常数据相对应的均值/与当前异常数据相对应的前一条数据/与当前异常数据相对应的后一条数据。
8.一种风电出力预测系统，其特征在于，系统包括：
数据获取模块，用于获取若干风机的历史参数，风机的历史参数包括风机出力数据及风机出力相关数据；
数据分析模块，用于将风机出力数据和风机出力相关数据进行相关性分析，以确定风机出力相关数据当中与风机出力数据的相关性大于阈值的目标数据；
模型训练模块，用于将目标数据及其对应的风机出力数据输入到多个预设模型中进行模型训练，以训练得到多个风电出力预测模型；
模型评估模块，用于分别采用预设评估算法计算出每个风电出力预测模型的评估值，并选取评估值最优的风电出力预测模型为最优风电出力预测模型。
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，该程序被处理器执行时实现如权利要求1－7任一的风电出力预测方法。
10.一种风电出力预测设备，其特征在于，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如权利要求1－7任一的风电出力预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211728563.3A CN116247655A (zh) | 2022-12-30 | 2022-12-30 | 一种风电出力预测方法、系统、存储介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211728563.3A CN116247655A (zh) | 2022-12-30 | 2022-12-30 | 一种风电出力预测方法、系统、存储介质及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116247655A true CN116247655A (zh) | 2023-06-09 |
Family
ID=86626954
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211728563.3A Pending CN116247655A (zh) | 2022-12-30 | 2022-12-30 | 一种风电出力预测方法、系统、存储介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116247655A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117394333A (zh) * | 2023-10-20 | 2024-01-12 | 华能山东发电有限公司 | 一种风电场发电能力评估方法、系统和设备 |
-
2022
- 2022-12-30 CN CN202211728563.3A patent/CN116247655A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117394333A (zh) * | 2023-10-20 | 2024-01-12 | 华能山东发电有限公司 | 一种风电场发电能力评估方法、系统和设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9086337B2 (en) | Detecting a wake situation in a wind farm | |
| CN110991666A (zh) | 故障检测方法、模型的训练方法、装置、设备及存储介质 | |
| CN111639815A (zh) | 一种多模型融合预测电网缺陷物资的方法及系统 | |
| CN104350435A (zh) | Plc平台上用于设备状态监控、诊断以及时间-故障/服务预测的嵌置预报 | |
| CN111241755A (zh) | 电力负荷预测方法 | |
| CN114757048A (zh) | 一种风机基础的健康状态评估方法、装置、设备和介质 | |
| CN116247655A (zh) | 一种风电出力预测方法、系统、存储介质及设备 | |
| CN111340307B (zh) | 预测风机风力发电功率的方法以及相关装置 | |
| CN114742363A (zh) | 风电机组的能效状态评价方法、系统及介质 | |
| Menshikh et al. | Simulating the Evaluation of Survivability of Ergatic Systems Based on the Use of Weighted Hypergraphs | |
| CN116776747B (zh) | 一种igbt模块使用寿命计算方法及系统 | |
| CN117422447A (zh) | 变压器维护策略生成方法、系统、电子设备及存储介质 | |
| CN110348005B (zh) | 配网设备状态数据处理方法、装置、计算机设备及介质 | |
| CN110007174B (zh) | 一种数据中心的动力管控检测方法 | |
| CN111062133A (zh) | 风电机组性能分析方法及系统 | |
| CN114837902B (zh) | 一种风电机组健康度评估方法、系统、设备和介质 | |
| CN114065430B (zh) | 一种行星级齿轮箱的状态数据处理方法及系统 | |
| CN113052716B (zh) | 风力发电机组主轴承的异常预警方法及装置 | |
| CN114139803A (zh) | 一种风电场站短期功率的预测方法、系统、设备和介质 | |
| CN115248063A (zh) | 评价装置、评价方法、记录有评价程序的记录介质、控制装置及记录有控制程序的记录介质 | |
| CN110555543B (zh) | 一种风电场预测的不确定度分析方法及系统 | |
| CN115018366B (zh) | 储能系统工作状态监测方法、装置、存储介质及电子设备 | |
| CN109944740B (zh) | 风电场场群控制方法和设备 | |
| CN117012425A (zh) | 机组调试阶段设备健康状态监测方法、装置、设备及介质 | |
| CN118154152A (zh) | 一种基于云服务平台的设备全生命周期管理方法及系统 |
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 |