发电功率预测方法、装置、服务器及存储介质制造方法及图纸

本申请提供的一种发电功率预测方法、装置、服务器及存储介质，涉及风力发电技术领域。该发电功率预测方法接收来自气象台的气象数据、来自风力发电机组的运行数据、以及来自测风塔的第一风力数据采用极速学习机预测模型对气象数据进行分析，以得到第一初始发电功率；采用极端梯度增强树预测模型对风力发电机组的运行数据进行分析，以得到第二初始发电功率；采用长短期记忆网络预测模型对测风塔的第一风力数据进行分析，以得到第三初始发电功率；对第一初始发电功率、第二初始发电功率以及第三初始发电功率进行融合计算，得到的风力发电机组在下一个周期的预测发电功率的准确度高。度高。度高。

【技术实现步骤摘要】
发电功率预测方法、装置、服务器及存储介质


[0001]本申请涉及风力发电
，尤其涉及一种发电功率预测方法、装置、服务器及存储介质。

技术介绍

[0002]随着环境问题的突出和传统能源的枯竭，可再生能源如太阳能、风能、潮汐能越来越受到人们的关注。风力发电机组是将风能转换为机械功，机械功带动转子旋转，最终输出交流电的电力设备，并且风力发电机组输出的交流电可以直接传输到电网，以供电网人员调度使用。然而，由于风能与天气条件息息相关，具有随机性、不稳定性等特点，导致风力发电机组的输出的交流电也是不稳定的，这样会影响给电网的安全稳定的运行。
[0003]目前，可以采集气象数据、风力发电机组的运行数据、测风塔的风力数据，并对采集的气象数据、风力发电机组的运行数据、测风塔的风力数据融合，输入到预先通过一个待训练网络训练的发电功率预测模型中，以预测未来的风力发电机组产生的发电功率。这样一来，电网工作人员可以根据预测的发电功率调整电网的供电方式，以保证电网的安全稳定的运行。然而，上述预测的风力发电机组产生的发电功率的精确度低，如此仍然会导致电网的运行不够安全稳定。

