本发明专利技术公开了一种风电功率预测方法、装置、设备和存储介质，包括：分解第一历史时间段内的风电功率时间序列和风速时间序列，得到风电功率子序列和风速子序列；拼接各所述风电功率子序列、各所述风速子序列、以及对应的风向时间序列的正弦值和余弦值，得到张量信息；通过各所述张量信息预测得到风电功率子序列后，根据各所述风电功率子序列，确定预测风电功率。上述技术方案通过拼接各风电功率子序列、各风速子序列、以及对应的风向时间序列的正弦值和余弦值得到张量信息之后，可以通过张量信息预测得到风电功率子序列，进而可以得到风电功率，相比于传统的预测方法，提高了风电功率预测的准确性。预测的准确性。预测的准确性。
【技术实现步骤摘要】
一种风电功率预测方法、装置、设备及存储介质
[0001]本专利技术实施例涉及风电功率预测技术，尤其涉及一种风电功率预测方法、装置、设备及存储介质。
技术介绍
[0002]随着风力发电技术日臻成熟，风电单机容量和并网型风电场规模不断扩大，风电占电力系统发电总量的比例也逐年增加。风电场穿透功率不断加大，给电力系统带来的一系列问题日益突出，严重威肋电力系统安全、稳定、经济和可靠运行。对风电功率进行及时准确的预测，可以显著增强电力系统的安全性、稳定性、经济性和可控性。
[0003]现有技术中，风电功率预测包括物理模型、统计模型和人工智能模型三种模型。但是物理模型不适用于短期预测，统计模型的假设与实际不相符，预测效果难以保证。因此，人工智能模型因其强大的非线性拟合能力被应用于风电功率预测中。但是传统的机器学习模型直接使用非平稳的风电功率时间序列作为输入，无法有效地提取风电功率本身隐藏的特征，导致预测准确性不高。
[0004]因此，亟需一种风电功率预测方法，解决现有技术中预测的风电功率准确性不高的问题。
技术实现思路
[0005]本专利技术提供一种风电功率预测方法、装置、设备及存储介质，以解决现有技术中预测的风电功率准确性不高的问题。
[0006]第一方面，本专利技术实施例提供了一种风电功率预测方法，包括：
[0007]分解第一历史时间段内的风电功率时间序列和风速时间序列，得到风电功率子序列和风速子序列；
[0008]拼接各所述风电功率子序列、各所述风速子序列、以及对应的风向时间序列的正弦值和余弦值，得到张量信息；
[0009]通过各所述张量信息预测得到风电功率子序列后，根据各所述风电功率子序列，确定预测风电功率。
[0010]进一步地，分解风电功率时间序列和风速时间序列，得到风电功率子序列和风速子序列，包括：
[0011]确定所述风电功率时间序列的第一解析信号和第一中心频率、以及所述风速时间序列的第二解析信号和第二中心频率；
[0012]根据所述第一解析信号和各所述第一中心频率，以变分模式分解所述风电功率时间序列，得到各所述风电功率子序列；
[0013]根据所述第二解析信号和各所述第二中心频率，以变分模式分解所述风速时间序列，得到各所述风速子序列。
[0014]进一步地，拼接各所述风电功率子序列、各所述风速子序列、以及对应的风向时间
序列的正弦值和余弦值，得到张量信息，包括：
[0015]基于预设顺序，按列对各所述风电功率子序列、各所述风速子序列、以及各所述风电功率子序列对应的风向时间序列的正弦值和余弦值进行排序，得到张量信息。
[0016]进一步地，通过各所述张量信息预测得到风电功率子序列后，根据所述风电功率子序列，确定预测风电功率，包括：
[0017]将各所述张量信息输入预设门控循环单元GUR预测模型，得到输出为预测风电功率子序列；
[0018]叠加各所述预测风电功率子序列，得到所述预测风电功率。
[0019]进一步地，将各所述张量信息输入预设门控循环单元GUR预测模型，得到预测风电功率子序列之前，还包括：
[0020]通过历史风电功率子序列和历史张量信息训练所述预设GUR预测模型，确定所述预设GUR预测模型的参数信息，其中，所述历史风电功率子序列可以为第二历史时间段内的风电功率子序列，所述第二历史时间段包含所述第一历史。
[0021]进一步地，在分解预设时间内的风电功率时间序列和风速时间序列，得到风电功率子序列和风速子序列之前，还包括：
[0022]获取第一历史时间段内的历史风电功率、历史风速和历史风向；
[0023]基于预设时间间隔分别对所述历史风电功率、所述历史风速和所述历史风向进行取样，得到所述风电功率时间序列、所述风速时间序列和所述风向时间序列。
[0024]进一步地，在拼接各所述风电功率子序列、各所述风速子序列、以及对应的风向时间序列的正弦值和余弦值，得到张量信息之前，还包括：
[0025]确定所述风向时间序列的正弦值和余弦值。
[0026]第二方面，本专利技术实施例还提供了一种风电功率预测装置，包括：
