CN115689061B - 风电超短期功率预测方法及相关设备 - Google Patents
风电超短期功率预测方法及相关设备 Download PDFInfo
- Publication number
- CN115689061B CN115689061B CN202211706200.XA CN202211706200A CN115689061B CN 115689061 B CN115689061 B CN 115689061B CN 202211706200 A CN202211706200 A CN 202211706200A CN 115689061 B CN115689061 B CN 115689061B
- Authority
- CN
- China
- Prior art keywords
- short
- power
- term
- prediction
- predicted power
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请提供一种风电超短期功率预测方法及相关设备,获取风电场在各个历史时刻对应的数值天气预报、第一短期预测功率和实际功率,通过超短期功率预测模型得到第一超短期预测功率,再利用短期组合预测模型得到预测功率误差和第二短期预测功率,之后利用超短期误差预测模型,得到修正预测误差,结合修正误差对第二短期预测功率进行修正,得到第二超短期预测功率,再根据第一超短期预测功率和第二超短期预测功率进行求平均值计算,得到超短期预测功率,通过结合超短期功率预测模型、短期组合预测模型和超短期误差预测模型的方式,解决了风电场的单一算法预测超短期功率不稳定的问题,使得风电超短期功率预测结果稳定性提高。
Description
技术领域
本申请涉及风电功率预测技术领域,尤其涉及一种风电超短期功率预测方法及相关设备。
背景技术
传统的风电超短期功率预测算法采用的预测模型和预测方法较为单一,对风电场的历史数据与天气数据的利用不足,未充分考虑数据的时间相关性,并且传统的预测模型无法拟合高维的时序数据,因此造成了预测的超短期功率不稳定的问题。
发明内容
有鉴于此,本申请的目的在于提出一种风电超短期功率预测方法及相关设备,用以解决或部分解决上述技术问题。
基于上述目的,本申请的第一方面提供了一种风电超短期功率预测方法,包括:
获取风电场在各个历史时刻对应的数值天气预报、第一短期预测功率和实际功率,其中,两两相邻的历史时刻之间间隔预设的时间;
对所述数值天气预报和所述第一短期预测功率分别进行平移处理,得到平移数值天气预报和第一平移短期预测功率;
将所述数值天气预报、所述平移数值天气预报、所述第一短期预测功率、所述第一平移短期预测功率和所述实际功率输入预先经过训练获得的超短期功率预测模型,得到第一超短期预测功率;
基于所述数值天气预报和所述实际功率采用预先经过训练获得的短期组合预测模型进行组合预测,得到预测功率误差和第二短期预测功率;
对所述第二短期预测功率进行平移处理,得到第二平移短期预测功率;
将所述数值天气预报、所述平移数值天气预报、所述实际功率、所述第二短期预测功率、所述第二平移短期预测功率和所述预测功率误差输入预先经过训练获得的超短期误差预测模型,得到修正预测误差;
利用所述修正预测误差对所述第二短期预测功率进行修正,得到第二超短期预测功率;
对所述第一超短期预测功率和所述第二超短期预测功率进行求平均值计算,得到超短期预测功率。
可选地,响应于确定所述数值天气预报包括风速、风向、温度和湿度;
所述基于所述数值天气预报和所述实际功率采用预先经过训练获得的短期组合预测模型进行组合预测,得到预测功率误差和第二短期预测功率,包括:
对所述风速、所述风向、所述温度和所述湿度分别进行归一化处理,得到归一化后的风速、风向、温度和湿度;
利用所述归一化后的风速和风向进行乘积计算,得到风速风向乘积数据;
将所述归一化后的温度和所述湿度进行比值计算,得到温度湿度比值数据;
将所述风速风向乘积数据、所述温度湿度比值数据和所述实际功率输入所述短期组合预测模型,得到多个子短期预测功率;
对所述多个子短期预测功率进行求平均值计算,得到所述第二短期预测功率;
对所述第二短期预测功率和所述实际功率进行求差计算,得到所述预测功率误差;
经所述短期组合预测模型输出所述预测功率误差和所述第二短期预测功率。
可选地,所述对所述风速、所述风向、所述温度和所述湿度分别进行归一化处理,得到归一化后的风速、风向、温度和湿度,包括:
利用归一化函数分别对所述风速、所述风向、
所述温度和所述湿度进行归一化计算,得到所述归一化后的风速、风向、温度和湿度,其中,
所述表示风速、风向、温度或湿度中任一需要进行归一化处理的数据,表示预先设
定的放缩范围的最大值,表示预设设定的放缩范围的最小值,表示归一化后的风
速、风向、温度或湿度。
可选地,所述利用所述修正预测误差对所述第二短期预测功率进行修正,得到第二超短期预测功率,包括:
利用所述修正预测误差与所述第二短期预测功率进行求和计算,得到所述第二超短期预测功率。
可选地,响应于确定所述数值天气预报包括预测风速;
所述对所述数值天气预报和所述第一短期预测功率分别进行平移处理,得到平移历史数值天气预报和第一平移短期预测功率,包括:
获取预设数量的预测风速的分组,其中,每个所述预测风速的分组中包括预设数量的历史时刻对应的预测风速;
将每个所述预测风速的分组按照历史时刻的排列顺序平移预设数量的分组,得到平移后的预设数量的预测风速的分组,并将所述平移后的预设数量的预测风速的分组作为所述平移数值天气预报;
