CN117424227A - 一种地形风电场出力预测方法、装置及存储介质 - Google Patents

一种地形风电场出力预测方法、装置及存储介质 Download PDF

Info

Publication number
CN117424227A
CN117424227A CN202311517281.3A CN202311517281A CN117424227A CN 117424227 A CN117424227 A CN 117424227A CN 202311517281 A CN202311517281 A CN 202311517281A CN 117424227 A CN117424227 A CN 117424227A
Authority
CN
China
Prior art keywords
wind power
wind
power plant
data
training
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
CN202311517281.3A
Other languages
English (en)
Inventor
林旭
刘洋
谢平平
杨银国
吴国炳
林英明
叶建东
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.)
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
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 Guangdong Power Grid Co Ltd, Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202311517281.3A priority Critical patent/CN117424227A/zh
Publication of CN117424227A publication Critical patent/CN117424227A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种地形风电场出力预测方法、装置及存储介质，其中方法包括：获取待测地形风电场的数据集,数据集包括风电功率、风速和风向；对数据集进行差分运算和求和运算，得到预处理数据集；以功率值作为主变量，以气象数据和风机监测数据作为协变量，根据主变量、协变量和训练集构建条件分布函数，基于条件分布函数构建深度自回归模型将预处理数据划分为训练集和测试集，将训练集输入到深度自回归模型中进行训练，在深度自回归模型收敛时输出网络网络训练参数；将测试集和网络训练参数输入到深度自回归模型中进行风电场出力预测，输出风电场出力预测值。本发明能够有效提高地形风电场出力预测的准确性。

Description

一种地形风电场出力预测方法、装置及存储介质
技术领域
本发明涉及风电技术领域，尤其是涉及一种地形风电场出力预测方法、装置及存储介质。
背景技术
随着风能资源的发展迅速，风电已经成为新能源发电的重要部分。我国幅员辽阔，地貌复杂，风电场选址涉及草原、沙漠、平原、海上、山地等多种复杂地形。精准的风电场出力预测能实现风电场的高收益，同时可以为电网调度提供依据，减少电网冲击。因此，适应各种复杂地形风电场出力预测方法尤其重要。
现有的地形风电场出力预测方法通常是将时间序列信号直接输入到深度神经网络中进行运算和预测，导致预测精度较低。
发明内容
本发明提供一种地形风电场出力预测方法、装置及存储介质，以解决现有的地形风电场出力预测方法通常是将时间序列信号直接输入到深度神经网络中进行运算和预测，导致预测精度较低的技术问题。
本发明的实施例提供了一种地形风电场出力预测方法，包括：
获取待测地形风电场的数据集,所述数据集包括风电功率、风速和风向；
对所述数据集进行差分运算和求和运算，得到预处理数据集；
以功率值作为主变量，以气象数据和风机监测数据作为协变量，根据所述主变量、所述协变量和所述训练集构建条件分布函数，基于所述条件分布函数构建所述深度自回归模型将所述预处理数据划分为训练集和测试集，将所述训练集输入到所述深度自回归模型中进行训练，在所述深度自回归模型收敛时输出网络网络训练参数；
将所述测试集和所述网络训练参数输入到所述深度自回归模型中进行风电场出力预测，输出风电场出力预测值。
进一步的，在对所述数据集进行差分运算和求和运算之前，还包括：
