一种风机发电功率的超短期预测方法、装置及介质与流程

1.本技术涉及风机发电领域，特别是涉及一种风机发电功率的超短期预测方法、装置及介质。


背景技术：

2.风机的发电功率受风速和风向影响而变化，为维持电力平衡，电网运营商对风电场进行考核。其中，超短期预测功率的准确率是目前电网对风电场考核的重要指标之一。短期预测功率指的是所预测的风机在当前时间的几天之后的发电功率，超短期预测功率指的是所预测的风机在当前时间的几小时之后的发电功率。
3.当前直接采用短期预测功率作为超短期预测功率，无法保证超短期预测功率的准确率。
4.由此可见，如何提高超短期预测功率的准确率是本领域技术人员亟待解决的问题。


技术实现要素：

5.本技术的目的是提供一种风机发电功率的超短期预测方法、装置及介质，用于进行风机发电功率的超短期预测，能够提高超短期预测功率的准确率。
6.为解决上述技术问题，本技术提供一种风机发电功率的超短期预测方法，包括：
7.获取基于气象数据预测的风机的发电功率和风机的实际发电功率；其中，预测的风机的发电功率与风机的实际发电功率按照时间对应；
8.根据目标平均误差率和目标功率差值在预先设置的模型中选择目标模型；其中，目标平均误差率和目标功率差值根据预测的风机的发电功率和风机的实际发电功率计算得到；预先设置的模型通过如下方式得到：将所得到的平均误差率和功率差值按区间分别进行分组，得到两种集合，并在两种集合中以任意组平均误差率和任意组功率差值进行组合得到全部的组合方式；其中，平均误差率和功率差值根据风机的历史短期预测功率和历史实际功率计算得到；根据所得到的全部的组合方式分别训练模型；
9.调用目标模型根据预测的风机在目标时间点的发电功率得到超短期预测功率。
10.优选地，获取基于气象数据预测的风机的发电功率和风机的实际发电功率包括：
11.获取在当前时间之前的多个优选的时间点的基于气象数据预测的风机的发电功率和风机的实际发电功率。
12.优选地，目标功率差值为首个时间点的功率差值和最后一个时间点的功率差值；其中，各时间点按时间排序；
13.对应地，根据目标平均误差率和目标功率差值在预先设置的模型中选择目标模型包括：
14.根据目标平均误差率与目标功率差值的组合分别选择目标模型。
15.优选地，当目标平均误差率的绝对值大于预设阈值时，则调用目标模型根据预测
的风机在目标时间点的发电功率得到超短期预测功率包括：
16.将预测的风机在目标时间点的发电功率输入目标模型；
17.根据预设的经验系数调整目标模型输出的超短期预测功率。
18.优选地，在调用目标模型根据预测的风机在目标时间点的发电功率得到超短期预测功率之后，还包括：
19.对目标模型输出的超短期预测功率取平均值，将平均值作为输出结果。
20.优选地，在调用目标模型根据预测的风机在目标时间点的发电功率得到超短期预测功率之后，还包括：
21.获取风机在目标时间点的实际发电功率；
22.根据超短期预测功率和风机在目标时间点的实际发电功率校准目标模型。
23.优选地，在训练预先设置的模型之前，还包括：
24.对风机的历史短期预测功率和历史实际功率进行预处理。
25.为解决上述技术问题，本技术还提供一种风机发电功率的超短期预测装置，包括：
26.获取模块，用于获取基于气象数据预测的风机的发电功率和风机的实际发电功率；其中，预测的风机的发电功率与风机的实际发电功率按照时间对应；
27.选择模块，用于根据目标平均误差率和目标功率差值在预先设置的模型中选择目标模型；其中，目标平均误差率和目标功率差值根据预测的风机的发电功率和风机的实际发电功率计算得到；预先设置的模型通过如下方式得到：将所得到的平均误差率和功率差值按区间分别进行分组，得到两种集合，并在两种集合中以任意组平均误差率和任意组功率差值进行组合得到全部的组合方式；其中，平均误差率和功率差值根据风机的历史短期预测功率和历史实际功率计算得到；根据所得到的全部的组合方式分别训练模型；
28.调用模块，用于调用目标模型根据预测的风机在目标时间点的发电功率得到超短期预测功率。
29.为解决上述技术问题，本技术还提供一种风机发电功率的超短期预测装置，包括：
30.存储器，用于存储计算机程序；
31.处理器，用于执行计算机程序时实现上述风机发电功率的超短期预测方法的步骤。
32.为解决上述技术问题，本技术还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述风机发电功率的超短期预测方法的步骤。