技术实现思路

[0004]本申请提供一种发电功率预测方法、装置、服务器及存储介质，用于解决现有技术中预测的风力发电机组产生的发电功率的精确度低的问题。
[0005]第一方面，本申请提供了一种发电功率预测方法，应用于服务器，本申请的提供的方法包括：
[0006]接收来自气象台的气象数据、来自风力发电机组的运行数据、以及来自测风塔的第一风力数据；其中，气象数据包括多个维度的气象特征；运行数据包括离散采集的风力发电机组的运行状态参数和风力发电机组的风力传感器每隔第一预设时长连续采集的第二风力数据；第一风力数据是测风塔每隔第二预设时长连续采集的；且第二预设时长小于第一预设时长；
[0007]采用极速学习机预测模型对气象数据进行分析，以得到第一初始发电功率；其中，极速学习机预测模型是采用历史气象数据作为输入数据和对应的历史发电功率作为输出数据，对极速学习机进行训练得到的；
[0008]采用极端梯度增强树预测模型对风力发电机组的运行数据进行分析，以得到第二初始发电功率；其中，极端梯度增强树预测模型是采用风力发电机组的历史运行数据作为输入数据和对应的历史发电功率作为输出数据，对极端梯度增强树网络进行训练得到的；
[0009]采用长短期记忆网络预测模型对测风塔的第一风力数据进行分析，以得到第三初始发电功率；其中，长短期记忆网络预测模型是采用测风塔的历史风力数据作为输入数据和对应的历史发电功率作为输出数据，对长短期记忆网络进行训练得到的；
[0010]对第一初始发电功率、第二初始发电功率以及第三初始发电功率进行融合计算，得到风力发电机组在下一个周期的预测发电功率，并将预测发电功率发送到电网端。
[0011]在一种可能的实施方式中，在接收来自气象台的气象数据、来自风力发电机组的运行数据、以及来自测风塔的第一风力数据之前，方法还包括：
[0012]采用历史气象数据作为输入数据和对应的历史发电功率作为输出数据，对极速学习机进行训练得到极速学习机预测模型；
[0013]采用风力发电机组的历史运行数据作为输入数据和对应的历史发电功率作为输出数据，对极端梯度增强树网络进行训练得到极端梯度增强树预测模型；
[0014]采用测风塔的历史风力数据作为输入数据和对应的历史发电功率作为输出数据，对长短期记忆网络进行训练得到长短期记忆网络预测模型。
[0015]这样一来，可以分别得到极速学习机预测模型、极端梯度增强树预测模型、长短期记忆网络预测模型，且可靠性高。
[0016]在一种可能的实施方式中，本申请提供的方法还可以包括：
[0017]将第一输入数据输入到对应的功率预测网络进行训练，确定训练得到的功率预测模型的第一训练误差；
[0018]将第一输入数据和预设的第二输入数据合并为输入数据集，输入到第一输入数据对应的功率预测网络进行训练，确定训练得到的功率预测模型的第二训练误差；
[0019]将第一输入数据和预设的第三输入数据合并为输入数据集，输入到第一输入数据对应的功率预测网络进行训练，确定训练得到的功率预测模型的第三训练误差；
[0020]根据第一训练误差、第二训练误差以及第三训练误差，得到功率预测模型的权重；
[0021]则对第一初始发电功率、第二初始发电功率以及第三初始发电功率进行融合计算，得到风力发电机组在下一个周期的预测发电功率，包括：
[0022]根据第一初始发电功率关联的功率预测模型的权重、第二初始发电功率关联的功率预测模型的权重、第三初始发电功率关联的功率预测模型的权重，对第一初始发电功率、第二初始发电功率以及第三初始发电功率进行加权求和，得到风力发电机组在下一个周期的预测发电功率；
[0023]其中，若第一输入数据为历史气象数据，则功率预测模型为极速学习机预测模型、第二输入数据为风力发电机组的历史运行数据、第三输入数据为测风塔的历史风力数据；
[0024]或者，
[0025]若第一输入数据为风力发电机组的历史运行数据，则功率预测模型为极端梯度增强树预测模型、第二输入数据为历史气象数据，第三输入数据为风力发电机组的历史运行数据；
[0026]或者，若第一输入数据为测风塔的历史风力数据，则功率预测模型为长短期记忆网络预测模型、第二输入数据为历史气象数据、第三输入数据为风力发电机组的历史运行数据。
[0027]可以理解地，根据第一训练误差、第二训练误差以及第三训练误差，得到的功率预测模型的权重，用于指示对应的功率预测模型关联的输入数据对预测的功率的准确度的影响程度。如此，基于各个功率预测模型对应的权重，第一初始发电功率、第二初始发电功率以及第三初始发电功率进行加权求和，得到的预测发电功率的可靠性。
[0028]在一种可能的实施方式中，根据第一训练误差、第二训练误差以及第三训练误差，得到功率预测模型的权重，包括：
[0029]若功率预测模型为极速学习机预测模型、第一输入数据为历史气象数据、第二输入数据为风力发电机组的历史运行数据、第三输入数据为测风塔的历史风力数据，则采用算式：
[0030][0031]确定极速学习机预测模型的权重因子c1；
[0032]其中，ε1为根据历史气象数据训练得到的极速学习机预测模型的第一训练误差，ε
12
为根据历史气象数据和风力发电机组的历史运行数据合并的数据集，训练得到的极速学习机预测模型的第二训练误差，ε
13
为根据历史气象数据和测风塔的历史风力数据合并的数据集，训练得到的极速学习机预测模型的第三训练误差；
[0033]或者，