获取预设数量的第一短期预测功率的分组,其中,每个所述第一短期预测功率的分组中包括预设数量的历史时刻对应的第一短期预测功率;
将每个所述第一短期预测功率的分组按照历史时刻的排列顺序平移预设数量的分组,得到平移后的预设数量的第一短期预测功率的分组,并将所述平移后的预设数量的第一短期预测功率的分组作为所述第一平移短期预测功率。
可选地,所述对所述第二短期预测功率进行平移处理,得到第二平移短期预测功率,包括:
获取预设数量的第二短期预测功率的分组,其中,每个所述第二短期预测功率的分组中包括预设数量的历史时刻对应的第二短期预测功率;
将每个所述第二短期预测功率的分组按照历史时刻的排列顺序平移预设数量的分组,得到平移后的预设数量的第二短期预测功率的分组,并将所述平移后的预设数量的第二短期预测功率的分组作为所述第二平移短期预测功率。
可选地,在获取风电场在各个历史时刻对应的数值天气预报、第一短期预测功率和实际功率之后,还包括:
利用四分位算法分别对所述数值天气预报、所述第一短期预测功率和所述实际功率进行数据清洗,得到清洗后的数值天气预报、第一短期预测功率和实际功率。
本申请的第二方面提供了一种风电超短期功率预测装置,包括:
获取模块,被配置为获取风电场在各个历史时刻对应的数值天气预报、第一短期预测功率和实际功率,其中,两两相邻的历史时刻之间间隔预设的时间;
第一平移模块,被配置为对所述数值天气预报和所述第一短期预测功率分别进行平移处理,得到平移数值天气预报和第一平移短期预测功率;
第一预测模块,被配置为将所述数值天气预报、所述平移数值天气预报、所述第一短期预测功率、所述第一平移短期预测功率和所述实际功率输入预先经过训练获得的超短期功率预测模型,得到第一超短期预测功率;
第二预测模块,被配置为基于所述数值天气预报和所述实际功率采用预先经过训练获得的短期组合预测模型进行组合预测,得到预测功率误差和第二短期预测功率;
第二平移模块,被配置为对所述第二短期预测功率进行平移处理,得到第二平移短期预测功率;
第三预测模块,被配置为将所述数值天气预报、所述平移数值天气预报、所述实际功率、所述第二短期预测功率、所述第二平移短期预测功率和所述预测功率误差输入预先经过训练获得的超短期误差预测模型,得到修正预测误差;
修正模块,被配置为利用所述修正预测误差对所述第二短期预测功率进行修正,得到第二超短期预测功率;
平均值计算模块,被配置为对所述第一超短期预测功率和所述第二超短期预测功率进行求平均值计算,得到超短期预测功率。
本申请的第三方面提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现第一方面所述的方法。
本申请的第四方面提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使计算机执行第一方面所述方法。
从上面所述可以看出,本申请提供的风电超短期功率预测方法及相关设备,获取风电场在各个历史时刻对应的数值天气预报、第一短期预测功率和实际功率,通过超短期功率预测模型得到第一超短期预测功率,再利用短期组合预测模型得到预测功率误差和第二短期预测功率,之后利用超短期误差预测模型,得到修正预测误差,结合修正误差对第二短期预测功率进行修正,得到第二超短期预测功率,再根据第一超短期预测功率和第二超短期预测功率进行求平均值计算,得到超短期预测功率,通过结合超短期功率预测模型、短期组合预测模型和超短期误差预测模型的方式,解决了风电场的单一算法预测超短期功率不稳定的问题,使得风电超短期功率预测结果稳定性提高,并降低未来时刻预测的误差和极端异常值出现概率。
附图说明
为了更清楚地说明本申请或相关技术中的技术方案,下面将对实施例或相关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申请的实施例,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附图。
图1为本申请实施例的风电超短期功率预测方法的流程图;
图2A为本申请实施例的平移处理的示意图;
图2B为本申请实施例的风电超短期功率预测示意图;
图3为本申请实施例的风电超短期功率预测装置的结构示意图;
图4为本申请实施例的电子设备的示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本申请进一步详细说明。
需要说明的是,除非另外定义,本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
相关技术中,大多数风电超短期功率预测算法采用传统的统计学模型,预测模型单一、预测方法单一。对电站历史数据与天气预报数据的利用不足,未充分考虑数据的时间相关性,且传统模型无法拟合高维的时序数据,这样会造成预测的超短期功率不稳定的问题。
本申请的实施例提供一种风电超短期功率预测方法,利用风电场在各个历史时刻对应的数值天气预报、第一短期预测功率和实际功率,通过结合超短期功率预测模型、短期组合预测模型和超短期误差预测模型的方式,解决了风电场的单一算法预测超短期功率不稳定的问题,使得风电超短期功率预测结果稳定性提高,并降低未来时刻预测的误差和极端异常值出现概率。
如图1所示,本实施例的方法包括:
步骤101,获取风电场在各个历史时刻对应的数值天气预报、第一短期预测功率和实际功率,其中,两两相邻的历史时刻之间间隔预设的时间。
在该步骤中,风电场在各个历史时刻对应的数值天气预报、第一短期预测功率和实际功率可存储在云端,这里不对存储位置作具体限定,其中,第一短期预测功率表示存储的历史数据中的短期预测功率。
