【技术实现步骤摘要】
本专利技术涉及风力发电，尤其涉及一种风速重构方法、装置、电子设备及存储介质。
技术介绍
1、风速的随机性和不稳定性会影响风电机组运行的稳定性，从而严重制约风电的发展。在这种情况下，对于风速的重构显得尤为迫切。
2、现有的风速预测及重构方法基本上可以分为物理方法和人工智能方法等。物理方法利用温度、湿度、密度和地形信息等物理参数来求解数学方程，这些方程需要大量计算，求解起来很复杂。人工智能方法由于能够反映风速数据中的非线性关系而受到越来越多的关注，但现阶段通过人工智能方法进行风速预测及重构的效果并不理想。
技术实现思路
1、本专利技术提供一种风速重构方法、装置、电子设备及存储介质，用于提升对于异常风速重构的精度。
2、第一方面，本专利技术提供了一种风速重构方法，包括：
3、步骤s1，获取多个风机在相同时间段内的风速序列及功率序列；
4、步骤s2，根据所述风速序列及所述功率序列，从所述风机中筛选得到目标风机对应的目标机组集；
5、步骤s3，以所述目标机组集中所有风机的风速序列，结合灰狼优化算法对初始构建的lstm神经网络进行训练，得到目标lstm神经网络；
6、步骤s4，当所述目标风机存在异常风速时，将所述目标机组集在异常时段的实时风速序列输入所述目标lstm神经网络，得到对应的风速预测序列；
7、步骤s5，基于所述风速预测序列，对所述目标风机进行风速重构。
8、可选地，所述步骤s3包括：p>
9、步骤s31，将所述风速序列输入所述lstm神经网络，得到对应的风速预测序列；
10、步骤s32，根据所述风速序列对应的风速序列标签和所述风速预测序列，结合所述灰狼优化算法对所述lstm神经网络进行训练，得到所述目标lstm神经网络；所述风速序列标签为所述目标机组在相同时间段内的风速序列。
11、可选地，所述步骤s2包括：
12、步骤s21，基于所有所述风速序列及所述功率序列，结合皮尔逊相关系数表达式，确定所有所述风机与所述目标风机间的皮尔逊相关性系数；
13、步骤s22，基于所述皮尔逊相关性系数，从所有所述风机中筛选得到所述目标机组集。
14、可选地，所述步骤s32包括：
15、步骤s321，根据所述风速序列对应的风速序列标签和所述风速预测序列，确定训练误差；
16、步骤s322，基于所述训练误差，结合所述灰狼优化算法对所述lstm神经网络的网络参数进行优化，直至满足训练终止条件，得到最优网络参数；
17、步骤s323，采用所述最优网络参数，生成所述目标lstm神经网络。
18、可选地，所述步骤s322包括：
19、步骤s3221，基于所述训练误差，确定灰狼群中灰狼个体的适应度值，以及所述灰狼群的平均适应度值；
20、步骤s3222，基于所述适应度值及所述平均适应度值，结合预先设定的自适应调整策略表达式，通过最优学习搜索方程更新灰狼个体位置；
21、步骤s3223，判断是否满足所述训练终止条件；若否，则返回步骤s31；若是，则输出所述最优网络参数。
22、可选地，所述步骤s3222之后，还包括：
23、判断所述灰狼优化算法是否陷入局部最优；若否，则执行步骤s3223；若是，则通过预先设定的位置矢量差表达式对更新后的灰狼个体位置进行重置，并执行步骤s3223。
24、第二方面，本专利技术提供了一种风速重构装置，包括：
25、获取模块，用于获取多个风机在相同时间段内的风速序列及功率序列；
26、筛选模块，用于根据所述风速序列及所述功率序列，从所述风机中筛选得到目标风机对应的目标机组集；
27、训练模块，用于以所述目标机组集中所有风机的风速序列，结合灰狼优化算法对初始构建的lstm神经网络进行训练，得到目标lstm神经网络；
28、预测模块，用于当所述目标风机存在异常风速时，将所述目标机组集在异常时段的实时风速序列输入所述目标lstm神经网络，得到对应的风速预测序列；
29、重构模块，用于基于所述风速预测序列，对所述目标风机进行风速重构。
30、可选地，所述训练模块包括：
31、输入子模块，用于将所述风速序列输入所述lstm神经网络，得到对应的风速预测序列；
32、训练子模块，用于根据所述风速序列对应的风速序列标签和所述风速预测序列，结合所述灰狼优化算法对所述lstm神经网络进行训练，得到所述目标lstm神经网络；所述风速序列标签为所述目标机组在相同时间段内的风速序列。
33、第三方面，本专利技术提供一种电子设备，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如上述第一方面提供的所述方法中的步骤。
34、第四方面，本专利技术提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。
35、从以上技术方案可以看出，本专利技术具有以下优点：
36、本专利技术提供了一种风速重构方法、装置、电子设备及存储介质，方法包括：步骤s1，获取多个风机在相同时间段内的风速序列及功率序列；步骤s2，根据所述风速序列及所述功率序列，从所述风机中筛选得到目标风机对应的目标机组集；步骤s3，以所述目标机组集中所有风机的风速序列，结合灰狼优化算法对初始构建的lstm神经网络进行训练，得到目标lstm神经网络；步骤s4，当所述目标风机存在异常风速时，将所述目标机组集在异常时段的实时风速序列输入所述目标lstm神经网络，得到对应的风速预测序列；步骤s5，基于所述风速预测序列，对所述目标风机进行风速重构。以目标机组集中的风速序列为训练样本，结合灰狼优化算法，训练得到预测精度更高的目标lstm神经网络，进而通过目标lstm神经网络提升实际应用中异常风速重构的精度。
本文档来自技高网...【技术保护点】
1.一种风速重构方法，其特征在于，包括：
2.根据权利要求1所述的风速重构方法，其特征在于，所述步骤S3包括：
3.根据权利要求1所述的风速重构方法，其特征在于，所述步骤S2包括：
4.根据权利要求2所述的风速重构方法，其特征在于，所述步骤S32包括：
5.根据权利要求4所述的风速重构方法，其特征在于，所述步骤S322包括：
6.根据权利要求5所述的风速重构方法，其特征在于，所述步骤S3222之后，还包括：
7.一种风速重构装置，其特征在于，包括：
8.根据权利要求7所述的风速重构装置，其特征在于，所述训练模块包括：
9.一种电子设备，其特征在于，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如权利要求1-6任一项所述的方法。
10.一种存储介质，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运行如权利要求1-6任一项所述的方法。
【技术特征摘要】
1.一种风速重构方法，其特征在于，包括：
2.根据权利要求1所述的风速重构方法，其特征在于，所述步骤s3包括：
3.根据权利要求1所述的风速重构方法，其特征在于，所述步骤s2包括：
4.根据权利要求2所述的风速重构方法，其特征在于，所述步骤s32包括：
5.根据权利要求4所述的风速重构方法，其特征在于，所述步骤s322包括：
6.根据权利要求5所述的风速重构方法，其特征在于，所述步骤s3222之后...
【专利技术属性】
技术研发人员：朱岸锋，赵前程，杨天龙，周凌，曾兵，
申请(专利权)人：湖南科技大学，
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。