技术新讯 > 计算推算,计数设备的制造及其应用技术 > 一种海上风电功率预测方法及装置  >  正文

一种海上风电功率预测方法及装置

  • 国知局
  • 2024-09-11 14:25:32

本发明涉及海上风力发电,具体涉及一种海上风电功率预测方法及装置。

背景技术:

1、海上风电凭借着丰富的海上风能资源和毗邻沿海用电负荷区等优势,对构筑新型电力系统具有重要意义。但不可忽视的是,因海上的气象环境复杂,导致海上风电功率的随机性和波动性相较于陆上风电更大,对海上风电并网的安全性,电网的合理调度和电能的消纳等产生了不利影响。为应对上述不利影响,对海上风电功率进行精准的超短期预测至关重要。

2、但是,由于海上气象条件复杂,历史数据与未来发电功率的关系不显著,导致对海上风电功率的超短期预测难以取得理想效果。

技术实现思路

1、有鉴于此,本发明提供了一种海上风电功率预测方法及装置,以解决由于历史数据与未来发电功率的关系不显著,导致对海上风电功率超短期预测的精度较低的问题。

2、第一方面,本发明提供了一种海上风电功率预测方法,该方法包括:

3、获取海上风电场历史数据,对海上风电场历史数据进行预处理,得到预处理后的海上风电场历史数据;

4、对预处理后的海上风电场历史数据进行相关性分析,基于相关性分析结果构建海上风电场时序数据集;

5、构建海上风电功率预测模型;其中,海上风电功率预测模型为基于一维卷积神经网络-双向长短期记忆神经网络-多头自注意力机制的预测模型;

6、利用海上风电场时序数据集对海上风电功率预测模型进行训练,得到训练后的海上风电功率预测模型;

7、利用训练后的海上风电功率预测模型对海上风电功率进行预测,得到海上风电功率预测值。

8、本实施例提供的一种海上风电功率预测方法,通过在数据侧对海上风电场历史数据进行预处理以及相关性分析,实现了对海上风电场历史数据的数据优化,并且,基于一维卷积神经网络-双向长短期记忆神经网络-多头自注意力机制构建海上风电功率预测模型,并对海上风电功率预测模型进行训练,实现了从模型侧的数据优化,相较于单侧优化,充分挖掘了历史数据与未来海上风力发电功率之间的隐含关系,有效提高了海上风电功率的精准预测。

9、在一种可选的实施方式中,对海上风电场历史数据进行预处理,得到预处理后的海上风电场历史数据,包括:

10、基于海上风电场历史数据确定海上风电场的历史风速数据和历史发电功率数据;

11、根据历史风速数据对历史发电功率数据进行分类,并基于分类结果绘制风电机组理想功率曲线;

12、基于历史风速数据和历史发电功率数据的原始分布情况,以及风电机组理想功率曲线确定风电功率合理区间;

13、基于风电功率合理区间剔除历史风速数据和历史发电功率数据中的分布异常数据,并对分布异常数据进行插值处理,得到预处理后的海上风电场历史数据。

14、本实施例提供的一种海上风电功率预测方法,根据历史风速数据对历史发电功率数据进行分类,进而基于历史风速数据和历史发电功率数据的原始分布情况,以及风电机组理想功率曲线确定风电功率合理区间,利用风电功率合理区间实现了对分布异常数据的准确剔除,并且通过插值处理,保证了海上风电场历史数据的时序完整性,避免了原始数据存在的噪声对预测精度产生的不良影响,为后续海上风电功率预测模型的训练提供了数据基础。

15、在一种可选的实施方式中,根据历史风速数据对历史发电功率数据进行分类,并基于分类结果绘制风电机组理想功率曲线,包括:

16、将历史风速数据分别与切入风速、切出风速和额定风速进行比较;

17、若历史风速数据处于大于切出风速或小于切入风速的区间范围时,则历史发电功率数据为风机停机数据;

18、若历史风速数据处于大于切入风速且小于额定风速的区间范围时,则基于历史风速数据和历史发电功率数据进行拟合,得到高斯函数;

19、若历史风速数据处于大于额定风速且小于切出风速的区间范围时,则历史发电功率数据为风电场最大出力数据;

