【技术实现步骤摘要】
本专利技术涉及电力系统，更具体的说是涉及一种风电功率预测方法、系统及可存储介质。
技术介绍
1、目前，风能作为无污染的可再生能源，被广泛应用于发电领域，而实时、准确的风电功率预测，无论是对于保障电力系统的安全稳定运行，还是对增强风电产业在电力市场的竞争力，或是从提高风能利用率、降低弃风现象上来看都有着重要意义。
2、近年来，以机器学习和深度学习为主体的人工智能方法已被广泛应用于风电功率预测。人工智能方法主要是通过历史数据对模型进行训练，再利用训练好的模型进行预测。然而，传统人工智能方法，包括人工神经网络、支持向量机、遗传算法等，对长时间大规模的数据处理有困难，并存在梯度消失和过拟合的现象，导致预测精度不高。此外，人工智能方法需要依靠大量的历史数据，数据集本身的属性会使模型的应用存在局限性。由于风电功率数据由设备采集并传输，若设备本身发生故障或数据在传输过程中网络出现异常状况，就会存在某段时间的数据缺失或异常。直接使用数据进行训练不能保证训练数据的有效性和合理性，会对模型预测性能造成干扰。
3、因此，如何提供一种能够解决上述问题的风电功率预测方法是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本专利技术提供了一种风电功率预测方法、系统及可存储介质，能够有效提升长序列风力发电功率预测的精度与准确性。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、一种风电功率预测方法，包括以下步骤：
4、获取原始风电功率
5、获取多个风电功率影响因素数据，并对所述风电功率数据以及所述风电功率影响因素数据进行关联分析，得到筛选的所述风电功率影响因素数据；
6、构建风电功率预测模型，利用筛选的所述风电功率影响因素数据对所述风电功率预测模型进行训练，并利用经过训练的所述风电功率预测模型完成后续的风电功率预测。
7、优选的，形成风电功率数据的具体处理过程包括：
8、对所述原始风电功率样本数据进行填补；
9、将经过填补的所述原始风电功率样本数据进行异常值识别及修正，形成所述风电功率数据。
10、优选的，对所述原始风电功率样本数据进行填补的具体处理过程包括：
11、设定最邻近近邻数据点的个数k；
12、在特征空间中，计算缺失值对应的样本数据点与原始风电功率样本数据中每个样本点的欧氏距离，并根据欧式距离判断出与缺失值距离最近的k个相邻数据点，即为最近邻数据点；
13、计算k个最近邻数据点的平均值，并将平均值作为最终值填入缺失值，完成填补。
14、优选的，进行异常值识别及修正的具体处理过程包括：
15、设置邻域半径和最小点数，并将经过填补的所述原始风电功率样本数据中的每个样本标记为未访问状态；
16、从经过填补的所述原始风电功率样本数据中随机选取一个未访问的样本；
17、计算样本对应的邻域，若邻域内具有的数据点的数量大于等于最小点数，则创建簇并将样本放入簇中，同时建立集合，将样本的邻域内包括的所有数据量放入集合中，若邻域内具有的数据点的数量小于最小点数，则将样本标记为已访问；
18、判断所述集合中是否仍有未访问的数据点，若全部访问则继续判断经过填补的所述原始风电功率样本数据中是否有未访问的数据点，若没有则结束聚类；
19、将未划分到簇中的数据点放入异常数据集中，然后输出各个簇以及异常数据集。
20、优选的，进行异常值识别及修正的具体处理过程还包括：
21、将所述异常数据集中的异常值时序所在位置的前后3个值取均值，将均值替代所述异常值，作为修正后的数据。
22、优选的，得到筛选的所述风电功率影响因素数据的具体处理过程包括：
23、获取多个风电功率影响因素数据，并确定多个所述风电功率影响因素数据为数据序列，同时将所述风电功率数据为参考序列；
24、对所述数据序列以及所述参考序列进行预处理，并利用经过预处理的所述数据序列以及所述参考序列计算对应的关联系数，并根据所述关联系数确定对应的关联度；
25、利用预设关联度阈值对多个所述风电功率影响因素数据对应的关联度进行筛选，得到筛选后的所述风电功率影响因素数据。
26、优选的，所述风电功率预测模型包括编码器和解码器，其中所述编码器通过使用位置嵌入层对输入的数据进行时间编码，然后采用多个多头概率稀疏自注意力层和卷积层组成的网络模块进行深度特征提取，所述解码器上输入的功率相关变量信息通过与所述编码器上提取的深度特征图进行运算，捕获特征间的相关性，最终通过全连接层得到估计的功率预测值。
27、本专利技术还提供一种风电功率预测系统，包括：
