风电机组发电量增益的评估方法、装置和电子设备与流程

1.本技术涉及风电机组发电技术领域，尤其涉及一种风电机组发电量增益的评估方法、装置、电子设备和存储介质。


背景技术：

2.随着风电行业的快速发展，需要持续对风电机组进行技术改进，以满足行业需求，因此通对过风电机组发电量增益进行评估，可以有效的确定风电机组的技术改进成效，相关技术中，通常是依赖于数据采集与监视控制系统(supervisory control and data acquisition，scada)记录的运行数据，以基于运行数据计算出风电机组的技术改造前、后的功率曲线，从而确定根据技术改造前、后的功率曲线计算出风带机组的发电量增益，但由于风速会受到叶轮扰动运动的影响，故导致scada记录的运行数据存在较大偏差，故导致计算出的风电机组的发电量增益误差较大。


技术实现要素：

3.本技术提出一种风电机组发电量增益的评估方法、装置、电子设备和存储介质。
4.本技术第第一方面实施例提出了一种风电机组发电量增益的评估方法，所述方法包括：获取所述风电机组执行技术改造的目标风电机组集，以及未执行技术改造的参考风电机组集，其中，目标风电机组集至少包括一个目标风电机组，且所述参考风电机组集中的参考风电机组数量大于等于所述目标风电机组；基于所述目标风电机组和所述参考风电机组的绝对风向值，对所述目标风电机组和所述参考风电机组的有功功率进行扇区划分，以得到多个功率扇区；将各个所述功率扇区中所述参考风电机组集的多个历史期参考有功功率作为输入，各个所述功率扇区中目标风电机组的历史期有功功率作为输出，训练出各个所述功率扇区各自对应的多个功率预测模型；将所述参考风电机组集评估期对应的多个实测参考有功功率分别输入到所述多个功率预测模型，以得到所述目标风电机组集评估期的多个预测有功功率；根据所述目标风电机组集评估期的多个预测有功功率与所述目标风电机组集评估期所采集的多个实测有功功率，确定所述目标风电机组集的发电量增益。
5.在本技术的一个实施例中，所述获取所述风电机组执行技术改造的目标风电机组集，以及未执行技术改造的参考风电机组集，其中，目标风电机组集至少包括一个目标风电机组，且所述参考风电机组集中的参考风电机组数量大于等于所述目标风电机组，包括：获取风电机组在预设时段内的历史运行数据；对所述历史运行数据进行筛查，以得到无数据异常的标准历史运行数据；根据标准历史运行数据的完整度，确定所述风电机组中符合评估要求的评估风电机组；从所述评估风电机组中选取出执行技术改造的目标风电机组，以及未执行技术改造的参考风电机组。
6.在本技术的一个实施例中，所述将各个所述功率扇区中所述参考风电机组集的多个历史期参考有功功率作为输入，各个所述功率扇区中目标风电机组的历史期有功功率作为输出，训练出各个所述功率扇区各自对应的多个功率预测模型，包括：获取所述目标风电
机组集和所述参考风电机组集历史期的训练数据集和验证数据集，其中，训练数据集和验证数据集中均包括参考风电机组集的多个历史期参考有功功率以及目标风电机组的历史期有功功率；将所述训练数据集中的多个历史期参考有功功率作为机器学习算法的输入，所述历史期有功功率作为机器学习算法的输出进行模型训练，以得到各个所述功率扇区各自对应的多个初始功率预测模型；通过所述验证数据集中的多个历史期参考有功功率以及所述验证数据集中的历史期有功功率，对所述多个初始功率预测模型进行参数优化，以得到多个功率预测模型。
7.在本技术的一个实施例中，所述通过所述验证数据集中的多个历史期参考有功功率以及所述验证数据集中的历史期有功功率，对所述多个初始功率预测模型进行参数优化，以得到多个功率预测模型，包括：将所述验证数据集中的多个历史期参考有功功率输入到所述多个功率预测模型，以得到多个验证有功功率；根据所述多个验证有功功率与所述验证数据集中的历史期有功功率的误差，对所述多个预测模型的参数进行调整，以得到误差最小化的多个功率预测模型。
8.在本技术的一个实施例中，所述根据所述目标风电机组集评估期的多个预测有功功率与所述目标风电机组集所评估期采集的多个实测有功功率，确定所述目标风电机组集的发电量增益，包括：根据所述目标风电机组集评估期的多个预测有功功率，确定所述目标风电机组集的总预测有功功率；对所述目标风电机组集评估期所采集的多个实测有功功率进行求和，以得到所述目标风电机组集的总实测有功功率；根据所述总预测有功功率以及所述总实测有功功率，确定所述目标风电机组集的发电量增益。
