CN116629027B - 基于雷达数据的风功率预测方法及系统 - Google Patents
基于雷达数据的风功率预测方法及系统 Download PDFInfo
- Publication number
- CN116629027B CN116629027B CN202310876714.8A CN202310876714A CN116629027B CN 116629027 B CN116629027 B CN 116629027B CN 202310876714 A CN202310876714 A CN 202310876714A CN 116629027 B CN116629027 B CN 116629027B
- Authority
- CN
- China
- Prior art keywords
- future
- wind power
- initial
- wind
- yaw angle
- 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 38
- 238000005265 energy consumption Methods 0.000 claims abstract description 68
- 238000013461 design Methods 0.000 claims abstract description 25
- 239000013598 vector Substances 0.000 claims description 97
- 238000005457 optimization Methods 0.000 claims description 56
- 230000006870 function Effects 0.000 claims description 53
- 230000008859 change Effects 0.000 claims description 38
- 238000012360 testing method Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 abstract description 17
- 238000005259 measurement Methods 0.000 abstract 1
- 238000010248 power generation Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 241000695274 Processa Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning 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
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Wind Motors (AREA)
Abstract
本发明提供一种基于雷达数据的风功率预测方法及系统，涉及数据预测技术领域。所述方法包括：获取测风数据和初始偏航角；根据测风数据、初始偏航角和设计参数，确定初始实际风功率；根据初始风力数据和设计参数，确定初始理论风功率；通过风力预测模型，确定未来的风向数据和风力数据；根据未来的风力数据和设计参数，确定未来的理论风功率；获取偏航角调节的能量消耗；根据初始偏航角、初始实际风功率、初始理论风功率、初始风向数据、未来的理论风功率、未来的风向数据和能量消耗，确定未来的预测偏航角和未来的优化风功率。根据本发明，可在调节偏航角时，考虑偏航角调节的能量消耗，使效益最大化。
Description
技术领域
本发明涉及数据预测技术领域，尤其涉及一种基于雷达数据的风功率预测方法及系统。
背景技术
风吹过任意设施（例如，楼宇、广告牌、风车等）后，风能可转化为该设施的机械能，该设施的迎风面所接受的风能的功率为风功率。为提升风能的利用率，通常可使风功率最大化，从而提升发电效益。在调节风功率时，通常可调节设施的迎风面的偏航角，使得迎风面正对风向，从而使风功率最大化。然而，风向可能会经常发生变动，而经常调节风力影响设施的偏航角，反而可能增大能耗，在调整风力影响设施增大的发电效益小于调整风力影响设施的能耗时，则会对于发电效益产生不利影响。
公开于本申请背景技术部分的信息仅仅旨在加深对本申请的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明实施例提供一种基于雷达数据的风功率预测方法及系统，可在调节风力影响设施的偏航角时，考虑偏航角调节的单位能量消耗，将多个因素进行综合优化，有利于使发电效益最大化。
根据本发明的实施例的第一方面，提供一种基于雷达数据的风功率预测方法,包括：
获取风力影响设施所在的第一区域在初始时刻的雷达数据，其中，所述雷达数据包括所述第一区域中各个位置的初始风向数据和初始风力数据；
获取所述风力影响设施的迎风面的初始偏航角；
根据所述初始风向数据、所述初始风力数据、所述初始偏航角和所述风力影响设施的设计参数，确定所述风力影响设施的初始实际风功率；
根据所述初始风力数据和所述风力影响设施的设计参数，确定所述风力影响设施的初始理论风功率；
通过风力预测模型，确定未来n个时刻的第一区域中的风向数据和风力数据；
根据所述未来n个时刻的第一区域中的风力数据和所述风力影响设施的设计参数，确定未来n个时刻的理论风功率；
获取偏航角调节的单位能量消耗；
根据所述初始偏航角、所述初始实际风功率、所述初始理论风功率、所述初始风向数据、未来n个时刻的理论风功率、未来n个时刻的风向数据以及偏航角调节的单位能量消耗，确定未来n个时刻的预测偏航角；
根据未来n个时刻的预测偏航角、未来n个时刻的理论风功率以及未来n个时刻的风向数据，预测未来n个时刻的优化风功率。
根据本发明的一个实施例，根据所述初始偏航角、所述初始实际风功率、所述初始理论风功率、所述初始风向数据、未来n个时刻的理论风功率、未来n个时刻的风向数据以及偏航角调节的单位能量消耗，确定未来n个时刻的偏航角，包括：
根据所述初始风向数据和未来n个时刻的风向数据，确定未来n个时刻的风向变化角度；
根据所述初始实际风功率、所述初始理论风功率、未来n个时刻的理论风功率、所述风向变化角度、和所述偏航角调节的单位能量消耗，确定未来第1个时刻的偏航角调节幅度；
根据所述第1个时刻的偏航角调节幅度和所述初始偏航角，确定第1个时刻的预测偏航角；
根据未来第i个时刻的预测偏航角，未来n-i个时刻的理论风功率、所述风向变化角度、和所述偏航角调节的单位能量消耗，确定未来第i+1个时刻的偏航角调节幅度，其中，i为小于n的正整数；
根据未来第i+1个时刻的偏航角调节幅度以及未来第i个时刻的预测偏航角，获得未来第i+1个时刻的预测偏航角。
根据本发明的一个实施例，根据所述初始实际风功率、所述初始理论风功率、未来n个时刻的理论风功率、所述风向变化角度、和所述偏航角调节的单位能量消耗，确定未来第1个时刻的偏航角调节幅度，包括：
根据公式：
；
；
；
；
；
确定优化边界条件，其中，为未来第1个时刻的偏航角，为初始偏航角，为第1个时刻的偏航角调节幅度，为第1次调节的调节时间，为预设调节角速度，为未来第i+1个时刻的偏航角调节幅度，为未来第i个时刻的偏航角，为初始风向数据与初始偏航角的差距，为初始理论风功率，为初始实际风功率，为风能转化率，为偏航角调节的单位能量消耗，为初始时刻到未来第1个时刻之间的风力影响设施产生的电能，为未来第i个时刻到未来第i+1个时刻之间的风力影响设施产生的电能，为第i次风向变化角度，为未来第i个时刻的理论风功率，T为时间衰减系数，为第i次调节的调节时长；
