一种风电功率预测方法、装置、设备及存储介质与流程

本发明涉及风电功率预测领域，特别是涉及一种风电功率预测方法，本发明还涉及一种风电功率预测装置、设备及存储介质。

背景技术

风力发电作为一种新型能源发展迅猛，风力发电的能量来源于风能，但是风能是不可控的，这就给风电发电功率的预测带来了相当大的考验，准确的风电功率预测能使得工作人员更好地制定电能供应计划，也有利于能源的优化配置，因此风电功率预测在电力系统中具有至关重要的作用，然而现有技术中并没有一种成熟可靠的风电功率预测方法来实现精准的风电功率预测，导致工作人员制定的电能供应计划中的误差较大，不利于能源的优化配置。

因此，如何提供一种解决上述技术问题的方案是本领域技术人员目前需要解决的问题。

技术实现要素：

本发明的目的是提供一种风电功率预测方法，得到的风电功率的预测结果较为精准，减小了工作人员制定的电能供应计划的误差，有利于能源的优化配置；本发明的另一目的是提供一种风电功率预测装置、设备及存储介质，得到的风电功率的预测结果较为精准，减小了工作人员制定的电能供应计划的误差，有利于能源的优化配置。

为解决上述技术问题，本发明提供了一种风电功率预测方法，包括：

获取当前风电功率数据以及历史风电功率数据；

将所述当前风电功率数据以及所述历史风电功率数据进行归一化处理；

根据归一化处理后的所述当前风电功率数据以及所述历史风电功率数据，通过深度学习方法得到风电功率的预测结果。

优选地，所述获取当前风电功率数据以及历史风电功率数据之后，所述将所述当前风电功率数据以及所述历史风电功率数据进行归一化处理之前，该风电功率预测方法还包括：

将所述当前风电功率数据以及所述历史风电功率数据按照预设预测时长划分为若干个窗口；

将若干所述窗口进行模糊粒化，得到最小模糊粒子、最大模糊粒子以及平均模糊粒子；

则所述将所述当前风电功率数据以及所述历史风电功率数据进行归一化处理具体为：

将所述最小模糊粒子、所述最大模糊粒子以及所述平均模糊粒子进行归一化处理；

则所述根据归一化处理后的所述当前风电功率数据以及所述历史风电功率数据，通过深度学习方法得到风电功率的预测结果具体为：

根据归一化处理后的所述最小模糊粒子、所述最大模糊粒子以及所述平均模糊粒子，通过深度学习方法得到风电功率的点预测结果以及区间预测结果。

优选地，所述根据归一化处理后的所述最小模糊粒子、所述最大模糊粒子以及所述平均模糊粒子，通过深度学习方法得到风电功率的预测结果以及区间预测结果具体为：

根据归一化处理后的所述最小模糊粒子以及所述最大模糊粒子通过深度学习方法得到风电功率的区间预测结果；

根据归一化处理后的所述平均模糊粒子通过所述深度学习方法得到风电功率的预测结果。

优选地，所述模糊粒化为基于三角形模糊粒子的模糊粒化。

优选地，所述预设预测时长为一小时。

优选地，所述深度学习方法为长短期记忆网络lstm。

为解决上述技术问题，本发明还提供了一种风电功率预测装置，包括：

获取模块，用于获取当前风电功率数据以及历史风电功率数据；

归一化模块，用于将所述当前风电功率数据以及所述历史风电功率数据进行归一化处理；

输出模块，用于根据归一化处理后的所述当前风电功率数据以及所述历史风电功率数据，通过深度学习方法得到风电功率的预测结果。

优选地，该风电功率预测装置还包括：

窗口划分模块，用于将所述当前风电功率数据以及所述历史风电功率数据按照预设预测时长划分为若干个窗口；

模糊粒化模块，用于将若干所述窗口进行模糊粒化，得到最小模糊粒子、最大模糊粒子以及平均模糊粒子；

则所述归一化模块具体用于：

将所述最小模糊粒子、所述最大模糊粒子以及所述平均模糊粒子进行归一化处理；

所述输出模块具体用于：

根据归一化处理后的所述最小模糊粒子、所述最大模糊粒子以及所述平均模糊粒子，通过深度学习方法得到风电功率的点预测结果以及区间预测结果。

为解决上述技术问题，本发明还提供了一种风电功率预测设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如上任一项所述风电功率预测方法的步骤。

为解决上述技术问题，本发明还提供了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有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述风电功率预测方法的步骤。

本发明提供了一种风电功率预测方法，包括获取当前风电功率数据以及历史风电功率数据；将当前风电功率数据以及历史风电功率数据进行归一化处理；根据归一化处理后的当前风电功率数据以及历史风电功率数据，通过深度学习方法得到风电功率的预测结果。

