风机出力预测方法、装置、设备、介质及程序产品制造方法及图纸

本申请涉及一种风机出力预测方法、装置、设备、介质及程序产品，包括：根据历史时间的风机出力数据构建目标风机出力时间序列；根据所述历史时间的风机出力数据和所述目标出力时间序列训练NeralProphet模型，得到风机出力预测模型；根据所述风机出力预测模型，预测待测时间内目标风机是否发生风电爬坡事件。本申请通过构建符合NeralProphet模型构建原理的风机出力时间序列，并基于NeralProphet模型构建风机出力预测模型，采用风机出力预测模型对待测时间的风机出力数据进行预测，最后根据风机出力数据判断待测时间内是否发生风电爬坡时间，有效提升了对待测时间风机出力数据的预测准确性，并能及时预防风电爬坡时间的发生。并能及时预防风电爬坡时间的发生。并能及时预防风电爬坡时间的发生。

【技术实现步骤摘要】
风机出力预测方法、装置、设备、介质及程序产品


[0001]本申请涉及风机出力预测
，特别是涉及一种风机出力预测方法、装置、设备、介质及程序产品。

技术介绍

[0002]对于电网来说，风电在发电稳定性上具有很高的运行风险，发电功率的不确定性会危害到电力系统的可靠性，进而造成重大经济损失。例如，强对流等极端气候现象将显著改变风电场附近平均风速，进而引发风电爬坡事件。其会造成系统内有功功率短时内严重不平衡，对大电网频率稳定造成巨大威胁，极端情形下甚至会引发大面积停电等事故。准确预测风机发电功率值，对于电网的传输和集成是至关重要的。
[0003]对于风电功率预测，目前常用的预测方法对于数据稳定性要求高，收集数据难度大，使用真实风机功率数据预测未来风机功率数据，均无法实现准确预测。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够提升预测准确度的风机出力预测方法、装置、设备、介质及程序产品。
[0005]第一方面，本申请提供了一种风机出力预测方法，包括：
[0006]根据历史时间的风机出力数据构建目标风机出力时间序列；
[0007]根据所述历史时间的风机出力数据和所述目标出力时间序列训练NeralProphet模型，得到风机出力预测模型；
[0008]根据所述风机出力预测模型，预测待测时间内目标风机是否发生风电爬坡事件。
[0009]在其中一个实施例中，所述根据历史时间的风机出力数据构建目标风机出力时间序列，包括：
[0010]从目标风电场的数据管理系统获取所述历史时间的风机出力数据；
[0011]基于所述历史时间的风机出力数据以及预设时间构建参考风机出力时间序列；
[0012]对所述参考风机出力时间序列进行数据预处理，得到所述目标风机出力时间序列，所述目标风机出力时间序列各元素之间间隔所述预设时间。
[0013]在其中一个实施例中，所述对所述参考风机出力时间序列进行数据预处理，得到所述目标风机出力时间序列，包括：
[0014]检测所述参考风机出力时间序列中的数据错误，其中，所述数据错误包括缺失值、噪声以及离群点；
[0015]针对各类型数据错误进行对应的优化处理；
[0016]基于优化后的参考风机出力时间序列，利用差分方法构建所述目标风机出力时间序列。
[0017]在其中一个实施例中，根据所述历史时间的风机出力数据和所述目标出力时间序列训练NeralProphet模型，得到风机出力预测模型，包括：
[0018]对所述目标出力时间序列进行数据划分，得到第一部分数据和第二部分数据，其中，所述第一部分数据的数据占比大于所述第二部分数据的数据占比；
[0019]根据所述历史时间的风机出力数据和所述第一部分数据训练所述NeralProphet模型，得到所述风机出力预测模型；
[0020]使用所述第二部分数据对所述风机出力预测模型进行评估验证，并在评估验证结果通过时，训练完成所述风机出力预测模型。
[0021]在其中一个实施例中，所述使用所述第二部分数据对所述风机出力预测模型进行评估验证，包括：
[0022]利用所述风机出力预测模型处理所述第二部分数据，并根据处理结果计算平均绝对误差和均方根误差；
[0023]若所述平均绝对误差和所述均方根误差均小于预设误差阈值，则确定评估验证结果通过；
[0024]若所述平均绝对误差和/或所述均方根误差大于或等于预设误差阈值，则确定评估验证结果不通过。
[0025]在其中一个实施例中，所述根据所述风机出力预测模型，预测待测时间内目标风机是否发生风电爬坡事件，包括：
[0026]根据所述风机出力预测模型进行预测，得到待测时间内目标风机的出力数据；
[0027]根据所述出力数据判断所述目标风机是否发生风电爬坡事件。
[0028]第二方面，本申请还提供了一种风机出力预测装置，包括：
