一种复杂地形风机出力预测方法、系统、设备和储存介质技术方案

本发明专利技术提供了一种复杂地形风机出力预测方法、系统、设备和储存介质，该方法包括：获取复杂地形风机气象及表象数据，获取复杂地形风机的内部控制参数数据；将气象及表象数据输入至预设的MobileNet V3卷积神经网络中，以使卷积神经网络对风机出力进行预测，获取第一预测结果；将内部控制参数数据输入至预设的三维自关注多尺度特征融合网络中，以使三维自关注多尺度特征融合网络对风机出力进行预测，获取第二预测结果；将第一预测结果和第二预测结果输入至预设的深度神经网络中进行综合预测，获取复杂地形风机出力的综合预测结果。本方法考虑了风机控制器的参数，将控制器参数对风电出力的影响纳入考虑范围，可以使风电出力的预测更加准确。加准确。加准确。

【技术实现步骤摘要】
一种复杂地形风机出力预测方法、系统、设备和储存介质


[0001]本专利技术涉及风电场出力预测
，尤其是涉及一种复杂地形风机出力预测方法、系统、设备及存储介质。

技术介绍

[0002]当前，针对风电出力的预测方法，主要有传统的物理模型方法和统计方法两大类。传统的物理模型预测方法是最早研究并使用的方法，其是根据测量的气象数据，模拟转换为风电场的风速。丹麦设计了世界上第一个风电出力预测系统Prediktor。因此，我国需要设计符合我国国情的风电预测系统。目前，我国已开发的物理模型预测方法有风电功率预测预报系统WINPOP。
[0003]然而，传统方法模型粗糙，精度较差；相反，以人工智能为代表的统计方法具有良好的学习和预测能力。为降低预测误差，开展了一系列基于人工智能的风电出力预测方法研究。人工智能方法有支持向量机、深度森林算法、人工神经网络、深度神经网络和卷积神经网络等。这些方法特点是将数据输入到算法模型中，然后该模型输出预测的风电出力结果。国外具有代表性的预测系统是欧盟设计的ANEMOS系统。在国内，中科院开发的WPFS Vre1.0系统将物理方法、时间序列和神经网络相结合，具有不错的预测能力。但是，其在实际应用过程中并没有考虑风力发电机内部控制器参数本身对的风电场发电出力的影响，进而导致最终的预测结果不准确。