33.本技术提出了一种风机发电功率的超短期预测方法，该方法先获取基于气象数据预测的风机的发电功率和风机的实际发电功率；然后，根据目标平均误差率和目标功率差值在预先设置的模型中选择目标模型；预先设置的模型通过如下方式得到：将所得到的平均误差率和功率差值按区间分别进行分组得到两种集合，并在两种集合中以任意组平均误差率和任意组功率差值进行组合得到全部的组合方式；根据所得到的全部的组合方式分别训练模型；最后，调用目标模型根据预测的风机在目标时间点的发电功率得到超短期预测功率。由于预先设置的模型是根据所得到的任意组平均误差率和任意组功率差值的全部组合方式分别训练得到，因此该方法根据目标平均误差率和目标功率差值从预先设置的模型中选择目标模型，能够较好地与实际情况贴合，有效提高超短期预测功率的准确率。
34.此外，本技术所提供的风机发电功率的超短期预测装置、介质与风机发电功率的超短期预测方法相对应，效果如上。
附图说明
35.为了更清楚地说明本技术实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
36.图1为本技术提供的一种风机发电功率的超短期预测方法的流程图；
37.图2为本技术提供的一种风机发电功率的超短期预测装置的结构图；
38.图3为本技术提供的另一种风机发电功率的超短期预测装置的结构图。
具体实施方式
39.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本技术保护范围。
40.本技术的核心是提供一种风机发电功率的超短期预测方法，用于进行风机发电功率的超短期预测，能够提高超短期预测功率的准确率。
41.为了使本技术领域的人员更好地理解本技术方案，下面结合附图和具体实施方式对本技术作进一步的详细说明。
42.需要说明的是，本技术提供的风机发电功率的超短期预测方法适用于对任意场景下的风机发电功率的超短期预测过程，尤其是电网对风电场中风机发电功率的超短期预测的考核。
43.图1为本技术提供的一种风机发电功率的超短期预测方法的流程图。如图1所示，该方法包括：
44.s1：获取基于气象数据预测的风机的发电功率和风机的实际发电功率。
45.在本实施例中，所获取的基于气象数据预测的风机的发电功率指的是所预测的风机在当前时间之前的任意时间点的发电功率，该发电功率是基于所预测的在预测发电功率的时间点的气象数据进行预测的，所获取的风机的实际发电功率指的是风机在与基于气象数据预测的风机的发电功率对应的时间点的实际发电功率。需要说明的是，为保障超短期预测功率的准确率，所获取的基于气象数据预测的风机的发电功率对应的时间点应与当前时间在同一天，并且应为离当前时间较近的几天所预测的风机的发电功率，例如，所获取的基于气象数据预测的风机的发电功率可以是近三天根据每天的实际气象数据所预测的在当前时间之前的16个时间点的风机的发电功率，假设16个时间点以15分钟为间隔，也就是说，所获取的发电功率是近三天预测的风机在当前时间之前的4小时内的16个时间点的发电功率。
46.s2：根据目标平均误差率和目标功率差值在预先设置的模型中选择目标模型。
47.在本实施例中，预先设置的模型通过如下方式得到：将所得到的平均误差率和功率差值按区间分别进行分组得到两种集合，并在两种集合中以任意组平均误差率和任意组
功率差值进行组合得到全部的组合方式；根据所得到的全部的组合方式分别训练模型。其中，平均误差率和功率差值根据风机的历史短期预测功率和历史实际功率计算得到，历史短期预测功率和历史实际功率为预先准备的所预测的风机的功率数据，可以是所预测的风机一个月的功率数据，也可以是其两个月的功率数据，对此不做限制。
48.具体地，可获取预先准备的所预测的风机在各时间点的历史短期预测功率和历史实际功率，可将多个时间点作为一组，以计算每组的平均误差率和功率差值，为便于计算，可按时间顺序将各时间点进行排序，并将各时间点的历史短期预测功率和历史实际功率一一对应。可以理解的是，相邻时间点的间隔可以为15分钟，也可以为1小时，本实施例对各时间点的间隔不做限制。在计算时，对于每一组时间点，先计算所有时间点的历史短期预测功率和历史实际功率的功率差之和，然后将所得到的功率差之和除以组内时间点数与总装机容量的乘积可得到平均误差率，其中，总装机容量指的是所有风机的总容量，再通过计算各时间点的历史短期预测功率和历史实际功率之差可得到功率差值，将所得到的全部平均误差率和全部功率差值按区间分别进行分组，通过任意组平均误差率和任意组功率差值两两组合的方式得到模型的所有情况及与各种情况对应的用于训练模型的数据。对于平均误差率的分组，可将平均误差率从-1到1按每0.1进行分组，也可以按每0.2进行分组，对于功率差值的分组，可以根据功率差值与0的大小关系进行分组，也可以根据功率差值与1、-1的大小关系进行分组，本实施例对平均误差率和功率差值的分组方式不做限制。
