CN116307257B - 一种特定天气下的风电场的输出功率预测方法及装置 - Google Patents
一种特定天气下的风电场的输出功率预测方法及装置 Download PDFInfo
- Publication number
- CN116307257B CN116307257B CN202310507063.5A CN202310507063A CN116307257B CN 116307257 B CN116307257 B CN 116307257B CN 202310507063 A CN202310507063 A CN 202310507063A CN 116307257 B CN116307257 B CN 116307257B
- Authority
- CN
- China
- Prior art keywords
- wind power
- power plant
- sample
- loss
- weather
- 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 48
- 238000013145 classification model Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims description 37
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 6
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010248 power generation Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010792 warming 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Water Supply & Treatment (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种特定天气下的风电场的输出功率预测方法及装置,所述方法包括:若基于数值天气预报数据以及特定天气判断规则判断获知目标风电场遇到特定天气,则获得目标风电场对应的天气特征数据,并基于天气特征数据建立损失判别因子集合;根据损失判别因子集合以及风电功率损失程度分类模型,获得风电功率损失程度等级;根据风电功率损失程度等级,获得目标风电场的预测输入数据以及风电功率预测模型;根据预测输入数据以及对应的风电功率预测模型,预测目标风电场在特定天气下的输出功率。所述装置用于执行上述方法。本发明实施例提供的特定天气下的风电场的输出功率预测方法及装置,提高了输出功率预测的准确性。
Description
技术领域
本发明涉及风电技术领域,具体涉及一种特定天气下的风电场的输出功率预测方法及装置。
背景技术
风能资源作为一种清洁的可再生能源,在改善传统能源带来的环境、气候等方面的问题具有积极的意义。
全球变暖导致低温寒潮等极端天气频发,而以风电为代表的新能源对天气条件具有很强的依赖性,以寒潮为代表的极低温天气会导致大量的风电损失。在极低温天气下,如果对风电设备不采取一些特殊的保护措施,如在风机关键部位增设加热装置等,寒冷的气候将导致风电机组发电量大大降低,在低空气密度和结冰的综合作用下可导致高达55%的风电发电量的降低。长时间的低温天气可能导致风机叶片受冰冻影响,从而触发风电机组叶片结冰保护动作,导致机组停机或脱网,严重情况会造成风电场内风电机组停机几周甚至数月。目前对于低温、寒潮等极端天气条件对风电输出功率的预测还在研究当中,因此,如何在极端天气条件下对风电场的输出功率进行预测成为本领域亟待解决的重要课题。
发明内容
针对现有技术中的问题,本发明实施例提供一种特定天气下的风电场的输出功率预测方法及装置,能够至少部分地解决现有技术中存在的问题。
第一方面,本发明提出一种特定天气下的风电场的输出功率预测方法,包括:
获取目标风电场的数值天气预报数据;
若基于所述数值天气预报数据以及特定天气判断规则判断获知所述目标风电场遇到特定天气,则根据所述目标风电场在特定天气下的数值天气预报数据获得所述目标风电场对应的天气特征数据,并基于所述目标风电场对应的天气特征数据建立所述目标风电场对应的损失判别因子集合;
根据所述损失判别因子集合以及风电功率损失程度分类模型,获得所述目标风电场对应的风电功率损失程度等级;其中,所述风电功率损失程度分类模型是预先建立的;
根据所述目标风电场对应的风电功率损失程度等级,获得所述目标风电场的预测输入数据以及所述目标风电场对应的风电功率预测模型;其中,所述风电功率预测模型是预先建立的,与风电功率损失程度等级对应;
根据所述目标风电场的预测输入数据以及所述目标风电场对应的风电功率预测模型,预测所述目标风电场在所述特定天气下的输出功率。
第二方面,本发明提供一种特定天气下的风电场的输出功率预测装置,包括:
第一获取模块,用于获取目标风电场的数值天气预报数据;
第一获得模块,用于若基于所述数值天气预报数据以及特定天气判断规则判断获知所述目标风电场遇到特定天气,则根据所述目标风电场在特定天气下的数值天气预报数据获得所述目标风电场对应的天气特征数据,并基于所述目标风电场对应的天气特征数据建立所述目标风电场对应的损失判别因子集合;
第二获得模块,用于根据所述损失判别因子集合以及风电功率损失程度分类模型,获得所述目标风电场对应的风电功率损失程度等级;其中,所述风电功率损失程度分类模型是预先建立的;
第三获得模块,用于根据所述目标风电场对应的风电功率损失程度等级,获得所述目标风电场的预测输入数据以及所述目标风电场对应的风电功率预测模型;其中,所述风电功率预测模型是预先建立的,与风电功率损失程度等级对应;
预测模块,用于根据所述目标风电场的预测输入数据以及所述目标风电场对应的风电功率预测模型,预测所述目标风电场在所述特定天气下的输出功率。
第三方面,本发明提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述任一实施例所述的特定天气下的风电场的输出功率预测方法。
第四方面,本发明提供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任一实施例所述的特定天气下的风电场的输出功率预测方法。
