一种风功率的预测方法、装置及电子设备与流程

本发明涉及数据处理领域，更具体的说，涉及一种风功率的预测方法、装置及电子设备。

背景技术：

随着能源危机、环境污染等问题的日益加重，寻找新能源发电技术，保障能源的可持续供应，已经成为了当前重点考虑的战略问题。风能是一种清洁、绿色的能源，风能发电具有成本低、可再生等优点，因此风能的开发和利用受到了越来越多的关注。

但是风能具有随机性、波动性等特点，风能发电的输出功率具有不稳定性，对电力系统的正常运行和调度有较大的影响。风功率预测是指通过利用风电场的历史功率数据来预测未来一段时间内的风功率，能够实现对风功率较为可靠和精确的预测，对制定合理的调度、检修计划，提高风能利用率，提高电网运行的安全性、经济性和稳定性具有十分重要的意义。

因此，亟需一种对风功率进行预测的方法。

技术实现要素：

有鉴于此，本发明提供一种风功率的预测方法、装置及电子设备，以解决亟需一种对风功率进行预测的方法的问题。

为解决上述技术问题，本发明采用了如下技术方案：

一种风功率的预测方法，包括：

获取风电场的历史功率数据以及当前时刻的风电场环境信息；所述历史功率数据包括历史的风电场环境信息和风功率值；

将所述历史功率数据中下一时刻的风功率值替换上一时刻的风功率值，得到初始测试数据；

对所述初始测试数据进行异常数据修正操作，得到测试数据；

基于所述测试数据，训练得到用于进行风功率短时预测的功率预测模型；

基于当前时刻的风电场环境信息以及所述功率预测模型，得到短时预测的风功率值。

优选地，对所述初始测试数据进行异常数据修正操作，得到测试数据，包括：

依据预设窗口长度，将所述初始测试数据拆分为多个子测试数据；

对于每一所述子测试数据，计算得到特征值和特征向量；

依据所述特征值和特征向量，重构所述子测试数据，得到异常数据修正后的子测试数据；

将异常数据修正后的子测试数据进行重组，得到所述测试数据。

优选地，所述基于所述测试数据，训练得到用于进行风功率短时预测的功率预测模型，包括：

通过所述测试数据，对长短时记忆网络进行训练，得到所述长短时记忆网络中的参数值；

将确定了参数值的长短时记忆网络作为所述功率预测模型。

优选地，在基于所述测试数据，训练得到用于进行风功率短时预测的功率预测模型之后，还包括：

获取验证数据；所述验证数据包括风电场的环境历史信息以及所述环境历史信息对应的风功率值；

基于所述验证数据，对所述功率预测模型进行模型修正操作。

一种风功率的预测装置，包括：

数据获取模块，用于获取风电场的历史功率数据以及当前时刻的风电场环境信息；所述历史功率数据包括历史的风电场环境信息和风功率值；

功率替换模块，用于将所述历史功率数据中下一时刻的风功率值替换上一时刻的风功率值，得到初始测试数据；

数据修正模块，用于对所述初始测试数据进行异常数据修正操作，得到测试数据；

模型训练模块，用于基于所述测试数据，训练得到用于进行风功率短时预测的功率预测模型；

功率预测模块，用于基于当前时刻的风电场环境信息以及所述功率预测模型，得到短时预测的风功率值。

优选地，所述数据修正模块包括：

拆分子模块，用于依据预设窗口长度，将所述初始测试数据拆分为多个子测试数据；

数据计算子模块，用于对于每一所述子测试数据，计算得到特征值和特征向量；

修正子模块，用于依据所述特征值和特征向量，重构所述子测试数据，得到异常数据修正后的子测试数据；

数据重置子模块，用于将异常数据修正后的子测试数据进行重组，得到所述测试数据。

优选地，所述模型训练模块用于基于所述测试数据，训练得到用于进行风功率短时预测的功率预测模型时，具体用于：

通过所述测试数据，对长短时记忆网络进行训练，得到所述长短时记忆网络中的参数值；将确定了参数值的长短时记忆网络作为所述功率预测模型。

优选地，还包括：

模型修正模块，用于获取验证数据；基于所述验证数据，对所述功率预测模型进行模型修正操作；

所述验证数据包括风电场的环境历史信息以及所述环境历史信息对应的风功率值。

一种电子设备，包括：存储器和处理器；

其中，所述存储器用于存储程序；

处理器调用程序并用于：

获取风电场的历史功率数据以及当前时刻的风电场环境信息；所述历史功率数据包括历史的风电场环境信息和风功率值；

