CN116613738A - 风机出力预测方法、装置、设备、介质及程序产品 - Google Patents
风机出力预测方法、装置、设备、介质及程序产品 Download PDFInfo
- Publication number
- CN116613738A CN116613738A CN202310558688.4A CN202310558688A CN116613738A CN 116613738 A CN116613738 A CN 116613738A CN 202310558688 A CN202310558688 A CN 202310558688A CN 116613738 A CN116613738 A CN 116613738A
- Authority
- CN
- China
- Prior art keywords
- fan output
- data
- fan
- time
- target
- 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 61
- 238000012549 training Methods 0.000 claims abstract description 39
- 230000009194 climbing Effects 0.000 claims abstract description 27
- 238000010276 construction Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000013523 data management Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 238000010248 power generation Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 17
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000001932 seasonal effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
- 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种风机出力预测方法、装置、设备、介质及程序产品,包括:根据历史时间的风机出力数据构建目标风机出力时间序列;根据所述历史时间的风机出力数据和所述目标出力时间序列训练NeralProphet模型,得到风机出力预测模型;根据所述风机出力预测模型,预测待测时间内目标风机是否发生风电爬坡事件。本申请通过构建符合NeralProphet模型构建原理的风机出力时间序列,并基于NeralProphet模型构建风机出力预测模型,采用风机出力预测模型对待测时间的风机出力数据进行预测,最后根据风机出力数据判断待测时间内是否发生风电爬坡时间,有效提升了对待测时间风机出力数据的预测准确性,并能及时预防风电爬坡时间的发生。
Description
技术领域
本申请涉及风机出力预测技术领域,特别是涉及一种风机出力预测方法、装置、设备、介质及程序产品。
背景技术
对于电网来说,风电在发电稳定性上具有很高的运行风险,发电功率的不确定性会危害到电力系统的可靠性,进而造成重大经济损失。例如,强对流等极端气候现象将显著改变风电场附近平均风速,进而引发风电爬坡事件。其会造成系统内有功功率短时内严重不平衡,对大电网频率稳定造成巨大威胁,极端情形下甚至会引发大面积停电等事故。准确预测风机发电功率值,对于电网的传输和集成是至关重要的。
对于风电功率预测,目前常用的预测方法对于数据稳定性要求高,收集数据难度大,使用真实风机功率数据预测未来风机功率数据,均无法实现准确预测。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提升预测准确度的风机出力预测方法、装置、设备、介质及程序产品。
第一方面,本申请提供了一种风机出力预测方法,包括:
根据历史时间的风机出力数据构建目标风机出力时间序列;
根据所述历史时间的风机出力数据和所述目标出力时间序列训练NeralProphet模型,得到风机出力预测模型;
根据所述风机出力预测模型,预测待测时间内目标风机是否发生风电爬坡事件。
在其中一个实施例中,所述根据历史时间的风机出力数据构建目标风机出力时间序列,包括:
从目标风电场的数据管理系统获取所述历史时间的风机出力数据;
基于所述历史时间的风机出力数据以及预设时间构建参考风机出力时间序列;
对所述参考风机出力时间序列进行数据预处理,得到所述目标风机出力时间序列,所述目标风机出力时间序列各元素之间间隔所述预设时间。
在其中一个实施例中,所述对所述参考风机出力时间序列进行数据预处理,得到所述目标风机出力时间序列,包括:
