风电功率预测模型建模方法、装置和设备制造方法及图纸

本申请涉及一种风电功率预测模型建模方法、装置和设备，方法包括：获取样本数据，对样本数据进行预处理，将预处理后的样本数据划分为训练集和测试集。根据训练集进行动态时间建模，得到多种不同的LSTM

【技术实现步骤摘要】
风电功率预测模型建模方法、装置和设备


[0001]本申请涉及风电功率预测
，尤其涉及一种风电功率预测模型建模方法、装置和设备。

技术介绍

[0002]风电是一种清洁能源，其取之不尽用之不竭。随着世界能源环境的改革以及环境保护的迫切需要，风电在可再生能源中的地位愈发凸显。风力发电的高速发展，大大缓解我国能源不足的现状。但是，风力发电中存在随机性和不稳定性，随着一体化风电的高速发展，其存在的问题对电网的影响也愈发突出，严重威胁电力系统安全、稳定、经济、可靠的运行。因此，准确的风电功率预测，可以显著提高电力系统安全性、稳定性、经济性、可靠性，并提高风电的消纳能力。
[0003]目前，风电功率预测的研究方法主要有统计方法、物理方法和人工智能方法。人工智能方法是指结合了神经网络、支持向量机等各种智能算法的现代风电预测方法。相比于传统的统计方法和物理方法而言，通过人工智能算法可以优化模型参数，进而构建预测更精确的预测模型，在短期风电预测中有着广泛应用。但是由于区域气象数据量庞大，现有技术中使用的传统单一模型结构难以反映气象特征，在进行建模时也可能造成模型过拟合，进而导致预测结果不准确、误差大等问题。