可见，本发明中，能够首先获取当前风电功率数据以及历史风电功率数据，然后将以上两种数据进行归一化处理后通过深度学习方法得到风电功率的预测结果，由于采用了深度学习方法处理归一化后的当前风电功率数据以及历史风电功率数据，能够顺利地得到风电功率的预测结果，且本发明考虑到了历史风电功率数据对于未来风电功率数据的影响，得到的风电功率的预测结果较为精准，减小了工作人员制定的电能供应计划中的误差，有利于能源的优化配置。

本发明还提供了一种风电功率预测装置、设备以及计算机可读存储介质，具有如上风电功率预测方法相同的有益效果。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。

图1为本发明提供的一种风电功率预测方法的流程示意图；

图2为本发明提供的lstm记忆单元的结构示意图；

图3为本发明提供的一种风电功率预测装置的结构示意图；

图4为本发明提供的一种风电功率预测设备的结构示意图。

具体实施方式

本发明的核心是提供一种风电功率预测方法，得到的风电功率的预测结果较为精准，减小了工作人员制定的电能供应计划的误差，有利于能源的优化配置；本发明的另一核心是提供一种风电功率预测装置、设备及存储介质，得到的风电功率的预测结果较为精准，减小了工作人员制定的电能供应计划的误差，有利于能源的优化配置。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

请参考图1，图1为本发明提供的一种风电功率预测方法的流程示意图，包括：

步骤s1：获取当前风电功率数据以及历史风电功率数据；

考虑到现有技术的大多数风电预测方法例如ann(artificialneuralnetwork，人工神经网络)以及svm(supportvectormachine，支持向量机)中把风速预测作为一个静态回归问题，然而风电功率数据是一个动态时间序列，即系统的输出会持续受到过去输入的影响。因此ann和svm等传统方法仅通过简单建立输入变量与输出变量之间的非线性关系难以持续深入挖掘到时间序列的内部律。本发明实施例中的当前风电功率数据以及历史风电功率数据为本发明实施例中处理的基础数据，其中考虑到了历史风电功率数据对于未来风电功率的影响，可以获得较为精准的风电功率预测结果，减小了工作人员制定的电能供应计划的误差，有利于能源的优化配置。

其中，可以将当前风电功率数据以及历史风电功率数据均看作过去的风电功率数据，两者之间可以连续，也可以不连续，当前风电功率数据的特别之处在于，当前风电功率数据可以设定为距离当前时刻最近的一段时间的风电功率数据，例如过去一小时的风电功率数据等，当然，历史风电功率数据就是早于当前风电功率数据的风电功率数据。

当然，除了上述的过去一小时外，还可以将当前风电功率数据设置为其他的时长，本发明实施例在此不做限定，

步骤s2：将当前风电功率数据以及历史风电功率数据进行归一化处理；

具体的，将待处理的数据进行归一化处理时深度学习方法前的步骤，具体为将数据映射到0～1范围之内，使数据处理起来更加便捷快速。

当然，如果当前风电功率数据以及历史风电功率数据本身就符合归一化处理后的要求，那则可以跳过步骤s2直接进行下一步。

步骤s3：根据归一化处理后的当前风电功率数据以及历史风电功率数据，通过深度学习方法得到风电功率的预测结果。

具体的，深度学习方法与传统神经网络相比，网络中引入了循环结构，并允许隐藏单元之间的内部链接，可以探索彼此远离的数据之间的相关性，即本发明实施例中考虑了历史风电功率数据对于未来风电功率数据的影响，使得最终的风电功率的预测结果更加精准，减小了工作人员制定的电能供应计划的误差，有利于能源的优化配置。

本发明提供了一种风电功率预测方法，包括获取当前风电功率数据以及历史风电功率数据；将当前风电功率数据以及历史风电功率数据进行归一化处理；根据归一化处理后的当前风电功率数据以及历史风电功率数据，通过深度学习方法得到风电功率的预测结果。

可见，本发明中，能够首先获取当前风电功率数据以及历史风电功率数据，然后将以上两种数据进行归一化处理后通过深度学习方法得到风电功率的预测结果，由于采用了深度学习方法处理归一化后的当前风电功率数据以及历史风电功率数据，能够顺利地得到风电功率的预测结果，且本发明考虑到了历史风电功率数据对于未来风电功率数据的影响，得到的风电功率的预测结果较为精准，减小了工作人员制定的电能供应计划中的误差，有利于能源的优化配置。

