一种风力发电机运行风功率预测的方法和系统技术方案

本发明专利技术提供一种风力发电机运行风功率预测的方法及系统，包括：S1：数据获取；S2：数据预处理；S3：特征处理；S4：初级模型训练；S5：选用神经网络算法作为次级模型，对初级模型进行组合，结合多个模型判断结果，进行次级训练；S6：模型调优；S7：调整模型参数；S8：根据实时天气状况和S7中的模型参数进行功率预测。本发明专利技术旨在提高现有方法的使用效率和预测精度，对方法进行改进，并阐述其应用，对实际生产有实质性生产指导作用和效率提升效应。生产指导作用和效率提升效应。生产指导作用和效率提升效应。

【技术实现步骤摘要】
一种风力发电机运行风功率预测的方法和系统


[0001]本专利技术涉及风力发电
，尤其涉及一种风力发电机运行风功率预测的方法和系统。

技术介绍

[0002]当前风力发电设备与技术已经成熟，但其发电质量不确定性和波动性给风电并网带来了很大困难,并造成大量浪费。风力发电量的准确预测是有效的解决方案。应用机器学习方法根据气象数据和风机运行数据进行风功率预测，且将模型在大数据环境中实现，提高整个模型运行效率。
[0003]李国于2017年在《面向电力系统决策的风电功率预测方法》一文中阐述了出了面向成本的提升回归树算法，对风功率进行了预测。苏永新等于200年1月在《一种基于集成学习的山地风电机组行为预测模型》中应用LSTM、SVM、RNN等5中算法进行模型组合，目的为对风功率进行预测，取得了很好的效果。
[0004]此二文献分别提到了应用单一算法对风功率进行预测的方法，和在单一模型基础上进行模型组合算法对风功率进行预测的方法。
[0005]以往研究基本实现了对风功率进行预测，但李国仅采用了单一模型对风功率进行预测，苏永新等应用了模型组合的方法，但对于所使用的初级模型类型原因并没有做详细阐述，对其的选择方法会对最终预测结果准确性产生决定性影响。并且对于模型指标输入的准则也没有提及，这也将对预测结果产生影响。。
[0006]因此，有必要研究一种风力发电机运行风功率预测的方法和系统来应对现有技术的不足，以解决或减轻上述一个或多个问题。

