CN116628488A - 风电功率预测模型的训练方法、风电功率预测方法及设备 - Google Patents

风电功率预测模型的训练方法、风电功率预测方法及设备 Download PDF

Info

Publication number
CN116628488A
CN116628488A CN202310337573.2A CN202310337573A CN116628488A CN 116628488 A CN116628488 A CN 116628488A CN 202310337573 A CN202310337573 A CN 202310337573A CN 116628488 A CN116628488 A CN 116628488A
Authority
CN
China
Prior art keywords
wind power
power
fans
fan
historical
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
Application number
CN202310337573.2A
Other languages
English (en)
Inventor
火久元
常琛
王婷娟
王子溶
穆聪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lanzhou Ruizhiyuan Information Technology Co ltd
Lanzhou Shangwenhuitong Energy Technology Co ltd
Lanzhou Jiaotong University
Original Assignee
Lanzhou Ruizhiyuan Information Technology Co ltd
Lanzhou Shangwenhuitong Energy Technology Co ltd
Lanzhou Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Lanzhou Ruizhiyuan Information Technology Co ltd, Lanzhou Shangwenhuitong Energy Technology Co ltd, Lanzhou Jiaotong University filed Critical Lanzhou Ruizhiyuan Information Technology Co ltd
Priority to CN202310337573.2A priority Critical patent/CN116628488A/zh
Publication of CN116628488A publication Critical patent/CN116628488A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请提供了一种风电功率预测模型的训练方法、风电功率预测方法及设备，其中，风电功率预测模型的训练方法包括：获取目标历史时间段内多个风机对应的多个功率影响因子的历史指标值，对多个风机进行聚类，得到多个风机聚类，获取目标历史时间段的下一历史时间段内各风机聚类中风机的历史风电功率，根据各风机聚类中风机对应的历史指标值和各风机聚类中风机的历史风电功率，分别进行模型训练，得到各风机聚类的风电功率预测模型。本申请通过对风机进行聚类划分，以风机聚类为预测单元进行风电功率的预测，预测精度高且时效性好。

