CN117613851A - 风机覆冰发电功率预测方法、装置、计算设备和存储介质 - Google Patents

风机覆冰发电功率预测方法、装置、计算设备和存储介质 Download PDF

Info

Publication number
CN117613851A
CN117613851A CN202311295182.5A CN202311295182A CN117613851A CN 117613851 A CN117613851 A CN 117613851A CN 202311295182 A CN202311295182 A CN 202311295182A CN 117613851 A CN117613851 A CN 117613851A
Authority
CN
China
Prior art keywords
historical
data
predicted
output power
target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311295182.5A
Other languages
English (en)
Inventor
简洲
徐勋建
冯涛
李丽
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 Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Disaster Prevention and Mitigation Center of State Grid Hunan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Disaster Prevention and Mitigation Center of State Grid Hunan Electric Power 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 State Grid Corp of China SGCC, State Grid Hunan Electric Power Co Ltd, Disaster Prevention and Mitigation Center of State Grid Hunan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202311295182.5A priority Critical patent/CN117613851A/zh
Publication of CN117613851A publication Critical patent/CN117613851A/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
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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)
  • Environmental & Geological Engineering (AREA)
  • Power Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本公开实施例提一种风机覆冰发电功率预测方法、装置、计算设备和存储介质。风机覆冰发电功率预测方法包括：从风机的历史状态数据中筛选目标记录数据，目标记录数据为风机覆冰时采集的状态数据，历史状态数据包括历史输出功率和历史气象数据；获取待预测寒潮天气时段的预测气象数据；筛选历史气象数据中与预测气象数据相近的目标气象数据；基于与目标气象数据关联的历史输出功率预测在待预测寒潮天气时段的风机覆冰发电功率。采用本公开实施例提供的方案，基于近似数据比对预测的方法直接确定待预测寒潮天气出现覆冰时的输出功率，可以直接克服模型采用大量正常数据训练造成的其对覆冰下输出功率预测准确度不高的问题。