9.本技术提出一种风电机组发电量增益的评估方法，获取风电机组执行技术改造前、后的参考风电机组集和目标风电机组集，并对目标风电机组和参考风电机组的有功功率进行扇区划分，得到多个功率扇区，将各个功率扇区中参考风电机组集的多个历史期参考有功功率为输入，目标风电机组的历史期有功功率为输出，训练出各个功率扇区各自对应的多个功率预测模型，以预测出目标风电机组集评估期的多个预测有功功率，并结合多个实测有功功率，确定目标风电机组集的发电量增益，由此，基于目标风电机组集评估期的多个预测有功功率与多个实测有功功率，准确确定出目标风电机组集的发电量增益，提高了发电量增益的评估精度。
10.本技术第第二方面实施例提出了一种风电机组发电量增益的评估装置，所述装置包括：获取模块，用于获取所述风电机组执行技术改造的目标风电机组集，以及未执行技术改造的参考风电机组集，其中，目标风电机组集至少包括一个目标风电机组，且所述参考风电机组集中的参考风电机组数量大于等于所述目标风电机组；划分模块，用于基于所述目标风电机组和所述参考风电机组的绝对风向值，对所述目标风电机组和所述参考风电机组的有功功率进行扇区划分，以得到多个功率扇区；训练模块，用于将各个所述功率扇区中所述参考风电机组集的多个历史期参考有功功率作为输入，各个所述功率扇区中目标风电机组的历史期有功功率作为输出，训练出各个所述功率扇区各自对应的多个功率预测模型；输入模块，用于将所述参考风电机组集评估期对应的多个实测参考有功功率分别输入到所述多个功率预测模型，以得到所述目标风电机组集评估期的多个预测有功功率；确定模块，用于根据所述目标风电机组集评估期的多个预测有功功率与所述目标风电机组集所评估期采集的多个实测有功功率，确定所述目标风电机组集的发电量增益。
11.在本技术的一个实施例中，所述获取模块，具体用于：获取风电机组在预设时段内的历史运行数据；对所述历史运行数据进行筛查，以得到无数据异常的标准历史运行数据；根据标准历史运行数据的完整度，确定所述风电机组中符合评估要求的评估风电机组；从所述评估风电机组中选取出执行技术改造的目标风电机组，以及未执行技术改造的参考风电机组。
12.在本技术的一个实施例中，所述训练模块，包括：获取单元，用于获取所述目标风电机组集和所述参考风电机组集的训练数据集和验证数据集，其中，训练数据集和验证数据集中均包括参考风电机组集的多个历史期参考有功功率以及目标风电机组的历史期有功功率；训练单元，用于将所述训练数据集中的多个历史期参考有功功率作为机器学习算法的输入，所述历史期有功功率作为机器学习算法的输出进行模型训练，以得到各个所述功率扇区各自对应的多个初始功率预测模型；生成单元，用于通过所述验证数据集中的多个历史期参考有功功率以及所述验证数据集中的历史期有功功率，对所述多个初始功率预测模型进行参数优化，以得到多个功率预测模型。
13.在本技术的一个实施例中，所述生成单元，具体用于：将所述验证数据集中的多个历史期参考有功功率输入到所述多个功率预测模型，以得到多个验证有功功率；根据所述多个验证有功功率与所述验证数据集中的历史期有功功率的误差，对所述多个预测模型的参数进行调整，以得到误差最小化的多个功率预测模型。
14.在本技术的一个实施例中，所述确定模块，具体用于：根据所述目标风电机组集评估期的多个预测有功功率，确定所述目标风电机组集的总预测有功功率；对所述目标风电机组集评估期所采集的多个实测有功功率进行求和，以得到所述目标风电机组集的总实测有功功率；根据所述总预测有功功率以及所述总实测有功功率，确定所述目标风电机组集的发电量增益。
15.本技术提出一种风电机组发电量增益的评估装置，获取风电机组执行技术改造前、后的参考风电机组集和目标风电机组集，并对目标风电机组和参考风电机组的有功功率进行扇区划分，得到多个功率扇区，将各个功率扇区中参考风电机组集的多个历史期参考有功功率为输入，目标风电机组的历史期有功功率为输出，训练出各个功率扇区各自对应的多个功率预测模型，以预测出目标风电机组集评估期的多个预测有功功率，并结合多个实测有功功率，确定目标风电机组集的发电量增益，由此，基于目标风电机组集评估期的多个预测有功功率与多个实测有功功率，准确确定出目标风电机组集的发电量增益，提高了发电量增益的评估精度。