根据所述初始实际风功率、所述初始理论风功率、未来n个时刻的理论风功率、所述风向变化角度、和所述偏航角调节的单位能量消耗，确定优化函数；
在所述边界条件的约束下，对所述优化函数进行优化，确定未来第1个时刻的偏航角调节幅度。
根据本发明的一个实施例，根据所述初始实际风功率、所述初始理论风功率、未来n个时刻的理论风功率、所述风向变化角度、和所述偏航角调节的单位能量消耗，确定优化函数，包括：
根据公式：
；
确定所述优化函数，其中，为初始时刻到未来第n个时刻之间的风力影响设施产生的电能。
根据本发明的一个实施例，根据未来第i个时刻的预测偏航角，未来n-i个时刻的理论风功率、所述风向变化角度、和所述偏航角调节的单位能量消耗，确定未来第i+1个时刻的偏航角调节幅度，包括：
根据公式：
；
确定优化函数，为未来第i个时刻到未来第n个时刻之间的风力影响设施产生的电能；
在所述边界条件的约束下，对所述优化函数进行优化，确定未来第i+1个时刻的偏航角调节幅度。
根据本发明的一个实施例，通过风力预测模型，确定未来n个时刻的第一区域中的风向数据和风力数据，包括：
根据所述初始时刻之前m个时刻的风向数据和风力数据，获得初始时刻之前m个时刻的样本向量，m为大于n的整数；
获取所述风力预测模型在测试集中的拟合优度；
根据所述拟合优度，确定时间衰减系数；
根据时间衰减系数、所述样本向量、所述风力预测模型、所述初始风向数据和所述初始风力数据，在所述m个时刻的样本向量中，确定预测所需的x个样本向量，x为小于m的整数；
根据所述时间衰减系数、所述初始时刻之前第1至第x个时刻的样本向量、所述初始风向数据和所述初始风力数据，确定未来第1个时刻的风向数据和风力数据；
根据所述时间衰减系数、所述初始时刻之前第1至第x-j个时刻的样本向量、所述初始风向数据和所述初始风力数据，未来第1至第j-1个时刻的风向数据和风力数据，确定未来第j个时刻的风向数据和风力数据，其中，j为小于或等于n的正整数。
根据本发明的一个实施例，根据时间衰减系数、所述样本向量、所述风力预测模型、所述初始风向数据和所述初始风力数据，在所述m个时刻的样本向量中，确定预测所需的x个样本向量，包括：
确定使不等式成立的首个x；
其中，为风力预测模型的处理函数，T为时间衰减系数，为初始时刻之前第y个时刻样本向量，y≤x+1，且y为正整数，为初始风向数据和初始风力数据组成的向量，sim为预测的初始时刻的向量与之间的相似度；
将第1至第x个时刻样本向量确定为预测所需的x个样本向量。
根据本发明的实施例的第二方面，提供一种基于雷达数据的风功率预测系统，包括：
雷达数据模块，用于获取风力影响设施所在的第一区域的在初始时刻的雷达数据，其中，所述雷达数据包括所述第一区域中各个位置的初始风向数据和初始风力数据；
初始偏航角模块，用于获取所述风力影响设施的迎风面的初始偏航角；
初始实际风功率模块，用于根据所述初始风向数据、所述初始风力数据、所述初始偏航角和所述风力影响设施的设计参数，确定所述风力影响设施的初始实际风功率；
初始理论风功率模块，用于根据所述初始风力数据和所述风力影响设施的设计参数，确定所述风力影响设施的初始理论风功率；
预测模块，用于通过风力预测模型，确定未来n个时刻的第一区域中的风向数据和风力数据；
理论风功率预测模块，用于根据所述未来n个时刻的第一区域中的风力数据和所述风力影响设施的设计参数，确定未来n个时刻的理论风功率；
能耗模块，用于获取偏航角调节的单位能量消耗；
预测偏航角模块，用于根据所述初始偏航角、所述初始实际风功率、所述初始理论风功率、所述初始风向数据、未来n个时刻的理论风功率、未来n个时刻的风向数据以及偏航角调节的单位能量消耗，确定未来n个时刻的预测偏航角；
优化风功率模块，用于根据未来n个时刻的预测偏航角、未来n个时刻的理论风功率以及未来n个时刻的风向数据，预测未来n个时刻的优化风功率。
根据本发明的一个实施例，所述预测偏航角模块进一步用于：
根据所述初始风向数据和未来n个时刻的风向数据，确定未来n个时刻的风向变化角度；
根据所述初始实际风功率、所述初始理论风功率、未来n个时刻的理论风功率、所述风向变化角度、和所述偏航角调节的单位能量消耗，确定未来第1个时刻的偏航角调节幅度；
根据所述第1个时刻的偏航角调节幅度和所述初始偏航角，确定第1个时刻的预测偏航角；
根据未来第i个时刻的预测偏航角，未来n-i个时刻的理论风功率、所述风向变化角度、和所述偏航角调节的单位能量消耗，确定未来第i+1个时刻的偏航角调节幅度，其中，i为小于n的正整数；
根据未来第i+1个时刻的偏航角调节幅度以及未来第i个时刻的预测偏航角，获得未来第i+1个时刻的预测偏航角。
根据本发明的一个实施例，所述预测偏航角模块进一步用于：
根据公式：
；
；
；
；
；
确定优化边界条件，其中，为未来第1个时刻的偏航角，为初始偏航角，为第1个时刻的偏航角调节幅度，为第1次调节的调节时间，为预设调节角速度，为未来第i+1个时刻的偏航角调节幅度，为未来第i个时刻的偏航角，为初始风向数据与初始偏航角的差距，为初始理论风功率，为初始实际风功率，为风能转化率，为偏航角调节的单位能量消耗，为初始时刻到未来第1个时刻之间的风力影响设施产生的电能，为未来第i个时刻到未来第i+1个时刻之间的风力影响设施产生的电能，为第i次风向变化角度，为未来第i个时刻的理论风功率，T为时间衰减系数，为第i次调节的调节时长；
根据所述初始实际风功率、所述初始理论风功率、未来n个时刻的理论风功率、所述风向变化角度、和所述偏航角调节的单位能量消耗，确定优化函数；
在所述边界条件的约束下，对所述优化函数进行优化，确定未来第1个时刻的偏航角调节幅度。
根据本发明的一个实施例，所述预测偏航角模块进一步用于：
根据公式：
；
确定所述优化函数，其中，为初始时刻到未来第n个时刻之间的风力影响设施产生的电能。
根据本发明的一个实施例，所述预测偏航角模块进一步用于：
根据公式：
；
确定优化函数，为未来第i个时刻到未来第n个时刻之间的风力影响设施产生的电能；
在所述边界条件的约束下，对所述优化函数进行优化，确定未来第i+1个时刻的偏航角调节幅度。
根据本发明的一个实施例，所述预测模块进一步用于：
根据所述初始时刻之前m个时刻的风向数据和风力数据，获得初始时刻之前m个时刻的样本向量，m为大于n的整数；
获取所述风力预测模型在测试集中的拟合优度；
根据所述拟合优度，确定时间衰减系数；
根据时间衰减系数、所述样本向量、所述风力预测模型、所述初始风向数据和所述初始风力数据，在所述m个时刻的样本向量中，确定预测所需的x个样本向量，x为小于m的整数；
根据所述时间衰减系数、所述初始时刻之前第1至第x个时刻的样本向量、所述初始风向数据和所述初始风力数据，确定未来第1个时刻的风向数据和风力数据；
根据所述时间衰减系数、所述初始时刻之前第1至第x-j个时刻的样本向量、所述初始风向数据和所述初始风力数据，未来第1至第j-1个时刻的风向数据和风力数据，确定未来第j个时刻的风向数据和风力数据，其中，j为小于或等于n的正整数。
根据本发明的一个实施例，所述预测模块进一步用于：
确定使不等式成立的首个x；
其中，为风力预测模型的处理函数，T为时间衰减系数，为初始时刻之前第y个时刻样本向量，y≤x+1，且y为正整数，为初始风向数据和初始风力数据组成的向量，sim为预测的初始时刻的向量与之间的相似度；
将第1至第x个时刻样本向量确定为预测所需的x个样本向量。