Description

风机覆冰发电功率预测方法、装置、计算设备和存储介质
技术领域
本公开涉及电网数据管理领域，具体设计一种风机覆冰发电功率预测方法、装置、计算设备和存储介质。
背景技术
为保证电网的安全稳定运行，需要合理地预测各种类型的电网上网电量。随着风力发电的迅速发展，风力发电装机容量在电网上网装机容量的占比越来越高，更为精准地预测风力发电机组上网电量(也就是输出功率)的需求也随之提高。目前对风力发电机组发电功率的预测多是采用模型预测方法。由于模型预测方法使用的模型是采用大量历史数据拟合构建得到，其能够较为准确地预测常规天气情况下风力发电机组的发电功率，但是对于诸低温寒潮气象条件造成的覆冰状态下的发电功率的预测精度不高。
发明内容
为了解决上述技术问题，本公开实施例提供一种风机覆冰发电功率预测方法、装置、计算设备和存储介质。
第一方面，本公开实施例提供一种风机覆冰发电功率预测方法，包括：
从风机的历史状态数据中筛选目标记录数据，所述历史状态数据包括历史输出功率和历史气象数据所述目标记录数据为风机覆冰时采集的状态数据；
获取待预测寒潮天气时段的预测气象数据；
筛选所述历史气象数据中与所述预测气象数据相近的目标气象数据；
基于与所述目标气象数据关联的所述历史输出功率预测在所述待预测寒潮天气时段的风机覆冰发电功率。
可选的，所述历史气象数据包括历史风速数据；所述从风机的历史状态数据中筛选目标记录数据，包括：
采用所有的所述历史输出功率和所述风速数据构建风速-功率关系模型；
将所述风速数据输入到所述风速-功率关系模型，得到对应的计算输出功率；
选择与所述计算输出功率的比较关系满足设定关系的所述历史输出功率作为所述目标记录数据包含的目标输出功率，并将与所述目标输出功率关联的所述历史气象数据作为所述目标气象数据，所述目标输出功率和关联的所述目标气象数据组成所述目标记录数据；
其中所述设定关系为所述历史输出功率与对应计算输出功率的差值大于设定差值，或者，所述历史输出功率和对应的计算输出功率之间差值与所述历史输出功率的比值大于设定比值。
可选的，所述历史气象数据包括历史风速、历史温度和历史降水量，所述预测气象数据包括预测风速、预测温度和预测降水量；
所述筛选所述历史气象数据中与所述预测气象数据相近的目标气象数据，包括：
计算各个所述目标记录数据中历史风速和所述预测气象数据中预测风速的风速差值；
计算各个所述目标记录数据中历史温度和所述预测温度的温度差值；
计算所述目标记录数据中历史降水量和所述预测降水量差值；
基于所述风速差值、所述温度差值和所述降水量差值从所述历史气象数据中筛选得到所述目标气象数据。
可选的，所述基于所述风速差值、所述温度差值和所述降水量差值从所述历史气象数据中筛选得到所述目标气象数据，包括：
计算所述风速差值、所述温度差值和所述降水量差值的加权均方差；
选择最小的N个加权均方差对应的所述历史气象数据作为所述目标气象数据，N≥2。
可选的，所述基于与所述目标气象数据关联的所述历史输出功率预测在所述待预测寒潮天气时段的风机覆冰发电功率，包括：
计算与所述目标气象数据关联的历史输出功率的均值，作为所述待预测寒潮天气时段的风机覆冰发电功率。
第二方面，本公开实施例提供一种风机覆冰发电功率预测装置，包括：
历史数据筛选单元，用于从风机的历史状态数据中筛选目标记录数据，所述历史状态数据包括历史输出功率和历史气象数据，所述目标记录数据为风机覆冰时采集的状态数据；
预测气象数据获取单元，用于获取待预测寒潮天气时段的预测气象数据；
相似气象数据筛选单元，用于筛选所述历史气象数据中与所述预测气象数据相近的目标气象数据；
功率预测单元，用于基于与所述目标气象数据关联的所述历史输出功率预测在所述待预测寒潮天气时段的风机覆冰发电功率。
可选的，所述历史气象数据包括历史风速数据；所述历史数据筛选单元包括：
模型构建子单元，用于采用所有的所述历史输出功率和所述风速数据构建风速-功率关系模型；
计算子单元，用于将所述风速数据输入到所述风速-功率关系模型，得到对应的计算输出功率；
历史数据筛选子单元，用于选择与所述计算输出功率的比较关系满足设定关系的所述历史输出功率作为所述目标记录数据包含的目标输出功率，并将与所述目标输出功率关联的所述历史气象数据作为所述目标气象数据，所述目标输出功率关联的所述目标气象数据组成所述目标记录数据；
其中所述设定关系为所述历史输出功率与对应计算输出功率的差值大于设定差值，或者，所述历史输出功率和对应的计算输出功率之间差值与所述历史输出功率的比值大于设定比值。
可选的，所述历史气象数据包括历史风速、历史温度和历史降水量，所述预测气象数据包括预测风速、预测温度和预测降水量；所述相似气象数据筛选单元包括：