16.本技术第三方面实施例提出了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，当所述处理器执行所述程序时实现本技术实施例中的风电机组发电量增益的评估方法。
17.本技术第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，当该程序被处理器执行时本技术实施例中的风电机组发电量增益的评估方法。
18.上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
19.图1是本技术实施例所提供的一种风电机组发电量增益的评估方法的流程示意
图；
20.图2是本技术实施例所提供一种目标风电机组和参考风电机组的配对关系图；
21.图3是本技术实施例所提供的另一种风电机组发电量增益的评估方法的流程示意图；
22.图4是本技术实施例所提供的另一种风电机组发电量增益的评估方法的流程示意图；
23.图5是本技术实施例所提供一种风电机组发电量增益的评估装置的结构示意图；
24.图6是本技术实施例所提供另一种风电机组发电量增益的评估装置的结构示意图；
25.图7是本技术一个实施例的电子设备的框图。
具体实施方式
26.下面详细描述本技术的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
27.下面参考附图描述本技术实施例的风电机组发电量增益的评估方法、装置、电子设备和存储介质。
28.图1是本技术实施例所提供的一种风电机组发电量增益的评估方法的流程示意图。其中，需要说明的是，本实施例提供的风电机组发电量增益的评估方法的执行主体为风电机组发电量增益的评估装置，该风电机组发电量增益的评估装置可以由软件和/或硬件的方式实现，该实施例中的风电机组发电量增益的评估装置可以配置电子设备中，本实施例中的电子设备可以包括服务器，该实施例对电子设备不作具体限定。
29.如图1所示，该风电机组发电量增益的评估方法可以包括：
30.步骤101，获取风电机组执行技术改造的目标风电机组集，以及未执行技术改造的参考风电机组集，其中，目标风电机组集至少包括一个目标风电机组，且参考风电机组集中的参考风电机组数量大于等于目标风电机组。
31.在一些实施例中，风电机组执行技术改造的内容可以是提高风电机组的发电量，但不仅限于此，该实施例对此不做具体限定。
32.在一些实施例中，目标风电机组集至少包括一个目标风电机组，目标风电机组的具体数量可以结合实际改进需求进行选取，还可以由相关技术人员进行设定，该实施例对此不做具体限定。
33.在一些实施例中，参考风电机组集中的参考风电机组数量大于等于目标风电机组，为了提高风电机组增益的评估的准确性，可以选取多个参考风电机组，例如，参考风电机组集中的参考风电机组数量应不少于3个。
34.步骤102，基于目标风电机组和参考风电机组的绝对风向值，对目标风电机组和参考风电机组的有功功率进行扇区划分，以得到多个功率扇区。
35.在一些实施例中，目标风电机组和参考风电机组的绝对风向值可以由数据采集与监视控制系统(supervisory control and data acquisition，scada)记录的运行数据中获取，但不仅限于此。
36.在另一些实施例中，目标风电机组和参考风电机组的有功功率也可以由scada记录的运行数据中获取，但不仅限于此。
37.可以理解的是，针对不同的绝对风向值，对目标风电机组和参考风电机组的有功功率有不同的扇区划分情况，具体地，以绝对风向值为360
°
为例，可以均匀的划分为36个扇区，其中每个扇区大小分别为10
°
，划分后的扇区可以分别记为sec1,sec2,sec3
……
sec36。
38.其中，由于扇区划分的越精细，计算量越大，目标风电机组集的发电量增益的评估结果越精准，故在保证每个功率扇区内有足够的有功功率数据点的情况下，功率扇区划分数量也可以按实际需要调整为12、24或72个，但不仅限于此。
39.步骤103，将各个功率扇区中参考风电机组集的多个历史期参考有功功率作为输入，各个功率扇区中目标风电机组的历史期有功功率作为输出，训练出各个功率扇区各自对应的多个功率预测模型。
40.在一些实施例中，参考风电机组集的多个历史期参考有功功率，以及目标风电机组的历史期有功功率可以由风电机组未执行技术改造之前的历史期的运行数据中获取。
41.其中，可以将风电机组执行技术改造之前指定时间段记为历史期，该历史期可以至少为一整年，但不仅限于此。
