【技术实现步骤摘要】
本专利技术涉及机器学习，尤其涉及一种海上风电出力功率预测方法及装置。
技术介绍
1、随着风力发电技术的日益成熟，海上风电场被广泛投入应用，由于风电自身存在随机性、波动性和间歇性等特征，导致难以准确预测风电出力功率，而风电出力功率预测结果的准确性，将直接影响对风电场的消纳水平和经济效益的准确评估。
2、相关技术中，传统的基于知识驱动的风功率预测方法需要有丰富经验的研究者或者工程师高度介入，通过对风功率预测本身深层次机理的理解来推导风功率预测的特点，并结合风功率时序预测的特点，以合适的数学表达式描述各气象数据间的因果关系，以推理预测风功率出力波动的现象。常见的基于知识驱动的预测方法有模式分析、概率模型以及优化模型三种类型，大体架构如图1所示，在实际应用中，三种方法相辅相成，相互交叉。然而，基于知识驱动的风功率预测方法的缺点在于过分依赖研究人员和工程师的主观经验，模型完备性和合理性需经过长期的测试验证进行改进。
3、传统的基于数据驱动的风功率预测方法摒弃了对风功率预测本身内部机理的分析，而是以大量的试验和气象数据为基础，利用数据处理算法，分析样本间的关联关系，生成预测模型。基于数据驱动的风功率预测方法的特点在于以大量气象数据为基础提取不同类型气象数据之间的关联关系。基于数据驱动的风功率预测方法分为统计分析和人工智能两种类型，大体架构如图2所示，其中，统计分析方法更关注于分析气象数据本身的特性，而人工智能方法更关注于构建描述风电场出力功率波动的近似模型，这些方法虽在发现输入输出数据间的非线性关系方面具有优势，但却
4、由此可见，目前传统的风电出力功率预测方案普遍存在预测效率低，且预测结果可靠性差的问题。
技术实现思路
1、本专利技术提供一种海上风电出力功率预测方法及装置，用以解决传统的海上风电出力功率预测方法预测效率低且预测结果可靠性差的缺陷。
2、第一方面，本专利技术提供一种海上风电出力功率预测方法，该方法包括：
3、获取目标时段海上风电场的气象时序数据；
4、对所述气象时序数据进行维度转换，得到二维气象图像；
5、将所述二维气象图像输入预先构建的数据驱动模型，得到所述数据驱动模型输出的第一功率预测结果；
6、提取所述气象时序数据中的风速时序数据，并将所述风速时序数据按照预设风速波动等级划分为多个风速区段；
7、将所述多个风速区段的风速时序数据输入预先构建的知识驱动模型，得到所述知识驱动模型输出的第二功率预测结果；
8、基于所述第一功率预测结果和所述第二功率预测结果，得到海上风电出力功率的预测结果。
9、根据本专利技术提供的海上风电出力功率预测方法，对所述气象时序数据进行维度转换，得到二维气象图像，包括：
10、对所述气象时序数据进行量化处理，得到第一气象数据；
11、对所述第一气象数据进行极坐标转换，得到第二气象数据；
12、对所述第二气象数据进行格拉姆角场转换，得到二维气象图像。
13、根据本专利技术提供的海上风电出力功率预测方法，所述数据驱动模型包括：
14、第一卷积层，包括多种卷积核，每一所述卷积核用于对所对应采样时段长度的二维气象图像进行特征提取，得到多个第一图像特征；
15、注意力层，用于对所述多个第一图像特征进行校正，得到多个第二图像特征；
16、第二卷积层，用于根据特征权重对所述多个第二图像特征进行特征提取，得到多个第三图像特征；
17、池化层，用于对所述多个第三图像特征进行降维处理，得到多个第四图像特征；
18、拉平层，用于对所述多个第四图像特征进行压缩处理，得到多个第五图像特征；
19、全连接层，用于将所述多个第五图像特征映射为第一功率预测结果。
20、根据本专利技术提供的海上风电出力功率预测方法，将所述风速时序数据按照预设风速波动等级划分为多个风速区段，包括：
21、将风速值满足第一风速波动等级对应的风速区间的风速时序数据，划分为第一风速区段；
22、将风速值满足第二风速波动等级对应的风速区间的风速时序数据，划分为第二风速区段；
23、将风速值满足第三风速波动等级对应的风速区间的风速时序数据，划分为第三风速区段；
24、其中，所述第三风速波动等级对应的风速区间的区间上限值，高于所述第二风速波动等级对应的风速区间的区间上限值；所述第二风速波动等级对应的风速区间的区间上限值，高于所述第一风速波动等级对应的风速区间的区间上限值。