Description

风电功率预测模型的训练方法、风电功率预测方法及设备
技术领域
本申请涉及确定机技术领域，具体而言，涉及一种风电功率预测模型的训练方法、风电功率预测方法及设备。
背景技术
风能作为可再生能源中的重要组成部分，在整个电力行业中占比不断提高，占据越来越重要的地位，但风能具有间歇性和波动性的特点，当大规模并网时会对电网的安全稳定运行带来严重挑战，因此，准确快速地实现风电功率预测对电力系统的安全稳定运行具有十分重要的意义。
目前，针对大规模风电集群功率的预测，一种是以整个场站风机为预测单元进行建模预测，另一种是以单个风电机组(single wind turbine)为预测单元进行建模预测。
然而，以整个场站风机为预测单元，预测结果波动幅度大且精度低，以单个风电机组为预测单元，建模过程较复杂，对硬件算法要求较高，且时效性差。
发明内容
有鉴于此，本申请实施例提供了一种风电功率预测模型的训练方法、风电功率预测方法及设备，以解决现有技术中风电功率预测结果精度低、建模过程复杂、时效性差的问题。
第一方面，本申请实施例提供了一种风电功率预测模型的训练方法，包括：
获取目标历史时间段内多个风机对应的多个功率影响因子的历史指标值；
对所述多个风机进行聚类，得到多个风机聚类；
获取所述目标历史时间段的下一历史时间段内各风机聚类中风机的历史风电功率；
根据所述各风机聚类中风机对应的历史指标值和所述各风机聚类中风机的历史风电功率，分别进行模型训练，得到所述各风机聚类的风电功率预测模型。
在一可选的实施方式中，所述对所述多个风机进行聚类，得到多个风机聚类，包括：
获取所述多个功率影响因子的权重系数；
根据所述多个功率影响因子的权重系数和所述多个风机对应的历史指标值，对所述多个风机进行聚类，得到所述多个风机聚类。
在一可选的实施方式中，所述获取所述多个功率影响因子的权重系数，包括：
根据所述多个功率影响因子的重要性比较结果，确定所述多个功率影响因子的第一权重系数；
根据所述多个功率影响因子的历史指标值，确定所述多个功率影响因子的第二权重系数；
根据所述第一权重系数和所述第二权重系数，确定所述多个功率影响因子的权重系数。
在一可选的实施方式中，所述根据所述多个功率影响因子的重要性比较结果，确定所述多个功率影响因子的第一权重系数，包括：
根据所述重要性比较结果，构建重要性判断矩阵；
对所述重要性判断矩阵进行一致性校验；
若校验通过，则获取所述重要性判断矩阵的满足预设特征条件的特征值对应的特征向量；
根据所述特征向量，确定所述第一权重系数。
在一可选的实施方式中，所述根据所述多个功率影响因子的重要性比较结果，确定所述多个功率影响因子的第一权重系数，还包括：
若校验不通过，则更新所述重要性比较结果，并根据更新后的重要性比较结果，重新构建重要性判断矩阵；
根据重新构建的重要性判断矩阵，确定所述第一权重系数。
在一可选的实施方式中，所述根据所述多个功率影响因子的历史指标值，确定所述多个功率影响因子的第二权重系数，包括：
根据所述多个功率影响因子的历史指标值，确定所述多个功率影响因子的信息熵；
根据所述信息熵，确定所述第二权重系数。
在一可选的实施方式中，所述根据所述多个功率影响因子的权重系数和所述多个风机对应的历史指标值，对所述多个风机进行聚类，得到所述多个风机聚类，包括：
根据所述多个功率影响因子的权重系数和所述多个风机对应的历史指标值，进行加权运算，得到所述多个风机的加权指标值；
根据所述加权指标值，对所述多个风机进行聚类，得到所述多个风机聚类。
第二方面，本申请实施例还提供了一种风电功率预测方法，包括：
获取当前时间段内待预测风机聚类中风机对应的多个功率影响因子的当前指标值；
根据所述待预测风机聚类对应的风电功率预测模型，对所述当前指标值进行处理，预测得到所述当前时间段的下一时间段内所述待预测风机聚类的风电功率，所述风电功率预测模型为根据第一方面任一所述的风电功率预测模型的训练方法训练得到的。
第三方面，本申请实施例还提供了一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行第一方面任一所述的风电功率预测模型的训练方法或第二方面所述的风电功率预测方法。
第四方面，本申请实施例还提供了一种确定机可读存储介质，所述确定机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行第一方面任一所述的风电功率预测模型的训练方法或第二方面所述的风电功率预测方法。
本申请提供了一种风电功率预测模型的训练方法、风电功率预测方法及设备，其中，风电功率预测模型的训练方法包括：获取目标历史时间段内多个风机对应的多个功率影响因子的历史指标值，对多个风机进行聚类，得到多个风机聚类，获取目标历史时间段的下一历史时间段内各风机聚类中风机的历史风电功率，根据各风机聚类中风机对应的历史指标值和各风机聚类中风机的历史风电功率，分别进行模型训练，得到各风机聚类的风电功率预测模型。本申请通过对风机进行聚类划分，以风机聚类为预测单元进行风电功率的预测，预测精度高且时效性好。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的风电功率预测模型的训练方法的流程示意图一；
图2为本申请实施例提供的风电功率预测模型的训练方法的流程示意图二；
图3为本申请实施例提供的风电功率预测模型的训练方法的流程示意图三；
图4为本申请实施例提供的风电功率预测模型的训练方法的流程示意图四；
图5为本申请实施例提供的风电功率预测方法的流程示意图；
图6为本申请实施例提供的TCN-BiLSTM模型的网络结构的示意图；
图7为本申请实施例提供的风电功率预测模型的训练装置的结构示意图；
图8为本申请实施例提供的风电功率预测装置的结构示意图；
图9为本申请实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
风能作为最具有应用前景的清洁无污染可再生能源之一，越来越受到关注，风能具有波动性、随机性与间歇性的特点，大规模的风电并网对电力系统的安全稳定运行带来了巨大的挑战。准确可靠的风电功率预测，可使电力系统可以做出合理的调度计划，充分使用风能的同时最大限度规避风电特点带来的电网系统安全问题，从而提高电力系统对风电的吸纳能力。
目前，风电功率预测(Wind Power Forecasting，WPF)可按照不同维度进行分类，按照时间尺度可分为超短期(<30分钟)、短期、中长期预测；按照空间尺度可分为单机预测、单场站预测、区域预测；按照预测模型划分，风电功率预测可划分为直接预测和间接预测；按照预测原理划分，风电功率预测可划分为物理方法、统计分析方法、基于学习的方法等。针对大规模风电集群功率的超短期预测，若以整场风机为预测单元来预测，所得到的预测结果往往波幅度大且精度低，而以每台风电机组(single wind turbine)为预测单元，建模预测的过程又太过复杂，同时对硬件算力要求较高，且时效性差。
