【技術實現步驟摘要】
本專利技術屬于風電功率預測，尤其涉及一種基于貝葉斯深度學習的風機功率預測方法及系統。
技術介紹
1、風機在寒冷或高海拔地區運行時，葉片表面易發生覆冰現象，導致空氣動力性能下降，進而引起發電功率顯著降低、結構負荷增大，甚至引發安全事故。風機覆冰不僅影響其自身的運行性能，還可能對電網的穩定性造成不利影響。因此，準確預測覆冰條件下的風機功率輸出對于保障風電場的安全穩定運行和電網調度具有重要意義。
2、目前，風機功率預測方法主要包括物理建模法、統計學方法和基于機器學習的智能算法。物理建模法基于風機的空氣動力學原理，考慮風速、風向等因素進行功率計算，但在覆冰條件下，葉片性能發生變化，模型難以準確描述；統計學方法利用歷史數據進行建模，但在覆冰樣本較少的情況下，模型可靠性降低；基于機器學習的智能算法通過學習大量歷史數據，能夠在一定程度上提高預測精度，但在覆冰數據稀少的情況下，模型容易過擬合，且無法量化預測結果的不確定性。
3、傳統的機器學習方法在處理覆冰條件下的風機功率預測問題時，往往忽略了模型預測結果的不確定性，可能導致調度決策失誤。此外，風機覆冰現象主要發生在冬季，數據樣本較少，尤其是對于新建成的風電場，直接應用傳統深度學習模型可能存在過擬合風險，模型泛化能力不足，且無法提供預測結果的可信度評估。
技術實現思路
1、本專利技術提供一種基于貝葉斯深度學習的風機功率預測方法及系統，用于解決葉片覆冰導致空氣動力性能變化，傳統物理建模方法難以準確描述覆冰后的葉片特性，導致功率
2、第一方面，本專利技術提供一種基于貝葉斯深度學習的風機功率預測方法，包括：
3、構建覆冰過程影響風機出力的物理模型；
4、根據實時測量數據確定測量系統的樣本特征，然后根據所述物理模型篩選考慮覆冰條件下與風機功率預測相關的混合樣本特征；
5、將所述混合樣本特征作為輸入，構建基于貝葉斯多層神經網絡的自適應風功率預測模型；
6、根據所述物理模型生成風機功率輸出專家經驗樣本數據庫，并將所述風機功率輸出專家經驗樣本數據庫作為先驗預訓練所構建的自適應風功率預測模型，并收集風電場歷史運行數據作為后驗，基于隨機變分推導方法定期重新訓練自適應風功率預測模型，得到風機功率預測模型；
7、獲取風機運行實時數據，并將所述風機運行實時數據輸入至所述風機功率預測模型中，所述風機功率預測模型輸出得到風機功率預測結果。
8、第二方面，本專利技術提供一種基于貝葉斯深度學習的風機功率預測系統，包括：
9、第一構建模塊，配置為構建覆冰過程影響風機出力的物理模型；
10、篩選模塊，配置為根據實時測量數據確定測量系統的樣本特征，然后根據所述物理模型篩選考慮覆冰條件下與風機功率預測相關的混合樣本特征；
11、第二構建模塊，配置為將所述混合樣本特征作為輸入，構建基于貝葉斯多層神經網絡的自適應風功率預測模型；
12、訓練模塊，配置為根據所述物理模型生成風機功率輸出專家經驗樣本數據庫，并將所述風機功率輸出專家經驗樣本數據庫作為先驗預訓練所構建的自適應風功率預測模型，并收集風電場歷史運行數據作為后驗，基于隨機變分推導方法定期重新訓練自適應風功率預測模型，得到風機功率預測模型；
13、輸出模塊，配置為獲取風機運行實時數據，并將所述風機運行實時數據輸入至所述風機功率預測模型中，所述風機功率預測模型輸出得到風機功率預測結果。
14、第三方面，提供一種電子設備，其包括：至少一個處理器，以及與所述至少一個處理器通信連接的存儲器，其中，所述存儲器存儲有可被所述至少一個處理器執行的指令，所述指令被所述至少一個處理器執行，以使所述至少一個處理器能夠執行本專利技術任一實施例的基于貝葉斯深度學習的風機功率預測方法的步驟。
15、第四方面，本專利技術還提供一種計算機可讀存儲介質，其上存儲有計算機程序，所述程序指令被處理器執行時，使所述處理器執行本專利技術任一實施例的基于貝葉斯深度學習的風機功率預測方法的步驟。
16、本申請的基于貝葉斯深度學習的風機功率預測方法及系統，將風機覆冰、葉片自然融冰及風機出力物理模型作為先驗知識，將風電廠收集到的風機運行歷史數據作為后驗，利用貝葉斯多層神經網絡構建風機運行數據和覆冰狀態下風功率的概率映射關系，最后結合貝葉斯統計推斷理論和隨機變分推導方法訓練神經網絡參數，從而綜合利用專家知識與歷史運行數據大幅提升風機覆冰條件下風功率預測的準確性。
本文檔來自技高網...【技術保護點】
1.一種基于貝葉斯深度學習的風機功率預測方法，其特征在于，包括：
2.根據權利要求1所述的一種基于貝葉斯深度學習的風機功率預測方法，其特征在于，所述構建覆冰過程影響風機出力的物理模型包括：
3.根據權利要求1所述的一種基于貝葉斯深度學習的風機功率預測方法，其特征在于，所述混合樣本特征的表達式為：
4.根據權利要求1所述的一種基于貝葉斯深度學習的風機功率預測方法，其特征在于，所述自適應風功率預測模型包括：
5.根據權利要求1所述的一種基于貝葉斯深度學習的風機功率預測方法，其特征在于，所述根據所述物理模型生成風機功率輸出專家經驗樣本數據庫，并將所述風機功率輸出專家經驗樣本數據庫作為先驗預訓練所構建的自適應風功率預測模型包括：
6.一種基于貝葉斯深度學習的風機功率預測系統，其特征在于，包括：
7.一種電子設備，其特征在于，包括：至少一個處理器，以及與所述至少一個處理器通信連接的存儲器，其中，所述存儲器存儲有可被所述至少一個處理器執行的指令，所述指令被所述至少一個處理器執行，以使所述至少一個處理器能夠執行權利要求1至
8.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述程序被處理器執行時實現權利要求1至5任一項所述的方法。
...【技術特征摘要】
1.一種基于貝葉斯深度學習的風機功率預測方法，其特征在于，包括：
2.根據權利要求1所述的一種基于貝葉斯深度學習的風機功率預測方法，其特征在于，所述構建覆冰過程影響風機出力的物理模型包括：
3.根據權利要求1所述的一種基于貝葉斯深度學習的風機功率預測方法，其特征在于，所述混合樣本特征的表達式為：
4.根據權利要求1所述的一種基于貝葉斯深度學習的風機功率預測方法，其特征在于，所述自適應風功率預測模型包括：
5.根據權利要求1所述的一種基于貝葉斯深度學習的風機功率預測方法，其特征在于，所述根據所述物理模型生成風機功率輸出專家...
【專利技術屬性】
技術研發人員：吳康，何昊，何偉，熊俊杰，舒展，匡德興，萬子鏡，喬穎，
申請(專利權)人：國網江西省電力有限公司電力科學研究院，
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。