根据本发明的实施例的第三方面，提供一种基于雷达数据的风功率预测设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行所述基于雷达数据的风功率预测方法。
根据本发明的实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现所述基于雷达数据的风功率预测方法。
根据本发明的实施例的基于雷达数据的风功率预测方法，可在调节风力影响设施的迎风面的偏航角时，考虑未来多个时刻的风向数据和风力数据，并考虑偏航角调节的单位能量消耗，将多个因素进行综合优化，得到使未来多个时刻的发电效益最大化的预测偏航角和风功率，有利于使发电效益最大化。并且，在预测未来的风向数据和风力数据时，可将风力预测模型在测试集中的拟合优度作为参考，来确定预测所需的样本向量的数量，可确定出使风力预测模型的准确性符合要求的最少的样本向量的数量，在保障预测准确性的基础上，减少预测所需的样本向量的数量，减少运算资源的占用。进一步地，在求解最优化的偏航角调节幅度时，可设置边界调节和优化函数，从而进行优化求解，获得使风力影响设施发电效益最大化的偏航角调节幅度，在设置边界条件和优化函数时，将调节过程中的风力影响设施承受的风能，与调节完成后直到下一个时刻之前的风力影响设施承受的风能，分别进行运算，提升风能数据的准确性。且在求解未来的时刻的风功率时，考虑对于未来的风功率预测的准确性随预测时间增长而下降的特点，利用时间衰减系数确定未来风功率的预期数据，提升未来风功率预测数据的客观性。进一步地，还可考虑调节偏航角的能量消耗，使得风力影响设施产生的电量更准确，且使发电效益最大化。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本发明。根据下面参考附图对示例性实施例的详细说明，本发明的其它特征及方面将更清楚。
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实施例，
图1示例性地示出根据本发明实施例的基于雷达数据的风功率预测方法的流程示意图；
图2示例性地示出根据本发明实施例的基于雷达数据的风功率预测系统的示意图。
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，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1示例性地示出根据本发明实施例的基于雷达数据的风功率预测方法的流程示意图，如图1所示，所述方法包括：
步骤S101，获取风力影响设施所在的第一区域在初始时刻的雷达数据，其中，所述雷达数据包括所述第一区域中各个位置的初始风向数据和初始风力数据；
步骤S102，获取所述风力影响设施的迎风面的初始偏航角；
步骤S103，根据所述初始风向数据、所述初始风力数据、所述初始偏航角和所述风力影响设施的设计参数，确定所述风力影响设施的初始实际风功率；
步骤S104，根据所述初始风力数据和所述风力影响设施的设计参数，确定所述风力影响设施的初始理论风功率；
步骤S105，通过风力预测模型，确定未来n个时刻的第一区域中的风向数据和风力数据；
步骤S106，根据所述未来n个时刻的第一区域中的风力数据和所述风力影响设施的设计参数，确定未来n个时刻的理论风功率；
步骤S107，获取偏航角调节的单位能量消耗；
步骤S108，根据所述初始偏航角、所述初始实际风功率、所述初始理论风功率、所述初始风向数据、未来n个时刻的理论风功率、未来n个时刻的风向数据以及偏航角调节的单位能量消耗，确定未来n个时刻的预测偏航角；
步骤S109，根据未来n个时刻的预测偏航角、未来n个时刻的理论风功率以及未来n个时刻的风向数据，预测未来n个时刻的优化风功率。
根据本发明的实施例的基于雷达数据的风功率预测方法，可在调节风力影响设施的偏航角时，考虑未来多个时刻的风向数据和风力数据，并考虑偏航角调节的单位能量消耗，将多个因素进行综合优化，得到使未来多个时刻的发电效益最大化的预测偏航角和预测的优化风功率，有利于使发电效益最大化。
根据本发明的一个实施例，在步骤S101中，雷达可包括机舱式测风激光雷达，可在多个风力影响设施所在的第一区域中设置多个测风激光雷达，从而可获得第一区域的各个位置的测风激光雷达数据，即，获得第一区域的各个位置的风向数据和风力数据，所述风向数据和风力数据可包括第一区域中各个位置的在初始时刻的初始风向数据和初始风力数据。
根据本发明的一个实施例，风力影响设施为可对吹过的风力产生影响的设施，例如，楼宇、广告牌等，还可包括能够利用风能的设施，例如风车、风电机组等，在步骤S102中，可获得风力影响设施的迎风面的初始偏航角，例如，可从控制所述风力影响设施的控制器中，获得风力影响设施的迎风面的初始偏航角。
根据本发明的一个实施例，在步骤S103中，可求解初始实际风功率。风功率为风经过某平面后，风速降为0转化而来的功率，即，空气的动能能够转化的总功率。该功率与风速的方向与该平面的方向的夹角有关，如果该平面正对风速的方向，则风速降为0所减少的空气的动能全部转化为该平面所增加的能量，而如果该平面未正对风速的方向，则仅有风速在该平面正对方向上的分量降为0所减少的空气的动能化为该平面所增加的能量。例如，在该平面未正对风速的方向的情况下，风速降为0所减少的空气的动能能够转化成的平面的风功率为，风速降为0所减少的空气的动能乘以平面正对方向与风向之间夹角的余弦值。
根据本发明的一个实施例，基于上述分析，可根据初始风向数据、初始风力数据、初始偏航角和风力影响设施的设计参数，确定所述风力影响设施的初始实际风功率。例如，可根据风力影响设施的设计参数，确定风力影响设施的迎风面的面积。所述迎风面可等效于上述分析中的所述平面。进一步地，可基于初始风向数据和初始偏航角，确定二者之间的夹角，进而确定夹角的余弦值。并且，可基于初始风力数据，计算在迎风面的面积上风力降为0，所减少的空气的动能能够转换成的功率，再乘以所述余弦值可获得所述初始实际风功率。
根据本发明的一个实施例，在步骤S104中，可进一步基于初始风力数据和风力影响设施的设计参数，确定所述风力影响设施的初始理论风功率。基于以上分析，如果迎风面正对风速的方向，则可求得初始理论风功率，即，上述在迎风面的面积上风力降为0，所减少的空气的动能能够转换成的功率（无需再乘以所述余弦值）。
根据本发明的一个实施例，在步骤S105中，可确定未来n个时刻的第一区域中的风向数据和风力数据，可通过风力预测模型来进行预测，即，预测风力增大还是减小，和/或风向如何变化等。所述风力预测模型为深度学习神经网络模型。本发明对风力预测模型的具体类型不做限制。
根据本发明的一个实施例，步骤S105包括：根据所述初始时刻之前m个时刻的风向数据和风力数据，获得初始时刻之前m个时刻的样本向量，m为大于n的整数；获取所述风力预测模型在测试集中的拟合优度；根据所述拟合优度，确定时间衰减系数；根据时间衰减系数、所述样本向量、所述风力预测模型、所述初始风向数据和所述初始风力数据，在所述m个时刻的样本向量中，确定预测所需的x个样本向量，x为小于m的整数；根据所述时间衰减系数、所述初始时刻之前第1至第x个时刻的样本向量、所述初始风向数据和所述初始风力数据，确定未来第1个时刻的风向数据和风力数据；根据所述时间衰减系数、所述初始时刻之前第1至第x-j个时刻的样本向量、所述初始风向数据和所述初始风力数据，未来第1至第j-1个时刻的风向数据和风力数据，确定未来第j个时刻的风向数据和风力数据，其中，j为小于或等于n的正整数。