本发明实施例提供的特定天气下的风电场的输出功率预测方法及装置,获取目标风电场的数值天气预报数据,若基于数值天气预报数据以及特定天气判断规则判断获知目标风电场遇到特定天气,则根据目标风电场在特定天气下的数值天气预报数据获得目标风电场对应的天气特征数据,并基于目标风电场对应的天气特征数据建立目标风电场对应的损失判别因子集合,根据损失判别因子集以及风电功率损失程度分类模型,获得目标风电场对应的风电功率损失程度等级,根据目标风电场对应的风电功率损失程度等级,获得目标风电场的预测输入数据以及目标风电场对应的风电功率预测模型,根据目标风电场的预测输入数据以及目标风电场对应的风电功率预测模型,预测目标风电场在特定天气下的输出功率,实现了风电场在特定天气下的输出功率的预测,通过目标风电场对应的风电功率损失程度等级,不同的风电功率损失程度等级采用不同的风电功率预测模型进行风电场输出功率的预测,提高了输出功率预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1是本发明第一实施例提供的特定天气下的风电场的输出功率预测方法的流程示意图。
图2是本发明第二实施例提供的特定天气下的风电场的输出功率预测方法的流程示意图。
图3是本发明第三实施例提供的特定天气下的风电场的输出功率预测方法的流程示意图。
图4是本发明第四实施例提供的特定天气下的风电场的输出功率预测方法的流程示意图。
图5是本发明第五实施例提供的特定天气下的风电场的输出功率预测装置的结构示意图。
图6是本发明第六实施例提供的特定天气下的风电场的输出功率预测装置的结构示意图。
图7是本发明第七实施例提供的特定天气下的风电场的输出功率预测装置的结构示意图。
图8是本发明第八实施例提供的特定天气下的风电场的输出功率预测装置的结构示意图。
图9是本发明第九实施例提供的特定天气下的风电场的输出功率预测装置的结构示意图。
图10是本发明第十实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
下面以服务器作为执行主体为例,对本发明实施例提供的特定天气下的风电场的输出功率预测方法的具体实现过程进行说明。其中,本发明实施例提供的特定天气下的风电场的输出功率预测方法的执行主体不限于服务器。
图1是本发明第一实施例提供的特定天气下的风电场的输出功率预测方法的流程示意图,如图1所示,本发明实施例提供的特定天气下的风电场的输出功率预测方法,包括:
S101、获取目标风电场的数值天气预报数据;
具体地,服务器可以获取目标风电场的数值天气预报(Numerical WeatherPrediction,简称NWP)数据。NWP数据包括气温、风速、风向、气压、湿度、降水量等基本天气因素。目标风电场是指要进行在特定天气进行输出功率预测的风电场。
S102、若基于所述数值天气预报数据以及特定天气判断规则判断获知所述目标风电场遇到特定天气,则根据所述目标风电场在特定天气下的数值天气预报数据获得所述目标风电场对应的天气特征数据,并基于所述目标风电场对应的天气特征数据建立所述目标风电场对应的损失判别因子集合;
具体地,所述服务器基于所述数值天气预报数据以及特定天气判断规则,判断所述目标风电场是否遇到特定天气,如果遇到特定天气,那么会根据所述目标风电场在特定天气下的NWP数据,获得所述目标风电场对应的天气特征数据,然后根据所述目标风电场对应的天气特征数据,建立所述目标风电场对应的损失判别因子集合,所述损失判别因子集合用于对所述目标风电场的风电功率损失程度等级进行预测。其中,所述天气特征数据可以包括特定天气的持续时长,特定天气持续时间内的最低温度值,特定天气对应的最大温度变化率等数据,根据实际需要进行设置,本发明实施例不做限定。参考风电场是指与所述目标风电场在场地理位置上相互毗邻的风电场,可以将所述目标风电场预设范围内的风电场作为参考风电场。参考风电场数量即目标风电场对应的参考风电场的总数。
S103、根据所述损失判别因子集合以及风电功率损失程度分类模型,获得所述目标风电场对应的风电功率损失程度等级;其中,所述风电功率损失程度分类模型是预先建立的;
具体地,所述服务器将所述损失判别因子集合输入到风电功率损失程度分类模型,获得所述目标风电场对应的风电功率损失程度等级,风电功率损失程度等级越高,目标风电场的输出功率损失越多,说明特定天气对目标风电场的发电影响越大。其中,所述风电功率损失程度分类模型是预先建立的。
S104、根据所述目标风电场对应的风电功率损失程度等级,获得所述目标风电场的预测输入数据以及所述目标风电场对应的风电功率预测模型;其中,所述风电功率预测模型是预先建立的,与风电功率损失程度等级对应;
具体地,不同的风电功率损失程度等级,所使用的预测输入数据不同,所采用的风电功率预测模型也不同。所述服务器根据目标风电场对应的风电功率损失程度等级,可以获得所述目标风电场的预测输入数据以及所述目标风电场对应的风电功率预测模型。其中,所述风电功率预测模型是预先建立的,与风电功率损失程度等级对应。所述预测输入数据包括天气因素和目标风电场的相关数据。
S105、根据所述目标风电场的预测输入数据以及所述目标风电场对应的风电功率预测模型,预测所述目标风电场在所述特定天气下的输出功率。
具体地,所述服务器将所述目标风电场的预测输入数据,输入到所述目标风电场对应的风电功率预测模型中,对所述目标风电场在所述特定天气下的输出功率进行预测,获得所述目标风电场在所述特定天气下的输出功率。
本发明实施例提供的特定天气下的风电场的输出功率预测方法,获取目标风电场的数值天气预报数据,若基于数值天气预报数据以及特定天气判断规则判断获知目标风电场遇到特定天气,则根据目标风电场在特定天气下的数值天气预报数据获得目标风电场对应的天气特征数据,并基于目标风电场对应的天气特征数据建立目标风电场对应的损失判别因子集合,根据损失判别因子集以及风电功率损失程度分类模型,获得目标风电场对应的风电功率损失程度等级,根据目标风电场对应的风电功率损失程度等级,获得目标风电场的预测输入数据以及目标风电场对应的风电功率预测模型,根据目标风电场的预测输入数据以及目标风电场对应的风电功率预测模型,预测目标风电场在特定天气下的输出功率,实现了风电场在特定天气下的输出功率的预测,通过目标风电场对应的风电功率损失程度等级,不同的风电功率损失程度等级采用不同的风电功率预测模型进行风电场输出功率的预测,提高了输出功率预测的准确性。通过风电场在特定天气下的输出功率的预测,能够为特定天气下的风电调度控制提供参考依据。
在上述各实施例的基础上,进一步地,所述特定天气判断规则包括:
未来24小时内气温降低第一预设值以上,并且24小时内的最低气温低于第一温度阈值;或者,未来48小时内气温降低第二预设值以上并且未来48小时内的最低温度低于第二温度阈值。