对所述数据集中的异常数据进行前值填充处理。
进一步的，所述数据集进行差分运算和求和运算，得到预处理数据集，包括：
对所述风电功率进行差分运算：
Vz(t)＝z(t+Vt)-z(t)
对所述风电功率进行求和运算：
对所述风速进行差分运算：
Vxs(t)＝xs(t+Vt)-xs(t)
对所述风速进行求和运算：
对所述风向进行差分运算：
Vxd(t)＝xd(t+Vt)-xd(t)
对所述风向进行求和运算：
其中，z为风电功率，xs为风速，xd为风向，Vt为时间价格，n为时间点数量。
进一步的，所述条件分布函数的表达式为：
其中，T为预测时间段的结束时刻，zi,t表示时间序列i在t时刻的功率值，xs,i,t表示时间序列i在t时刻的风速，xd,i,t表示时间序列i在t时刻的风向，yi,t表示时间序列i在t时刻的协变量，zi,t0:T为未来的时间序列；
进一步的，所述基于所述条件分布函数构建所述深度自回归模型，包括：
将所述条件分布函数写成概率似然函数；
采用均值和标准差将组成所述概率似然函数的第一似然函数转换为高斯似然函数；
基于所述高斯似然函数构建深度自回归模型。
进一步的，所述将所述条件分布函数写成概率似然函数，包括：
其中，概率似然函数由：
组成，hi,t为LSTM多层递归神经网络实现的函数，QΘ为联合分布，Θ为模型参数，l(zi,t|θ(hi,t,Θ))为第一似然函数；
hi,t的表达式如下：
hi,t＝h(hi,t-1,zi,t-1,xs,i,t,xd,i,t,yi,t,Θ)；
采用均值和标准差将组成所述概率似然函数的第一似然函数转换为高斯似然函数，包括：
其中，μ为均值，σ为标准差，均值和标准差分别与hi,t的关系为：
基于所述高斯似然函数构建深度自回归模型。
进一步的，所述将所述训练集输入到预设的深度自回归模型中进行训练，在所述深度自回归模型收敛时输出网络网络训练参数，包括：
在训练过程中，计算第二似然函数l(z|θ)的参数通过最大化对数似然函数来学习网络参数。
进一步的，所述网络参数的计算公式如下：
其中，L为网络训练参数。
本发明的一个实施例提供了一种地形风电场出力预测装置，包括：
数据集获取模块，用于获取待测地形风电场的数据集,所述数据集包括风电功率、风速和风向；
数据集预处理模块，用于对所述数据集进行差分运算和求和运算，得到预处理数据集；
训练模块，用于以功率值作为主变量，以气象数据和风机监测数据作为协变量，根据所述主变量、所述协变量和所述训练集构建条件分布函数，基于所述条件分布函数构建所述深度自回归模型将所述预处理数据划分为训练集和测试集，将所述训练集输入到所述深度自回归模型中进行训练，在所述深度自回归模型收敛时输出网络网络训练参数；
出力预测模块，用于将所述测试集和所述网络训练参数输入到所述深度自回归模型中进行风电场出力预测，输出风电场出力预测值。
本发明的一个实施例提供了一种存储介质，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述存储介质所在设备执行如上述的一种地形风电场出力预测方法。
本发明实施例通过对时间序列信号分别进行微分处理实现差分，进行积分处理以实现求和，通过微分和积分处理后的时间序列信号作为构建模型的输入，能够有效捕获时间序列信号的变化率和累计率，从而能够有效提高地形风电场出力预测的准确性。
附图说明
图1是本发明实施例提供的地形风电场出力预测方法的流程示意图；
图2是本发明实施例提供的地形风电场出力预测方法的另一流程示意图；
图3是本发明实施例提供的地形风电场出力预测装置的结构示意图。
具体实施方式
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。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
请参阅图1，本发明的实施例提供了一种地形风电场出力预测方法，包括：
S1、获取待测地形风电场的数据集,数据集包括风电功率、风速和风向；
在本发明实施例中，所获取的待测地形风电场的数据集均为时间序列信号，且均为离散信号。
S2、对数据集进行差分运算和求和运算，得到预处理数据集；
在本发明实施例中，在得到待测地形风电场的数据集之后，还可以对待测地形风电场的数据集进行预处理，包括对异常数据进行前值填充等，从而减少异常数据对风电场出力预测的影响，进而能够有效提高地形风电场预测的准确性。