技术实现思路

[0004]为至少在一定程度上克服相关技术中的风电功率预测模型预测结果不准确、误差大的问题，本申请提供一种风电功率预测模型建模方法、装置和设备。
[0005]本申请的方案如下：
[0006]根据本申请实施例的第一方面，提供一种风电功率预测模型建模方法，包括：
[0007]获取样本数据；所述样本数据至少包括：待预测风电厂的风电功率时间序列和所在区域数值天气数据；
[0008]对所述样本数据进行预处理；
[0009]将预处理后的样本数据划分为训练集和测试集；
[0010]根据所述训练集进行动态时间建模，得到多种不同的长短期记忆(Long Short
‑
Term Memory，LSTM)
‑
卷积神经网络(Convolutional Neural Network，CNN)网络结构；
[0011]将所述训练集输入各所述LSTM
‑
CNN网络结构进行训练，得到多个备选风电功率预测模型；
[0012]根据所述测试集对各所述备选风电功率预测模型进行测试，在多个所述备选风电功率预测模型中确定优选风电功率预测模型，所述优选风电功率预测模型用于根据输入的天气数据输出风电功率预测数据。
[0013]优选的，在本申请一种可实现的方式中，所述对所述样本数据进行预处理，包括：
[0014]对所述样本数据进行异常值检测，剔除所述样本数据中的异常数据，得到含有缺
失值的样本数据；
[0015]对所述含有缺失值的样本数据进行缺失值填补；
[0016]将缺失值填补后的样本数据进行归一化处理。
[0017]优选的，在本申请一种可实现的方式中，所述对所述样本数据进行异常值检测，剔除所述样本数据中的异常数据，包括：
[0018]基于局部异常因子算法对所述样本数据进行异常值检测，剔除所述样本数据中的异常数据；
[0019]所述局部异常因子算法包括：
[0020]在所述样本数据中选取待检测特征，在所述待检测特征下选取当前检测点；
[0021]计算所述当前检测点的邻域点所处位置的平均密度与所述当前检测点所处位置密度的比值；
[0022]在所述比值高于预设阈值时，判断所述当前检测点为异常点；
[0023]遍历所述样本数据中全部特征下的全部检测点，将所述所述样本数据中的全部异常点作为所述异常数据进行剔除。
[0024]优选的，在本申请一种可实现的方式中，所述对所述含有缺失值的样本数据进行缺失值填补，包括：
[0025]基于生成对抗网络的缺失值填补方法对所述含有缺失值的样本数据进行缺失值填补；
[0026]所述生成对抗网络的缺失值填补方法包括：
[0027]初始化所述生成对抗网络中生成器和判别器的参数；
[0028]在所述样本数据中进行采样得到真实样本；
[0029]在先验分布噪声中进行采样得到与所述真实样本数量对应的噪声样本；
[0030]基于所述生成器生成与所述真实样本数量对应的生成样本；
[0031]根据所述真实样本、所述噪声样本和所述生成样本，基于迭代更新算法训练所述判别器和所述生成器；所述迭代更新算法的训练方向为：使所述辨别器对所述真实样本和所述生成样本的辨别概率相同；
[0032]通过训练完成后的生成器对所述含有缺失值的样本数据进行缺失值填补。
[0033]优选的，在本申请一种可实现的方式中，所述基于迭代更新算法训练所述判别器和所述生成器，包括：每当所述判别器循环更新预设次数时，基于预设的学习率对所述生成器的参数进行更新。
[0034]优选的，在本申请一种可实现的方式中，所述将缺失值填补后的样本数据进行归一化处理，包括：
[0035]基于一阶差分法，将缺失值填补后的样本数据进行信号平稳化处理；
[0036]将平稳化处理后的样本数据中的各个变量的数值归至[
‑
1，1]；所述变量至少包括以下几项中的一项：风速、风向、气温、气压和风电功率；
[0037]归一化处理的计算公式为：
[0038][0039]其中，x
′
为归一化后的变量，x
min
和x
max
分别为所述变量的极小值和极大值。
[0040]优选的，在本申请一种可实现的方式中，所述LSTM
‑
CNN网络结构至少包括：LSTM层、卷积层、池化层、全连接层和丢弃层；
[0041]其中，所述卷积层用于对上一层的输出进行卷积操作，得到用于训练的特征；所述池化层用于对上一层的输出进行采样操作；所述全连接层用于完成从特征到功率的映射。
[0042]优选的，在本申请一种可实现的方式中，各所述LSTM
‑
CNN网络结构的区别至少包括以下几种中的至少一种：层不同、层数不同和层排列顺序不同。
[0043]优选的，在本申请一种可实现的方式中，所述在多个所述备选风电功率预测模型中确定优选风电功率预测模型，包括：
[0044]计算各所述备选风电功率预测模型的均方根误差；
[0045]将均方根误差最小的备选风电功率预测模型确定为优选风电功率预测模型；
[0046]所述备选风电功率预测模型的均方根误差的计算公式为：
[0047][0048]其中，n为进行测试的数据个数；Y
i
和分别为进行测试的数据的实际值和预测值；i为进行测试的点的序列编号。
[0049]根据本申请实施例的第二方面，提供一种风电功率预测模型建模装置，包括：
[0050]处理器和存储器；
[0051]所述处理器与存储器通过通信总线相连接：<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模型建模方法，其特征在于，包括：获取样本数据；所述样本数据至少包括：待预测风电厂的风电功率时间序列和所在区域数值天气数据；对所述样本数据进行预处理；将预处理后的样本数据划分为训练集和测试集；根据所述训练集进行动态时间建模，得到多种不同的LSTM
‑
CNN网络结构；将所述训练集输入各所述LSTM
‑
CNN网络结构进行训练，得到多个备选风电功率预测模型；根据所述测试集对各所述备选风电功率预测模型进行测试，在多个所述备选风电功率预测模型中确定优选风电功率预测模型，所述优选风电功率预测模型用于根据输入的天气数据输出风电功率预测数据。2.根据权利要求1所述的方法，其特征在于，所述对所述样本数据进行预处理，包括：对所述样本数据进行异常值检测，剔除所述样本数据中的异常数据，得到含有缺失值的样本数据；对所述含有缺失值的样本数据进行缺失值填补；将缺失值填补后的样本数据进行归一化处理。3.根据权利要求2所述的方法，其特征在于，所述对所述样本数据进行异常值检测，剔除所述样本数据中的异常数据，包括：基于局部异常因子算法对所述样本数据进行异常值检测，剔除所述样本数据中的异常数据；所述局部异常因子算法包括：在所述样本数据中选取待检测特征，在所述待检测特征下选取当前检测点；计算所述当前检测点的邻域点所处位置的平均密度与所述当前检测点所处位置密度的比值；在所述比值高于预设阈值时，判断所述当前检测点为异常点；遍历所述样本数据中全部特征下的全部检测点，将所述所述样本数据中的全部异常点作为所述异常数据进行剔除。4.根据权利要求2所述的方法，其特征在于，所述对所述含有缺失值的样本数据进行缺失值填补，包括：基于生成对抗网络的缺失值填补方法对所述含有缺失值的样本数据进行缺失值填补；所述生成对抗网络的缺失值填补方法包括：初始化所述生成对抗网络中生成器和判别器的参数；在所述样本数据中进行采样得到真实样本；在先验分布噪声中进行采样得到与所述真实样本数量对应的噪声样本；基于所述生成器生成与所述真实样本数量对应的生成样本；根据所述真实样本、所述噪声样本和所述生成样本，基于迭代更新算法训练所述判别器和所述生成器；所述迭代更新算法的训练方向为：使所述辨别器对所述真实样本和所述生成样本的辨别概率相同；通过训练完成后的生成器对所述含有缺失值的样本数据进行缺失值填补。
5.根据权利要求4所述的方法，其特征在于，所述基于迭代更新算法训练所述判别器和所述生成器，包括：每当所述判别器循环更新预设次数时，基于预设的学习率对所述生成器的参数进行更新。6.根据权利要求2所述的方法，其特征在于，所述将缺失值填补后的样本数据进行归一化处理，包括...

【专利技术属性】
技术研发人员：严玉廷，李巍，苏适，潘姝慧，陈君，白浩，杨洋，雷金勇，冯勇，袁智勇，袁兴宇，郭琦，杨家全，喻磊，
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：