模型训练方法、风功率预测方法、系统、设备及介质技术方案

本发明专利技术公开了一种模型训练方法、风功率预测方法、系统、设备及介质，该训练方法包括：获取风电场的历史训练数据，该数据包括作为输入的第一历史时段中各个时刻的观测数据和第二历史时段中各个时刻的预测数据以及作为输出的第二历史时段中各个时刻的观测数据；基于历史训练数据训练神经网络模型，得到待预测时刻的风功率预测模型。本发明专利技术基于历史训练数据中的第一历史时段中各个时刻的观测数据和第二历史时段中各个时刻的预测数据以及第二历史时段中各个时刻的观测数据训练得到待预测时刻的风功率预测模型，实现了将最新观测数据输入风功率预测模型预测未来任一时刻点的风功率，降低了超短期风功率的预测误差，提高了风功率预测模型的准确性。功率预测模型的准确性。功率预测模型的准确性。

【技术实现步骤摘要】
模型训练方法、风功率预测方法、系统、设备及介质


[0001]本专利技术涉及风力发电
，特别涉及一种模型训练方法、风功率预测方法、系统、设备及介质。

技术介绍

[0002]随着新能源装机容量的快速增长，新能源发电的间歇性、随机性和波动性对电网造成的冲击愈专利技术显，对并网电场的稳定运行提出了更高的要求。
[0003]目前，超短期风功率预测方法主要有物理模型方法、统计方法及组合模型方法等三种方法。但是这三种方法都存在一定的缺陷，例如，物理模型方法，建模的精度会影响预测的准确度；统计方法，需要长期测量数据和额外的训练。另外，由于数值天气预报提供的风速预测数据受气候、地理条件等诸多因素影响有很强的不确定性以及神经网络模型自身和输入量的不确定性，会导致风功率预测系统使用的神经网络模型预测的误差较大。