随着风电技术的快速发展，越来越多的研究人员对风电功率的预测模型进行了研究，研究模型可主要分为物理模型、统计模型、人工智能模型和混合模型，其中，物理模型依靠数值天气预报(Numerical Weather Prediction，NWP)系统提供的气象数据和风机的技术参数进行预测，此类模型需要详细的物理描述来构建预测模型，然而，相关研究对NWP数据的准确性和完整性有很高的要求，且NWP数据更新有一定的滞后性，对时效性极强的超短期风电功率预测会造成较大的预测误差和滞后性。
传统的统计模型则是通过探索历史风电数据和影响因素之间的数学关系来预测风电功率值，如基于最小二乘支持向量机(Least Squares Support Vector Machines，LSSVM)与自回归积分滑动平均模型(autoregressive inte-grated moving averagemethod，ARIMA)组合模型的风电功率预测方法、利用功率阈值广义自回归条件异方差(即功率TGARCH)模型预测风电功率，与物理方法相比，统计模型在短期风电预测中具有更高的准确性，但是风力发电具有非线性和随机性的特点，统计模型很难处理风电功率序列中的不规则和非线性特征，尤其应用于超短期预测时的效果较差。
近年来，基于深度学习的人工智能预测模型方法已逐渐成为风电功率预测研究的主流方法，该类方法可以构建起输入值和输出值之间可靠的非线性映射联系，且深度学习方法具有较好的自我修正能力，使得风电场数据中的异常数据无法对模型造成很大的干扰，从而能够从风能的本质来进行预测提高预测的精度。然而，目前提供的人工智能预测模型主要以单个风机或整个风场风机作为预测单元，对于规模较大、分布较广的风电集群来说，在预测精度、时效性和适用性上无法同时做到兼顾，特别是在大规模风电集群功率的超短期预测方面，仍存在较大的不足和改进的空间。
基于上述问题，本申请提供了一种风电功率预测模型的训练方法和风电功率预测方法，通过对风机进行聚类划分，以风机聚类为预测单元进行风电功率的预测，在保证预测精度的同时能最大限度缩短模型的训练和预测时间，在预测精度、时效性和适用性上做到兼顾，具有更好的泛化能力和工程应用价值。
下面结合图1-图4对本申请提供的风电功率预测模型的训练方法进行说明。
图1为本申请实施例提供的风电功率预测模型的训练方法的流程示意图一，本实施例的执行主体可以为电子设备，如电脑、手机、服务器等。
如图1所示，该方法可以包括：
S101、获取目标历史时间段内多个风机对应的多个功率影响因子的历史指标值。
其中，目标历史时间段为用于模型训练的任意历史时间段。
功率影响因子为影响风机的风电功率的因子，多个功率影响因子包括但不限于风机转速、风速、风向、桨距角、环境温度，功率影响因子的历史指标值为目标历史时间段内各风机对应的功率影响因子的指标值。
多个风机可以为场站内的风机，为对场站内风机的风电功率进行预测，可以先获取多个风机对应的多个功率影响因子下的历史指标值。
S102、对多个风机进行聚类，得到多个风机聚类。
对多个风机进行聚类得到多个风机聚类，各风机聚类中包括至少一个风机，其中，可以根据多个风机对应的多个功率影响因子的历史指标值，对多个风机进行聚类划分，将多个风机划分为多个风机聚类，例如，将各功率影响因子的历史指标值的差值在预设范围的风机划分到一个风机聚类中。
其中，可以根据多个风机对应的多个功率影响因子的历史指标值，确定目标时间段内多个风机对应的各功率影响因子的平均指标值，包括但不限于平均风机转速、平均风速、平均风向、平均桨距角、平均环境温度，然后根据平均指标值，对多个风机进行聚类划分。
S103、获取目标历史时间段的下一历史时间段内各风机聚类中风机的历史风电功率。
下一历史时间段与目标历史时间段的时间长度一致，例如可以为30min，各风机聚类中风机的历史风电功率可以为下一历史时间段内各风机聚类中风机的平均风电功率。
S104、根据各风机聚类中风机对应的历史指标值和各风机聚类中风机的历史风电功率，分别进行模型训练，得到各风机聚类的风电功率预测模型。
初始化生成神经网络模型，将各风机聚类中风机对应的历史指标值作为模型输入，经模型处理，预测得到下一历史时间段内各风机聚类的预测总风电功率，然后根据预测总风电功率和各风机聚类中风机的历史风电功率的历史总风电功率分别进行模型训练，得到各风机聚类的风电功率预测模型。
在一些实施例中，对于各风机聚类而言，可以确定各风机聚类中风机对应的各功率影响因子的历史指标值的均值等效，将各功率影响因子的均值等效作为模型输入，分别进行模型训练，得到各风机聚类的风电功率预测模型，其中，均值等效为各风机聚类中风机对应的各功率影响因子的历史指标值的平均值，这样，可大量减少所建模型的数量，缩短训练预测时间。
在本实施例的风电功率预测模型的训练方法中，通过获取目标历史时间段内多个风机对应的多个功率影响因子的历史指标值，并对多个风机进行聚类，得到多个风机聚类，获取目标历史时间段的下一历史时间段内各风机聚类中风机的历史风电功率，然后根据各风机聚类中风机对应的历史指标值和各风机聚类中风机的历史风电功率，分别进行模型训练，得到各风机聚类的风电功率预测模型。通过对风机进行聚类划分，以风机聚类为预测单元进行风电功率的预测，预测精度高且时效性好。
图2为本申请实施例提供的风电功率预测模型的训练方法的流程示意图二，如图2所示，在一可选的实施方式中，步骤S102，对所述多个风机进行聚类，得到多个风机聚类，可以包括：
S201、获取多个功率影响因子的权重系数。
S202、根据多个功率影响因子的权重系数和多个风机对应的历史指标值，对多个风机进行聚类，得到多个风机聚类。
其中，功率影响因子的权重系数用于指示功率影响因子对风电功率的影响程度，权重系数越大，说明功率影响因子对风电功率的影响程度越大，权重系数越小，说明功率影响因子对风电功率的影响程度越小。
获取多个功率影响因子的权重系数，并根据多个功率影响因子的权重系数和多个风机对应的多个功率影响因子的历史指标值，对多个风机进行聚类，得到多个风机聚类，也就是说，将多个功率影响因子的权重系数和多个风机对应的历史指标值作为考虑因素，对多个风机进行综合考虑，进行聚类划分，得到多个风机聚类。
在本实施例的风电功率预测模型的训练方法中，通过根据多个功率影响因子的权重系数和历史指标值，对多个风机进行聚类，得到多个风机聚类。改善了传统算法在聚类过程中未考虑到影响因子间不等影响程度的问题，提高了风机聚类的划分准确度，有效降低因风机聚类产生的预测误差。
图3为本申请实施例提供的风电功率预测模型的训练方法的流程示意图三，如图3所示，在一可选的实施方式中，步骤S201，获取多个功率影响因子的权重系数，可以包括：