25、根据本专利技术提供的海上风电出力功率预测方法，在将风速值满足第一风速波动等级对应的风速区间的风速时序数据，划分为第一风速区段之前，所述方法还包括：
26、提取所述风速时序数据中的异常风速数据；
27、将所述异常风速数据剔除；
28、其中，所述异常风速数据包括风速下降斜率或风速上升斜率高于预设斜率阈值的风速时序数据、风速值高于预设风速上限值的风速时序数据，以及风速值低于预设风速下限值的风速时序数据中至少一种。
29、根据本专利技术提供的海上风电出力功率预测方法，将所述多个风速区段的风速时序数据输入预先构建的知识驱动模型，得到所述知识驱动模型输出的第二功率预测结果，包括：
30、通过所述知识驱动模型分别对每一所述风速区段的风速时序数据进行数据特征分析，得到每一所述风速区段的功率预测子结果；
31、通过所述知识驱动模型将所有的所述风速区段的功率预测子结果进行拼接，得到第二功率预测结果。
32、根据本专利技术提供的海上风电出力功率预测方法，基于所述第一功率预测结果和所述第二功率预测结果，得到海上风电出力功率的预测结果，包括：
33、确定所述第一功率预测结果对应的第一权重值，并确定所述第二功率预测结果对应的第二权重值；
34、基于所述第一权重值和所述第二权重值，将所述第一功率预测结果与所述第二功率预测结果进行加权求和，得到海上风电出力功率的预测结果。
35、根据本专利技术提供的海上风电出力功率预测方法，所述数据驱动模型和所述知识驱动模型均基于海上风电场的样本数据集训练得到；
36、其中，所述样本数据集通过如下过程建立：
37、获取至少一年内海上风电场的气象时序数据样本，并获取所述气象时序数据样本对应的风电出力功率样本，构建历史数据集；
38、以第一设定时长为采样周期，对所述历史数据集进行数据采样，得到第一样本组；
39、以第二设定时长为采样周期，对所述历史数据集进行数据采样，得到第二样本组；
40、以第三设定本文档来自技高网...
【技术保护点】
1.一种海上风电出力功率预测方法，其特征在于，包括：
2.根据权利要求1所述的海上风电出力功率预测方法，其特征在于，对所述气象时序数据进行维度转换，得到二维气象图像，包括：
3.根据权利要求1所述的海上风电出力功率预测方法，其特征在于，所述数据驱动模型包括：
4.根据权利要求1所述的海上风电出力功率预测方法，其特征在于，将所述风速时序数据按照预设风速波动等级划分为多个风速区段，包括：
5.根据权利要求4所述的海上风电出力功率预测方法，其特征在于，在将风速值满足第一风速波动等级对应的风速区间的风速时序数据，划分为第一风速区段之前，所述方法还包括：
6.根据权利要求1所述的海上风电出力功率预测方法，其特征在于，将所述多个风速区段的风速时序数据输入预先构建的知识驱动模型，得到所述知识驱动模型输出的第二功率预测结果，包括：
7.根据权利要求1所述的海上风电出力功率预测方法，其特征在于，基于所述第一功率预测结果和所述第二功率预测结果，得到海上风电出力功率的预测结果，包括：
8.根据权利要求1所述的海上风电出
9.根据权利要求1至8中任一项所述的海上风电出力功率预测方法，其特征在于，所述气象时序数据包括：风速、风向、温度、湿度、气压、涌浪高度、风浪高度、涌浪周期、水流速度以及水流方向中至少一种。
10.一种海上风电出力功率预测装置，其特征在于，包括：
...【技术特征摘要】
1.一种海上风电出力功率预测方法，其特征在于，包括：
2.根据权利要求1所述的海上风电出力功率预测方法，其特征在于，对所述气象时序数据进行维度转换，得到二维气象图像，包括：
3.根据权利要求1所述的海上风电出力功率预测方法，其特征在于，所述数据驱动模型包括：
4.根据权利要求1所述的海上风电出力功率预测方法，其特征在于，将所述风速时序数据按照预设风速波动等级划分为多个风速区段，包括：
5.根据权利要求4所述的海上风电出力功率预测方法，其特征在于，在将风速值满足第一风速波动等级对应的风速区间的风速时序数据，划分为第一风速区段之前，所述方法还包括：
6.根据权利要求1所述的海上风电出力功率预测方法，其特征在于，将所述多...
【专利技术属性】
技术研发人员：阮梓航，孙伟生，朱亚波，贾嵩，田峰，曾晓伟，
申请(专利权)人：华能广东汕头海上风电有限责任公司，
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。