本发明专利技术提出了一种基于深度学习的新能源发电预测方法，包括如下步骤：获取未来气象的风力预测数据，历史气象的风力预测数据，历史实际风力数据以及历史实际风电发电数据；将获取的风力预测数据依次输入风力季节性修正模型和风力随机性修正模型；利用历史气象的风力预测数据历史实际风力数据训练风力预测模型；并进行预测得到模型预测的风力数据；将修正后的风力预测数据和模型预测的风力数据进行融合，得到融合后的风力数据；利用历史实际风力数据和历史实际风电发电数据，训练风电机组发电模型；根据融合后的风力数据输入风电机组发电模型，得到预测的发电数据；本发明专利技术提供的方法，实现提高风力数据的准确性，进而提升风力发电的准确性。发电的准确性。发电的准确性。
【技术实现步骤摘要】
一种基于深度学习的新能源发电预测方法和系统
[0001]本专利技术涉及新能源发电领域，特别是指一种基于深度学习的新能源发电预测方法和系统。
技术介绍
[0002]近年来，节能减排、绿色能源、发展低碳经济、可持续发展成为各国关注的焦点，清洁能源和可再生能源在各国能源中所占的比重越来越多，特别是风能已成为当今发展速度位居首位的能源。风力发电的原动力是风能，而风能具有较强的随机性和波动性，使得存在预测不准确的问题。
[0003]统计方法根据历史统计数据建立气象因素与风力发电的关系，根据天气预测数据对风力发电进行预测，该方法需要对历史数据的数量和质量均有较高的就要求；物理方法要求对大气的物理特性及风电场特性有准确的数学描述，具有模型复杂、计算量大的缺点；时间序列法通过寻找各历史数据在时序上的相关性来预测风力发电，存在低阶模型预测精度低而高阶模型参数估计难度大的缺点；基于人工智能的预测方法准确率相对高一些，但目前大部分研究仅仅单纯根据风力发电时间序列数据进行方法的套用，对气象因素的考虑不足，难以得到理想的预测结果。
技术实现思路
[0004]本专利技术的主要目的在于克服现有技术中的上述缺陷，提出一种基于深度学习的新能源发电预测方法和系统，通过考虑风力数据的随机性和周期性，并进行相应模型的修正，且通过融合预测的风力数据，共同实现提高风力数据的准确性，进而提升风力发电的准确性。
[0005]一种基于深度学习的新能源发电预测方法，包括如下步骤：获取未来气象的风力预测数据，历史气象的风力预测数据，历史实际风力数据以及历史实际风电发电数据；将获取的风力预测数据依次输入风力季节性修正模型和风力随机性修正模型，得到修正后风力预测数据；将历史气象的风力预测数据作为输入，历史实际风力数据作为输出，训练风力预测模型，得到训练好的风力预测模型；将未来气象的风力预测数据输入训练好的风力预测模型，得到模型预测的风力数据；将修正后的风力预测数据和模型预测的风力数据进行融合，得到融合后的风力数据；将历史实际风力数据作为输入，历史实际风电发电数据作为输出，训练风电机组发电模型，得到训练好的风电机组发电模型；将融合后的风力数据输入训练好的风电机组发电模型，得到预测的发电数据。
[0006]具体地，风力季节性修正模型；其中，为未来气象的风力预测数据，为经季节性修正后的风力数据，为季节修正项。
[0007]具体地，所述风力随机性修正模型，具体为：其中，为随机性修正后的风力数据，为未来气象的风力预测数据，g为形状指标，e为尺度指标；且：标，e为尺度指标；且：其中，为未来气象的风力预测数据的平均值，为未来气象的风力预测数据的标准差。
[0008]具体地，所述风力预测模型和所述风电机组发电模型为包括但不限于神经网络模型、支持向量机模型、回归模型和最近邻搜索模型。
[0009]具体地，所述将修正后的风力预测数据和模型预测的风力数据进行融合，得到融合后的风力数据，具体为：其中，是模型预测的风力数据，是融合后的风力数据，、为权重系数。
[0010]具体地，所述风力预测数据包括但不限于风速数据和风向数据。
[0011]本专利技术实施例另一方面提供一种基于深度学习的新能源发电预测系统，包括：数据获取单元：获取未来气象的风力预测数据，历史气象的风力预测数据，历史实际风力数据以及历史实际风电发电数据；修正单元：将获取的风力预测数据依次输入风力随机性修正模型和风力季节性修正模型，得到修正后风力预测数据；风力预测模型训练单元：将历史气象的风力预测数据作为输入，历史实际风力数据作为输出，训练风力预测模型，得到训练好的风力预测模型；风力预测单元：将未来气象的风力预测数据输入训练好的风力预测模型，得到模型预测的风力数据；风力融合单元：将修正后的风力预测数据和模型预测的风力数据进行融合，得到融合后的风力数据；风电机组发电模型训练单元：将历史实际风力数据作为输入，历史实际风电发电
