【技术实现步骤摘要】
本专利技术涉及风功率预测，尤其涉及一种利用深度学习和多源数据的短临风功率预测方法和系统。
技术介绍
1、电功率预测技术是指对未来一段时间内风电场所能输出的功率大小进行预测，以便安排调度计划；因为风能属于随机波动的不稳定能源，大规模的风电并入系统，必将会对系统的稳定性带来新的挑战；电力生产调度机构需要对未来数小时的风电输出功率有所了解；按风电场出力预测时间尺度划分，包括：长期预测、中期预测、短期预测以及超短期预测。
2、随着风力发电技术日臻成熟，风电单机容量和并网型风电场规模不断扩大，风电占电力系统发电总量的比例也逐年增加。风电场穿透功率不断加大，给电力系统带来的一系列问题日益突出，严重威胁、电力系统安全、稳定、经济、可靠运行；对风电功率进行及时准确的预测，可以显著增强电力系统的安全性、稳定性、经济性和可控性。
3、而地形对风功率有很大的影响；地形的高度和形状会改变风的流动和速度分布，从而影响风功率的大小和分布；一般来说，地形越复杂，风功率的分布也越不均匀；例如，在山地或海岸线附近的风电场中，由于地形的影响，风速和风向可能会发生急剧变化，从而导致风功率的波动。因此，有必要设计一种利用深度学习和多源数据的短临风功率预测方法和系统，已解决上述问题。
技术实现思路
1、本专利技术克服了现有技术的不足，提供一种利用深度学习和多源数据的短临风功率预测方法和系统。
2、为达到上述目的，本专利技术采用的技术方案为：一种利用深度学习和多源数据的短临风功率预测方法，
3、s1、获取短临风功率预测的周围环境地形，收集地貌特征数据；
4、s2、收集历史风功率数据、地形数据和实时监测的风向数据，并对数据进行预处理；
5、s3、基于处理所得的数据，构建风功率预测的深度学习模型；
6、s4、将获取的地形数据和实时监测的风向数据，与历史风功率数据结合起来，构建特征向量；
7、s5、将准备好的数据集划分为训练集和测试集，使用训练集对深度学习模型进行训练；
8、s6、实时监测的风向数据作为输入，通过训练好的深度学习模型进行风功率预测。
9、本专利技术一个较佳实施例中，在所述s1中，地貌特征数据包括：地形高度、坡度、海拔等数据信息。
10、本专利技术一个较佳实施例中，在所述s2中，预处理采用平滑处理、归一化和标准化的方式。
11、本专利技术一个较佳实施例中，在所述s4中，将历史风功率数据和实时监测的风向数据组合成输入序列，并以此输入序列与对应的风功率值一一对齐，建立时间序列的数据样本。
12、本专利技术一个较佳实施例中，实时监测的风向数据采用三维向量计算方法，将三个方向的风速信息合成一个三维向量。
13、一种利用深度学习和多源数据的短临风功率预测系统，使用上述权利要求任一项所述的一种利用深度学习和多源数据的短临风功率预测方法，包括：搭载的中控系统，以及其内部搭载的数据收集模块、数据整理模块、处理分析模块、训练模块和信息传输模块，所述数据收集模块搭载实时风向数据的监测组件；
14、所述数据收集模块收集风电场周围的地形特征数据、历史风功率数据和实时监测的风向数据；
15、所述数据整理模块对地形特征数据、历史风功率数据和实时监测的风向数据系统化的整理，确保数据格式的正确；
16、所述处理分析模块以地形特征数据和历史风功率数据为依据，构建深度学习模型，并以实时监测的风向数据为输入量，对齐与之对应的风功率值；
17、所述训练模块在深度学习模型的基础上加入实时监测的风向数据，以此调整模型的超参数，如学习率、批大小、迭代次数等，以优化模型性能。
18、本专利技术一个较佳实施例中，所述信息传输模块用于数据收集模块、数据整理模块、处理分析模块和训练模块之间信号传输。
19、本专利技术一个较佳实施例中，所述监测组件包括：若干柔性条，以及与所述柔性条对应的应变传感器；所述柔性条的两端分别为自由端和固定端设置，所述固定端固定在应变传感器的壳体位置，所述自由端自由发生振动。
20、本专利技术一个较佳实施例中，若干所述柔性条在空间上呈x、y、z轴分布。
21、本专利技术一个较佳实施例中，对于柔性条在三维向量中三个方向的风速计算方法；
22、假设三个方向的风速分别为vx、vy、vz，则可以构建一个三维向量v＝(vx,vy,vz)，表示风速的大小和方向，采用|v|＝sqrt(vx^2+vy^2+vz^2)公式计算风速大小，采用v_unit＝(vx,vy,vz)/|v|的公式计算风速方向