S3、以功率值作为主变量，以气象数据和风机监测数据作为协变量，根据主变量、协变量和训练集构建条件分布函数，基于条件分布函数构建深度自回归模型将预处理数据划分为训练集和测试集，将训练集输入到深度自回归模型中进行训练，在深度自回归模型收敛时输出网络网络训练参数；
在本发明实施例中，以功率值作为主变量，气象数据和风机监测数据作为协变量，综合考虑了功率值、气象数据和风机监测数据对风电场出力预测的影响，从而能够有效提高预测的准确性。
在本发明实施例中，训练集包括差分处理后的风电功率、风速和风向，以及求和处理后的风电功率、风速和风向。本发明实施例中通过对时间序列信号分别进行微分处理实现差分，进行积分处理以实现求和，通过微分和积分处理后的时间序列信号作为构建模型的输入，能够有效捕获时间序列信号的变化率和累计率，从而能够有效提高地形风电场出力预测的准确性。
在本发明实施例中，可以按照预设的比例将预处理数据集划分为训练集和测试集，例如，以7:3的比例划分训练集和测试集。
S4、将测试集和网络训练参数输入到深度自回归模型中进行风电场出力预测，输出风电场出力预测值。
本发明实施例通过对时间序列信号分别进行微分处理实现差分，进行积分处理以实现求和，通过微分和积分处理后的时间序列信号作为构建模型的输入，能够有效捕获时间序列信号的变化率和累计率，从而能够有效提高地形风电场出力预测的准确性。
在一个实施例中，在步骤S2、对数据集进行差分运算和求和运算之前，还包括：
对数据集中的异常数据进行前值填充处理。
在本发明实施例中，异常数据为在观测数据集中与其他观测值明显不同的值。异常数据的存在可能会对数据分析和模型建立产生严重影响，因此合理处理异常值是数据分析中的重要步骤。
对数据集中的异常数据进行处理的方式包括：
一、删除异常数据。最常见的异常数据处理方法是直接删除异常数据。这种方法适用于异常数据数量较少，且不影响整体数据分布的情况。删除异常值可以通过人工观察和统计规则进行，也可以使用统计学方法，如离群值检测算法。
二、替换异常数据。替换异常数据可以采用多种方式，如用均值、中位数或众数替换异常数据，选择使用那种替换方式取决于数据的分布情况和异常数据的特征。例如，如果数据呈正态分布，则可以使用均值进行替换；如果数据存在较多的离散值，则可以使用中位数或者众数进行替换。
三、利用异常数据进行特征工程。除了删除或者替换异常数据，还可以将异常数据作为特征工程的一部分，从而提取异常数据中的有用信息。异常数据可能包含了数据中的特殊规律或趋势，通过提取和利用这些信息，可以更好理解数据的特点和规律。例如，可以将异常值作为新的变量引入模型或者将异常数据与其他变量进行交互等。
四、建立鲁棒模型。在建立模型时，可以选择使用鲁棒模型来减少异常值对模型的影响。
五、对异常数据进行前值填充处理。
在本发明实施例中，通过对数据集中的异常数据进行前值填充处理，能够有效减少异常数据对风电场出力预测的影响，从而能够有效提高地形风电场预测的准确性。
在一个实施例中，步骤S2、数据集进行差分运算和求和运算，得到预处理数据集，包括：
对风电功率进行差分运算：
Vz(t)＝z(t+Vt)-z(t)
其中，Vz(t)为风电功率的差分值。
对风电功率进行求和运算：
其中，z为风电功率的求和值。
对风速进行差分运算：
Vxs(t)＝xs(t+Vt)-xs(t)
其中，Vxs(t)为风速的差分值。
对风速进行求和运算：
其中，xs为风速的求和值。
对风向进行差分运算：
Vxd(t)＝xd(t+Vt)-xd(t)
其中，Vxd(t)为风向的差分值。
对风向进行求和运算：
其中，xd为风向的求和值。
其中，z为风电功率，xs为风速，xd为风向，Vt为时间价格，n为时间点数量。
在一个实施例中，条件分布函数的表达式为：
其中，T为预测时间段的结束时刻，zi,t表示时间序列i在t时刻的功率值，xs,i,t表示时间序列i在t时刻的风速，xd,i,t表示时间序列i在t时刻的风向，yi,t表示时间序列i在t时刻的协变量，zi,t0:T为未来的时间序列；
在一个实施例中，基于条件分布函数构建深度自回归模型，包括：
将条件分布函数写成概率似然函数；
采用均值和标准差将组成概率似然函数的第一似然函数转换为高斯似然函数；
基于高斯似然函数构建深度自回归模型。
在一个实施例中，将条件分布函数写成概率似然函数，包括：
其中，概率似然函数由：
组成，hi,t为LSTM多层递归神经网络实现的函数，QΘ为联合分布，Θ为模型参数，l(zi,t|θ(hi,t,Θ))为第一似然函数；
hi,t的表达式如下：
hi,t＝h(hi,t-1,zi,t-1,xs,i,t,xd,i,t,yi,t,Θ)；