在上述实施例的基础上：

作为一种优选的实施例，获取当前风电功率数据以及历史风电功率数据之后，将当前风电功率数据以及历史风电功率数据进行归一化处理之前，该风电功率预测方法还包括：

将当前风电功率数据以及历史风电功率数据按照预设预测时长划分为若干个窗口；

具体的，由于最终的风电功率预测结果有时间段的限制，因此需要首先将当前风电功率数据以及历史风电功率数据按照预设预测时长划分为若干个窗口，若干个窗口即为若干个子序列，可以是按照时间顺序进行的划分，方便后续步骤对每个窗口进行处理，以得到最终的风电功率的点预测结果以及区间预测结果。

将若干窗口进行模糊粒化，得到最小模糊粒子、最大模糊粒子以及平均模糊粒子；

具体的，若干个各窗口可以作为模糊粒化中的信息粒，信息粒是一些接近或相似或具有某种功能的元素的集合。模糊粒化为将一个信息整体按照一定的规则分解为多个部分进行研究，每个部分即为一个信息粒。对当前风电功率数据以及历史风电功率数据进行模糊粒化处理可以主要分为两个步骤：窗口划分和模糊粒化，其中，模糊粒化为通过一定的模糊规则提取出每个操作窗口的有效风电功率信息，生成一个个模糊信息粒的过程。模糊粒化的重点是所生成的模糊信息粒能够取代原窗口中的信息。

则将当前风电功率数据以及历史风电功率数据进行归一化处理具体为：

将最小模糊粒子、最大模糊粒子以及平均模糊粒子进行归一化处理；

则根据归一化处理后的当前风电功率数据以及历史风电功率数据，通过深度学习方法得到风电功率的预测结果具体为：

根据归一化处理后的最小模糊粒子、最大模糊粒子以及平均模糊粒子，通过深度学习方法得到风电功率的点预测结果以及区间预测结果。

其中，点预测结果为一个固定值，该固定值为未来一段时间内风电功率的概率最大的值，例如3mw等，工作人员可以根据3mw的预测值来控制供应值，并综合风电与火电等其他类型的电能进行能源的优化配置。

具体的，区间预测结果可以代表风电功率的波动区间，即工作人员在获得精准的预测结果的基础上，可以获取风电功率的波动区间预测结果，工作人员可以更加安全地权衡风险与效益之间的关系，也更复合能源互联网和电力市场的发展需求。例如根据波动区间的最小值来调整电能供应的大小等，本发明实施例在此不做限定。

作为一种优选的实施例，根据归一化处理后的最小模糊粒子、最大模糊粒子以及平均模糊粒子，通过深度学习方法得到风电功率的预测结果以及区间预测结果具体为：

根据归一化处理后的最小模糊粒子以及最大模糊粒子通过深度学习方法得到风电功率的区间预测结果；

根据归一化处理后的平均模糊粒子通过深度学习方法得到风电功率的预测结果。

具体的，可以根据归一化处理后的最小模糊粒子以及最大模糊粒子通过深度学习方法得到风电功率的区间预测结果，这里的最小模糊粒子以及最大模糊粒子均为从各个窗口中获得的最小模糊粒子以及最大模糊粒子的集合，综合考虑了历史各个时段的风电功率数据，有利于得到更加精准的风电功率波动区间的预测值。

具体的，归一化处理后的平均模糊粒子也是从各个窗口中获取的平均模糊粒子的集合，囊括了很长一段时间内的历史风电功率数据，使最终得到的点预测结果更加精准。

作为一种优选的实施例，模糊粒化为基于三角形模糊粒子的模糊粒化。

具体的，三角形模糊粒子能够快速且精准地得到最小模糊粒子、最大模糊粒子以及平均模糊粒子。

具体的，考虑单窗口问题，即把单个窗口x进行模糊粒化，在x上建立模糊粒子g是模糊粒化的主要任务。也就是找到一个模糊概念g其能够合理地描述x，确定了g也是确定了模糊粒子g，模糊概念g与模糊粒子g的关系如下：

其中x是论域x的变量；模糊概念g是以x为论域的模糊集合；采用三角形模糊粒子求得窗口数据的最大值、最小值和平均值，其隶属函数可表示为：

式中x是论域中的变量；a、m、b为参数，分别对应最小模糊粒子(low)、平均模糊粒子(r)和最大模糊粒子(up)。对于单窗口风电功率数据，up参数可以表示该窗口数据波动的上界；r参数可以表示该窗口数据变化的平均水平；low参数可以表示该窗口数据波动的下界。

当然，除了三角形模糊粒子外，还可以用其他类型的模糊粒子来进行模糊粒化，本发明实施例在此不做限定。

作为一种优选的实施例，预设预测时长为一小时。

具体的，预设预测时长可以进行自主设定，上述窗口的大小也与预设预测时长有关，将预设预测时长设置为一小时，能够方便地提供整小时的功率预测，方便工作人员的记录或者制定计划等工作。