差值计算子单元，用于计算各个所述目标记录数据中历史风速和所述预测气象数据中预测风速的风速差值，计算各个所述目标记录数据中历史温度和所述预测温度的温度差值，以及计算所述目标记录数据中历史降水量和所述预测降水量差值。
第三方面，本公开实施例提供一种计算设备，包括处理器和存储器，所述存储器用于存储计算机程序；所述计算机程序在被所述处理器加载时，使所述处理器执行前所述的风机覆冰发电功率预测方法。
第四方面，本公开实施例提供一种计算机可读存储介质，所述存储介质存储有计算机程序，当计算机程序被处理器执行时，使得处理器实现如前所述的风机覆冰发电功率预测方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点：
采用本公开实施例提供的方案，在获取到待预测覆冰时段的预测气象数据之后，利用前述的预测气象数据检索历史气象数据，确定历史气象数据中预期相近的目标气象数据，并基于与目标气象数据关联的历史输出功率预测待预测寒潮天气时段的风机覆冰发电功率。采用本公开实施例提供的方案，基于近似数据比对预测的方法直接确定待预测覆冰时段的目标风机的输出功率，而不再采用拟合模型处理预测气象数据的方法得到预测输出功率，可以直接克服模型采用大量正常数据训练造成的其对寒潮天气时段风机覆冰发电功率预测准确度不高的问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图，其中：
图1是本公开实施例提供的风机覆冰发电功率预测方法流程图；
图2是一些实施例中筛选目标记录数据的流程图；
图3是风机发电功率预测比较图；
图4是本公开实施例提供的风机覆冰发电功率预测装置的结构示意图；
图5是本公开实施例提供的计算设备的结构示意图。
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。
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过程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”。
为了解决相关技术在低温寒潮天气下扇叶覆冰后，对其发电功率预测精准度不高的问题，本公开实施例提供一种新的风机覆冰发电功率预测方法。
在本公开实施例提供的风机覆冰发电功率预测方法做分析之前，首先对覆冰下风力发电机组发电功率预测不高的原因做分析。在低温寒潮天气下，风力发电机组中的风机叶片出现表面覆冰问题，表面覆冰改变了风机叶片的重量和风机叶片的外形，使得风机的发电输出功率下降。在采用模型预测方法预测风机发电功率时，其无法考虑到因为叶片覆冰情况下叶片重量和外形的改变，仍然以相同叶片重量和叶片外形为基础预测发电功率，造成预测精度始终无法较高。
图1是本公开实施例提供的风机覆冰发电功率预测方法流程图。如图1所示，本公开实施例提供的风机发电功率预测方法包括S110-S140。
本公开实施例提供的风机覆冰发电功率预测方法可以由计算设备执行，计算设备可以是诸如服务器等后台设备，也可以是诸如台式电脑、笔记本电脑等终端设备。
S110：从风机的历史状态数据中筛选目标记录数据，历史状态数据包括历史输出功率和历史气象数据，目标记录数据为风机覆冰时采集的状态数据。
本公开实例中的风机是待预测的、在特定野外环境下发电的风力发电机组。本公开实施例中，风机可以是一台，也可以是多台。在风机为多台的情况下，多台风机所处的环境特征基本相同，例如所处在海拔高度大体相同，周围环境大体相同。
风机的历史状态数据是在历史发电过程中记录的状态数据。本公开实施例中，历史状态数据包括历史输出功率和历史气象数据。具体实施中，历史输出功率可以采用风机的上网功率标识。
目标记录数据是处于覆冰时风机的状态数据。本公开实施例中，目标记录数据包括覆冰状态下的历史输出功率和与覆冰状态时的历史气象数据。在具体实施中，可以从确定使得风机叶片表面覆冰的天气条件，并利用前述天气条件作为筛选条件对已有历史数据中的气象数据进行筛选，确定历史气象数据。
S120：获取待预测寒潮天气时段的预测气象数据。
因为低温寒潮天气是造成风机覆冰的原因，所以为了对风机的覆冰发电功率进行预测，需要获取到待预测寒潮天气时段的预测气象数据。
本公开实施例中，获取待预测覆冰时段的预测气象数据，可以是查询气象部门提供的气象预报，从气象预报中获取低温寒潮天气对应的预测气象数据。
在其他实施例中，也可以在采用设置在目标风机附近的气象监测设备监测目标风机所在位置的气象数据，并根据历史经验预测是否会出现寒潮天气，如果预测出现寒潮天气，则获取对应的预测气象数据。
S130：筛选历史气象数据中与预测气象数据相近的目标气象数据。
