风力发电功率区间预测方法、设备及介质技术

本公开实施例中提供了一种风力发电功率区间预测方法、设备及介质，属于测量技术领域，具体包括：得到初始数据集和测试数据集；利用变分模态分解方法和滚动模糊粒化方法提取初始数据集的内部特征；将训练数据集输入注意力机制和门控循环单元神经网络；基于改进区间质量评价体系对初始预测模型进行训练，得到区间预测模型；判断评价指标的差值是否小于阈值；若是，则将测试数据集输入区间预测模型，得到风电预测区间组合；若否，则继续训练初始预测模型直至差值小于阈值。通过本公开的方案，提取历史数据的内部特征，然后进一步限定上下限形成训练数据集，训练区间预测模型，得到对应的风电预测区间，提高了预测效率、适应性和预测结果精准度。测结果精准度。测结果精准度。

【技术实现步骤摘要】
风力发电功率区间预测方法、设备及介质


[0001]本公开实施例涉及测量
，尤其涉及一种风力发电功率区间预测方法、设备及介质。

技术介绍

[0002]目前，工业不断发展的同时，能源危机、环境污染等问题不断威胁着人类社会的可持续发展。可再生能源作为缓解能源危机的可行方案，正越来越受到世界各国的重视。由于其清洁和无污染的优点，风力发电在现代电力系统中正变得越来越受欢迎。然而，与传统能源相比，由于天气和地区影响的混沌特性，它具有间歇性和不确定性。随着风力发电普及率的不断提高，这可能会给系统运营商带来一些挑战。准确的风电功率预测对电网的安全、稳定和经济效益具有重要意义。
[0003]风电功率预测方法可分为点预测和区间预测两大类，但是点预测虽然可以表示某一时段的不确定性，但不能表示某一特定时刻的不确定性。点预测结果的准确性和可靠性得不到保证。而现有的区间预测方法不善于学习非平稳风电序列中的时间关系，计算量大且成本较高
[0004]可见，亟需一种高效且适应性和预测结果精准度高的风力发电功率区间预测方法。

