【技术实现步骤摘要】
本申请涉及风功率预测，特别是涉及一种风功率预测方法、装置、计算机设备和存储介质。
技术介绍
1、风能是一种清洁、可再生的能源，其开发利用对于促进能源结构调整和减少环境污染具有重要意义。风功率预测是风能利用的关键技术之一，对于风力发电厂的运营和电力系统的稳定性具有重要影响。为了提高风功率预测的准确性和可靠性，研究者们不断探索新的预测方法和技术。
2、目前，常常采用单一的预测模型进行预测短期风功率，然而，单一的预测模型往往难以考虑到各种因素之间的复杂相互作用，对于短期风功率的预测结果的准确性和灵活性较低。
3、因此，亟需一种风功率预测方法、装置、计算机设备和存储介质来提高对于短期风功率的预测结果的准确性和灵活性。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够提高对于短期风功率的预测结果的准确性和灵活性的风功率预测方法、装置、计算机设备和存储介质。
2、第一方面，本申请提供了一种风功率预测方法，包括：
3、获取历史风功率的时间序列数据，所述时间序列数据包含不同时间点的风功率值；
4、对所述历史风功率的时间序列数据进行归一化处理，根据归一化处理之后的所述历史风功率的时间序列数据，分别训练极限学习机模型、长短时记忆神经网络模型和时间卷积网络模型；
5、根据所述极限学习机模型、所述长短时记忆神经网络模型和所述时间卷积网络模型，训练多目标预测模型；
6、采用多目标哈里斯鹰算法，获取所述多目标预测
7、采用深度确定性策略梯度方法，根据所述帕累托最优解集，获取所述多目标预测模型中各模型的动态最优权值；
8、根据所述多目标预测模型中的各模型及相应的动态最优权值，获取短期风功率的预测结果，可视化显示所述预测结果。
9、在其中一个实施例中，所述对所述历史风功率的时间序列数据进行归一化处理，根据归一化处理之后的所述历史风功率的时间序列数据，分别训练极限学习机模型、长短时记忆神经网络模型和时间卷积网络模型，包括：
10、采用序列分解方法ceemdan，对所述历史风功率的时间序列数据进行分解，获得多个第一子序列数据和残差序列；
11、通过所述多个第一子序列数据，分别同时训练极限学习机模型、长短时记忆神经网络模型和时间卷积网络模型。
12、在其中一个实施例中，所述根据所述多目标预测模型中的各模型及相应的动态最优权值，获取风功率的预测结果，可视化显示所述预测结果包括：
13、获取目标风功率的时间序列数据；
14、采用序列分解方法ceemdan，对所述目标风功率的时间序列数据进行分解，获得多个第二子序列数据；
15、通过所述多目标预测模型中的各模型，同时对所述多个第二子序列数据进行遍历预测，获得相应的第一预测结果、第二预测结果和第三预测结果；
16、根据各模型相应的动态最优权值，对所述第一预测结果、所述第二预测结果和所述第三预测结果进行加权计算，获得短期风功率的预测结果。
17、在其中一个实施例中，所述根据所述极限学习机模型、所述长短时记忆神经网络模型和所述时间卷积网络模型，训练多目标预测模型，包括：
18、获取测试风功率的时间序列数据；
19、采用序列分解方法ceemdan，对所述测试风功率的时间序列数据进行分解，获得多个第三子序列数据；
20、根据所述极限学习机模型、所述长短时记忆神经网络模型和所述时间卷积网络模型，同时对所述多个第三子序列数据进行遍历测试，获得相应的第一测试结果、第二测试结果和第三测试结果；
21、获取实际短期风功率分别与第一测试结果、第二测试结果和第三测试结果之间的均方误差和标准差；
22、以均方误差的最小值和标准差的最小值作为优化目标，训练多目标预测模型。
23、在其中一个实施例中，所述采用深度确定性策略梯度方法，根据所述帕累托最优解集，获取所述多目标预测模型中各模型的动态最优权值，包括：
24、采用深度确定性策略梯度方法，将所述帕累托最优解集定义为智能体的动作向量；
25、通过所述智能体的动作向量，迭代更新所述多目标预测模型的权重和偏置，获得所述多目标预测模型中各模型的动态最优权值。
26、在其中一个实施例中，所述通过所述智能体的动作向量，迭代更新所述多目标预测模型的权重和偏置，包括：
27、通过所述智能体的动作向量，基于最小平均绝对百分比误差原则，从所述帕累托最优解集中选择静态权值系数；
28、根据所述静态权值系数和所述实际短期风功率，获取参考误差；
