一种多模型耦合风功率预测方法、装置、设备及存储介质与流程

本发明涉及风电功率，具体涉及一种多模型耦合风功率预测方法、装置、设备及存储介质。

背景技术：

1、风力发电是一种清洁、可再生的能源利用方式，但由于风速和风向等气象因素的不确定性和随机性，风力发电机组的功率输出具有较强的波动性和间歇性。这给电网运行带来了很大的挑战，需要对风力发电机组进行准确的功率预测，以提高风电场的经济效益和电网安全稳定性。风力发电机组在天气突变较多的地区受到气象变化的影响愈发显著。当前，短期功率预测方法存在一定的局限性，难以处理复杂突发天气。在风况突变时，由于控制系统的滞后性，容易导致机组出现载荷过大，甚至是倒机的情况，造成重大经济损失。超短期功率预测具有重要意义。

2、目前，已有一些基于机器学习或深度学习的方法，对风力发电的功率进行预测，如决策树、支持向量机、循环神经网络等。然而，这些方法存在以下缺陷：(1)忽略了风机之间的空间关系和语义相似性，导致预测结果缺乏空间特征的非均匀性；(2)没有考虑到不同风速条件下的预测效果差异，导致预测结果在高风速或低风速时出现较大偏差；(3)没有充分利用多个模型的预测结果进行融合，导致预测结果缺乏鲁棒性和稳定性。

技术实现思路

1、有鉴于此，本发明提供了一种多模型耦合风功率预测方法、装置、设备及存储介质，以解决基于机器学习或深度学习的方法，对风力发电的功率进行预测时存在的上述缺陷。

2、第一方面，本发明提供了一种多模型耦合风功率预测方法，该方法包括：

3、获取多个风机组对应的初始历史数据集、地理位置信息集和空间拓扑关系；基于初始历史数据集、地理位置信息集和空间拓扑关系，对多个风机组的运行行为进行分析，得到风机组运行行为分析结果；基于初始历史数据集和风机组运行行为分析结果，分别建立时空注意力网络模型、lightgbm模型、gru模型和local-ensemble模型；基于初始历史数据集，建立风速控制模型；基于风速控制模型，在时空注意力网络模型、lightgbm模型、gru模型和local-ensemble模型中确定多个目标预测模型；基于风速控制模型和多个目标预测模型对多个风机组的风功率进行预测，得到风功率目标预测结果。

4、本发明提供的多模型耦合风功率预测方法，结合多个风机组对应的初始历史数据集、地理位置信息集和空间拓扑关系对多个风机组的运行行为进行分析，考虑了风机之间的空间关系和语义相似性，提高了风机组运行行为分析结果的空间特征的非均匀性。进一步，利用风速控制模型在构建的多个模型中选择多个目标预测模型进行多个风机组的风功率的预测，提高了预测结果的鲁棒性和稳定性。同时在预测过程结合风速控制模型进行预测，考虑了不同风速条件下的预测效果差异，能够有效地降低预测结果在高风速或低风速时出现的偏差。因此，通过实施本发明，实现了对多个风机组的实时超短期功率预测。

5、在一种可选的实施方式中，基于初始历史数据集、地理位置信息集和空间拓扑关系，对多个风机组的运行行为进行分析，得到风机组运行行为分析结果，包括：

6、基于初始历史数据集、地理位置信息集和空间拓扑关系，对多个风机组进行相似划分，得到相似风机划分结果；基于相似风机划分结果，对初始历史数据集进行处理，得到目标历史数据集；基于目标历史数据集，对多个风机组的风功率进行异常点识别和运行行为分析，得到风机组运行行为分析结果。

7、本发明提供的多模型耦合风功率预测方法，通过结合初始历史数据集、地理位置信息集和空间拓扑关系，可以自动化进行相似风机划分。进一步，结合相似风机划分结果对多个风机组的风功率进行异常点识别和运行行为分析，提高了风机监测管理能力。同时，考虑了风机之间的空间关系和语义相似性，提高了风机组运行行为分析结果的空间特征的非均匀性。

