CN117522169A - 风电功率的预测方法、装置、设备及介质 - Google Patents

风电功率的预测方法、装置、设备及介质 Download PDF

Info

Publication number
CN117522169A
CN117522169A CN202311573996.0A CN202311573996A CN117522169A CN 117522169 A CN117522169 A CN 117522169A CN 202311573996 A CN202311573996 A CN 202311573996A CN 117522169 A CN117522169 A CN 117522169A
Authority
CN
China
Prior art keywords
historical
wind power
target
meteorological data
meteorological
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
CN202311573996.0A
Other languages
English (en)
Inventor
戴强晟
阎洁
杜云龙
宋伟业
霍雪松
韩爽
刘永前
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.)
State Grid Jiangsu Electric Power Co Ltd
North China Electric Power University
Original Assignee
State Grid Jiangsu Electric Power Co Ltd
North China Electric Power 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 State Grid Jiangsu Electric Power Co Ltd, North China Electric Power University filed Critical State Grid Jiangsu Electric Power Co Ltd
Priority to CN202311573996.0A priority Critical patent/CN117522169A/zh
Publication of CN117522169A publication Critical patent/CN117522169A/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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (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

本发明公开了一种风电功率的预测方法、装置、设备及介质。该方法包括：获取风电集群中各风电场的未来时间段内的预测气象数据以及多个历史时间段内的历史气象数据；基于历史气象数据确定预测气象数据对应的预测气象事件类别；根据预测气象事件类别确定对应的目标气象数据组合以及目标风电功率预测模型；获取目标气象数据组合对应的目标预测气象数据；将目标预测气象数据输入至目标风电功率预测模型中，获得目标预测风电功率。本公开实施例，可以得到准确的目标预测风电功率，从而可以实现对风电集群功率的精准预测。

Description

风电功率的预测方法、装置、设备及介质
技术领域
本发明实施例涉及风电技术领域，尤其涉及一种风电功率的预测方法、装置、设备及介质。
背景技术
海上风电功率预测作为大型风电场并网稳定运行的重要环节，其准确性对于提高电网安全运行水平和满足不同区域电力系统的需求有着重大的意义。
由于海上风电功率的短时波动性较强，风电功率预测的难度很大，同时现有技术中存在风电功率预测精度差的问题。
发明内容
本发明实施例提供一种风电功率的预测方法、装置、设备及介质，可以提高风电功率的预测精度，从而可以保证风电集群功率的精准预测。
第一方面，本公开实施例提供了一种风电功率的预测方法，包括：获取风电集群中各风电场的未来时间段内的预测气象数据以及多个历史时间段内的历史气象数据；基于所述历史气象数据确定所述预测气象数据对应的预测气象事件类别；根据所述预测气象事件类别确定对应的目标气象数据组合以及目标风电功率预测模型；获取所述目标气象数据组合对应的目标预测气象数据；将所述目标预测气象数据输入至所述目标风电功率预测模型中，获得目标预测风电功率。