技术实现思路

[0004]本专利技术旨在提供一种复杂地形风机出力预测方法、系统、设备及存储介质，以解决上述技术问题，通过考虑风机控制器的参数，使控制器参数对风电出力的影响纳入考虑范围，从而使得风电出力的预测更加准确。
[0005]为了解决上述技术问题，本专利技术提供了一种复杂地形风机出力预测方法，包括以下步骤：
[0006]获取复杂地形风机气象及表象数据，获取复杂地形风机的内部控制参数数据；
[0007]将气象及表象数据输入至预设的MobileNet V3卷积神经网络中，以使卷积神经网络对风机出力进行预测，获取第一预测结果；
[0008]将内部控制参数数据输入至预设的三维自关注多尺度特征融合网络中，以使三维自关注多尺度特征融合网络对风机出力进行预测，获取第二预测结果；
[0009]将第一预测结果和第二预测结果输入至预设的深度神经网络中进行综合预测，获取复杂地形风机出力的综合预测结果。
[0010]上述方案中，针对气象及表象数据采用MobileNet V3卷积神经网络进行预测，针对内部控制参数数据采用三维自关注多尺度特征融合网络进行预测，再由深度神经网络根据MobileNet V3卷积神经网络和三维自关注多尺度特征融合网络的预测结果进行综合预测，获取综合预测结果。该方案考虑了风机控制器的参数，使控制器参数对风电出力的影响
纳入考虑范围，可以使风电出力的预测更加准确。
[0011]进一步地，所述将气象及表象数据输入至预设的MobileNet V3卷积神经网络中，以使卷积神经网络对风机出力进行预测，获取第一预测结果，具体为：
[0012]将气象及表象数据转化为气象数据图片；
[0013]在MobileNet V3卷积神经网络中：
[0014]对气象数据图片做卷积操作，再经过逐通道卷积操作，获取原始特征图片；
[0015]对原始特征图片进行压缩，获取各通道权重值；
[0016]将各通道权重值与原始特征图片的对应通道矩阵相乘，获取修正特征图片；
[0017]对修正特征图片进行降维卷积并将降维结果与气象数据图片进行叠加，以完成卷积神经网络对风机出力的一次预测；
[0018]将预测结果作为输入MobileNet V3卷积神经网络，执行若干次预测，以使气象数据图片逐次减小，最终得到MobileNet V3卷积神经网络的预测数值，即得到第一预测结果。
[0019]进一步地，所述将内部控制参数数据输入至预设的三维自关注多尺度特征融合网络中，以使三维自关注多尺度特征融合网络对风机出力进行预测，获取第二预测结果，具体为：
[0020]对内部控制参数数据进行预处理，获取参数特征图；
[0021]在三维自关注多尺度特征融合网络中：
[0022]通过CBR模块对参数特征图进行处理，以增加图像数量，获取第一特征图；
[0023]通过多尺度特征融合模块获取第一特征图中各尺度的特征信息，得到第一特征图全部特征信息，并将第一特征图全部特征信息与第一特征图相加，得到第二特征图；
[0024]通过CBR模块对第二特征图进行处理，以增加图像数量，获取第三特征图；
[0025]通过多尺度特征融合模块和CBR模块依次对第三特征图进行处理，获取第四特征图；
[0026]通过3DCov_attention模块和CBR模块对第四特征图进行若干次处理，获取第五特征图；
[0027]对第五特征图进行展平操作，将其转化为一个一维向量，并通过两层全连接层进行处理，获取第二预测结果。
[0028]进一步地，在所述获取复杂地形风机气象及表象数据，获取复杂地形风机的内部控制参数数据中，所述气象及表象数据包括气象数据和表象数据；其中，所述气象数据包括气压数据、温度数据、湿度数据、风向数据、切入风速数据和切出风速数据；所述表象数据包括风机高度数据、半径数据、海拔数据、经度数据和纬度数据。
[0029]本专利技术提出了一种复杂地形风机出力预测系统，用于实现一种复杂地形风机出力预测方法，该系统包括：
[0030]数据获取模块，用于获取复杂地形风机气象及表象数据及获取复杂地形风机的内部控制参数数据；
[0031]第一预测模块，用于将气象及表象数据输入至预设的MobileNet V3卷积神经网络中，以使卷积神经网络对风机出力进行预测，获取第一预测结果；
[0032]第二预测模块，用于将内部控制参数数据输入至预设的三维自关注多尺度特征融合网络中，以使三维自关注多尺度特征融合网络对风机出力进行预测，获取第二预测结果；
[0033]综合预测模块，用于将第一预测结果和第二预测结果输入至预设的深度神经网络中进行综合预测，获取复杂地形风机出力的综合预测结果。
[0034]进一步地，在所述第一预测模块中，所述将气象及表象数据输入至预设的MobileNet V3卷积神经网络中，以使卷积神经网络对风机出力进行预测，获取第一预测结果，具体为：
[0035]将气象及表象数据转化为气象数据图片；
[0036]在MobileNet V3卷积神经网络中：
[0037]对气象数据图片做卷积操作，再经过逐通道卷积操作，获取原始特征图片；
[0038]对原始特征图片进行压缩，获取各通道权重值；
[0039]将各通道权重值与原始特征图片的对应通道矩阵相乘，获取修正特征图片；
[0040]对修正特征图片进行降维卷积并将降维结果与气象数据图片进行叠加，以完成卷积神经网络对风机出力的一次预测；
[0041]将预测结果作为输入MobileNet V3卷积本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复杂地形风机出力预测方法，其特征在于，包括以下步骤：获取复杂地形风机气象及表象数据，获取复杂地形风机的内部控制参数数据；将气象及表象数据输入至预设的MobileNet V3卷积神经网络中，以使卷积神经网络对风机出力进行预测，获取第一预测结果；将内部控制参数数据输入至预设的三维自关注多尺度特征融合网络中，以使三维自关注多尺度特征融合网络对风机出力进行预测，获取第二预测结果；将第一预测结果和第二预测结果输入至预设的深度神经网络中进行综合预测，获取复杂地形风机出力的综合预测结果。2.根据权利要求1所述的一种复杂地形风机出力预测方法，其特征在于，所述将气象及表象数据输入至预设的MobileNet V3卷积神经网络中，以使卷积神经网络对风机出力进行预测，获取第一预测结果，具体为：将气象及表象数据转化为气象数据图片；在MobileNet V3卷积神经网络中：对气象数据图片做卷积操作，再经过逐通道卷积操作，获取原始特征图片；对原始特征图片进行压缩，获取各通道权重值；将各通道权重值与原始特征图片的对应通道矩阵相乘，获取修正特征图片；对修正特征图片进行降维卷积并将降维结果与气象数据图片进行叠加，以完成卷积神经网络对风机出力的一次预测；将预测结果作为输入MobileNet V3卷积神经网络，执行若干次预测，以使气象数据图片逐次减小，最终得到MobileNet V3卷积神经网络的预测数值，即得到第一预测结果。3.根据权利要求1所述的一种复杂地形风机出力预测方法，其特征在于，所述将内部控制参数数据输入至预设的三维自关注多尺度特征融合网络中，以使三维自关注多尺度特征融合网络对风机出力进行预测，获取第二预测结果，具体为：对内部控制参数数据进行预处理，获取参数特征图；在三维自关注多尺度特征融合网络中：通过CBR模块对参数特征图进行处理，以增加图像数量，获取第一特征图；通过多尺度特征融合模块获取第一特征图中各尺度的特征信息，得到第一特征图全部特征信息，并将第一特征图全部特征信息与第一特征图相加，得到第二特征图；通过CBR模块对第二特征图进行处理，以增加图像数量，获取第三特征图；通过多尺度特征融合模块和CBR模块依次对第三特征图进行处理，获取第四特征图；通过3DCov_attention模块和CBR模块对第四特征图进行若干次处理，获取第五特征图；对第五特征图进行展平操作，将其转化为一个一维向量，并通过两层全连接层进行处理，获取第二预测结果。4.根据权利要求1～3任一项所述的一种复杂地形风机出力预测方法，其特征在于，在所述获取复杂地形风机气象及表象数据，获取复杂地形风机的内部控制参数数据中，所述气象及表象数据包括气象数据和表象数据；其中，所述气象数据包括气压数据、温度数据、湿度数据、风向数据、切入风速数据和切出风速数据；所述表象数据包括风机高度数据、半径数据、海拔数据、经度数据和纬度数据。
5.一种复杂地形风机出力预测系统，其特征在于，包括：数据获取模块，用于获取复杂地形风机气象及表象数据及获取复杂地形风机的内部控制参数数据；第一预测模块，用于将气象及表象数据输入至预设的MobileNet V3卷积神经网络中，以使卷积神经网络对风机出力进行预测，获取第一预测...

【专利技术属性】
技术研发人员：刘洋，谢平平，杨银国，陆秋瑜，吴国炳，林英明，戴月，闫斌杰，李力，廖鹏，
申请(专利权)人：广东电网有限责任公司电力调度控制中心，
类型：发明
国别省市：