S301、根据多个功率影响因子的重要性比较结果，确定多个功率影响因子的第一权重系数。
功率影响因子的重要性比较结果用于指示各功率影响因子相对于其它功率影响因子对风电功率的重要性的比较结果，可以对多个功率影响因子的重要性进行两两比较，以确定多个功率影响因子的重要性比较结果，然后根据重要性比较结果确定各功率影响因子的第一权重系数。
其中，重要性比较结果越高，说明前者功率影响因子对风电功率的重要性越大，重要性比较结果越小，说明后者功率影响因子对风电功率的重要性越大。
在一可选的实施方式中，步骤S301，根据多个功率影响因子的重要性比较结果，确定多个功率影响因子的第一权重系数，可以包括：
根据重要性比较结果，构建重要性判断矩阵，对重要性判断矩阵进行一致性校验，若校验通过，则获取重要性判断矩阵的满足预设特征条件的特征值对应的特征向量，根据特征向量，确定第一权重系数。
对多个功率影响因子的重要性进行两两比较，得到各功率影响因子的重要性比较结果，根据重要性比较结果，可以构建重要性判断矩阵，参考公式(1)：
其中，矩阵B中元素bij表示第i个功率影响因子与第j个功率影响因子的重要性比较结果，重要性比较结果用于指示第i个功率影响因子相对于第j个功率影响因子对风电功率的重要性。
其中，重要性比较结果可以采用层次分析法(Analytic Hierarchy Process，AHP)中的1-9标度法进行标记，表1为1-9标度法。
表1
在一些实施例中，由于重要性判断矩阵容易受到主观判断影响，可能存在一定误差，为保证第一权重系数分配的合理性，还可以对重要性判断矩阵进行一致性校验，以校验重要性判断矩阵中各影响因子的重要性比较结果是否符合实际情况，其中，一致性比例(consistent ratio，CR)定义参考公式(2)：
一致性指标(consistency index，CI)可按公式(3)求得，平均随机一致性指标(random index，RI)取值如表2所示，表2为RI和n的映射表。
公式(3)中，λmax为判断矩阵B的最大特征值，n是判断矩阵的阶次，即多个功率影响因子的数量。
n 1 2 3 4 5 6
RI 0 0 0.58 0.9 1.12 1.24
表2
其中，对重要性判断矩阵进行一致性校验可以理解为判断CR是否小于0.1，若CR＜0.1时，说明重要性判断矩阵的一致性满足要求，即校验通过，则获取重要性判断矩阵的满足预设特征条件的特征值对应的特征向量，其中，预设特征条件可以为特征值最大，即获取重要性判断矩阵的最大特征值λmax对应的特征向量X，然后根据该特征向量，确定多个功率影响因子的第一权重系数，参考公式(4)-(5)：
X＝[x1…xt…xn]T (4)
其中，wi1为第i个功率影响因子的第一权重系数，xi为X中的第i个元素，i的取值范围为1到n的正整数。
值得说明的是，若校验不通过，则更新重要性比较结果，并根据更新后的重要性比较结果，重新构建重要性判断矩阵，根据重新构建的重要性判断矩阵，确定第一权重系数。
根据重新构建的重要性判断矩阵确定第一权重系数的过程可以参数上述过程，在此不再赘述。
S302、根据多个功率影响因子的历史指标值，确定多个功率影响因子的第二权重系数。
计算多个风机的各功率影响因子的历史指标值的平均值，然后根据各功率影响因子的历史指标值的平均值，计算各功率影响因子的影响占比，该影响占比为各功率影响因子的历史指标值的均值、相对于多个功率影响因子的历史指标值的均值的累加值的占比，然后根据各功率影响因子的影响占比，确定各功率影响因子的第二权重系数。
参考公式(6)：
其中，x′i为第i个功率影响因子的历史指标值的平均值，为n个功率影响因子的历史指标值的平均值的累加值，pi为第i个功率影响因子的影响占比。
然后，可以根据多个功率影响因子的影响占比，确定多个功率影响因子的信息熵ei，并根据信息熵ei，确定第i个功率影响因子的第二权重系数wi2，参考公式(7)-(8)：
其中，wi2为第i个功率影响因子的第二权重系数，i的取值范围为1到n的正整数。
值得说明的是，由于多个功率影响因子的数据类型不同，其量纲和量纲单位并不一致，因此还可以对各功率影响因子的历史指标值进行预处理，以消除不同类型的历史指标值之间的不可比性，预处理包括：异常值修正、缺失值补充以及无量纲化处理。
其中，根据功率影响因子对风电功率的正向性将功率影响因子划分为正面指标和负面指标，其中，正面指标为对风电功率起正面影响的指标、和风电功率呈正向变化，负面指标为对风电功率起负面影响的指标、和风电功率呈负向变化。
无量纲化参考公式(9)-(10)：
其中，Xi为第i个功率影响因子的历史指标值，X′i为第i个功率影响因子的无量纲化的历史指标值，max(X1，...，Xn)表示第1个功率影响因子的历史指标值到第n个功率影响因子的历史指标值中的最大值，min(X1，...，Xn)表示第1个功率影响因子的历史指标值到第n个功率影响因子的历史指标值中的最小值。
采用公式(9)对正面指标进行无量纲化处理，采用公式(10)对负面指标进行无量纲化处理，然后根据各功率影响因子的无量纲化的历史指标值的均值，计算各功率影响因子的影响占比，根据各功率影响因子的影响占比，确定各功率影响因子的第二权重系数，具体计算过程可参见公式(6)-(8)。
S303、根据第一权重系数和第二权重系数，确定多个功率影响因子的权重系数。
根据各功率影响因子的第一权重系数和第二权重系数，可以确定各功率影响因子的权重系数，该权重系数可以为第一权重系数和第二权重系数的加权和，也就是说，各功率影响因子的权重系数为综合了第一权重系数和第二权重系数得到的，这样，通过引入层次分析法和熵值法分别对各功率影响因子进行权重分析，改善了传统算法在聚类过程中未考虑到各项历史指标间不等重要性的问题，可有效降低因风机聚类产生的预测误差。
其中，对于各功率影响因子而言，可以采用量子粒子群优化(Quantum ParticleSwarm Optimization，QPSO)算法对第一权重系数和第二权重系数的加权系数进行寻优，寻优范围在0-1之间，例如，使用(Calinski-Harabasz Index，CH)函数作为QPSO算法寻优的目标函数，CH的分值越大越好，参考公式(11)-(13)：
其中，tr为矩阵的迹，S为CH函数的分值，Bk为第k个聚类类别的簇间分散平均值(between-clusters dispersion mean)，Wk为第k个聚类类别的簇内分散(within-clusterdispersion)，N表示为容量N的数据集，cq表示第q类别的中心点，q在[1，K]之间，ce表示容量N的数据集的中心点，nq表示第q类别中的数据的数目，cq表示第q类别的数据集合，x为cq中的数据。
计算平均的粒子历史最好位置，参考公式(14)：
