一种计及极端天气的区域风电功率预测方法、装置及服务器

本技术涉及功率预测，尤其是涉及一种计及极端天气的区域风电功率预测方法、装置及服务器。

背景技术：

1、我国风资源分布广泛，但风能出力存在的时间性和季节性，日均出力的波峰和波谷相差较大，还具有较强的地域性，比如风资源集中分布的“三北”(华北、西北、东北)地区与负荷消耗能力大的内陆及临海城市相距甚远，导致风电资源丰富的地区无法与电力需求大的区域形成互补，产生的风电不能及时消纳。除此之外，由于天气条件不确定的原因，极端天气下功率预测的误差会影响电力系统平衡调度，为其建模控制带来巨大挑战，亟需突破。针对极端天气的区域风电功率预测，现有技术多采用物理模型预测方法或统计模型预测方法，物理模型依赖于数值天气预报的准确性，建模过程复杂且需要庞大的计算资源支撑需要深入理解对气象知识及其对象的相应物理待性，适用性较差难用于区域风电功率预测。所以，如何针对极端天气下进行风电功率预测成为了不容小觑的技术问题。

技术实现思路

1、有鉴于此，本技术的目的在于提供一种计及极端天气的区域风电功率预测、装置及服务器，通过在风电功率预测模型开发中，需考虑不同天气过程下的气象特征与风电场的风电功率特性的差异性，针对不同天气过程分别构建差异化的风电功率预测模型，以提升对不同天气类型下风电场的风电功率预测的准确度。

2、本技术实施例提供了一种计及极端天气的区域风电功率预测方法，所述区域风电功率预测方法包括：

3、获取目标风电场的气象数据信息；其中，气象数据信息包括风速信息、温度信息、风向信息、气压信息以及湿度信息；

4、基于预先确定好的极端天气自适应识别机制以及预先训练的非极端天气识别模型对所述气象数据信息进行天气类型识别，确定出所述目标风电场所对应的天气类型；其中，天气类型包括极端天气类型以及非极端天气类型；

5、若所述目标风电场所对应的天气类型为极端天气类型，则在预先训练好的多个风电功率预测模型之中确定出该极端天气类型下的极端天气情况所对应的目标风电功率预测模型，将所述气象数据信息输入至目标风电功率预测模型之中，对所述气象数据信息进行处理，预测出当前气象数据信息下所述目标风电场的风电功率；其中，所述风电功率预测模型是通过对气象数据信息与风电功率之间的相关性对时间卷积神经网络模型进行迭代训练得到的。

6、在一种可能的实施方式之中，通过以下步骤对所述风电功率预测模型进行训练：

7、基于多个样本风电场的极端天气数据信息，确定出极端天气事件条件，并基于所述极端天气事件条件筛选出每个所述样本风电场所对应的极端天气事件数据；

8、对每个所述样本风电场所对应的极端天气事件数据进行聚类以及支持向量机的超平面边界方程估计处理，确定出极端天气自适应识别机制；

9、基于所述极端天气自适应识别机制以及所述非极端天气识别模型对样本风电场的样本气象数据信息进行识别，确定出所述样本风电场的样本天气类型；

10、对所述非极端天气类型以及所述极端天气类型中每种极端天气情况分别进行所述时间卷积神经网络模型的建模，将所述样本风电场的样本气象数据信息输入至相对应的所述样本天气类型的时间卷积神经网络模型之中，输出所述样本风电场的预测风电功率；

11、基于所述样本风电场的预测风电功率以及实际风电功率对所述时间卷积神经网络模型进行迭代训练，确定出所述天气类型所对应的风电功率预测模型。

12、在一种可能的实施方式之中，所述基于多个样本风电场的极端天气数据信息，确定出极端天气事件条件，包括：

13、基于天气条件数据特性对极端天气类型进行识别，确定出每个极端天气类型所对应的气象特征序列；

14、基于每个极端天气类型所对应的气象特征序列在每个样本风电场的极端天气数据信息之中确定出不同极端天气类型下所述样本风电场的气象数据信息以及风电功率信息的变化趋势；

15、基于不同极端天气类型下所述样本风电场的气象数据信息以及风电功率信息的变化趋势，确定出所述极端天气事件条件。

16、在一种可能的实施方式之中，所述对每个所述样本风电场所对应的极端天气事件数据进行聚类以及支持向量机的超平面边界方程估计处理，确定出极端天气自适应识别机制，包括：

17、基于高斯混合聚类模型对每个所述样本风电场所对应的极端天气事件数据进行高斯混合聚类，确定出每个所述样本风电场所对应的极端天气事件数据所对应的聚类子群；其中，一个所述聚类子群对应一个所述极端天气类型中的极端天气情况；