49.在具体实施中，当根据预测的风机的发电功率和风机的实际发电功率得到目标平均误差率和目标功率差值后，可根据训练模型时采用的平均误差率和功率差值的分组方式找到与目标平均误差率以及目标功率差值对应的组合，进而从预先设置的所有模型中找到目标模型。
50.s3：调用目标模型根据预测的风机在目标时间点的发电功率得到超短期预测功率。
51.在具体实施中，找到目标模型后，根据预测的风机在目标时间点的发电功率通过目标模型可得到风机的超短期预测功率。需要说明的是，目标时间点在当前时间之后，通常情况下，在预测风机的发电功率时，每天都会预测风机在后续一周的发电功率，因此，为提高超短期预测功率的准确性，预测的风机在目标时间点的发电功率为在目标时间点前一天所预测的风机发电功率。
52.本实施例提出了一种风机发电功率的超短期预测方法，该方法先获取基于气象数据预测的风机的发电功率和风机的实际发电功率；然后，根据目标平均误差率和目标功率差值在预先设置的模型中选择目标模型；预先设置的模型通过如下方式得到：将所得到的平均误差率和功率差值分别进行分组得到两种集合，并在两种集合中以任意组平均误差率和任意组功率差值进行组合得到全部的组合方式；根据所得到的全部的组合方式分别训练模型；最后，调用目标模型根据预测的风机在目标时间点的发电功率得到超短期预测功率。由于预先设置的模型是根据所得到的任意组平均误差率和任意组功率差值的全部组合方式分别训练得到，因此该方法根据目标平均误差率和目标功率差值从预先设置的模型中选择目标模型，能够较好地与实际情况贴合，有效提高超短期预测功率的准确率。
53.在上述实施例的基础上，本实施例对于上述获取基于气象数据预测的风机的发电功率和风机的实际发电功率的步骤做补充说明。该步骤包括：
54.获取在当前时间之前的多个优选的时间点的基于气象数据预测的风机的发电功率和风机的实际发电功率。
55.需要说明的是，优选的时间点指的是离当前时间最近的时间点，所获取的多个时间点即作为一组时间点，可根据训练模型时每组时间点的点数选择所要获取的时间点数，另外，各时间点的间隔可以根据训练模型时各时间点的间隔确定，本实施例对每组时间点的数量。
56.本实施例获取在当前时间之前的多个优选的时间点的基于气象数据预测的风机的发电功率和风机的实际发电功率，根据离当前时间最近的时间点的预测的风机的发电功率和风机的实际发电功率计算目标平均误差率和目标功率差值，使得根据所计算的目标平均误差率和目标功率差值选择的目标模型能够更好地贴合实际情况，保障了超短期预测功率的准确率。
57.在上述实施例的基础上，本实施例设置目标功率差值为首个时间点的功率差值和最后一个时间点的功率差值，因此，上述根据目标平均误差率和目标功率差值在预先设置的模型中选择目标模型的步骤。该步骤包括：
58.根据目标平均误差率与目标功率差值的组合分别选择目标模型。
59.为简化计算量，在计算功率差值时，将所获取的多个时间点按时间排序，可仅计算首个时间点的功率差值和最后一个时间点的功率差值，此时可得到这两个时间点的功率差值分别与所获取的多个时间点的平均误差率的组合，根据两种组合情况从预先设置的模型中可找到分别与各组合对应的目标模型。可以理解的是，对于训练模型时计算每组时间点的功率差值，为减少计算量，也可以仅选择每组时间点中首个时间点以及最后一个时间点进行计算。显然，根据首个时间点以及最后一个时间点计算的功率差值与平均误差率进行组合只是一种优选的实施方式，在具体实施中可选择一组时间点中任意数量任意位置的时间点计算其功率差值，用于训练模型或者定位目标模型。
60.在本实施例中，将各时间点按时间排序，设置目标功率差值为首个时间点的功率差值和最后一个时间点的功率差值，能够有效减少功率差值的计算量。
61.在上述实施例的基础上，当目标平均误差率的绝对值大于预设阈值时，则还需要对所得到的超短期预测功率进行调整。该步骤包括：
62.将预测的风机在目标时间点的发电功率输入目标模型；
63.根据预设的经验系数调整目标模型输出的超短期预测功率。
64.由于平均误差率的绝对值不大于1，因此，预设阈值需要小于1，否则，无论平均误差率为多少都无法触发上述步骤调整超短期预测功率。具体地，可以设置预设阈值为0.5，在目标平均误差率的绝对值大于0.5时可认为此时的平均误差率较大，需要进行调整，显然，预设阈值可根据实际情况设置，只要符合预设阈值小于1即可。另外，预设的经验系数通过多次实验决定，通常情况下，选择1.1或1.2作为经验系数以调整超短期预测功率，具体地，将所得到的超短期预测功率与预设的经验系数相乘，将二者乘积作为最后的输出结果。