42.在一些实施例中，在将目标风电机组和参考风电机组的有功功率划分为36个扇区的情况下，基于第一个目标风电机组1和参考风电机组集中所有参考风电机组的配对组合，以各台参考风电机组在sec1扇区内相同时间序列点t(t＝1,2,3
……
s)的历史期参考有功功率值作为模型主要输入特征值，以该目标风电机组1在sec1扇区内相同时间点的历史期有功功率信号值作为模型输出，对模型进行训练，以得到该目标风电机组对应的初始功率模型，并进行进行验证，以优化初始功率模型的参数，从而得到优化后的功率预测模型，并保存为功率预测模型model_1_1，同理，分别针对扇区sec2、sec3
……
sec36,依次得到模型model_1_2,model_1_3
……
model_1_36，从而训练出各个功率扇区各自对应的多个功率预测模型，提高功率预测模型的精度。
43.同理类推，针对每一台目标风电机组i和参考风电机组集中所有参考风电机组建立配对组合,针对每一个扇区依次通过训练和调参优化后分别得到36个功率预测模型，分别为model_i_1,model_i_2,model_i_3
……
model_i_36。
44.其中，目标风电机组集中的每个目标风电机组分别与参考风电机组集中的所有参考风电机组进行配对，如图2所示，图2为目标风电机组和参考风电机组的配对关系图，目标风电机组集包括n个目标风电机组，参考风电机组集包括m个参考风电机组，从而通过参考风电机组集中的所有参考风电机组进行对比，提高目标风电机组增益评估的准确性。
45.在另一些实施例中，为提高多个功率预测模型的准确性，在实际建立功率预测模型过程中，也可以增加参考风电机组中各参考风电机组相同时间序列点的温度、风速、温度、风速、空气密度、叶片变桨角度、发电机转速等信号参数作为功率预测模型的辅助输入特征，从而得到最优的多个功率预测模型。
46.步骤104，将参考风电机组集评估期对应的多个实测参考有功功率分别输入到多个功率预测模型，以得到目标风电机组集评估期的多个预测有功功率。
47.在一些实施例中，参考风电机组集评估期对应的多个实测参考有功功率可以由风电机组执行技术改造后的评估期的运行数据中获取。
48.其中，可以将风电机组执行技术改造之后指定时间段记为评估期，该评估期可以至少为一整年，但不仅限于此。
49.在一些实施例中，参考风电机组集对应的多个实测参考有功功率可以是待评估发电量增益的目标风电机组所对应的参考风电机组集运行时的多个实测参考有功功率，但不仅限于此。
50.在一些实施例中，在36个功率预测模型的情况下，针对第一个目标风电机组1和所有参考风电机组的配对组合，将各台参考风电机组评估期内在sec1扇区内相同时间序列点t(t＝1,2,3
……
s)的实测参考有功功率值信号值作为功率预测模型主要特征值输入对应的模型model_1_1，推算得到第一个目标风电机组1评估期内在sec1各个时间点的假定未执行技术改造状态下的预测有功功率p
theory_1_1
，同理，针对扇区sec2、sec3
……
sec36,通过对应的模型model_1_2、model_1_3
……
model_1_36和各时间序列点t(t＝1,2,3
……
s)对应的实测参考有功功率信号值作为输入值，分别推算出目标风电机组在各个扇区对应时间序列点的假定未执行技术改造状态下的多个预测有功功率分别为p
theory_1_2
、p
theory_1_3
......p
theory_1_36
。
51.同理类推，由于目标风电机组由多个，针对目标风电机组i和所有参考风电机组的配对组合，将各台参考风电机组评估期内在sec1扇区内同一时间序列点t(t＝1,2,3
……
s)的实测参考有功功率值作为模型主要特征值输入对应的模型model_i_1，推算得到目标风电机组1评估期内在sec1各个时间点的假定未执行技术改造状态下的预测有功功率p
theory_i_1
，同理，针对扇区sec2、sec3
……
sec36,通过对应的模型model_i_2、model_i_3
……
model_i_36和对应的实测参考功率输入值，分别推算出目标风电机组评估期内的各个扇区各个时间点的假定未执行技术改造状态下的多个预测有功功率分别为p
theory_i_2
、p
theory_i_3
......p
theory_i_36
。
52.步骤105，根据目标风电机组集评估期多个预测有功功率与目标风电机组集评估期所采集的多个实测有功功率，确定目标风电机组集的发电量增益。
