风电机组的功率预测方法、功率预测装置和电子装置制造方法及图纸

本申请提供了一种风电机组的功率预测方法、功率预测装置和电子装置。该方法包括：获取预测时刻前多个风电机组的功率数据，并对多个风电机组的功率数据进行二阶差分处理，得到多个样本数据，多个样本数据的部分为测试数据，另一部分为训练数据；将测试数据依次输入至长短期记忆人工神经网络模型，得到多个风电机组的预测功率数据，将各风电机组的预测功率数据和对应的测试数据输入至判别器模型，判断风电机组的模拟预测功率数据是否正确；在判别器模型的损失函数收敛的情况下，确定预测功率数据为目标预测功率数据。该方法解决了风电机组功率预测精度低的技术问题。率预测精度低的技术问题。率预测精度低的技术问题。

【技术实现步骤摘要】
风电机组的功率预测方法、功率预测装置和电子装置


[0001]本申请涉及风电功率预测领域，具体而言，涉及一种风电机组的功率预测方法、风电机组的功率预测装置、计算机可读存储介质和电子装置。

技术介绍

[0002]风能作为一种储量大、成本低的清洁能源受到了世界各国的青睐。为了减少风机规模化并网带来的电力系统的安全问题，增加风电的消纳，需要对风电功率进行准确预测，但风电序列的波动性和随机性在一定程度上加大了预测的难度。
[0003]然而，目前风电预测的研究方法在超短期预测领域的精度不佳。因此，亟需一种方法可以提升超短期风电功率预测的精度。