65.本实施例在目标平均误差率的绝对值大于预设阈值时，根据预设的经验系数调整目标模型输出的超短期预测功率，在平均误差率较大时能够校准超短期预测功率，提高了超短期预测功率的准确率。
66.在上述实施例调用目标模型根据预测的风机在目标时间点的发电功率得到超短
期预测功率之后，还需要对所得到的各超短期预测功率进行处理。该步骤包括：
67.对目标模型输出的超短期预测功率取平均值，将平均值作为输出结果。
68.在具体实施中，对于每组时间点，所计算的目标功率差值常为多个，也就是说，目标功率差值与目标平均误差率的组合为多个，根据目标功率差值与目标平均误差率的组合选择的目标模型为多个，因此，所得到的超短期预测功率包括各目标模型输出的超短期预测功率。为使得用户能够查询到较准确的超短期预测功率，作为一种优选的实施方式，可对所有目标模型输出的超短期预测功率取平均值，将该平均值作为最终输出的超短期预测功率。另外，也可以直接将各目标模型输出的超短期预测功率作为输出结果，本实施例对超短期预测功率的输出方式不做限制。
69.本实施例对目标模型输出的超短期预测功率取平均值，将该平均值作为输出结果进行输出，使得用户能够查询到较准确的超短期预测功率，提高了所输出的超短期预测功率的准确率。
70.在上述实施例调用目标模型根据预测的风机在目标时间点的发电功率得到超短期预测功率之后，本实施例基于各目标模型输出的超短期预测功率和风机在目标时间点的实际发电功率分别对各目标模型进行校准。该步骤包括：
71.获取风机在目标时间点的实际发电功率；
72.根据超短期预测功率和风机在目标时间点的实际发电功率校准目标模型。
73.具体地，获取到进行超短期预测的风机在目标时间点的实际发电功率之后，对于所选择的各目标模型，可根据其输出的超短期预测功率与该风机在目标时间点的实际发电功率进行校准，以优化各模型。
74.本实施例获取风机在目标时间点的实际发电功率，并根据该发电功率与各目标模型输出的超短期预测功率分别校准各目标模型，以优化模型，提高模型的精确度。
75.在上述实施例训练预先设置的模型之前，本实施例对风机的历史短期预测功率和历史实际功率进行预处理。
76.具体地，在获取到预先准备的风机的历史短期预测功率和历史实际功率后，为便于计算，可按照时间将所有历史短期预测功率与所有历史实际功率进行排序。由于每个历史短期预测功率都存在与其对应的历史实际功率，因此，可计算每个历史短期预测功率和与其对应的历史实际功率的功率差值，当计算得到的功率差值的绝对值大于预设的功率阈值时，则认为该功率差值对应的历史短期预测功率准确率较低，会将该功率差值对应的历史短期预测功率和历史实际功率剔除，以免影响所训练的模型的精确度。需要说明的是，为保障模型的精确度，预设的功率阈值应尽可能的小，例如，可选取计算得到的部分功率差值并计算其平均值，将所计算的功率差值的平均值作为功率阈值。
77.本实施例对风机的历史短期预测功率和历史实际功率进行预处理，提高了所训练的模型的精确度，有效保障了超短期预测功率的准确率。
78.在上述实施例中，对于风机发电功率的超短期预测方法进行了详细描述，本技术还提供风机发电功率的超短期预测装置对应的实施例。需要说明的是，本技术从两个角度对装置部分的实施例进行描述，一种是基于功能模块的角度，另一种是基于硬件的角度。
79.图2为本技术提供的一种风机发电功率的超短期预测装置的结构图。如图2所示，该装置包括：
80.获取模块10，用于获取基于气象数据预测的风机的发电功率和风机的实际发电功率；其中，预测的风机的发电功率与风机的实际发电功率按照时间对应；
81.选择模块11，用于根据目标平均误差率和目标功率差值在预先设置的模型中选择目标模型；其中，目标平均误差率和目标功率差值根据预测的风机的发电功率和风机的实际发电功率计算得到；预先设置的模型通过如下方式得到：将所得到的平均误差率和功率差值按区间分别进行分组，得到两种集合，并在两种集合中以任意组平均误差率和任意组功率差值进行组合得到全部的组合方式；其中，平均误差率和功率差值根据风机的历史短期预测功率和历史实际功率计算得到；根据所得到的全部的组合方式分别训练模型；
82.调用模块12，用于调用目标模型根据预测的风机在目标时间点的发电功率得到超短期预测功率。
83.由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