根据本发明的一个实施例，初始时刻之前m个时刻（每个时刻之间可间隔预设时间段，例如，5分钟、10分钟、30分钟、60分钟等）的风向数据和风力数据为实际采集的数据，即，为真实的数据，这些数据可保存在数据库中，可供查询。每个时刻的风向数据和风力数据可组成一个样本向量。例如，风向数据可包括三维方向坐标，风力数据可包括风速，三维的方向坐标与风速的数值可组成四维的样本向量，即，样本向量中可包括四个元素。本发明对样本向量的具体形式不做限制。
根据本发明的一个实施例，可获取风力预测模型在测试集中的拟合优度，例如，可在测试集中选取一部分历史数据组成每个时刻的测试向量，并通过风力预测模型对样本向量进行处理，从而确定测试向量对应的时刻之后的多个时刻的风力数据和风向数据，风力预测模型获得的风力数据和风向数据为预测值，可将预测值与测试集中保存的真实的数据进行对比，例如，确定预测的某个时刻的风力数据和风向数据组成的向量，与测试集中保存的该时刻的风力数据和风向数据组成的向量之间的相似度。以上处理可进行多次，获得多个预测值与保存的真实数据之间的相似度，进而可确定相似度的平均值，作为所述拟合优度。
根据本发明的一个实施例，可将以上确定的拟合优度确定为时间衰减系数，由于拟合优度为小于1的值，且预测的时间距离当前时刻越远，预测的准确性越低。可认为预测的准确性随时间的衰减系数等于该拟合优度，例如，拟合优度为0.9，则预测下一时刻的风力数据和风向数据的准确率为0.9，预测再下一时刻的风力数据和风向数据的准确率为0.9×0.9=0.81……预测A个时刻之后的风力数据和风向数据的准确率为，其中，A为正整数。
根据本发明的一个实施例，可基于以上确定的时间衰减系数、样本向量、风力预测模型、初始风向数据和初始风力数据，在m个时刻的样本向量中，确定预测所需的x个样本向量。该步骤可包括：
确定使不等式（1）成立的首个x，
（1）
其中，为风力预测模型的处理函数，T为时间衰减系数，为初始时刻之前第y个时刻样本向量，y≤x+1，且y为正整数，为初始风向数据和初始风力数据组成的向量，sim为预测的初始时刻的向量与之间的相似度；
将第1至第x个时刻样本向量确定为预测所需的x个样本向量。
根据本发明的一个实施例，可使x=0，并逐次增大x，每次增大1。例如，在x=0时，为，即，衰减系数与初始时刻之前第1个时刻的样本向量相乘后。随后，再经过风力预测模型的处理函数处理后获得的预测向量，该预测向量可与初始风向数据和初始风力数据组成的向量进行比较，确定二者之间的余弦相似度，如果余弦相似度大于或等于时间衰减系数（换言之，拟合优度），则可使x=0。即，在预测未来时刻的风向数据和风力数据时，不需要初始时刻之前的历史数据组成的向量，仅使用初始时刻的风向数据和风力数据即可得到较为准确的结果。反之，如果余弦相似度小于时间衰减系数，则可令x增大1，即，使x=1，并继续测试。
根据本发明的一个实施例，在x=1时，为，相比于以上x=0的情况，增加了二次项，亦增加了风力预测模型可参考的数据，从而提升了风力预测模型的准确性。随后，与以上类似，可通过风力预测模型的处理函数对其进行处理后，求解处理结果与初始风向数据和初始风力数据组成的向量之间的余弦相似度。如果余弦相似度大于或等于时间衰减系数，则可使x=1。即，在预测未来时刻的风向数据和风力数据时，使用初始时刻的风向数据和风力数据，以及初始时刻之前1个时刻的风向数据和风力数据，可得到较为准确的结果。反之，如果余弦相似度小于时间衰减系数，则可令x增大1，并继续测试。直到得到使不等式（1）成立的首个x。
通过这种方式，可将风力预测模型在测试集中的拟合优度作为参考，来确定预测所需的样本向量的数量，可确定出使风力预测模型的准确性符合要求的最少的样本向量的数量，在保障预测准确性的基础上，减少预测所需的样本向量的数量，减少运算资源的占用。
根据本发明的一个实施例，在确定x的数量后，可在预测未来第1个时刻的风向数据和风力数据时，使用初始时刻之前第1至第x个时刻的样本向量，以及初始风向数据和初始风力数据组成的向量来进行预测，例如，使用的计算结果，作为未来第1个时刻的风向数据和风力数据组成的向量。
根据本发明的一个实施例，可基于未来第1个时刻的风向数据和风力数据组成的向量继续向后预测，例如，预测所需的向量的总数为x+1个，在预测未来第1个时刻的风向数据和风力数据时，可使用未来第1个时刻的风向数据和风力数据组成的向量，初始风向数据和初始风力数据组成的向量，以及初始时刻之前第1至第x-1个时刻的样本向量。例如，使用作为未来第1个时刻的风向数据和风力数据组成的向量。依次类推，可使用时间衰减系数、初始时刻之前第1至第x-j个时刻的样本向量、初始风向数据和初始风力数据，未来第1至第j-1个时刻的风向数据和风力数据，预测未来第j个时刻的风向数据和风力数据。直到预测出未来n个时刻的风向数据和风力数据。
根据本发明的一个实施例，在步骤S106中，可基于未来n个时刻的第一区域中的风力数据和风力影响设施的设计参数，确定未来n个时刻的理论风功率。即，可根据未来n个时刻的风力数据，和上述迎风面的面积，来确定在迎风面的面积上风力降为0，所减少的空气的动能能够转换成的功率，即，未来n个时刻的理论风功率。
根据本发明的一个实施例，在步骤S107中，可获得偏航角调节的单位能量消耗，即，风力影响设施的自重较大，对其进行调节也可能消耗一些电能，可获取偏航角调节的单位能量消耗，从而在优化过程中，综合考虑风功率和能量消耗，从而获得使发电效益最大化的调节方式。
根据本发明的一个实施例，在步骤S108中，可基于以上获得的初始偏航角、初始实际风功率、初始理论风功率、初始风向数据、未来n个时刻的理论风功率、未来n个时刻的风向数据以及偏航角调节的单位能量消耗来进行优化处理，从而获得使发电效益最大化的预测偏航角，并将风力影响设施由当前的偏航角，在未来n个时刻调节至所述预测偏航角。
根据本发明的一个实施例，步骤S108可包括：根据所述初始风向数据和未来n个时刻的风向数据，确定未来n个时刻的风向变化角度；根据所述初始实际风功率、所述初始理论风功率、未来n个时刻的理论风功率、所述风向变化角度、和所述偏航角调节的单位能量消耗，确定未来第1个时刻的偏航角调节幅度；根据所述第1个时刻的偏航角调节幅度和所述初始偏航角，确定第1个时刻的预测偏航角；根据未来第i个时刻的预测偏航角，未来n-i个时刻的理论风功率、所述风向变化角度、和所述偏航角调节的单位能量消耗，确定未来第i+1个时刻的偏航角调节幅度，其中，i为小于n的正整数；根据未来第i+1个时刻的偏航角调节幅度以及未来第i个时刻的预测偏航角，获得未来第i+1个时刻的预测偏航角。
根据本发明的一个实施例，可将未来每个时刻的风向数据所表示的风向角度，与前一个时刻的风向数据所表示的风向角度相减，获得未来n个时刻的风向变化角度。进而根据所述初始实际风功率、所述初始理论风功率、未来n个时刻的理论风功率、所述风向变化角度、和所述偏航角调节的单位能量消耗，确定未来第1个时刻的偏航角调节幅度，该步骤包括：根据公式（2）-（7），确定优化边界条件，
（2）
（3）
（4）
（5）
（6）
（7）
其中，为未来第1个时刻的偏航角，为初始偏航角，为第1个时刻的偏航角调节幅度，为第1次调节的调节时间，为预设调节角速度，为未来第i+1个时刻的偏航角调节幅度，为未来第i个时刻的偏航角，为初始风向数据与初始偏航角的差距，为初始理论风功率，为初始实际风功率，为风能转化率，为偏航角调节的单位能量消耗，为初始时刻到未来第1个时刻之间的风力影响设施产生的电能，为未来第i个时刻到未来第i+1个时刻之间的风力影响设施产生的电能，为第i次风向变化角度，为未来第i个时刻的理论风功率，T为时间衰减系数，为第i次调节的调节时长；
根据所述初始实际风功率、所述初始理论风功率、未来n个时刻的理论风功率、所述风向变化角度、和所述偏航角调节的单位能量消耗，确定优化函数；
