风功率预测方法、装置、计算机设备及存储介质与流程

本技术涉及风电，特别是涉及一种风功率预测方法、装置、计算机设备及存储介质。

背景技术：

1、为了提高风电利用率，计算机设备需要精准把握功率变化趋势，去除风电的不确定性。目前，计算机设备可基于统计模型来对风功率进行预测。

2、随着数据采集技术发展，大量风电数据为统计模型带来了有效支撑，进而使数据驱动活跃于风功率预测领域。其中，主流的数据驱动风功率预测方法主要通过支持向量机法、人工神经网络法等人工智能手段进行预测。常规研究通过皮尔逊相关性分析等序列分析法选择与功率相关性较高的气象因素。然而，此类方法只能关注气象因素与功率间的直接联系，无法关注气象因素内部的耦合作用，从而导致对风功率预测的准确率较低。

3、因此，如何提高风功率预测的准确率成为了一个亟待解决的问题。

技术实现思路

1、本技术实施例提供了一种风功率预测方法、装置、计算机设备及存储介质，可提高风功率预测的准确率。

2、第一方面，本技术实施例提供了一种风功率预测方法，该方法包括：

3、对历史数据集中的历史风功率序列和历史气象特征序列进行异常数据剔除处理和重构处理，得到重构后的历史风功率序列和重构后的气象特征序列；

4、基于重构后的历史风功率序列和重构后的气象特征序列，确定多个复合增广特征；

5、基于重构后的历史风功率序列、重构后的气象特征序列以及多个复合增广特征，确定数据特征池；

6、构建风功率预测模型，以及，从数据特征池中，确定用于进行风功率预测的多个特征；

7、基于多个特征确定预测特征集，并将预测特征集中的各个特征输入到目标风功率预测模型中，得到预测的风功率；其中，目标风功率预测模型是利用从多个特征中确定的训练特征集和验证特征集，对预先构建的风功率预测模型进行训练和验证后得到的。

8、在其中一个实施例中，基于重构后的历史风功率序列和重构后的气象特征序列，确定多个复合增广特征，包括：确定重构后的历史风功率序列和重构后的气象特征序列中每两个序列之间的直积；基于多个直积，确定多个复合增广特征。

9、在其中一个实施例中，基于重构后的历史风功率序列、重构后的气象特征序列以及多个复合增广特征，确定数据特征池，包括：基于特征维度，对重构后的历史风功率序列、重构后的气象特征序列以及多个复合增广特征进行拼接，得到数据特征池。

10、在其中一个实施例中，从数据特征池中，确定用于进行风功率预测的多个特征，包括：将数据特征池的任意一个特征添加至特征选择容器中，并对特征选择容器中的特征进行归一化处理，得到处理后的特征集；将处理后的特征集划分为训练集和验证集，利用训练集训练构建的风功率预测模型，得到训练后的风功率预测模型，以及，将验证集中的特征输入到训练后的风功率预测模型中，得到预测风功率；其中，风功率预测模型是基于时间卷积网络和双向长短时记忆网络构建的；确定预测风功率和实际风功率之间的误差值；在确定误差值小于添加特征之前所确定的误差值的情况下，保留所添加的特征，直至遍历完数据特征池中的全部特征时，确定特征选择容器中的所有特征为用于进行风功率预测的多个特征。

11、在其中一个实施例中，该方法还包括：在确定误差值大于或等于添加特征之前所确定的误差值的情况下，剔除所添加的特征，并再次执行的将数据特征池的任意一个特征添加至特征选择容器中，并对特征选择容器中的特征进行归一化处理，得到处理后的特征集的步骤。

12、在其中一个实施例中，对历史数据集中的历史风功率序列和历史气象特征序列进行异常数据剔除处理和重构处理，得到重构后的历史风功率序列和重构后的气象特征序列，包括：对历史数据集中的历史风功率序列和历史气象特征序列进行异常数据剔除处理，得到剔除异常数据后的历史风功率序列和剔除异常数据后的历史气象特征序列；对被剔除的异常历史风功率序列和历史气象特征序列进行替换处理，得到替换后的历史风功率序列和替换后的历史气象特征序列；基于剔除异常数据后的历史风功率序列和替换后的历史风功率序列，得到重构后的历史风功率序列，以及，基于剔除异常数据后的历史气象特征序列和替换后的历史气象特征序列，得到重构后的历史气象特征序列。

