风电场的机组功率的预测方法、系统、介质及电子设备技术方案

本发明专利技术公开了一种风电场的机组功率的预测方法、系统、介质及电子设备，所述预测方法包括：获取第一历史时段对应的历史气象预报数据以及历史实际气象观测数据；获取第二历史时段对应的历史SCADA气象数据；以所述第一历史时段对应的历史气象预报数据以及所述第二历史时段对应的历史SCADA气象数据为输入，并且以所述第一历史时段对应的实际气象观测数据为输出，对第一机器学习模型进行训练；利用训练后的所述第一机器学习模型对所述待预测未来时段的气象预报数据进行优化；利用所述优化后气象预报数据对所述待预测未来时段的所述机组功率进行预测。本发明专利技术有效提升了功率预测的准确度。

【技术实现步骤摘要】
风电场的机组功率的预测方法、系统、介质及电子设备
本专利技术涉及风力发电
，尤其涉及一种风电场的机组功率的预测方法、系统、介质及电子设备。
技术介绍
风电场的机组功率预测是以风电场的历史功率、历史风速、地形地貌、数值气象预报、风电机组运行状态等数据建立风电场输出功率的预测模型，以风速、功率曲线、数值气象预报等数据作为模型的输入，结合风电场机组的设备状态及运行工况，预测风电场内机组未来的有功功率。现有技术中，短期风功率预测的主要流程是，通过数值气象预报得到风电场区域未来数天的中尺度气象信息，并基于该数据，利用统计方法或物理建模的方法对风电场功率进行预测。统计方法是指不考虑风速空间变化的物理过程，而根据历史统计数据找出天气状况与风场出力的关系，然后根据实测数据和数值气象预报数据对风电场输出功率进行预测；物理方法是指根据数值气象模式预报的风速、风向、气压、气温等气象要素预报值以及风电场周围等高线、粗糙度、障碍物等信息，采用微观气象学理论或计算流体力学的方法计算得到风电机组轮毂高度的风速、风向等气象信息，然后根据风电机组的功率曲线计算得到每台风电机组的预测功率，再考虑风电机组间的尾流影响，最后对所有风电机组的预测功率求和得到风电场的预测功率。影响风电场风电功率预测准确率的因素有很多，并且数值气象预报对功率预测的影响最大，据统计，数值气象预报环节贡献风电功率预测70％以上的误差。数值气象预报预测的是风速、风向、气温、气压等气象数据，是风电场开展风电功率预测的基础和输入，能否得到准确的数值气象预报对风电功率预测准确率有很大影响。例如：由于风的随机性、不确定性，再加上我国很多风电场都建在山区，地形差异较大，短时间会有风的快速变化，导致近地面的风速数值预报难度很大，而风功率密度与风速的三次方成正比，所以风速数值预报的准确性会直接影响风功率预测的准确率。基于上述分析，由于现有技术中直接利用数值气象预报对风电场的机组功率进行预测，而数值气象预报数据会存在多种因素造成的误差，严重影响了功率预测的准确性。
技术实现思路
本专利技术要解决的技术问题是为了克服现有技术中直接利用数值气象预报数据对风电场的机组功率进行预测的准确性较差的缺陷，提供一种风电场的机组功率的预测方法、系统、介质及电子设备。本专利技术是通过下述技术方案来解决上述技术问题：一种风电场的机组功率的预测方法，所述预测方法包括：获取第一历史时段对应的历史气象预报数据以及历史实际气象观测数据；获取第二历史时段对应的历史SCADA气象数据，所述第二历史时段为以所述第一历史时段的结束时间为基准，向前偏移待预测未来时段对应的区间长度的历史时段，并且所述第一历史时段的长度等于所述第二历史时段的长度；以所述第一历史时段对应的历史气象预报数据以及所述第二历史时段对应的历史SCADA气象数据为输入，并且以所述第一历史时段对应的实际气象观测数据为输出，对第一机器学习模型进行训练；利用训练后的所述第一机器学习模型对所述待预测未来时段的气象预报数据进行优化，以得到优化后气象预报数据；利用所述优化后气象预报数据对所述待预测未来时段的所述机组功率进行预测。