技术实现思路

[0007]有鉴于此，本专利技术一种风力发电机运行风功率预测的方法和系统，旨在提高现有方法的使用效率和预测精度，对方法进行改进，并阐述其应用，对实际生产有实质性生产指导作用和效率提升效应。
[0008]一方面，本专利技术提供一种风力发电机运行风功率预测的方法，所述方法包括以下步骤：
[0009]S1：数据获取，大数据HIVE数据库从实时数据库中取相关数据源，并将数据源传至计算服务器；
[0010]S2：数据预处理，计算服务器对数据进行拆分、清洗和平衡化处理，获得训练集和测试集；
[0011]S3：特征处理，将训练集和测试集中的风速、气温、气压、空气湿度和风机功率做数据标准化处理；
[0012]S4：初级模型训练，选择多种单一算法作为初级模型，通过k折交叉验证的方法对特征处理后的数据进行初级模型训练；
[0013]S5：选用神经网络算法作为次级模型，对初级模型进行组合，结合多个模型判断结果，进行次级训练；
[0014]S6：模型调优：对次级模型应用测试集数据进行模型准确性测试，不断优化模型；
[0015]S7：调整模型参数，使评价指标达到预设标准，输出模型，对实时数据进行计算，并将计算结果保存在服务器；
[0016]S8：根据实时天气状况和S7中的模型参数进行功率预测。
[0017]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S1具体为：综合应用apriori算法和协方差分析，选取与目标变量风机功率相关的变量，选取天气预报风速、气温、风向、气象、气压、空气湿度和风机功率数据点作为输入数据源。
[0018]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S2中拆分处理具体为：将数据集拆分为训练集和测试集。
[0019]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S2中清洗和平衡化处理具体为：去除脏数据，做数据平衡化处理，使功率数据平衡分布。
[0020]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S3具体为：将文本型风向数据转化为0
‑
360
°
之间的double型数据，气象数据转化为int型数据进行存储。
[0021]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S4中单一算法包括LSTM、基于Beta分布算法、卡尔曼滤波算法和LR算法。
[0022]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S4中k折交叉验证的方法具体包括：
[0023]S41：将训练集随机均分为5折数据，依次将其中四折数据作为训练数据，最后一折作为测试数据，并用初级模型分别进行训练，得出基于训练集测试数据的预测目标变量；
[0024]S42：应用模型对测试集进行预测，得出基于测试集的预测数据；
[0025]S43：重复进行S41
‑
S42，分别应用四种初级模型；
[0026]S44：将四种模型训练结果重新生成新特征列，得到基于交叉验证和训练集数据的预测目标变量和基于测试集的预测目标变量。
[0027]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S5具体为：将初级模型基于交叉验证和训练集数据的预测目标变量作为次级模型自变量，将初级模型基于测试集的预测目标变量作为初级模型目标变量，应用神经网络算法进行次级模型训练。
[0028]如上所述的方面和任一可能的实现方式，进一步提供一种风力发电机运行风功率预测的系统，所述系统包括：
[0029]数据获取模块，用于从实时数据库中取相关数据源，并将数据源传至计算服务器；
[0030]数据预处理模块，用于对数据进行拆分、清洗和平衡化处理，获得训练集和测试集；
[0031]特征处理模块，用于将训练集和测试集中的风速、气温、气压、空气湿度和风机功率做数据标准化处理；
[0032]初级模型训练模块，选择多种单一算法作为初级模型，通过k折交叉验证的方法对特征处理后的数据进行初级模型训练；
[0033]次级模型训练模块，选用神经网络算法作为次级模型，对初级模型进行组合，结合多个模型判断结果，进行次级训练；
[0034]模型调优模块，用于对次级模型应用测试集数据进行模型准确性测试，不断优化模型；
[0035]模型参数调整模块，用于对模型参数进行调整，使评价指标达到预设标准，输出模型，对实时数据进行计算，并将计算结果保存在服务器；
[0036]实时预测模块，用于根据实时天气状况和调整后的模型参数进行风力功率预测。
[0037]如上所述的方面和任一可能的实现方式，进一步提供一种可读存储介质，计算机可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时执行任一项所述方法的步骤。
[0038]与现有技术相比，本专利技术可以获得包括以下技术效果：
[0039]1)：在技术上，针对以往技术中模型输入变量选用标准模糊、初级模型选用标准太过主观以及未经验证，本专利技术采用科学算法选用输入变量，并通过文献参考和实际验证综合选用初级模型，且采用交叉验证方法构造，稳健性强，模型构建过程更加科学，显著提高模型预测准确性。
[0040]2)：在应用中，应用大数据技术，并将风功率预测结果与生产营销系统进行联动，将生产活动和营销本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风力发电机运行风功率预测的方法，其特征在于，所述方法包括以下步骤：S1：数据获取，大数据HIVE数据库从实时数据库中取相关数据源，并将数据源传至计算服务器；S2：数据预处理，计算服务器对数据进行拆分、清洗和平衡化处理，获得训练集和测试集；S3：特征处理，将训练集和测试集中的风速、气温、气压、空气湿度和风机功率做数据标准化处理；S4：初级模型训练，选择多种单一算法作为初级模型，通过k折交叉验证的方法对特征处理后的数据进行初级模型训练；S5：选用神经网络算法作为次级模型，对初级模型进行组合，结合多个模型判断结果，进行次级训练；S6：模型调优：对次级模型应用测试集数据进行模型准确性测试，不断优化模型；S7：调整模型参数，使评价指标达到预设标准，输出模型，对实时数据进行计算，并将计算结果保存在服务器；S8：根据实时天气状况和S7中的模型参数进行功率预测。2.根据权利要求1所述的方法，其特征在于，所述S1具体为：综合应用apriori算法和协方差分析，选取与目标变量风机功率相关的变量，选取天气预报风速、气温、风向、气象、气压、空气湿度和风机功率数据点作为输入数据源。3.根据权利要求1所述的方法，其特征在于，所述S2中清洗和平衡化处理具体为：去除脏数据，做数据平衡化处理，使功率数据平衡分布。4.根据权利要求1所述的方法，其特征在于，所述S3具体为：将文本型风向数据转化为0
‑
360
°
之间的double型数据，气象数据转化为int型数据进行存储。5.根据权利要求1所述的方法，其特征在于，所述S4中单一算法包括LSTM、基于Beta分布算法、卡尔曼滤波算法和LR算法。6.根据权利要求5所述的方法，其特征在于，所述S4中k折交叉验证的方法具体包括：S41：将训练集随机均分为5折数据，依次将其中四折数据作为训练数据，最后一折作为测试数据，并用初...

【专利技术属性】
技术研发人员：谢丹妮，李建红，陈明华，张明，王涛，田炳亮，李雪丹，
申请(专利权)人：深圳光耀智微科技有限公司，
类型：发明
国别省市：