[0027]分解模块，用于分解第一历史时间段内的风电功率时间序列和风速时间序列，得到风电功率子序列和风速子序列；
[0028]拼接模块，用于拼接各所述风电功率子序列、各所述风速子序列、以及对应的风向时间序列的正弦值和余弦值，得到张量信息；
[0029]确定模块，用于通过各所述张量信息预测得到风电功率子序列后，根据各所述风电功率子序列，确定预测风电功率。
[0030]第三方面，本专利技术实施例还提供了一种风电功率预测设备，所述设备包括：
[0031]一个或多个处理器；
[0032]存储装置，用于存储一个或多个程序，
[0033]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第一方面中任一所述的风电功率预测方法。
[0034]第四方面，本专利技术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第一方面中任一所述的风电功率预测方法。
[0035]本专利技术通过分解第一历史时间段内的风电功率时间序列和风速时间序列，得到风电功率子序列和风速子序列；拼接各所述风电功率子序列、各所述风速子序列、以及对应的风向时间序列的正弦值和余弦值，得到张量信息；通过各所述张量信息预测得到风电功率
子序列后，根据各所述风电功率子序列，确定预测风电功率。上述技术方案通过拼接各风电功率子序列、各风速子序列、以及对应的风向时间序列的正弦值和余弦值得到张量信息之后，可以通过张量信息预测得到风电功率子序列，进而可以得到风电功率，相比于传统的预测方法，提高了风电功率预测的准确性。
附图说明
[0036]图1为本专利技术实施例一提供的风电功率预测的流程图；
[0037]图2为本专利技术实施例一提供的一种风电功率预测方法中拼接各所述风电功率子序列、各所述风速子序列、以及对应的风向时间序列的正弦值和余弦值得到的张量信息的示意图；
[0038]图3为本专利技术实施例二提供的一种风电功率预测方法的流程图；
[0039]图4为本专利技术实施例二提供的一种风电功率预测方法中步骤360的流程图；
[0040]图5为本专利技术实施例二提供的风电功率预测方法中GUR的控制示意图；
[0041]图6为本专利技术实施例二提供的一种风电功率预测方法的实现流程图；
[0042]图7为本专利技术实施例二提供的一种风电预测方法中得到的预测风电功率和实际风电功率的对比图；
[0043]图8为本专利技术实施例三提供的一种风电功率预测装置的结构图；
[0044]图9为本专利技术实施例四提供的一种风电功率预测设备的结构示意图。
具体实施方式
[0045]下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种风电功率预测方法，其特征在于，包括：分解第一历史时间段内的风电功率时间序列和风速时间序列，得到风电功率子序列和风速子序列；拼接各所述风电功率子序列、各所述风速子序列、以及对应的风向时间序列的正弦值和余弦值，得到张量信息；通过各所述张量信息预测得到风电功率子序列后，根据各所述风电功率子序列，确定预测风电功率。2.根据权利要求1所述的风电功率预测方法，其特征在于，分解风电功率时间序列和风速时间序列，得到风电功率子序列和风速子序列，包括：确定所述风电功率时间序列的第一解析信号和第一中心频率、以及所述风速时间序列的第二解析信号和第二中心频率；根据所述第一解析信号和各所述第一中心频率，以变分模式分解所述风电功率时间序列，得到各所述风电功率子序列；根据所述第二解析信号和各所述第二中心频率，以变分模式分解所述风速时间序列，得到各所述风速子序列。3.根据权利要求1所述的风电功率预测方法，其特征在于，拼接各所述风电功率子序列、各所述风速子序列、以及对应的风向时间序列的正弦值和余弦值，得到张量信息，包括：基于预设顺序，按列对各所述风电功率子序列、各所述风速子序列、以及各所述风电功率子序列对应的风向时间序列的正弦值和余弦值进行排序，得到张量信息。4.根据权利要求1所述的风电功率预测方法，其特征在于，通过各所述张量信息预测得到风电功率子序列后，根据所述风电功率子序列，确定预测风电功率，包括：将各所述张量信息输入预设门控循环单元GUR预测模型，得到输出为预测风电功率子序列；叠加各所述预测风电功率子序列，得到所述预测风电功率。5.根据权利要求4所述的风电功率预测方法，其特征在于，在将各所述张量信息输入预设门控循环单元GUR预测模型，得到预测风电功率子序列之前，还包括：通过历史风电功率子序列和历史张量信息训练所...
【专利技术属性】
技术研发人员：肖建华，李春亮，罗苑萍，刘滨涛，傅惠芹，刘冬明，林晓波，
申请(专利权)人：广东电网有限责任公司揭阳供电局，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。