风电功率的预测方法、处理器、系统及存储介质技术方案

本申请涉及风力发电技术领域，涉及一种风电功率的预测方法、处理器、系统及存储介质。方法包括：获取风电场在历史年份的历史气象数据和与历史风电功率数据；确定历史风速数据中的最大值所对应的第一时间和最小值所对应的第二时间；将第一时间前的极小值风速数据所对应的时间作为第一节点，将第二时间后的极大值风速数据所对应的时间作为第二节点；将历史年份的春夏交替的时间点以及夏秋交替时间点分别作为第三节点和第四节点；根据上述节点所对应的时间将历史年份划分为四个季度；训练得到每个季度的LSTM神经网络模型，将风电场在目标时刻的气象数据导入至与目标时刻对应季度的LSTM神经网络模型，以得到风电场在目标时刻的预测风电功率。预测风电功率。预测风电功率。

【技术实现步骤摘要】
风电功率的预测方法、处理器、系统及存储介质


[0001]本申请涉及风力发电
，具体涉及一种风电功率的预测方法、处理器、系统及存储介质。

技术介绍

[0002]随着风力发电技术的成熟，风力发电机的发电量占比也逐步提高。风力发电过程中，风电功率随风速、温度、风向等气象因素的影响较大，具有较大的波动性与不确定性。因此，在风力发电过程中，需要对风电功率进行精准预测，便于电力系统发电计划的制定。
[0003]现有技术中，常通过历史的气象数据和风电功率数据训练LSTM神经网络模型，将目标时刻的气象数据导入LSTM神经网络模型，以输出目标时刻的预测风电功率。但是，通过这种方法输出的预测风电功率准确度仍然较低，无法满足当前的风电功率预测需求。