检测所述参考风机出力时间序列中的数据错误,其中,所述数据错误包括缺失值、噪声以及离群点;
针对各类型数据错误进行对应的优化处理;
基于优化后的参考风机出力时间序列,利用差分方法构建所述目标风机出力时间序列。
在其中一个实施例中,根据所述历史时间的风机出力数据和所述目标出力时间序列训练NeralProphet模型,得到风机出力预测模型,包括:
对所述目标出力时间序列进行数据划分,得到第一部分数据和第二部分数据,其中,所述第一部分数据的数据占比大于所述第二部分数据的数据占比;
根据所述历史时间的风机出力数据和所述第一部分数据训练所述NeralProphet模型,得到所述风机出力预测模型;
使用所述第二部分数据对所述风机出力预测模型进行评估验证,并在评估验证结果通过时,训练完成所述风机出力预测模型。
在其中一个实施例中,所述使用所述第二部分数据对所述风机出力预测模型进行评估验证,包括:
利用所述风机出力预测模型处理所述第二部分数据,并根据处理结果计算平均绝对误差和均方根误差;
若所述平均绝对误差和所述均方根误差均小于预设误差阈值,则确定评估验证结果通过;
若所述平均绝对误差和/或所述均方根误差大于或等于预设误差阈值,则确定评估验证结果不通过。
在其中一个实施例中,所述根据所述风机出力预测模型,预测待测时间内目标风机是否发生风电爬坡事件,包括:
根据所述风机出力预测模型进行预测,得到待测时间内目标风机的出力数据;
根据所述出力数据判断所述目标风机是否发生风电爬坡事件。
第二方面,本申请还提供了一种风机出力预测装置,包括:
序列构建模块,用于根据历史时间的风机出力数据构建目标风机出力时间序列;
模型训练模块,用于根据所述历史时间的风机出力数据和所述目标出力时间序列训练NeralProphet模型,得到风机出力预测模型;
数据预测模块,用于根据所述风机出力预测模型,预测待测时间内目标风机是否发生风电爬坡事件。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现第一方面所述的风机出力预测方法。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面所述的风机出力预测方法。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现第一方面所述的风机出力预测方法。
上述风机出力预测方法、装置、设备、介质及程序产品,包括:根据历史时间的风机出力数据构建目标风机出力时间序列;根据所述历史时间的风机出力数据和所述目标出力时间序列训练NeralProphet模型,得到风机出力预测模型;根据所述风机出力预测模型,预测待测时间内目标风机是否发生风电爬坡事件。本申请通过构建符合NeralProphet模型构建原理的风机出力时间序列,并基于NeralProphet模型构建风机出力预测模型,采用风机出力预测模型对待测时间的风机出力数据进行预测,最后根据风机出力数据判断待测时间内是否发生风电爬坡时间,有效提升了对待测时间风机出力数据的预测准确性,并能及时预防风电爬坡时间的发生。
附图说明
图1为一个实施例中风机出力预测方法的流程示意图;
图2为一个实施例中构建目标出力时间序列步骤的流程示意图;
图3为一个实施例中对参考风机出力时间序列进行数据预处理步骤的流程示意图;
图4为一个实施例中训练目标出力预测模型步骤的流程示意图;
图5为一个实施例中未进行差分处理的风机出力曲线图;
图6为一个实施例中进行差分处理后的风机出力曲线图;
图7为一个实施例中使用目标风机出力预测模型在一日内进行预测的结果示意图;
图8为一个实施例中风机出力预测装置的模块示意图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种风机出力预测方法,包括以下步骤:
步骤101,根据历史时间的风机出力数据构建目标风机出力时间序列。
其中,风机出力数据指风机发电出力数据,也可以被称为风电出力数据。风机在风电场工作过程中,按照预设的时间间隔采集风机出力数据,并将风机出力数据存储于存储单元。具体的,本实施例对风机出力数据的采集过程及存储过程不作限定。
历史时间指当前时间之前的任意时间尺度的时间,具体的,历史时间可以以日、月或年为单位。
目标风机出力时间序列为符合NeralProphet模型构建需求的时间序列。目标风机出力时间序列可以按照预设时间间隔进行数据采集,举例来说,数据采集装置可以按照15min(分钟)时间间隔对风机出力数据进行采样,并按照15min时间间隔对风机出力数据进行处理,得到目标风机出力时间序列{P1,P2…Pn},其中n表示时间序列中的元素个数。
步骤102,根据历史时间的风机出力数据和目标出力时间序列训练NeralProphet模型,得到风机出力预测模型。
其中,本实施例中使用的NeuralProphet模型是一个基于PyTorch实现的客户友好型时间序列预测工具,延续了Facebook开源预测工具Prophet的主要功能,并加入了AR模型,使得NeuralProphet模型更加快捷精准。