29、分析所述均方误差的最小值、所述标准差的最小值和所述参考误差之间的相关性；
30、根据所述相关性，获取奖励函数；
31、通过所述奖励函数，迭代更新所述多目标预测模型的权重和偏置。
32、第二方面，本申请还提供了一种风功率预测装置，包括：
33、获取模块，用于获取历史风功率的时间序列数据，所述时间序列数据包含不同时间点的风功率值；
34、模型建立模块，用于对所述历史风功率的时间序列数据进行归一化处理，根据归一化处理之后的所述历史风功率的时间序列数据，分别训练极限学习机模型、长短时记忆神经网络模型和时间卷积网络模型；
35、模型建立模块，还用于根据所述极限学习机模型、所述长短时记忆神经网络模型和所述时间卷积网络模型，训练多目标预测模型；
36、处理模块，用于采用多目标哈里斯鹰算法，获取所述多目标预测模型的组合权值向量的帕累托最优解集；
37、处理模块，还用于采用深度确定性策略梯度方法，根据所述帕累托最优解集，获取所述多目标预测模型中各模型的动态最优权值；
38、处理模块，还用于根据所述多目标预测模型中的各模型及相应的动态最优权值，获取风功率的预测结果；
39、显示模块，用于可视化显示所述预测结果。
40、第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
41、获取历史风功率的时间序列数据，所述时间序列数据包含不同时间点的风功率值；
42、对所述历史风功率的时间序列数据进行归一化处理，根据归一化处理之后的所述历史风功率的时间序列数据，分别训练极限学习机模型、长短时记忆神经网络模型和时间卷积网络模型；
43、根据所述极限学习机模型、所述长短时记忆神经网络模型和所述时间卷积网络模型，训练多目标预测模型；
44、采用多目标哈里斯鹰算法，获取所述多目标预测模型的组合权值向量的帕累托最优解集；
45、采用深度确定性策略梯度方法，根据所述帕累托最优解集，获取所述多目标预测模型中各模型的动态最优权值；...
【技术保护点】
1.一种风功率预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述历史风功率的时间序列数据进行归一化处理，根据归一化处理之后的所述历史风功率的时间序列数据，分别训练极限学习机模型、长短时记忆神经网络模型和时间卷积网络模型，包括：
3.根据权利要求1所述的方法，其特征在于，所述根据所述多目标预测模型中的各模型及相应的动态最优权值，获取风功率的预测结果，包括：
4.根据权利要求1所述的方法，其特征在于，所述根据所述极限学习机模型、所述长短时记忆神经网络模型和所述时间卷积网络模型，训练多目标预测模型，包括：
5.根据权利要求4所述的方法，其特征在于，所述采用深度确定性策略梯度方法，根据所述帕累托最优解集，获取所述多目标预测模型中各模型的动态最优权值，包括：
6.根据权利要求5所述的方法，所述通过所述智能体的动作向量，迭代更新所述多目标预测模型的权重和偏置，包括：
7.一种风功率预测装置，其特征在于，所述装置包括：
8.一种计算机设备，包括存储器和处理器，所述存储器存
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种风功率预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述历史风功率的时间序列数据进行归一化处理，根据归一化处理之后的所述历史风功率的时间序列数据，分别训练极限学习机模型、长短时记忆神经网络模型和时间卷积网络模型，包括：
3.根据权利要求1所述的方法，其特征在于，所述根据所述多目标预测模型中的各模型及相应的动态最优权值，获取风功率的预测结果，包括：
4.根据权利要求1所述的方法，其特征在于，所述根据所述极限学习机模型、所述长短时记忆神经网络模型和所述时间卷积网络模型，训练多目标预测模型，包括：
5.根据权利要求4所述的方法，其特征在于，所述采用深度确定性策略梯度方法，根据所述帕累托最优解集，...
【专利技术属性】
技术研发人员：卓毅鑫，蒙文川，唐健，杨再敏，邓秋荃，饶志，韦恒，黄馗，罗翠云，陈标，胡甲秋，黎立丰，孙思扬，李爽，王冰林，
申请(专利权)人：广西电网有限责任公司，
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。