20、基于风机停机数据、高斯函数和风电场最大出力数据绘制风电机组理想功率曲线。

21、本实施例提供的一种海上风电功率预测方法,应用考虑不同风速区间下的发电情况的高斯函数逼近方法,清除对风速—功率分布异常数据,可以有效地剔除异常的功率点,有效规避了原始数据存在的噪声对预测精度产生的不良影响。

22、在一种可选的实施方式中,对预处理后的海上风电场历史数据进行相关性分析,基于相关性分析结果构建海上风电场时序数据集,包括:

23、计算预处理后的海上风电场历史数据中影响变量之间的第一皮尔逊相关系数,以及不同时刻风电功率和轮毂风速的第二皮尔逊相关系数;

24、利用第一皮尔逊相关系数和第二皮尔逊相关系数,对预处理后的海上风电场历史数据分别进行特征筛选和时序长度设定;

25、对特征筛选和时序长度设定后的海上风电场历史数据进行归一化处理,得到海上风电场时序数据集。

26、本实施例提供的一种海上风电功率预测方法,采用皮尔逊相关系数对预处理后的海上风电场历史数据进行分析,可以高效地确定输入特征和时序长度,有效发挥海上风电功率预测模型的预测性能,避免了历史数据冗杂,特征维度大,不利于模型提取有用特征的问题。

27、在一种可选的实施方式中,利用海上风电场时序数据集对海上风电功率预测模型进行训练,得到训练后的海上风电功率预测模型,包括:

28、分别利用一维卷积神经网络和双向长短期记忆神经网络,提取海上风电场时序数据集中的局部特征和全局特征;

29、将局部特征和全局特征进行特征拼接,并利用多头自注意力机制对拼接后的特征进行权重分配,得到关键特征;

30、利用全连接层调整关键特征的输出维度,并基于关键特征,利用回归输出层输出预测时刻的海上风电功率值;

31、将预测时刻的海上风电功率值和海上风电场时序数据集中的历史发电功率值进行比较,基于比较结果进行迭代训练,得到训练后的海上风电功率预测模型。

32、本实施例提供的一种海上风电功率预测方法,利用一维卷积神经网络和双向长短期记忆神经网络,提取海上风电场时序数据集中的局部特征和全局特征,充分挖掘了历史数据与未来海上风力发电功率之间的隐含关系,并利用多头自注意力机制对拼接后的特征进行权重分配,得到关键特征,强化了关键特征并抑制了噪声,最后利用全连接层整合并输出预测功率,海上风电功率预测模型有效解决了预测模型数据挖掘能力不足,难以充分挖掘历史数据与海上风电功率之间的联系的问题,实现了较为准确的海上风电功率预测。

33、在一种可选的实施方式中,利用训练后的海上风电功率预测模型对海上风电功率进行预测,得到海上风电功率预测值,包括:

34、获取海上风电场实时数据,将海上风电场实时数据经过归一化后输入训练后的海上风电功率预测模型,输出模型预测值,并将模型预测值进行反归一化处理,得到海上风电功率预测值。

35、第二方面,本发明提供了一种海上风电功率预测装置,该装置包括:

36、预处理模块,用于获取海上风电场历史数据,对海上风电场历史数据进行预处理,得到预处理后的海上风电场历史数据;

37、分析模块,用于对预处理后的海上风电场历史数据进行相关性分析,基于相关性分析结果构建海上风电场时序数据集;

38、构建模块,用于构建海上风电功率预测模型;其中,海上风电功率预测模型为基于一维卷积神经网络-双向长短期记忆神经网络-多头自注意力机制的预测模型;

39、训练模块,用于利用海上风电场时序数据集对海上风电功率预测模型进行训练,得到训练后的海上风电功率预测模型;

40、预测模块,用于利用训练后的海上风电功率预测模型对海上风电功率进行预测,得到海上风电功率预测值。

41、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一种海上风电功率预测方法。

42、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一种海上风电功率预测方法。

43、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一种海上风电功率预测方法。

本文地址:https://www.jishuxx.com/zhuanli/20240911/290719.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。