技术实现思路

[0004]本专利技术要解决的技术问题是为了克服现有技术中采用的超短期风功率预测方法，存在预测误差较大、准确率低的缺陷，提供一种模型训练方法、风功率预测方法、系统、设备及介质。
[0005]本专利技术是通过下述技术方案来解决上述技术问题：
[0006]本专利技术第一方面提供了一种模型训练方法，包括：
[0007]获取风电场的历史训练数据，其中，所述历史训练数据包括作为输入的第一历史时段中各个时刻的观测数据和第二历史时段中各个时刻的预测数据以及作为输出的所述第二历史时段中各个时刻的观测数据；所述第一历史时段的时长与所述第二历史时段的时长相同且所述第一历史时段中的最早时刻早于所述第二历史时段中的最早时刻，所述观测数据和所述预测数据均与所述风电场的风功率计算相关；
[0008]基于所述历史训练数据对神经网络模型进行训练，以得到待预测时刻的风功率预测模型。
[0009]较佳地，基于所述历史训练数据对神经网络模型进行训练，以得到待预测时刻的风功率预测模型的步骤包括：
[0010]针对每个待预测的时刻t+i，基于与该时刻t+i对应的所述历史训练数据对神经网络模型进行训练，以对应训练出一个风功率预测模型ANN
i
。
[0011]较佳地，所述获取风电场的历史训练数据的步骤包括：获取m个历史时刻的观测数据和m个历史时刻的预测数据，所述m个历史时刻的范围包含所述第一历史时段和所述第二历史时段，所述m个历史时刻按照时间先后顺序依次记为t
‑
m，t
‑
m+1，
…
，t
‑
1，其中t表示当前时刻；
[0012]针对每个待预测的时刻t+i，基于与该时刻t+i对应的所述历史训练数据对神经网络模型进行训练，以对应训练出一个风功率预测模型ANN
i
的步骤包括：
[0013]在训练每个风功率预测模型ANN
i
时，所述历史训练数据包括[A
k
，B
k+i
，C
k+i
]，其中A
k
表示第一历史时段的观测数据，B
k+i
表示第二历史时段的预测数据，C
k+i
表示第二历史时段的观测数据，所述第一历史时段的各时刻依次为第t
‑
m时刻，第t
‑
m+1时刻，
…
，第t
‑1‑
i时刻；所述第二历史时段的各时刻依次为第t
‑
m+i时刻，第t
‑
m+1+i时刻，
…
，第t
‑
1时刻。
[0014]较佳地，所述第一历史时段和第二历史时段的观测数据均为风速风向观测值，且所述第二历史时段的预测数据为风速风向预测值，或，所述第一历史时段和第二历史时段的观测数据均为风功率观测值，且所述第二历史时段的预测数据为风速风向预测值。
[0015]本专利技术第二方面提供了一种模型训练系统，包括第一获取模块和训练模块；
[0016]所述第一获取模块用于获取风电场的历史训练数据，其中，所述历史训练数据包括作为输入的第一历史时段中各个时刻的观测数据和第二历史时段中各个时刻的预测数据以及作为输出的所述第二历史时段中各个时刻的观测数据；所述第一历史时段的时长与所述第二历史时段的时长相同且所述第一历史时段中的最早时刻早于所述第二历史时段中的最早时刻，所述观测数据和所述预测数据均与所述风电场的风功率计算相关；
[0017]所述训练模块用于基于所述历史训练数据对神经网络模型进行训练，以得到待预测时刻的风功率预测模型。
[0018]较佳地，所述训练模块具体用于针对每个待预测的时刻t+i，基于与该时刻t+i对应的所述历史训练数据对神经网络模型进行训练，以对应训练出一个风功率预测模型ANN
i
。
[0019]较佳地，所述第一获取模块具体用于获取m个历史时刻的观测数据和m个历史时刻的预测数据，所述m个历史时刻的范围包含所述第一历史时段和所述第二历史时段，所述m个历史时刻按照时间先后顺序依次记为t
‑
m，t
‑
m+1，
…
，t
‑
1，其中t表示当前时刻；
[0020]所述训练模块具体用于在训练每个风功率预测模型ANN
i
时，所述历史训练数据包括[A
k
，B
k+i
，C
k+i
]，其中A
k
表示第一历史时段的观测数据，B
k+i
表示第二历史时段的预测数据，C
k+i
表示第二历史时段的观测数据，所述第一历史时段的各时刻依次为第t
‑
m时刻，第t
‑
m+1时刻，
…
，第t
‑1‑
i时刻；所述第二历史时段的各时刻依次为第t
‑
m+i时刻，第t
‑
m+1+i时刻，
…
，第t
‑
1时刻。
[0021]较佳地，所述第一历史时段和第二历史时段的观测数据均为风速风向观测值，且所述第二历史时段的预测数据为风速风向预测值，或，所述第一历史时段和第二历史时段的观测数据均为风功率观测值，且所述第二历史时段的预测数据为风速风向预测值。
[0022]本专利技术第三方面提供了一种风功率预测方法，包括：
[0023]确定风电场的风功率的待预测时刻点t+i，其中t表示当前时刻；
[0024]获取t
