分散式风电功率预测方法、模型训练方法、设备及介质技术

本发明专利技术公开了分散式风电功率预测方法、模型训练方法、设备及介质，包括：首先获取分散的多个风电机组的历史样本数据，每个风电机组的历史样本数据均包括位置信息、气候特征及实际输出功率。再将多个风电机组的气候特征进行升维处理，获取生成的多个复合气候特征，从而充分考虑机组间差异性。并对多个风电机组的位置信息和气候特征进行聚类分析，形成多个簇，组合每一簇内的位置信息和气候特征，以得到多个气候位置编码，从而对于空间位置不同的机组，联系机组的空间位置与气候特征，提高预测模型的迁移能力。最后将多个复合气候特征和多个气候位置编码输入分散式风电功率预测模型，获取输出的每个风电机组的预测功率，以实现分散式风电功率预测。风电功率预测。风电功率预测。

【技术实现步骤摘要】
分散式风电功率预测方法、模型训练方法、设备及介质


[0001]本专利技术涉及风电机组
，尤其是涉及分散式风电功率预测方法、模型训练方法、设备及介质。

技术介绍

[0002]随着风电产业规模的不断扩大，我国的集中风电发展受到很大限制，风电消纳问题日益突出。而相较于集中开发风电，分散式风电则有诸多优点。在负荷集中的周边地区修建分散式风电场，能够缓解电网压力，降低输配电设施的部署规模；并且分散式风电场布置在需要提高电能质量的网络末端，也能够提高电能质量。可见，开发对电网更加友好的分散式风电，将有效缓解风电消纳问题。
[0003]但现有技术主要针对集中式风电功率预测，而对于布局分散、机组气候参数相关性较差的分散式风电功率预测的适应性则较差，体现在：针对单台机组功率输出的预测模型，对于空间位置不同的机组，模型的迁移性较差；针对场站整体功率输出的预测模型，无法充分考虑机组间差异性。