在所述边界条件的约束下，对所述优化函数进行优化，确定未来第1个时刻的偏航角调节幅度。
根据本发明的一个实施例，公式（2）可表示未来第1个时刻的偏航角由初始偏航角经过第1个时刻的偏航角调节幅度调节获得。公式（3）可表示第1次调节的调节时间与预设的调节角速度相乘可获得第1个时刻的偏航角调节幅度。公式（4）可表示第i次调节的调节时间与预设的调节角速度相乘可获得未来第i个时刻的偏航角调节幅度。公式（5）可表示未来第i+1个时刻的偏航角由未来第i个时刻的偏航角经过未来第i+1个时刻的偏航角调节幅度调节获得。
根据本发明的一个实施例，公式（6）表示初始时刻到未来第1个时刻之间的风力影响设施产生的电能。其中，为第1次调节的调节时间，为经过第1次调节偏航角后，初始风向数据与调节后的偏航角之间的夹角，为经过第1次调节偏航角之后的风功率，即为第1次调节期间的平均风功率，因此，为第一次调节期间风力影响设施承受的风能。为第1次调节之后的风功率，为在初始时刻到未来第1个时刻之间的时间段中，调节完成之后的剩余时间，在初始时刻到未来第1个时刻之间的时间段中，调节完成之后的剩余时间中风力影响设施承受的风能。 则表示在初始时刻到未来第1个时刻之间的时间段中，风力影响设施的发电量。表示第一次调节的能耗。初始时刻到未来第1个时刻之间的时间段中，风力影响设施的发电量减去第一次调节的能耗，即为风力影响设施在初始时刻到未来第1个时刻之间产生的电能，亦可表示该时间段内的发电效益。
根据本发明的一个实施例，公式（7）可表示未来第i个时刻到未来第i+1个时刻之间的风力影响设施产生的电能。其中，为第i次调节的调节时长，为经过第i次调节偏航角后，未来第i个时刻的风向数据与调节后的偏航角之间的夹角，T为时间衰减系数，在预测未来第i个时刻的理论风功率时，准确性下降至，因此，未来第i个时刻的理论风功率的预期值为，因此，为第i次调节偏航角后的预期风功率，为第i次调节偏航角之前的预期风功率，二者的平均值即为第i次调节期间的平均风功率，与相乘可得到第i次调节期间的电机组承受的风能。为第i次调节之后的风功率，为未来第i个时刻到未来第i+1个时刻之间的时间段中，调节完成之后的剩余时间，可表示在未来第i个时刻到未来第i+1个时刻之间的时间段中，调节完成之后的剩余时间内，风力影响设施承受的风能。未来第i个时刻到未来第i+1个时刻之间的时间段中承受的总风能与的乘积即为未来第i个时刻到未来第i+1个时刻之间的时间段中风力影响设施的总发电量。为未来第i次调节的能耗。未来第i个时刻到未来第i+1个时刻之间的时间段中风力影响设施的总发电量与未来第i次调节的能耗相减，即可获得风力影响设施在未来第i个时刻到未来第i+1个时刻之间产生的电能，亦可表示该时间段内的发电效益。
根据本发明的一个实施例，边界条件为求解最优的偏航角调节幅度时所需遵守的规律。还可设置优化函数，所述优化函数为调节偏航角时所要达到的目的，在本发明中，所述优化的目的为使优化函数最大化。因此，优化的规律为，在上述边界条件的限制下，求解使所述优化函数最大化时的偏航角调节幅度。
根据本发明的一个实施例，根据所述初始实际风功率、所述初始理论风功率、未来n个时刻的理论风功率、所述风向变化角度、和所述偏航角调节的单位能量消耗，确定优化函数，包括：
根据公式（8）确定所述优化函数，
（8）
其中，为初始时刻到未来第n个时刻之间的风力影响设施产生的电能。
根据本发明的一个实施例，在公式（8）中，为对、……进行求和的结果，即，在多个时刻之间的时间段内，风力影响设施产生的电能的总和。而优化函数使风力影响设施产生的电能的总和最大化。在优化过程中，可使用多种优化方式进行优化，例如，使用梯度下降法等，本发明对优化方法不做限制。在求解结束后，可获得使所述优化函数最大化时的未来第1个时刻的偏航角调节幅度。在示例中，在以上求解过程中，可获得各个时刻的偏航角调节幅度，在此采用第1个时刻的偏航角调节幅度作为最优的第1个时刻的偏航角调节幅度。
根据本发明的一个实施例，在后续求解过程中，可将最优的第1个时刻的偏航角调节幅度作为已知条件，同样可将作为已知条件，求解后续的最优的偏航角调节幅度，类似于在求解第1个时刻的偏航角调节幅度时，将初始偏航角为作为已知条件。
根据本发明的一个实施例，在求解后续各个时刻的偏航角调节幅度时，仍可使用公式（4）-（7）作为边界条件，并可设置在求解每个时刻的最优的偏航角调节幅度时的优化函数。根据未来第i个时刻的预测偏航角，未来n-i个时刻的理论风功率、所述风向变化角度、和所述偏航角调节的单位能量消耗，确定未来第i+1个时刻的偏航角调节幅度，包括：
根据公式（9）确定优化函数，
（9）
其中，为未来第i个时刻到未来第n个时刻之间的风力影响设施产生的电能；
在所述边界条件的约束下，对所述优化函数进行优化，确定未来第i+1个时刻的偏航角调节幅度。
根据本发明的一个实施例，在已经确定前i个时刻的最优的偏航角调节幅度之后，在求解第i+1个最优的偏航角调价幅度时，优化函数的目标为使未来第i个时刻到第n个时刻之间的时间段中，风力影响设施产生的电能最大化。
根据本发明的一个实施例，在公式（9）中，为对、…进行求和的结果，即，在未来第i个时刻之后的多个时间段内，风力影响设施产生的电能的总和。而优化函数使风力影响设施产生的电能的总和最大化。在优化过程中，可使用多种优化方式进行优化，例如，使用梯度下降法等，本发明对优化方法不做限制。在求解结束后，可获得使所述优化函数最大化时的未来第i+1个时刻的偏航角调节幅度。在示例中，在以上求解过程中，可获得未来第i+1个时刻之后的各个时刻的偏航角调节幅度，在此采用未来第i+1个时刻的偏航角调节幅度作为最优的未来第i+1个时刻的偏航角调节幅度。可迭代上述优化求解方式，直到将未来n个时刻的偏航角调节幅度全部求解完毕。即可获得未来n个时刻的最优的偏航角调节幅度。
通过这种方式，可在设置边界条件和优化函数时，将调节过程中的风力影响设施承受的风能，与调节完成后直到下一个时刻之前的风力影响设施承受的风能，分别进行运算，提升风能数据的准确性。且在求解未来的时刻的风功率时，考虑对于未来的风功率预测的准确性随预测时间增长而下降的特点，利用时间衰减系数确定未来风功率的预期数据，提升未来风功率预测数据的客观性。进一步地，还考虑调节偏航角的能量消耗，使得风力影响设施产生的电量更准确，且使风力影响设施的发电效益最大化。
根据本发明的一个实施例，在确定未来n个时刻的最优的偏航角调节幅度后，可基于初始偏航角，逐个求解未来n个时刻的预测偏航角。即，未来第1个时刻的预测偏航角为初始偏航角与第1个时刻的偏航角调节幅度进行求和，第2个时刻的预测偏航角为第1个时刻的预测偏航角与第2个时刻的偏航角调节幅度进行求和……第n个时刻的预测偏航角为第n-1个时刻的预测偏航角与第n个时刻的偏航角调节幅度进行求和。
根据本发明的一个实施例，在步骤S109中，在确定每个时刻的预测偏航角后，可确定未来n个时刻的优化风功率，例如，可确定每个时刻的预测偏航角与预测的每个时刻的风向数据的夹角的余弦值，并与每个时刻的理论风功率相乘，可获得未来n个时刻的预测的优化风功率。对未来n个时刻的优化风功率进行求和，并乘以上述风能转化率，可获得未来n个时刻风力影响设施产生的最大电能（减去调节偏航角消耗的电能之后的最大剩余电能），换言之，可预测未来n个时刻的最大发电效益。上述优化风功率可表示为，在考虑调节偏航角的电量消耗的情况下，使发电效益最大化的风功率。