第二方面，本公开实施例还提供了一种风电功率的预测装置，包括：气象数据获取模块，用于获取风电集群中各风电场的未来时间段内的预测气象数据以及多个历史时间段内的历史气象数据；预测气象事件类别确定模块，用于基于所述历史气象数据确定所述预测气象数据对应的预测气象事件类别；风电场以及预测模型确定模块，用于根据所述预测气象事件类别确定对应的目标气象数据组合以及目标风电功率预测模型；目标预测气象数据获取模块，用于获取所述目标气象数据组合对应的目标预测气象数据；目标预测风电功率获得模块，用于将所述目标预测气象数据输入至所述目标风电功率预测模型中，获得目标预测风电功率。
第三方面，本公开实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本公开实施例所述的风电功率的预测方法。
第四方面，本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例所述的风电功率的预测方法。
本发明实施例的技术方案，获取风电集群中各风电场的未来时间段内的预测气象数据以及多个历史时间段内的历史气象数据；基于所述历史气象数据确定所述预测气象数据对应的预测气象事件类别；根据所述预测气象事件类别确定对应的目标气象数据组合以及目标风电功率预测模型；获取所述目标气象数据组合对应的目标预测气象数据；将所述目标预测气象数据输入至所述目标风电功率预测模型中，获得目标预测风电功率。本公开实施例，通过预测气象数据对应的预测气象事件类别确定对应的目标气象数据组合以及目标风电功率预测模型；通过目标风电功率预测模型对目标气象数据组合的目标预测气象数据进行风电功率预测的方式，可以得到准确的目标预测风电功率，从而可以实现对风电集群功率的精准预测。
附图说明
图1为本发明实施例提供的一种风电功率的预测方法流程示意图；
图2为本公开实施例所提供的一种风电功率的预测装置结构示意图；
图3为本公开实施例所提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
图1为本发明实施例提供的一种风电功率的预测方法流程示意图；本实施例可适用于对风电功率进行预测的情况，该方法可以由风电功率的预测装置来执行，具体包括如下步骤：
S110、获取风电集群中各风电场的未来时间段内的预测气象数据以及多个历史时间段内的历史气象数据。
其中，未来时间段可以理解为当前时刻之后的超短期时间段，具体可以为未来一小时、未来四小时、未来一天、未来两天等，历史时间段可以理解为当前时刻之前的超短期时间段，具体可以为前一个小时、前四个小时、前一天、前两天，本实施例对具体的未来时间段和历史时间段不作限制。需要说明的是，历史时间段的数量可以包括多个，多个历史时间段所覆盖的总时长可以大于或等于一年。其中，预测气象数据和历史气象数据的种类均可以包括风速、风向、湿度、温度、光照强度以及气压等。风电集群可以为海上风电基地上的风电集群，风电集群包括多个风电场。
本实施例中，在获取预测气象数据时，在未来时间段内内同时获取各风电场的预测气象数据，在获取历史气象数据时，在历史时间段内内同时获取各风电场的历史气象数据。
S120、基于所述历史气象数据确定所述预测气象数据对应的预测气象事件类别。
本实施例中，多个历史时间段的历史气象数据可以对应多个天气事件样本，可以对多个天气事件样本进行聚类，得到多个聚类类别的聚类中心(每个聚类类别对应一个聚类中心)，分别计算预测气象数据与多个聚类中心的距离，根据所计算的距离确定预测气象数据对应的聚类类别，将预测气象数据对应的聚类类别作为预测气象数据对应的预测气象事件类别。
可选的，基于所述历史气象数据确定所述预测气象数据对应的预测气象事件类别，包括：将所述历史气象数据划分为多个天气事件样本；一个天气事件样本包括一个历史时间段内的历史气象数据；对多个天气事件样本进行聚类，获得至少一个聚类中心；根据所述至少一个聚类中心确定所述预测气象数据对应的预测气象事件类别。
本实施例中，可以按照历史时间段将历史气象数据划分为多个天气事件样本，使得一个天气事件样本对应一个历史时间段内的所有风电场的历史气象数据，可以利用聚类分类算法对多个天气事件样本进行聚类，获得至少一个聚类中心；根据所述至少一个聚类中心确定所述预测气象数据对应的预测气象事件类别。本实施例，对具体的聚类分类算法不作限制，例如可以为K-means聚类算法。
可选的，对多个天气事件样本进行聚类，获得至少一个聚类中心，包括：按照时间顺序，将多个天气事件样本内的历史气象数据进行排列；利用循环函数对排列后的历史气象数据进行异常数据的清洗；对清洗后的历史气象数据进行气象特征计算，获得多个历史气象特征；基于所述多个历史气象特征对多个天气事件样本进行聚类，获得至少一个聚类中心。