技术实现思路

[0004]基于此，有必要针对上述问题，提供分散式风电功率预测方法、模型训练方法、设备及介质，以解决风电功率预测过程中，无法充分考虑机组间差异性的问题。
[0005]一种分散式风电功率预测模型的训练方法，所述方法包括：
[0006]获取分散的多个风电机组的历史样本数据；其中，一个风电机组的历史样本数据包括位置信息、气候特征及实际输出功率；
[0007]将所述多个风电机组的气候特征进行升维处理，获取生成的多个复合气候特征；
[0008]对所述多个风电机组的位置信息和气候特征进行聚类分析，形成多个簇，组合每一簇内的位置信息和气候特征，以得到多个气候位置编码；
[0009]将所述多个复合气候特征和所述多个气候位置编码输入所述分散式风电功率预测模型，获取输出的每个风电机组的预测功率；
[0010]根据目标风电机组的实际输出功率与预测功率计算所述目标风电机组的损失值，基于所有风电机组的损失值对所述分散式风电功率预测模型进行迭代调参，直至迭代调参达到预设次数；其中，所述目标风电机组为所述多个风电机组中的任意一个。
[0011]在其中一个实施例中，所述获取生成的多个复合气候特征之后，还包括：
[0012]根据同一风电机组的复合气候特征与实际输出功率计算每一风电机组的第一相关性分数，以得到所述多个风电机组的第一相关性分数；
[0013]剔除小于或等于预设的相关性阈值的第一相关性分数，若保留的第一相关性分数的数量小于预设的复核特征数量，则返回执行所述将所述多个风电机组的气候特征进行升维处理的步骤及后续步骤，直至满足保留的第一相关性分数的数量大于或等于预设的复核特征数量。
[0014]在其中一个实施例中，所述对所述多个风电机组的位置信息和气候特征进行聚类分析，形成多个簇，包括：
[0015]将所述多个风电机组的位置信息和气候特征作为待处理对象，且均标记为未处理状态；
[0016]计算目标对象与其余所有待处理对象的欧式距离，并确定欧式距离小于预设半径的第一数量；其中，所述目标对象为多个待处理对象中的任意一个；
[0017]若所述第一数量小于最小预设数量，则确定所述目标对象为噪声点或边界点，并标记为已处理状态；
[0018]若所述第一数量大于或等于最小预设数量，则以所述目标对象为核心点，建立所述预设半径的目标簇，将所述目标对象和所述目标簇内的空白对象归入到所述目标簇中，并将所述目标簇的所有待处理对象标记为已处理状态；其中，所述空白对象为未被确定为噪声点或边界点，且未被归入到任意一个簇中的对象；
[0019]返回执行所述计算目标对象与其余所有待处理对象的欧式距离的步骤，直至所有待处理对象都标记为已处理状态。
[0020]在其中一个实施例中，所述分散式风电功率预测模型包括长短期记忆层，所述将所述多个复合气候特征和所述多个气候位置编码输入所述分散式风电功率预测模型，包括：
[0021]分别将所述多个复合气候特征基于预设的第一时序输入所述长短期记忆层，及将所述多个气候位置编码基于预设的第二时序输入所述长短期记忆层。
[0022]在其中一个实施例中，所述长短期记忆层包括多个循环结构，每个循环结构包括遗忘门、输入门、输出门、和单元状态；
[0023]所述单元状态连接上一时刻的单元状态与下一时刻的单元状态，用于传递长期记忆；
[0024]所述遗忘门用于控制上一时刻的单元状态保留到当前时刻的单元状态的数据量；
[0025]所述输入门用于控制当前输入循环结构的数据中被保存至当前时刻的单元状态的数据量；其中，当前输入循环结构的数据为一个复合气候特征或一个气候位置编码；
[0026]所述输出门用于控制当前时刻的单元状态被输出的数据量，以传递当前时刻的短期记忆；其中，所述短期记忆指示每个风电机组的多个预测功率及每一预测功率对应概率的向量。
[0027]在其中一个实施例中，所述分散式风电功率预测模型还包括连接在所述长短期记忆层后的注意力层，所述方法还包括：
[0028]将短期记忆输入所述注意力层；其中，输入的短期记忆以多个键值对的形式表示，每一个键值对包含一个元素的地址和值；
[0029]根据获取的查询值和目标元素的地址计算目标元素的第二相关性分数；其中，目标元素为多个元素中的任意一个；
[0030]将所有元素的第二相关性分数进行归一化处理，并将归一化后的第二相关性分数与对应元素的值进行加权求和，以得到注意力值。
[0031]在其中一个实施例中，所述方法分散式风电功率预测模型还包括连接在所述注意力层后的全连接层，所述方法还包括：
[0032]通过所述全连接层将所述注意力值转换为每个风电机组的多个预测功率及每一预测功率对应的概率；
[0033]在每个风电机组的多个预测功率中，将概率最大的预测功率作为所述分散式风电功率预测模型的输出。
[0034]一种分散式风电功率预测方法，所述方法包括：
[0035]获取分散的多个风电机组的位置信息和实时气候特征；
[0036]将所述多个风电机组的实时气候特征进行升维处理，获取生成的多个实时复合气候特征；
[0037]对所述多个风电机组的位置信息和实时气候特征进行聚类分析，形成多个簇，组合每一簇内的位置信息和实时气候特征，以得到多个实时气候位置编码；
[0038]将所述多个实时复合气候特征和所述多个实时气候位置编码输入分散式风电功率预测模型，获取输出的每个风电机组的预测功率。
[0039]一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行分散式风电功率预测方法的步骤。
[0040]一种终端设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行分散式风电功率预测方法的步骤。
[0041]本专利技术提供了分散式风电功率预测方法、模型训练方法、设备及介质，首先获取分散的多个风电机组的历史样本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种分散式风电功率预测模型的训练方法，其特征在于，所述方法包括：获取分散的多个风电机组的历史样本数据；其中，一个风电机组的历史样本数据包括位置信息、气候特征及实际输出功率；将所述多个风电机组的气候特征进行升维处理，获取生成的多个复合气候特征；对所述多个风电机组的位置信息和气候特征进行聚类分析，形成多个簇，组合每一簇内的位置信息和气候特征，以得到多个气候位置编码；将所述多个复合气候特征和所述多个气候位置编码输入所述分散式风电功率预测模型，获取输出的每个风电机组的预测功率；根据目标风电机组的实际输出功率与预测功率计算所述目标风电机组的损失值，基于所有风电机组的损失值对所述分散式风电功率预测模型进行迭代调参，直至迭代调参达到预设次数；其中，所述目标风电机组为所述多个风电机组中的任意一个。2.根据权利要求1所述的方法，其特征在于，所述获取生成的多个复合气候特征之后，还包括：根据同一风电机组的复合气候特征与实际输出功率计算每一风电机组的第一相关性分数，以得到所述多个风电机组的第一相关性分数；剔除小于或等于预设的相关性阈值的第一相关性分数，若保留的第一相关性分数的数量小于预设的复核特征数量，则返回执行所述将所述多个风电机组的气候特征进行升维处理的步骤及后续步骤，直至满足保留的第一相关性分数的数量大于或等于预设的复核特征数量。3.根据权利要求1所述的方法，其特征在于，所述对所述多个风电机组的位置信息和气候特征进行聚类分析，形成多个簇，包括：将所述多个风电机组的位置信息和气候特征作为待处理对象，且均标记为未处理状态；计算目标对象与其余所有待处理对象的欧式距离，并确定欧式距离小于预设半径的第一数量；其中，所述目标对象为多个待处理对象中的任意一个；若所述第一数量小于最小预设数量，则确定所述目标对象为噪声点或边界点，并标记为已处理状态；若所述第一数量大于或等于最小预设数量，则以所述目标对象为核心点，建立所述预设半径的目标簇，将所述目标对象和所述目标簇内的空白对象归入到所述目标簇中，并将所述目标簇的所有待处理对象标记为已处理状态；其中，所述空白对象为未被确定为噪声点或边界点，且未被归入到任意一个簇中的对象；返回执行所述计算目标对象与其余所有待处理对象的欧式距离的步骤，直至所有待处理对象都标记为已处理状态。4.根据权利要求1所述的方法，其特征在于，所述分散式风电功率预测模型包括长短期记忆层，所述将所述多个复合气候特征和所述多个气候位置编码输入所述分散式风电功率预测模型，包括：分别将所述多个复合气候特征基于预设的第一时序输入所述长短期记忆层，及将所述多个气候位置编码基于预设的第二时序输...

【专利技术属性】
技术研发人员：袁智勇，苏适，潘姝慧，杨家全，雷金勇，严玉廷，李巍，张弓帅，白浩，梁俊宇，郭琦，杨洋，史训涛，冯勇，
申请(专利权)人：云南电网有限责任公司电力科学研究院，
类型：发明
国别省市：