NeuralProphet模型主要用于时序数据分析,即对目标出力时间序列进行分析。本实施例将历史时间的风机出力数据作为自变量,将目标出力时间序列作为协变量,根据预设训练集数据训练NeralProphet模型,得到风机出力预测模型。
NeuralProphet模型由多个模块组成,每个模块都有各自的输入和建模过程。在具体实施过程中,所有模块都必须产生h个输出,其中,h定义了一次预测过程的步数。具体的,NeuralProphet模型的表达式为:
其中,T(t)代表时间t的趋势,S(t)代表以年月日为时间尺度的周期性趋势,E(t)代表特殊事件即节假日带来的影响,F(t)代表未来已知外生变量在时间t的回归效应,A(t)代表基于过去观察的时间t的自回归效应,L(t)表示外生变量之后观测的回归效应,通常我们称之为协变量。
在具体实施过程中,在预测风机出力数据时,节假日并不会对风机出力数据产生较大影响,因此本实施例中的NeuralProphet模型可以不考虑E(t)。在实际应用过程中,未来时间的协变量即期望预测时间相邻两次观测点的风电出力差是未知的,因此本实施例中的NeuralProphet模型可以不考虑F(t)的影响。经过实际验证,不论是否考虑S(t)的影响,最终训练得到的NeuralProphet模型的平均绝对误差(Mean Absolute Error,简称MAE)MAE和均方根误差(Root Mean Square Error,简称RMSE)值都十分接近,因此本实施例中的NeuralProphet模型可以不考虑S(t)的影响,综上,在本实施例中针对风机出力数据进行预测时,NerualProphet模型的实际表达式为:
具体地,NeuralProphet模型使用两个并行的神经网络模型进行预测,包括先验神经网络和后验神经网络。其中,先验神经网络负责学习时间序列的长期趋势和周期性,先验神经网络接受原始时间序列数据和季节性分解的结果作为输入,输出趋势和周期性的预测值。后验神经网络负责学习时间序列的短期变化和噪声,后验神经网络接受原始时间序列数据、季节性分解的结果和先验神经网络的输出作为输入,并输出剩余部分的预测值。
先验神经网络和后验神经网络都使用LSTM单元作为基本组件。LSTM单元是一种递归神经网络,它能够处理序列数据,并且具有长期依赖记忆能力。
与使用DeepAR模型进行风机出力预测的方法相比,在两种模型均只用历史时间的风机出力数据进行训练的基础上,DeepAR模型最终得到的均方根误差为1.9390,而使用NueralProphet模型得到的均方根误差为1.34698,由此可见,本实施例利用NuralProphet模型构建的风机出力预测模型,在预测风机出力数据时,具有更高的精确度。
步骤103,根据风机出力预测模型,预测待测时间内目标风机是否发生风电爬坡事件。
在具体实施例中,基于步骤102中构建好的风机出力预测模型对待测时间的目标风机的风机出力数据进行预测,可以得到待测时间内目标风机的出力曲线。基于对出力曲线的幅度、数值等特征参数的检测,可以准确判断待测时间内目标风机是否发生风电爬坡时间。
在其中一个实施例中,根据风机出力预测模型,预测待测时间内目标风机是否发生风电爬坡事件,包括:
根据风机出力预测模型进行预测,得到待测时间内目标风机的出力数据;根据出力数据判断目标风机是否发生风电爬坡事件。
具体地,根据出力数据判断目标风机是否发生风电爬坡时间的判断参数可以根据实际应用场景进行自适应设置,本实施例对此不作限定。
上述风机出力预测方法中,利用风电场采集的历史时间的风机出力数据构建符合NueralProphet模型构建原理的目标出力时间序列,并基于目标出力时间序列训练NueralProphet模型,得到能够预测未来时间风机出力数据的风机出力预测模型。基于NueralProphet模型构建的风机出力预测模型,无需采集复杂的原始数据,基于历史时间的风机出力数据即可完成模型训练,且预测准确性高,能够精确预测未来时间内风机是否发生风电爬坡事件,辅助工作人员对风电爬坡时间进行预防,提升风机发电工作的稳定性及安全性。
在一个实施例中,如图2所示,步骤101包括:
步骤201,从目标风电场的数据管理系统获取历史时间的风机出力数据。
步骤202,基于历史时间的风机出力数据以及预设时间构建参考风机出力时间序列。
步骤203,对参考风机出力时间序列进行数据预处理,得到目标风机出力时间序列,目标风机出力时间序列各元素之间间隔预设时间。
在具体实施例中,本实施例中历史时间的风机出力数据可以直接从待测风电场的数据管理系统中进行提取。需知的,本实施例对历史时间的风机出力数据的获取方式不作具体限定。
其中,预设时间为参考风机出力时间序列或目标风机出力时间序列各元素之间的时间间隔,预设时间可以选择10min、15min、30min或60min等时间,风机出力时间序列的时间间隔可以根据实际应用场景中风电场的不同而进行自适应设置,本实施例对此不作具体限定。