18、基于支持向量机对每个聚类子群进行超平面边界方程估计处理，确定出超平面不等式的所述极端天气自适应识别机制。

19、在一种可能的实施方式之中，在所述基于多个样本风电场的极端天气数据信息，确定出极端天气事件条件，并基于所述极端天气事件条件筛选出每个所述样本风电场所对应的极端天气事件数据之后，所述区域风电功率预测方法还包括：

20、对所述极端天气事件数据进行预处理，将预处理后的所述极端天气事件数据输入至生成对抗网络之中，对预处理后的所述极端天气事件数据进行小样本数据生成，生成多个极端天气事件数据所对应的小样本数据；

21、基于pca主成分分析、t-sne非线性分析以及核密度估计对多个极端天气事件数据所对应的小样本数据进行数据评估。

22、在一种可能的实施方式之中，通过以下步骤对所述非极端天气识别模型进行训练：

23、基于双向长短期记忆网络对获取到的样本风电场的多个天气预报数据进行修正，确定出修正后的所述天气预报数据；

24、基于所述双向长短期记忆网络对修正后的所述天气预报数据进行非极端天气类型的识别，确定出预测天气类型识别结果；

25、基于预测天气类型识别结果以及修正后的所述天气预报数据所对应的实际天气类型识别结果之间的损失值对所述双向长短期记忆网络进行迭代训练，生成所述非极端天气识别模型。

26、在一种可能的实施方式之中，在所述基于所述样本风电场的预测风电功率以及实际风电功率对所述时间卷积神经网络模型进行迭代训练，确定出所述天气类型所对应的风电功率预测模型之后，所述风电功率预测方法还包括：

27、基于非参数算法和半参数算法确定出每个所述风电功率预测模型的风电功率波动区间，以使基于每个所述风电功率预测模型的风电功率波动区间评价每个所述风电功率预测模型的不确定性。

28、本技术实施例还提供了一种计及极端天气的区域风电功率预测装置，所述区域风电功率预测装置包括：

29、获取模块，用于获取目标风电场的气象数据信息；其中，气象数据信息包括风速信息、温度信息、风向信息、气压信息以及湿度信息；

30、天气类型识别模块，用于基于预先确定好的极端天气自适应识别机制以及预先训练的非极端天气识别模型对所述气象数据信息进行天气类型识别，确定出所述目标风电场所对应的天气类型；其中，天气类型包括极端天气类型以及非极端天气类型；

31、预测模块，用于若所述目标风电场所对应的天气类型为极端天气类型，则在预先训练好的多个风电功率预测模型之中确定出该极端天气类型下的极端天气情况所对应的目标风电功率预测模型，将所述气象数据信息输入至目标风电功率预测模型之中，对所述气象数据信息进行处理，预测出当前气象数据信息下所述目标风电场的风电功率；其中，所述风电功率预测模型是通过对气象数据信息与风电功率之间的相关性对时间卷积神经网络模型进行迭代训练得到的。

32、本技术实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的计及极端天气的区域风电功率预测方法的步骤。

33、本技术实施例还提供一种服务器，该服务器上存储有计算机程序，该计算机程序被处理器运行时执行如上述的计及极端天气的区域风电功率预测方法的步骤。

34、本技术实施例提供的一种计及极端天气的区域风电功率预测方法、装置及服务器，所述区域风电功率预测方法包括：获取目标风电场的气象数据信息；其中，气象数据信息包括风速信息、温度信息、风向信息、气压信息以及湿度信息；基于预先确定好的极端天气自适应识别机制以及预先训练的非极端天气识别模型对所述气象数据信息进行天气类型识别，确定出所述目标风电场所对应的天气类型；其中，天气类型包括极端天气类型以及非极端天气类型；若所述目标风电场所对应的天气类型为极端天气类型，则在预先训练好的多个风电功率预测模型之中确定出所述极端天气类型所对应的目标风电功率预测模型，将所述气象数据信息输入至目标风电功率预测模型之中，对所述气象数据信息进行处理，预测出当前气象数据信息下所述目标风电场的风电功率；其中，所述风电功率预测模型是通过对气象数据信息与风电功率之间的相关性对时间卷积神经网络模型进行迭代训练得到的。本方案的有益效果为，通过在风电功率预测模型开发中，需考虑不同天气过程下的气象特征与风电场的风电功率特性的差异性，针对不同天气过程分别构建差异化的风电功率预测模型，以提升对不同天气类型下风电场的风电功率预测的准确度。

35、为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。