采用均值和标准差将组成概率似然函数的第一似然函数转换为高斯似然函数，包括：
其中，μ为均值，σ为标准差，均值和标准差分别与hi,t的关系为：
基于高斯似然函数构建深度自回归模型。
在本发明实施例中，第一似然函数为初始高斯似然函数，针对的是模型参数。
在一个实施例中，将训练集输入到预设的深度自回归模型中进行训练，在深度自回归模型收敛时输出网络网络训练参数，包括：
在训练过程中，计算第二似然函数l(z|θ)的参数通过最大化对数似然函数来学习网络参数。
在本发明实施例中，第二似然函数l(z|θ)为最大化对数似然函数，针对的是网络参数。
在一个实施例中，网络参数的计算公式如下：
其中，L为网络训练参数。
请参阅图2，为本发明实施例提供的一种地形风电场出力预测方法的另一流程示意图。
实施本发明实施例，具有以下有益效果：
本发明实施例通过对时间序列信号分别进行微分处理实现差分，进行积分处理以实现求和，通过微分和积分处理后的时间序列信号作为构建模型的输入，能够有效捕获时间序列信号的变化率和累计率，从而能够有效提高地形风电场出力预测的准确性。
请参阅图3，基于与本发明上述实施例相同发明构思，本发明的一个实施例提供了一种地形风电场出力预测装置，包括：
数据集获取模块10，用于获取待测地形风电场的数据集,数据集包括风电功率、风速和风向；
在本发明实施例中，所获取的待测地形风电场的数据集均为时间序列信号，且均为离散信号。
数据集预处理模块20，用于对数据集进行差分运算和求和运算，得到预处理数据集；
在本发明实施例中，在得到待测地形风电场的数据集之后，还可以对待测地形风电场的数据集进行预处理，包括对异常数据进行前值填充等，从而减少异常数据对风电场出力预测的影响，进而能够有效提高地形风电场预测的准确性。
训练模块30，用于以功率值作为主变量，以气象数据和风机监测数据作为协变量，根据主变量、协变量和训练集构建条件分布函数，基于条件分布函数构建深度自回归模型将预处理数据划分为训练集和测试集，将训练集输入到深度自回归模型中进行训练，在深度自回归模型收敛时输出网络网络训练参数；
在本发明实施例中，以功率值作为主变量，气象数据和风机监测数据作为协变量，综合考虑了功率值、气象数据和风机监测数据对风电场出力预测的影响，从而能够有效提高预测的准确性。
在本发明实施例中，训练集包括差分处理后的风电功率、风速和风向，以及求和处理后的风电功率、风速和风向。本发明实施例中通过对时间序列信号分别进行微分处理实现差分，进行积分处理以实现求和，通过微分和积分处理后的时间序列信号作为构建模型的输入，能够有效捕获时间序列信号的变化率和累计率，从而能够有效提高地形风电场出力预测的准确性。
在本发明实施例中，可以按照预设的比例将预处理数据集划分为训练集和测试集，例如，以7:3的比例划分训练集和测试集。
出力预测模块40，用于将测试集和网络训练参数输入到深度自回归模型中进行风电场出力预测，输出风电场出力预测值。
本发明实施例通过对时间序列信号分别进行微分处理实现差分，进行积分处理以实现求和，通过微分和积分处理后的时间序列信号作为构建模型的输入，能够有效捕获时间序列信号的变化率和累计率，从而能够有效提高地形风电场出力预测的准确性。
在一个实施例中，数据集预处理模块20还用于：
对数据集中的异常数据进行前值填充处理。
在本发明实施例中，异常数据为在观测数据集中与其他观测值明显不同的值。异常数据的存在可能会对数据分析和模型建立产生严重影响，因此合理处理异常值是数据分析中的重要步骤。
对数据集中的异常数据进行处理的方式包括：
六、删除异常数据。最常见的异常数据处理方法是直接删除异常数据。这种方法适用于异常数据数量较少，且不影响整体数据分布的情况。删除异常值可以通过人工观察和统计规则进行，也可以使用统计学方法，如离群值检测算法。
七、替换异常数据。替换异常数据可以采用多种方式，如用均值、中位数或众数替换异常数据，选择使用那种替换方式取决于数据的分布情况和异常数据的特征。例如，如果数据呈正态分布，则可以使用均值进行替换；如果数据存在较多的离散值，则可以使用中位数或者众数进行替换。
八、利用异常数据进行特征工程。除了删除或者替换异常数据，还可以将异常数据作为特征工程的一部分，从而提取异常数据中的有用信息。异常数据可能包含了数据中的特殊规律或趋势，通过提取和利用这些信息，可以更好理解数据的特点和规律。例如，可以将异常值作为新的变量引入模型或者将异常数据与其他变量进行交互等。
九、建立鲁棒模型。在建立模型时，可以选择使用鲁棒模型来减少异常值对模型的影响。