本公开实施例中，筛选历史气象数据中与预测气象数据相近的目标气象数据，是将预测气象数据作为比对基准，将历史气象数据与前述作为基准的预测气象数据进行比对，以确定与预测气象数据相近的目标气象数据。
本公开实施例中所说的“与预测气象数据相近”是采用预先设定的判断标准确定的“相近”。例如，具体实施中，可以将与预测气象数据最为接近的历史气象数据作为目标气象数据。具体实施中，还可以采用何种方法确定目标气象数据，在后文中再做举例。
S140：基于与目标气象数据关联的历史输出功率预测在待预测寒潮天气时段的风机覆冰发电功率。
根据日常生活经验可知，如果天气气象条件越接近，则发生相同气象灾害的可能性也就越大。进一步地来说，在低温寒潮天气(会发生覆冰现象的情况)下，如果天气气象条件下越接近，则风力的风机叶片出现类似甚至相同的覆冰灾害的可能性也就越大。在风速条件一直的情况下，风力发电机组工作状态基本相同，其输出功率大概率也就相同。
正是基于前文分析前提，本公开实施例中，在确定与预测气象数据相近的目标气象数据之后，相应的可以确定与目标气象数据关联的历史输出功率与待预测覆冰时段的输出功率是相近的，因此可以根据与目标气象数据关联的历史输出功率预测得到待预测覆冰时段的输出功率。
在具体实施例中，如果目标气象数据仅是一个气象数据，相应的可以直接将与目标气象数据关联的历史输出功率加一个随机扰动作为待预测覆冰时段的输出功率。
采用本公开实施例中提供的风机覆冰发电功率预测方法，在获取到待预测寒潮天气时段的预测气象数据之后，利用前述的预测气象数据检索历史气象数据，确定历史气象数据中预期相近的目标气象数据，并基于与目标气象数据关联的历史输出功率预测待预测覆冰时段的输出功率。采用本公开实施例提供的预测方法，基于近似数据比对预测的方法直接确定待预测寒潮天气时段目标风机覆冰状态下的输出功率，而不再采用拟合模型处理预测气象数据的方法得到预测输出功率，可以直接克服模型采用大量正常数据训练造成的其对覆冰下输出功率预测准确度不高的问题。
如前分析，在一些实施例中，可以从确定使得风机叶片表面覆冰的天气条件，并利用前述天气条件作为筛选条件对已有历史数据中的气象数据进行筛选。但是前述筛选方式可能需要精准地确定使得风机叶片表面覆冰的天气条件。而实际应用中，风机运行环境所处的条件可能与实际观测的气象条件并不相符，采用前述方法得到的数据精准度并不高。
图2是一些实施例中筛选目标记录数据的流程图。如图2所示，在一些实施例中可以采用如下的S121-S123确定历史气象数据。
S121：采用所有的历史输出功率和风速数据构建风速-功率关系模型。
采用所有历史状态数据中的历史输出功率和历史气象数据中的风速数据构建风速-功率关系模型，是将对应的历史气象数据中的风速数据作为输入、将历史输出功率作为输出输入到气象条件-功率初始模型中，对前述初始模型的参数进行调优，直至基于得到的参数可以使得模型达到设定的预测精度。
应当注意的是，此处所说的模型达到设定的预测精度，仅是整体角度考虑，由于前述模型仅考虑风速，而没有考虑温度和降水量等条件，将个别寒潮天气下的风速数据输入到基于前述参数构建的模型其得到的预测数据结果与对应的历史输出功率仍然有较大的偏差。
在公开的一个实施例中，风速-功率关系模型可以是一个多项式拟合模型，其初始模型为P＝a0+a1W+a2W2+…+abWb，其中P为输出功率，W为风速，ai(i＝0,1,……,b)为待预测的模型参数。
在得到历史输出功率向量P和基于历史风速数据构建的W之后，可以得到A＝(WTW)- 1WTP。
前述公式中，Wj(j＝1,2,……,N)为历史风速，Pj为历史输出功率。
S122：将历史气象数据中的风速数据输入到风速-功率关系模型，得到对应的计算输出功率。
在得到风速-功率关系模型之后，将历史气象数据中的风速数据输入到风速-功率关系模型之中，即可以对应的计算输出功率。
S123：选择与对应的计算输出功率的比较关系满足设定关系的历史输出功率作为历史输出功率，并将与历史输出功率关联的历史气象数据作为历史气象数据。
如前分析，正是因为前述风速-功率关系模型并没有考虑温度和降水量两个同时出现才能造成叶片覆冰问题的因素，所以前述风速-功率关系模型并不能准确地预测在覆冰下的输出功率，使得在覆冰下对应的计算输出功率与对应的历史输出功率相差较大。
正是基于前述考虑，本公开实施例中将对应的计算输出功率的比较关系满足设定关系的历史输出功率作为历史输出功率，并将与历史输出功率关联的历史气象数据作为历史气象数据。
具体实施中，前述的设定关系可以是为历史输出功率与计算输出功率的差值大于设定差值，也可以是历史输出功率和计算输出功率之间差值与历史输出功率的比值大于设定比值。在一个具体实施例中，如果则将述历史输出功率作为历史输出功率，并将与历史输出功率关联的历史气象数据作为历史气象数据。
