一种风电出力预测方法、系统、存储介质及设备技术方案

本发明专利技术提供一种风电出力预测方法、系统、存储介质及设备，方法包括：获取若干风机的历史参数，风机的历史参数包括风机出力数据及风机出力相关数据，将风机出力数据和风机出力相关数据进行相关性分析，以确定风机出力相关数据当中与风机出力数据的相关性大于阈值的目标数据，将目标数据及其对应的风机出力数据输入到多个预设模型中进行模型训练，以训练得到多个风电出力预测模型，分别采用预设评估算法计算出每个风电出力预测模型的评估值，并选取评估值最优的风电出力预测模型为最优风电出力预测模型。本方法采用风速和浆角攻角等多重影响因子来对模型进行训练，取最优模型的训练方法，能够有效对风机出力做出精准的预测。能够有效对风机出力做出精准的预测。能够有效对风机出力做出精准的预测。

【技术实现步骤摘要】
一种风电出力预测方法、系统、存储介质及设备


[0001]本专利技术涉及风电出力预测
，特别涉及一种风电出力预测方法、系统、存储介质及设备。

技术介绍

[0002]风力发电预测(WPF)旨在准确估计不同时间尺度上风电场的风力供应。风力发电是一种清洁安全的可再生能源，但不能持续生产，导致变化性高，这种可变性会给将风力发电纳入电网系统带来巨大挑战，同时气象数值预报技术发展水平局限，仍存在众多复杂区域的风电场功率预报准确率无法满足电网考核要求，造成巨额的扣电和限电损失，因此风电出力预测系统对于新能源企业合理运营风电场具有重要意义。为了保持发电和消耗之间的平衡，风力发电的波动需要从其他来源替代电力，这些电力可能无法在短时间内获得(例如，通常需要至少6个小时才能启动燃煤电厂)。因此，WPF已被广泛认为是风电并网和运营中关键的问题之一。
[0003]现有技术当中，目前一般会采用如lasso、决策树(DecisionTree)、XGBoost(ExtremeGradientBoosting)和长短记忆网络等机器学习方法来训练风机出力预测模型，但目前所需要的训练方法仅将风速作为影响因子，然而对于风机出力来说，风速是最重要的变量，但不是唯一的决定因素，导致目前训练的风机出力预测模型存在预测精度不足的问题。