例如,从云端中调取风电场历史一年的多源数值天气预报(Numerical WeatherPrediction,NWP)、短期预测功率、实际功率,比如时间分辨率为15分钟,表示两两相邻的历史时刻之间间隔15分钟。
在一些实施例中,在步骤101之后,还包括:
利用四分位算法分别对所述数值天气预报、所述第一短期预测功率和所述实际功率进行数据清洗,得到清洗后的数值天气预报、第一短期预测功率和实际功率。
在上述方案中,四分位算法通过三个数据点将一个按大小顺序排好的数据样本序列平均划分成四部分,每部分包含的数据量是整个序列数据量的四分之一。其中,数据样本分为数值天气预报的样本、第一短期预测功率的样本和实际功率的样本。
利用四分位算法剔除样本数据中的异常数据,从而能够提高预测精度。
步骤102,对所述数值天气预报和所述第一短期预测功率分别进行平移处理,得到平移数值天气预报和第一平移短期预测功率。
在该步骤中,将数值天气预报、第一短期预测功率分别作平移处理,得到平移数值天气预报和第一平移短期预测功率,这种方式能够扩大预测所需的样本数据,从而提高预测的准确度和稳定性。
在一些实施例中,响应于确定所述数值天气预报包括预测风速;
步骤102,包括:
步骤1021,获取预设数量的预测风速的分组,其中,每个所述预测风速的分组中包括预设数量的历史时刻对应的预测风速。
步骤1022,将每个所述预测风速的分组按照历史时刻的排列顺序平移预设数量的分组,得到平移后的预设数量的预测风速的分组,并将所述平移后的预设数量的预测风速的分组作为所述平移数值天气预报。
步骤1023,获取预设数量的第一短期预测功率的分组,其中,每个所述第一短期预测功率的分组中包括预设数量的历史时刻对应的第一短期预测功率。
步骤1024,将每个所述第一短期预测功率的分组按照历史时刻的排列顺序平移预设数量的分组,得到平移后的预设数量的第一短期预测功率的分组,并将所述平移后的预设数量的第一短期预测功率的分组作为所述第一平移短期预测功率。
在上述方案中,对于预测风速的平移处理具体过程如下:
例如,如图2A所示,分别表示原始预测风速序列M和平移预测风速序列N,原始预测风速序列M和平移预测风速序列N为同一数据序列,1至n表示数据分组(即预设数量的预测风速的分组),每组由15(可根据具体情况设定,这里不对其作具体限定)分钟分辨率的16(可根据具体情况设定,这里不对其作具体限定)个数据组成。将M序列数据和时间往前推4个小时则构成N序列。将M序列的1组和N序列2组数据组合成1个数据样本,N序列的1组数据删除。
同理,对于第一短期预测功率的平移处理具体过程也是将个第一短期预测功率的分组按照历史时刻的排列顺序平移预设数量的分组,得到平移后的预设数量的第一短期预测功率的分组,并将平移后的预设数量的第一短期预测功率的分组作为第一平移短期预测功率。
通过平移处理的方式能够扩大预测所需的样本数据,从而提高预测的准确度和稳定性,能够适合不同要求的风电场。
步骤103,将所述数值天气预报、所述平移数值天气预报、所述第一短期预测功率、所述第一平移短期预测功率和所述实际功率输入预先经过训练获得的超短期功率预测模型,得到第一超短期预测功率。
在该步骤中,例如,对数值天气预报、平移数值天气预报、第一短期预测功率、第一平移短期预测功率和实际功率分别进行归一化处理,将归一化后的每16(可根据具体情况设定,这里不对其作具体限定)个样本点划分为一组:①x:历史时刻对应的16个点预测风速和短期预测功率,以及相对于这些历史时刻的未来16个点的预测风速(平移预测风速)和平移短期预测功率。y:历史16个点的实际功率。
将x,y划输入超短期功率预测模型,通过经过训练获得的超短期功率预测模型得到第一超短期预测功率,这里超短期功率预测模型为卷积神经网络模型(ConvolutionalNeural Network,CNN)。
步骤104,基于所述数值天气预报和所述实际功率采用预先经过训练获得的短期组合预测模型进行组合预测,得到预测功率误差和第二短期预测功率。
在该步骤中,基于数值天气预报和实际功率通过预先经过训练获得的短期组合预测模型进行组合预测,使得通过短期组合预测模型得到预测功率误差和第二短期预测功率,预测功率误差表示第二短期预测功率与实际功率的差值,第二短期预测功率表示通过短期组合预测模型预测得到的新的短期预测功率。
其中,短期组合预测模型为卷积神经网络模型(Convolutional Neural Network,CNN)。通过短期组合预测模型获得预测功率误差和第二短期预测功率的方式,能够将各个预测模型进行融合,提高预测的稳定性和准确性。
在一些实施例中,响应于确定所述数值天气预报包括风速、风向、温度和湿度;
步骤104,包括:
步骤1041,对所述风速、所述风向、所述温度和所述湿度分别进行归一化处理,得到归一化后的风速、风向、温度和湿度。
步骤1042,利用所述归一化后的风速和风向进行乘积计算,得到风速风向乘积数据。
步骤1043,将所述归一化后的温度和所述湿度进行比值计算,得到温度湿度比值数据。
步骤1044,将所述风速风向乘积数据、所述温度湿度比值数据和所述实际功率输入所述短期组合预测模型,得到多个子短期预测功率。
步骤1045,对所述多个子短期预测功率进行求平均值计算,得到所述第二短期预测功率。
步骤1046,对所述第二短期预测功率和所述实际功率进行求差计算,得到所述预测功率误差。
步骤1047,经所述短期组合预测模型输出所述预测功率误差和所述第二短期预测功率。
在上述方案中,例如,针对每个NWP构造风速风向乘积,温湿比等气象特征,结合风速、风向、温度、湿度数据,构建归一化后的气象特征集合Di(i为多源NWP个数,i≥1);
