【技术实现步骤摘要】
本专利技术涉及风电功率预测的，更具体地，涉及一种基于动态延迟和分层联邦学习的短期风电功率预测方法及系统。
技术介绍
1、随着全球对可再生能源需求的日益增长，风力发电作为一种清洁、可持续的能源形式，已在世界范围内得到广泛应用。然而，风电功率受风速、风向、气温等多种因素的影响，具有高度的波动性和不确定性。特别是当多个风电场分布在不同区域时，由于各风电场之间的风速延迟和地理距离差异，传统的风电功率预测方法在预测精度和时效性上面临诸多挑战。
2、目前，风电功率预测方式主要分为基于事件序列的统计模型预测方式、物理模型预测方式及基于数据驱动的机器学习模型预测方式。其中，基于事件序列的统计模型预测方式主要是通过对历史风电功率、风速、风向等数据进行统计分析，建立统计模型来预测未来的风电功率。它依赖于数据的时间序列特性，如自相关性、趋势性等。常见的统计预测方法有时间序列分析法、卡尔曼滤波法等。基于物理模型的预测方式利用大气边界层动力学和边界层气象理论，将数值天气预报系统输出的基础数据精细化为风电场的风电机组、实际地形地貌下的数字化描述，并转化...
【技术保护点】
1.一种基于动态延迟和分层联邦学习的短期风电功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于动态延迟和分层联邦学习的短期风电功率预测方法，其特征在于，所述的历史风电数据包括：历史风电功率数据、历史风速数据、历史风向数据，所述的地理数据包括：目标新建风电场及其周边风电场的经纬度数据；
3.根据权利要求2所述的基于动态延迟和分层联邦学习的短期风电功率预测方法，其特征在于，计算目标新建风电场与每一个周边风电场之间的风速延迟时间的过程为：
4.根据权利要求3所述的基于动态延迟和分层联邦学习的短期风电功率预测方法，其特征...
【技术特征摘要】
1.一种基于动态延迟和分层联邦学习的短期风电功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于动态延迟和分层联邦学习的短期风电功率预测方法，其特征在于，所述的历史风电数据包括：历史风电功率数据、历史风速数据、历史风向数据，所述的地理数据包括：目标新建风电场及其周边风电场的经纬度数据；
3.根据权利要求2所述的基于动态延迟和分层联邦学习的短期风电功率预测方法，其特征在于，计算目标新建风电场与每一个周边风电场之间的风速延迟时间的过程为：
4.根据权利要求3所述的基于动态延迟和分层联邦学习的短期风电功率预测方法，其特征在于，基于风速延迟时间动态调整每一个周边风电场与目标新建风电场的历史风电数据时间戳的过程为：
5.根据权利要求4所述的基于动态延迟和分层联邦学习的短期风电功率预测方法，其特征在于，s3的过程具体为：
6.根据权利要求5所述的基于动态延迟和分层联邦学习的短期风电功率预测方法，其特征在于，设步骤s3得到n个优化后的频谱分量，记作，每个xi表示一个分量信号，构建n×n的相似矩阵a：
7.根据权利要求6所述的...
【专利技术属性】
技术研发人员：孟安波，黄钺，刘宏蕙，邹鹏立，
申请(专利权)人：广东工业大学，
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。