53.在一些实施例中，目标风电机组集所采集的多个实测有功功率可以由目标风电机组集对应的scada记录的运行数据中获取，但不仅限于此。
54.在另一些实施例中，根据目标风电机组集评估期多个预测有功功率与目标风电机组集评估期所采集的多个实测有功功率，确定目标风电机组集的发电量增益的一种实施方式可以为根据多个预测有功功率，确定目标风电机组集的总预测有功功率，对目标风电机组集所采集的多个实测有功功率进行求和，以得到目标风电机组集的总实测有功功率，根据总预测有功功率以及总实测有功功率，确定目标风电机组集的发电量增益。
55.例如，在36个功率预测模型的情况下，根据目标风电机组集评估期多个预测有功功率在36个功率扇区的所有预测点的有功功率，计算目标风电机组集的总预测有功功率e
theory_i
的一种计算方式可以为：
[0056][0057]
根据评估期内目标风电机组集多个实测有功功率在36个功率扇区的所有实测有功功率，计算目标风电机组集的总实测有功功率e
real_i
的一种计算方式可以为：
[0058][0059]
从而根据目标风电机组集评估期总预测有功功率以及总实测有功功率，确定目标风电机组集的发电量增益εi，计算方式可以为：
[0060][0061]
本技术提出一种风电机组发电量增益的评估方法，获取风电机组执行技术改造前、后的参考风电机组集和目标风电机组集，并对目标风电机组和参考风电机组的有功功率进行扇区划分，得到多个功率扇区，将各个功率扇区中参考风电机组集的多个历史期参考有功功率为输入，目标风电机组的历史期有功功率为输出，训练出各个功率扇区各自对应的多个功率预测模型，以预测出目标风电机组集评估期的多个预测有功功率，并结合目标风电机组集评估期的多个实测有功功率，确定目标风电机组集的发电量增益，由此，基于目标风电机组集评估期的多个预测有功功率与评估期多个实测有功功率，准确确定出目标风电机组集的发电量增益，提高了发电量增益的评估精度。
[0062]
图3是本技术实施例所提供的另一种风电机组发电量增益的评估方法的流程示意图。
[0063]
步骤301，获取风电机组在预设时段内的历史运行数据。
[0064]
其中，风电机组在预设时段内的历史运行数据可以由scada记录的运行数据中获取。
[0065]
在另一些实施例中，scada记录的运行数据的时间颗粒度可以是10分钟平均值，也可以为5分钟平均值，1分钟平均值或者其它时间颗粒度的平均值运行数据，其中，时间颗粒度越小，目标风电机组集发电量增益的评估精度越高。
[0066]
步骤302，对历史运行数据进行筛查，以得到无数据异常的标准历史运行数据。
[0067]
在一些实施例中，可以对异常数据进行剔除，以完成对历史运行数据的筛查，得到无数据异常的标准历史运行数据，其中，异常数据可以包括但不限于缺失数据、错误数据、故障期间数据、限电运行数据、降容运行数据、机组维护状态数据，以及10分钟内机组运行状态不连续等数据，该实施例对此不做具体限定。
[0068]
步骤303，根据标准历史运行数据的完整度，确定风电机组中符合评估要求的评估风电机组。
[0069]
在一些实施例中，可以设定标准历史运行数据的完整度阈值，将大于完整度阈值对应的风电机组中作为符合评估要求的评估风电机组，将小于完整度阈值对应的风电机组直接剔除，不予参与发电量增益评估，保障目标风电机组集标准历史运行数据的可靠性。
[0070]
步骤304，从评估风电机组中选取出执行技术改造的目标风电机组，以及未执行技术改造的参考风电机组。
[0071]
在一些实施例中，从评估风电机组中选取出执行技术改造的目标风电机组，以及未执行技术改造的参考风电机组的一种实施方式可以为，在经过运行数据预处理筛查后的评估风电机组中，将已经执行技术改造的一台或多台风电机组总体记为目标风电机组集，目标风电机组集中每一台机组分别记为目标风电机组i(i＝1,2,3
……
n,其中n为目标风电
机组总台数，n≥1)，挑选目标风电机组周边未执行风电机组改造的多台风电机组共同记为参考风电机组集，参考风电机组集中每一台风电机组分别记为参考风电机组j(j＝1,2,3
……
m，m为参考风电机组总台数，通常m≥n且m≥3)。
[0072]
步骤305，基于目标风电机组和参考风电机组的绝对风向值，对目标风电机组和参考风电机组的有功功率进行扇区划分，以得到多个功率扇区。