13、第二方面，本技术提供了一种风功率预测装置，该装置包括：

14、数据处理模块，用于对历史数据集中的历史风功率序列和历史气象特征序列进行异常数据剔除处理和重构处理，得到重构后的历史风功率序列和重构后的气象特征序列；

15、确定模块，用于基于重构后的历史风功率序列和重构后的气象特征序列，确定多个复合增广特征；

16、确定模块，用于基于重构后的历史风功率序列、重构后的气象特征序列以及多个复合增广特征，确定数据特征池；

17、构建及确定模块，用于构建风功率预测模型，以及，从数据特征池中，确定用于进行风功率预测的多个特征；

18、预测模块，用于基于多个特征确定预测特征集，并将预测特征集中的各个特征输入到目标风功率预测模型中，得到预测的风功率；其中，目标风功率预测模型是利用从多个特征中确定的训练特征集和验证特征集，对构建的风功率预测模型进行训练和验证后得到的。

19、第三方面，本技术提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：

20、对历史数据集中的历史风功率序列和历史气象特征序列进行异常数据剔除处理和重构处理，得到重构后的历史风功率序列和重构后的气象特征序列；

21、基于重构后的历史风功率序列和重构后的气象特征序列，确定多个复合增广特征；

22、基于重构后的历史风功率序列、重构后的气象特征序列以及多个复合增广特征，确定数据特征池；

23、从数据特征池中，确定用于进行风功率预测的多个特征；

24、基于多个特征确定预测特征集，并将预测特征集中的各个特征输入到目标风功率预测模型中，得到预测的风功率；其中，目标风功率预测模型是利用从多个特征中确定的训练特征集和验证特征集，对预先构建的风功率预测模型进行训练和验证后得到的。

25、第四方面，本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

26、对历史数据集中的历史风功率序列和历史气象特征序列进行异常数据剔除处理和重构处理，得到重构后的历史风功率序列和重构后的气象特征序列；

27、基于重构后的历史风功率序列和重构后的气象特征序列，确定多个复合增广特征；

28、基于重构后的历史风功率序列、重构后的气象特征序列以及多个复合增广特征，确定数据特征池；

29、从数据特征池中，确定用于进行风功率预测的多个特征；

30、基于多个特征确定预测特征集，并将预测特征集中的各个特征输入到目标风功率预测模型中，得到预测的风功率；其中，目标风功率预测模型是利用从多个特征中确定的训练特征集和验证特征集，对预先构建的风功率预测模型进行训练和验证后得到的。

31、第五方面，本技术还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

32、对历史数据集中的历史风功率序列和历史气象特征序列进行异常数据剔除处理和重构处理，得到重构后的历史风功率序列和重构后的气象特征序列；

33、基于重构后的历史风功率序列和重构后的气象特征序列，确定多个复合增广特征；

34、基于重构后的历史风功率序列、重构后的气象特征序列以及多个复合增广特征，确定数据特征池；

35、从数据特征池中，确定用于进行风功率预测的多个特征；

36、基于多个特征确定预测特征集，并将预测特征集中的各个特征输入到目标风功率预测模型中，得到预测的风功率；其中，目标风功率预测模型是利用从多个特征中确定的训练特征集和验证特征集，对预先构建的风功率预测模型进行训练和验证后得到的。

37、上述风功率预测方法、装置、计算机设备及存储介质，计算机设备可对历史数据集中的历史风功率序列和历史气象特征序列进行异常数据剔除处理和重构处理，得到重构后的历史风功率序列和重构后的气象特征序列；基于重构后的历史风功率序列和重构后的气象特征序列，确定多个复合增广特征；基于重构后的历史风功率序列、重构后的气象特征序列以及多个复合增广特征，确定数据特征池；构建风功率预测模型，以及，从数据特征池中，确定用于进行风功率预测的多个特征；基于多个特征确定预测特征集，并将预测特征集中的各个特征输入到目标风功率预测模型中，得到预测的风功率；其中，目标风功率预测模型是利用从多个特征中确定的训练特征集和验证特征集，对构建的风功率预测模型进行训练和验证后得到的。采用本方法，由于基于重构后的历史风功率序列和重构后的气象特征序列确定的多个复合增广特征，综合了气象特征在耦合下对风功率的影响，从而，从数据角度提升了预测模型的非线性于因素，实现了对单一数据特征的信息增广，有利于提高模型的拟合程度，进而，在进行风功率预测时，能够提高风功率预测的准确率。