【技術實現步驟摘要】
本專利技術涉及風電場短期功率預測，尤其是涉及基于數據生成技術的全球風電場功率預測預訓練方法。
技術介紹
1、風電短期預測對于低碳電力系統的可靠和經濟運行至關重要。風電短期預測是指在當日的固定時間點(通常為上午8-12時)預測次日00:00至23:45時的96點功率出力值。當前，風電場短期功率預測模型的開發商會根據風電場不同地理特點、不同季節、不同風力渦輪機等因素開發定制化的預測模型，模型通常以風電場附近的數值天氣預報(numericalweatherprediction，nwp)作為輸入，輸出第二日的功率出力。當前，風電場短期功率預測模型的開發商會根據風電場不同地理特點、不同季節、不同風力渦輪機等因素開發定制化的預測模型，該模型只適用于特定的風電場，如果強行遷移，預測精度則會急劇降低。然而，還沒有一種普適性的風電短期預測模型能夠適用于任意風電場，并取得好的預測效果。
技術實現思路
1、本專利技術的目的在于提供基于數據生成技術的全球風電場功率預測預訓練方法，不需要真實風電場的歷史數據進行訓練就能夠適用于任意風電場，并取得好的預測效果，能夠有效地解決當前風電短期預測模型高度定制化導致的普適性低的問題。
2、為實現上述目的，本專利技術提供了基于數據生成技術的全球風電場功率預測預訓練方法，包括以下步驟：
3、生成預訓練數據，其中預訓練數據包括風電場氣象數據氣象數據生成功率數據；
4、風電場氣象數據的生成包括，在世界經緯度范圍內，選取n個點作為風電場，并生
5、氣象數據生成功率數據，具體包括確定風電場中風電渦輪機的型號，定義風速、尾流、空氣密度、溫度、功率模型，依據功率模型判斷是否進行風電功率曲線平滑處理，最終得到n個風電場的歷史功率出力數據；
6、基于風電場歷史出力數據，并通過改進transformer模型擬合這些歷史數據，進而得到全球風電場功率預測預訓練模型。
7、優選的，風速模型分為對數模型logarithmic、赫爾曼模型hellman、線性插值外推模型linear?interpolation?extrapolation和對數插值外推模型logarithmicinterpolation?extrapolation四種；
8、logarithmic模型的計算公式如下：
9、
10、式中，wdata表示數據的風速，whub表示輪轂高度的風速hhub表示輪轂高度，hdata表示風速高度，z0表示粗糙長度；
11、hellman模型的計算公式如下：
12、
13、式中，α為赫爾曼指數，該指數分為岸上和海上；
14、linear?interpolation?extrapolation方法的計算公式如下：
15、
16、logarithmic?interpolation?extrapolation方法的計算公式如下：
17、
18、式中，w100,data表示100米高度的風速，w10,data表示10米高度的風速，h100,data表示100米高度，h10,data表示10米高度。
19、優選的，溫度模型使用線性梯度計算輪轂高度的溫度，計算公式如下：
20、thub＝tair-0.0065·(hhub-hdata)???(5)；
21、式中，tair為2m溫度，thub為輪轂高度的空氣溫度。
22、優選的，空氣密度模型使用氣壓高度方程或理想氣體方程計算輪轂高度的空氣密度，分為大氣壓模型barometric和理想氣體模型ideal?gas；
23、barometric模型的計算公式如下：
24、
25、式中，ρhub為輪轂高度的空氣密度；p為地表壓強，ρ0、t0和p0分別為周圍環境的空氣密度、溫度和空氣壓強；
26、ideal?gas模型的計算公式如下：
27、
28、優選的，功率模型通過功率曲線或功率系數曲線計算風電場的有功出力，分為功率曲線模型和功率系數曲線模型；
29、功率系數曲線模型的計算公式如下：
30、
31、式中，p為風電渦輪機的有功出力；whub,i，i＝1,2,3表示風速模型；ρhub,m，m＝1,2，表示空氣密度模型；drotor為風電渦輪機的轉子直徑；cp為功率系數，功率系數曲線模型需要風電渦輪機的風速功率曲線，直接將輪轂高度處的風速轉化為有功出力，基于輪轂高度的空氣密度模型，對輪轂高度的風速進行矯正，具體計算公式如下：
32、
33、式中，vstd為標準風速，vsite為密度矯正風速，p(w)的計算公式如下：
34、
35、功率曲線中給出的最大風速以上和最小風速以下的風速的功率輸出為零，風電場的出力由風電渦輪機的有功出力乘以風電渦輪機的個數獲得：
36、pfarm＝p·k???(11)；
37、風電場中風電渦輪機的個數由風電場的裝機容量除以風電渦輪機的額定容量獲得：
38、k＝c/prated???(12)；