技术实现思路

[0004]本申请的主要目的在于提供一种风电机组的功率预测方法、风电机组的功率预测装置、计算机可读存储介质和电子装置，以至少解决现有技术中风电功率预测的精度低的问题。
[0005]根据本申请的一方面，提供了一种风电机组的功率预测方法，包括：获取预测时刻前多个所述风电机组的功率数据，并对多个所述风电机组的功率数据进行二阶差分处理，得到多个样本数据，多个所述样本数据的部分为测试数据，另一部分为训练数据；将所述测试数据依次输入至长短期记忆人工神经网络模型，得到多个所述风电机组的预测功率数据，其中，所述长短期记忆人工神经网络模型为使用多组第一历史数据通过机器学习训练出的，多组所述第一历史数据中的每组数据均包括：第一时间段的所述训练数据和第二时间段的所述训练数据，所述第二时间段的起始时刻在所述第一时间段的结束时刻之后，所述预测功率数据为所述测试数据之后的功率数据；将各所述风电机组的预测功率数据和对应的所述测试数据输入至判别器模型，判断所述风电机组的模拟预测功率数据是否正确，其中，所述判别器模型为使用多组第二历史数据通过机器学习训练出的，多组所述第二历史数据中的每组数据均包括：第一拼接数据和第二拼接数据，其中，所述第一拼接数据为所述风电机组的模拟预测功率数据与第一时间段的所述训练数据拼接得到的，所述第二拼接数据为第二时间段的所述训练数据与第一时间段的所述训练数据拼接得到的；在所述判别器模型的损失函数收敛的情况下，确定所述预测功率数据为目标预测功率数据。
[0006]可选地，对多个所述风电机组的功率数据进行二阶差分处理，得到多个样本数据，包括：根据公式p1(x+2)＝(p(x+2)
‑
p(x+1))
‑
(p(x+1)
‑
p(x))，对所述风电机组的功率数据进行二阶差分处理，得到第一数据，其中，p1(x+2)为所述二阶差分处理后的x+2时刻所述风电机组的功率数据，p(x+2)为x+2时刻所述风电机组的功率数据，p(x+1)为x+1时刻所述风电机组的功率数据，p(x)为x时刻所述风电机组的功率数据；确定多个所述第一数据组成的矩阵的转置为所述样本数据。
[0007]可选地，在得到多个样本数据之后，将所述测试数据输入至长短期记忆人工神经
网络模型之前，所述方法还包括：根据公式对所述样本数据进行归一化处理，得到第二数据，其中，p1为所述样本数据，p
1_max
为多个样本数据中的最大值，p
1_min
为多个所述样本数据中的最小值，p2为所述第二数据。
[0008]可选地，所述长短期记忆人工神经网络模型和所述判别器模型训练过程中的目标函数为其中，x为所述风电机组的模拟预测功率数据，y为所述测试数据，z为随机噪声数据，V(G,D)为所述目标函数，x～P
data
(x)表示x服从所述风电机组的模拟预测功率数据分布，为x服从所述风电机组的模拟预测功率数据分布的期望值，z～P
z
(z)表示z服从随机分布，为z服从随机分布的期望值，D(x|y)为所述风电机组的模拟预测功率数据在所述测试数据的条件下经过所述判别器模型的输出，G(z|y)为所述随机噪声在所述测试数据的条件下经过所述长短期记忆人工神经网络模型的输出，D(G(z|y))为G(z|y)经过所述判别器模型的输出。
[0009]可选地，所述长短期记忆人工神经网络模型包括双向长短期记忆人工神经网络层和长短期记忆人工神经网络层，其中，所述双向长短期记忆人工神经网络层用于根据所述样本数据的下一时刻的功率数据或所述样本数据的上一时刻的功率数据，提取所述样本数据的特征，并对所述样本数据的特征进行权重和偏置的转化，并根据激活函数得到三维数组，并将所述三维数组输入至所述长短期记忆人工神经网络层，经过所述长短期记忆人工神经网络层的输入门、遗忘门以及输出门中的至少一个，得到所述长短期记忆人工神经网络模型的输出数据。
[0010]可选地，得到所述风电机组的预测功率数据之后，所述方法还包括：根据公式对所述风电机组的预测功率数据进行反归一化处理，得到反归一化后的所述风电机组的预测功率数据，其中，y1(t)为所述反归一化后的所述风电机组的预测功率数据，y(t)为所述风电机组的预测功率数据，p
1_max
为多个所述风电机组的预测功率数据中的最大值，p
1_min
为多个所述风电机组的预测功率数据中的最小值。
[0011]可选地，得到所述风电机组的预测功率数据之后，所述方法还包括：根据公式p1(y)＝p(y)+2p(y
‑
1)
‑
p(y
‑
2)，对所述风电机组的预测功率数据进行二阶差分还原处理，得到二阶差分还原处理后的所述风电机组的预测功率数据，其中，p1(y)为所述二阶差分还原处理后的所述风电机组的预测功率数据，p(y)为y时刻所述风电机组的预测功率数据，p(y
‑
1)为第y
‑
1时刻所述风电机组的预测功率数据，p(y
‑
2)为y
‑
2时刻所述风电机组的预测功率数据。