需知的,按照15min的时间间隔进行数据采样时,一天采集的风机出力数据的数据点的个数为96。
在具体实施过程中,由于采集历史时间的风机出力数据时会受到外界干扰,参考风机出力时间序列可能包括不同类型的数据错误,例如,存在缺失值、存在噪声及存在离群点等。因此,在得到目标风机出力时间序列前,还需对参考风机出力时间序列进行数据预处理。
在一个实施例中,如图3所示,步骤203包括:
步骤301,检测参考风机出力时间序列中的数据错误,其中,数据错误包括缺失值、噪声以及离群点。
步骤302,针对各类型数据错误进行对应的优化处理。
步骤303,基于优化后的参考风机出力时间序列,利用差分方法构建目标风机出力时间序列。
在具体实施例中,若历史时间的风机出力数据中存在较多缺失值,则需要对风机出力数据进行插值补全操作。举例来说,利用三次样条进行插值可以实现插值补全操作。
若参考风机出力时间序列中存在噪声时,可以使用滚动平均值或傅里叶变换等方法去除噪声。
若参考风机出力时间序列中存在离群值,可以使用孤立森林或者k-means聚类方法来检测并去除离群点。
在具体实施例中,若风电场的风机出力数据的噪声较小,离群点数量较少,也可以不进行处理。
在完成对参考风机出力时间序列中的数据错误的优化出力后,即对数据的缺失值、噪声以及离群点进行处理后,可以利用差分方法构造一个相对平稳的时间序列,即目标风机出力时间序列。目标风机出力时间序列的物理意义为该时间点相较于15min前时间点的风机出力数据的变化情况。
在实际应用过程中,利用差分方法构建的目标风机出力时间序列要更加平稳。如图5和图6所示,其中,图5为未进行差分处理的参考风机出力时间序列对应的风机出力曲线图,图6为进行差分处理后的目标风机出力时间序列对应的风机出力曲线图。
在一个实施例中,如图4所示,步骤102包括:
步骤401,对目标出力时间序列进行数据划分,得到第一部分数据和第二部分数据,其中,第一部分数据的数据占比大于第二部分数据的数据占比。
步骤402,根据历史时间的风机出力数据和第一部分数据训练NeralProphet模型,得到风机出力预测模型。
步骤403,使用第二部分数据对风机出力预测模型进行评估验证,并在评估验证结果通过时,训练完成风机出力预测模型。
具体的,在训练风机出力预测模型的过程中,可以将目标风机出力时间序列的90%划分为训练集,即第一部分数据,将目标风机出力时间序列的10%划分为验证集,即第二部分数据。
在模型训练过程中,采用第一部分数据训练构建风机出力预测模型,采用第二部分数据验证风机出力预测模型的准确度。
在其中一个实施例中,使用第二部分数据对风机出力预测模型进行评估验证,包括:
利用风机出力预测模型处理第二部分数据,并根据处理结果计算平均绝对误差和均方根误差;
若平均绝对误差和均方根误差均小于预设误差阈值,则确定评估验证结果通过;
若平均绝对误差和/或均方根误差大于或等于预设误差阈值,则确定评估验证结果不通过。
在具体实施过程中,本实施例可以采用平均绝对误差和均方根误差作为验证准确度的评价指标,且仅当平均绝对误差和均方根误差均小于预设误差阈值时,认为训练得到的风机出力预测模型的准确度达到要求。
具体的,平均绝对误差和均方根误差的计算方式可以采用常用的误差计算方式,本实施例对此不作限定。
由于本实施例在模型训练过程中,仅采用了历史时间的风机出力数据,因此本实施例提出的风机出力预测方法,无需再前期进行复杂的数据采集过程,有效简化了预测未来时间风机出力数据的步骤。
在一个具体实施例中,如图7所示,选取大容风电场2022年1至12月的某风机的风机发电出力数据作为数据集,数据采样间隔为15min。以2022年11月23日17:15分为分界点,将之前的数据作为训练集,将11月23日-12月31日作为预测集。
设置NueralProphet模型的n_lags值为96,num_hidden_layers值为4,d_hidden值为8,learing_rate值为0.03,NueralProphet模型根据设定的参数计算迭代次数为77次。其中n_lags指自回归预测法(Autoregression,简称AR)中滞后的阶数,num_hidden_layers指神经网络的层数,d_hidden指每层神经网络中的单元数目,learning_rate指学习率。最终得到模型的评估指标值如表1所示。
表1模型预测性能对比评估
每日/季节性 | 每周/季节性 | 每年/季节性 | MAE | RMSE |
False | False | False | 0.864465 | 1.34698 |
True | False | False | 0.872167 | 1.344534 |
True | True | False | 0.870697 | 1.344066 |
True | True | True | 0.865963 | 1.335427 |
根据训练得到的风机出力预测模型对预测集进行预测,对12月5日全天的预测结果如图7所示。图7中,灰色区域表示置信度为90%的预测区间,可以看出,风机出力预测模型的可信度较高。
