【技術實現步驟摘要】
本專利技術涉及風電功率預測，具體提供一種風電功率預測方法、裝置、設備及介質。
技術介紹
1、風能是重要的可再生能源資源，對能源安全與環境安全至關重要。電能是重要的二次能源，對節能減排與社會文明極為關鍵。因此，最大程度地將風能和太陽能轉換為電能，平穩而無阻塞地向用戶輸送優質電能，就成為能源革命的核心之一。但風電的波動和間歇行為都具有強烈的不確定性，其對電力可靠性、電能質量、經濟性及社會福利的影響隨著滲透率的增加而越發突出。電力系統的穩定性反映受擾系統抵御系統崩潰的能力，電力系統的充裕性反映系統滿足用戶對功率和電量需求的能力。其風險分析與控制涉及不確定性、分岔及混沌理論，大規模風電的入網大大增加了不確定因素的影響。風電逐漸成為繼火電、水電之后的第三大電源。風資源的隨機性、波動性、不確定性和風電出力的弱可控性給電力系統的安全穩定運行帶來了較大的困擾和挑戰。高精度的風電功率預測技術已成為一項必備的運行技術。
2、在利用氣象數據對風電功率進行預測時，氣象數據的隨機性、波動性和不確定性給預測模型帶來了極大挑戰。神經網絡作為一種強大的工具，在擬合非線性數據方面表現出色，因此被廣泛應用于風電功率預測。然而，不同氣象數據之間的有效信息和無效信息的比例不同，這可能導致無效信息掩蓋有效信息，從而影響神經網絡的擬合計算，降低預測精度。
3、因此，本領域需要一種新的風電功率預測方案來解決上述問題。
技術實現思路
1、為了克服上述缺陷，提出了本專利技術，以提供解決預測精度低的問題。p>
2、在第一方面，本專利技術提供一種風電功率預測方法，包括：獲取實時風電功率趨勢、實時風電功率、未來風電功率趨勢；所述未來風電功率趨勢為基于氣象數據預測到未來風速，對未來風速進行分析得到；將所述實時風電功率趨勢、實時風電功率、未來風電功率趨勢輸入到預先訓練的模型中，得到待測風電場的預測風電功率；所述預先訓練的模型為優化后的神經網絡模型，所述優化的過程至少包括：基于訓練集對神經網絡模型進行訓練，對訓練后的模型進行檢驗，并判斷所述檢驗結果是否滿足預設條件，若滿足預設條件，繼續對所述神經網絡模型進行超參數優化；否則，輸出最優參數。
3、在上述風電功率預測方法的一個技術方案中，獲取所述未來風電功率趨勢之前還包括：獲取一段時間區間內的風向；將該時間區間內的風向進行劃分為不同的風向模塊。
4、在上述風電功率預測方法的一個技術方案中，所述氣象數據至少包括：氣壓、空氣密度，獲取所述未來風電功率趨勢至少包括：對不同方向模塊對應的實際風速進行加權處理，得到加權結果；基于獲取的所述待測風電場氣壓、未來空氣密度、加權結果輸入訓練好的機器學習模型或深度學習模型，得到預測的未來風速；將獲取的實時風速與所述預測的未來風速進行作差處理，得到預測的未來風速趨勢。
5、在上述風電功率預測方法的一個技術方案中，獲取所述未來風電功率趨勢還包括：將所述加權結果、所述未來風速趨勢及獲取的實時風速趨勢輸入輸入訓練好的機器學習模型或深度學習模型中，得到所述待測風電場的預測風電功率；將獲取的實時風電功率與所述預測風電功率進行作差處理，得到所述待測風電場的未來風電功率趨勢。
6、在上述風電功率預測方法的一個技術方案中，所述預設條件基于獲取的神經網絡模型的訓練誤差、預設的目標誤差得到。
7、在上述風電功率預測方法的一個技術方案中，獲取神經網絡模型的訓練誤差的過程包括：將訓練集輸入神經網絡模型進行訓練，將驗證集輸入訓練好的模型，得到第一預測數據；將所述第一預測數據與測試數據進行比較，得到訓練誤差。
8、在上述風電功率預測方法的一個技術方案中，獲取所述未來空氣密度的過程包括：獲取所述時間區間內所述待測風電場的溫度、濕度；將所述溫度、濕度輸入到訓練好的模型中，得到所述未來空氣密度；所述模型至少為北方蒼鷹算法優化深度極限學習機算法、時間序列模型、機器學習模型、深度學習模型中的一種。
9、在第二方面，本專利技術提供一種風電功率預測裝置，包括：獲取模塊，用于獲取實時風電功率趨勢、實時風電功率、未來風電功率趨勢；所述未來風電功率趨勢為基于氣象數據預測到未來風速，對未來風速進行分析得到；預測模塊，用于將所述實時風電功率趨勢、實時風電功率、未來風電功率趨勢輸入到預先訓練的模型中，得到待測風電場的預測風電功率；所述預先訓練的模型為優化后的神經網絡模型，所述優化的過程至少包括：基于訓練集對神經網絡模型進行訓練，對訓練后的模型進行檢驗，并判斷所述檢驗結果是否滿足預設條件，若滿足預設條件，繼續對所述神經網絡模型進行超參數優化；否則，輸出最優參數。