本实施例中，通过按照时间顺序，将多个天气事件样本内的历史气象数据进行排列，使得每个天气事件样本内的历史气象数据均以时序序列形式进行排列。由于实际应用中，每隔设定时长检测一次气象数据，其中，设定时长可以为15分钟。若以15分钟为例，15分钟可以作为一个时间点，在一个天气事件样本中，涵盖了16个时间点，对于每个天气事件样本，可以利用循环函数从历史气象数据中找出明显与时间序列中前后数据不同的异常数据，具体可以利用循环函数依次对16个时间点对应的历史气象数据进行检查，对于当前时间点的历史气象数据，可以计算当前时间点前后几个时间点气象数据的平均值，如果当前时间点的历史气象数据与该平均值的差值超过设定阈值，则将当前时间点的历史气象数据作为异常数据，并对异常数据进行清洗，得到清洗后的历史气象数据。对于清洗，可以利用正常的历史气象数据(如均值、中位数、众数等)将异常数据进行替换。对清洗后的历史气象数据进行气象特征计算，获得多个历史气象特征；基于所述多个历史气象特征对多个天气事件样本进行聚类，获得至少一个聚类中心。
可选的，对清洗后的历史气象数据进行气象特征计算，获得多个历史气象特征，包括：根据所述清洗后的历史气象数据确定历史风电总功率；对所述清洗后的历史气象数据和所述历史风电总功率进行气象特征计算，获得多个历史气象特征；其中，所述历史气象特征包括历史风速方差、历史风向方差、历史功率方差、历史总功率变化趋势、历史总功率平均波动幅度。
本实施例，对于每个天气事件样本，可以根据多个风电场的清洗后的历史气象数据确定风电集群的历史风电总功率，对所述清洗后的历史气象数据和所述历史风电总功率进行气象特征计算，获得多个历史气象特征；其中，气象特征计算包括风速方差、风向方差、功率方差、总功率变化趋势、总功率平均波动幅度等指标计算。其中，历史风电总功率可以理解为风电集群的历史风电总功率。
需要说明的是，在训练阶段，通过在获取到风电集群多个历史时间段内(超短期)的历史气象数据之后，通过对历史气象数据进行天气事件样本的划分、异常数据的处理、进行气象特征的计算以及聚类的处理等过程，实现对超短期的历史气象数据进行精细化分类，使得利用精细化分类之后的历史气象数据和历史风电总功率进行模型训练，提高了目标风电功率预测模型的精细化程度。
可选的，根据所述至少一个聚类中心确定所述预测气象数据对应的预测气象事件类别，包括：分别确定所述预测气象数据与所述至少一个聚类中心的距离；基于所述距离确定目标聚类中心；将所述目标聚类中心对应的聚类类别作为所述预测气象数据对应的预测气象事件类别。
本实施例中，分别计算预测气象数据与多个聚类中心的距离，获得多个距离值，将在多个距离值中最大距离值对应的聚类中心作为目标聚类中心；将所述目标聚类中心对应的聚类类别作为所述预测气象数据对应的预测气象事件类别。
S130、根据所述预测气象事件类别确定对应的目标气象数据组合以及目标风电功率预测模型。
其中，每个预测气象事件类别均有对应的目标风电功率预测模型，每个预测气象事件类别对应的目标风电功率预测模型的具体网络结构可以相同，也可以不相同，但每个目标风电功率预测模型的训练样本不同。每个预测气象事件类别均有对应的目标气象数据组合。目标气象数据组合包括多组气象数据，每组气象数据包括一个目标风电场的一个或多个种类的目标气象数据，每组气象数据的目标风电场不同。其中，目标气象数据的种类可以包括风速、风向、湿度、温度、光照强度以及气压等。
其中，所述至少一个聚类中心对应至少一个聚类类别，也即每个聚类中心都有对应的聚类类别，所述目标风电功率预测模型的数量至少一个，每个聚类类别对应一个目标风电功率预测模型。
本实施例中，由于在训练阶段中，可以通过因果关系分析函数确定每个聚类类别的目标历史气象数据组合，并且也可以通过目标历史气象数据组合在对应聚类类别下的所有历史气象数据训练得到相应聚类类别下的目标风电功率预测模型，从而可以得到每个聚类类别的目标风电功率预测模型，因此在实际应用中，当确定出所述预测气象数据对应的预测气象事件类别，也即确定预测气象数据对应的聚类类别之后，可以通过聚类类别获取到对应的目标气象数据组合以及聚类类别对应的目标风电功率预测模型。
可选的，所述目标风电功率预测模型的训练方式，包括：对于任意一个聚类类别，将所述聚类类别对应的所有历史气象数据和所有历史风电总功率对应输入至设定因果关系分析函数中，输出每个风电场下的每一种类历史气象数据与所述历史风电总功率间的因果关系强度值；根据所述每个风电场下的每一种类历史气象数据与所述历史风电总功率间的因果关系强度值和因果关系强度阈值，确定目标历史气象数据组合；根据所述目标历史气象数据组合对应的历史气象数据和历史风电总功率对风电功率预测模型进行迭代训练，获得目标风电功率预测模型。
