【技術實現步驟摘要】
本公開涉及風電功率預測領域，具體涉及一種風電功率預測方法及系統(tǒng)。
技術介紹
1、風力發(fā)電的大規(guī)模并網，加劇了電網實時調度的難度，提升了電網的運營成本，對電網的安全穩(wěn)定運行帶來前所未有的嚴峻挑戰(zhàn)；風電功率預測能提高風電出力的可預見性，保障電網的安全穩(wěn)定運行，其中，風電功率預測模型主要有物理模型、統(tǒng)計模型和人工智能模型；物理模型是基于數值天氣預報結果，采用物理計算或模型仿真的方式將其轉換為風電功率的方法，主要包括如對數風廓線模型、地轉拖曳定律、粗糙度變化模型、地形變化模型等一系列微觀氣象模型。統(tǒng)計模型是一種直接從數據出發(fā)，通過一種或多種方法建立數值天氣預報、歷史功率數據與待預測時間段的功率數據之間的映射關系，并在此基礎上建立預測模型，常用的統(tǒng)計模型有持續(xù)性模型，自回歸移動平均（arma）模型，差分自回歸移動平均（arima）模型等人工智能模型在處理高維非線性問題時具有顯著優(yōu)勢。由于風電功率預測問題常常為高位非線性問題，因此，人工智能模型是近年來常用的預測方法，如bp神經網絡模型，循環(huán)神經網絡模型（rnn）等。
2、由于人工智能模型本身泛化能力的局限，使用人工智能模型對風電功率進行預測，不可避免地將會產生預測誤差，因此，需要對預測結果的預測誤差進行修正。現有的誤差修正方式一般通過風速-功率曲線、中位數修正等修正算法或機器學習修正模型進行修正，但是，這些常用的修正方式并沒有考慮修正誤差在時間上的相關性，無法最大程度上修正風電功率預測的預測誤差。同時，現有的修正模型仍然存在僅基于訓練數據集實現全局預測效果最優(yōu)，缺乏對局部特征的
3、因此，現有的人工智能風電功率預測方案在預測精度、適應性和魯棒性上存在不足。
技術實現思路
1、本公開為了解決上述問題，提出了一種風電功率預測方法及系統(tǒng)，基于seq2seq-am與自編碼器，進行預測誤差的推斷及是否采用預測誤差進行修正的判別，從而實現對目標場站風電功率的準確預測。
2、根據一些實施例，本公開采用如下技術方案：
3、一種風電功率預測方法，包括：
4、收集待預測的分布式風電場站各歷史時刻的氣象預報數據與實測風電功率數據，構建歷史數據集；
5、利用bp神經網絡，學習歷史數據集中各氣象因子與風電功率之間的關系，得到功率預測模型，對風電功率進行初步預測；
6、基于歷史數據集，利用seq2seq-am算法，建立誤差推斷模型，對初步預測結果進行預測誤差的推理；
7、利用自編碼器算法，建立誤差修正判別模型，判別是否使用預測誤差對初步預測結果進行修正，進而得到分布式風電場站的最終風電功率。
8、根據一些實施例，本公開采用如下技術方案：
9、一種風電功率預測系統(tǒng)，包括：
10、數據收集模塊，被配置為：收集待預測的分布式風電場站各歷史時刻的氣象預報數據與實測風電功率數據，構建歷史數據集；
11、功率預測模塊，被配置為：利用bp神經網絡，學習歷史數據集中各氣象因子與風電功率之間的關系，得到功率預測模型，對風電功率進行初步預測；
12、誤差預測模塊，被配置為：基于歷史數據集，利用seq2seq-am算法，建立誤差推斷模型，對初步預測結果進行預測誤差的推理；
13、修正判別模塊，被配置為：利用自編碼器算法，建立誤差修正判別模型，判別是否使用預測誤差對初步預測結果進行修正，進而得到分布式風電場站的最終風電功率。
14、根據一些實施例，本公開采用如下技術方案：
15、一種計算機程序產品，包括計算機程序，所述計算機程序被處理器執(zhí)行時實現所述的一種風電功率預測方法。
16、根據一些實施例，本公開采用如下技術方案：
17、一種非暫態(tài)計算機可讀存儲介質，所述非暫態(tài)計算機可讀存儲介質用于存儲計算機指令，所述計算機指令被處理器執(zhí)行時，實現所述的一種風電功率預測方法。
18、根據一些實施例，本公開采用如下技術方案：
19、一種電子設備，包括：處理器、存儲器以及計算機程序；其中，處理器與存儲器連接，計算機程序被存儲在存儲器中，當電子設備運行時，所述處理器執(zhí)行所述存儲器存儲的計算機程序，以使電子設備執(zhí)行實現所述的一種風電功率預測方法。
20、與現有技術相比，本公開的有益效果為：