前文中提及在S130中筛选历史气象数据中与预测气象数据相近的目标气象数据。具体实施中，计算设备可以采用S131-S134筛选得到目标气象数据。应当注意的是，此时气象数据包括风速、温度和降水量。
S131：计算各个目标记录数据中历史风速和预测气象数据中预测风速的风速差值。
S132：计算各个目标记录数据中历史温度和预测温度的温度差值。
S133：计算目标记录数据中历史降水量和预测降水量差值。
因为前述S131-S133都是利用数值相减得到差值的过程，此处不再对其具体执行过程做分析。
S134：基于风速差值、温度差值和降水量差值从历史气象数据中筛选得到目标气象数据。
在得到风速差值、温度差值和降水量差值之后，可以基于风速差值、温度差值和降水差值进行综合，确定历史气象数据中哪些可以作为目标气象数据。理想情况下，应当选择风速差值、温度差值和降水量差值均最小的历史气象数据作为目标数据。但是此情况下仅是一个理想情况，实际应用中可能并不会出现。
在一些实施例中，计算设备可以计算风速差值、温度差值和降水量差值的加权均方差，选择均方差最小对应的历史气象数据作为目标气象数据，或者选择最小的多个均方差对应的历史气象数据作为目标气象数据。
前述计算风速差值、温度差值和降水量差值的加权均方差。实际应用中，考虑目标气象数据数据量较大，可以得到的风速差值、温度差值和降水量差值均可能较小，实际三个参数的加权权值均相同。对应的，也就是采用计算加权均方差。前述公式中，/>为预测气象数据中的风速，/>为第k个历史气象数据中的风速，/>为预测气象数据中的温度，/>为第k个历史气象数据中的温度，/>为预测气象数据中的降水量，/>为第k个历史气象数据中的降水量。
应当注意的是，前述公式计算过程中，考虑了数据差别已经较小，并没有对风速差值、温度差值和降水量差值分别做均一化处理。实际应用中，如果三个差值差别较大，也可以对其分别做均一化处理后再求取加权均方差。对三个差值做均一化处理时对应的比对值需要根据大量实际数据综合确定，此处不再展开。
在具体实施中，计算设备选择了3个目标气象数据，相应的S140基于与目标气象数据关联的历史输出功率预测在待预测寒潮天气时段的风机覆冰发电功率具体为：计算与目标气象数据关联的历史输出功率的均值，将作为待预测覆冰时段的风机覆冰输出功率。例如，在选择目标数据的情况下，计算得到的输出功率为 和/>为三个历史输出功率。
图3是风机发电功率预测比较图。其中在第37-58次对应的预测时段是寒潮天气时段。第37-58次对应的实线部分为采用前文方法修正后得到的预测风机发电功率，对应的虚线部分为采用现有方法确定的预测风机发电功率。比对可以看出，采用修正就的预测风机发电功率明显低于采用现有方法得到的预测风机发电功率。
除了提供前述的风机覆冰发电功率预测方法之外，本公开实施例还提供一种风机覆冰发电功率预测装置。图4是本公开实施例提供的风机覆冰发电功率预测装置的结构示意图。如图4所示，风机覆冰发电功率预测装置400包括历史数据筛选单元401、预测气象数据获取单元402、相似气象数据筛选单元403和功率预测单元404。
历史数据筛选单元401用于从风机的历史状态数据中筛选目标记录数据，历史状态数据包括历史输出功率和历史气象数据，目标记录数据为风机覆冰时采集的状态数据。
预测气象数据获取单元402用于获取待预测寒潮天气时段的预测气象数据。
相似气象数据筛选单元403用于筛选历史气象数据中与预测气象数据相近的目标气象数据。
功率预测单元404用于基于与目标气象数据关联的历史输出功率预测在待预测寒潮天气时段的风机覆冰发电功率。
在一些实施例中，已有历史数据包括历史输出功率和历史气象数据。历史数据筛选单元401包括模型构建子单元、计算子单元和历史数据筛选子单元。
模型构建子单元用于采用所有的历史输出功率和风速数据构建风速-功率关系模型；；计算子单元用于将风速数据输入到风速-功率关系模型，得到对应的计算输出功率；历史数据筛选子单元用于选择与计算输出功率的比较关系满足设定关系的历史输出功率作为目标记录数据包含的目标输出功率，并将与目标输出功率关联的历史气象数据作为目标气象数据，目标输出功率和关联的目标气象数据组成目标记录数据；其中设定关系为历史输出功率与对应计算输出功率的差值大于设定差值，或者，历史输出功率和对应的计算输出功率之间差值与历史输出功率的比值大于设定比值。
在一些实施例中，述历史气象数据包括历史风速、历史温度和历史降水量，预测气象数据包括预测风速、预测温度和预测降水量。差值计算子单元用于计算各个目标记录数据中历史风速和预测气象数据中预测风速的风速差值，计算各个目标记录数据中历史温度和预测温度的温度差值，以及计算目标记录数据中历史降水量和预测降水量差值；相似数据筛选子单元用于基于风速差值、温度差值和降水量差值从历史气象数据中筛选得到目标气象数据。