输入到短期组合预测模型中的样本数据包括:气象集合Di和实际功率数据。x:气象集合Di。y:实际功率。将x,y输入短期组合预测模型,得到新的短期预测功率PF2i(即子短期预测功率),对每个PF2i求平均得到短期组合预测功率(即第二短期预测功率)。计算短期组合预测功率与实际功率的差值得到绝对误差(errors)(即预测功率误差),经短期组合预测模型输出绝对误差(即预测功率误差)和短期组合预测功率(即第二短期预测功率)。
在一些实施例中,步骤1041,包括:
利用归一化函数分别对所述风速、所述风
向、所述温度和所述湿度进行归一化计算,得到所述归一化后的风速、风向、温度和湿度,其
中,所述表示风速、风向、温度或湿度中任一需要进行归一化处理的数据,表示预先
设定的放缩范围的最大值,表示预设设定的放缩范围的最小值,表示归一化后
的风速、风向、温度或湿度。
在上述方案中,通过利用归一化函数分别对风速、风向、温度和湿度进行归一化计算,得到归一化后的风速、风向、温度和湿度的方式,提高短期组合预测模型进行预测的速度。
步骤105,对所述第二短期预测功率进行平移处理,得到第二平移短期预测功率。
在该步骤中,将第二短期预测功率作平移处理,得到第二平移短期预测功率,这种方式能够扩大预测所需的样本数据,从而提高预测的准确度和稳定性。
在一些实施例中,步骤105,包括:
步骤1051,获取预设数量的第二短期预测功率的分组,其中,每个所述第二短期预测功率的分组中包括预设数量的历史时刻对应的第二短期预测功率。
步骤1052,将每个所述第二短期预测功率的分组按照历史时刻的排列顺序平移预设数量的分组,得到平移后的预设数量的第二短期预测功率的分组,并将所述平移后的预设数量的第二短期预测功率的分组作为所述第二平移短期预测功率。
在上述方案中,如图2A所示,可利用对预测风速进行平移处理的同样的平移处理方式,将每个第二短期预测功率的分组按照历史时刻的排列顺序平移预设数量的分组,得到平移后的预设数量的第二短期预测功率的分组,并将平移后的预设数量的第二短期预测功率的分组作为第二平移短期预测功率。
通过平移处理的方式能够扩大预测所需的样本数据,从而提高预测的准确度和稳定性,能够适合不同要求的风电场。
步骤106,将所述数值天气预报、所述平移数值天气预报、所述实际功率、所述第二短期预测功率、所述第二平移短期预测功率和所述预测功率误差输入预先经过训练获得的超短期误差预测模型,得到修正预测误差。
在该步骤中,例如,将数值天气预报、平移数值天气预报、实际功率、第二短期预测功率、第二平移短期预测功率和预测功率误差,分别进行归一化,归一化后,将每16(可根据具体情况进行设置,这里不对其作具体限定)个样本点划分为一组,每个样本点包括x和y,其中,x:历史时刻对应的16个点的预测风速、短期组合预测功率、实际功率,以及历史时刻对应的未来16个点的预测风速(平移预测风速)和短期组合预测功率(即短期组合平移预测功率)。y:历史时刻对应的未来16个点的绝对误差(errors);
将x,y输入超短期误差预测模型,这里超短期误差预测模型为长短期记忆模型(Long short-term memory, LSTM),通过超短期误差预测模型输出修正预测误差,其中,修正预测误差表示预测的未来时刻超短期功率与实际功率的误差。
步骤107,利用所述修正预测误差对所述第二短期预测功率进行修正,得到第二超短期预测功率。
在该步骤中,利用此修正预测误差对第二短期预测功率进行修正的方式,得到经过修正的第二超短期预测功率。
在一些实施例中,步骤107,包括:
利用所述修正预测误差与所述第二短期预测功率进行求和计算,得到所述第二超短期预测功率。
在上述方案中,通过利用修正预测误差与第二短期预测功率进行求和计算的方式,提高了第二超短期预测功率的准确度和稳定性。
步骤108,对所述第一超短期预测功率和所述第二超短期预测功率进行求平均值计算,得到超短期预测功率。
在该步骤中,将第一超短期预测功率和经过修正得到第二超短期预测功率进行求平均值计算,保障得到的超短期预测模型更加准确和稳定。
通过上述方案,获取风电场在各个历史时刻对应的数值天气预报、第一短期预测功率和实际功率,通过超短期功率预测模型得到第一超短期预测功率,再利用短期组合预测模型得到预测功率误差和第二短期预测功率,之后利用超短期误差预测模型,得到修正预测误差,结合修正误差对第二短期预测功率进行修正,得到第二超短期预测功率,再根据第一超短期预测功率和第二超短期预测功率进行求平均值计算,得到超短期预测功率,通过结合超短期功率预测模型、短期组合预测模型和超短期误差预测模型的方式,解决了风电场的单一算法预测超短期功率不稳定的问题,使得风电超短期功率预测结果稳定性提高,并降低未来时刻预测的误差和极端异常值出现概率。
本申请将风电超短期功率预测的过程以一个实施例进行具体描述,具体描述如下:
如图2B所示,数据库读取短期原始预报数据(即数值天气预报、第一短期预测功率)和实际功率数据,并进行数据清洗;
构建气象特征-风速风向乘积(即风速风向乘积数据)、温湿比(即温度湿度比值数据);
将提取预测风速、平移预测风速、短期预测功率PF1,平移短期预测功率和实际功率,经过归一化,划分为训练集和测试集,输入超短期CNN模型对该模型进行训练,直至达到预设的训练次数,此时超短期CNN模型的误差最小,停止训练,得到训练好的超短期CNN模型。利用集合feature1(即预测风速、平移预测风速、短期预测功率PF1、平移短期预测功率和实际功率),输入训练好的超短期CNN模型(即超短期功率预测模型),输出CNN超短期预测功率CDQ1(即第一超短期预测功率)。
