风电功率预测方法、装置、设备及介质

本发明涉及风电功率预测，具体提供一种风电功率预测方法、装置、设备及介质。

背景技术：

1、风能是重要的可再生能源资源，对能源安全与环境安全至关重要。电能是重要的二次能源，对节能减排与社会文明极为关键。因此，最大程度地将风能和太阳能转换为电能，平稳而无阻塞地向用户输送优质电能，就成为能源革命的核心之一。但风电的波动和间歇行为都具有强烈的不确定性，其对电力可靠性、电能质量、经济性及社会福利的影响随着渗透率的增加而越发突出。电力系统的稳定性反映受扰系统抵御系统崩溃的能力，电力系统的充裕性反映系统满足用户对功率和电量需求的能力。其风险分析与控制涉及不确定性、分岔及混沌理论，大规模风电的入网大大增加了不确定因素的影响。风电逐渐成为继火电、水电之后的第三大电源。风资源的随机性、波动性、不确定性和风电出力的弱可控性给电力系统的安全稳定运行带来了较大的困扰和挑战。高精度的风电功率预测技术已成为一项必备的运行技术。

2、在利用气象数据对风电功率进行预测时，气象数据的随机性、波动性和不确定性给预测模型带来了极大挑战。神经网络作为一种强大的工具，在拟合非线性数据方面表现出色，因此被广泛应用于风电功率预测。然而，不同气象数据之间的有效信息和无效信息的比例不同，这可能导致无效信息掩盖有效信息，从而影响神经网络的拟合计算，降低预测精度。

3、因此，本领域需要一种新的风电功率预测方案来解决上述问题。

技术实现思路

1、为了克服上述缺陷，提出了本发明，以提供解决预测精度低的问题。

2、在第一方面，本发明提供一种风电功率预测方法，包括：获取实时风电功率趋势、实时风电功率、未来风电功率趋势；所述未来风电功率趋势为基于气象数据预测到未来风速，对未来风速进行分析得到；将所述实时风电功率趋势、实时风电功率、未来风电功率趋势输入到预先训练的模型中，得到待测风电场的预测风电功率；所述预先训练的模型为优化后的神经网络模型，所述优化的过程至少包括：基于训练集对神经网络模型进行训练，对训练后的模型进行检验，并判断所述检验结果是否满足预设条件，若满足预设条件，继续对所述神经网络模型进行超参数优化；否则，输出最优参数。

3、在上述风电功率预测方法的一个技术方案中，获取所述未来风电功率趋势之前还包括：获取一段时间区间内的风向；将该时间区间内的风向进行划分为不同的风向模块。

4、在上述风电功率预测方法的一个技术方案中，所述气象数据至少包括：气压、空气密度，获取所述未来风电功率趋势至少包括：对不同方向模块对应的实际风速进行加权处理，得到加权结果；基于获取的所述待测风电场气压、未来空气密度、加权结果输入训练好的机器学习模型或深度学习模型，得到预测的未来风速；将获取的实时风速与所述预测的未来风速进行作差处理，得到预测的未来风速趋势。

5、在上述风电功率预测方法的一个技术方案中，获取所述未来风电功率趋势还包括：将所述加权结果、所述未来风速趋势及获取的实时风速趋势输入输入训练好的机器学习模型或深度学习模型中，得到所述待测风电场的预测风电功率；将获取的实时风电功率与所述预测风电功率进行作差处理，得到所述待测风电场的未来风电功率趋势。

6、在上述风电功率预测方法的一个技术方案中，所述预设条件基于获取的神经网络模型的训练误差、预设的目标误差得到。

7、在上述风电功率预测方法的一个技术方案中，获取神经网络模型的训练误差的过程包括：将训练集输入神经网络模型进行训练，将验证集输入训练好的模型，得到第一预测数据；将所述第一预测数据与测试数据进行比较，得到训练误差。

8、在上述风电功率预测方法的一个技术方案中，获取所述未来空气密度的过程包括：获取所述时间区间内所述待测风电场的温度、湿度；将所述温度、湿度输入到训练好的模型中，得到所述未来空气密度；所述模型至少为北方苍鹰算法优化深度极限学习机算法、时间序列模型、机器学习模型、深度学习模型中的一种。