根据本发明的实施例的基于雷达数据的风功率预测方法，可在调节风力影响设施的迎风面的偏航角时，考虑未来多个时刻的风向数据和风力数据，并考虑偏航角调节的单位能量消耗，将多个因素进行综合优化，得到使未来多个时刻的发电效益最大化的预测偏航角和风功率，有利于使发电效益最大化。并且，在预测未来的风向数据和风力数据时，可将风力预测模型在测试集中的拟合优度作为参考，来确定预测所需的样本向量的数量，可确定出使风力预测模型的准确性符合要求的最少的样本向量的数量，在保障预测准确性的基础上，减少预测所需的样本向量的数量，减少运算资源的占用。进一步地，在求解最优化的偏航角调节幅度时，可设置边界调节和优化函数，从而进行优化求解，获得使风力影响设施发电效益最大化的偏航角调节幅度，在设置边界条件和优化函数时，将调节过程中的风力影响设施承受的风能，与调节完成后直到下一个时刻之前的风力影响设施承受的风能，分别进行运算，提升风能数据的准确性。且在求解未来的时刻的风功率时，考虑对于未来的风功率预测的准确性随预测时间增长而下降的特点，利用时间衰减系数确定未来风功率的预期数据，提升未来风功率预测数据的客观性。进一步地，还可考虑调节偏航角的能量消耗，使得风力影响设施产生的电量更准确，且使发电效益最大化。
图2示例性地示出根据本发明实施例的基于雷达数据的风功率预测系统的示意图，如图2所示，所述系统包括：
雷达数据模块101，用于获取风力影响设施所在的第一区域的在初始时刻的雷达数据，其中，所述雷达数据包括所述第一区域中各个位置的初始风向数据和初始风力数据；
初始偏航角模块102，用于获取所述风力影响设施的迎风面的初始偏航角；
初始实际风功率模块103，用于根据所述初始风向数据、所述初始风力数据、所述初始偏航角和所述风力影响设施的设计参数，确定所述风力影响设施的初始实际风功率；
初始理论风功率模块104，用于根据所述初始风力数据和所述风力影响设施的设计参数，确定所述风力影响设施的初始理论风功率；
预测模块105，用于通过风力预测模型，确定未来n个时刻的第一区域中的风向数据和风力数据；
理论风功率预测模块106，用于根据所述未来n个时刻的第一区域中的风力数据和所述风力影响设施的设计参数，确定未来n个时刻的理论风功率；
能耗模块107，用于获取偏航角调节的单位能量消耗；
预测偏航角模块108，用于根据所述初始偏航角、所述初始实际风功率、所述初始理论风功率、所述初始风向数据、未来n个时刻的理论风功率、未来n个时刻的风向数据以及偏航角调节的单位能量消耗，确定未来n个时刻的预测偏航角；
优化风功率模块109，用于根据未来n个时刻的预测偏航角、未来n个时刻的理论风功率以及未来n个时刻的风向数据，预测未来n个时刻的优化风功率。
根据本发明的一个实施例，所述预测偏航角模块进一步用于：
根据所述初始风向数据和未来n个时刻的风向数据，确定未来n个时刻的风向变化角度；
根据所述初始实际风功率、所述初始理论风功率、未来n个时刻的理论风功率、所述风向变化角度、和所述偏航角调节的单位能量消耗，确定未来第1个时刻的偏航角调节幅度；
根据所述第1个时刻的偏航角调节幅度和所述初始偏航角，确定第1个时刻的预测偏航角；
根据未来第i个时刻的预测偏航角，未来n-i个时刻的理论风功率、所述风向变化角度、和所述偏航角调节的单位能量消耗，确定未来第i+1个时刻的偏航角调节幅度，其中，i为小于n的正整数；
根据未来第i+1个时刻的偏航角调节幅度以及未来第i个时刻的预测偏航角，获得未来第i+1个时刻的预测偏航角。
根据本发明的一个实施例，所述预测偏航角模块进一步用于：
根据公式：
；
；
；
；
；
确定优化边界条件，其中，为未来第1个时刻的偏航角，为初始偏航角，为第1个时刻的偏航角调节幅度，为第1次调节的调节时间，为预设调节角速度，为未来第i+1个时刻的偏航角调节幅度，为未来第i个时刻的偏航角，为初始风向数据与初始偏航角的差距，为初始理论风功率，为初始实际风功率，为风能转化率，为偏航角调节的单位能量消耗，为初始时刻到未来第1个时刻之间的风力影响设施产生的电能，为未来第i个时刻到未来第i+1个时刻之间的风力影响设施产生的电能，为第i次风向变化角度，为未来第i个时刻的理论风功率，T为时间衰减系数，为第i次调节的调节时长；
根据所述初始实际风功率、所述初始理论风功率、未来n个时刻的理论风功率、所述风向变化角度、和所述偏航角调节的单位能量消耗，确定优化函数；
在所述边界条件的约束下，对所述优化函数进行优化，确定未来第1个时刻的偏航角调节幅度。
根据本发明的一个实施例，所述预测偏航角模块进一步用于：
根据公式：
；
确定所述优化函数，其中，为初始时刻到未来第n个时刻之间的风力影响设施产生的电能。
根据本发明的一个实施例，所述预测偏航角模块进一步用于：
根据公式：
；
确定优化函数，为未来第i个时刻到未来第n个时刻之间的风力影响设施产生的电能；
在所述边界条件的约束下，对所述优化函数进行优化，确定未来第i+1个时刻的偏航角调节幅度。
根据本发明的一个实施例，所述预测模块进一步用于：
根据所述初始时刻之前m个时刻的风向数据和风力数据，获得初始时刻之前m个时刻的样本向量，m为大于n的整数；
获取所述风力预测模型在测试集中的拟合优度；
根据所述拟合优度，确定时间衰减系数；
根据时间衰减系数、所述样本向量、所述风力预测模型、所述初始风向数据和所述初始风力数据，在所述m个时刻的样本向量中，确定预测所需的x个样本向量，x为小于m的整数；
根据所述时间衰减系数、所述初始时刻之前第1至第x个时刻的样本向量、所述初始风向数据和所述初始风力数据，确定未来第1个时刻的风向数据和风力数据；
根据所述时间衰减系数、所述初始时刻之前第1至第x-j个时刻的样本向量、所述初始风向数据和所述初始风力数据，未来第1至第j-1个时刻的风向数据和风力数据，确定未来第j个时刻的风向数据和风力数据，其中，j为小于或等于n的正整数。
根据本发明的一个实施例，所述预测模块进一步用于：
确定使不等式成立的首个x；
其中，为风力预测模型的处理函数，T为时间衰减系数，为初始时刻之前第y个时刻样本向量，y≤x+1，且y为正整数，为初始风向数据和初始风力数据组成的向量，sim为预测的初始时刻的向量与之间的相似度；
将第1至第x个时刻样本向量确定为预测所需的x个样本向量。
根据本发明的一个实施例，提供一种基于雷达数据的风功率预测设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行所述基于雷达数据的风功率预测方法。
根据本发明的一个实施例，提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现所述基于雷达数据的风功率预测方法。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。
本领域的技术人员应理解，上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明，在没有背离所述原理下，本发明的实施方式可以有任何变形或修改。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种基于雷达数据的风功率预测方法，其特征在于，包括：
获取风力影响设施所在的第一区域在初始时刻的雷达数据，其中，所述雷达数据包括所述第一区域中各个位置的初始风向数据和初始风力数据；
获取所述风力影响设施的迎风面的初始偏航角；
根据所述初始风向数据、所述初始风力数据、所述初始偏航角和所述风力影响设施的设计参数，确定所述风力影响设施的初始实际风功率；
根据所述初始风力数据和所述风力影响设施的设计参数，确定所述风力影响设施的初始理论风功率；
通过风力预测模型，确定未来n个时刻的第一区域中的风向数据和风力数据；
根据所述未来n个时刻的第一区域中的风力数据和所述风力影响设施的设计参数，确定未来n个时刻的理论风功率；