具体地,所述服务器从目标风电场的数值天气预报数据NWP数据中获取当前时刻起未来24小时的温度数据,如果未来24小时之内温度相对于待比较温度下降数值大于第一预设值,并且未来24小时之内的最低气温小于第一温度阈值,那么可以确定所述目标风电场遇到特定天气。其中,待比较温度根据实际需要进行设置,比如设置为当前时刻对应的温度,本发明实施例不做限定。所述第一预设值和所述第一温度阈值,根据实际需要进行设置,本发明实施例不做限定。比如第一预设值为10℃,第一温度阈值为4℃。
所述服务器从目标风电场的数值天气预报数据NWP数据中获取当前时刻起未来48小时的温度数据,如果未来48小时之内温度相对于待比较温度下降数值大于第二预设值,并且未来48小时之内的最低气温小于第二温度阈值,那么可以确定所述目标风电场遇到特定天气。其中,待比较温度根据实际需要进行设置,比如设置为当前时刻对应的温度,本发明实施例不做限定。所述第二预设值和所述第二温度阈值,根据实际需要进行设置,本发明实施例不做限定。比如第二预设值为12℃,第二温度阈值为4℃。
满足未来24小时内气温降低第一预设值以上,并且24小时内的最低气温低于第一温度阈值;或者,未来48小时内气温降低第二预设值以上并且未来48小时内的最低温度低于第二温度阈值的天气事件,可以称为极低温天气事件,对应的特定天气可以称为极低温天气。
可以设定极低温天气事件的时间起点为气温开始大幅下降的最高温度对应的时间点,终止时间为气温恢复至阈值以上。气温开始大幅下降是指24小时内气温降低第一预设值以上或者48小时内气温降低第二预设值以上。气温恢复至阈值以上是指温度大于第一温度阈值或者第二温度阈值。
极低温天气的持续时长可以通过计算极低温天气事件的终止时间与极低温天气事件的时间起点的时间间隔获得。极低温天气的最低温度值可以通过获取未来24小时内的最低气温或者未来48小时内的最低气温获得。极低温天气的最大温度变化率等于气温大幅下降阶段的最高温度与最低温度之差与极低温天气的持续时长的百分比。气温大幅下降阶段即24小时内气温降低第一预设值以上或者48小时内气温降低第二预设值以上的阶段。
图2是本发明第二实施例提供的特定天气下的风电场的输出功率预测方法的流程示意图,如图2所示,在上述各实施例的基础上,进一步地,建立所述风电功率损失程度分类模型的步骤包括:
S201、获取损失判别因子样本集以及对应的风电功率损失分类标签;
具体地,所述服务器可以获取损失判别因子样本集以及损失判别因子样本集对应的风电功率损失分类标签。其中,所述风电功率损失分类标签与风电功率损失程度等级相对应。
例如,风电功率损失程度等级有三个等级,风电功率损失分类标签会有三类,每种风电功率损失分类标签唯一对应一个风电功率损失程度等级。
S202、根据分类初始模型、损失判别因子样本集以及对应的分类标签,训练获得所述风电功率损失程度分类模型。
具体地,所述服务器损失判别因子样本集以及对应的分类标签,对分类初始模型进行训练,可以训练获得所述风电功率损失程度分类模型。其中,所述分类初始模型可以采用分类树模型,根据实际需要进行选择,本发明实施例不做限定。模型的具体训练过程为现有技术,此处不进行赘述。
图3是本发明第三实施例提供的特定天气下的风电场的输出功率预测方法的流程示意图,如图3所示,在上述各实施例的基础上,进一步地,所述获取损失判别因子样本集以及对应的风电功率损失分类标签包括:
S301、获取第一样本风电场的历史数值天气预报数据;其中,所述第一样本风电场包括所述目标风电场以及所述目标风电场预设范围内的风电场;
具体地,可以采集目标风电场以及所述目标风电场预设范围内的各个风电场的历史数值天气预报数据,作为第一样本风电场的历史数值天气预报数据。所述服务器可以获取第一样本风电场的历史数值天气预报数据。
S302、基于所述第一样本风电场的历史数值天气预报数据以及特定天气判断规则,筛选获得第二样本风电场;其中,所述第二样本风电场包括所述目标风电场;
具体地,所述服务器基于所述第一样本风电场的历史数值天气预报数据以及特定天气判断规则,对第一样本风电场进行筛选,筛选出遇到特定天气的第一样本风电场作为第二样本风电场。其中,所述第二样本风电场包括所述目标风电场。
S303、根据每个第二样本风电场在特定天气下的历史数值天气预报数据,获得每个第二样本风电场对应的历史天气特征数据,并基于每个第二样本风电场对应的历史天气特征数据建立每个第二样本风电场的损失判别因子集合;
具体地,对于每个第二样本风电场,从第二样本风电场的历史数值天气预报数据中可以获得每个第二样本风电场在特定天气下的历史数值天气预报数据,然后基于每个第二样本风电场对应的历史天气特征数据建立每个第二样本风电场的损失判别因子集合。
S304、根据每个第二样本风电场在特定天气下的风速、风电机组数据以及风电场风电功率理论值计算模型,获得每个第二样本风电场的理论输出功率;其中,风电场风电功率理论值计算模型是预先建立的;
具体地,对于每个第二样本风电场,所述服务器将所述第二样本风电场在特定天气下的风速,以及所述第二样本风电场的风电机组数据输入到风电场风电功率理论值计算模型中,可以计算获得第二样本风电场的理论输出功率。其中,风电场风电功率理论值计算模型是预先建立的。
风电功率与风速的转换关系下式所示:
(1)
其中,表示风电机组的理论输出功率,/>表示风电机组的切入风速,/>表示风电机组的额定风速,/>表示风电机组的切出风速;/>表示风电场的风速,单位可以采用m/s;/>表示风机的风能利用系数,无量纲;/>表示风电机组的叶片扫风面积,单位可以采用m2;/>表示空气密度,单位可以采用kg/m3;
风电场包括多台风电机组,将风电场的各台风电机组的理论输出功率相加,获得风电场的理论输出功率。
(2)
其中,表示风电场的理论输出功率,/>表示风电场的第j台风电机组的理论输出功率,N表示风电场包括的风电机组的总数。
基于上述公式(1)和公式(2)即可建立风电场风电功率理论值计算模型。
S305、根据每个第二样本风电场的理论输出功率、每个第二样本风电场的实际输出功率以及每个第二样本风电场的装机容量,获得每个第二样本风电场的损失程度判定指标值;
具体地,对于每个第二样本风电场,所述服务器根据每个第二样本风电场的理论输出功率、每个第二样本风电场的实际输出功率以及每个第二样本风电场的装机容量,获得每个第二样本风电场的损失程度判定指标值。
基于风电场的理论出力值,研究特定天气下风电场出力损失情况,设置风电功率损失程度判定指标值根据公式(3)计算获得。
(3)
其中,表示损失程度判定指标值,/>表示第i时刻对应的风电场的理论输出功率,表示第i时刻对应的风电场的风电功率实际值,/>表示风电场装机容量,n表示特定天气下的采样总数量。