其中，M为预先设定的粒子群的大小，pbest_i为当前迭代中的第i个pbest，pbest表示每一个参数取值的变化过程中，到目前为止最优目标函数CH对应的取值。
其中，在迭代过程中粒子位置更新参考公式(15)-(16)：
Pi＝φ·pbest_i+(1-φ)gbest (15)
其中，gbest为当前全局最优粒子，Pi用于第i个粒子位置更新，xi表示第i个粒子位置，α为预先设定的一个超参数且一般不大于1，φ和u为(0，1)上的均匀分布数值。
综上，根据寻优得出的Mbest值(即加权系数)计算各功率影响因子的权重系数w，参考公式(17)：
w＝Mbestwi1+(1-Mbest)wi2 (17)
其中，wi1为第i个功率影响因子的第一权重系数，wi2为第i个功率影响因子的第二权重系数。
这样，通过在确定各功率影响因子的第一权重系数和第二权重系数后，通过QPSO算法对加权系数进行寻优，确定第一权重系数和第二权重系数的加权系数并计算出各功率影响因子的综合权重，为各功率影响因子的权重的设置增加合理性，使后续的聚类更准确高效。
图4为本申请实施例提供的风电功率预测模型的训练方法的流程示意图四，如图4所示，在一可选的实施方式中，步骤S202，根据多个功率影响因子的权重系数和多个风机对应的历史指标值，对多个风机进行聚类，得到多个风机聚类，可以包括：
S401、根据多个功率影响因子的权重系数和多个风机对应的历史指标值，进行加权运算，得到多个风机的加权指标值。
S402、根据加权指标值，对多个风机进行聚类，得到多个风机聚类。
根据多个功率影响因子的权重系数，以及多个风机对应的各功率影响因子的历史指标值，分别进行加权运算，得到多个风机的加权指标值，然后根据多个风机的加权指标值，对多个风机进行聚类划分，以将多个风机划分为多个风机聚类。
其中，可以将加权指标值的差值在预设范围内的风机划分到一个风机聚类中。
在一些实施例中，可以采用K-Medoids聚类算法对多个风机进行聚类，该聚类算法是K-Means算法的一种改进聚类算法，相较于K-Means算法求取的是簇中“平均数”，K-Medoids算法求取的是簇中“中位数”，对属性类型没有局限性且对于噪声和孤立点更具有鲁棒性，聚类过程为：
采用Elbow法确定聚类中心数K的取值范围；根据取值范围内的每个K，进行风机聚类，得到初始风机聚类，根据每一聚类中风机的加权指标值，计算每个K对应的误差平方和(Sum Squared Error，SSE)并进行作图，选择SSE值的变化频率较大的点作为最佳聚类中心数K的值；初始化聚类中心：从多个风机中随机抽取K个作为初始聚类中心；计算其它风机的加权指标值到K个初始聚类中心的加权指标值的动态距离规整(Dynamic DistaceWarpping，DTW)距离，并将其归类于距离最近的簇类，待所有风机都归类完成后，每个聚类的聚类中心则更新为对应聚类的质心。
在本实施例中，通过对风机的历史指标值进行加权，得到风机的加权指标值，并根据加权指标值进行风机分类，增强了重要特征信息的影响，使风机聚类更准确高效。
在图1-图4的基础上，下面结合图5对本申请提供的风电功率预测方法进行说明。
图5为本申请实施例提供的风电功率预测方法的流程示意图，本实施例的执行主体可以为电子设备，如电脑、手机、服务器等。
如图5所示，该方法可以包括：
S501、获取当前时间段内待预测风机聚类中风机对应的多个功率影响因子的当前指标值。
当前时间段、当前时间段的下一时间段与目标历史时间段、下一历史时间段的时间长度一致，例如可以为3min。
待预测风机聚类中包括至少一个风机，也就是说，为了预测得到待预测风机聚类中风机在当前时间段的下一时间段的风电功率，需要获取当前时间段内待预测风机聚类中风机对应的多个功率影响因子的当前指标值。
S502、根据待预测风机聚类对应的风电功率预测模型，对当前指标值进行处理，预测得到当前时间段的下一时间段内待预测风机聚类的风电功率。
根据待预测风机聚类对应的风电功率预测模型，对当前指标值进行处理，预测得到下一时间段内待预测风机聚类的风电功率，其中，待预测风机聚类的风电功率为待预测风机聚类中风机的总风电功率，风电功率预测模型为根据上述风电功率预测模型的训练方法训练得到的。
在一些实施例中，可以确定待预测风机聚类中风机对应的各功率影响因子的当前指标值的均值等效，将各功率影响因子的当前指标值的均值等效作为待预测风机聚类对应的风电功率预测模型的输入，进行模型处理，预测得到下一时间段内待预测风机聚类的风电功率，其中，该均值等效为待预测风机聚类中风机对应的各功率影响因子的当前指标值的平均值。
其中，模型对当前指标值进行处理可以得到待预测风机聚类的归一化风电功率，然后可以对归一化风电功率进行反归一化处理，得到待预测风机聚类的风电功率。
类似地，还可以采用模型预测得到各风机聚类的归一化风电功率，采用预测输出模块将各风机聚类的归一化风电功率进行反归一化，并累加求和，得到整个风机集群功率的预测值，其中，多个风机聚类属于一个风机集群。
在本实施例的风电功率预测方法中，获取当前时间段内待预测风机聚类中风机对应的多个功率影响因子的当前指标值，根据待预测风机聚类对应的风电功率预测模型，对当前指标值进行处理，预测得到当前时间段的下一时间段内待预测风机聚类的风电功率。以风机聚类为预测单元进行风电功率的预测，预测精度高且时效性好。
在图1-图5的基础上，下面对本方案所采用的预测模型进行说明。
本方案采用的预测模型可以为时间卷积网络(Temporal ConvolutionalNetworks，TCN)-双向长短期记忆(Bi-directional Long Short-Term Memory，BLSTM)形成的组合模型。
(1)TCN作为一种特殊的卷积神经网络(Convolutional Neural Networks,CNN)网络，能灵活捕捉时间序列中的复杂信息，对时延具有鲁棒性，此外，因为其独特的网络结构可以接受任何长度的输入，并将其映射到具有相同长度的输出序列，同时，还可以捕获更多输入特征的时空信息且并行完成特征学习，因此通常被应用于时序数据的特征提取，本方案利用TCN对BiLSTM模型中的隐藏状态进行压缩，提取风电数据之间的时空相关性，缩短计算时间的同时也解决了梯度消失和梯度爆炸的问题，由于风电监视控制与数据采集(Supervisory Control And Data Acquisition，SCADA)数据量较大并且时间跨度较长，因此采用膨胀因果卷积和残差模块构建TCN能够提高计算效率，满足精确、快速响应的要求。
TCN主要组成部分包括：因果卷积(Causal Convolutions)部分、膨胀卷积(Dilated Convolutions)部分及残差链接。