将气象特征集合Di,划分为训练集和测试集,输入短期CNN模型,对该模型进行训练,直至达到预设的训练次数,此时短期CNN模型的误差最小,停止训练,得到训练好的短期CNN模型,将输出的短期组合预测功率和预测误差作为超短期LSTM模型的输入数据之一,利用集合Di输入训练好的短期CNN模型(即短期组合预测模型),输出预测误差(即预测功率误差)和短期组合预测功率PF2i平均值(短期组合预测功率)(即第二短期预测功率)。
将预测风速、平移预测风速、实际功率以及经过上述短期CNN模型训练输出的短期组合预测功率和预测误差,并将该短期组合预测功率平移,经过归一化,划分为训练集和测试集,输入超短期LSTM模型对该模型进行训练,直至达到预设的训练次数,此时超短期LSTM模型的误差最小,停止训练,得到训练好的超短期LSTM模型。利用集合feature2(即预测风速、平移预测风速、实际功率以及经过训练好的短期CNN模型输出的短期组合预测功率和预测误差,结合对该短期组合预测功率进行平移处理得到的数据)输入训练好的超短期LSTM模型(即超短期误差预测模型),经训练好的超短期LSTM模型输出修正后的预测误差(即修正预测误差)。
利用该预测误差(即修正预测误差)对经过训练好的短期CNN模型输出的短期组合预测功率(即第二短期预测功率)进行修正,得到LSTM超短期预测功率CDQ2(即第二超短期预测功率)。
对CNN超短期预测功率CDQ1(即第一超短期预测功率)和LSTM超短期预测功率CDQ2(即第二超短期预测功率)计算平均值得到超短期预测功率。
需要说明的是,本申请实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是,上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思,与上述任意实施例方法相对应的,本申请还提供了一种风电超短期功率预测装置。
参考图3,所述风电超短期功率预测装置,包括:
获取模块301,被配置为获取风电场在各个历史时刻对应的数值天气预报、第一短期预测功率和实际功率,其中,两两相邻的历史时刻之间间隔预设的时间;
第一平移模块302,被配置为对所述数值天气预报和所述第一短期预测功率分别进行平移处理,得到平移数值天气预报和第一平移短期预测功率;
第一预测模块303,被配置为将所述数值天气预报、所述平移数值天气预报、所述第一短期预测功率、所述第一平移短期预测功率和所述实际功率输入预先经过训练获得的超短期功率预测模型,得到第一超短期预测功率;
第二预测模块304,被配置为基于所述数值天气预报和所述实际功率采用预先经过训练获得的短期组合预测模型进行组合预测,得到预测功率误差和第二短期预测功率;
第二平移模块305,被配置为对所述第二短期预测功率进行平移处理,得到第二平移短期预测功率;
第三预测模块306,被配置为将所述数值天气预报、所述平移数值天气预报、所述实际功率、所述第二短期预测功率、所述第二平移短期预测功率和所述预测功率误差输入预先经过训练获得的超短期误差预测模型,得到修正预测误差;
修正模块307,被配置为利用所述修正预测误差对所述第二短期预测功率进行修正,得到第二超短期预测功率;
平均值计算模块308,被配置为对所述第一超短期预测功率和所述第二超短期预测功率进行求平均值计算,得到超短期预测功率。
在一些实施例中,响应于确定所述数值天气预报包括风速、风向、温度和湿度;
第二预测模块304,包括:
归一化单元,被配置为对所述风速、所述风向、所述温度和所述湿度分别进行归一化处理,得到归一化后的风速、风向、温度和湿度;
乘积计算单元,被配置为利用所述归一化后的风速和风向进行乘积计算,得到风速风向乘积数据;
比值计算单元,被配置为将所述归一化后的温度和所述湿度进行比值计算,得到温度湿度比值数据;
子短期预测功率计算单元,被配置为将所述风速风向乘积数据、所述温度湿度比值数据和所述实际功率输入所述短期组合预测模型,得到多个子短期预测功率;
平均值计算单元,被配置为对所述多个子短期预测功率进行求平均值计算,得到所述第二短期预测功率;
求差计算单元,被配置为对所述第二短期预测功率和所述实际功率进行求差计算,得到所述预测功率误差;
输出单元,被配置为经所述短期组合预测模型输出所述预测功率误差和所述第二短期预测功率。
在一些实施例中,归一化单元,具体被配置为:
利用归一化函数分别对所述风速、所述风向、所
述温度和所述湿度进行归一化计算,得到所述归一化后的风速、风向、温度和湿度,其中,所
述表示风速、风向、温度或湿度中任一需要进行归一化处理的数据,表示预先设定
的放缩范围的最大值,表示预设设定的放缩范围的最小值,表示归一化后的风
速、风向、温度或湿度。
在一些实施例中,修正模块307,具体被配置为:
利用所述修正预测误差与所述第二短期预测功率进行求和计算,得到所述第二超短期预测功率。
在一些实施例中,响应于确定所述数值天气预报包括预测风速;
第一平移模块302,具体被配置为:
获取预设数量的预测风速的分组,其中,每个所述预测风速的分组中包括预设数量的历史时刻对应的预测风速;
将每个所述预测风速的分组按照历史时刻的排列顺序平移预设数量的分组,得到平移后的预设数量的预测风速的分组,并将所述平移后的预设数量的预测风速的分组作为所述平移数值天气预报;
获取预设数量的第一短期预测功率的分组,其中,每个所述第一短期预测功率的分组中包括预设数量的历史时刻对应的第一短期预测功率;
将每个所述第一短期预测功率的分组按照历史时刻的排列顺序平移预设数量的分组,得到平移后的预设数量的第一短期预测功率的分组,并将所述平移后的预设数量的第一短期预测功率的分组作为所述第一平移短期预测功率。
