风电功率预测模型的训练方法、风电功率预测方法及设备技术

本申请提供了一种风电功率预测模型的训练方法、风电功率预测方法及设备，其中，风电功率预测模型的训练方法包括：获取目标历史时间段内多个风机对应的多个功率影响因子的历史指标值，对多个风机进行聚类，得到多个风机聚类，获取目标历史时间段的下一历史时间段内各风机聚类中风机的历史风电功率，根据各风机聚类中风机对应的历史指标值和各风机聚类中风机的历史风电功率，分别进行模型训练，得到各风机聚类的风电功率预测模型。本申请通过对风机进行聚类划分，以风机聚类为预测单元进行风电功率的预测，预测精度高且时效性好。预测精度高且时效性好。预测精度高且时效性好。

【技术实现步骤摘要】
风电功率预测模型的训练方法、风电功率预测方法及设备


[0001]本申请涉及确定机
，具体而言，涉及一种风电功率预测模型的训练方法、风电功率预测方法及设备。

技术介绍

[0002]风能作为可再生能源中的重要组成部分，在整个电力行业中占比不断提高，占据越来越重要的地位，但风能具有间歇性和波动性的特点，当大规模并网时会对电网的安全稳定运行带来严重挑战，因此，准确快速地实现风电功率预测对电力系统的安全稳定运行具有十分重要的意义。
[0003]目前，针对大规模风电集群功率的预测，一种是以整个场站风机为预测单元进行建模预测，另一种是以单个风电机组(single wind turbine)为预测单元进行建模预测。
[0004]然而，以整个场站风机为预测单元，预测结果波动幅度大且精度低，以单个风电机组为预测单元，建模过程较复杂，对硬件算法要求较高，且时效性差。

技术实现思路

[0005]有鉴于此，本申请实施例提供了一种风电功率预测模型的训练方法、风电功率预测方法及设备，以解决现有技术中风电功率预测结果精度低、建模过程复杂、时效性差的问题。
[0006]第一方面，本申请实施例提供了一种风电功率预测模型的训练方法，包括：
[0007]获取目标历史时间段内多个风机对应的多个功率影响因子的历史指标值；
[0008]对所述多个风机进行聚类，得到多个风机聚类；
[0009]获取所述目标历史时间段的下一历史时间段内各风机聚类中风机的历史风电功率；
[0010]根据所述各风机聚类中风机对应的历史指标值和所述各风机聚类中风机的历史风电功率，分别进行模型训练，得到所述各风机聚类的风电功率预测模型。
[0011]在一可选的实施方式中，所述对所述多个风机进行聚类，得到多个风机聚类，包括：
[0012]获取所述多个功率影响因子的权重系数；
[0013]根据所述多个功率影响因子的权重系数和所述多个风机对应的历史指标值，对所述多个风机进行聚类，得到所述多个风机聚类。
[0014]在一可选的实施方式中，所述获取所述多个功率影响因子的权重系数，包括：
[0015]根据所述多个功率影响因子的重要性比较结果，确定所述多个功率影响因子的第一权重系数；
[0016]根据所述多个功率影响因子的历史指标值，确定所述多个功率影响因子的第二权重系数；
[0017]根据所述第一权重系数和所述第二权重系数，确定所述多个功率影响因子的权重
系数。
[0018]在一可选的实施方式中，所述根据所述多个功率影响因子的重要性比较结果，确定所述多个功率影响因子的第一权重系数，包括：
[0019]根据所述重要性比较结果，构建重要性判断矩阵；
[0020]对所述重要性判断矩阵进行一致性校验；
[0021]若校验通过，则获取所述重要性判断矩阵的满足预设特征条件的特征值对应的特征向量；
[0022]根据所述特征向量，确定所述第一权重系数。
[0023]在一可选的实施方式中，所述根据所述多个功率影响因子的重要性比较结果，确定所述多个功率影响因子的第一权重系数，还包括：
[0024]若校验不通过，则更新所述重要性比较结果，并根据更新后的重要性比较结果，重新构建重要性判断矩阵；
[0025]根据重新构建的重要性判断矩阵，确定所述第一权重系数。
[0026]在一可选的实施方式中，所述根据所述多个功率影响因子的历史指标值，确定所述多个功率影响因子的第二权重系数，包括：
[0027]根据所述多个功率影响因子的历史指标值，确定所述多个功率影响因子的信息熵；
[0028]根据所述信息熵，确定所述第二权重系数。
[0029]在一可选的实施方式中，所述根据所述多个功率影响因子的权重系数和所述多个风机对应的历史指标值，对所述多个风机进行聚类，得到所述多个风机聚类，包括：
[0030]根据所述多个功率影响因子的权重系数和所述多个风机对应的历史指标值，进行加权运算，得到所述多个风机的加权指标值；
[0031]根据所述加权指标值，对所述多个风机进行聚类，得到所述多个风机聚类。
[0032]第二方面，本申请实施例还提供了一种风电功率预测方法，包括：
[0033]获取当前时间段内待预测风机聚类中风机对应的多个功率影响因子的当前指标值；
[0034]根据所述待预测风机聚类对应的风电功率预测模型，对所述当前指标值进行处理，预测得到所述当前时间段的下一时间段内所述待预测风机聚类的风电功率，所述风电功率预测模型为根据第一方面任一所述的风电功率预测模型的训练方法训练得到的。
[0035]第三方面，本申请实施例还提供了一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行第一方面任一所述的风电功率预测模型的训练方法或第二方面所述的风电功率预测方法。
[0036]第四方面，本申请实施例还提供了一种确定机可读存储介质，所述确定机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行第一方面任一所述的风电功率预测模型的训练方法或第二方面所述的风电功率预测方法。
[0037]本申请提供了一种风电功率预测模型的训练方法、风电功率预测方法及设备，其中，风电功率预测模型的训练方法包括：获取目标历史时间段内多个风机对应的多个功率影响因子的历史指标值，对多个风机进行聚类，得到多个风机聚类，获取目标历史时间段的
下一历史时间段内各风机聚类中风机的历史风电功率，根据各风机聚类中风机对应的历史指标值和各风机聚类中风机的历史风电功率，分别进行模型训练，得到各风机聚类的风电功率预测模型。本申请通过对风机进行聚类划分，以风机聚类为预测单元进行风电功率的预测，预测精度高且时效性好。
[0038]为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0039]为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0040]图1为本申请实施例提供的风电功率预测模型的训练方法的流程示意图一；
[0041]图2为本申请实施例提供的风电功率预测模型的训练方法的流程示意图二；
[0042]图3为本申请实施例提供的风电功率预测模型的训练方法的流程示意图三；
[0043]图4为本申请实施例提供的风电功率预测模型的训练方法的流程示意图四；
[0044]图5为本申请实施例提供的风电功率预测方法的流程示意图；
[0045]图6为本申请实施例提供的TCN
...