[0073]
步骤306，将各个功率扇区中参考风电机组集的多个历史期参考有功功率作为输入，各个功率扇区中目标风电机组的历史期有功功率作为输出，训练出各个功率扇区各自对应的多个功率预测模型。
[0074]
步骤307，将参考风电机组集评估期对应的多个实测参考有功功率分别输入到多个功率预测模型，以得到目标风电机组集评估期的多个预测有功功率。
[0075]
步骤308，根据目标风电机组集评估期多个预测有功功率与目标风电机组集评估期所采集的多个实测有功功率，确定目标风电机组集的发电量增益。
[0076]
其中，需要说明的是，关于步骤305至步骤308的具体实现方式，可参见上述实施例中的相关描述。
[0077]
本技术提出一种风电机组发电量增益的评估方法，获取风电机组在预设时段内的历史运行数据，对历史运行数据进行筛查，以得到无数据异常的标准历史运行数据，根据标准历史运行数据的完整度，确定风电机组中符合评估要求的评估风电机组，从评估风电机组中选取出进行执行技术改造的目标风电机组，以及未执行技术改造的参考风电机组，并对目标风电机组和参考风电机组的有功功率进行扇区划分，得到多个功率扇区，将各个功率扇区中参考风电机组集的多个历史期参考有功功率为输入，目标风电机组的历史期有功功率为输出，训练出各个功率扇区各自对应的多个功率预测模型，以预测出目标风电机组集评估期的多个预测有功功率，并结合目标风电机组集评估期的多个实测有功功率，确定目标风电机组集的发电量增益，由此，基于符合评估要求的目标风电机组集的评估期多个预测有功功率与多个实测有功功率，保证了目标风电机组集的发电量增益评估数据的可靠性，以准确确定出目标风电机组集的发电量增益。
[0078]
图4是本技术实施例所提供的另一种风电机组发电量增益的评估方法的流程示意图。
[0079]
步骤401，获取风电机组执行技术改造的目标风电机组集，以及未执行技术改造的参考风电机组集，其中，目标风电机组集至少包括一个目标风电机组，且参考风电机组集中的参考风电机组数量大于等于目标风电机组。
[0080]
步骤402，基于目标风电机组和参考风电机组的绝对风向值，对目标风电机组和参考风电机组的有功功率进行扇区划分，以得到多个功率扇区。
[0081]
其中，需要说明的是，关于步骤401至步骤402的具体实现方式，可参见上述实施例中的相关描述。
[0082]
步骤403，获取目标风电机组集和参考风电机组集历史期的训练数据集和验证数据集，其中，训练数据集和验证数据集中均包括参考风电机组集的多个历史期参考有功功率以及目标风电机组的历史期有功功率。
[0083]
在一些实施例中，目标风电机组集和参考风电机组集的训练数据集和验证数据集是按照参考风电机组集的多个历史期参考有功功率以及目标风电机组的历史期有功功率
的数据总量进行比例分配。
[0084]
具体地，可以将训练数据集分配为80％，验证数据集分配为20％，此外，在实际应用过程中，也可以按照实际需求按其它比例划分训练数据集和验证数据集，该实施例对此不做具体限定。
[0085]
步骤404，将训练数据集中的多个历史期参考有功功率作为机器学习算法的输入，历史期有功功率作为机器学习算法的输出进行模型训练，以得到各个功率扇区各自对应的多个初始功率预测模型。
[0086]
在一些实施例中，机器学习算法可以包括但不限于线性回归、临近回归等回归算法、随机森林、分布式梯度增强库xgboost算法、支持向量机算法svm、长短期记忆人工神经网络算法lstm，以及深度学习和神经网络，该实施例对此不做具体限定。
[0087]
步骤405，通过验证数据集中的多个历史期参考有功功率以及验证数据集中的历史期有功功率，对多个初始功率预测模型进行参数优化，以得到多个功率预测模型。
[0088]
在一些实施例中，通过验证数据集中的多个历史期参考有功功率以及验证数据集中的历史期有功功率，对多个初始功率预测模型进行参数优化，以得到多个功率预测模型的一种实施方式可以为，将验证数据集中的多个历史期参考有功功率输入到多个功率预测模型，以得到多个验证有功功率，根据多个验证有功功率与验证数据集中的历史期有功功率的误差，对多个预测模型的参数进行调整，以得到误差最小化的多个功率预测模型。
[0089]
具体地，在36个功率预测模型的情况下，可以根据目标风电机组集历史期多个预测有功功率在36个功率扇区的所有预测点的有功功率与历史期有功功率的最小化均方根误差(root mean square error,rmse)值来调控多个预测模型的参数，以得到误差最小化的多个功率预测模型。