在一些实施例中,第二平移模块305,具体被配置为:
获取预设数量的第二短期预测功率的分组,其中,每个所述第二短期预测功率的分组中包括预设数量的历史时刻对应的第二短期预测功率;
将每个所述第二短期预测功率的分组按照历史时刻的排列顺序平移预设数量的分组,得到平移后的预设数量的第二短期预测功率的分组,并将所述平移后的预设数量的第二短期预测功率的分组作为所述第二平移短期预测功率。
在一些实施例中,所述风电超短期功率预测装置还包括数据清洗模块,具体被配置为:
利用四分位算法分别对所述数值天气预报、所述第一短期预测功率和所述实际功率进行数据清洗,得到清洗后的数值天气预报、第一短期预测功率和实际功率。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的风电超短期功率预测方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例方法相对应的,本申请还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上任意一实施例所述的风电超短期功率预测方法。
图4示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器401、存储器402、输入/输出接口403、通信接口404和总线405。其中处理器401、存储器402、输入/输出接口403和通信接口404通过总线405实现彼此之间在设备内部的通信连接。
处理器401可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的技术方案。
存储器402可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器402可以存储操作***和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器402中,并由处理器401来调用执行。
输入/输出接口403用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口404用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线405包括一通路,在设备的各个组件(例如处理器401、存储器402、输入/输出接口403和通信接口404)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器401、存储器402、输入/输出接口403、通信接口404以及总线405,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的风电超短期功率预测方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例方法相对应的,本申请还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上任一实施例所述的风电超短期功率预测方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的风电超短期功率预测方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本申请的范围(包括权利要求)被限于这些例子;在本申请的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本申请实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本申请实施例难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本申请实施例难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本申请的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本申请的具体实施例对本申请进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本申请实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.一种风电超短期功率预测方法,其特征在于,包括:
获取风电场在各个历史时刻对应的数值天气预报、第一短期预测功率和实际功率,其中,两两相邻的历史时刻之间间隔预设的时间;
对所述数值天气预报和所述第一短期预测功率分别进行平移处理,得到平移数值天气预报和第一平移短期预测功率;
将所述数值天气预报、所述平移数值天气预报、所述第一短期预测功率、所述第一平移短期预测功率和所述实际功率输入预先经过训练获得的超短期功率预测模型,得到第一超短期预测功率;
基于所述数值天气预报和所述实际功率采用预先经过训练获得的短期组合预测模型进行组合预测,得到预测功率误差和第二短期预测功率;
对所述第二短期预测功率进行平移处理,得到第二平移短期预测功率,所述对所述第二短期预测功率进行平移处理,得到第二平移短期预测功率,包括:
获取预设数量的第二短期预测功率的分组,其中,每个所述第二短期预测功率的分组中包括预设数量的历史时刻对应的第二短期预测功率;
将每个所述第二短期预测功率的分组按照历史时刻的排列顺序平移预设数量的分组,得到平移后的预设数量的第二短期预测功率的分组,并将所述平移后的预设数量的第二短期预测功率的分组作为所述第二平移短期预测功率;
