短期风电功率预测方法技术

本申请提出一种短期风电功率预测方法

【技术实现步骤摘要】
短期风电功率预测方法、装置、电子设备和存储介质


[0001]本申请涉及风电发电
，尤其涉及一种短期风电功率预测方法
、
装置
、
电子设备和存储介质
。

技术介绍

[0002]可再生能源的快速发展对缓解气候变化和能源危机具有重要意义
。
风电作为最具代表性的可再生能源之一，近三十年得到了快速发展，
1990
年至
2016
年间，风电机组装机容量的年平均增长率为
23.6
％
。
风电具有随机性和波动性，随着新型电力系统的发展，对风电的功率预测精度提出了更高要求
。
因此研究精准的风电功率预测技术具有重要意义
。
[0003]根据预测的时间尺度，风电功率预测技术可以分为超短期预测
、
短期预测以及中长期预测
。
短期预测一直是风电功率预测领域的重点研究方向之一，因此国内外对短期风电功率预测已有较多研究
。
[0004]目前，针对风电场站短期功率预测，通常是利用短期风电功率预测模型采用风电场在过去一段历史时间段内与风电功率预测有关的各个历史时刻上的多源数据，对风电场在未来时间段内各个待预测时刻上的风电功率进行预测
。
然而，相关技术中，短期风电功率预测模型在对任意一个待预测时刻上的风电发电功率进行预测时，认为各个历史时刻上的多源数据中各数据在进行风电功率预测时所起到的作用是相同的，未突显关键信息的作用，从而导致模型所预测出的风电场在对应待预测时刻上的风电功率不准确，因此，如何准确预测出风电场在对应待预测时刻上的风电功率是目前亟需解决的技术问题
。