[0090]
其中，最小化均方根误差rmse值的计算方式可以为：
[0091][0092]
其中，可以理解的是，还可以通过均方误差(mean square error,mse)、平均绝对误差(mean absolute error,mae)、平均绝对百分比误差(mean absolute percentage error,mape)、对称平均绝对百分比误差(symmetric mean absolute percentage error,smape)等其他预测评价指标为优化指标，对多个预测模型的参数进行调整，该实施例对此不做具体限定。
[0093]
步骤406，将参考风电机组集评估期对应的多个实测参考有功功率分别输入到多个功率预测模型，以得到目标风电机组集评估期的多个预测有功功率。
[0094]
步骤407，根据目标风电机组集评估期的多个预测有功功率与目标风电机组集评估期所采集的多个实测有功功率，确定目标风电机组集的发电量增益。
[0095]
本技术提出一种风电机组发电量增益的评估方法，获取风电机组执行技术改造前、后的参考风电机组集和目标风电机组集，并对目标风电机组和参考风电机组的有功功率进行扇区划分，得到多个功率扇区，获取目标风电机组集和参考风电机组集的训练数据集和验证数据集，其中，训练数据集和验证数据集中均包括参考风电机组集的多个历史期参考有功功率以及目标风电机组的历史期有功功率，将训练数据集中的多个历史期参考有
功功率作为机器学习算法的输入，历史期有功功率作为机器学习算法的输出进行模型训练，以得到各个功率扇区各自对应的多个初始功率预测模型，通过验证数据集中的多个历史期参考有功功率以及验证数据集中的历史期有功功率，对多个初始功率预测模型进行参数优化，以得到多个功率预测模型，以预测出目标风电机组集评估期的多个预测有功功率，并结合目标风电机组集评估期的多个实测有功功率，确定目标风电机组集的发电量增益，由此，基于目标风电机组集的多个预测有功功率与多个实测有功功率，通过最优的功率预测模型准确预测出目标风电机组集的多个预测有功功率，实现目标风电机组集的发电量增益的精准计算，提高了目标风电机组集发电量增益的准确性。
[0096]
为了实现上述实施例，本实施例提供了一种风电机组发电量增益的评估装置，图5是本技术实施例所提供一种风电机组发电量增益的评估装置的结构示意图。
[0097]
如图5所示，该风电机组发电量增益的评估装置500，包括：
[0098]
获取模块501，用于获取风电机组执行技术改造的目标风电机组集，以及未执行技术改造的参考风电机组集，其中，目标风电机组集至少包括一个目标风电机组，且参考风电机组集中的参考风电机组数量大于等于目标风电机组。
[0099]
划分模块502，用于基于目标风电机组和参考风电机组的绝对风向值，对目标风电机组和参考风电机组的有功功率进行扇区划分，以得到多个功率扇区。
[0100]
训练模块503，用于将各个功率扇区中参考风电机组集的多个历史期参考有功功率作为输入，各个功率扇区中目标风电机组的历史期有功功率作为输出，训练出各个功率扇区各自对应的多个功率预测模型。
[0101]
输入模块504，用于将参考风电机组集评估期对应的多个实测参考有功功率分别输入到多个功率预测模型，以得到目标风电机组集评估期的多个预测有功功率。
[0102]
确定模块505，用于根据目标风电机组集评估期的多个预测有功功率与所采集的多个实测有功功率，确定目标风电机组集的发电量增益。
[0103]
在一些实施例中，获取模块501，具体用于：
[0104]
获取风电机组在预设时段内的历史运行数据。
[0105]
对历史运行数据进行筛查，以得到无数据异常的标准历史运行数据。
[0106]
根据标准历史运行数据的完整度，确定风电机组中符合评估要求的评估风电机组。
[0107]
从评估风电机组中选取出执行技术改造的目标风电机组，以及未执行技术改造的参考风电机组。
[0108]
在一些实施例中，如图6所示，训练模块503，包括：
[0109]
获取单元5031，用于获取目标风电机组集和参考风电机组集历史期的训练数据集和验证数据集，其中，训练数据集和验证数据集中均包括参考风电机组集的多个历史期参考有功功率以及目标风电机组的历史期有功功率。
[0110]
