本申请提供一种风功率的处理方法、装置、设备及存储介质。该方法包括:分别获取当前的气象数据,测风塔采集获取的风力数据,以及风能发电机的相关数据,采用预配置的风功率融合预测模型,对气象数据,风力数据以及风能发电机的相关数据进行分析处理,以获取对应的风功率,其中,风功率融合预测模型包括:用于对风力数据进行分析处理的预配置的极端梯度增强树预测模型、用于对风能发电机的相关数据进行分析处理的预配置的长短期记忆网络预测模型,以及用于对气象数据进行分析处理的预配置的卷积神经网络预测模型。本申请的方法,提高了风力发电机输出的风功率的预测结果准确性。
【技术实现步骤摘要】
本申请涉及风力发电,尤其涉及一种风功率的处理方法、装置、设备及存储介质。
技术介绍
1、风力发电技术是利用风能转换为电能的一种可再生能源技术,其已经广泛应用于各种场景,例如风力发电机等。但是,由于风能的不可控性,因此可能会导致风力发电机输出的风功率具有波动性和间歇性等问题,从而导致供电效率相对较差。
2、为了解决现有技术中供电效率相对较差的问题,现有技术中主要采用神经网络模型方式,对风力发电机输出的风功率进行预测,以确定是否对风力发电机进行调控,以保证调控后输出的风功率不具有波动性和间歇性,进而提高供电效率。
3、但是,由于风功率数据的离散和连续数据相结合且存在异常值的特点,仅采用神经网络模型的方式,对风力发电机的输出的风功率进行预测,会导致预测结果可能不准确,从而无法基于准确结果对风力发电机进行有效调控,进而可能依然导致供电效率相对较差的技术问题。
技术实现思路
1、本申请提供一种风功率的处理方法、装置、设备及存储介质,用以解决现有技术中由于仅采用神经网络模型方式,对风力发电机输出的风功率进行预测,导致预测结果不准确,从而导致供电效率相对较差的技术问题。
2、第一方面,本申请提供一种风功率的处理方法,包括:
3、分别获取当前的气象数据,测风塔采集获取的风力数据,以及风能发电机的相关数据;
4、采用预配置的风功率融合预测模型,对所述气象数据,所述风力数据以及所述风能发电机的相关数据进行分析处理,以获取对应的风功率;
5、其中,所述风功率融合预测模型包括:用于对所述风力数据进行分析处理的预配置的极端梯度增强树预测模型、用于对所述风能发电机的相关数据进行分析处理的预配置的长短期记忆网络预测模型,以及用于对所述气象数据进行分析处理的预配置的卷积神经网络预测模型。
6、在上述的一种风功率的处理方法的优选技术方案中,获取所述预配置的风功率融合预测模型,包括:
7、分别获取第一训练样本集合、第二训练样本集合和第三训练样本集合;其中,所述第一训练样本集合中包括多个第一训练样本子集,每个第一训练样本子集中包括:待训练的气象数据,以及与所述待训练的气象数据对应的第一待训练风功率;所述第二训练样本集合中包括多个第二训练样本子集,每个第二训练样本子集中包括:待训练的风力数据,以及与所述待训练的风力数据对应的第二待训练风功率;所述第三训练样本集合中包括多个第三训练样本子集,每个第三训练样本子集中包括:待训练的风能发电机的相关数据,以及与所述待训练的风能发电机的相关数据对应的第二待训练风功率;
8、分别使用极速学习机作为基回归器以构建初始卷积神经网络预测模型,使用决策树作为基回归器以构建初始极端梯度增强树预测模型,以及使用循环神经网络作为基回归器构建初始长短期记忆网络预测模型;
9、对于每个训练样本集合,基于马氏距离,样本子集被选为局部区域支配样本点的概率,以及样本点的权重,迭代从所述训练样本集合中,获取多个数据子集,以形成数据子集集合;
10、根据所述第一训练样本集合对应的第一数据子集集合,对所述初始卷积神经网络预测模型进行训练处理,以获取所述预配置的卷积神经网络预测模型;
11、根据所述第二训练样本集合对应的第二数据子集集合,对所述初始极端梯度增强树预测模型进行训练处理,以获取所述预配置的极端梯度增强树预测模型;
12、根据所述第三训练样本集合对应的第三数据子集集合,对所述初始长短期记忆网络预测模型进行训练处理,以获取所述预配置的长短期记忆网络预测模型。
13、在上述的一种风功率的处理方法的优选技术方案中,所述对于每个训练样本集合,基于马氏距离,样本子集被选为局部区域支配样本点的概率,以及样本点的权重,迭代从所述训练样本集合中,获取多个数据子集,以形成数据子集集合,包括:
14、对于每个训练样本集合,从所述训练样本集合中,随机选取部分训练样本子集作为第n轮局部区域支配样本点;
15、根据所述第n轮局部区域支配样本点,使用马氏距离,以及样本子集被选为局部区域支配样本点的概率,迭代选取第n+1轮局部区域支配样本点,将n加1,并重复该步骤,直至选取t轮局部区域支配样本点,并将t轮局部区域支配样本点形成局部区域支配样本集合;