其中，设定因果关系分析函数可以为收敛交叉映射算法。本实施例中，对于任意一个聚类类别，将所述聚类类别对应的所有历史气象数据和所有历史风电总功率对应输入至设定因果关系分析函数中，设定因果关系分析函数计算每一个天气事件样本中多个风电场多个种类的历史气象数据与风电场集群历史风电总功率之间的因果关系强度值，得到每个天气事件样本下每个风电场每一种类历史气象数据对应的因果关系强度值，统计每个天气事件样本下各风电场每个种类的历史气象数据对应的因果关系强度值，确定聚类类别下的多个天气事件样本的每个风电场每个种类历史气象数据对应的因果关系强度平均值，将大于或等于因果关系强度阈值的因果关系强度平均值对应的历史气象数据组合作为相应聚类类别下的目标历史气象数据组合，或者，确定聚类类别下的多个天气事件样本的每个风电场每个种类的历史气象数据对应的因果关系强度最大值，将大于或等于因果关系强度阈值的因果关系强度最大值对应的历史气象数据组合作为相应聚类类别下的目标历史气象数据组合。其中，一个聚类类别包括多个天气事件样本。每个种类的历史气象数据对应的因果关系强度阈可以是相同的。示例性，大于或等于因果关系强度阈值的因果关系强度平均值对应的历史气象数据组合或大于或等于因果关系强度阈值的因果关系强度最大值的目标历史气象数据组合共包括4项，分别为风电场1的风速和风向，风电场3的风速，风电场5的风向。也即目标历史气象数据组合可以是不同风电场的相同种类历史气象数据组合，可以是不同风电场的不同种类的历史气象数据组合，也可以是相同风电场的不同种类的历史气象数据组合等。其中，目标历史气象数据组合也可以作为目标气象数据组合。
其中，因果关系强度值用于表征历史气象数据对历史风电总功率的影响程度。具体的，若因果关系强度值越大，则表征该历史气象数据对历史风电总功率的影响程度越大，相反的，若因果关系强度值越小，则表征该历史气象数据对历史风电总功率的影响程度越小。
在本实施例中，将历史气象数据和历史风电总功率作为因和果，将历史气象数据记为X＝{X(1),X(2),...,X(L)}，将历史风电总功率记为Y＝{Y(1),Y(2),...,Y(L)}，因果关系分析模型基于影子流形计算数据密度，当数据足够密集并发生收敛时，即可计算每个风电场的每个种类的历史气象数据与历史风电总功率间的因果关系强度值。
本实施例中，可以将目标历史气象数据组合在相应聚类类别下的所有历史气象数据和对应的历史风电总功率对风电功率预测模型进行迭代训练，基于设定的损失函数计算损失值，当损失值趋于稳定时，则确定风电功率预测模型达到稳定状态，获得目标风电功率预测模型。所述风电功率预测模型为长短期记忆网络(Long Short Term Memorynetworks，LSTM)。具体的，LSTM包括输入门、输出门、遗忘门以及单元状态模块。
具体的，输入门决定着当前输入神经网络的数据会有多少能够保存至单元状态。可选的，输入门对输入参数进行如下方式的计算：
it＝σ(Wi[ht-1,xt]+bi)
其中，xt是当前时刻所有的输入参数，即xt是历史气象数据，ht-1是上一时刻的隐藏状态下的输出参数，bi是常量，Wi是输入门中的权重矩阵，σ是Sigmoid函数。
具体的，遗忘门控制上一时刻的数据保存到这一时刻数据的数量。可选的，遗忘门对输入参数进行如下方式的计算：
ft＝σ(Wf[ht-1,xt]+bf)
Ct′＝tanh(Wc[ht-1,xt]+bc)
其中，Wf和Wc是遗忘门中的权重矩阵，bf是常量，bc是常量，ft是遗忘门的第一输出结果，Ct′是遗忘门的第二输出结果。
具体的，输出门控制当前的单元状态会有多少会输出到当前数据。可选的，输出门对输入参数进行如下方式的计算：
ot＝σ(Wo[ht-1,xt]+bo)
其中，Wo是输出门中的权重矩阵，bo是常量。
具体的，LSTM神经网络中包括长期记忆和短期记忆的传递，通过计算输入门、输出门、以及上一时刻的记忆信息实现长期记忆的传递。短期记忆通过计算输出门以及激活长期记忆中的信息实现传递。实现长期记忆以及短期记忆的传递公式分别如下：
Ct＝ftCt-1+itCt′
ht＝ottanh(Ct)
其中，Ct是当前时刻的长短时记忆特征，ht是当前时刻的隐藏特征。
进一步的，在训练好目标风电功率预测模型之后，还可以利用测试集对目标风电功率预测模型进行测试，以提高目标风电功率预测模型的泛化性。
本实施例，通过对历史气象数据和历史风电总功率进行因果关系分析，选择出每个聚类类别下对历史风电总功率的影响程度较大的目标历史气象数据组合，在每个聚类类别下利用对应的目标历史气象数据组合的历史气象数据和历史风电总功率对相应的目标风电功率预测模型进行训练，提高了目标风电功率预测模型的精细化程度以及精确度，同时提高了目标风电功率预测模型的可解释性和泛化能力。
S140、获取所述目标气象数据组合对应的目标预测气象数据。