综上,本实施例提出一种风机出力预测方法,结合对历史时间的风机出力数据的差分处理,以及对目标风机出力时间序列的数据划分,能够进一步简化构建风机出力预测模型的数据要求,可以仅通过获取历史时间的风机出力数据,即完成风机出力预测模型的构建。另外,本实施例结合NueralProphet模型训练风机出力预测模型,能够有效提升对未来时间内风机出力数据的预测准确度,有效帮助工作人员预防和应对未来时间内的风电爬坡事件,提升风电场的管理效率。
在较为详细的实施例中,采用本实施例提出的风电出力数据预测方法预测待测时间的风电出力数据,首先,需要从风电场的数据管理系统中获取待测风电场内目标风机的历史时间的风机出力数据,并根据风机出力数据构建单位时间下的目标风机出力时间序列。在构建目标风机出力时间序列时,需要对历史时间的风机出力数据进行多种数据预处理,以清除历史时间的风机出力数据中的数据错误,最终对优化后的风机出力数据进行差分出力,得到目标风机出力时间序列。然后,根据历史时间的风机出力数据和目标风机出力时间序列训练NeralProphet模型,得到风机出力预测模型。在训练过程中,可以对目标风机出力时间序列进行数据划分,以划分为第一部分数据和第二部分数据,利用第一部分数据完成风机出力预测模型的构建,利用第二部分数据完成风机出力预测模型的验证,最终得到能够准确预测待测时间的风机出力数据的风机出力预测模型。最后,使用风机出力预测模型预测待测时间的风机出力数据,得到待测时间的风机出力曲线,根据预设判断参数以及风机出力曲线进行判断识别,可以准确预测待测时间内风机是否发生风电爬坡事件。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的风机出力预测方法的风机出力预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个风机出力预测装置实施例中的具体限定可以参见上文中对于风机出力预测方法的限定,在此不再赘述。
在一个实施例中,如图8所示,提供了一种风机出力预测装置800,包括:序列构建模块801、模型训练模块802和数据预测模块803,其中:
序列构建模块801,用于根据历史时间的风机出力数据构建目标风机出力时间序列;
模型训练模块802,用于根据历史时间的风机出力数据和目标出力时间序列训练NeralProphet模型,得到风机出力预测模型;
数据预测模块803,用于根据风机出力预测模型,预测待测时间内目标风机是否发生风电爬坡事件。
在其中一个实施例中,序列构建模块801,具体用于从目标风电场的数据管理系统获取历史时间的风机出力数据;基于历史时间的风机出力数据以及预设时间构建参考风机出力时间序列;对参考风机出力时间序列进行数据预处理,得到目标风机出力时间序列,目标风机出力时间序列各元素之间间隔预设时间。
在其中一个实施例中,序列构建模块801,具体用于检测参考风机出力时间序列中的数据错误,其中,数据错误包括缺失值、噪声以及离群点;针对各类型数据错误进行对应的优化处理;基于优化后的参考风机出力时间序列,利用差分方法构建目标风机出力时间序列。
在其中一个实施例中,模型训练模块802,具体用于对目标出力时间序列进行数据划分,得到第一部分数据和第二部分数据,其中,第一部分数据的数据占比大于第二部分数据的数据占比;根据历史时间的风机出力数据和第一部分数据训练NeralProphet模型,得到风机出力预测模型;使用第二部分数据对风机出力预测模型进行评估验证,并在评估验证结果通过时,训练完成风机出力预测模型。
在其中一个实施例中,模型训练模块802,具体用于利用风机出力预测模型处理第二部分数据,并根据处理结果计算平均绝对误差和均方根误差;若平均绝对误差和均方根误差均小于预设误差阈值,则确定评估验证结果通过;若平均绝对误差和/或均方根误差大于或等于预设误差阈值,则确定评估验证结果不通过。
在其中一个实施例中,数据预测模型803,具体用于根据风机出力预测模型进行预测,得到待测时间内目标风机的出力数据;根据出力数据判断目标风机是否发生风电爬坡事件。
上述风机出力预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
综上,本申请提出的风机出力预测装置,结合对历史时间的风机出力数据的差分处理,以及对目标风机出力时间序列的数据划分,能够进一步简化构建风机出力预测模型的数据要求,可以仅通过获取历史时间的风机出力数据,即完成风机出力预测模型的构建。另外,本实施例结合NueralProphet模型训练风机出力预测模型,能够有效提升对未来时间内风机出力数据的预测准确度,有效帮助工作人员预防和应对未来时间内的风电爬坡事件,提升风电场的管理效率。
在一个实施例中,如图9所示,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