S306、根据每个第二样本风电场的损失程度判定指标值以及风电功率损失程度分类等级表,获得每个第二样本风电场对应的风电功率损失分类标签;其中,风电功率损失程度分类等级表是预设的。
具体地,对于每个第二样本风电场,所述服务器根据第二样本风电场的损失程度判定指标值查询风电功率损失程度分类等级表,风电功率损失程度分类等级表包括各种风电功率损失分类标签对应的取值范围,基于第二样本风电场的损失程度判定指标值对应的取值范围,获得每个第二样本风电场对应的风电功率损失分类标签。其中,风电功率损失程度分类等级表是预设的。
例如,表1为风电功率损失程度分类等级表,如表1所示,风电功率损失程度分为三个等级:0级、1级和2级,0级表明风电场的输出功率波动程度较小,风电场正常运行;1级表明风电场的出现功率损失,存在弃风现象;2级表明风电场出现大面积风机停机或脱网。每个损失程度等级分别对应一个风电功率损失分类标签。每个损失程度等级分别对应一个损失程度判定指标值的取值范围。
表1 风电功率损失程度分类等级表
S307、基于各个第二样本风电场对应的损失判别因子集合建立所述损失判别因子样本集,并且将每个第二样本风电场对应的风电功率损失分类标签作为所述损失判别因子样本集中对应的第二样本风电场的损失判别因子集合对应的风电功率损失分类标签。
具体地,所述服务器将各个第二样本风电场对应的损失判别因子集合,组成所述损失判别因子样本集,并将每个第二样本风电场对应的风电功率损失分类标签作为每个第二样本风电场对应第二样本风电场的损失判别因子集合对应的风电功率损失分类标签,从而获得损失判别因子样本集以及对应的风电功率损失分类标签。
图4是本发明第四实施例提供的特定天气下的风电场的输出功率预测方法的流程示意图,如图4所示,在上述各实施例的基础上,进一步地,建立与风电功率损失程度等级对应的风电功率预测模型的步骤包括:
S401、若所述风电功率损失分类标签属于第一类型,则获取每种风电功率损失分类标签对应的第二样本风电场在特定天气下的历史数值天气预报数据;
具体地,对于第一类型的风电功率损失分类标签,需要通过模型训练的方式建立风电功率损失程度等级对应的风电功率预测模型。如果所述风电功率损失分类标签属于第一类型,那么所述服务器获取每种风电功率损失分类标签对应的第二样本风电场在特定天气下的历史数值天气预报数据。不同种类的风电功率损失分类标签,对应的风电功率预测模型的训练过程有所差别。
S402、对每种风电功率损失分类标签对应的第二样本风电场在特定天气下的历史数值天气预报数据进行气象因子指标筛选,获得每种风电功率损失分类标签对应的主要气象因子;
具体地,所述服务器可以对每种风电功率损失分类标签对应的第二样本风电场在特定天气下的历史数值天气预报数据进行气象因子指标筛选,获得每种风电功率损失分类标签对应的主要气象因子。
其中,第二样本风电场在特定天气下的历史数值天气预报数据包括气温、风速、风向、气压等气象因子指标,利用熵权法得到每种风电功率损失分类标签对应的主要气象因子。
S403、根据每种风电功率损失分类标签对应的各个第二样本风电场的主要气象因子、风电场装机容量和实际输出功率,建立每种风电功率损失分类标签对应的模型训练样本数据;
具体地,对于每种风电功率损失分类标签,所述服务器以风电功率损失分类标签对应的各个第二样本风电场的主要气象因子和风电场装机容量为样本数据,以第二样本风电场的实际输出功率作为标签,建立风电功率损失分类标签对应的模型训练样本数据。
S404、根据每种风电功率损失分类标签对应的模型训练样本数据以及预测原始模型,训练获得每种风电功率损失分类标签对应的风电功率预测模型。
具体地,对于每种风电功率损失分类标签,所述服务器根据风电功率损失分类标签对应的模型训练样本数据,对预测原始模型进行训练,可以训练获得风电功率损失分类标签对应的风电功率预测模型,由于风电功率损失分类标签与风电功率损失程度等级一一对应,风电功率损失分类标签对应的风电功率预测模型即风电功率损失程度等级对应的风电功率预测模型。不同的风电功率损失分类标签对应的风电功率预测模型不同。其中,预测原始模型可以采用深度学习神经网络模型,根据实际需要进行设置,本发明实施例不做限定。
例如,采用神经网络模型中的反向传播网络模型作为预测原始模型。
进一步地,可以将风电功率损失分类标签对应的模型训练样本数据分为目标风电场的模型训练样本数据和目标风电场对应的参考风电场的模型训练样本数据,通过目标风电场对应的参考风电场的模型训练样本数据进行预训练,获得预训练模型;再通过目标风电场的模型训练样本数据更新预训练模型的模型参数,获得风电功率损失分类标签对应的风电功率预测模型。通过迁移学习的方式,训练获得风电功率损失分类标签对应的风电功率预测模型,降低了对目标风电场的模型训练样本数据的数据量的要求,从而避免由于目标风电场的数据不充足,无法完成模型训练的情况。
在上述各实施例的基础上,进一步地,建立与风电功率损失程度等级对应的风电功率预测模型的步骤包括:
若所述风电功率损失分类标签属于第二类型,则将风电场风电功率理论值计算模型作为风电功率预测模型。
具体地,对于第二类型的风电功率损失分类标签,可以直接将风电场风电功率理论值计算模型作为风电功率预测模型,直接采用目标风电场的风速作为模型的输入数据。
例如,表1中,风电功率损失分类标签0,表明风电场的输出功率波动程度较小,风电场正常运行,可以直接采用风电场风电功率理论值计算模型作为风电功率损失分类标签0对应的风电功率预测模型。风电功率损失分类标签1和风电功率损失分类标签2对应的风电功率预测模型,需要通过模型训练的方式获得。
图5是本发明第五实施例提供的特定天气下的风电场的输出功率预测装置的结构示意图,如图5所示,本发明实施例提供的特定天气下的风电场的输出功率预测方法包括第一获取模块501、第一获得模块502、第二获得模块503、第三获得模块504和预测模块505,其中:
第一获取模块501用于获取目标风电场的数值天气预报数据;第一获得模块502用于若基于所述数值天气预报数据以及特定天气判断规则判断获知所述目标风电场遇到特定天气,则根据所述目标风电场在特定天气下的数值天气预报数据获得所述目标风电场对应的天气特征数据,并基于所述目标风电场对应的天气特征数据建立所述目标风电场对应的损失判别因子集合;第二获得模块503用于根据所述损失判别因子集合以及风电功率损失程度分类模型,获得所述目标风电场对应的风电功率损失程度等级;其中,所述风电功率损失程度分类模型是预先建立的;第三获得模块504用于根据所述目标风电场对应的风电功率损失程度等级,获得所述目标风电场的预测输入数据以及所述目标风电场对应的风电功率预测模型;其中,所述风电功率预测模型是预先建立的,与风电功率损失程度等级对应;预测模块505用于根据所述目标风电场的预测输入数据以及所述目标风电场对应的风电功率预测模型,预测所述目标风电场在所述特定天气下的输出功率。