获取偏航角调节的单位能量消耗；
根据所述初始偏航角、所述初始实际风功率、所述初始理论风功率、所述初始风向数据、未来n个时刻的理论风功率、未来n个时刻的风向数据以及偏航角调节的单位能量消耗，确定未来n个时刻的预测偏航角；
根据未来n个时刻的预测偏航角、未来n个时刻的理论风功率以及未来n个时刻的风向数据，预测未来n个时刻的优化风功率；
根据所述初始偏航角、所述初始实际风功率、所述初始理论风功率、所述初始风向数据、未来n个时刻的理论风功率、未来n个时刻的风向数据以及偏航角调节的单位能量消耗，确定未来n个时刻的偏航角，包括：
根据所述初始风向数据和未来n个时刻的风向数据，确定未来n个时刻的风向变化角度；
根据所述初始实际风功率、所述初始理论风功率、未来n个时刻的理论风功率、所述风向变化角度、和所述偏航角调节的单位能量消耗，确定未来第1个时刻的偏航角调节幅度；
根据所述第1个时刻的偏航角调节幅度和所述初始偏航角，确定第1个时刻的预测偏航角；
根据未来第i个时刻的预测偏航角，未来n-i个时刻的理论风功率、所述风向变化角度、和所述偏航角调节的单位能量消耗，确定未来第i+1个时刻的偏航角调节幅度，其中，i为小于n的正整数；
根据未来第i+1个时刻的偏航角调节幅度以及未来第i个时刻的预测偏航角，获得未来第i+1个时刻的预测偏航角；
根据未来n个时刻的预测偏航角、未来n个时刻的理论风功率以及未来n个时刻的风向数据，预测未来n个时刻的优化风功率，包括：
确定每个时刻的预测偏航角与预测的每个时刻的风向数据的夹角的余弦值，并与每个时刻的理论风功率相乘，获得未来n个时刻的预测的优化风功率。
2.根据权利要求1所述的基于雷达数据的风功率预测方法，其特征在于，根据所述初始实际风功率、所述初始理论风功率、未来n个时刻的理论风功率、所述风向变化角度、和所述偏航角调节的单位能量消耗，确定未来第1个时刻的偏航角调节幅度，包括：
根据公式：
；
；
；
；
；
；
确定优化边界条件，其中，为未来第1个时刻的偏航角，为初始偏航角，为第1个时刻的偏航角调节幅度，为第1次调节的调节时间，为预设调节角速度，为未来第i+1个时刻的偏航角调节幅度，为未来第i个时刻的偏航角，为初始风向数据与初始偏航角的差距，为初始理论风功率，为初始实际风功率，为风能转化率，为偏航角调节的单位能量消耗，为初始时刻到未来第1个时刻之间的风力影响设施产生的电能，为未来第i个时刻到未来第i+1个时刻之间的风力影响设施产生的电能，为第i次风向变化角度，为未来第i个时刻的理论风功率，T为时间衰减系数，为第i次调节的调节时长；
根据所述初始实际风功率、所述初始理论风功率、未来n个时刻的理论风功率、所述风向变化角度、和所述偏航角调节的单位能量消耗，确定优化函数；
在所述边界条件的约束下，对所述优化函数进行优化，确定未来第1个时刻的偏航角调节幅度。
3.根据权利要求2所述的基于雷达数据的风功率预测方法，其特征在于，根据所述初始实际风功率、所述初始理论风功率、未来n个时刻的理论风功率、所述风向变化角度、和所述偏航角调节的单位能量消耗，确定优化函数，包括：
根据公式：
；
确定所述优化函数，其中，为初始时刻到未来第n个时刻之间的风力影响设施产生的电能。
4.根据权利要求3所述的基于雷达数据的风功率预测方法，其特征在于，根据未来第i个时刻的预测偏航角，未来n-i个时刻的理论风功率、所述风向变化角度、和所述偏航角调节的单位能量消耗，确定未来第i+1个时刻的偏航角调节幅度，包括：
根据公式：
；
确定优化函数，为未来第i个时刻到未来第n个时刻之间的风力影响设施产生的电能；
在所述边界条件的约束下，对所述优化函数进行优化，确定未来第i+1个时刻的偏航角调节幅度。
5.根据权利要求1所述的基于雷达数据的风功率预测方法，其特征在于，通过风力预测模型，确定未来n个时刻的第一区域中的风向数据和风力数据，包括：
根据所述初始时刻之前m个时刻的风向数据和风力数据，获得初始时刻之前m个时刻的样本向量，m为大于n的整数；
获取所述风力预测模型在测试集中的拟合优度；
根据所述拟合优度，确定时间衰减系数；
根据时间衰减系数、所述样本向量、所述风力预测模型、所述初始风向数据和所述初始风力数据，在所述m个时刻的样本向量中，确定预测所需的x个样本向量，x为小于m的整数；
根据所述时间衰减系数、所述初始时刻之前第1至第x个时刻的样本向量、所述初始风向数据和所述初始风力数据，确定未来第1个时刻的风向数据和风力数据；
根据所述时间衰减系数、所述初始时刻之前第1至第x-j个时刻的样本向量、所述初始风向数据和所述初始风力数据，未来第1至第j-1个时刻的风向数据和风力数据，确定未来第j个时刻的风向数据和风力数据，其中，j为小于或等于n的正整数。
6.根据权利要求5所述的基于雷达数据的风功率预测方法，其特征在于，根据时间衰减系数、所述样本向量、所述风力预测模型、所述初始风向数据和所述初始风力数据，在所述m个时刻的样本向量中，确定预测所需的x个样本向量，包括：
确定使不等式成立的首个x；
其中，为风力预测模型的处理函数，T为时间衰减系数，为初始时刻之前第y个时刻样本向量，y≤x+1，且y为正整数，为初始风向数据和初始风力数据组成的向量，sim为预测的初始时刻的向量与之间的相似度；
将第1至第x个时刻样本向量确定为预测所需的x个样本向量。
7.一种基于雷达数据的风功率预测系统，其特征在于，包括：
雷达数据模块，用于获取风力影响设施所在的第一区域的在初始时刻的雷达数据，其中，所述雷达数据包括所述第一区域中各个位置的初始风向数据和初始风力数据；
初始偏航角模块，用于获取所述风力影响设施的迎风面的初始偏航角；
初始实际风功率模块，用于根据所述初始风向数据、所述初始风力数据、所述初始偏航角和所述风力影响设施的设计参数，确定所述风力影响设施的初始实际风功率；
初始理论风功率模块，用于根据所述初始风力数据和所述风力影响设施的设计参数，确定所述风力影响设施的初始理论风功率；
预测模块，用于通过风力预测模型，确定未来n个时刻的第一区域中的风向数据和风力数据；
理论风功率预测模块，用于根据所述未来n个时刻的第一区域中的风力数据和所述风力影响设施的设计参数，确定未来n个时刻的理论风功率；
能耗模块，用于获取偏航角调节的单位能量消耗；
预测偏航角模块，用于根据所述初始偏航角、所述初始实际风功率、所述初始理论风功率、所述初始风向数据、未来n个时刻的理论风功率、未来n个时刻的风向数据以及偏航角调节的单位能量消耗，确定未来n个时刻的预测偏航角；
优化风功率模块，用于根据未来n个时刻的预测偏航角、未来n个时刻的理论风功率以及未来n个时刻的风向数据，预测未来n个时刻的优化风功率；
根据所述初始偏航角、所述初始实际风功率、所述初始理论风功率、所述初始风向数据、未来n个时刻的理论风功率、未来n个时刻的风向数据以及偏航角调节的单位能量消耗，确定未来n个时刻的预测偏航角，包括：
根据所述初始风向数据和未来n个时刻的风向数据，确定未来n个时刻的风向变化角度；
根据所述初始实际风功率、所述初始理论风功率、未来n个时刻的理论风功率、所述风向变化角度、和所述偏航角调节的单位能量消耗，确定未来第1个时刻的偏航角调节幅度；
根据所述第1个时刻的偏航角调节幅度和所述初始偏航角，确定第1个时刻的预测偏航角；
根据未来第i个时刻的预测偏航角，未来n-i个时刻的理论风功率、所述风向变化角度、和所述偏航角调节的单位能量消耗，确定未来第i+1个时刻的偏航角调节幅度，其中，i为小于n的正整数；
根据未来第i+1个时刻的偏航角调节幅度以及未来第i个时刻的预测偏航角，获得未来第i+1个时刻的预测偏航角；
根据未来n个时刻的预测偏航角、未来n个时刻的理论风功率以及未来n个时刻的风向数据，预测未来n个时刻的优化风功率，包括：