[0034]若功率预测模型为极端梯度增强树预测模型、第一输入数据为风力发电机组的历史运行数据、第二输入数据为历史气象数据、第三输入数据为测风塔的历史风力数据，则采用算式：
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种发电功率预测方法，其特征在于，应用于服务器，所述方法包括：接收来自气象台的气象数据、来自风力发电机组的运行数据、以及来自测风塔的第一风力数据；其中，所述气象数据包括多个维度的气象特征；所述运行数据包括离散采集的所述风力发电机组的运行状态参数和所述风力发电机组的风力传感器每隔第一预设时长连续采集的第二风力数据；所述第一风力数据是所述测风塔每隔第二预设时长连续采集的；且所述第二预设时长小于所述第一预设时长；采用极速学习机预测模型对所述气象数据进行分析，以得到第一初始发电功率；其中，所述极速学习机预测模型是采用历史气象数据作为输入数据和对应的历史发电功率作为输出数据，对极速学习机进行训练得到的；采用极端梯度增强树预测模型对所述风力发电机组的运行数据进行分析，以得到第二初始发电功率；其中，所述极端梯度增强树预测模型是采用风力发电机组的历史运行数据作为输入数据和对应的历史发电功率作为输出数据，对极端梯度增强树网络进行训练得到的；采用长短期记忆网络预测模型对所述测风塔的第一风力数据进行分析，以得到第三初始发电功率；其中，所述长短期记忆网络预测模型是采用测风塔的历史风力数据作为输入数据和对应的历史发电功率作为输出数据，对所述长短期记忆网络进行训练得到的；对所述第一初始发电功率、所述第二初始发电功率以及所述第三初始发电功率进行融合计算，得到所述风力发电机组在下一个周期的预测发电功率，并将所述预测发电功率发送到电网端。2.根据权利要求1所述的方法，其特征在于，在所述接收来自气象台的气象数据、来自风力发电机组的运行数据、以及来自测风塔的第一风力数据之前，所述方法还包括：采用历史气象数据作为输入数据和对应的历史发电功率作为输出数据，对极速学习机进行训练得到所述极速学习机预测模型；采用所述风力发电机组的历史运行数据作为输入数据和对应的历史发电功率作为输出数据，对极端梯度增强树网络进行训练得到所述极端梯度增强树预测模型；采用测风塔的历史风力数据作为输入数据和对应的历史发电功率作为输出数据，对长短期记忆网络进行训练得到所述长短期记忆网络预测模型。3.根据权利要求2所述的方法，其特征在于，所述方法还包括：将第一输入数据输入到对应的功率预测网络进行训练，确定训练得到的功率预测模型的第一训练误差；将所述第一输入数据和预设的第二输入数据合并为输入数据集，输入到所述第一输入数据对应的功率预测网络进行训练，确定训练得到的功率预测模型的第二训练误差；将所述第一输入数据和预设的第三输入数据合并为输入数据集，输入到所述第一输入数据对应的功率预测网络进行训练，确定训练得到的功率预测模型的第三训练误差；根据所述第一训练误差、所述第二训练误差以及所述第三训练误差，得到所述功率预测模型的权重；则所述对所述第一初始发电功率、所述第二初始发电功率以及所述第三初始发电功率进行融合计算，得到所述风力发电机组在下一个周期的预测发电功率，包括：根据所述第一初始发电功率关联的功率预测模型的权重、所述第二初始发电功率关联
的功率预测模型的权重、所述第三初始发电功率关联的功率预测模型的权重，对所述第一初始发电功率、所述第二初始发电功率以及所述第三初始发电功率进行加权求和，得到所述风力发电机组在下一个周期的预测发电功率；其中，若所述第一输入数据为所述历史气象数据，则所述功率预测模型为所述极速学习机预测模型、所述第二输入数据为所述风力发电机组的历史运行数据、所述第三输入数据为所述测风塔的历史风力数据；或者，若所述第一输入数据为所述风力发电机组的历史运行数据，则所述功率预测模型为所述极端梯度增强树预测模型、所述第二输入数据为所述历史气象数据，所述第三输入数据为所述风力发电机组的历史运行数据；或者，若所述第一输入数据为所述测风塔的历史风力数据，则所述功率预测模型为所述长短期记忆网络预测模型、所述第二输入数据为所述历史气象数据、所述第三输入数据为所述风力发电机组的历史运行数据。4.根据权利要求3所述的方法，其特征在于，所述根据所述第一训练误差、所述第二训练误差以及所述第三训练误差，得到所述功率预测模型的权重，包括：若所述功率预测模型为所述极速学习机预测模型、所述第一输入数据为所述历史气象数据、所述第二输入数据为所述风力发电机组的历史运行数据、所述第三输入数据为所述测风塔的历史风力数据，则采用算式：确定所述极速学习机预测模型的权重因子c1；其中，ε1为根据所述历史气象数据训练得到的极速学习机预测模型的第一训练误差，ε
12
为根据所述历史气象数据和所述风力发电机组的历史运行数据合并的数据集，训练得到的极速学习机预测模型的第二训练误差，ε
13
为根据所述历史气象数据和所述测风塔的历史风力数据合并的数据集，训练得到的极速学习机预测模型的第三训练误差；或者，若所述功率预测模型为极端梯度增强树预测模型、所述第一输入数据为所述风力发电机组的历史运行数据、所述第二输入数据为所述历史气象数据、所述第三输入数据为所述测风塔的历史风力数据，则采用算式：确定所述极端梯度增强树预测...

【专利技术属性】
技术研发人员：袁博文，安佰慧，赵胜利，石君业，刘冰，金龙，黄懿，
申请(专利权)人：中国三峡新能源集团股份有限公司辽宁分公司，
类型：发明
国别省市：