28、数据处理模块，用于获取原始风电功率样本数据，并对所述原始风电功率样本数据进行处理，形成风电功率数据；
29、特征选择模块，用于获取多个风电功率影响因素数据，并对所述风电功率数据以及所述风电功率影响因素数据进行关联分析，得到筛选的所述风电功率影响因素数据；
30、模型构建模块，用于构建风电功率预测模型，利用筛选的所述风电功率影响因素数据对所述风电功率预测模型进行训练，并利用经过训练的所述风电功率预测模型完成后续的风电功率预测。
31、本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的风电功率预测方法。
32、经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种风电功率预测方法、系统及可存储介质，具有如下有益效果：
33、(1)本专利技术通过改进knn算法使用数据集中与缺失数据最近邻的、最完整的k个数据的平均值补全缺失值，可以对连续多点缺失的风电数据进行填补的同时更好地保持数据的分布特征；
34、(2)本专利技术引入基于密度的聚类算法dbscan，可以对密度堆积的正常风电数据和离散分布的异常风电数据进行有效识别，解决了传统聚类算法聚类形状固定、异常点误判等不足；
35、(3)本专利技术采用均值修正法对异常风电数据进行处理，利用异常值所在位置的前后各三个数据的平均值来替换该异常值，保留数据整体趋势的同时有效提高风电数据修正精度；
36、(4)本专利技术应用灰色关联度分析(gra)筛选出与风电功率关联较大的影响因素作为模型的输入，可以大幅降低网络结构的复杂程度，有效提升模型的拟合和外延预测能力；
37、(5)本专利技术利用结合多头自注意力机制的informer模型，可以通过概率稀疏自注意力机制主动筛选风力发电功率与特征变量间的重要联系，并采用卷积层和池化层对模型变量维度和网络参数进行自注意力蒸馏，最后通过解码层生成式机制一步输出预测的长序列发电功率，能够有效提升长序列风力发电功率预测的精度与准确性。<本文档来自技高网...
【技术保护点】
1.一种风电功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种风电功率预测方法，其特征在于，形成风电功率数据的具体处理过程包括：
3.根据权利要求2所述的一种风电功率预测方法，其特征在于，对所述原始风电功率样本数据进行填补的具体处理过程包括：
4.根据权利要求2所述的一种风电功率预测方法，其特征在于，进行异常值识别及修正的具体处理过程包括：
5.根据权利要求4所述的一种风电功率预测方法，其特征在于，进行异常值识别及修正的具体处理过程还包括：
6.根据权利要求2所述的一种风电功率预测方法，其特征在于，得到筛选的所述风电功率影响因素数据的具体处理过程包括：
7.根据权利要求1所述的一种风电功率预测方法，其特征在于，所述风电功率预测模型包括编码器和解码器，其中所述编码器通过使用位置嵌入层对输入的数据进行时间编码，然后采用多个多头概率稀疏自注意力层和卷积层组成的网络模块进行深度特征提取，所述解码器上输入的功率相关变量信息通过与所述编码器上提取的深度特征图进行运算，捕获特征间的相关性，最终通过全连接
8.一种利用权利要求1-7任一项所述的一种风电功率预测方法的预测系统，其特征在于，包括：
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的风电功率预测方法。
...【技术特征摘要】
1.一种风电功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种风电功率预测方法，其特征在于，形成风电功率数据的具体处理过程包括：
3.根据权利要求2所述的一种风电功率预测方法，其特征在于，对所述原始风电功率样本数据进行填补的具体处理过程包括：
4.根据权利要求2所述的一种风电功率预测方法，其特征在于，进行异常值识别及修正的具体处理过程包括：
5.根据权利要求4所述的一种风电功率预测方法，其特征在于，进行异常值识别及修正的具体处理过程还包括：
6.根据权利要求2所述的一种风电功率预测方法，其特征在于，得到筛选的所述风电功率影响因素数据的具体处理过程包括：
<...【专利技术属性】
技术研发人员：杨心宜，徐鹏展，汪显博，齐冬莲，张淞杰，陈郁林，
申请(专利权)人：浙江大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。