确定每个时刻的预测偏航角与预测的每个时刻的风向数据的夹角的余弦值，并与每个时刻的理论风功率相乘，获得未来n个时刻的预测的优化风功率。
8.一种基于雷达数据的风功率预测设备，其特征在于，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1-6中任一项所述的基于雷达数据的风功率预测方法。
9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现权利要求1-6中任一项所述的基于雷达数据的风功率预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310876714.8A CN116629027B (zh) | 2023-07-18 | 2023-07-18 | 基于雷达数据的风功率预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310876714.8A CN116629027B (zh) | 2023-07-18 | 2023-07-18 | 基于雷达数据的风功率预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116629027A CN116629027A (zh) | 2023-08-22 |
| CN116629027B true CN116629027B (zh) | 2023-10-13 |
Family
ID=87638425
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310876714.8A Active CN116629027B (zh) | 2023-07-18 | 2023-07-18 | 基于雷达数据的风功率预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116629027B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108953060A (zh) * | 2018-03-30 | 2018-12-07 | 浙江大学 | 基于激光雷达测风仪的风电场场级偏航控制方法 |
| CN115859816A (zh) * | 2022-12-08 | 2023-03-28 | 北京智慧空间科技有限责任公司 | 一种基于cnn-lstm算法的风功率分钟级预测方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5022102B2 (ja) * | 2007-05-25 | 2012-09-12 | 三菱重工業株式会社 | 風力発電装置、風力発電システムおよび風力発電装置の発電制御方法 |
| 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 |
-
2023
- 2023-07-18 CN CN202310876714.8A patent/CN116629027B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108953060A (zh) * | 2018-03-30 | 2018-12-07 | 浙江大学 | 基于激光雷达测风仪的风电场场级偏航控制方法 |
| CN115859816A (zh) * | 2022-12-08 | 2023-03-28 | 北京智慧空间科技有限责任公司 | 一种基于cnn-lstm算法的风功率分钟级预测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于神经网络的风电短期功率预测模型研究;宿凤明 等;节能技术;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116629027A (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110880789B (zh) | 一种风电、光伏联合发电系统经济调度方法 | |
| CN106979126B (zh) | 基于svr的风力发电机组高风速段有效风速估计方法 | |
| Dhiman et al. | Bilateral Gaussian wake model formulation for wind farms: A forecasting based approach | |
| KR101411420B1 (ko) | 시뮬레이션 기법을 이용한 풍력 발전 단지의 풍력 발전기 제어 시스템 및 방법 | |
| CN112215428B (zh) | 基于误差修正和模糊逻辑的光伏发电功率预测方法及系统 | |
| CN109256810A (zh) | 考虑风机出力不确定成本的多目标优化方法 | |
| CN109312714A (zh) | 考虑噪声的风力涡轮机的控制 | |
| CN115017725B (zh) | 风电高渗透电网系统的等效惯量预测方法 | |
| CN115425680A (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 | |
| CN110866633A (zh) | 一种基于svr支持向量回归的微电网超短期负荷预测方法 | |
| CN115167140B (zh) | 风力发电机组多目标随机模型预测控制策略方法及系统 | |
| CN110991701A (zh) | 一种基于数据融合的风电场风机风速预测方法及系统 | |
| CN113112085A (zh) | 一种基于bp神经网络的新能源场站发电负荷预测方法 | |
| CN117989054B (zh) | 一种国产化风机智能控制方法、系统和设备 | |
| CN116629027B (zh) | 基于雷达数据的风功率预测方法及系统 | |
| CN110966144B (zh) | 一种基于bls的风电机组智能恒功率控制方法 | |
| CN117638939A (zh) | 一种基于Adam算法考虑的水光互补优化调度方法 | |
| CN116822331A (zh) | 一种多能源融合的风光发电预测方法 | |
| Yang et al. | Non-linear autoregressive neural network based wind direction prediction for the wind turbine yaw system | |
| CN116151633A (zh) | 一种熔盐储能放热控制方法、系统、设备及存储介质 | |
| CN116205148A (zh) | 基于Wide&Deep模型的数据中心冷负荷预测方法 | |
| CN113537575B (zh) | 一种含分布式光伏和电动汽车并网的趋势负荷预测方法 | |
| CN116167508A (zh) | 一种基于气象因素分解的短期光伏出力快速预测方法及系统 | |
| CN113852069B (zh) | 一种含源荷不确定性的地区电网经济调度优化方法及系统 | |
| CN110889780B (zh) | 基于bls和双层smc的风电机组保性能最大风能捕获方法 |
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 |