十、对异常数据进行前值填充处理。
在本发明实施例中，通过对数据集中的异常数据进行前值填充处理，能够有效减少异常数据对风电场出力预测的影响，从而能够有效提高地形风电场预测的准确性。
在一个实施例中，数据集预处理模块20还包括用于：
对风电功率进行差分运算：
Vz(t)＝z(t+Vt)-z(t)
对风电功率进行求和运算：
对风速进行差分运算：
Vxs(t)＝xs(t+Vt)-xs(t)
对风速进行求和运算：
对风向进行差分运算：
Vxd(t)＝xd(t+Vt)-xd(t)
对风向进行求和运算：
其中，z为风电功率，xs为风速，xd为风向，Vt为时间价格，n为时间点数量。
在一个实施例中，条件分布函数的表达式为：
其中，T为预测时间段的结束时刻，zi,t表示时间序列i在t时刻的功率值，xs,i,t表示时间序列i在t时刻的风速，xd,i,t表示时间序列i在t时刻的风向，yi,t表示时间序列i在t时刻的协变量，zi,t0:T为未来的时间序列；
在一个实施例中，将条件分布函数写成概率似然函数，包括：
其中，概率似然函数由：
组成，hi,t为LSTM多层递归神经网络实现的函数，QΘ为联合分布，Θ为模型参数，l(zi,t|θ(hi,t,Θ))为第一似然函数；
hi,t的表达式如下：
hi,t＝h(hi,t-1,zi,t-1,xs,i,t,xd,i,t,yi,t,Θ)；
采用均值和标准差将组成概率似然函数的第一似然函数转换为高斯似然函数，包括：
其中，μ为均值，σ为标准差，均值和标准差分别与hi,t的关系为：
基于高斯似然函数构建深度自回归模型。
在一个实施例中，训练模块30还用于：
在训练过程中，计算第二似然函数l(z|θ)的参数通过最大化对数似然函数来学习网络参数。
在一个实施例中，网络参数的计算公式如下：
其中，L为网络训练参数。
实施本发明实施例，具有以下有益效果：
本发明实施例通过对时间序列信号分别进行微分处理实现差分，进行积分处理以实现求和，通过微分和积分处理后的时间序列信号作为构建模型的输入，能够有效捕获时间序列信号的变化率和累计率，从而能够有效提高地形风电场出力预测的准确性。
本发明的一个实施例提供了一种存储介质，存储介质包括存储的计算机程序，其中，在计算机程序运行时控制存储介质所在设备执行如上述的一种地形风电场出力预测方法。
在一些可能的实施方式中，本发明提供的一种地形风电场出力预测方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述描述的根据本发明各种示例性实施方式的一种地形风电场出力预测方法中的步骤。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本发明的实施方式的一种路肩检测程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在计算设备上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、有线、光缆、RF等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向实体的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
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路肩检测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路肩检测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路肩检测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路肩检测设备上，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。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施
以上是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种地形风电场出力预测方法，其特征在于，包括：
获取待测地形风电场的数据集,所述数据集包括风电功率、风速和风向；
对所述数据集进行差分运算和求和运算，得到预处理数据集；