本实施例，获取目标气象数据组合在相应预测气象事件类别(也即相应聚类类别)下的未来时间段内的预测气象数据，也即目标预测气象数据。
示例性的，若目标气象数据组合为：风电场1的风速和风向，风电场3的风速，风电场5的风向，则目标预测气象数据可以是相应预测气象事件类别(也即相应聚类类别)下的未来时间段内的风电场1的风速和风向、风电场3的风速以及风电场5的风向(均为具体的预测气象数据)。
S150、将所述目标预测气象数据输入至所述目标风电功率预测模型中，获得目标预测风电功率。
本实施例，将所述目标预测气象数据输入至训练后的目标风电功率预测模型中，可以获得准确的目标预测风电功率。其中，目标预测风电功率可以为风电集群在未来时间段内的风电总功率，也即风电集群在未来超短期时段内的发电总功率。
本发明实施例的技术方案，获取风电集群中各风电场的未来时间段内的预测气象数据以及多个历史时间段内的历史气象数据；基于所述历史气象数据确定所述预测气象数据对应的预测气象事件类别；根据所述预测气象事件类别确定对应的目标气象数据组合以及目标风电功率预测模型；获取所述目标气象数据组合对应的目标预测气象数据；将所述目标预测气象数据输入至所述目标风电功率预测模型中，获得目标预测风电功率。本公开实施例，通过预测气象数据对应的预测气象事件类别确定对应的目标气象数据组合以及目标风电功率预测模型；通过目标风电功率预测模型对目标气象数据组合的目标预测气象数据进行风电功率预测的方式，可以得到准确的目标预测风电功率，从而可以实现对风电集群功率的精准预测。
图2为本公开实施例所提供的一种风电功率的预测装置结构示意图，如图2所示，所述装置包括气象数据获取模块210、预测气象事件类别确定模块220、风电场以及预测模型确定模块230、目标预测气象数据获取模块240以及目标预测风电功率获得模块250；
气象数据获取模块210，用于获取风电集群中各风电场的未来时间段内的预测气象数据以及多个历史时间段内的历史气象数据；
预测气象事件类别确定模块220，用于基于所述历史气象数据确定所述预测气象数据对应的预测气象事件类别；
风电场以及预测模型确定模块230，用于根据所述预测气象事件类别确定对应的目标气象数据组合以及目标风电功率预测模型；
目标预测气象数据获取模块240，用于获取所述目标气象数据组合对应的目标预测气象数据；
目标预测风电功率获得模块250，用于将所述目标预测气象数据输入至所述目标风电功率预测模型中，获得目标预测风电功率。
本发明实施例的技术方案，通过气象数据获取模块获取风电集群中各风电场的未来时间段内的预测气象数据以及多个历史时间段内的历史气象数据；通过预测气象事件类别确定模块基于所述历史气象数据确定所述预测气象数据对应的预测气象事件类别；通过风电场以及预测模型确定模块根据所述预测气象事件类别确定对应的目标气象数据组合以及目标风电功率预测模型；通过目标预测气象数据获取模块获取所述目标气象数据组合对应的目标预测气象数据；通过目标预测风电功率获得模块将所述目标预测气象数据输入至所述目标风电功率预测模型中，获得目标预测风电功率。本公开实施例，通过预测气象数据对应的预测气象事件类别确定对应的目标气象数据组合以及目标风电功率预测模型；通过目标风电功率预测模型对目标气象数据组合的目标预测气象数据进行风电功率预测的方式，可以得到准确的目标预测风电功率，从而可以实现对风电集群功率的精准预测。
可选的，所述预测气象事件类别确定模块具体用于：将所述历史气象数据划分为多个天气事件样本；一个天气事件样本包括一个历史时间段内的历史气象数据；所述历史气象数据的种类包括风速、风向、湿度、温度、光照强度以及气压；对多个天气事件样本进行聚类，获得至少一个聚类中心；根据所述至少一个聚类中心确定所述预测气象数据对应的预测气象事件类别。
可选的，所述预测气象事件类别确定模块还用于：按照时间顺序，将多个天气事件样本内的历史气象数据进行排列；利用循环函数对排列后的历史气象数据进行异常数据的清洗；对清洗后的历史气象数据进行气象特征计算，获得多个历史气象特征；基于所述多个历史气象特征对多个天气事件样本进行聚类，获得至少一个聚类中心。
可选的，所述预测气象事件类别确定模块还用于：根据所述清洗后的历史气象数据确定历史风电总功率；对所述清洗后的历史气象数据和所述历史风电总功率进行气象特征计算，获得多个历史气象特征；其中，所述历史气象特征包括历史风速方差、历史风向方差、历史功率方差、历史总功率变化趋势、历史总功率平均波动幅度。
可选的，所述预测气象事件类别确定模块还用于：分别确定所述预测气象数据与所述至少一个聚类中心的距离；基于所述距离确定目标聚类中心；将所述目标聚类中心对应的聚类类别作为所述预测气象数据对应的预测气象事件类别。