技术实现思路

[0005]有鉴于此，本公开实施例提供一种风力发电功率区间预测方法、设备及介质，至少部分解决现有技术中存在预测效率、适应性和预测结果精准度较差的问题。
[0006]第一方面，本公开实施例提供了一种风力发电功率区间预测方法，包括：
[0007]获取目标地区的历史风电数据并进行预处理，得到初始数据集和测试数据集；
[0008]利用变分模态分解方法和滚动模糊粒化方法提取所述初始数据集的内部特征，形成训练数据集；
[0009]将所述训练数据集输入注意力机制和门控循环单元神经网络，建立初始预测模型；
[0010]基于改进区间质量评价体系对所述初始预测模型进行训练，得到区间预测模型；
[0011]判断所述区间预测模型对应的评价指标与上一次训练得到的评价指标的差值是否小于阈值；
[0012]若所述区间预测模型对应的评价指标与上一次训练得到的评价指标的差值小于所述阈值，则将所述测试数据集输入所述区间预测模型，得到风电预测区间组合；
[0013]若所述区间预测模型对应的评价指标与上一次训练得到的评价指标的差值是否大于或等于所述阈值，则继续训练所述初始预测模型直至所述差值小于所述阈值。
[0014]根据本公开实施例的一种具体实现方式，所述获取目标地区的历史风电数据并进行预处理，得到初始数据集和测试数据集的步骤，包括：
[0015]从数据库中提取所述目标地区的历史风电数据；
[0016]剔除所述历史风电数据中的干扰数据，形成所述初始数据集和所述测试数据集。
[0017]根据本公开实施例的一种具体实现方式，所述利用变分模态分解方法和滚动模糊粒化方法提取所述初始数据集的内部特征，形成训练数据集的步骤，包括：
[0018]利用所述变分模态分解方法将所述初始数据集内数据分解为不同模态；
[0019]利用所述滚动模糊粒化方法依次对每个模态划分操作窗口；
[0020]将全部所述操作窗口内粒化，生成每个所述操作窗口对应的模糊信息粒；
[0021]对全部所述操作窗口对应的模糊信息粒进行滚动粒化，得到所述训练数据集。
[0022]根据本公开实施例的一种具体实现方式，所述训练数据集包括小时风力发电功率数据和时间数据，所述将所述训练数据集输入注意力机制和门控循环单元神经网络，建立初始预测模型的步骤，包括：
[0023]将所述小时风力发电功率数据和所述时间数据输入所述门控循环单元神经网络进行时间序列学习，得到不同时刻对应的输出向量；
[0024]将全部输出向量输入所述注意力机制对应的注意力层，对所述输出向量中的不同信息值赋予对应权重；
[0025]根据赋予权重后的全部所述输出向量建立所述初始预测模型。
[0026]根据本公开实施例的一种具体实现方式，所述基于改进区间质量评价体系对所述初始预测模型进行训练，得到区间预测模型的步骤，包括：
[0027]根据第一函数对所述初始预测模型进行训练，输出区间质量评价指标，其中，所述区间质量评价指标包括预测区间覆盖率指标和预测区间宽度指标；
[0028]根据第二函数和所述区间质量评价指标得到所述区间预测模型。
[0029]第二方面，本公开实施例还提供了一种电子设备，该电子设备包括：
[0030]至少一个处理器；以及，
[0031]与该至少一个处理器通信连接的存储器；其中，
[0032]该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的风力发电功率区间预测方法。
[0033]第三方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的风力发电功率区间预测方法。
[0034]第四方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的风力发电功率区间预测方法。
[0035]本公开实施例中的风力发电功率区间预测方案，包括：获取目标地区的历史风电数据并进行预处理，得到初始数据集和测试数据集；利用变分模态分解方法和滚动模糊粒化方法提取所述初始数据集的内部特征，形成训练数据集；将所述训练数据集输入注意力机制和门控循环单元神经网络，建立初始预测模型；基于改进区间质量评价体系对所述初始预测模型进行训练，得到区间预测模型；判断所述区间预测模型对应的评价指标与上一
次训练得到的评价指标的差值是否小于阈值；若所述区间预测模型对应的评价指标与上一次训练得到的评价指标的差值小于所述阈值，则将所述测试数据集输入所述区间预测模型，得到风电预测区间组合；若所述区间预测模型对应的评价指标与上一次训练得到的评价指标的差值是否大于或等于所述阈值，则继续训练所述初始预测模型直至所述差值小于所述阈值。
[0036]本公开实施例的有益效果为：通过本公开的方案，提取历史数据的内部特征，然后根据内部特征进一步限定上下限形成训练数据集，并根据训练数据集和区间质量评价体系训练区间预测模型，得到对应的评价指标不再明显改善时，得到对应的风电预测区间，提高了预测效率、适应性和预测结果精准度。
附图说明
[0037]为了更清楚地说明本公开实施例的技术方案，下面将对实施例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公开的一些实施例，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它的附图。
[0038]图1为本公开实施例提供的一种风力发电功率区间预测方法的流程示意图；
[0039]图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风力发电功率区间预测方法，其特征在于，包括：获取目标地区的历史风电数据并进行预处理，得到初始数据集和测试数据集；利用变分模态分解方法和滚动模糊粒化方法提取所述初始数据集的内部特征，形成训练数据集；将所述训练数据集输入注意力机制和门控循环单元神经网络，建立初始预测模型；基于改进区间质量评价体系对所述初始预测模型进行训练，得到区间预测模型；判断所述区间预测模型对应的评价指标与上一次训练得到的评价指标的差值是否小于阈值；若所述区间预测模型对应的评价指标与上一次训练得到的评价指标的差值小于所述阈值，则将所述测试数据集输入所述区间预测模型，得到风电预测区间组合；若所述区间预测模型对应的评价指标与上一次训练得到的评价指标的差值是否大于或等于所述阈值，则继续训练所述初始预测模型直至所述差值小于所述阈值。2.根据权利要求1所述的方法，其特征在于,所述获取目标地区的历史风电数据并进行预处理，得到初始数据集和测试数据集的步骤，包括：从数据库中提取所述目标地区的历史风电数据；剔除所述历史风电数据中的干扰数据，形成所述初始数据集和所述测试数据集。3.根据权利要求1所述的方法，其特征在于,所述利用变分模态分解方法和滚动模糊粒化方法提取所述初始数据集的内部特征，形成训练数据集的步骤，包括：利用所述变分模态分解方法将所述初始数据集内数据分解为不同模态；利用所述滚动模糊粒化方法依次对每个模态划分操作窗口；将全部所述操作窗口内粒化，生成每个所述操作窗口对应的模糊信息粒；对全部所述操作窗口对应的模糊信息粒进行滚动粒...

【专利技术属性】
技术研发人员：韩华，刘宏毅，孙尧，施光泽，粟梅，
申请(专利权)人：中南大学，
类型：发明
国别省市：