以功率值作为主变量，以气象数据和风机监测数据作为协变量，根据所述主变量、所述协变量和所述训练集构建条件分布函数，基于所述条件分布函数构建所述深度自回归模型将所述预处理数据划分为训练集和测试集，将所述训练集输入到所述深度自回归模型中进行训练，在所述深度自回归模型收敛时输出网络网络训练参数；
将所述测试集和所述网络训练参数输入到所述深度自回归模型中进行风电场出力预测，输出风电场出力预测值。
2.如权利要求1所述的地形风电场出力预测方法，其特征在于，在对所述数据集进行差分运算和求和运算之前，还包括：
对所述数据集中的异常数据进行前值填充处理。
3.如权利要求1所述的地形风电场出力预测方法，其特征在于，所述对数据集进行差分运算和求和运算，得到预处理数据集，包括：
对所述风电功率进行差分运算：
Vz(t)＝z(t+Vt)-z(t)
对所述风电功率进行求和运算：
对所述风速进行差分运算：
Vxs(t)＝xs(t+Vt)-xs(t)
对所述风速进行求和运算：
对所述风向进行差分运算：
Vxd(t)＝xd(t+Vt)-xd(t)
对所述风向进行求和运算：
其中，z为风电功率，xs为风速，xd为风向，Vt为时间价格，n为时间点数量。
4.如权利要求1所述的地形风电场出力预测方法，其特征在于，所述条件分布函数的表达式为：
其中，T为预测时间段的结束时刻，zi,t表示时间序列i在t时刻的功率值，xs,i,t表示时间序列i在t时刻的风速，xd,i,t表示时间序列i在t时刻的风向，yi,t表示时间序列i在t时刻的协变量，为未来的时间序列。
5.如权利要求4所述的地形风电场出力预测方法，其特征在于，所述基于所述条件分布函数构建所述深度自回归模型，包括：
将所述条件分布函数写成概率似然函数；
采用均值和标准差将组成所述概率似然函数的第一似然函数转换为高斯似然函数；
基于所述高斯似然函数构建深度自回归模型。
6.如权利要求5所述的地形风电场出力预测方法，其特征在于，所述将所述条件分布函数写成概率似然函数，包括：
其中，概率似然函数由：
组成，hi,t为LSTM多层递归神经网络实现的函数，QΘ为联合分布，Θ为模型参数，l(zi,t|θ(hi,t,Θ))为第一似然函数；
hi,t的表达式如下：
hi,t＝h(hi,t-1,zi,t-1,xs,i,t,xd,i,t,yi,t,Θ)；
采用均值和标准差将组成所述概率似然函数的第一似然函数转换为高斯似然函数，包括：
其中，μ为均值，σ为标准差，均值和标准差分别与hi,t的关系为：
；
基于所述高斯似然函数构建深度自回归模型。
7.如权利要求6所述的地形风电场出力预测方法，其特征在于，所述将所述训练集输入到预设的深度自回归模型中进行训练，在所述深度自回归模型收敛时输出网络网络训练参数，包括：
在训练过程中，计算第二似然函数l(z|θ)的参数通过最大化对数似然函数来学习网络参数。
8.如权利要求7所述的地形风电场出力预测方法，其特征在于，所述网络参数的计算公式如下：
其中，L为网络训练参数。
9.一种地形风电场出力预测装置，其特征在于，包括：
数据集获取模块，用于获取待测地形风电场的数据集,所述数据集包括风电功率、风速和风向；
数据集预处理模块，用于对所述数据集进行差分运算和求和运算，得到预处理数据集；
训练模块，用于以功率值作为主变量，以气象数据和风机监测数据作为协变量，根据所述主变量、所述协变量和所述训练集构建条件分布函数，基于所述条件分布函数构建所述深度自回归模型将所述预处理数据划分为训练集和测试集，将所述训练集输入到所述深度自回归模型中进行训练，在所述深度自回归模型收敛时输出网络网络训练参数；
出力预测模块，用于将所述测试集和所述网络训练参数输入到所述深度自回归模型中进行风电场出力预测，输出风电场出力预测值。
10.一种存储介质，其特征在于，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述存储介质所在设备执行如权利要求1至8中任意一项所述的一种地形风电场出力预测方法。
CN202311517281.3A 2023-11-14 2023-11-14 一种地形风电场出力预测方法、装置及存储介质 Pending CN117424227A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311517281.3A CN117424227A (zh) 2023-11-14 2023-11-14 一种地形风电场出力预测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311517281.3A CN117424227A (zh) 2023-11-14 2023-11-14 一种地形风电场出力预测方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN117424227A true CN117424227A (zh) 2024-01-19