84.本实施例所提供的风机发电功率的超短期预测装置，通过获取模块获取基于气象数据预测的风机的发电功率和风机的实际发电功率；通过选择模块根据目标平均误差率和目标功率差值在预先设置的模型中选择目标模型；其中，预先设置的模型通过如下方式得到：将所得到的平均误差率和功率差值按区间分别进行分组得到两种集合，并在两种集合中以任意组平均误差率和任意组功率差值进行组合得到全部的组合方式；根据所得到的全部的组合方式分别训练模型；通过调用模块调用目标模型根据预测的风机在目标时间点的发电功率得到超短期预测功率。由于预先设置的模型是根据所得到的任意组平均误差率和任意组功率差值的全部组合方式分别训练得到，因此该装置根据目标平均误差率和目标功率差值从预先设置的模型中选择目标模型，能够较好地与实际情况贴合，有效提高超短期预测功率的准确率。
85.图3为本技术另一实施例提供的风机发电功率的超短期预测装置的结构图，如图3所示，风机发电功率的超短期预测装置包括：
86.存储器20，用于存储计算机程序；
87.处理器21，用于执行计算机程序时实现如上述实施例中所提到的风机发电功率的超短期预测方法的步骤。
88.本实施例提供的风机发电功率的超短期预测装置可以包括但不限于智能手机、平板电脑、笔记本电脑或台式电脑等。
89.其中，处理器21可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器21可以采用数字信号处理器(digital signal processor，dsp)、现场可编程门阵列(field－programmable gate array，fpga)、可编程逻辑阵列(programmable logic array，pla)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称中央处理器(central processing unit，cpu)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器21可以在集成有图像处理器(graphics processing unit，gpu)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器21还可以包括人工智能(artificial intelligence，ai)处理器，该ai处理器用于处理有关机器学习的计算操作。
90.存储器20可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器20还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器20至少用于存储以下计算机程序201，其中，该计算机程序被处理器21加载并执行之后，能够实现前述任一实施例公开的风机发电功率的超短期预测方法的相关步骤。另外，存储器20所存储的资源还可以包括操作系统202和数据203等，存储方式可以是短暂存储或者永久存储。其中，操作系统202可以包括windows、unix、linux等。数据203可以包括但不限于基于气象数据预测的风机的发电功率和风机的实际发电功率等。
91.在一些实施例中，风机发电功率的超短期预测装置还可包括有显示屏22、输入输出接口23、通信接口24、电源25以及通信总线26。
92.本领域技术人员可以理解，图3中示出的结构并不构成对风机发电功率的超短期预测装置的限定，可以包括比图示更多或更少的组件。
93.本实施例提供的风机发电功率的超短期预测装置，包括存储器和处理器，处理器在执行存储器存储的程序时，能够实现上述风机发电功率的超短期预测方法，效果同上。
94.最后，本技术还提供一种计算机可读存储介质对应的实施例。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述方法实施例中记载的风机发电功率的超短期预测方法的步骤。
95.可以理解的是，如果上述实施例中的方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
96.本实施例所提供的计算机可读存储介质包括上述提到的风机发电功率的超短期预测方法，效果同上。
97.以上对本技术所提供的风机发电功率的超短期预测方法、装置及介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以对本技术进行若干改进和修饰，这些改进和修饰也落入本技术权利要求的保护范围内。
98.还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。