23、本专利技术解决了
技术介绍
中存在的缺陷，本专利技术具备以下有益效果：
24、(1)本专利技术提供了一种利用深度学习和多源数据的短临风功率预测方法和系统，利用历史风功率数据、地形数据和实时监测的风向数据构建成深度学习模型，并将地形数据和实时监测的风向数据与历史风功率数据结合起来，构建特征向量，以历史风功率数据和实时监测的风向数据组合成输入序列，并将其与对应的风功率值对齐，实时监测短临风的数据，并以此数据输入至深度学习模型中，进行风功率的预测，从而可以在不同的地理环境下，精准的预测短临风功率，使得预测的效果更加准确。
25、(2)本专利技术通过实时监测的风向数据作为输入值，对深度学习模型进行实时优化，进而具体细化不同状态的风向数据，进一步优化短临风功率的预测。
26、(3)本专利技术通过建立时间序列的数据样本，可以更好地捕捉风功率与风向之间的关系，并用于风功率的预测；这样的输入序列可以作为机器学习模型的输入，通过学习历史数据的模式和规律，来预测未来的风功率。
本文档来自技高网...【技术保护点】
1.一种利用深度学习和多源数据的短临风功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1的一种利用深度学习和多源数据的短临风功率预测方法，其特征在于：在S1中，地貌特征数据包括：地形高度、坡度、海拔等数据信息。
3.根据权利要求1的一种利用深度学习和多源数据的短临风功率预测方法，其特征在于：在S2中，预处理采用平滑处理、归一化和标准化的方式。
4.根据权利要求1的一种利用深度学习和多源数据的短临风功率预测方法，其特征在于：在S4中，将历史风功率数据和实时监测的风向数据组合成输入序列，并以此输入序列与对应的风功率值一一对齐，建立时间序列的数据样本。
5.根据权利要求1的一种利用深度学习和多源数据的短临风功率预测方法，其特征在于：实时监测的风向数据采用三维向量计算方法，将三个方向的风速信息合成一个三维向量。
6.一种利用深度学习和多源数据的短临风功率预测系统，基于权利要求1-5任一项所述的一种利用深度学习和多源数据的短临风功率预测方法，包括：搭载的中控系统，以及其内部搭载的数据收集模块、数据整理模块、处理分析模块、
7.根据权利要求6的一种利用深度学习和多源数据的短临风功率预测系统，其特征在于：信息传输模块用于数据收集模块、数据整理模块、处理分析模块和训练模块之间信号传输。
8.根据权利要求6的一种利用深度学习和多源数据的短临风功率预测系统，其特征在于：监测组件包括：若干柔性条，以及与柔性条对应的应变传感器；柔性条的两端分别为自由端和固定端设置，固定端固定在应变传感器的壳体位置，自由端自由发生振动。
9.根据权利要求6的一种利用深度学习和多源数据的短临风功率预测系统，其特征在于：若干柔性条在空间上呈X、Y、Z轴分布。
10.根据权利要求6的一种利用深度学习和多源数据的短临风功率预测系统，其特征在于：对于柔性条在三维向量中三个方向的风速计算方法；
...【技术特征摘要】
1.一种利用深度学习和多源数据的短临风功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1的一种利用深度学习和多源数据的短临风功率预测方法，其特征在于：在s1中，地貌特征数据包括：地形高度、坡度、海拔等数据信息。
3.根据权利要求1的一种利用深度学习和多源数据的短临风功率预测方法，其特征在于：在s2中，预处理采用平滑处理、归一化和标准化的方式。
4.根据权利要求1的一种利用深度学习和多源数据的短临风功率预测方法，其特征在于：在s4中，将历史风功率数据和实时监测的风向数据组合成输入序列，并以此输入序列与对应的风功率值一一对齐，建立时间序列的数据样本。
5.根据权利要求1的一种利用深度学习和多源数据的短临风功率预测方法，其特征在于：实时监测的风向数据采用三维向量计算方法，将三个方向的风速信息合成一个三维向量。
6.一种利用深度学习和多源数据的短临风功率预测系统，基于权利要求1-5任一项所述的一种利用深度学...
【专利技术属性】
技术研发人员：杨静，
申请(专利权)人：信风辰光北京科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。