将所述数值天气预报、所述平移数值天气预报、所述实际功率、所述第二短期预测功率、所述第二平移短期预测功率和所述预测功率误差输入预先经过训练获得的超短期误差预测模型,得到修正预测误差;
利用所述修正预测误差对所述第二短期预测功率进行修正,得到第二超短期预测功率;
对所述第一超短期预测功率和所述第二超短期预测功率进行求平均值计算,得到超短期预测功率。
2.根据权利要求1所述的方法,其特征在于,响应于确定所述数值天气预报包括风速、风向、温度和湿度;
所述基于所述数值天气预报和所述实际功率采用预先经过训练获得的短期组合预测模型进行组合预测,得到预测功率误差和第二短期预测功率,包括:
对所述风速、所述风向、所述温度和所述湿度分别进行归一化处理,得到归一化后的风速、风向、温度和湿度;
利用所述归一化后的风速和风向进行乘积计算,得到风速风向乘积数据;
将所述归一化后的温度和所述湿度进行比值计算,得到温度湿度比值数据;
将所述风速风向乘积数据、所述温度湿度比值数据和所述实际功率输入所述短期组合预测模型,得到多个子短期预测功率;
对所述多个子短期预测功率进行求平均值计算,得到所述第二短期预测功率;
对所述第二短期预测功率和所述实际功率进行求差计算,得到所述预测功率误差;
经所述短期组合预测模型输出所述预测功率误差和所述第二短期预测功率。
4.根据权利要求1所述的方法,其特征在于,所述利用所述修正预测误差对所述第二短期预测功率进行修正,得到第二超短期预测功率,包括:
利用所述修正预测误差与所述第二短期预测功率进行求和计算,得到所述第二超短期预测功率。
5.根据权利要求1所述的方法,其特征在于,响应于确定所述数值天气预报包括预测风速;
所述对所述数值天气预报和所述第一短期预测功率分别进行平移处理,得到平移历史数值天气预报和第一平移短期预测功率,包括:
获取预设数量的预测风速的分组,其中,每个所述预测风速的分组中包括预设数量的历史时刻对应的预测风速;
将每个所述预测风速的分组按照历史时刻的排列顺序平移预设数量的分组,得到平移后的预设数量的预测风速的分组,并将所述平移后的预设数量的预测风速的分组作为所述平移数值天气预报;
获取预设数量的第一短期预测功率的分组,其中,每个所述第一短期预测功率的分组中包括预设数量的历史时刻对应的第一短期预测功率;
将每个所述第一短期预测功率的分组按照历史时刻的排列顺序平移预设数量的分组,得到平移后的预设数量的第一短期预测功率的分组,并将所述平移后的预设数量的第一短期预测功率的分组作为所述第一平移短期预测功率。
6.根据权利要求1所述的方法,其特征在于,在获取风电场在各个历史时刻对应的数值天气预报、第一短期预测功率和实际功率之后,还包括:
利用四分位算法分别对所述数值天气预报、所述第一短期预测功率和所述实际功率进行数据清洗,得到清洗后的数值天气预报、第一短期预测功率和实际功率。
7.一种风电超短期功率预测装置,其特征在于,包括:
获取模块,被配置为获取风电场在各个历史时刻对应的数值天气预报、第一短期预测功率和实际功率,其中,两两相邻的历史时刻之间间隔预设的时间;
第一平移模块,被配置为对所述数值天气预报和所述第一短期预测功率分别进行平移处理,得到平移数值天气预报和第一平移短期预测功率;
第一预测模块,被配置为将所述数值天气预报、所述平移数值天气预报、所述第一短期预测功率、所述第一平移短期预测功率和所述实际功率输入预先经过训练获得的超短期功率预测模型,得到第一超短期预测功率;
第二预测模块,被配置为基于所述数值天气预报和所述实际功率采用预先经过训练获得的短期组合预测模型进行组合预测,得到预测功率误差和第二短期预测功率;
第二平移模块,被配置为对所述第二短期预测功率进行平移处理,得到第二平移短期预测功率,所述对所述第二短期预测功率进行平移处理,得到第二平移短期预测功率,包括:
获取预设数量的第二短期预测功率的分组,其中,每个所述第二短期预测功率的分组中包括预设数量的历史时刻对应的第二短期预测功率;
将每个所述第二短期预测功率的分组按照历史时刻的排列顺序平移预设数量的分组,得到平移后的预设数量的第二短期预测功率的分组,并将所述平移后的预设数量的第二短期预测功率的分组作为所述第二平移短期预测功率;
第三预测模块,被配置为将所述数值天气预报、所述平移数值天气预报、所述实际功率、所述第二短期预测功率、所述第二平移短期预测功率和所述预测功率误差输入预先经过训练获得的超短期误差预测模型,得到修正预测误差;
修正模块,被配置为利用所述修正预测误差对所述第二短期预测功率进行修正,得到第二超短期预测功率;
平均值计算模块,被配置为对所述第一超短期预测功率和所述第二超短期预测功率进行求平均值计算,得到超短期预测功率。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任意一项所述的方法。
9.一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,其特征在于,所述计算机指令用于使计算机执行权利要求1至6任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211706200.XA CN115689061B (zh) | 2022-12-29 | 2022-12-29 | 风电超短期功率预测方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211706200.XA CN115689061B (zh) | 2022-12-29 | 2022-12-29 | 风电超短期功率预测方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115689061A CN115689061A (zh) | 2023-02-03 |