【技术保护点】

【技术特征摘要】
1.一种风电功率预测模型的训练方法，其特征在于，包括：获取目标历史时间段内多个风机对应的多个功率影响因子的历史指标值；对所述多个风机进行聚类，得到多个风机聚类；获取所述目标历史时间段的下一历史时间段内各风机聚类中风机的历史风电功率；根据所述各风机聚类中风机对应的历史指标值和所述各风机聚类中风机的历史风电功率，分别进行模型训练，得到所述各风机聚类的风电功率预测模型。2.根据权利要求1所述的方法，其特征在于，所述对所述多个风机进行聚类，得到多个风机聚类，包括：获取所述多个功率影响因子的权重系数；根据所述多个功率影响因子的权重系数和所述多个风机对应的历史指标值，对所述多个风机进行聚类，得到所述多个风机聚类。3.根据权利要求2所述的方法，其特征在于，所述获取所述多个功率影响因子的权重系数，包括：根据所述多个功率影响因子的重要性比较结果，确定所述多个功率影响因子的第一权重系数；根据所述多个功率影响因子的历史指标值，确定所述多个功率影响因子的第二权重系数；根据所述第一权重系数和所述第二权重系数，确定所述多个功率影响因子的权重系数。4.根据权利要求3所述的方法，其特征在于，所述根据所述多个功率影响因子的重要性比较结果，确定所述多个功率影响因子的第一权重系数，包括：根据所述重要性比较结果，构建重要性判断矩阵；对所述重要性判断矩阵进行一致性校验；若校验通过，则获取所述重要性判断矩阵的满足预设特征条件的特征值对应的特征向量；根据所述特征向量，确定所述第一权重系数。5.根据权利要求4所述的方法，其特征在于，所述根据所述多个功率影响因子的重要性比较结果，确定所述多个功率影响因子的第一权重系数，还包括：若校验不通过，则更新所述重要性比较结果，并根据更新后的重要性比较结果，重新构建重要性判断矩阵；根据重新构建...

【专利技术属性】
技术研发人员：火久元，常琛，王婷娟，王子溶，穆聪，
申请(专利权)人：兰州尚文汇通能源科技有限公司兰州瑞智元信息技术有限责任公司，
类型：发明
国别省市：