其中，因果卷积是TCN的基础结构，当前时刻的输出值仅由前一卷积层和更早的元素通过卷积计算获得，但是其缺陷在于难以捕捉到时间较久的历史信息特征，膨胀因果卷积则以因果卷积为基础，使上一层的输入以间隔采样，每层的膨胀率d以2的指数增长，有效窗口的大小随着层数呈指数型增长，这使的TCN只用较少的层就能捕捉到较长时序数据之间的时空关系，设时间序列为x，膨胀因果卷积F(s)的表达式为：
其中，d为膨胀系数，s为神经元，g为卷积核的尺寸，f(n)为卷积核中第n条数据，Xs-dn表示对过去的数据卷积运算。
随着TCN深度的不断增加，其对于信息之间关联特征的发掘能力会不断增强，但也会带来梯度爆炸、梯度消失等问题，为了解决这类网络退化的问题，需要通过残差模块进行误差修正，残差模块将输入层的直接映射作为残差链接，其中，权重归一化(WeightNorm)层和随机失活(Dropout)层的起到了抑制网络噪声和优化网络的作用，此外为了保证输出输入的维度相同，引入了1×1卷积层，最后，将残差模块不断堆叠即可构建深层的TCN。
(2)BiLSTM模型引申长短期记忆人工神经网络(Long Short-Term Memory，LSTM)模型，与LSTM模型不同的是，BiLSTM模型由前向LSTM层和反向LSTM层组成，可以使LSTM同时处理前向和反向的时间序列，并且两个方向都具有独立的隐藏层，每个隐藏层可以在特定的时间步长捕获过去(向前)和未来(向后)信息，具有更好的鲁棒性。
本方案采用BiLSTM模型学习前一时刻和后一时刻与当前状态之间的时序关系，学习更全面的风电功率特征关系，以提高网络的预测性能，核心计算参考公式(19)-(21)：
其中，为前向LSTM(即/>)在t时刻的输出，/>为反向LSTM(即/>)在t时刻的输出，/>为前向LSTM(即/>)在t-1时刻的输出，/>为反向LSTM(即/>)在t-1时刻的输出，xt为t时刻的输入，最后将/>与/>合并得到BiLSTM层在时刻t的输出ht，t-1为t的前一时刻。
值得说明的是，关于TCN和BiLSTM的具体实现原理可以参见现有技术中的相关描述，在此不再赘述。
基于此，为了更快速准确的预测功率，本方案提出了TCN-BiLSTM模型，图6为本申请实施例提供的TCN-BiLSTM模型的网络结构的示意图，如图6所示，在输入层输入风电数据(即功率影响因子的历史指标值、风机的历史风电功率)，通过TCN提取输入风电数据的时空信息，提高网络训练过程的运行效率并减少网络训练过程的超参数个数，然后通过BiLSTM对TCN所提特征的时空信息进行双向建模学习，最后通过全连接层输出预测结果。
其中，TCN包括：扩展卷积层(Dilated Causal Conv)、权重归一化(WeightNorm)层、随机失活(Dropout)层和激活层(Rel U)、1×1卷积层以及池化层，BiLSTM包括前向LSTM层和反向LSTM层。
综上，下面对本方案的整体框架进行说明，包括：数据整合处理模块、特征综合权重计算模块、风电集群划分模块、模型预测模块和预测输出模块，其具体步骤如下：
步骤一：数据整合处理模块：对所有多个风电机组对应的多个功率影响因子的历史指标值和历史风电功率进行收集和整合，然后对整合后的数据进行异常值和缺失值的处理，最后将数据进行归一化(即无量纲化处理)。
步骤二：特征综合权重计算模块：对处理过后的特征数据进行主客观权重分析(即确定第一权重系数和第二权重系数)，然后通过QPSO算法确定主客观权重比，最后计算出各功率影响因子的综合权重系数。
步骤三：风电集群划分模块：选取当前时刻前30min(即目标历史时间段)的历史指标值添加综合权重，然后使用K-Medoids聚类算法将风电机组划分为多个风电聚类，最后按30min的周期不断更新(即每隔30min执行一次预测)。
步骤四：模型预测模块；将风机聚类内风机的历史指标值进行均值等效，然后以风机聚类域作为预测单元分别建立TCN-BiLSTM预测模型并进行训练预测，最后将各风机聚类的风电功率预测值传入到预测输出模块处理。
步骤五：预测输出模块；将对应时段各风机聚类的风电功率预测值进行反归一化累加求和，最后得到整个风电集群功率的超短期预测值。
在本方案中，按风机聚类分别使用TCN-BLSTM组合模型预测其功率值，并使用QPSO算法进行参数寻优，可有效解决梯度消失和梯度爆炸的问题，最后累加求和得到风电集群的功率预测值。
基于同一发明构思，本申请实施例中还提供了与风电功率预测模型的训练方法对应的风电功率预测模型的训练装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述风电功率预测模型的训练方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
图7为本申请实施例提供的风电功率预测模型的训练装置的结构示意图，该装置可以集成在电子设备中。
如图7所示，该装置可以包括：
获取模块601，用于获取目标历史时间段内多个风机对应的多个功率影响因子的历史指标值；
聚类模块602，用于对多个风机进行聚类，得到多个风机聚类；
获取模块601，还用于获取目标历史时间段的下一历史时间段内各风机聚类中风机的历史风电功率；
训练模块603，用于根据各风机聚类中风机对应的历史指标值和各风机聚类中风机的历史风电功率，分别进行模型训练，得到各风机聚类的风电功率预测模型。
在一可选的实施方式中，聚类模块602，具体用于：
获取多个功率影响因子的权重系数；
根据多个功率影响因子的权重系数和多个风机对应的历史指标值，对多个风机进行聚类，得到多个风机聚类。
在一可选的实施方式中，获取模块601，具体用于：
根据多个功率影响因子的重要性比较结果，确定多个功率影响因子的第一权重系数；
根据多个功率影响因子的历史指标值，确定多个功率影响因子的第二权重系数；
根据第一权重系数和第二权重系数，确定多个功率影响因子的权重系数。
在一可选的实施方式中，获取模块601，具体用于：
根据重要性比较结果，构建重要性判断矩阵；
对重要性判断矩阵进行一致性校验；
若校验通过，则获取重要性判断矩阵的满足预设特征条件的特征值对应的特征向量；
根据特征向量，确定第一权重系数。
在一可选的实施方式中，获取模块601，具体用于：
若校验不通过，则更新重要性比较结果，并根据更新后的重要性比较结果，重新构建重要性判断矩阵；
根据重新构建的重要性判断矩阵，确定第一权重系数。
在一可选的实施方式中，获取模块601，具体用于：
根据多个功率影响因子的历史指标值，确定多个功率影响因子的信息熵；
根据信息熵，确定第二权重系数。
在一可选的实施方式中，聚类模块602，具体用于：
根据多个功率影响因子的权重系数和多个风机对应的历史指标值，进行加权运算，得到多个风机的加权指标值；
根据加权指标值，对多个风机进行聚类，得到多个风机聚类。
关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述风电功率预测模型的训练方法实施例中的相关说明，这里不再详述。