CN115689061B true CN115689061B (zh) | 2023-03-17 |
Family
ID=85056109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211706200.XA Active CN115689061B (zh) | 2022-12-29 | 2022-12-29 | 风电超短期功率预测方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115689061B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272827B (zh) * | 2023-10-13 | 2024-04-12 | 辽宁天成联合科技有限公司 | 测风***超短期风速预测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102102626B (zh) * | 2011-01-30 | 2012-08-29 | 华北电力大学 | 风电场短期功率预测方法 |
CN102880810B (zh) * | 2012-10-25 | 2015-07-15 | 山东电力集团公司电力科学研究院 | 基于时间序列和神经网络法的风电功率预测方法 |
CN113516318A (zh) * | 2021-08-06 | 2021-10-19 | 北京东润环能科技股份有限公司 | 一种深度学习的短期功率预测方法 |
CN115456289A (zh) * | 2022-09-22 | 2022-12-09 | 华润电力技术研究院有限公司 | 一种风电超短期功率预测方法、***、设备及介质 |
-
2022
- 2022-12-29 CN CN202211706200.XA patent/CN115689061B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115689061A (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11169911B2 (en) | Method and apparatus for performing a fitting calculation on test data and generating data fluctuation values | |
CN111611797B (zh) | 基于Albert模型的预测数据标注的方法、装置及设备 | |
CN110008080A (zh) | 基于时间序列的业务指标异常检测方法、装置和电子设备 | |
CN115689061B (zh) | 风电超短期功率预测方法及相关设备 | |
CN110838075A (zh) | 电网***暂态稳定的预测模型的训练及预测方法、装置 | |
KR20210017342A (ko) | 과거 데이터에 기초한 시계열 예측 방법 및 장치 | |
CN113360711A (zh) | 视频理解任务的模型训练和执行方法、装置、设备及介质 | |
CN111931345A (zh) | 一种监测数据预测方法、装置、设备及可读存储介质 | |
CN109814101B (zh) | 一种航空器位置预测的方法及装置 | |
CN114742234A (zh) | 故障诊断模型训练方法、故障诊断方法及相关装置 | |
CN116523145B (zh) | 光伏功率超短期预测方法、装置、计算机设备及存储介质 | |
CN111798263A (zh) | 一种交易趋势的预测方法和装置 | |
CN113568067A (zh) | 数值天气预报方法、装置、计算机存储介质及电子设备 | |
CN111783883A (zh) | 一种异常数据的检测方法及装置 | |
CN116565851A (zh) | 基于聚类算法的风电场功率预测方法、装置、设备和介质 | |
CN115935822A (zh) | 计算机参数长期退化趋势预测方法、***、设备及介质 | |
CN115186751A (zh) | 一种基于s变换的CVT计量误差预测方法、装置及存储介质 | |
CN113988491B (zh) | 光伏短期功率预测方法、装置、电子设备及存储介质 | |
CN116248959B (zh) | 网络播放器故障检测方法、装置、设备及存储介质 | |
CN113902228A (zh) | 基于逐步回归与深度学习的风电功率预测方法及相关设备 | |
CN115906368A (zh) | 温度信号实时载荷谱计算方法及相关设备 | |
CN116091263B (zh) | 光伏电站的理论功率计算方法及相关设备 | |
CN113435058B (zh) | 配网自愈测试模型的数据降维方法、***、终端及介质 | |
CN117851820A (zh) | 样本扩充方法、装置、电子设备及存储介质 | |
CN118037472B (zh) | 财务数据处理方法及相关装置 |
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 |