将所述历史功率数据中下一时刻的风功率值替换上一时刻的风功率值，得到初始测试数据；

对所述初始测试数据进行异常数据修正操作，得到测试数据；

基于所述测试数据，训练得到用于进行风功率短时预测的功率预测模型；

基于当前时刻的风电场环境信息以及所述功率预测模型，得到短时预测的风功率值。

相较于现有技术，本发明具有以下有益效果：

本发明提供了一种风功率的预测方法、装置及电子设备，本发明中可以基于风电场的历史功率数据得到的测试数据，训练得到用于进行风功率短时预测的功率预测模型，进而使用该功率预测模型进行短时功率预测。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种风功率的预测方法的方法流程图；

图2为本发明实施例提供的一种功率替换的场景示意图；

图3为本发明实施例提供的另一种风功率的预测方法的方法流程图；

图4为本发明实施例提供的一种功率预测结果对比图；

图5为本发明实施例提供的另一种功率预测结果对比图；

图6为本发明实施例提供的一种风功率的预测装置的结构示意图。

具体实施方式

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，所描述的实施例仅仅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。

本发明实施例提供了一种风功率的预测方法，参照图1，可以包括：

s11、获取风电场的历史功率数据以及当前时刻的风电场环境信息。

其中，所述历史功率数据包括历史的风电场环境信息和风功率值。历史的风电场环境信息和当前时刻的风电场环境信息可以包括平均风速、方向以及舱外温度。

具体的，对风电场的27号风机和28号风机进行历史功率数据统计，时间跨度超过1年，时间分辨率为10分钟，经过空缺值的剔除，共得到27号风机的47912条有效数据，28号风机的51815条有效数据。每条有效数据中包含三个相关变量，分别为10分钟内的平均风速、方向以及舱外温度，目标变量为风功率值。

当前时刻的风电场环境信息为当前10分钟内的平均风速、方向以及舱外温度，用来进行短时风功率预测。

s12、将所述历史功率数据中下一时刻的风功率值替换上一时刻的风功率值，得到初始测试数据。

具体的，为了训练功率预测模型，需要根据历史功率数据搭建可用于模型训练的有监督数据集。本实施例对历史功率数据进行了调整。

具体的，参照图2，原始时间序列数据为历史功率数据，试验训练数据为对历史功率数据进行了调整后的初始测试数据。

其中，t代表时刻，v1-vm-1为相关变量，即为平均风速、方向以及舱外温度，vm为目标变量，即为风功率值。将目标变量复制到序列数据的最后一列，并将其向前一个时间点移动一个单位，即将下一时刻的风功率值替换上一时刻的风功率值，形成具有标签的实验数据。该实验数据具有风功率预测的标签信息，可以作为长短时记忆网络lstm网络的输入。

s13、对所述初始测试数据进行异常数据修正操作，得到测试数据。

本实施例中使用奇异谱分析ssa进行异常数据修正操作。

在风功率预测过程中，由于风电厂实际采集到的历史数据具有一定的噪声，会对预测分析结果的准确性有影响，因此本文提出使用奇异谱分析对原始风场数据进行预处理，有效降低其中的噪声干扰。

奇异值分析(singularspectrumanalysis，ssa)，主要步骤包括：

假设一维信号矩阵x定义为x＝[x1,x2,x3,…xn]∈rⁿ，则

1)嵌入，定义窗口大小l，并且满足l∈[1,n]，则信号向量x的轨迹矩阵x定义为：

x和ck的每一列可以表示为ck＝[xk,xk+1,xk+23,…xk+l-1]∈r^l，其中k∈[1,k]，并且k＝n-l+1。通过观察可以发现，x实际上是定义的一个hankel矩阵。实际上，根据x的定义，ssa在计算的时候是在两个区间进行的，即l∈[1,round(n/2)]和l∈[ceil((n+1)/2),n]。对于一个给定的l，其在该两个空间中的结果一致。

2)奇异值分解。首先通过计算s＝xx^t,再计算s的特征值和对应的特征向量，并将其按照(λ1≥λ2≥…≥λl)，(u1,u2,…,ul)排列。在奇异值分析的计算过程中，首先令d＝l，x＝x1+x2+…+xd，则对于矩阵xi|i∈[1,l]，称为基本矩阵，其对应的特征值