可选的，所述至少一个聚类中心对应至少一个聚类类别，所述目标风电功率预测模型的数量至少一个，每个聚类类别对应一个目标风电功率预测模型；所述装置还包括模型训练模块，所述模型训练模块具体用于：对于任意一个聚类类别，将所述聚类类别对应的所有历史气象数据和所有历史风电总功率对应输入至设定因果关系分析函数中，输出每个风电场下的每一种类历史气象数据与所述历史风电总功率间的因果关系强度值；根据所述每个风电场下的每一种类历史气象数据与所述历史风电总功率间的因果关系强度值和因果关系强度阈值，确定目标历史气象数据组合；根据所述目标历史气象数据组合对应的历史气象数据和历史风电总功率对风电功率预测模型进行迭代训练，获得目标风电功率预测模型。
可选的，设定因果关系分析函数为收敛交叉映射算法；所述风电功率预测模型为长短期记忆网络。
本公开实施例所提供的风电功率的预测装置可执行本公开任意实施例所提供的风电功率的预测方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。
图3为本公开实施例所提供的一种电子设备的结构示意图。下面参考图3，其示出了适于用来实现本公开实施例的电子设备(例如图3中的终端设备或服务器)300的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图3所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。编辑/输出(I/O)接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开实施例的方法中限定的上述功能。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
本公开实施例提供的电子设备与上述实施例提供的风电功率的预测方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
本公开实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的风电功率的预测方法。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机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。而在本公开中，计算机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，其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、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。计算机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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取风电集群中各风电场的未来时间段内的预测气象数据以及多个历史时间段内的历史气象数据；基于所述历史气象数据确定所述预测气象数据对应的预测气象事件类别；根据所述预测气象事件类别确定对应的目标气象数据组合以及目标风电功率预测模型；获取所述目标气象数据组合对应的目标预测气象数据；将所述目标预测气象数据输入至所述目标风电功率预测模型中，获得目标预测风电功率。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (16)

1.一种风电功率的预测方法，其特征在于，包括：
获取风电集群中各风电场的未来时间段内的预测气象数据以及多个历史时间段内的历史气象数据；
基于所述历史气象数据确定所述预测气象数据对应的预测气象事件类别；
根据所述预测气象事件类别确定对应的目标气象数据组合以及目标风电功率预测模型；
获取所述目标气象数据组合对应的目标预测气象数据；
将所述目标预测气象数据输入至所述目标风电功率预测模型中，获得目标预测风电功率。
2.根据权利要求1所述的方法，其特征在于，基于所述历史气象数据确定所述预测气象数据对应的预测气象事件类别，包括：
将所述历史气象数据划分为多个天气事件样本；一个天气事件样本包括一个历史时间段内的历史气象数据；所述历史气象数据的种类包括风速、风向、湿度、温度、光照强度以及气压；
对多个天气事件样本进行聚类，获得至少一个聚类中心；
根据所述至少一个聚类中心确定所述预测气象数据对应的预测气象事件类别。
3.根据权利要求2所述的方法，其特征在于，对多个天气事件样本进行聚类，获得至少一个聚类中心，包括：
按照时间顺序，将多个天气事件样本内的历史气象数据进行排列；
利用循环函数对排列后的历史气象数据进行异常数据的清洗；