技术实现思路

[0005]本申请提出一种短期风电功率预测方法
、
装置
、
电子设备和存储介质
。
[0006]本申请第一方面实施例提出了一种短期风电功率预测方法，所述方法包括：获取风电场在当前时刻以及当前时刻之前的历史时间段内的各个历史时刻上的多源历史数据，其中，所述多源历史数据均与预测所述风电场的风电功率有关；获取所述风电场在待预测时刻上所对应的数值天气预报数据，其中，所述待预测时刻为所述当前时刻之后的时刻；针对各个历史时刻，通过短期风电功率预测模型中的输入注意力层确定所述历史时刻上的多源历史数据中各数据的第一注意力权重，并根据所述第一注意力权重对所述历史时刻上的多源历史数据中各数据进行加权处理，以得到所述历史时刻上的加权后的多源历史数据；将各个所述历史时刻上的加权后的多源历史数据输入到所述短期风电功率预测模型中的编码层，以通过所述编码层确定各个历史时刻上的加权后的多源历史数据的隐藏状态向量；将各个历史时刻上的隐藏状态向量输入到所述短期风电功率预测模型中的时间注意力层，以得到各个历史时刻上的隐藏状态向量在所述待预测时刻上的第二注意力权重，并根据所述第二注意力权重对各个历史时刻上的隐藏状态向量进行加权求和处理，以得到目标向量；将所述目标向量和所述数值天气预报数据输入到所述短期风电功率预测模型中的解码层，以得到所述风电场在所述待预测时刻上的风电功率预测值
。
[0007]在本申请的一个实施例中，所述编码层包括：第一
LSTM
子层，所述输入注意力层包括：输入注意力子层和第一
Softmax
子层，所述通过短期风电功率预测模型中的输入注意力层确定所述历史时刻上的多源历史数据中各数据的第一注意力权重，并根据所述第一注意力权重对所述历史时刻上的多源历史数据中各数据进行加权处理，以得到所述历史时刻上的加权后的多源历史数据，包括：获取所述第一
LSTM
子层中第一目标
LSTM
单元的隐藏状态向量和单元状态向量，其中，所述第一目标
LSTM
单元为所述第一
LSTM
子层中用于对所述历史时刻的上一个时刻的多源历史数据进行处理的
LSTM
单元；将所述历史时刻上的多源历史数据
、
所述第一目标
LSTM
单元的隐藏状态向量和单元状态向量输入到所述输入注意力子层中，以通过所述输入注意力子层确定所述历史时刻上的多源历史数据中各个数据的第一注意力分数；将所述第一注意力分数输入到所述第一
Softmax
子层，以通过所述第一
Softmax
子层中的
softmax
函数对所述第一注意力分数进行规范化处理，以得到所述历史时刻上的多源历史数据中各个数据的第一注意力权重
。
[0008]在本申请的一个实施例中，所述时间注意力层包括：时间注意力子层和第二
Softmax
子层，所述将各个历史时刻上的隐藏状态向量输入到所述短期风电功率预测模型中的时间注意力层，以得到各个历史时刻上的隐藏状态向量在所述待预测时刻上的第二注意力权重，并根据所述第二注意力权重对各个历史时刻上的隐藏状态向量进行加权求和处理，以得到目标向量，包括：获取所述编码层的第一
LSTM
子层中第二目标
LSTM
单元的隐藏状态向量和单元状态向量，其中，所述第二目标
LSTM
单元为所述第一
LSTM
子层中用于对所述风电场在所述待预测时刻的上一个时刻的风电功率预测值进行处理的
LSTM
单元；针对各个历史时刻，获取所述第一
LSTM
子层中第三目标
LSTM
单元输出的所述历史时刻上所对应的隐藏状态向量，其中，所述第三目标
LSTM
单元为所述第一
LSTM
子层中用于对所述历史时刻上的加权后的多源历史数据进行处理的
LSTM
单元；将所述历史时刻上所对应的隐藏状态向量
、
所述第二目标
LSTM
单元的隐藏状态向量和单元状态向量输入到所述时间注意力子层，以得到所述历史时刻上所对应的隐藏状态向量在所述待预测时刻上的第二注意力分数；将所述第二注意力分数输入到所述第二
Softmax
子层，以通过所述第二
Softmax
子层中的
softmax
函数对所述第二注意力分数进行规范化处理，以得到所述历史时刻上所对应的隐藏状态向量在所述待预测时刻上的第二注意力权重所述第三目标
LSTM
单元为所述第一
LSTM
子层
。
[0009]在本申请的一个实施例中，所述解码层包括第二
LSTM
子层和解码子层，所述将所述目标向量和所述数值天气预报数据输入到所述短期风电功率预测模型中的解码层，以得到所述风电场在所述待预测时刻上的风电功率预测值，包括：将所述目标向量和所述数值天气预报数据输入到所述第二
LSTM