8、在一种可选的实施方式中，基于初始历史数据集、地理位置信息集和空间拓扑关系，对多个风机组进行相似划分，得到相似风机划分结果，包括：

9、基于不同时间维度，对历史数据集进行处理和聚类，得到聚类结果；基于地理位置信息集和空间拓扑关系，经过图构建方法处理，得到图构建结果；基于聚类结果和图构建结果，对多个风机组进行相似划分和分析，得到相似风机划分结果。

10、本发明提供的多模型耦合风功率预测方法，首先通过对历史数据集在不同时间维度进行处理和聚类，可以得到不同时间维度下的聚类结果。其次，结合地理位置信息集和空间拓扑关系可以进行图构建，考虑了风机之间的空间关系和语义相似性。最后，通过结合聚类结果和图构建结果可以实现对多个风机组的相似性划分，为后续多个风机组的风机组运行行为分析提供了支持。

11、在一种可选的实施方式中，基于初始历史数据集和风机组运行行为分析结果，分别建立时空注意力网络模型、lightgbm模型、gru模型和local-ensemble模型，包括：

12、基于初始历史数据集构造三维张量数据；基于三维张量数据和风机组运行行为分析结果，建立时空注意力网络模型；基于初始历史数据集和风机组运行行为分析结果，分别建立lightgbm模型、gru模型和local-ensemble模型。

13、本发明提供的多模型耦合风功率预测方法，通过初始历史数据集构造三维张量数据，并结合风机组运行行为分析结果可以建立对应的时空注意力网络模型，进一步，结合初始历史数据集和风机组运行行为分析结果还可以分别建立对应的多个预测模型，为后续多模型预测结果融合提供了支持。

14、在一种可选的实施方式中，基于风速控制模型和多个目标预测模型对多个风机组的风功率进行预测，得到风功率目标预测结果，包括：

15、基于风速控制模型，确定风速条件；利用多个目标预测模型对多个风机组进行预测，得到多个风功率初始预测结果；基于风速条件和多个风功率初始预测结果，确定风功率目标预测结果。

16、本发明提供的多模型耦合风功率预测方法，采用多模型耦合的方式，充分利用多个模型的预测结果进行互补和优化，提高了预测结果的鲁棒性和稳定性。同时，结合风速控制模型进行预测，考虑了不同风速条件下的预测效果差异，能够有效地降低预测结果在高风速或低风速时出现的偏差。

17、在一种可选的实施方式中，该方法还包括：

18、获取多个风机组的实测功率数据集；基于风功率目标预测结果和实测功率数据集，对多个目标预测模型进行更新。

19、本发明提供的多模型耦合风功率预测方法，通过结合风功率目标预测结果和实测功率数据集，可以对多模型耦合风功率预测模型的预测结果进行实时分析、管理和更新，能够有效地反映当前数据分布的变化，进而更新多个目标预测模型以提高预测结果的实时性。

20、第二方面，本发明提供了一种多模型耦合风功率预测装置，该装置包括：

21、第一获取模块，用于获取多个风机组对应的初始历史数据集、地理位置信息集和空间拓扑关系；分析模块，用于基于初始历史数据集、地理位置信息集和空间拓扑关系，对多个风机组的运行行为进行分析，得到风机组运行行为分析结果；第一建立模块，用于基于初始历史数据集和风机组运行行为分析结果，分别建立时空注意力网络模型、lightgbm模型、gru模型和local-ensemble模型；第二建立模块，用于基于初始历史数据集，建立风速控制模型；确定模块，用于基于风速控制模型，在时空注意力网络模型、lightgbm模型、gru模型和local-ensemble模型中确定多个目标预测模型；预测模块，用于基于风速控制模型和多个目标预测模型对多个风机组的风功率进行预测，得到风功率目标预测结果。

22、第三方面，本发明提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的多模型耦合风功率预测方法。

23、第四方面，本发明提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的多模型耦合风功率预测方法。

24、第五方面，本发明提供了一种计算机程序产品，包括计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的多模型耦合风功率预测方法。