对清洗后的历史气象数据进行气象特征计算，获得多个历史气象特征；
基于所述多个历史气象特征对多个天气事件样本进行聚类，获得至少一个聚类中心。
4.根据权利要求3所述的方法，其特征在于，对清洗后的历史气象数据进行气象特征计算，获得多个历史气象特征，包括：
根据所述清洗后的历史气象数据确定历史风电总功率；
对所述清洗后的历史气象数据和所述历史风电总功率进行气象特征计算，获得多个历史气象特征；其中，所述历史气象特征包括历史风速方差、历史风向方差、历史功率方差、历史总功率变化趋势、历史总功率平均波动幅度。
5.根据权利要求2所述的方法，其特征在于，根据所述至少一个聚类中心确定所述预测气象数据对应的预测气象事件类别，包括：
分别确定所述预测气象数据与所述至少一个聚类中心的距离；
基于所述距离确定目标聚类中心；
将所述目标聚类中心对应的聚类类别作为所述预测气象数据对应的预测气象事件类别。
6.根据权利要求3所述的方法，其特征在于，所述至少一个聚类中心对应至少一个聚类类别，所述目标风电功率预测模型的数量至少一个，每个聚类类别对应一个目标风电功率预测模型；所述目标风电功率预测模型的训练方式，包括：
对于任意一个聚类类别，将所述聚类类别对应的所有历史气象数据和所有历史风电总功率对应输入至设定因果关系分析函数中，输出每个风电场下的每一种类历史气象数据与所述历史风电总功率间的因果关系强度值；
根据所述每个风电场下的每一种类历史气象数据与所述历史风电总功率间的因果关系强度值和因果关系强度阈值，确定目标历史气象数据组合；
根据所述目标历史气象数据组合对应的历史气象数据和历史风电总功率对风电功率预测模型进行迭代训练，获得目标风电功率预测模型。
7.根据权利要求6所述的方法，其特征在于，设定因果关系分析函数为收敛交叉映射算法；所述风电功率预测模型为长短期记忆网络。
8.一种风电功率的预测装置，其特征在于，包括：
气象数据获取模块，用于获取风电集群中各风电场的未来时间段内的预测气象数据以及多个历史时间段内的历史气象数据；
预测气象事件类别确定模块，用于基于所述历史气象数据确定所述预测气象数据对应的预测气象事件类别；
风电场以及预测模型确定模块，用于根据所述预测气象事件类别确定对应的目标气象数据组合以及目标风电功率预测模型；
目标预测气象数据获取模块，用于获取所述目标气象数据组合对应的目标预测气象数据；
目标预测风电功率获得模块，用于将所述目标预测气象数据输入至所述目标风电功率预测模型中，获得目标预测风电功率。
9.根据权利要求8所述的装置，其特征在于，所述预测气象事件类别确定模块具体用于：
将所述历史气象数据划分为多个天气事件样本；一个天气事件样本包括一个历史时间段内的历史气象数据；所述历史气象数据的种类包括风速、风向、湿度、温度、光照强度以及气压；
对多个天气事件样本进行聚类，获得至少一个聚类中心；
根据所述至少一个聚类中心确定所述预测气象数据对应的预测气象事件类别。
10.根据权利要求9所述的装置，其特征在于，所述预测气象事件类别确定模块还用于：
按照时间顺序，将多个天气事件样本内的历史气象数据进行排列；
利用循环函数对排列后的历史气象数据进行异常数据的清洗；
对清洗后的历史气象数据进行气象特征计算，获得多个历史气象特征；
基于所述多个历史气象特征对多个天气事件样本进行聚类，获得至少一个聚类中心。
11.根据权利要求10所述的装置，其特征在于，所述预测气象事件类别确定模块还用于：
根据所述清洗后的历史气象数据确定历史风电总功率；
对所述清洗后的历史气象数据和所述历史风电总功率进行气象特征计算，获得多个历史气象特征；其中，所述历史气象特征包括历史风速方差、历史风向方差、历史功率方差、历史总功率变化趋势、历史总功率平均波动幅度。
12.根据权利要求9所述的装置，其特征在于，所述预测气象事件类别确定模块还用于：
分别确定所述预测气象数据与所述至少一个聚类中心的距离；
基于所述距离确定目标聚类中心；
将所述目标聚类中心对应的聚类类别作为所述预测气象数据对应的预测气象事件类别。
13.根据权利要求10所述的装置，其特征在于，所述至少一个聚类中心对应至少一个聚类类别，所述目标风电功率预测模型的数量至少一个，每个聚类类别对应一个目标风电功率预测模型；所述装置还包括模型训练模块，所述模型训练模块具体用于：
对于任意一个聚类类别，将所述聚类类别对应的所有历史气象数据和所有历史风电总功率对应输入至设定因果关系分析函数中，输出每个风电场下的每一种类历史气象数据与所述历史风电总功率间的因果关系强度值；
根据所述每个风电场下的每一种类历史气象数据与所述历史风电总功率间的因果关系强度值和因果关系强度阈值，确定目标历史气象数据组合；
根据所述目标历史气象数据组合对应的历史气象数据和历史风电总功率对风电功率预测模型进行迭代训练，获得目标风电功率预测模型。