技术实现思路

[0004]本申请实施例的目的是提供一种风电功率的预测方法、处理器、系统及存储介质。
[0005]为了实现上述目的，本申请第一方面提供一种风电功率的预测方法，预测方法包括：
[0006]获取风电场在历史年份的历史气象数据和与历史气象数据对应的历史风电功率数据，其中，历史气象数据包括历史风速数据；
[0007]确定历史风速数据中的风速最大值所对应的第一时间和风速最小值所对应的第二时间；
[0008]将第一时间前的极小值风速数据所对应的时间作为第一节点，以及将第二时间后的极大值风速数据所对应的时间作为第二节点；
[0009]将历史年份的春夏季节交替的时间点作为第三节点，以及将历史年份的夏秋季节交替的时间点作为第四节点；
[0010]根据第一节点、第二节点、第三节点以及第四节点所对应的时间将历史年份划分为四个季度；
[0011]将历史气象数据和历史风电功率数据按照四个季度分为四个数据集；
[0012]将每个数据集导入LSTM神经网络模型进行训练，以得到与每个季度对应的LSTM神经网络模型；
[0013]将风电场在目标时刻的气象数据导入至与目标时刻对应季度的LSTM神经网络模型，以得到风电场在目标时刻的预测风电功率。
[0014]在本申请实施例中，将每个数据集导入LSTM神经网络模型进行训练，以得到与每个季度对应的LSTM神经网络模型包括：将每个数据集中的历史气象数据导入LSTM神经网络模型，得到LSTM神经网络模型输出的预测风电功率；比对预测风电功率与历史风电功率数据；根据比对结果调整LSTM神经网络模型，以对LSTM神经网络模型进行训练。
[0015]在本申请实施例中，根据比对结果对LSTM神经网络模型进行调整，以对LSTM神经
网络模型进行训练包括：获取预测风电功率与历史风电功率的差值的绝对值；在绝对值高于或等于预设差值的情况下，调整LSTM神经网络模型的参数；在绝对值低于预设差值的情况下，确定LSTM神经网络模型输出的预测风电功率准确；在LSTM神经网络模型输出准确率达到预设阈值的情况下，确定LSTM神经网络模型训练完成。
[0016]在本申请实施例中，预测方法还包括：在获取到历史风速数据之后，通过卡尔曼滤波算法模型输出滤波后的历史风速随时间变化的风速曲线；根据风速曲线确定风速最大值和风速最小值。
[0017]在本申请实施例中，预测方法还包括：在同一历史时刻包括多个高度的风速数据的情况下，将多个高度的风速数据的平均值作为历史时刻的风速数据。
[0018]在本申请实施例中，预测方法还包括：在获取到历史风速数据和历史风电功率数据之后，确定历史风速数据与历史风电功率之间的线性回归曲线；确定每一个历史风电数据与线性回归曲线之间的偏移量，其中历史风电数据为历史风速数据和历史风速数据对应的历史风电功率数据；在偏移量大于预设偏移量的情况下，确定历史风电数据为异常数据；将异常数据排除，以得到异常排除后的历史风速数据和历史风电功率数据。
[0019]本申请第二方面提供一种处理器，被配置成执行上述的预测方法。
[0020]本申请第三方面提供一种风电功率的预测系统，包括：
[0021]历史数据获取模块，用于获取风电场在历史年份的历史气象数据和与历史气象数据对应的历史风电功率数据，其中，历史气象数据包括历史风速数据；
[0022]季度划分模块，用于确定历史风速数据中的风速最大值所对应的第一时间和风速最小值所对应的第二时间；将第一时间前的极小值风速数据所对应的时间作为第一节点，以及将第二时间后的极大值风速数据所对应的时间作为第二节点；将历史年份的春夏季节交替的时间点作为第三节点，以及将历史年份的夏秋季节交替的时间点作为第四节点；根据第一节点、第二节点、第三节点以及第四节点所对应的时间将历史年份划分为四个季度；
[0023]神经网络训练模块，用于将历史气象数据和历史风电功率数据按照四个季度分为四个数据集；将每个数据集导入LSTM神经网络模型进行训练，以得到与每个季度对应的LSTM神经网络模型；
[0024]神经网络预测模块，用于将风电场在目标时刻的气象数据导入至与目标时刻对应季度的LSTM神经网络模型，以得到风电场在目标时刻的预测风电功率。
[0025]在本申请实施例中，预测系统还包括：滤波模块，用于在获取到历史风速数据之后，通过卡尔曼滤波算法模型输出滤波后的历史风速随时间变化的风速曲线。
[0026]本申请第四方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得处理器被配置成执行上述的预测方法。
[0027]本申请基于风速会随季节变动较大，但在同一季节中风速变化较小的规律去改进现有的预测方法，可以获取到更准确的预测风电功率值。但是，不同地区的四季变化时间不同，依照传统的四季划分会造成预测风电功率的效果不佳。因此，本申请根据风电场历史年份风速的最值附近的极值确定两个季节交替点，结合两个传统季节交替时间点，将年份划分为四个季度，每个季度训练一个LSTM神经网络模型。在针对目标时刻进行风电功率预测时，将目标时刻的气象数据导入至与目标时刻对应季度的LSTM神经网络模型中，可以输出更为准确的风电功率。
[0028]本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
[0029]附图是用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本申请实施例，但并不构成对本申请实施例的限制。在附图中：
[0030]图1示意性示出了根据本申请实施例的风电功率的预测方法的流程示意图；
[0031]图2示意性示出了根据本申请实施例的历史风速随时间变化的风速曲线；
[0032]图3示意性示出了根据本申请实施例的风电功率的预测系统的结构框图；
[0033]图4示意性示出了根据本申请实施例的计算机设备的内部结构图。
具体实施方式
[0034]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解的是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风电功率的预测方法，其特征在于，所述预测方法包括：获取风电场在历史年份的历史气象数据和与所述历史气象数据对应的历史风电功率数据，其中，所述历史气象数据包括历史风速数据；确定所述历史风速数据中的风速最大值所对应的第一时间和风速最小值所对应的第二时间；将所述第一时间前的极小值风速数据所对应的时间作为第一节点，以及将所述第二时间后的极大值风速数据所对应的时间作为第二节点；将所述历史年份的春夏季节交替的时间点作为第三节点，以及将所述历史年份的夏秋季节交替的时间点作为第四节点；根据所述第一节点、所述第二节点、所述第三节点以及所述第四节点所对应的时间将所述历史年份划分为四个季度；将所述历史气象数据和所述历史风电功率数据按照所述四个季度分为四个数据集；将每个数据集导入LSTM神经网络模型进行训练，以得到与每个季度对应的所述LSTM神经网络模型；将所述风电场在目标时刻的气象数据导入至与所述目标时刻对应季度的所述LSTM神经网络模型，以得到所述风电场在所述目标时刻的预测风电功率。2.根据权利要求1所述的预测方法，其特征在于，所述将每个数据集导入LSTM神经网络模型进行训练，以得到与每个季度对应的所述LSTM神经网络模型包括：将每个数据集中的所述历史气象数据导入所述LSTM神经网络模型，得到所述LSTM神经网络模型输出的预测风电功率；比对所述预测风电功率与所述历史风电功率数据；根据比对结果调整所述LSTM神经网络模型，以对所述LSTM神经网络模型进行训练。3.根据权利要求2所述的预测方法，其特征在于，所述根据比对结果对所述LSTM神经网络模型进行调整，以对所述LSTM神经网络模型进行训练包括：获取所述预测风电功率与所述历史风电功率的差值的绝对值；在所述绝对值高于或等于预设差值的情况下，调整所述LSTM神经网络模型的参数；在所述绝对值低于所述预设差值的情况下，确定所述LSTM神经网络模型输出的所述预测风电功率准确；在所述LSTM神经网络模型输出准确率达到预设阈值的情况下，确定所述LSTM神经网络模型训练完成。4.根据权利要求1所述的预测方法，其特征在于，还包括：在获取到所述历史风速数据之后，通过卡尔曼滤波算法模型输出滤波后的历史风速随时间变化的风速曲线；根据所述风速曲线确定所述风速最大值和所述风速最小值。5.根据权利要求1所述的预测方...

【专利技术属性】
技术研发人员：郝露茜，王玎，王小源，刘琳，黄肇，孙杰懿，刘白杨，唐杰，
申请(专利权)人：国网湖南省电力有限公司国家电网有限公司，
类型：发明
国别省市：