具体地,第一获取模块501可以获取目标风电场的NWP数据。NWP数据包括气温、风速、风向、气压、湿度、降水量等基本天气因素。目标风电场是指要进行在特定天气进行输出功率预测的风电场。
第一获得模块502基于所述数值天气预报数据以及特定天气判断规则,判断所述目标风电场是否遇到特定天气,如果遇到特定天气,那么会根据所述目标风电场在特定天气下的NWP数据,获得所述目标风电场对应的天气特征数据,然后根据所述目标风电场对应的天气特征数据,建立所述目标风电场对应的损失判别因子集合,所述损失判别因子集合用于对所述目标风电场的风电功率损失程度等级进行预测。其中,所述天气特征数据可以包括特定天气的持续时长,特定天气持续时间内的最低温度值,特定天气对应的最大温度变化率等数据,根据实际需要进行设置,本发明实施例不做限定。参考风电场是指与所述目标风电场在场地理位置上相互毗邻的风电场,可以将所述目标风电场预设范围内的风电场作为参考风电场。参考风电场数量即目标风电场对应的参考风电场的总数。
第二获得模块503将所述损失判别因子集合输入到风电功率损失程度分类模型,获得所述目标风电场对应的风电功率损失程度等级,风电功率损失程度等级越高,目标风电场的输出功率损失越多,说明特定天气对目标风电场的发电影响越大。其中,所述风电功率损失程度分类模型是预先建立的。
不同的风电功率损失程度等级,所使用的预测输入数据不同,所采用的风电功率预测模型也不同。第三获得模块504根据目标风电场对应的风电功率损失程度等级,可以获得所述目标风电场的预测输入数据以及所述目标风电场对应的风电功率预测模型。其中,所述风电功率预测模型是预先建立的,与风电功率损失程度等级对应。所述预测输入数据包括天气因素和目标风电场的相关数据。
预测模块505将所述目标风电场的预测输入数据,输入到所述目标风电场对应的风电功率预测模型中,对所述目标风电场在所述特定天气下的输出功率进行预测,获得所述目标风电场在所述特定天气下的输出功率。
本发明实施例提供的特定天气下的风电场的输出功率预测装置,获取目标风电场的数值天气预报数据,若基于数值天气预报数据以及特定天气判断规则判断获知目标风电场遇到特定天气,则根据目标风电场在特定天气下的数值天气预报数据获得目标风电场对应的天气特征数据,并基于目标风电场对应的天气特征数据建立目标风电场对应的损失判别因子集合,根据损失判别因子集以及风电功率损失程度分类模型,获得目标风电场对应的风电功率损失程度等级,根据目标风电场对应的风电功率损失程度等级,获得目标风电场的预测输入数据以及目标风电场对应的风电功率预测模型,根据目标风电场的预测输入数据以及目标风电场对应的风电功率预测模型,预测目标风电场在特定天气下的输出功率,实现了风电场在特定天气下的输出功率的预测,通过目标风电场对应的风电功率损失程度等级,不同的风电功率损失程度等级采用不同的风电功率预测模型进行风电场输出功率的预测,提高了输出功率预测的准确性。通过风电场在特定天气下的输出功率的预测,能够为特定天气下的风电调度控制提供参考依据。
在上述各实施例的基础上,进一步地,所述特定天气判断规则包括:
未来24小时内气温降低第一预设值以上,并且24小时内的最低气温低于第一温度阈值;或者,未来48小时内气温降低第二预设值以上并且未来48小时内的最低温度低于第二温度阈值。
图6是本发明第六实施例提供的特定天气下的风电场的输出功率预测装置的结构示意图,如图6所示,本发明实施例提供的特定天气下的风电场的输出功率预测装置还包括:
第二获取模块506用于获取损失判别因子样本集以及对应的风电功率损失分类标签;第一训练模块507用于根据分类初始模型、损失判别因子样本集以及对应的分类标签,训练获得所述风电功率损失程度分类模型。
图7是本发明第七实施例提供的特定天气下的风电场的输出功率预测装置的结构示意图,如图7所示,在上述各实施例的基础上,进一步地,第二获取模块506包括获取单元5061、筛选单元5062、建立单元5063、第一获得单元5064、第二获得单元5065、第三获得单元5066和作为单元5067,其中:
获取单元5061用于获取第一样本风电场的历史数值天气预报数据;其中,所述第一样本风电场包括所述目标风电场以及所述目标风电场预设范围内的风电场;筛选单元5062用于基于所述第一样本风电场的历史数值天气预报数据以及特定天气判断规则,筛选获得第二样本风电场;其中,所述第二样本风电场包括所述目标风电场;建立单元5063用于根据每个第二样本风电场在特定天气下的历史数值天气预报数据,获得每个第二样本风电场对应的历史天气特征数据,并基于每个第二样本风电场对应的历史天气特征数据建立每个第二样本风电场的损失判别因子集合;第一获得单元5064用于根据每个第二样本风电场在特定天气下的风速、风电机组数据以及风电场风电功率理论值计算模型,获得每个第二样本风电场的理论输出功率;其中,风电场风电功率理论值计算模型是预先建立的;第二获得单元5065用于根据每个第二样本风电场的理论输出功率、每个第二样本风电场的实际输出功率以及每个第二样本风电场的装机容量,获得每个第二样本风电场的损失程度判定指标值;第三获得单元5066用于根据每个第二样本风电场的损失程度判定指标值以及风电功率损失程度分类等级表,获得每个第二样本风电场对应的风电功率损失分类标签;其中,风电功率损失程度分类等级表是预设的;作为单元5067用于基于各个第二样本风电场对应的损失判别因子集合建立所述损失判别因子样本集,并且将每个第二样本风电场对应的风电功率损失分类标签作为所述损失判别因子样本集中对应的第二样本风电场的损失判别因子集合对应的风电功率损失分类标签。
图8是本发明第八实施例提供的特定天气下的风电场的输出功率预测装置的结构示意图,如图8所示,在上述各实施例的基础上,进一步地,本发明实施例提供的特定天气下的风电场的输出功率预测装置还包括第三获取模块508、筛选模块509、第一建立模块510和第二训练模块511,其中:
第三获取模块508用于若所述风电功率损失分类标签属于第一类型,则获取每种风电功率损失分类标签对应的第二样本风电场在特定天气下的历史数值天气预报数据;筛选模块509用于对每种风电功率损失分类标签对应的第二样本风电场在特定天气下的历史数值天气预报数据进行气象因子指标筛选,获得每种风电功率损失分类标签对应的主要气象因子;第一建立模块510用于根据每种风电功率损失分类标签对应的各个第二样本风电场的主要气象因子、风电场装机容量和实际输出功率,建立每种风电功率损失分类标签对应的模型训练样本数据;第二训练模块511用于根据每种风电功率损失分类标签对应的模型训练样本数据以及预测原始模型,训练获得每种风电功率损失分类标签对应的风电功率预测模型。