图8为本申请实施例提供的风电功率预测装置的结构示意图，该装置可以集成在电子设备中。
如图8所示，该装置可以包括：
获取模块701，用于获取当前时间段内待预测风机聚类中风机对应的多个功率影响因子的当前指标值；
处理模块702，用于根据待预测风机聚类对应的风电功率预测模型，对当前指标值进行处理，预测得到当前时间段的下一时间段内待预测风机聚类的风电功率，风电功率预测模型为根据上述风电功率预测模型的训练方法训练得到的。
关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述风电功率预测方法实施例中的相关说明，这里不再详述。
图9为本申请实施例提供的电子设备的结构示意图，如图9所示，该设备可以包括：处理器801、存储器802和总线803，存储器802存储有处理器801可执行的机器可读指令，当电子设备运行时，处理器801与存储器802之间通过总线803通信，处理器801执行机器可读指令，以执行上述风电功率预测模型的训练方法或风电功率预测方法。
本申请实施例还提供了一种确定机可读存储介质，该确定机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行，所述处理器执行上述风电功率预测模型的训练方法或风电功率预测方法。
在本申请实施例中，该计算机程序被处理器运行时还可以执行其它机器可读指令，以执行如实施例中其它所述的方法，关于具体执行的方法步骤和原理参见实施例的说明，在此不再详细赘述。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以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，可以存储在一个确定机可读取存储介质中。基于这样的理解，本申请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，该确定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确定机设备(可以是个人确定机，服务器，或者网络设备等)执行本申请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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种风电功率预测模型的训练方法，其特征在于，包括：
获取目标历史时间段内多个风机对应的多个功率影响因子的历史指标值；
对所述多个风机进行聚类，得到多个风机聚类；
获取所述目标历史时间段的下一历史时间段内各风机聚类中风机的历史风电功率；
根据所述各风机聚类中风机对应的历史指标值和所述各风机聚类中风机的历史风电功率，分别进行模型训练，得到所述各风机聚类的风电功率预测模型。
2.根据权利要求1所述的方法，其特征在于，所述对所述多个风机进行聚类，得到多个风机聚类，包括：
获取所述多个功率影响因子的权重系数；
根据所述多个功率影响因子的权重系数和所述多个风机对应的历史指标值，对所述多个风机进行聚类，得到所述多个风机聚类。
3.根据权利要求2所述的方法，其特征在于，所述获取所述多个功率影响因子的权重系数，包括：
根据所述多个功率影响因子的重要性比较结果，确定所述多个功率影响因子的第一权重系数；
根据所述多个功率影响因子的历史指标值，确定所述多个功率影响因子的第二权重系数；
根据所述第一权重系数和所述第二权重系数，确定所述多个功率影响因子的权重系数。
4.根据权利要求3所述的方法，其特征在于，所述根据所述多个功率影响因子的重要性比较结果，确定所述多个功率影响因子的第一权重系数，包括：
根据所述重要性比较结果，构建重要性判断矩阵；
对所述重要性判断矩阵进行一致性校验；
若校验通过，则获取所述重要性判断矩阵的满足预设特征条件的特征值对应的特征向量；
根据所述特征向量，确定所述第一权重系数。
5.根据权利要求4所述的方法，其特征在于，所述根据所述多个功率影响因子的重要性比较结果，确定所述多个功率影响因子的第一权重系数，还包括：
若校验不通过，则更新所述重要性比较结果，并根据更新后的重要性比较结果，重新构建重要性判断矩阵；
根据重新构建的重要性判断矩阵，确定所述第一权重系数。
6.根据权利要求3所述的方法，其特征在于，所述根据所述多个功率影响因子的历史指标值，确定所述多个功率影响因子的第二权重系数，包括：
根据所述多个功率影响因子的历史指标值，确定所述多个功率影响因子的信息熵；
根据所述信息熵，确定所述第二权重系数。
7.根据权利要求2所述的方法，其特征在于，所述根据所述多个功率影响因子的权重系数和所述多个风机对应的历史指标值，对所述多个风机进行聚类，得到所述多个风机聚类，包括：
根据所述多个功率影响因子的权重系数和所述多个风机对应的历史指标值，进行加权运算，得到所述多个风机的加权指标值；
根据所述加权指标值，对所述多个风机进行聚类，得到所述多个风机聚类。
8.一种风电功率预测方法，其特征在于，包括：
获取当前时间段内待预测风机聚类中风机对应的多个功率影响因子的当前指标值；
根据所述待预测风机聚类对应的风电功率预测模型，对所述当前指标值进行处理，预测得到所述当前时间段的下一时间段内所述待预测风机聚类的风电功率，所述风电功率预测模型为根据权利要求1-7任一所述的风电功率预测模型的训练方法训练得到的。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行权利要求1至7任一所述的风电功率预测模型的训练方法或权利要求8所述的风电功率预测方法。
10.一种计算机可读存储介质，其特征在于，所述确定机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行权利要求1至7任一所述的风电功率预测模型的训练方法或权利要求8所述的风电功率预测方法。
CN202310337573.2A 2023-03-31 2023-03-31 风电功率预测模型的训练方法、风电功率预测方法及设备 Pending CN116628488A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310337573.2A CN116628488A (zh) 2023-03-31 2023-03-31 风电功率预测模型的训练方法、风电功率预测方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310337573.2A CN116628488A (zh) 2023-03-31 2023-03-31 风电功率预测模型的训练方法、风电功率预测方法及设备