较佳地，所述利用训练后的所述第一机器学习模型对所述待预测未来时段的气象预报数据进行优化，以得到优化后气象预报数据的步骤包括：获取待预测未来时段内的气象预报数据以及第三历史时段内的历史SCADA气象数据，所述第三历史时段为以所述待预测未来时段的起始时间为基准，向前偏移所述待预测未来时段对应的区间长度的历史时段；将所述待预测未来时段内的气象预报数据以及所述第三历史时段内的历史SCADA气象数据输入训练后的所述第一机器学习模型，以得到所述待预测未来时段对应的优化后气象预报数据。较佳地，所述待预测未来时段包括N*M个气象预报数据，其中，N为起报时刻的数量，M为每个所述起报时刻分别对应的空间分辨率的数量；N和M均为正整数；所述对第一机器学习模型进行训练的步骤包括：以N*M个气象预报数据各自对应的所述第一历史时段的历史气象预报数据以及所述第二历史时段的历史SCADA气象数据为输入，并且以所述第一历史时段对应的实际气象观测数据为输出，分别对第一机器学习模型进行训练，以得到N*M个训练后的第一机器学习模型。较佳地，所述对第一机器学习模型进行训练的步骤之后还包括：将N*M个气象预报数据各自对应的所述第一历史时段对应的历史气象预报数据以及所述第二历史时段对应的历史SCADA气象数据分别对应输入训练后的N*M个所述第一机器学习模型，以得到N*M个优化后的历史气象预报数据；利用N*M个优化后的历史气象预报数据以及N*M个历史实际气象观测数据计算气象预测概率，以得到N*M个气象预测概率；以N*M个优化后的历史气象预报数据为输入，并且以N*M个所述气象预测概率为输出，对第二机器学习模型进行训练，以得到一个训练后的第二机器学习模型。较佳地，所述利用训练后的所述第一机器学习模型对所述待预测未来时段的气象预报数据进行优化，以得到优化后气象预报数据的步骤包括：利用训练后的N*M个所述第一机器学习模型分别对所述待预测未来时段的N*M个气象预报数据分别进行优化，以得到N*M个优化后气象预报数据；所述利用所述优化后气象预报数据对所述待预测未来时段的所述机组功率进行预测的步骤包括：将所述待预测未来时段对应的每个所述优化后气象预报数据分别输入训练后的所述第二机器学习模型，以得到每个所述优化后气象预报数据对应的气象预测概率；将每个所述优化后气象预报数据与其对应的气象预测概率相乘，以得到N*M个预报成员数据；将N*M个预报成员数据进行加和，以得到集合预报数据；利用所述集合预报数据对所述待预测未来时段的所述机组功率进行预测。较佳地，所述历史气象预报数据、所述历史SCADA气象数据以及所述实际气象观测数据包括风速、风向、气温以及气压中的至少一种。一种风电场的机组功率的预测系统，所述预测系统包括：数据获取模块，用于获取第一历史时段对应的历史气象预报数据以及历史实际气象观测数据；所述数据获取模块还用于获取第二历史时段对应的历史SCADA气象数据，所述第二历史时段为以所述第一历史时段的结束时间为基准，向前偏移待预测未来时段对应的区间长度的历史时段，并且所述第一历史时段的长度等于所述第二历史时段的长度；训练模块，用于以所述第一历史时段对应的历史气象预报数据以及所述第二历史时段对应的历史SCADA气象数据为输入，并且以所述第一历史时段对应的实际气象观测数据为输出，对第一机器学习模型进行训练；优化模块，用于利用训练后的所述第一机器学习模型对所述待预测未来时段的气象预报数据进行优化，以得到优化后气象预报数据；预测模块，用于利用所述优化后气象预报数据对所述待预测未来时段的所述机组功率进行预测。较佳地，所述优化模块用于获取待预测未来时段内的气象预报数据以及第三历本文档来自技高网...