根据历史时间的风机出力数据构建目标风机出力时间序列,目标风机出力时间序列各元素之间间隔预设时间;
根据NeralProphet模型以及目标出力时间序列,训练目标出力预测模型;
根据目标出力预测模型预测待测时间的风机出力数据。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
根据历史时间的风机出力数据构建目标风机出力时间序列,目标风机出力时间序列各元素之间间隔预设时间;
根据NeralProphet模型以及目标出力时间序列,训练目标出力预测模型;
根据目标出力预测模型预测待测时间的风机出力数据。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
根据历史时间的风机出力数据构建目标风机出力时间序列,目标风机出力时间序列各元素之间间隔预设时间;
根据NeralProphet模型以及目标出力时间序列,训练目标出力预测模型;
根据目标出力预测模型预测待测时间的风机出力数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种风机出力预测方法,其特征在于,包括:
根据历史时间的风机出力数据构建目标风机出力时间序列;
根据所述历史时间的风机出力数据和所述目标出力时间序列训练NeralProphet模型,得到风机出力预测模型;
根据所述风机出力预测模型,预测待测时间内目标风机是否发生风电爬坡事件。
2.根据权利要求1所述的方法,其特征在于,所述根据历史时间的风机出力数据构建目标风机出力时间序列,包括:
从目标风电场的数据管理系统获取所述历史时间的风机出力数据;
基于所述历史时间的风机出力数据以及预设时间构建参考风机出力时间序列;
对所述参考风机出力时间序列进行数据预处理,得到所述目标风机出力时间序列,所述目标风机出力时间序列各元素之间间隔所述预设时间。
3.根据权利要求2所述的方法,其特征在于,所述对所述参考风机出力时间序列进行数据预处理,得到所述目标风机出力时间序列,包括:
检测所述参考风机出力时间序列中的数据错误,其中,所述数据错误包括缺失值、噪声以及离群点;
针对各类型数据错误进行对应的优化处理;
基于优化后的参考风机出力时间序列,利用差分方法构建所述目标风机出力时间序列。
4.根据权利要求1所述的方法,其特征在于,根据所述历史时间的风机出力数据和所述目标出力时间序列训练NeralProphet模型,得到风机出力预测模型,包括:
对所述目标出力时间序列进行数据划分,得到第一部分数据和第二部分数据,其中,所述第一部分数据的数据占比大于所述第二部分数据的数据占比;
根据所述历史时间的风机出力数据和所述第一部分数据训练所述NeralProphet模型,得到所述风机出力预测模型;
使用所述第二部分数据对所述风机出力预测模型进行评估验证,并在评估验证结果通过时,训练完成所述风机出力预测模型。
5.根据权利要求4所述的方法,其特征在于,所述使用所述第二部分数据对所述风机出力预测模型进行评估验证,包括:
利用所述风机出力预测模型处理所述第二部分数据,并根据处理结果计算平均绝对误差和均方根误差;
若所述平均绝对误差和所述均方根误差均小于预设误差阈值,则确定评估验证结果通过;
若所述平均绝对误差和/或所述均方根误差大于或等于预设误差阈值,则确定评估验证结果不通过。
6.根据权利要求1-5任意一项所述的风机出力预测方法,其特征在于,所述根据所述风机出力预测模型,预测待测时间内目标风机是否发生风电爬坡事件,包括:
根据所述风机出力预测模型进行预测,得到待测时间内目标风机的出力数据;
根据所述出力数据判断所述目标风机是否发生风电爬坡事件。
7.一种风机出力预测装置,其特征在于,包括:
序列构建模块,用于根据历史时间的风机出力数据构建目标风机出力时间序列;
模型训练模块,用于根据所述历史时间的风机出力数据和所述目标出力时间序列训练NeralProphet模型,得到风机出力预测模型;
数据预测模块,用于根据所述风机出力预测模型,预测待测时间内目标风机是否发生风电爬坡事件。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的风机出力预测方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的风机出力预测方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的风机出力预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310558688.4A CN116613738A (zh) | 2023-05-17 | 2023-05-17 | 风机出力预测方法、装置、设备、介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310558688.4A CN116613738A (zh) | 2023-05-17 | 2023-05-17 | 风机出力预测方法、装置、设备、介质及程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116613738A true CN116613738A (zh) | 2023-08-18 |