[0012]根据本申请的再一方面，提供了一种风电机组的功率预测装置，包括：获取单元，用于获取预测时刻前多个所述风电机组的功率数据，并对多个所述风电机组的功率数据进行二阶差分处理，得到多个样本数据，多个所述样本数据的部分为测试数据，另一部分为训练数据；第一输入单元，用于将所述测试数据依次输入至长短期记忆人工神经网络模型，得到多个所述风电机组的预测功率数据，其中，所述长短期记忆人工神经网络模型为使用多组第一历史数据通过机器学习训练出的，多组所述第一历史数据中的每组数据均包括：第一时间段的所述训练数据和第二时间段的所述训练数据，所述第二时间段的起始时刻在所
述第一时间段的结束时刻之后，所述预测功率数据为所述测试数据之后的功率数据；第二输入单元，用于将各所述风电机组的预测功率数据和对应的所述测试数据输入至判别器模型，判断所述风电机组的模拟预测功率数据是否正确，其中，所述判别器模型为使用多组第二历史数据通过机器学习训练出的，多组所述第二历史数据中的每组数据均包括：第一拼接数据和第二拼接数据，其中，所述第一拼接数据为所述风电机组的模拟预测功率数据与第一时间段的所述训练数据拼接得到的，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风电机组的功率预测方法，其特征在于，包括：获取预测时刻前多个所述风电机组的功率数据，并对多个所述风电机组的功率数据进行二阶差分处理，得到多个样本数据，多个所述样本数据的部分为测试数据，另一部分为训练数据；将所述测试数据依次输入至长短期记忆人工神经网络模型，得到多个所述风电机组的预测功率数据，其中，所述长短期记忆人工神经网络模型为使用多组第一历史数据通过机器学习训练出的，多组所述第一历史数据中的每组数据均包括：第一时间段的所述训练数据和第二时间段的所述训练数据，所述第二时间段的起始时刻在所述第一时间段的结束时刻之后，所述预测功率数据为所述测试数据之后的功率数据；将各所述风电机组的预测功率数据和对应的所述测试数据输入至判别器模型，判断所述风电机组的模拟预测功率数据是否正确，其中，所述判别器模型为使用多组第二历史数据通过机器学习训练出的，多组所述第二历史数据中的每组数据均包括：第一拼接数据和第二拼接数据，其中，所述第一拼接数据为所述风电机组的模拟预测功率数据与第一时间段的所述训练数据拼接得到的，所述第二拼接数据为第二时间段的所述训练数据与第一时间段的所述训练数据拼接得到的；在所述判别器模型的损失函数收敛的情况下，确定所述预测功率数据为目标预测功率数据。2.根据权利要求1所述的方法，其特征在于，对多个所述风电机组的功率数据进行二阶差分处理，得到多个样本数据，包括：根据公式p1(x+2)＝(p(x+2)
‑
p(x+1))
‑
(p(x+1)
‑
p(x))，对所述风电机组的功率数据进行二阶差分处理，得到第一数据，其中，p1(x+2)为所述二阶差分处理后的x+2时刻所述风电机组的功率数据，p(x+2)为x+2时刻所述风电机组的功率数据，p(x+1)为x+1时刻所述风电机组的功率数据，p(x)为x时刻所述风电机组的功率数据；确定多个所述第一数据组成的矩阵的转置为所述样本数据。3.根据权利要求1所述的方法，其特征在于，在得到多个样本数据之后，将所述测试数据输入至长短期记忆人工神经网络模型之前，所述方法还包括：根据公式对所述样本数据进行归一化处理，得到第二数据，其中，p1为所述样本数据，p
1_max
为多个样本数据中的最大值，p
1_min
为多个所述样本数据中的最小值，p2为所述第二数据。4.根据权利要求1所述的方法，其特征在于，所述长短期记忆人工神经网络模型和所述判别器模型训练过程中的目标函数为：其中，x为所述风电机组的模拟预测功率数据，y为所述测试数据，z为随机噪声，V(G,D)为所述目标函数，x～P
data
(x)表示x服从所述风电机组的模拟预测功率数据分布，为x服从所述风电机组的模拟预测功率数据分布的期望值，z～P
z
(z)表示z服从随机分布，为z服从随机分布的期望值，D(x|y)为所述风电机组的模拟预测功率数据在所述测试数据的条件下经过所述判
别器模型的输出，G(z|y)为所述随机噪声在所述测试数据的条件下经过所述长短期记忆人工神经网络模型的输出，D(G(z|y))为G(z|y)经过所述判别器模型的输出。5.根据权利要求1所述的方法，其特征在于，所述长短期记忆人工神经网络模型包括双向长短期记忆人工神经网络层和长短期记忆人工神经网络层，其中，所述双向长短期记忆人工神经网络层用于根据所述样本数据的下一时...

【专利技术属性】
技术研发人员：邓韦斯，戴仲覆，王皓怀，周保荣，李崇浩，卢斯煜，刘显茁，张旭东，王凌梓，邓力源，沈海波，卓毅鑫，唐健，胡甲秋，张俨，王宁，张杰，王邦一，赵川，闫斌杰，谢平平，陆秋瑜，莫若慧，何勇琪，
申请(专利权)人：南方电网科学研究院有限责任公司，
类型：发明
国别省市：