在一些实施例中，相似数据筛选子单元计算风速差值、温度差值和降水量差值的加权均方差，选择最小的N个加权均方差对应的历史气象数据作为目标气象数据，N≥2。
在一些实施例中，功率预测单元304计算与目标气象数据关联的历史输出功率的均值，作为待预测寒潮天气时段的风机覆冰发电功率。
本公开实施例还提供一种计算设备，该计算设备包括处理器和存储器，其中，存储器中存储有计算机程序，当计算机程序被处理器执行时可以实现上述任一实施例的风机覆冰发电功率预测方法。
图5是本公开实施例提供的计算设备的结构示意图。下面具体参考图5其示出了适于用来实现本公开实施例中的计算设备的结构示意图。图5示出的计算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5所示，计算设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器ROM502中的程序或者从存储装置508加载到随机访问存储器RAM503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有计算设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出I/O接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、摄像头、麦克风、加速度计、陀螺仪等的输入装置505；包括例如液晶显示器204(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许计算设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的计算设备500，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509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的方法中限定的上述功能。
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(HyperTe插播音频帧tTransfer Protocol，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计算设备中所包含的；也可以是单独存在，而未装配入该计算设备中。
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测试人员计算机上执行、部分地在测试人员计算机上执行、作为一个独立的软件包执行、部分在测试人员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)—连接到测试人员计算机，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根据硬件的系统来实现，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。
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根据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。
本公开实施例还提供一种计算机可读存储介质，存储介质中存储有计算机程序，当计算机程序被处理器执行时可以实现上述任一方法实施例的方法，其执行方式和有益效果类似，在这里不再赘述。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种风机覆冰发电功率预测方法，其特征在于，包括：
从风机的历史状态数据中筛选目标记录数据，所述历史状态数据包括历史输出功率和历史气象数据，所述目标记录数据为风机覆冰时采集的状态数据；
获取待预测寒潮天气时段的预测气象数据；
筛选所述历史气象数据中与所述预测气象数据相近的目标气象数据；
基于与所述目标气象数据关联的所述历史输出功率预测在所述待预测寒潮天气时段的风机覆冰发电功率。
2.根据权利要求1所述的方法，其特征在于，所述历史气象数据包括历史风速数据；
所述从风机的历史状态数据中筛选目标记录数据，包括：
采用所有的所述历史输出功率和所述风速数据构建风速-功率关系模型；
将所述风速数据输入到所述风速-功率关系模型，得到对应的计算输出功率；