图9是本发明第九实施例提供的特定天气下的风电场的输出功率预测装置的结构示意图,如图9所示,在上述各实施例的基础上,进一步地,本发明实施例提供的特定天气下的风电场的输出功率预测装置还包括第二建立模块512,其中:
第二建立模块512用于若所述风电功率损失分类标签属于第二分类,则将风电场风电功率理论值计算模型作为风电功率预测模型。
本发明实施例提供的装置的实施例具体可以用于执行上述各方法实施例的处理流程,其功能在此不再赘述,可以参照上述方法实施例的详细描述。
图10是本发明第十实施例提供的电子设备的实体结构示意图,如图10所示,该电子设备可以包括:处理器(processor)1001、通信接口(Communications Interface)1002、存储器(memory)1003和通信总线1004,其中,处理器1001,通信接口1002,存储器1003通过通信总线1004完成相互间的通信。处理器1001可以调用存储器1003中的逻辑指令,以执行如下方法:获取目标风电场的数值天气预报数据;若基于所述数值天气预报数据以及特定天气判断规则判断获知所述目标风电场遇到特定天气,则根据所述目标风电场在特定天气下的数值天气预报数据获得所述目标风电场对应的天气特征数据,并基于所述目标风电场对应的天气特征数据建立所述目标风电场对应的损失判别因子集合;根据所述损失判别因子集合以及风电功率损失程度分类模型,获得所述目标风电场对应的风电功率损失程度等级;其中,所述风电功率损失程度分类模型是预先建立的;根据所述目标风电场对应的风电功率损失程度等级,获得所述目标风电场的预测输入数据以及所述目标风电场对应的风电功率预测模型;其中,所述风电功率预测模型是预先建立的,与风电功率损失程度等级对应;根据所述目标风电场的预测输入数据以及所述目标风电场对应的风电功率预测模型,预测所述目标风电场在所述特定天气下的输出功率。
此外,上述的存储器1003中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取目标风电场的数值天气预报数据;若基于所述数值天气预报数据以及特定天气判断规则判断获知所述目标风电场遇到特定天气,则根据所述目标风电场在特定天气下的数值天气预报数据获得所述目标风电场对应的天气特征数据,并基于所述目标风电场对应的天气特征数据建立所述目标风电场对应的损失判别因子集合;根据所述损失判别因子集合以及风电功率损失程度分类模型,获得所述目标风电场对应的风电功率损失程度等级;其中,所述风电功率损失程度分类模型是预先建立的;根据所述目标风电场对应的风电功率损失程度等级,获得所述目标风电场的预测输入数据以及所述目标风电场对应的风电功率预测模型;其中,所述风电功率预测模型是预先建立的,与风电功率损失程度等级对应;根据所述目标风电场的预测输入数据以及所述目标风电场对应的风电功率预测模型,预测所述目标风电场在所述特定天气下的输出功率。
本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存储计算机程序,所述计算机程序使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取目标风电场的数值天气预报数据;若基于所述数值天气预报数据以及特定天气判断规则判断获知所述目标风电场遇到特定天气,则根据所述目标风电场在特定天气下的数值天气预报数据获得所述目标风电场对应的天气特征数据,并基于所述目标风电场对应的天气特征数据建立所述目标风电场对应的损失判别因子集合;根据所述损失判别因子集合以及风电功率损失程度分类模型,获得所述目标风电场对应的风电功率损失程度等级;其中,所述风电功率损失程度分类模型是预先建立的;根据所述目标风电场对应的风电功率损失程度等级,获得所述目标风电场的预测输入数据以及所述目标风电场对应的风电功率预测模型;其中,所述风电功率预测模型是预先建立的,与风电功率损失程度等级对应;根据所述目标风电场的预测输入数据以及所述目标风电场对应的风电功率预测模型,预测所述目标风电场在所述特定天气下的输出功率。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在本说明书的描述中,参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“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。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (14)
1.一种特定天气下的风电场的输出功率预测方法,其特征在于,包括:
获取目标风电场的数值天气预报数据;
若基于所述数值天气预报数据以及特定天气判断规则判断获知所述目标风电场遇到特定天气,则根据所述目标风电场在特定天气下的数值天气预报数据获得所述目标风电场对应的天气特征数据,并基于所述目标风电场对应的天气特征数据建立所述目标风电场对应的损失判别因子集合;
根据所述损失判别因子集合以及风电功率损失程度分类模型,获得所述目标风电场对应的风电功率损失程度等级;其中,所述风电功率损失程度分类模型是预先建立的;
根据所述目标风电场对应的风电功率损失程度等级,获得所述目标风电场的预测输入数据以及所述目标风电场对应的风电功率预测模型;其中,所述风电功率预测模型是预先建立的,与风电功率损失程度等级对应;
根据所述目标风电场的预测输入数据以及所述目标风电场对应的风电功率预测模型,预测所述目标风电场在所述特定天气下的输出功率。
2.根据权利要求1所述的方法,其特征在于,所述特定天气判断规则包括:
未来24小时内气温降低了第一预设值以上,并且24小时内的最低气温低于第一温度阈值;或者,未来48小时内气温降低了第二预设值以上并且未来48小时内的最低温度低于第二温度阈值。
3.根据权利要求1所述的方法,其特征在于,建立所述风电功率损失程度分类模型的步骤包括:
获取损失判别因子样本集以及对应的风电功率损失分类标签;
根据分类初始模型、损失判别因子样本集以及对应的分类标签,训练获得所述风电功率损失程度分类模型。
4.根据权利要求3所述的方法,其特征在于,所述获取损失判别因子样本集以及对应的风电功率损失分类标签包括:
获取第一样本风电场的历史数值天气预报数据;其中,所述第一样本风电场包括所述目标风电场以及所述目标风电场预设范围内的风电场;