[0029]序列构建模块，用于根据历史时间的风机出力数据构建目标风机出力时间序列；
[0030]模型训练模块，用于根据所述历史时间的风机出力数据和所述目标出力时间序列训练NeralProphet模型，得到风机出力预测模型；
[0031]数据预测模块，用于根据所述风机出力预测模型，预测待测时间内目标风机是否发生风电爬坡事件。
[0032]第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面所述的风机出力预测方法。
[0033]第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的风机出力预测方法。
[0034]第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面所述的风机出力预测方法。
[0035]上述风机出力预测方法、装置、设备、介质及程序产品，包括：根据历史时间的风机出力数据构建目标风机出力时间序列；根据所述历史时间的风机出力数据和所述目标出力时间序列训练NeralProphet模型，得到风机出力预测模型；根据所述风机出力预测模型，预测待测时间内目标风机是否发生风电爬坡事件。本申请通过构建符合NeralProphet模型构建原理的风机出力时间序列，并基于NeralProphet模型构建风机出力预测模型，采用风机出力预测模型对待测时间的风机出力数据进行预测，最后根据风机出力数据判断待测时间内是否发生风电爬坡时间，有效提升了对待测时间风机出力数据的预测准确性，并能及时
预防风电爬坡时间的发生。
附图说明
[0036]图1为一个实施例中风机出力预测方法的流程示意图；
[0037]图2为一个实施例中构建目标出力时间序列步骤的流程示意图；
[0038]图3为一个实施例中对参考风机出力时间序列进行数据预处理步骤的流程示意图；
[0039]图4为一个实施例中训练目标出力预测模型步骤的流程示意图；
[0040]图5为一个实施例中未进行差分处理的风机出力曲线图；
[0041]图6为一个实施例中进行差分处理后的风机出力曲线图；
[0042]图7为一个实施例中使用目标风机出力预测模型在一日内进行预测的结果示意图；
[0043]图8为一个实施例中风机出力预测装置的模块示意图；
[0044]图9为一个实施例中计算机设备的内部结构图。
具体实施方式
[0045]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0046]在一个实施例中，如图1所示，提供了一种风机出力预测方法，包括以下步骤：
[0047]步骤101，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风机出力预测方法，其特征在于，包括：根据历史时间的风机出力数据构建目标风机出力时间序列；根据所述历史时间的风机出力数据和所述目标出力时间序列训练NeralProphet模型，得到风机出力预测模型；根据所述风机出力预测模型，预测待测时间内目标风机是否发生风电爬坡事件。2.根据权利要求1所述的方法，其特征在于，所述根据历史时间的风机出力数据构建目标风机出力时间序列，包括：从目标风电场的数据管理系统获取所述历史时间的风机出力数据；基于所述历史时间的风机出力数据以及预设时间构建参考风机出力时间序列；对所述参考风机出力时间序列进行数据预处理，得到所述目标风机出力时间序列，所述目标风机出力时间序列各元素之间间隔所述预设时间。3.根据权利要求2所述的方法，其特征在于，所述对所述参考风机出力时间序列进行数据预处理，得到所述目标风机出力时间序列，包括：检测所述参考风机出力时间序列中的数据错误，其中，所述数据错误包括缺失值、噪声以及离群点；针对各类型数据错误进行对应的优化处理；基于优化后的参考风机出力时间序列，利用差分方法构建所述目标风机出力时间序列。4.根据权利要求1所述的方法，其特征在于，根据所述历史时间的风机出力数据和所述目标出力时间序列训练NeralProphet模型，得到风机出力预测模型，包括：对所述目标出力时间序列进行数据划分，得到第一部分数据和第二部分数据，其中，所述第一部分数据的数据占比大于所述第二部分数据的数据占比；根据所述历史时间的风机出力数据和所述第一部分数据训练所述NeralProphet模型，得到所述风机出力预测模型；使用所述第二部分数据对所述风机出力预测模型进行评估验证，并在评估验证结果通过时，训练完成所述风机出力预测模型。...

【专利技术属性】
技术研发人员：卓毅鑫，蒙文川，胡甲秋，黄馗，詹厚剑，秦意茗，唐健，韦恒，饶志，杨再敏，孙思扬，黎立丰，李爽，席云华，
申请(专利权)人：南方电网能源发展研究院有限责任公司，
类型：发明
国别省市：