子层中，以得到所述风电场在所述待预测时刻本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种短期风电功率预测方法，其特征在于，所述方法包括：获取风电场在当前时刻以及当前时刻之前的历史时间段内的各个历史时刻上的多源历史数据，其中，所述多源历史数据均与预测所述风电场的风电功率有关；获取所述风电场在待预测时刻上所对应的数值天气预报数据，其中，所述待预测时刻为所述当前时刻之后的时刻；针对各个历史时刻，通过短期风电功率预测模型中的输入注意力层确定所述历史时刻上的多源历史数据中各数据的第一注意力权重，并根据所述第一注意力权重对所述历史时刻上的多源历史数据中各数据进行加权处理，以得到所述历史时刻上的加权后的多源历史数据；将各个所述历史时刻上的加权后的多源历史数据输入到所述短期风电功率预测模型中的编码层，以通过所述编码层确定各个历史时刻上的加权后的多源历史数据的隐藏状态向量；将各个历史时刻上的隐藏状态向量输入到所述短期风电功率预测模型中的时间注意力层，以得到各个历史时刻上的隐藏状态向量在所述待预测时刻上的第二注意力权重，并根据所述第二注意力权重对各个历史时刻上的隐藏状态向量进行加权求和处理，以得到目标向量；将所述目标向量和所述数值天气预报数据输入到所述短期风电功率预测模型中的解码层，以得到所述风电场在所述待预测时刻上的风电功率预测值
。2.
如权利要求1所述的方法，其特征在于，所述编码层包括：第一
LSTM
子层，所述输入注意力层包括：输入注意力子层和第一
Softmax
层，所述通过短期风电功率预测模型中的输入注意力层确定所述历史时刻上的多源历史数据中各数据的第一注意力权重，并根据所述第一注意力权重对所述历史时刻上的多源历史数据中各数据进行加权处理，以得到所述历史时刻上的加权后的多源历史数据，包括：获取所述第一
LSTM
子层中第一目标
LSTM
单元的隐藏状态向量和单元状态向量，其中，所述第一目标
LSTM
单元为所述第一
LSTM
子层中用于对所述历史时刻的上一个时刻的多源历史数据进行处理的
LSTM
单元；将所述历史时刻上的多源历史数据
、
所述第一目标
LSTM
单元的隐藏状态向量和单元状态向量输入到所述输入注意力子层中，以通过所述输入注意力子层确定所述历史时刻上的多源历史数据中各个数据的第一注意力分数；将所述第一注意力分数输入到所述第一
Softmax
子层，以通过所述第一
Softmax
子层中的
softmax
函数对所述第一注意力分数进行规范化处理，以得到所述历史时刻上的多源历史数据中各个数据的第一注意力权重
。3.
如权利要求1所述的方法，其特征在于，所述时间注意力层包括：时间注意力子层和第二
Softmax
子层，所述将各个历史时刻上的隐藏状态向量输入到所述短期风电功率预测模型中的时间注意力层，以得到各个历史时刻上的隐藏状态向量在所述待预测时刻上的第二注意力权重，并根据所述第二注意力权重对各个历史时刻上的隐藏状态向量进行加权求和处理，以得到目标向量，包括：获取所述编码层的第一
LSTM
子层中第二目标
LSTM
单元的隐藏状态向量和单元状态向量，其中，所述第二目标
LSTM
单元为所述第一
LSTM
子层中用于对所述风电场在所述待预测
时刻的上一个时刻的风电功率预测值进行处理的
LSTM
单元；针对各个历史时刻，获取所述第一
LSTM
子层中第三目标
LSTM
单元输出的所述历史时刻上所对应的隐藏状态向量，其中，所述第三目标
LSTM
单元为所述第一
LSTM
子层中用于对所述历史时刻上的加权后的多源历史数据进行处理的
LSTM
单元；将所述历史时刻上所对应的隐藏状态向量
、
所述第二目标
LSTM
单元的隐藏状态向量和单元状态向量输入到所述时间注意力子层，以得到所述历史时刻上所对应的隐藏状态向量在所述待预测时刻上的第二注意力分数；将所述第二注意力分数输入到所述第二
Softmax
子层，以通过所述第二
Softmax
子层中的
softmax
函数对所述第二注意力分数进行规范化处理，以得到所述历史时刻上所对应的隐藏状态向量在所述待预测时刻上的第二注意力权重
。4.
如权利要求1所述的方法，其特征在于，所述解码层包括第二
LSTM
子层和解码子层，所述将所述目标向量和所述数值天气预报数据输入到所述短期风电功率预测模型中的解码层，以得到所述风电场在所述待预测时刻上的风电功率预测值，包括：将所述目标向量和所述数值天气预报数据输入到所述第二
LSTM
子层中，以得到所述风电场在所述待预测时刻上对应的隐藏状态向量；将所述风电场在所述待预...

【专利技术属性】
技术研发人员：刘雅欣，王青天，曹治，王芸靖，林昇，温晗秋子，王一妹，
申请(专利权)人：华能澜沧江水电股份有限公司，
类型：发明
国别省市：