其中vi的定义为

其中组合称为第i个三元组，矩阵u和v是对应的正交矩阵和主成分矩阵，则

u＝(u1u2…ul)∈r^l×l

v＝(v1v2…vl)∈r^k×l

3)分组，在这一步中，l个成分被分割为m个不相交的集合i1,i2,…,im，其中∑|im|＝l,m∈[1,m]，令i＝[i1,i2,…,ip]为其中的一个分组，矩阵xi定义为xi＝xi1+xi2+…+xip,则轨迹矩阵可以表示为

x＝xi1+xi2+…+xim

实际上，每个矩阵xi对于轨迹矩阵的贡献与它的特征值有关，因此可以定义：

4)对角线平均及投影。在这一步的操作中，对每一个矩阵xim计算其对角线的平均值，目的在于计算其平均的贡献率。

定义xim的投影为：

zm＝[zm1,zm2,…,zmn]∈rⁿ

它可以通过计算对角线平均得到，

则通过上述公式，可以重建一维信号

s14、基于所述测试数据，训练得到用于进行风功率短时预测的功率预测模型。

具体的，本实施例中的功率预测模型为lstm网络。lstm凭借其独特的网络结构能够有效提取时序数据的变化规律，实现对一定间隔内的数据预测，并在短期风功率预测中取得了最优的结果。

长短时记忆网络是一种时间递归神经网络，其具有良好的泛化能力和容错能力，非常适合用于处理和预测有关时间序列中间隔较长的事件，现在已经被应用于电力领域的数据预测研究中。

长短时记忆网络主要通过“门”来丢弃或者增加信息。通过“门”，可以实现信息的选择性通过，通常由一个sigmoid函数和一个点乘操作组成。长短时记忆网络中的每个单元都有输入门、遗忘门和输出门，通过门控机制，在单元中可以保持一定时间内的信息，并能够在一定程度上实现保持内部梯度不受干扰，从而有效解决了在时序问题中存在的上下文长依赖问题。

在风功率预测研究中，低维度的历史风能发电数据与其对应的发电功率共同形成了时序特征集合，具有较强的时序性，适合使用长短时记忆网络进行短期风功率预测模型的搭建。

可选的，在本实施例的基础上，步骤s14具体可以包括：

通过所述测试数据，对长短时记忆网络进行训练，得到所述长短时记忆网络中的参数值，将确定了参数值的长短时记忆网络作为所述功率预测模型。

具体的，将测试数据输入到长短时记忆网络中，然后对长短时记忆网络训练，得到长短时记忆网络中的每一参数的参数值，然后即可得到功率预测模型。

可选的，在本实施例的基础上，步骤s14之后还可以包括：

获取验证数据；所述验证数据包括风电场的环境历史信息以及所述环境历史信息对应的风功率值；基于所述验证数据，对所述功率预测模型进行模型修正操作。

具体的，为了验证功率预测模型的准确性，以及在准确度不高时，进行模型修正操作，本实施例中设置了验证数据，该验证数据和历史功率数据相似，可以将所有功率数据拆分为历史功率数据和验证数据两部分。

将验证数据中的风电场的环境历史信息作为功率预测模型的输入，然后得到验证数据的预测风功率值，和实际的风功率值进行比较，依据比较结果，对功率预测模型进行修正操作。

本实施例中可以基于风电场的历史功率数据得到的测试数据，训练得到用于进行风功率短时预测的功率预测模型，进而使用该功率预测模型进行短时功率预测。

可选的，在上述任一预测方法的实施例的基础上，参照图3，步骤s13可以包括：

s21、依据预设窗口长度，将所述初始测试数据拆分为多个子测试数据。

奇异谱分析通过构造输入信号的轨迹矩阵，并对其进行分解、重构，从而提取出原始信号中不同成分的信号，如趋势信号、噪声信号等等，在数据预处理中有较好的性能，是一种非常有效的非线性时间序列数据处理方法。