基于所述第一样本风电场的历史数值天气预报数据以及特定天气判断规则,筛选获得第二样本风电场;其中,所述第二样本风电场包括所述目标风电场;
根据每个第二样本风电场在特定天气下的历史数值天气预报数据,获得每个第二样本风电场对应的历史天气特征数据,并基于每个第二样本风电场对应的历史天气特征数据建立每个第二样本风电场的损失判别因子集合;
根据每个第二样本风电场在特定天气下的风速、风电机组数据以及风电场风电功率理论值计算模型,获得每个第二样本风电场的理论输出功率;其中,风电场风电功率理论值计算模型是预先建立的;
根据每个第二样本风电场的理论输出功率、每个第二样本风电场的实际输出功率以及每个第二样本风电场的装机容量,获得每个第二样本风电场的损失程度判定指标值;
根据每个第二样本风电场的损失程度判定指标值以及风电功率损失程度分类等级表,获得每个第二样本风电场对应的风电功率损失分类标签;其中,风电功率损失程度分类等级表是预设的;
基于各个第二样本风电场对应的损失判别因子集合建立所述损失判别因子样本集,并且将每个第二样本风电场对应的风电功率损失分类标签作为所述损失判别因子样本集中对应的第二样本风电场的损失判别因子集合对应的风电功率损失分类标签。
5.根据权利要求3所述的方法,其特征在于,建立与风电功率损失程度等级对应的风电功率预测模型的步骤包括:
若所述风电功率损失分类标签属于第一类型,则获取每种风电功率损失分类标签对应的第二样本风电场在特定天气下的历史数值天气预报数据;
对每种风电功率损失分类标签对应的第二样本风电场在特定天气下的历史数值天气预报数据进行气象因子指标筛选,获得每种风电功率损失分类标签对应的主要气象因子;
根据每种风电功率损失分类标签对应的各个第二样本风电场的主要气象因子、风电场装机容量和实际输出功率,建立每种风电功率损失分类标签对应的模型训练样本数据;
根据每种风电功率损失分类标签对应的模型训练样本数据以及预测原始模型,训练获得每种风电功率损失分类标签对应的风电功率预测模型。
6.根据权利要求3所述的方法,其特征在于,建立与风电功率损失程度等级对应的风电功率预测模型的步骤包括:
若所述风电功率损失分类标签属于第二分类,则将风电场风电功率理论值计算模型作为风电功率预测模型。
7.一种特定天气下的风电场的输出功率预测装置,其特征在于,包括:
第一获取模块,用于获取目标风电场的数值天气预报数据;
第一获得模块,用于若基于所述数值天气预报数据以及特定天气判断规则判断获知所述目标风电场遇到特定天气,则根据所述目标风电场在特定天气下的数值天气预报数据获得所述目标风电场对应的天气特征数据,并基于所述目标风电场对应的天气特征数据建立所述目标风电场对应的损失判别因子集合;
第二获得模块,用于根据所述损失判别因子集合以及风电功率损失程度分类模型,获得所述目标风电场对应的风电功率损失程度等级;其中,所述风电功率损失程度分类模型是预先建立的;
第三获得模块,用于根据所述目标风电场对应的风电功率损失程度等级,获得所述目标风电场的预测输入数据以及所述目标风电场对应的风电功率预测模型;其中,所述风电功率预测模型是预先建立的,与风电功率损失程度等级对应;
预测模块,用于根据所述目标风电场的预测输入数据以及所述目标风电场对应的风电功率预测模型,预测所述目标风电场在所述特定天气下的输出功率。
8.根据权利要求7所述的装置,其特征在于,所述特定天气判断规则包括:
未来24小时内气温降低了第一预设值以上,并且24小时内的最低气温低于第一温度阈值;或者,未来48小时内气温降低了第二预设值以上并且未来48小时内的最低温度低于第二温度阈值。
9.根据权利要求7所述的装置,其特征在于,还包括:
第二获取模块,用于获取损失判别因子样本集以及对应的风电功率损失分类标签;
第一训练模块,用于根据分类初始模型、损失判别因子样本集以及对应的分类标签,训练获得所述风电功率损失程度分类模型。
10.根据权利要求9所述的装置,其特征在于,所述第二获取模块包括:
获取单元,用于获取第一样本风电场的历史数值天气预报数据;其中,所述第一样本风电场包括所述目标风电场以及所述目标风电场预设范围内的风电场;
筛选单元,用于基于所述第一样本风电场的历史数值天气预报数据以及特定天气判断规则,筛选获得第二样本风电场;其中,所述第二样本风电场包括所述目标风电场;
建立单元,用于根据每个第二样本风电场在特定天气下的历史数值天气预报数据,获得每个第二样本风电场对应的历史天气特征数据,并基于每个第二样本风电场对应的历史天气特征数据建立每个第二样本风电场的损失判别因子集合;
第一获得单元,用于根据每个第二样本风电场在特定天气下的风速、风电机组数据以及风电场风电功率理论值计算模型,获得每个第二样本风电场的理论输出功率;其中,风电场风电功率理论值计算模型是预先建立的;
第二获得单元,用于根据每个第二样本风电场的理论输出功率、每个第二样本风电场的实际输出功率以及每个第二样本风电场的装机容量,获得每个第二样本风电场的损失程度判定指标值;
第三获得单元,用于根据每个第二样本风电场的损失程度判定指标值以及风电功率损失程度分类等级表,获得每个第二样本风电场对应的风电功率损失分类标签;其中,风电功率损失程度分类等级表是预设的;
作为单元,用于基于各个第二样本风电场对应的损失判别因子集合建立所述损失判别因子样本集,并且将每个第二样本风电场对应的风电功率损失分类标签作为所述损失判别因子样本集中对应的第二样本风电场的损失判别因子集合对应的风电功率损失分类标签。
11.根据权利要求9所述的装置,其特征在于,还包括:
第三获取模块,用于若所述风电功率损失分类标签属于第一类型,则获取每种风电功率损失分类标签对应的第二样本风电场在特定天气下的历史数值天气预报数据;
筛选模块,用于对每种风电功率损失分类标签对应的第二样本风电场在特定天气下的历史数值天气预报数据进行气象因子指标筛选,获得每种风电功率损失分类标签对应的主要气象因子;
第一建立模块,用于根据每种风电功率损失分类标签对应的各个第二样本风电场的主要气象因子、风电场装机容量和实际输出功率,建立每种风电功率损失分类标签对应的模型训练样本数据;
第二训练模块,用于根据每种风电功率损失分类标签对应的模型训练样本数据以及预测原始模型,训练获得每种风电功率损失分类标签对应的风电功率预测模型。
12.根据权利要求9所述的装置,其特征在于,还包括:
第二建立模块,用于若所述风电功率损失分类标签属于第二分类,则将风电场风电功率理论值计算模型作为风电功率预测模型。
13.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,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任一项所述方法的步骤。