21、本專利技術利用seq2seq-am算法對預測誤差進行推理，通過序列預測的方式，考慮風電相關數據的時序關系，從而提升了預測誤差的預測精度。
22、本專利技術將注意力機制與seq2seq相結合，通過對解碼的信息進行注意力權值分配，為每一時刻計算不同的語義向量，使得語義向量能夠保留較為久遠時間的信息，同時增大了重要時刻信息的保留量，提升了預測誤差的預測精度。
23、本專利技術使用自編碼器模型，實現對各日是否使用預測誤差結果對預測結果進行修正，克服了誤差修正模型在部分日期擴大修正誤差的問題，進而提升了新能源功率預測精度。
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.如權利要求1所述的一種風電功率預測方法，其特征在于，所述數據集的構建，還包括對收集的氣象預報數據與實測風電功率數據進行異常值處理、歸一化的預處理。
3.如權利要求1所述的一種風電功率預測方法，其特征在于，所述功率預測模型是采用皮爾森相關性系數法，分析歷史數據集中各個氣象因子與實測風電功率之間的相關性，依據分析結果，選擇10m風速、10m風向、100m風速及100m風向這四個氣象因子，作為功率預測模型的輸入，風電功率為功率預測模型的輸出。
4.如權利要求1所述的一種風電功率預測方法，其特征在于，所述誤差推斷模型是采用皮爾森相關性系數法，分析數據集中10m風速、10m風向、100m風速及100m風向四個氣象因子與功率預測值之間的相關性，依據分析結果，選擇10m風速、100m風速及100m風向組成氣象因子序列，連同預測功率序列，組成風電相關數據序列，作為誤差推斷模型的輸入，預測誤差序列為誤差推斷模型的輸出。
5.如權利要求1所述的一種風電功率預測方法，其特征在于，所述誤差修正判別模型，將1
6.如權利要求1所述的一種風電功率預測方法，其特征在于，所述誤差修正判別模型，基于構建的氣象矩陣數據集進行訓練，所述氣象矩陣數據集是由依據綜合評價標準評價的修正效果篩選出的氣象矩陣組成的。
7.一種風電功率預測系統(tǒng)，其特征在于，包括：
8.一種計算機程序產品，包括計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現權利要求1-6任一項所述的一種風電功率預測方法。
9.一種非暫態(tài)計算機可讀存儲介質，其特征在于，所述非暫態(tài)計算機可讀存儲介質用于存儲計算機指令，所述計算機指令被處理器執(zhí)行時，實現如權利要求1-6任一項所述的一種風電功率預測方法。
10.一種電子設備，其特征在于，包括：處理器、存儲器以及計算機程序；其中，處理器與存儲器連接，計算機程序被存儲在存儲器中，當電子設備運行時，所述處理器執(zhí)行所述存儲器存儲的計算機程序，以使電子設備執(zhí)行實現如權利要求1-6任一項所述的一種風電功率預測方法。
...【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.如權利要求1所述的一種風電功率預測方法，其特征在于，所述數據集的構建，還包括對收集的氣象預報數據與實測風電功率數據進行異常值處理、歸一化的預處理。
3.如權利要求1所述的一種風電功率預測方法，其特征在于，所述功率預測模型是采用皮爾森相關性系數法，分析歷史數據集中各個氣象因子與實測風電功率之間的相關性，依據分析結果，選擇10m風速、10m風向、100m風速及100m風向這四個氣象因子，作為功率預測模型的輸入，風電功率為功率預測模型的輸出。
4.如權利要求1所述的一種風電功率預測方法，其特征在于，所述誤差推斷模型是采用皮爾森相關性系數法，分析數據集中10m風速、10m風向、100m風速及100m風向四個氣象因子與功率預測值之間的相關性，依據分析結果，選擇10m風速、100m風速及100m風向組成氣象因子序列，連同預測功率序列，組成風電相關數據序列，作為誤差推斷模型的輸入，預測誤差序列為誤差推斷模型的輸出。
5.如權利要求1所述的一種風電功率預測方法，其特征在于，所述誤差修正判別模型，將100m風速、100m風向、10m風速、10m風向、溫度、濕度、氣...
【專利技術屬性】
技術研發(fā)人員：楊明，馬浩宇，李夢林，于一瀟，李鵬，王傳琦，
申請(專利權)人：山東大學，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。