风电功率预测方法技术

本发明专利技术涉及风力发电领域，公开一种风电功率预测方法

【技术实现步骤摘要】
风电功率预测方法、装置、设备及存储介质


[0001]本专利技术涉及风力发电
，尤其涉及一种风电功率预测方法
、
装置
、
设备及存储介质
。

技术介绍

[0002]风电的输出功率依赖风速
、
温度
、
风向
、
压强等气象因素，然而由于这些气象因素的不确定性和间歇性，容易给电网的稳定性造成冲击
。
因此，需要对风电功率进行预测，以提高电网的稳定性
。
[0003]传统的风电功率预测方法主要是基于物理模型，如风速耦合能量平衡模型
、
时间序列模型等
。
这些方法需要对风电机组的空气动力学有较高的要求，难以对其准确建模，导致预测精度低
。
[0004]上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术
。

技术实现思路

[0005]本专利技术的主要目的在于提供了一种风电功率预测方法
、
装置
、
设备及存储介质，旨在解决现有技术中传统的风电功率预测方法对风电机组的空气动力学有较高要求，难以准确建模，导致预测精度较低的技术问题
。
[0006]为实现上述目的，本专利技术提供了一种风电功率预测方法，所述方法包括以下步骤：获取风电场的待预测数据，并对所述待预测数据进行数据预处理，获得标准待预测数据；根据所述标准待预测数据确定所述风电场的涡旋特征；通过混合学习模型对所述标准待预测数据和所述涡旋特征进行预测，获得所述风电场的风电功率
。
[0007]可选地，所述根据所述标准待预测数据确定所述风电场的涡旋特征的步骤，包括：通过粒子群算法对所述标准待预测数据进行处理，确定涡旋中心位置；获取所述涡旋中心位置预设范围内的风场变化情况，并根据所述风场变化情况对所述涡旋中心位置进行优化，获得最终涡旋中心位置；根据所述最终涡旋中心位置和所述标准待预测数据确定所述风电场中各最终涡旋中心位置的涡旋特征
。
[0008]可选地，所述通过混合学习模型对所述标准待预测数据和所述涡旋特征进行预测，获得所述风电场的风电功率的步骤，包括：通过混合学习模型对所述标准待预测数据和所述最终涡旋中心位置处的涡旋特征进行预测，获得所述风电场中各风电机组的风电功率；根据所述各风电机组的风电功率确定所述风电场的风电功率
。
[0009]可选地，所述获取风电场的待预测数据，并对所述待预测数据进行数据预处理，获
得标准待预测数据的步骤之前，还包括：获取风电场的历史测量数据，对所述历史测量数据进行预处理，获得标准历史数据；对所述标准历史数据进行涡旋特征分析，确定所述标准历史数据集对应的涡旋特征；根据所述标准历史数据和所述涡旋特征生成训练数据集和测试数据集；将所述训练数据集输入至初始混合学习模型进行训练，获得预混合学习模型；通过测试数据集对所述预混合学习模型进行精度评估，获得所述预混合学习模型的模型精度；在所述预混合学习模型的模型精度高于预设精度时，生成混合学习模型
。
[0010]可选地，所述将所述训练数据集输入至初始混合学习模型进行训练，获得预混合学习模型的步骤，包括：构建基于
BP
神经网络和支持向量机的初始混合学习模型；通过所述训练数据集对
BP
神经网络和所述支持向量机进行更新训练，获得预混合学习模型
。
[0011]可选地，所述根据所述标准历史数据和所述涡旋特征生成训练数据集和测试数据集的步骤之前，还包括：获取风电场中的风电机组启停状态，并根据所述风电机组启停状态生成风电机组启停参数；相应地，所述根据所述标准历史数据和所述涡旋特征生成训练数据集和测试数据集的步骤，包括：所述根据所述标准历史数据
、
所述风电机组启停参数和所述涡旋特征生成训练数据集和测试数据集
。
[0012]可选地，所述通过测试数据集对所述预混合学习模型进行精度评估，获得所述预混合学习模型的模型精度的步骤之后，还包括：在所述预混合学习模型的模型精度不高于预设精度时，返回至获取风电场的历史测量数据，对所述历史测量数据进行预处理，获得标准历史数据的步骤，直至所述预混合学习模型的模型精度高于预设精度
。
[0013]此外，为实现上述目的，本专利技术还提出一种风电功率预测装置，所述风电功率预测装置包括：数据处理模块，用于获取风电场的待预测数据，并对所述待预测数据进行数据预处理，获得标准待预测数据；涡旋分析模块，用于根据所述标准待预测数据确定所述风电场的涡旋特征；功率预测模块，用于通过混合学习模型对所述标准待预测数据和所述涡旋特征进行预测，获得所述风电场的风电功率