10、在第三方面，一種電子設備，包括處理器和存儲裝置，存儲裝置適于存儲多條程序代碼，程序代碼適于由處理器加載并運行以執行上述風電功率預測方法的技術方案中任一項技術方案的風電功率預測方法。
11、在第四方面，本專利技術提供一種計算機可讀存儲介質，其中存儲有多條程序代碼，程序代碼適于由處理器加載并運行以執行上述風電功率預測方法的技術方案中任一項技術方案的風電功率預測方法。
12、本專利技術上述一個或多個技術方案，至少具有如下一種或多種有益效果：
13、在實施本專利技術的技術方案中，本專利技術提供了一種風電功率預測方法，包括：獲取實時風電功率趨勢、實時風電功率、未來風電功率趨勢；未來風電功率趨勢為基于氣象數據預測到未來風速，對未來風速進行分析得到；將實時風電功率趨勢、實時風電功率、未來風電功率趨勢輸入到預先訓練的模型中，得到待測風電場的預測風電功率；預先訓練的模型為優化后的神經網絡模型，優化的過程至少包括：基于訓練集對神經網絡模型進行訓練，對訓練后的模型進行檢驗，并判斷檢驗結果是否滿足預設條件，若滿足預設條件，繼續對神經網絡模型進行超參數優化；否則，輸出最優參數。與現有技術相比，本專利技術所提供的風電功率預測方法的有益效果為：
14、通過基于氣象數據預測未來風速，并對未來風速進行分析，可以更準確地捕捉未來風電功率的趨勢變化，從而提高預測精度。
15、進一步的，根據溫度、濕度、氣壓與加權風速進行擬合，得到未來風速，利用未來風速與當前風速求差得到相對趨勢；基于得到的相對風速趨勢進行分析，進一步擬合預測未來風電功率，上述方法考慮數據信息的充分利用，將與風電功率數據呈弱相關性的氣象數據進行另一維度的互信息提取，從而可以提高預測風速數據的準確性，即使得氣象訓練數據集得以充分利用，提高氣象數據預測模型的效率。
16、進一步的，引入風向對應實際風速進行加權計算，從而增強風速的時序特征，可以更準確地捕捉風速的變化趨勢和周期性，從而提高預測模型的準確性。另外，風速具有一定的波動性和隨機性，時序特征的增強可以幫助平滑這種波動，減少預測結果的突變和波動，從而提高預測的穩定性。
本文檔來自技高網...【技術保護點】
1.一種風電功率預測方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，獲取所述未來風電功率趨勢之前還包括：
3.根據權利要求2所述的方法，其特征在于，所述氣象數據至少包括：氣壓、空氣密度，獲取所述未來風電功率趨勢至少包括：
4.根據權利要求3所述的方法，其特征在于，獲取所述未來風電功率趨勢還包括：
5.根據權利要求1所述的方法，其特征在于，所述預設條件基于獲取的神經網絡模型的訓練誤差、預設的目標誤差得到。
6.根據權利要求5所述的方法，其特征在于，獲取神經網絡模型的訓練誤差的過程包括：
7.根據權利要求3所述的方法，其特征在于，獲取所述未來空氣密度的過程包括：
8.一種風電功率預測裝置，其特征在于，包括：
9.一種電子設備，包括處理器和存儲裝置，存儲裝置適于存儲多條程序代碼，其特征在于，程序代碼適于由處理器加載并運行以執行權利要求1至7中任一項的風電功率預測方法。
10.一種計算機可讀存儲介質，其中存儲有多條程序代碼，其特征在于，程序代碼適于由處理器加載并
...【技術特征摘要】
1.一種風電功率預測方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，獲取所述未來風電功率趨勢之前還包括：
3.根據權利要求2所述的方法，其特征在于，所述氣象數據至少包括：氣壓、空氣密度，獲取所述未來風電功率趨勢至少包括：
4.根據權利要求3所述的方法，其特征在于，獲取所述未來風電功率趨勢還包括：
5.根據權利要求1所述的方法，其特征在于，所述預設條件基于獲取的神經網絡模型的訓練誤差、預設的目標誤差得到。
6.根據權利要求5所述的方法，其特征...
【專利技術屬性】
技術研發人員：羅朋，黃柯銘，高妍南，姜淏予，曾沛桐，鄭海力，紀偉楠，賴華東，
申請(專利權)人：廣東海洋大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。