【技术保护点】
1.一种风电场的机组功率的预测方法，其特征在于，所述预测方法包括：/n获取第一历史时段对应的历史气象预报数据以及历史实际气象观测数据；/n获取第二历史时段对应的历史SCADA气象数据，所述第二历史时段为以所述第一历史时段的结束时间为基准，向前偏移待预测未来时段对应的区间长度的历史时段，并且所述第一历史时段的长度等于所述第二历史时段的长度；/n以所述第一历史时段对应的历史气象预报数据以及所述第二历史时段对应的历史SCADA气象数据为输入，并且以所述第一历史时段对应的实际气象观测数据为输出，对第一机器学习模型进行训练；/n利用训练后的所述第一机器学习模型对所述待预测未来时段的气象预报数据进行优化，以得到优化后气象预报数据；/n利用所述优化后气象预报数据对所述待预测未来时段的所述机组功率进行预测。/n

【技术特征摘要】
1.一种风电场的机组功率的预测方法，其特征在于，所述预测方法包括：
获取第一历史时段对应的历史气象预报数据以及历史实际气象观测数据；
获取第二历史时段对应的历史SCADA气象数据，所述第二历史时段为以所述第一历史时段的结束时间为基准，向前偏移待预测未来时段对应的区间长度的历史时段，并且所述第一历史时段的长度等于所述第二历史时段的长度；
以所述第一历史时段对应的历史气象预报数据以及所述第二历史时段对应的历史SCADA气象数据为输入，并且以所述第一历史时段对应的实际气象观测数据为输出，对第一机器学习模型进行训练；
利用训练后的所述第一机器学习模型对所述待预测未来时段的气象预报数据进行优化，以得到优化后气象预报数据；
利用所述优化后气象预报数据对所述待预测未来时段的所述机组功率进行预测。


2.如权利要求1所述的风电场的机组功率的预测方法，其特征在于，所述利用训练后的所述第一机器学习模型对所述待预测未来时段的气象预报数据进行优化，以得到优化后气象预报数据的步骤包括：
获取待预测未来时段内的气象预报数据以及第三历史时段内的历史SCADA气象数据，所述第三历史时段为以所述待预测未来时段的起始时间为基准，向前偏移所述待预测未来时段对应的区间长度的历史时段；
将所述待预测未来时段内的气象预报数据以及所述第三历史时段内的历史SCADA气象数据输入训练后的所述第一机器学习模型，以得到所述待预测未来时段对应的优化后气象预报数据。


3.如权利要求1所述的风电场的机组功率的预测方法，其特征在于，所述待预测未来时段包括N*M个气象预报数据，其中，N为起报时刻的数量，M为每个所述起报时刻分别对应的空间分辨率的数量；N和M均为正整数；
所述对第一机器学习模型进行训练的步骤包括：
以N*M个气象预报数据各自对应的所述第一历史时段的历史气象预报数据以及所述第二历史时段的历史SCADA气象数据为输入，并且以所述第一历史时段对应的实际气象观测数据为输出，分别对第一机器学习模型进行训练，以得到N*M个训练后的第一机器学习模型。


4.如权利要求3所述的风电场的机组功率的预测方法，其特征在于，
所述对第一机器学习模型进行训练的步骤之后还包括：
将N*M个气象预报数据各自对应的所述第一历史时段对应的历史气象预报数据以及所述第二历史时段对应的历史SCADA气象数据分别对应输入训练后的N*M个所述第一机器学习模型，以得到N*M个优化后的历史气象预报数据；
利用N*M个优化后的历史气象预报数据以及N*M个历史实际气象观测数据计算气象预测概率，以得到N*M个气象预测概率；
以N*M个优化后的历史气象预报数据为输入，并且以N*M个所述气象预测概率为输出，对第二机器学习模型进行训练，以得到一个训练后的第二机器学习模型。


5.如权利要求4所述的风电场的机组功率的预测方法，其特征在于，
所述利用训练后的所述第一机器学习模型对所述待预测未来时段的气象预报数据进行优化，以得到优化后气象预报数据的步骤包括：
利用训练后的N*M个所述第一机器学习模型分别对所述待预测未来时段的N*M个气象预报数据分别进行优化，以得到N*M个优化后气象预报数据；
所述利用所述优化后气象预报数据对所述待预测未来时段的所述机组功率进行预测的步骤包括：
将所述待预测未来时段对应的每个所述优化后气象预报数据分别输入训练后的所述第二机器学习模型，以得到每个所述优化后气象预报数据对应的气象预测概率；
将每个所述优化后气象预报数据与其对应的气象预测概率相乘，以得到N*M个预报成员数据；
将N*M个预报成员数据进行加和，以得到集合预报数据；
利用所述集合预报数据对所述待预测未来时段的所述机组功率进行预测。


6.如权利要求1-5任一项所述的风电场的机组功率的预测方法，其特征在于，所述历史气象预报数据、所述历史SCADA气象数据以及所述实际气象观测数据包括风速、风向、气温以及气压中的至少一种。


7.一种风电场的机组功率的预测系统，其特征在于，所述预测系统包括：
...

【专利技术属性】
技术研发人员：冯烨，彭明，蒋勇，缪骏，
申请(专利权)人：上海电气风电集团股份有限公司，
类型：发明
国别省市：上海;31