技术实现思路

[0004]基于此，本专利技术的目的是提供一种风电出力预测方法、系统、存储介质及设备，以解决
技术介绍
中目前训练的风机出力预测模型存在预测精度不足的问题。
[0005]根据本专利技术实施例的一种风电出力预测方法，方法包括：
[0006]获取若干风机的历史参数，风机的历史参数包括风机出力数据及风机出力相关数据，所述风机出力相关数据至少包括风速和浆角攻角；
[0007]将风机出力数据和风机出力相关数据进行相关性分析，以确定风机出力相关数据当中与风机出力数据的相关性大于阈值的目标数据；
[0008]将目标数据及其对应的风机出力数据输入到多个预设模型中进行模型训练，以训练得到多个风电出力预测模型；
[0009]分别采用预设评估算法计算出每个风电出力预测模型的评估值，并选取评估值最优的风电出力预测模型为最优风电出力预测模型。
[0010]另外，根据本专利技术上述实施例的一种风电出力预测方法，还可以具有如下附加的技术特征：
[0011]进一步地，所述风机出力相关数据还包括第一相关特征、第二相关特征以及第三相关特征；
[0012]其中，第一相关特征T1、第二相关特征T2以及第三相关特征T3满足以下条件式：
[0013]T1＝wps3；
[0014]T2＝wps3＊cosx；
[0015]T3＝wps3＊(cosx－2sinx)；
[0016]式中，wps代表风速，x代表浆角攻角。
[0017]进一步地，将风机出力数据与和风机出力相关数据进行相关性分析，以确定风机出力相关数据当中与风机出力数据的相关性大于阈值的目标数据的步骤包括：
[0018]将风机出力数据与风机出力相关数据中的每个相关数据分别进行相关性分析，以确定风机出力数据与风机出力相关数据中的每个相关数据的相关度；
[0019]将相关度大于阈值的相关数据确定为目标数据。
[0020]进一步地，将风机出力数据与风机出力相关数据中的相关数据进行相关性分析的步骤包括：
[0021]将风机出力数据与风机出力相关数据中的相关数据分别进行曲线拟合，以确定将风机出力数据与风机出力相关数据中的相关数据的相关度。
[0022]进一步地，将风机出力数据与风机出力相关数据中的相关数据分别进行曲线拟合的步骤包括：
[0023]风机出力相关数据中的相关数据进行区间划分，并找到风机出力相关数据中的相关数据的每个区间的区间中位数；
[0024]计算出每个区间对应的风机出力数据的风机出力中位数；
[0025]将每个区间的区间中位数和风机出力中位数进行曲线拟合，以确定将风机出力数据与风机出力相关数据中的相关数据的相关度。
[0026]进一步地，分别采用预设评估算法计算出每个风电出力预测模型的评估值的步骤包括：
[0027]将历史参数中至少部分历史参数输入每个风电出力预测模型中进行计算得出预测数据，根据预测数据与历史参数中的实际数据进行对比，确定预测数据与实际数据之间的评估值，并选取评估值最优的风电出力预测模型为最优风电出力预测模型。
[0028]进一步地，将风机出力数据和风机出力相关数据进行相关性分析，以确定风机出力相关数据当中与风机出力数据的相关性大于阈值的目标数据的步骤之前还包括：
[0029]将风机出力相关数据中每个相关数据与对应的预定阈值进行对比，以判断每个相关数据是否出现异常；
[0030]若是，将异常的相关数据采用与其相对的标准数据进行填充，标准数据包括与当前异常数据相对应的均值/与当前异常数据相对应的前一条数据/与当前异常数据相对应的后一条数据。
[0031]根据本专利技术实施例的一种风电出力预测系统，系统包括：
[0032]数据获取模块，用于获取若干风机的历史参数，风机的历史参数包括风机出力数据及风机出力相关数据；
[0033]数据分析模块，用于将风机出力数据和风机出力相关数据进行相关性分析，以确定风机出力相关数据当中与风机出力数据的相关性大于阈值的目标数据；
[0034]模型训练模块，用于将目标数据及其对应的风机出力数据输入到多个预设模型中进行模型训练，以训练得到多个风电出力预测模型；
[0035]模型评估模块，用于分别采用预设评估算法计算出每个风电出力预测模型的评估值，并选取评估值最优的风电出力预测模型为最优风电出力预测模型。
[0036]本专利技术还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的风电出力预测方法。
[0037]本专利技术还提出一种风电出力预测设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如上述的风电出力预测方法。
[0038]与现有技术相比：通过提出一种风电出力预测方法，能够有效对风机出力做出精准的预测，从而满足预测精度的要求，保障对电网调度的安全性和经济性，具体来说，获取若干风机的历史参数，风机的历史参数包括风机出力数据及风机出力相关数据，将风机出力数据和风机出力相关数据进行相关性分析，以确定风机出力相关数据当中与风机出力数据的相关性大于阈值的目标数据，将目标数据及其对应的风机出力数据输入到多个预设模型中进行模型训练，以训练得到多个风电出力预测模型分别采用预设评估算法计算出每个风电出力预测模型的评估值，并选取评估值最优的风电出力预测模型为最优风电出力预测模型，以通过最优风电出力预测模型对风电出力进行预测，本方法采用风速和浆角攻角等多重影响因子来对模型进行训练，并采用先进行相关分析，找到最相关参数，再对多个模型进行训练，取最优模型的训练方法，大大提升了模型预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风电出力预测方法，其特征在于，方法包括：获取若干风机的历史参数，风机的历史参数包括风机出力数据及风机出力相关数据，所述风机出力相关数据至少包括风速和浆角攻角；将风机出力数据和风机出力相关数据进行相关性分析，以确定风机出力相关数据当中与风机出力数据的相关性大于阈值的目标数据；将目标数据及其对应的风机出力数据输入到多个预设模型中进行模型训练，以训练得到多个风电出力预测模型；分别采用预设评估算法计算出每个风电出力预测模型的评估值，并选取评估值最优的风电出力预测模型为最优风电出力预测模型。2.根据权利要求1的风电出力预测方法，其特征在于，所述风机出力相关数据还包括第一相关特征、第二相关特征以及第三相关特征；其中，第一相关特征T1、第二相关特征T2以及第三相关特征T3满足以下条件式：T1＝wps3；T2＝wps3＊cosx；T3＝wps3＊(cosx－2sinx)；式中，wps代表风速，x代表浆角攻角。3.根据权利要求2的风电出力预测方法，其特征在于，将风机出力数据与和风机出力相关数据进行相关性分析，以确定风机出力相关数据当中与风机出力数据的相关性大于阈值的目标数据的步骤包括：将风机出力数据与风机出力相关数据中的每个相关数据分别进行相关性分析，以确定风机出力数据与风机出力相关数据中的每个相关数据的相关度；将相关度大于阈值的相关数据确定为目标数据。4.根据权利要求3的风电出力预测方法，其特征在于，将风机出力数据与风机出力相关数据中的相关数据进行相关性分析的步骤包括：将风机出力数据与风机出力相关数据中的相关数据分别进行曲线拟合，以确定将风机出力数据与风机出力相关数据中的相关数据的相关度。5.根据权利要求4的风电出力预测方法，其特征在于，将风机出力数据与风机出力相关数据中的相关数据分别进行曲线拟合的步骤包括：风机出力相关数据中的相关数据进行区间划分，并找到风机出力相关数据中的相关数据的每个区间的区间中位数；计算出每个区间对应的风机出力数据的风机出力中位数；将每个区间的区间中位数...

【专利技术属性】
技术研发人员：张言苍，晏斐，熊福喜，董清龙，杨贇，
申请(专利权)人：泰豪软件股份有限公司，
类型：发明
国别省市：