。
[0014]此外，为实现上述目的，本专利技术还提出一种风电功率预测设备，所述设备包括：存储器
、
处理器及存储在所述存储器上并可在所述处理器上运行的风电功率预测程序，所述风电功率预测程序配置为实现如上文所述的风电功率预测方法的步骤
。
[0015]此外，为实现上述目的，本专利技术还提出一种存储介质，所述存储介质上存储有风电
功率预测程序，所述风电功率预测程序被处理器执行时实现如上文所述的风电功率预测方法的步骤
。
[0016]本专利技术通过获取风电场的待预测数据，并对待预测数据进行数据预处理，获得标准待预测数据；根据标准待预测数据确定风电场的涡旋特征；通过混合学习模型对标准待预测数据和涡旋特征进行预测，获得风电场的风电功率
。
由于是根据风电场的标准待预测数据确定风电场的涡旋特征，并通过混合学习模型对涡旋特征和标准待预测数据进行预测，增加了风电预测的数据维度，提高了风电预测的精度
。
附图说明
[0017]图1是本专利技术实施例方案涉及的硬件运行环境的风电功率预测设备的结构示意图；图2为本专利技术风电功率预测方法第一实施例的流程示意图；图3为本专利技术风电功率预测方法第二实施例的流程示意图；图4为本专利技术风电功率预测方法第三实施例的流程示意图；图5为本专利技术风电功率预测方法的一个应用场景流程图；图6为本专利技术风电功率预测装置第一实施例的结构框图
。
[0018]本专利技术目的的实现
、
功能特点及优点将结合实施例，参照附图做进一步说明
。
具体实施方式
[0019]应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术
。
[0020]参照图1，图1为本专利技术实施例方案涉及的硬件运行环境的风电功率预测设备结构示意图
。
[0021]如图1所示，该风电功率预测设备可以包括：处理器
1001
，例如中央处理器（
Central Processing Unit
，
CPU
），通信总线
1002、
用户接口
1003
，网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种风电功率预测方法，其特征在于，所述方法包括：获取风电场的待预测数据，并对所述待预测数据进行数据预处理，获得标准待预测数据；根据所述标准待预测数据确定所述风电场的涡旋特征；通过混合学习模型对所述标准待预测数据和所述涡旋特征进行预测，获得所述风电场的风电功率
。2.
如权利要求1所述的风电功率预测方法，其特征在于，所述根据所述标准待预测数据确定所述风电场的涡旋特征的步骤，包括：通过粒子群算法对所述标准待预测数据进行处理，确定涡旋中心位置；获取所述涡旋中心位置预设范围内的风场变化情况，并根据所述风场变化情况对所述涡旋中心位置进行优化，获得最终涡旋中心位置；根据所述最终涡旋中心位置和所述标准待预测数据确定所述风电场中各最终涡旋中心位置的涡旋特征
。3.
如权利要求2所述的风电功率预测方法，其特征在于，所述通过混合学习模型对所述标准待预测数据和所述涡旋特征进行预测，获得所述风电场的风电功率的步骤，包括：通过混合学习模型对所述标准待预测数据和所述最终涡旋中心位置处的涡旋特征进行预测，获得所述风电场中各风电机组的风电功率；根据所述各风电机组的风电功率确定所述风电场的风电功率
。4.
如权利要求1所述的风电功率预测方法，其特征在于，所述获取风电场的待预测数据，并对所述待预测数据进行数据预处理，获得标准待预测数据的步骤之前，还包括：获取风电场的历史测量数据，对所述历史测量数据进行预处理，获得标准历史数据；对所述标准历史数据进行涡旋特征分析，确定所述标准历史数据集对应的涡旋特征；根据所述标准历史数据和所述涡旋特征生成训练数据集和测试数据集；将所述训练数据集输入至初始混合学习模型进行训练，获得预混合学习模型；通过测试数据集对所述预混合学习模型进行精度评估，获得所述预混合学习模型的模型精度；在所述预混合学习模型的模型精度高于预设精度时，生成混合学习模型
。5.
如权利要求4所述的风电功率预测方法，其特征在于，所述将所述训练数据集输入至初始混合学习模型进行训练，获得预混合学习模型的步骤，包括：构建基于
...

【专利技术属性】
技术研发人员：苏明辉，楚俊昌，郑奕，孔瑞霞，郑畅蕊，
申请(专利权)人：深圳航天科创泛在电气有限公司，
类型：发明
国别省市：