【技术实现步骤摘要】
本申请涉及风电，特别是涉及一种风功率预测方法、装置、计算机设备及存储介质。
技术介绍
1、为了保障电网的稳定运行，合理安排其他电源的出力，降低风电并网对电网的冲击，计算机设备需要更准确地预测风电功率支持。
2、由风功率受气象因素影响呈现出的波动性、随机性以及间歇性可知，风功率序列本质上是一种复杂信息序列。为了深层解析该序列，由信号时频处理领域演化出了“分解-预测”模式。通常利用经验模态分解（empirical mode decomposition，emd）方法将风功率序列分解为若干子序列，之后再通过机器学习完成拟合。然而，emd分解的信号存在模态混叠问题。对此，进一步地演化出集合经验模态分解（ensemble empirical modedecomposition，eemd）、互补集合经验模态分解（complementary ensemble empiricalmode decomposition，ceemd）等通过加入随机白噪声来减轻模态混叠的分解方法。然而，利用此类方法所得到模态分量常包含一定的白噪声，且序列分解后的数据常呈现出高维态，这不利于机器学习模型对特征的拟合，从而导致预测准确率较低。
3、因此，如何提高风功率预测的准确率成为了一个亟待解决的问题。
技术实现思路
1、本申请实施例提供了一种风功率预测方法、装置、计算机设备及存储介质，可提高风功率预测的准确率。
2、第一方面，本申请提供了一种风功率预测方法，该方法包括：
3、
4、利用自适应噪声完备集合经验模态分解算法，对重构后的历史风功率序列进行分解，获得多个模态分量；
5、基于重构后的历史风功率序列和多个模态分量，确定目标数据集；
6、从目标数据集中确定预测数据集，并将预测数据集输入目标风功率预测模型中，得到预测的风功率；
7、其中，目标风功率预测模型是利用从目标数据集中确定的训练数据集和验证数据集，对预先构建的风功率预测模型进行训练和验证后得到的。
8、在其中一个实施例中，目标风功率预测模型是通过以下方式确定的：确定交叉验证折数n，并基于交叉验证折数n，将目标数据集等分为n个子数据集；从n个子数据集中确定训练数据集和验证数据集；基于训练数据集对预先构建的风功率预测模型进行训练，得到训练后的风功率预测模型，以及，基于验证数据集，对训练后的风功率预测模型进行验证，得到目标风功率预测模型。
9、在其中一个实施例中，该方法还包括：将交叉验证折数n作为构建风功率预测模型所需的初始风功率预测模型的个数；基于n个初始风功率预测模型，构建风功率预测模型。
10、在其中一个实施例中，该方法还包括：构建通道注意力模块；基于通道注意力模块和卷积神经网络，构建子模型；基于子模型和预先构建的轻度梯度提升机，构建初始风功率预测模型。
11、在其中一个实施例中，基于重构后的历史风功率序列和多个模态分量，确定目标数据集，包括：基于特征维度，将重构后的历史风功率序列和多个模态分量进行拼接，得到拼接后的数据集；基于特征维度，对拼接后的数据集中的数据进行归一化处理，得到归一化后的多个数据；将归一化后的多个数据组成的集合，作为目标数据集。
12、在其中一个实施例中，将预测数据集输入目标风功率预测模型中，得到预测的风功率之后，该方法还包括：对预测的风功率进行反归一化处理，得到最终预测的风功率。
13、在其中一个实施例中，对风场的历史风功率序列进行异常数据剔除处理和重构处理，得到重构后的历史风功率序列，包括：对风场的历史风功率序列中的异常数据进行剔除处理，得到剔除异常数据后的历史风功率序列；对被剔除的异常历史风功率序列进行替换，得到替换后的历史风功率序列；基于剔除异常数据后的历史风功率序列和替换后的历史风功率序列，得到目标历史风功率序列；基于目标历史风功率序列中各个历史风功率序列分别对应的时间戳，对目标历史风功率序列中的各个历史风功率序列进行重新排序，得到重构后的历史风功率序列。
14、第二方面，本申请提供了一种风功率预测装置，该装置包括：
15、数据处理模块，用于对风场的历史风功率序列进行异常数据剔除处理和重构处理，得到重构后的历史风功率序列；
16、数据分解模块，用于利用自适应噪声完备集合经验模态分解算法，对重构后的历史风功率序列进行分解，获得多个模态分量；
17、确定模块，用于基于重构后的历史风功率序列和多个模态分量，确定目标数据集；
18、预测模块，用于从目标数据集中确定预测数据集，并将预测数据集输入目标风功率预测模型中，得到预测的风功率；
19、其中，目标风功率预测模型是利用从目标数据集中确定的训练数据集和验证数据集，对预先构建的风功率预测模型进行训练和验证后得到的。
20、第三方面，本申请提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
21、对风场的历史风功率序列进行异常数据剔除处理和重构处理，得到重构后的历史风功率序列；
22、利用自适应噪声完备集合经验模态分解算法，对重构后的历史风功率序列进行分解，获得多个模态分量；
23、基于重构后的历史风功率序列和多个模态分量，确定目标数据集；
24、从目标数据集中确定预测数据集，并将预测数据集输入目标风功率预测模型中，得到预测的风功率；
25、其中，目标风功率预测模型是利用从目标数据集中确定的训练数据集和验证数据集，对预先构建的风功率预测模型进行训练和验证后得到的。
26、第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
27、对风场的历史风功率序列进行异常数据剔除处理和重构处理，得到重构后的历史风功率序列；
28、利用自适应噪声完备集合经验模态分解算法，对重构后的历史风功率序列进行分解，获得多个模态分量；
29、基于重构后的历史风功率序列和多个模态分量，确定目标数据集；
30、从目标数据集中确定预测数据集，并将预测数据集输入目标风功率预测模型中，得到预测的风功率；
31、其中，目标风功率预测模型是利用从目标数据集中确定的训练数据集和验证数据集，对预先构建的风功率预测模型进行训练和验证后得到的。
32、第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
33、对风场的历史风功率序列进行异常数据剔除处理和重构处理，得到重构后的历史风功率序列；
34、利用自适应噪声完备集合经验模态分解算法，对重构后的历史风功率序列进行分解，获得多个模态分量；
35、基于重构后的历史风功本文档来自技高网...
【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，所述目标风功率预测模型是通过以下方式确定的：
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
5.根据权利要求1至4任一项所述的方法，其特征在于，所述基于所述重构后的历史风功率序列和多个所述模态分量，确定目标数据集，包括：
6.根据权利要求5所述的方法，其特征在于，所述将所述预测数据集输入目标风功率预测模型中，得到预测的风功率之后，所述方法还包括：
7.根据权利要求1至4任一项所述的方法，其特征在于，所述对风场的历史风功率序列进行异常数据剔除处理和重构处理，得到重构后的历史风功率序列，包括：
8.一种计算机设备，其特征在于，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权利要求1至7中任一项所述的方法的步骤。
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
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7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，所述目标风功率预测模型是通过以下方式确定的：
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
5.根据权利要求1至4任一项所述的方法，其特征在于，所述基于所述重构后的历史风功率序列和多个所述模态分量，确定目标数据集，包括：
6.根据权利要求5所述的方法，其特征在于，所述将所述预测数据集输入目标风功率预测模型中，得到预测的风功率之后，所述方法还包括：
7.根...
【专利技术属性】
技术研发人员：张凡，潘世贤，胡旭东，谭俊丰，黄彦璐，赵帅，蒋姗，
申请(专利权)人：南方电网人工智能科技有限公司，
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。