训练单元5032，用于将训练数据集中的多个历史期参考有功功率作为机器学习算法的输入，历史期有功功率作为机器学习算法的输出进行模型训练，以得到各个功率扇区各自对应的多个初始功率预测模型。
[0111]
生成单元5033，用于通过验证数据集中的多个历史期参考有功功率以及验证数据集中的历史期有功功率，对多个初始功率预测模型进行参数优化，以得到多个功率预测模
型。
[0112]
在一些实施例中，如图6所示，生成单元5033，具体用于：
[0113]
将验证数据集中的多个历史期参考有功功率输入到多个功率预测模型，以得到多个验证有功功率。
[0114]
根据多个验证有功功率与验证数据集中的历史期有功功率的误差，对多个预测模型的参数进行调整，以得到误差最小化的多个功率预测模型。
[0115]
在一些实施例中，如图6所示，确定模块505，具体用于：
[0116]
根据目标风电机组集评估期的多个预测有功功率，确定目标风电机组集的总预测有功功率。
[0117]
对目标风电机组集评估期所采集的多个实测有功功率进行求和，以得到目标风电机组集的总实测有功功率。
[0118]
根据总预测有功功率以及总实测有功功率，确定目标风电机组集的发电量增益。
[0119]
本技术提出一种风电机组发电量增益的评估装置，获取风电机组执行技术改造前、后的参考风电机组集和目标风电机组集，并对目标风电机组和参考风电机组的有功功率进行扇区划分，得到多个功率扇区，将各个功率扇区中参考风电机组集的多个历史期参考有功功率为输入，目标风电机组的历史期有功功率为输出，训练出各个功率扇区各自对应的多个功率预测模型，以预测出目标风电机组集评估期的多个预测有功功率，并结合多个实测有功功率，确定目标风电机组集的发电量增益，由此，基于目标风电机组集评估期的多个预测有功功率与多个实测有功功率，准确确定出目标风电机组集的发电量增益，提高了发电量增益的评估精度。
[0120]
如图7所示，是根据本技术一个实施例的电子设备的框图。
[0121]
如图7所示，该电子设备包括：
[0122]
存储器701、处理器702及存储在存储器701上并可在处理器702上运行的计算机指令。
[0123]
处理器702执行指令时实现上述实施例中提供的风电机组发电量增益的评估方法。
[0124]
进一步地，电子设备还包括：
[0125]
通信接口703，用于存储器701和处理器702之间的通信。
[0126]
存储器701，用于存放可在处理器702上运行的计算机指令。
[0127]
存储器701可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0128]
处理器702，用于执行程序时实现上述实施例的风电机组发电量增益的评估方法。
[0129]
如果存储器701、处理器702和通信接口703独立实现，则通信接口703、存储器701和处理器702可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(industry standard architecture，简称为isa)总线、外部设备互连(peripheral component，简称为pci)总线或扩展工业标准体系结构(extended industry standard architecture，简称为eisa)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0130]
可选的，在具体实现上，如果存储器701、处理器702及通信接口703，集成在一块芯
片上实现，则存储器701、处理器702及通信接口703可以通过内部接口完成相互间的通信。
[0131]
处理器702可能是一个中央处理器(central processing unit，简称为cpu)，或者是特定集成电路(application specific integrated circuit，简称为asic)，或者是被配置成实施本技术实施例的一个或多个集成电路。
[0132]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0133]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0134]
尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。