j
时刻的观测数据以及t+i时刻的预测数据作为风功率预测模型的输入，其中，所述t
j
时刻为距离当前时刻t最近的历史时刻；
[0025]利用风功率预测模型对所述待预测时刻点t+i的风功率进行预测；
[0026]其中，所述风功率预测模型利用如第一方面所述的训练方法训练得到。
[0027]较佳地，若针对每个待预测的时刻点t+i，基于与该时刻t+i对应的所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：获取风电场的历史训练数据，其中，所述历史训练数据包括作为输入的第一历史时段中各个时刻的观测数据和第二历史时段中各个时刻的预测数据以及作为输出的所述第二历史时段中各个时刻的观测数据；所述第一历史时段的时长与所述第二历史时段的时长相同且所述第一历史时段中的最早时刻早于所述第二历史时段中的最早时刻，所述观测数据和所述预测数据均与所述风电场的风功率计算相关；基于所述历史训练数据对神经网络模型进行训练，以得到待预测时刻的风功率预测模型。2.如权利要求1所述的模型训练方法，其特征在于，基于所述历史训练数据对神经网络模型进行训练，以得到待预测时刻的风功率预测模型的步骤包括：针对每个待预测的时刻t+i，基于与该时刻t+i对应的所述历史训练数据对神经网络模型进行训练，以对应训练出一个风功率预测模型ANN
i
。3.如权利要求2所述的模型训练方法，其特征在于，所述获取风电场的历史训练数据的步骤包括：获取m个历史时刻的观测数据和m个历史时刻的预测数据，所述m个历史时刻的范围包含所述第一历史时段和所述第二历史时段，所述m个历史时刻按照时间先后顺序依次记为t
‑
m，t
‑
m+1，
…
，t
‑
1，其中t表示当前时刻；针对每个待预测的时刻t+i，基于与该时刻t+i对应的所述历史训练数据对神经网络模型进行训练，以对应训练出一个风功率预测模型ANN
i
的步骤包括：在训练每个风功率预测模型ANN
i
时，所述历史训练数据包括[A
k
，B
k+i
，C
k+i
]，其中A
k
表示第一历史时段的观测数据，B
k+i
表示第二历史时段的预测数据，C
k+i
表示第二历史时段的观测数据，所述第一历史时段的各时刻依次为第t
‑
m时刻，第t
‑
m+1时刻，
…
，第t
‑1‑
i时刻；所述第二历史时段的各时刻依次为第t
‑
m+i时刻，第t
‑
m+1+i时刻，
…
，第t
‑
1时刻。4.如权利要求1所述的模型训练方法，其特征在于，所述第一历史时段和第二历史时段的观测数据均为风速风向观测值，且所述第二历史时段的预测数据为风速风向预测值，或，所述第一历史时段和第二历史时段的观测数据均为风功率观测值，且所述第二历史时段的预测数据为风速风向预测值。5.一种模型训练系统，其特征在于，包括第一获取模块和训练模块；所述第一获取模块用于获取风电场的历史训练数据，其中，所述历史训练数据包括作为输入的第一历史时段中各个时刻的观测数据和第二历史时段中各个时刻的预测数据以及作为输出的所述第二历史时段中各个时刻的观测数据；所述第一历史时段的时长与所述第二历史时段的时长相同且所述第一历史时段中的最早时刻早于所述第二历史时段中的最早时刻，所述观测数据和所述预测数据均与所述风电场的风功率计算相关；所述训练模块用于基于所述历史训练数据对神经网络模型进行训练，以得到待预测时刻的风功率预测模型。6.如权利要求5所述的模型训练系统，其特征在于，所述训练模块具体用于针对每个待预测的时刻t+i，基于与该时刻t+i对应的所述历史训练数据对神经网络模型进行训练，以对应训练出一个风功率预测模型ANN
i
。7.如权利要求6所述的模型训练系统，其特征在于，所述第一获取模块具体用于获取m个历史时刻的观测数据和m个历史时刻的预测数据，所述m个历史时刻的范围包含所述第一
历史时段和所述第二历史时段，所述m个历史时刻按照时间先后顺序依次记为t
‑
m，t
‑
m+1，
…
，t
‑
1，其中t表示当前时刻；所述训练模块具体用于在训练每个风功率预测模型ANN
i
时，所述历史训练数据包括[A
k
，B
k+i
，C
k+i
]，其中A
k
表示第一历史时段的观测数据，B
k+i
表示第二历史时段的预测数据，C
k+i
表示第二历史时段的观测数据，所述第一历史时段的各时刻依次为第t
‑
m时刻，第t
‑
m+1时刻，
…
，第t
‑1‑
i时刻；所述第二历史时段的各时刻依次为第t
‑
m+i时刻，第t
‑
m+1+i时刻，
…
，第t
‑
1时刻。8.如权利要求5所述的模型训练系统，其特征在于，所述第一历史时段和第二历史时段的...

【专利技术属性】
技术研发人员：汤子琪，
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：