14.一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任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310507063.5A CN116307257B (zh) | 2023-05-08 | 2023-05-08 | 一种特定天气下的风电场的输出功率预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310507063.5A CN116307257B (zh) | 2023-05-08 | 2023-05-08 | 一种特定天气下的风电场的输出功率预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116307257A CN116307257A (zh) | 2023-06-23 |
CN116307257B true CN116307257B (zh) | 2023-08-04 |
Family
ID=86801559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310507063.5A Active CN116307257B (zh) | 2023-05-08 | 2023-05-08 | 一种特定天气下的风电场的输出功率预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307257B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117638926B (zh) * | 2024-01-25 | 2024-04-05 | 国能日新科技股份有限公司 | 基于覆冰与功率耦合建模的新能源功率预测方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202127251U (zh) * | 2011-07-18 | 2012-01-25 | 王悦 | 一种风电功率预测系统 |
CN104021424B (zh) * | 2013-02-28 | 2018-12-07 | 乌托巴斯洞察公司 | 用于预测风场中的风机的输出功率的方法和装置 |
CN106327026A (zh) * | 2016-10-19 | 2017-01-11 | 云南电网有限责任公司电力科学研究院 | 一种风功率预测优化方法 |
CN113937763B (zh) * | 2021-10-14 | 2023-09-26 | 远景智能国际私人投资有限公司 | 风电功率预测方法、装置、设备及存储介质 |
-
2023
- 2023-05-08 CN CN202310507063.5A patent/CN116307257B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116307257A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021238505A1 (zh) | 基于联邦学习的区域光伏功率概率预测方法及协同调控系统 | |
CN103268366B (zh) | 一种适用于分散式风电场的组合风电功率预测方法 | |
TWI476430B (zh) | 具極端風速預測功能之風能預報方法 | |
CN103902837B (zh) | 一种基于经验Copula函数进行风速预测的方法 | |
CN103679282B (zh) | 风电功率爬坡的预测方法 | |
CN104299044A (zh) | 基于聚类分析的风功率短期预测系统及预测方法 | |
CN104915737A (zh) | 基于风险控制含大规模风电的电力系统协调经济调度方法 | |
CN102184453A (zh) | 基于模糊神经网络和支持向量机的风电功率组合预测方法 | |
CN104319807B (zh) | 一种基于Copula函数获取多风电场容量可信度的方法 | |
CN115425680B (zh) | 一种多能源联合发电系统的功率预测模型构建及预测方法 | |
CN116307257B (zh) | 一种特定天气下的风电场的输出功率预测方法及装置 | |
Xia et al. | Neuro-fuzzy networks for short-term wind power forecasting | |
CN102479347B (zh) | 基于数据驱动的风电场短期风速预测方法和系统 | |
CN109636066A (zh) | 一种基于模糊时间序列挖掘的风电输出功率预测方法 | |
CN102509026A (zh) | 基于最大信息熵原理的风电场短期输出功率预测综合模型 | |
Dongmei et al. | Research on wind power forecasting in wind farms | |
Dokur et al. | Hybrid model for short term wind speed forecasting using empirical mode decomposition and artificial neural network | |
CN109242200A (zh) | 一种贝叶斯网络预测模型的风电功率区间预测方法 | |
CN107256437B (zh) | 一种光伏电站超短期辐照度预测方法及系统 | |
CN104166777A (zh) | 计及多重相关性的风速矢量数据模拟生成方法 | |
CN109101659A (zh) | 一种小水电数据采集系统中功率数据异常的方法 | |
CN108233357A (zh) | 基于非参数概率预测及风险期望的风电日前消纳优化方法 | |
CN109783774A (zh) | 一种温度集合预报方法及系统 | |
CN107846034A (zh) | 一种平抑风电场爬坡率的储能出力控制方法 | |
Lijuan et al. | A novel model for wind power forecasting based on Markov residual correction |
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 |