当然，除了一小时外，预设预测时长还可以为其他的数值，本发明实施例在此不做限定。

作为一种优选的实施例，深度学习方法为lstm(longshort-termmemory，长短期记忆网络)。

具体的，lstm是一种改进的rnn(recurrentneuralnetwork，循环神经网络)模型，标准rnn在隐含层中只拥有一系列结构相对简单的重复模块，在训练模型时会出现梯度消失的问题。为了改善rnn的缺陷，lstm把隐含层设计成更复杂的结构，主要通过遗忘门、输入门、输出门来增加或删除记忆单元的信息。

为了更好地对本发明实施例进行说明，请参考图2，图2为本发明提供的lstm记忆单元的结构示意图。

具体的，假设给定一个输入的风速时间序列x＝{x1,x2,…,xt}，长短期记忆网络的输出为y＝{y1,y2,…,yt}，每个时刻lstm单元通过3个门接收当前输入xt、来自上一隐藏状态输出ht-1和内部单元状态ct-1，则lstm网络的数学计算过程如下：

遗忘门ft帮助lstm决定哪些信息将从记忆单元状态ct-1中删除，并由激活函数σ(·)来决定遗忘门的激活状态：

ft＝σ(wfxxt+wfhht-1+wfcct-1+bf)

上式的输出ft是对应于最后一个单元状态ct-1的0到1之间的值。值0意味着完全忘记最后的状态，而值1表示完全保持最后的状态

其次，lstm使用输入门it来决定将要存储到新的单元状态ct的新信息，计算过程如下：

it＝σ(wixxt+wihht-1+wicct-1+bi)

ut＝g(wcxxt+wchht-1+bc)

其中ut为添加到新单元状态ct的候选值，g(·)为激活函数。

旧记忆单元状态ct-1更新为新状态ct的过程如下所示：

ct＝ct-1ft+utit

其中ct-1ft作用是确定有多少信息将从ct-1中遗忘，utit确定有多少信息添加到新单元状态ct。

最后使用输出门ot计算ht和yt的过程如下：

ot＝σ(woxxt+wohht-1+wocct-1+bo)

ht＝otl(ct)

其中，激活函数σ为sigmoid函数，l和g为tanh函数；wix,wfx,wox,wcx为连接输入信息xt的权值矩阵wih,wfh,woh,wch为连接隐含层输出信号ht的权值矩阵，wic,wfc,woc为连接神经元激活函数输出矢量ct和门函数的对角矩阵；bi,bf,bo,bc为对应的偏置。

当然，除了lstm外，还可以采用其他类型的深度学习方法，本发明实施例在此不做限定。

请参考图3，图3为本发明提供的一种风电功率预测装置的结构示意图，包括：

获取模块1，用于获取当前风电功率数据以及历史风电功率数据；

归一化模块2，用于将当前风电功率数据以及历史风电功率数据进行归一化处理；

输出模块3，用于根据归一化处理后的当前风电功率数据以及历史风电功率数据，通过深度学习方法得到风电功率的预测结果。

作为一种优选的实施例，该风电功率预测装置还包括：

窗口划分模块，用于将当前风电功率数据以及历史风电功率数据按照预设预测时长划分为若干个窗口；

模糊粒化模块，用于将若干窗口进行模糊粒化，得到最小模糊粒子、最大模糊粒子以及平均模糊粒子；

则归一化模块2具体用于：

将最小模糊粒子、最大模糊粒子以及平均模糊粒子进行归一化处理；

输出模块3具体用于：

根据归一化处理后的最小模糊粒子、最大模糊粒子以及平均模糊粒子，通过深度学习方法得到风电功率的点预测结果以及区间预测结果。

对于本发明实施例提供的风电功率预测装置的介绍请参照前述风电功率预测方法实施例，本发明实施例在此不再赘述。

请参考图4，图4为本发明提供的一种风电功率预测设备结构示意图，包括：

存储器4，用于存储计算机程序；

处理器5，用于执行计算机程序时实现如上任一项风电功率预测方法的步骤。

对于本发明实施例提供的风电功率预测设备的介绍请参照前述风电功率预测方法实施例，本发明实施例在此不再赘述。

为解决上述技术问题，本发明还提供了一种计算机可读存储介质，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任一项风电功率预测方法的步骤。

对于本发明实施例提供的计算机可读存储介质的介绍请参照前述风电功率预测方法实施例，本发明实施例在此不再赘述。

本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。

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，并不排除在包括该要素的过程、方法、物品或者设备中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。