Publications (1)

Publication Number Publication Date
CN116628488A true CN116628488A (zh) 2023-08-22

Family

ID=87596185

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310337573.2A Pending CN116628488A (zh) 2023-03-31 2023-03-31 风电功率预测模型的训练方法、风电功率预测方法及设备

Country Status (1)

Country Link
CN (1) CN116628488A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117195028A (zh) * 2023-11-07 2023-12-08 江苏新希望生态科技有限公司 一种芽苗菜种子萌发预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117195028A (zh) * 2023-11-07 2023-12-08 江苏新希望生态科技有限公司 一种芽苗菜种子萌发预测方法
CN117195028B (zh) * 2023-11-07 2024-01-26 江苏新希望生态科技有限公司 一种芽苗菜种子萌发预测方法

Similar Documents

Publication Publication Date Title
Zhang et al. Short-term forecasting and uncertainty analysis of wind turbine power based on long short-term memory network and Gaussian mixture model
Gu et al. Forecasting and uncertainty analysis of day-ahead photovoltaic power using a novel forecasting method
Zhang et al. A novel combination forecasting model for wind power integrating least square support vector machine, deep belief network, singular spectrum analysis and locality-sensitive hashing
Tian et al. Multi-step short-term wind speed prediction based on integrated multi-model fusion
Wang et al. A novel combined model based on hybrid optimization algorithm for electrical load forecasting
Lu et al. Short-term wind power forecasting based on meteorological feature extraction and optimization strategy
Wang et al. Wind speed forecasting based on multi-objective grey wolf optimisation algorithm, weighted information criterion, and wind energy conversion system: A case study in Eastern China
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN109615146B (zh) 一种基于深度学习的超短时风功率预测方法
Ye et al. Combined approach for short-term wind power forecasting based on wave division and Seq2Seq model using deep learning
Li et al. Multi-step ahead wind speed forecasting approach coupling maximal overlap discrete wavelet transform, improved grey wolf optimization algorithm and long short-term memory
CN110309603A (zh) 一种基于风速特性的短期风速预测方法及系统
CN104978612A (zh) 基于ahp-rbf的分布式大数据系统风险预测方法
Tao et al. Evolutionary gate recurrent unit coupling convolutional neural network and improved manta ray foraging optimization algorithm for performance degradation prediction of PEMFC
CN110110434B (zh) 一种概率潮流深度神经网络计算的初始化方法
CN113158572A (zh) 一种短期负荷的预测方法及装置
Zhang et al. A hybrid forecasting system with complexity identification and improved optimization for short-term wind speed prediction
An et al. Ultra-short-term wind power prediction based on PVMD-ESMA-DELM
CN115034485A (zh) 一种基于数据空间的风电功率区间预测方法及装置
Hu et al. A novel wind speed forecasting combined model using variational mode decomposition, sparse auto-encoder and optimized fuzzy cognitive mapping network
CN116628488A (zh) 风电功率预测模型的训练方法、风电功率预测方法及设备
CN116169670A (zh) 一种基于改进神经网络的短期非居民负荷预测方法及系统
CN117132132A (zh) 基于气象数据的光伏发电功率预测方法
Tian et al. A wind speed prediction system based on new data preprocessing strategy and improved multi-objective optimizer
Xu et al. A novel hybrid wind speed interval prediction model based on mode decomposition and gated recursive neural network

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