39、式中，k表示風電場中風電渦輪機的個數，c表示風電場的額定容量，prated表示風電渦輪機的額定容量。
40、優選的，風電功率曲線進行平滑處理，具體計算公式為：
41、
42、式中，psmoothed為平滑后的功率曲線，δwi為wi和wi+1之間的間隔長度，μ為均值，σ為標準差，其中，標準差的計算公式如下：
43、σ＝0.6·0.2·w?(14)。優選的，通過改進transformer模型擬合這些歷史數據，包括
44、首先，風電場氣象預報數據以及歷史功率出力數據通過補丁分區分割成不重疊的補丁；
45、然后，通過線性嵌入將其投影到任意維度的特征向量，作為transformer模塊的輸入；
46、最后，再經過由補丁聚合和transformer模塊的組成的層2和層3，最終輸出次日功率出力。
47、基于數據生成技術的全球風電場功率預測預訓練系統，包括
48、數據生成模塊用于生成預訓練數據，其中預訓練數據包括風電場氣象數據氣象數據生成功率數據；
49、其中數據生成模塊包括風電場氣象數據的生成單元和氣象數據生成單元；
50、擬合模塊用于基于風電場歷史出力數據，并通過改進transformer模型擬合這些歷史數據，進而得到全球風電場功率預測預訓練模型。
51、一種電子設備，包括存儲器和處理器，所述存儲器中存儲有計算機程序，所述處理器調用所述存儲器中的計算機程序時實現基于數據生成技術的全球風電場功率預測預訓練方本文檔來自技高網...
【技術保護點】
1.基于數據生成技術的全球風電場功率預測預訓練方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于數據生成技術的全球風電場功率預測預訓練方法，其特征在于，風速模型分為對數模型Logarithmic、赫爾曼模型Hellman、線性插值外推模型Linear?interpolation?extrapolation和對數插值外推模型Logarithmic?interpolationextrapolation四種；
3.根據權利要求1所述的基于數據生成技術的全球風電場功率預測預訓練方法，其特征在于，溫度模型使用線性梯度計算輪轂高度的溫度，計算公式如下：
4.根據權利要求1所述的基于數據生成技術的全球風電場功率預測預訓練方法，其特征在于，空氣密度模型使用氣壓高度方程或理想氣體方程計算輪轂高度的空氣密度，分為大氣壓模型Barometric和理想氣體模型Ideal?gas；
5.根據權利要求1所述的基于數據生成技術的全球風電場功率預測預訓練方法，其特征在于，功率模型通過功率曲線或功率系數曲線計算風電場的有功出力，分為功率曲線模型和功率系數
6.根據權利要求1所述的基于數據生成技術的全球風電場功率預測預訓練方法，其特征在于，風電功率曲線進行平滑處理，具體計算公式為：
7.根據權利要求1所述的基于數據生成技術的全球風電場功率預測預訓練方法，其特征在于，通過改進Transformer模型擬合這些歷史數據，包括
8.基于數據生成技術的全球風電場功率預測預訓練系統，其特征在于，包括
9.一種電子設備，其特征在于，包括存儲器和處理器，所述存儲器中存儲有計算機程序，所述處理器調用所述存儲器中的計算機程序時實現如權利要求1至7任一項所述基于數據生成技術的全球風電場功率預測預訓練方法的步驟。
10.一種存儲介質，其特征在于，所述存儲介質中存儲有計算機可執行指令，所述計算機可執行指令被處理器加載并執行時，實現如權利要求1至7任一項所述基于數據生成技術的全球風電場功率預測預訓練方法的步驟。
...【技術特征摘要】
1.基于數據生成技術的全球風電場功率預測預訓練方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于數據生成技術的全球風電場功率預測預訓練方法，其特征在于，風速模型分為對數模型logarithmic、赫爾曼模型hellman、線性插值外推模型linear?interpolation?extrapolation和對數插值外推模型logarithmic?interpolationextrapolation四種；
3.根據權利要求1所述的基于數據生成技術的全球風電場功率預測預訓練方法，其特征在于，溫度模型使用線性梯度計算輪轂高度的溫度，計算公式如下：
4.根據權利要求1所述的基于數據生成技術的全球風電場功率預測預訓練方法，其特征在于，空氣密度模型使用氣壓高度方程或理想氣體方程計算輪轂高度的空氣密度，分為大氣壓模型barometric和理想氣體模型ideal?gas；
5.根據權利要求1所述的基于數據生成技術的全球風電場功率預測預訓練方法，其特...
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。