9、在第二方面，本发明提供一种风电功率预测装置，包括：获取模块，用于获取实时风电功率趋势、实时风电功率、未来风电功率趋势；所述未来风电功率趋势为基于气象数据预测到未来风速，对未来风速进行分析得到；预测模块，用于将所述实时风电功率趋势、实时风电功率、未来风电功率趋势输入到预先训练的模型中，得到待测风电场的预测风电功率；所述预先训练的模型为优化后的神经网络模型，所述优化的过程至少包括：基于训练集对神经网络模型进行训练，对训练后的模型进行检验，并判断所述检验结果是否满足预设条件，若满足预设条件，继续对所述神经网络模型进行超参数优化；否则，输出最优参数。

10、在第三方面，一种电子设备，包括处理器和存储装置，存储装置适于存储多条程序代码，程序代码适于由处理器加载并运行以执行上述风电功率预测方法的技术方案中任一项技术方案的风电功率预测方法。

11、在第四方面，本发明提供一种计算机可读存储介质，其中存储有多条程序代码，程序代码适于由处理器加载并运行以执行上述风电功率预测方法的技术方案中任一项技术方案的风电功率预测方法。

12、本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：

13、在实施本发明的技术方案中，本发明提供了一种风电功率预测方法，包括：获取实时风电功率趋势、实时风电功率、未来风电功率趋势；未来风电功率趋势为基于气象数据预测到未来风速，对未来风速进行分析得到；将实时风电功率趋势、实时风电功率、未来风电功率趋势输入到预先训练的模型中，得到待测风电场的预测风电功率；预先训练的模型为优化后的神经网络模型，优化的过程至少包括：基于训练集对神经网络模型进行训练，对训练后的模型进行检验，并判断检验结果是否满足预设条件，若满足预设条件，继续对神经网络模型进行超参数优化；否则，输出最优参数。与现有技术相比，本发明所提供的风电功率预测方法的有益效果为：

14、通过基于气象数据预测未来风速，并对未来风速进行分析，可以更准确地捕捉未来风电功率的趋势变化，从而提高预测精度。

15、进一步的，根据温度、湿度、气压与加权风速进行拟合，得到未来风速，利用未来风速与当前风速求差得到相对趋势；基于得到的相对风速趋势进行分析，进一步拟合预测未来风电功率，上述方法考虑数据信息的充分利用，将与风电功率数据呈弱相关性的气象数据进行另一维度的互信息提取，从而可以提高预测风速数据的准确性，即使得气象训练数据集得以充分利用，提高气象数据预测模型的效率。

16、进一步的，引入风向对应实际风速进行加权计算，从而增强风速的时序特征，可以更准确地捕捉风速的变化趋势和周期性，从而提高预测模型的准确性。另外，风速具有一定的波动性和随机性，时序特征的增强可以帮助平滑这种波动，减少预测结果的突变和波动，从而提高预测的稳定性。

1.一种风电功率预测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，获取所述未来风电功率趋势之前还包括：

3.根据权利要求2所述的方法，其特征在于，所述气象数据至少包括：气压、空气密度，获取所述未来风电功率趋势至少包括：

4.根据权利要求3所述的方法，其特征在于，获取所述未来风电功率趋势还包括：

5.根据权利要求1所述的方法，其特征在于，所述预设条件基于获取的神经网络模型的训练误差、预设的目标误差得到。

6.根据权利要求5所述的方法，其特征在于，获取神经网络模型的训练误差的过程包括：

7.根据权利要求3所述的方法，其特征在于，获取所述未来空气密度的过程包括：

8.一种风电功率预测装置，其特征在于，包括：

9.一种电子设备，包括处理器和存储装置，存储装置适于存储多条程序代码，其特征在于，程序代码适于由处理器加载并运行以执行权利要求1至7中任一项的风电功率预测方法。

10.一种计算机可读存储介质，其中存储有多条程序代码，其特征在于，程序代码适于由处理器加载并运行以执行权利要求1至7中任一项的风电功率预测方法。