Family

ID=89530060

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311517281.3A Pending CN117424227A (zh) 2023-11-14 2023-11-14 一种地形风电场出力预测方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN117424227A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118469758A (zh) * 2024-07-11 2024-08-09 山东浪潮智慧能源科技有限公司 一种能量管理系统的数据管理方法、系统、设备及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118469758A (zh) * 2024-07-11 2024-08-09 山东浪潮智慧能源科技有限公司 一种能量管理系统的数据管理方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
CN117424227A (zh) 一种地形风电场出力预测方法、装置及存储介质
CN112036515A (zh) 基于smote算法的过采样方法、装置和电子设备
CN113420506B (zh) 掘进速度的预测模型建立方法、预测方法及装置
CN113160190A (zh) 一种接触网紧固件异常检测方法、设备、检测装置及存储介质
Javadi et al. An algorithm for practical power curve estimation of wind turbines
CN116304909A (zh) 一种异常检测模型训练方法、故障场景定位方法及装置
CN113516275A (zh) 一种配电网超短期负荷预测方法、装置及终端设备
CN113642812B (zh) 基于北斗的微形变预测方法、装置、设备及可读存储介质
CN115238595A (zh) 一种pm10浓度预测方法、系统、设备及存储介质
CN113869599A (zh) 鱼类疫病发展预测方法、系统、设备及介质
CN113313304A (zh) 一种基于大数据决策树的电网事故异常分析方法及系统
US20200279148A1 (en) Material structure analysis method and material structure analyzer
CN105590167A (zh) 电场多元运行数据分析方法及装置
Garmaev et al. Deep Koopman Operator-based degradation modelling
CN116662904A (zh) 数据类型的变异检测方法、装置、计算机设备及介质
CN115809818A (zh) 抽水蓄能电站辅助设备多维诊断评估方法及装置
CN113535815B (zh) 适于电子商务的业务操作行为大数据挖掘方法及系统
CN111027680B (zh) 基于变分自编码器的监控量不确定性预测方法及系统
CN114510469A (zh) 电力系统不良数据辨识方法、装置、设备及介质
CN113205215A (zh) 一种基于知识的战场态势预测方法
CN112685610A (zh) 虚假注册账号识别方法及相关装置
WO2019227227A1 (en) A method of digital signal feature extraction comprising multiscale analysis
CN118378178B (zh) 基于残差图卷积神经网络的变压器故障识别方法及系统
CN113269246B (zh) 基于事务逻辑的设备状态检测方法、装置、设备和介质
CN116448062B (zh) 一种桥梁沉降变形检测方法、装置、计算机及存储介质

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