选择与所述计算输出功率的比较关系满足设定关系的所述历史输出功率作为所述目标记录数据包含的目标输出功率，并将与所述目标输出功率关联的所述历史气象数据作为所述目标气象数据，所述目标输出功率和关联的所述目标气象数据组成所述目标记录数据；
所述设定关系为所述历史输出功率与对应计算输出功率的差值大于设定差值，或者，所述历史输出功率和对应的计算输出功率之间差值与所述历史输出功率的比值大于设定比值。
3.根据权利要求1或2所述方法，其特征在于，所述历史气象数据包括历史风速、历史温度和历史降水量，所述预测气象数据包括预测风速、预测温度和预测降水量；
所述筛选所述历史气象数据中与所述预测气象数据相近的目标气象数据，包括：
计算各个所述目标记录数据中历史风速和所述预测气象数据中预测风速的风速差值；
计算各个所述目标记录数据中历史温度和所述预测温度的温度差值；
计算所述目标记录数据中历史降水量和所述预测降水量差值；
基于所述风速差值、所述温度差值和所述降水量差值从所述历史气象数据中筛选得到所述目标气象数据。
4.根据权利要求3所述的方法，其特征在于，所述基于所述风速差值、所述温度差值和所述降水量差值从所述历史气象数据中筛选得到所述目标气象数据，包括：
计算所述风速差值、所述温度差值和所述降水量差值的加权均方差；
选择最小的N个加权均方差对应的所述历史气象数据作为所述目标气象数据，N≥2。
5.根据权利要求4所述的方法，其特征在于，所述基于与所述目标气象数据关联的所述历史输出功率预测在所述待预测寒潮天气时段的风机覆冰发电功率，包括：
计算与所述目标气象数据关联的历史输出功率的均值，作为所述待预测寒潮天气时段的风机覆冰发电功率。
6.一种风机覆冰发电功率预测装置，，其特征在于，包括：
历史数据筛选单元，用于从风机的历史状态数据中筛选目标记录数据，所述历史状态数据包括历史输出功率和历史气象数据所述目标记录数据为风机覆冰时采集的状态数据；
预测气象数据获取单元，用于获取待预测寒潮天气时段的预测气象数据；
相似气象数据筛选单元，用于筛选所述历史气象数据中与所述预测气象数据相近的目标气象数据；
功率预测单元，用于基于与所述目标气象数据关联的所述历史输出功率预测在所述待预测寒潮天气时段的风机覆冰发电功率。
7.根据权利要求6所述的装置，其特征在于，所述历史气象数据包括历史风速数据；所述历史数据筛选单元包括：
模型构建子单元，用于采用所有的所述历史输出功率和所述风速数据构建风速-功率关系模型；
计算子单元，用于将所述风速数据输入到所述风速-功率关系模型，得到对应的计算输出功率；
历史数据筛选子单元，用于选择与所述计算输出功率的比较关系满足设定关系的所述历史输出功率作为所述目标记录数据包含的目标输出功率，并将与所述目标输出功率关联的所述历史气象数据作为所述目标气象数据，所述目标输出功率和关联的所述目标气象数据组成所述目标记录数据；
其中所述设定关系为所述历史输出功率与对应计算输出功率的差值大于设定差值，或者，所述历史输出功率和对应的计算输出功率之间差值与所述历史输出功率的比值大于设定比值。
8.根据权利要求6或7所述的装置，其特征在于，所述历史气象数据包括历史风速、历史温度和历史降水量，所述预测气象数据包括预测风速、预测温度和预测降水量；所述相似气象数据筛选单元包括：
差值计算子单元，用于计算各个所述目标记录数据中历史风速和所述预测气象数据中预测风速的风速差值，计算各个所述目标记录数据中历史温度和所述预测温度的温度差值，以及计算所述目标记录数据中历史降水量和所述预测降水量差值。
9.一种计算设备，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序；
所述计算机程序在被所述处理器加载时，使所述处理器执行如权利要求1-5任一项所述的风机覆冰发电功率预测方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，当计算机程序被处理器执行时，使得处理器实现如权利要求1-5任一项所述的风机覆冰发电功率预测方法。
CN202311295182.5A 2023-10-08 2023-10-08 风机覆冰发电功率预测方法、装置、计算设备和存储介质 Pending CN117613851A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311295182.5A CN117613851A (zh) 2023-10-08 2023-10-08 风机覆冰发电功率预测方法、装置、计算设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311295182.5A CN117613851A (zh) 2023-10-08 2023-10-08 风机覆冰发电功率预测方法、装置、计算设备和存储介质