14.根据权利要求13所述的装置，其特征在于，设定因果关系分析函数为收敛交叉映射算法；所述风电功率预测模型为长短期记忆网络。
15.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的风电功率的预测方法。
16.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的风电功率的预测方法。
CN202311573996.0A 2023-11-23 2023-11-23 风电功率的预测方法、装置、设备及介质 Pending CN117522169A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311573996.0A CN117522169A (zh) 2023-11-23 2023-11-23 风电功率的预测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311573996.0A CN117522169A (zh) 2023-11-23 2023-11-23 风电功率的预测方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN117522169A true CN117522169A (zh) 2024-02-06

Family

ID=89752860

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311573996.0A Pending CN117522169A (zh) 2023-11-23 2023-11-23 风电功率的预测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN117522169A (zh)

Similar Documents

Publication Publication Date Title
CN114091617A (zh) 联邦学习建模优化方法、电子设备、存储介质及程序产品
CN115085196B (zh) 电力负荷预测值确定方法、装置、设备和计算机可读介质
CN114780338A (zh) 主机信息处理方法、装置、电子设备和计算机可读介质
CN110069997B (zh) 场景分类方法、装置及电子设备
CN113392018B (zh) 流量分发方法、装置、存储介质及电子设备
CN117236805B (zh) 电力设备控制方法、装置、电子设备和计算机可读介质
US20240118984A1 (en) Prediction method and apparatus for faulty gpu, electronic device and storage medium
CN111414921B (zh) 样本图像处理方法、装置、电子设备及计算机存储介质
CN116388112A (zh) 异常供应端断电方法、装置、电子设备和计算机可读介质
CN113723712B (zh) 风电功率预测方法、系统、设备及介质
CN117522169A (zh) 风电功率的预测方法、装置、设备及介质
CN115800256A (zh) 一种空调负荷的预测方法、装置、电子设备和存储介质
CN113902230A (zh) 电量偏差控制方法、系统、存储介质和电子设备
CN114168657A (zh) 风电功率异常数据实时检测方法、系统、设备及介质
CN116757443B (zh) 新型配电网电力线损率预测方法、装置、电子设备和介质
CN117978612B (zh) 网络故障检测方法、存储介质以及电子设备
CN112632846B (zh) 一种电力系统输电断面极限概率评估方法及电子设备
CN111652304B (zh) 人员亲密度分析方法、终端及存储介质
CN116894163B (zh) 基于信息安全的充放电设施负荷预测信息生成方法和装置
CN117235535B (zh) 异常供应端断电方法、装置、电子设备和介质
CN117857388B (zh) 交换机运行信息检测方法、装置、电子设备与计算机介质
CN116501993B (zh) 房源数据推荐方法及装置
CN117290380B (zh) 异常维度数据生成方法、装置、设备和计算机可读介质
CN117592785A (zh) 电网线路的风险处理方法、装置、设备及介质
CN117713048A (zh) 基于农网用电集成的用电终端供电方法、装置和设备

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