16、对于每个训练样本集合所对应的局部区域支配样本集合,获取所述局部区域支配样本集合中每个样本点的权重,并基于权重,迭代从所述训练样本集合中,获取t个数据子集,以形成数据子集集合;
17、其中,n和t为正整数,且n大于或等于1,且初始为1。
18、在上述的一种风功率的处理方法的优选技术方案中,所述根据所述第一训练样本集合对应的第一数据子集集合,对所述初始卷积神经网络预测模型进行训练处理,以获取所述预配置的卷积神经网络预测模型,包括:
19、将所述第一数据子集集合中的每个第一数据子集,分别输入至所述初始卷积神经网络预测模型中的每个基回归器中,以进行训练处理,以获取每个基回归器对应的误差值;
20、按照误差值从小到大的顺序,对所述基回归器进行排序处理,以将排序后的基回归器形成初始基回归器集合;
21、将所述初始基回归器集合中的排序第1基回归器和排序第2基回归器加入最终基回归器集合中,并采用双度量误差标准算法,获取所述最终基回归器对应的第1多样性度量标准值;
22、将所述初始基回归器集合中的排序第t基回归器加入所述最终基回归器集合中,并采用双度量误差标准算法,获取所述最终基回归器集合对应的第m+1多样性度量标准值,并判断所述第m+1多样性度量标准值是否小于所述第m多样性度量标准值,若大于,则将t和m分别加1,重复该步骤,直至判断出所述第m+1多样性度量标准值小于所述第m多样性度量标准值,将所述第m+1多样性度量标准值对应的所述最终基回归器集合作为所述预配置的卷积神经网络预测模型;
23、其中,t和m均为正整数,且t大于或等于3,且初始为3,m大于或等于1,且初始为1。
24、在上述的一种风功率的处理方法的优选技术方案中,所述气象数据包括:横向风速、纵向风速、温度以及湿度。
25、在上述的一种风功率的处理方法的优选技术方案中,所述风力数据包括:风速和风向。
26、在上述的一种风功率的处理方法的优选技术方案中,所述风能发电机的相关数据包括:风轮转速和风机状态。
27、第二方面,本申请提供一种风功率的处理装置,包括:
28、获取模块,用于分别获取当前的气象数据,测风塔采集获取的风力数据,以及风能发电机的相关数据;
29、处理模块,用于采用预配置的风功率融合预测模型,对所述气象数据,所述风力数据以及所述风能发电机的相关数据进行分析处理,以获取对应的风功率;
30、获取模块,还用于获取所述风功率融合预测模型,所述风功率融合预测模型包括:用于对所述风力数据进行分析处理的本文档来自技高网
...
【技术保护点】
1.一种风功率的处理方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,获取所述预配置的风功率融合预测模型,包括:
3.根据权利要求2所述的方法,其特征在于,所述对于每个训练样本集合,基于马氏距离,样本子集被选为局部区域支配样本点的概率,以及样本点的权重,迭代从所述训练样本集合中,获取多个数据子集,以形成数据子集集合,包括:
4.根据权利要求2所述的方法,其特征在于,所述根据所述第一训练样本集合对应的第一数据子集集合,对所述初始卷积神经网络预测模型进行训练处理,以获取所述预配置的卷积神经网络预测模型,包括:
5.根据权利要求1至4任一所述的方法,其特征在于,所述气象数据包括:横向风速、纵向风速、温度以及湿度。
6.根据权利要求1至4任一所述的方法,其特征在于,所述风力数据包括:风速和风向。
7.根据权利要求1至4任一所述的方法,其特征在于,所述风能发电机的相关数据包括:风轮转速和风机状态。
8.一种风功率的处理装置,其特征在于,包括:
9.一种电子设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1至7任一项所述的方法。
...
【技术特征摘要】
1.一种风功率的处理方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,获取所述预配置的风功率融合预测模型,包括:
3.根据权利要求2所述的方法,其特征在于,所述对于每个训练样本集合,基于马氏距离,样本子集被选为局部区域支配样本点的概率,以及样本点的权重,迭代从所述训练样本集合中,获取多个数据子集,以形成数据子集集合,包括:
4.根据权利要求2所述的方法,其特征在于,所述根据所述第一训练样本集合对应的第一数据子集集合,对所述初始卷积神经网络预测模型进行训练处理,以获取所述预配置的卷积神经网络预测模型,包括:
5.根据权利要求1至4任一...
【专利技术属性】
技术研发人员:赵胜利,安佰慧,袁博文,朱大超,刘冰,石君业,金龙,黄懿,张博,王海琪,
申请(专利权)人:中国三峡新能源集团股份有限公司,
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。