数据作为输出，训练风电机组发电模型，得到训练好的风电机组发电模型；发电预测单元：将融合后的风力数据输入训练好的风电机组发电模型，得到预测的发电数据。
[0012]本专利技术再一实施例提供一种电子设备，包括：存储器，处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现上述一种基于深度学习的新能源发电预测方法步骤。
[0013]本专利技术又一实施例提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述一种基于深度学习的新能源发电预测方法步骤。
[0014]由上述对本专利技术的描述可知，与现有技术相比，本专利技术具有如下有益效果：本专利技术提出了一种基于深度学习的新能源发电预测方法，获取未来气象的风力预测数据，历史气象的风力预测数据，历史实际风力数据以及历史实际风电发电数据；将获取的风力预测数据依次输入风力季节性修正模型和风力随机性修正模型，得到修正后风力预测数据；将历史气象的风力预测数据作为输入，历史实际风力数据作为输出，训练风力预测模型，得到训练好的风力预测模型；将未来气象的风力预测数据输入训练好的风力预测模型，得到模型预测的风力数据；将修正后的风力预测数据和模型预测的风力数据进行融合，得到融合后的风力数据；将历史实际风力数据作为输入，历史实际风电发电数据作为输出，训练风电机组发电模型，得到训练好的风电机组发电模型；将融合后的风力数据输入训练好的风电机组发电模型，得到预测的发电数据；本专利技术提供的方法，通过考虑风力数据的随机性和周期性，并进行相应模型的修正，且通过融合预测的风力数据，共同实现提高风力数据的准确性，进而提升风力发电的准确性。
附图说明
[0015]图1为本专利技术实施例提供的一种基于深度学习的新能源发电预测方法流程图；图2为本专利技术实施例提供的经验模态分解的过程分量示意图；图3为本专利技术实施例提供的一种基于深度学习的新能源发电预测系统结构图；图4为本专利技术实施例提供的一种电子设备的实施例示意图；图5为本专利技术实施例提供的一种计算机可读存储介质的实施例示意图。
具体实施方式
[0016]本专利技术提出了一种基于深度学习的新能源发电预测方法，通过考虑风力数据的随机性和周期性，并进行相应模型的修正，且通过融合预测的风力数据，共同实现提高风力数据的准确性，进而提升风力发电的准确性。
[0017]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
在包括所述要素的过程、方法、物品或者设备中还存在另外的相本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的新能源发电预测方法，其特征在于，包括如下步骤：获取未来气象的风力预测数据，历史气象的风力预测数据，历史实际风力数据以及历史实际风电发电数据；将获取的风力预测数据依次输入风力季节性修正模型和风力随机性修正模型，得到修正后风力预测数据；将历史气象的风力预测数据作为输入，历史实际风力数据作为输出，训练风力预测模型，得到训练好的风力预测模型；将未来气象的风力预测数据输入训练好的风力预测模型，得到模型预测的风力数据；将修正后的风力预测数据和模型预测的风力数据进行融合，得到融合后的风力数据；将历史实际风力数据作为输入，历史实际风电发电数据作为输出，训练风电机组发电模型，得到训练好的风电机组发电模型；将融合后的风力数据输入训练好的风电机组发电模型，得到预测的发电数据。2.根据权利要求1所述的一种基于深度学习的新能源发电预测方法，其特征在于，风力季节性修正模型；其中，为未来气象的风力预测数据，为经季节性修正后的风力数据，为季节修正项。3.根据权利要求2所述的一种基于深度学习的新能源发电预测方法，其特征在于，所述风力随机性修正模型，具体为：其中，为随机性修正后的风力数据，为未来气象的风力预测数据，g为形状指标，e为尺度指标；且：为尺度指标；且：其中，为未来气象的风力预测数据的平均值，为未来气象的风力预测数据的标准差。4.根据权利要求1所述的一种基于深度学习的新能源发电预测方法，其特征在于，所述风力预测模型和所述风电机组发电模型为包括但不限于神经网络模型、支持向量机模型、回归模型和最近邻搜索模型。5.根据权利要求3所述的一种基于深度学习的新能源发电预测方法，其特征在于，所述将修正后的风力预测数据和模型预测的...
【专利技术属性】
技术研发人员：庄燕好，
申请(专利权)人：深圳万甲荣实业有限公司，
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。