Publications (1)

Publication Number Publication Date
CN117613851A true CN117613851A (zh) 2024-02-27

Family

ID=89943098

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311295182.5A Pending CN117613851A (zh) 2023-10-08 2023-10-08 风机覆冰发电功率预测方法、装置、计算设备和存储介质

Country Status (1)

Country Link
CN (1) CN117613851A (zh)

Similar Documents

Publication Publication Date Title
JP5940922B2 (ja) 自然エネルギー量予測装置
CA3032409C (en) Distributed resource electrical demand forecasting system and method
CN114285728B (zh) 一种预测模型训练方法、流量预测方法、装置及存储介质
JP2017200360A (ja) 太陽光発電量予測システム、太陽光発電量予測方法、プログラム
CN112613642B (zh) 应急物资需求预测方法和装置、存储介质及电子设备
CN114500339B (zh) 一种节点带宽监测方法、装置、电子设备及存储介质
JP6086875B2 (ja) 発電量予測装置および発電量予測方法
US10998725B2 (en) Electric power generation prediction method based on expected value calculation, electric power generation prediction system based on expected value calculation, and electric power generation prediction program product based on expected value calculation
Song et al. Dynamic thermal line rating model of conductor based on prediction of meteorological parameters
CN113344737B (zh) 设备控制方法、装置、电子设备和计算机可读介质
US20150192697A1 (en) Utility usage forecasting
CN116756522B (zh) 概率预报方法、装置、存储介质及电子设备
CN115619170A (zh) 电量负荷调整方法、装置、设备、计算机介质和程序产品
CN117613851A (zh) 风机覆冰发电功率预测方法、装置、计算设备和存储介质
CN107688878B (zh) 空气质量预测方法及装置
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
CN114866438A (zh) 一种云架构下的异常隐患预测方法及系统
US20210199842A1 (en) Integration of physical sensors in a data assimilation framework
CN113011674A (zh) 一种光伏发电预测方法、装置、电子设备及存储介质
CN115237080B (zh) 基于虚拟电厂的设备调控方法、装置、设备和可读介质
CN114528768B (zh) 近海单点海温智能预报方法、装置及计算机可读存储介质
CN114978794B (zh) 网络接入方法、装置、存储介质以及电子设备
JP7081757B2 (ja) 発電量予測装置、発電量予測システム、及び発電量予測方法
CN115952921A (zh) 一种光伏能源功率预测方法、装置、电子设备及存储介质
CN113486968B (zh) 摄像机生命周期的监控方法、装置、设备和介质

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