Family
ID=87679342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310558688.4A Pending CN116613738A (zh) | 2023-05-17 | 2023-05-17 | 风机出力预测方法、装置、设备、介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116613738A (zh) |
-
2023
- 2023-05-17 CN CN202310558688.4A patent/CN116613738A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111680820B (zh) | 分布式光伏电站故障诊断方法和装置 | |
US8378816B2 (en) | System and method to assess signal similarity with applications to diagnostics and prognostics | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN112598248B (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
CN105677791A (zh) | 用于分析风力发电机组的运行数据的方法和系统 | |
Li et al. | Research and application of random forest model in mining automobile insurance fraud | |
CN110686633A (zh) | 一种滑坡位移预测方法、装置及电子设备 | |
CN112330050A (zh) | 一种基于双层XGBoost考虑多特征的电力系统负荷预测方法 | |
CN112001110A (zh) | 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法 | |
CN112100911A (zh) | 一种基于深度bisltm的太阳辐射预测方法 | |
CN112215398A (zh) | 电力用户负荷预测模型建立方法、装置、设备及存储介质 | |
CN115146718A (zh) | 基于深度表示的风电机组异常检测方法 | |
CN117556369B (zh) | 一种动态生成的残差图卷积神经网络的窃电检测方法及系统 | |
CN116757321A (zh) | 太阳直接辐射量预测方法、系统、设备及存储介质 | |
CN116613738A (zh) | 风机出力预测方法、装置、设备、介质及程序产品 | |
CN115496264A (zh) | 一种风电机组发电功率的预测方法 | |
Lin et al. | The study on classification and prediction for data mining | |
CN115062839A (zh) | 极震区烈度评估方法、系统、电子设备及可读存储介质 | |
Huang et al. | Probabilistic prediction intervals of wind speed based on explainable neural network | |
Vyklyuk et al. | Hurricane forecasting using by parallel calculations & machine learning | |
Liu et al. | Short-Term Load Prediction Based on Typical Daily Feature Selection and Time Convolutional Neural Network | |
De Aguiar et al. | Using reservoir computing for forecasting of wind power generated by a wind farm | |
CN114352485A (zh) | 风力发电机风速的预测方法、装置、计算机设备 | |
CN117674294A (zh) | 场景削减方法、装置、计算机设备和存储介质 | |
CN117705178A (zh) | 风电螺栓信息检测方法、装置、电子设备和存储介质 |
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 |