奇异谱分析一般包括嵌入、svd分解、分组、重构四个步骤。首先将输入的一维时间序列数据yt＝(y1,...,yt)转换为其轨迹矩阵x：

其中，l为设定的窗口长度，即预测窗口长度，k＝t-l+1。

s22、对于每一所述子测试数据，计算得到特征值和特征向量。

对xx^t进行奇异值分解(svd)，可以计算得到l个特征值(λ1≥λ2≥…λl≥0)和其对应的特征向量。

s23、依据所述特征值和特征向量，重构所述子测试数据，得到异常数据修正后的子测试数据。

s24、将异常数据修正后的子测试数据进行重组，得到所述测试数据。

将每一个特征值所代表的信号进行分析组合，最后得到重构出新的时间序列，从而去除原始数据中的噪声信息。

本实施例中，奇异谱分析能够有效的提取输入序列中的不同成分信号，从而剔除掉原始数据中的大量噪声成分，使得数据更加纯净，当历史功率数据中掺杂着大量噪声的低维度历史数据信息(风功率、风速、风向和舱外温度)时，可以有效的分析处理低维度风能历史功率数据，降低其中的噪声信息，提高功率预测的准确性。

通过上述论述，本发明实施例首先使用奇异谱分析对原始历史数据进行预处理，降低其中的噪声信息。然后，通过数据转换操作，形成具有标签信息的时序数据训练集。然后将其作为输入进入到长短时记忆网络进行预测模型的训练。最终根据评价指标形成短期风功率预测的最优模型。

为了验证本发明实施例中的ssa-lstm模型的预测性能，采用实验对比的方式，来说明本发明实施例的优越性和适用性。

1、评价指标

均方根误差(rmse)和平均绝对误差(mae)是评价数据预测性能常用的两个指标。如公式(2)和(3)所示给出了其计算过程，其中n表示预测样本的数量，z′n和zn分别表示预测值和真实值。从计算公式可以看出，rmse和mae的数值越小，表示预测值和真实值之间的差异越小，模型的预测性能越好。

2、实验设置

本文分别对27号和28号风机进行短期风功率预测模型的训练。其中27号风机中包含47912条有效数据，时间分辨率为10分钟，选取其中的40000条数据作为训练集，4000条数据作为验证集，剩余的3912条数据作为测试集。28号风机中包含51815条有效数据，时间分辨率同样为10分钟，选取其中的40000条数据作为训练集，6000条数据作为验证集，剩余的5815条数据作为测试集。

3、实验结果

表1列出了27号风机的预测结果评价指标，从结果可以看出，在没有使用ssa进行预处理时，lstm模型计算得到的mae为97.962，rmse为191.808，均低于其它四种对比预测模型，表明在没有使用ssa时，lstm模型取得了最好的预测性能。在使用ssa进行预处理时，lstm模型和四种对比预测模型计算得到的mae和rmse数值均比没有使用ssa时的低，表明ssa预处理对提高短期风功率预测的准确性有重要的作用。并且ssa-lstm的mae和rmse数值最低，表明本文提出的预测模型取得了最优的预测性能。

表127号风机不同模型的预测结果

图4显示了27号风机中经过ssa预处理的lstm模型预测值与真实值之间的比较，从图中可以看出，本文模型的预测结果与真实值数据之间的走向趋势一致，并且其曲线差异较小，预测结果能够较好的拟合真实值。

表2中列出了28号风机的预测结果，与表1中一样，lstm相较于其他四种对比模型，取得了最优的预测性能，同时，经过ssa预处理的模型预测性能要高于没有经过ssa预处理的模型，因此，本文方法在28号风机上取得了最优的预测性能。

表228号风机不同模型的预测结果

图5为28号风机中的真实值与本文方法预测得到的数值之间的结果对比，两条曲线之间的差异较小并且基本重合，因此本文方法适用于短期风功率的预测。

从27号和28号两个风机数据集的预测结果可以看出，ssa预处理操作能够有效去除原始数据中的噪声信息，提高预测结果的准确性。同时基于ssa和lstm的预测模型相较于四种对比算法，在短期风功率预测中取得了更好的性能，能够用于短期风功率的预测。

可选的，在上述风功率的预测方法的实施例的基础上，本发明的另一实施例提供了一种风功率的预测装置，参照图6，可以包括：

数据获取模块101，用于获取风电场的历史功率数据以及当前时刻的风电场环境信息；所述历史功率数据包括历史的风电场环境信息和风功率值；

功率替换模块102，用于将所述历史功率数据中下一时刻的风功率值替换上一时刻的风功率值，得到初始测试数据；

数据修正模块103，用于对所述初始测试数据进行异常数据修正操作，得到测试数据；

模型训练模块104，用于基于所述测试数据，训练得到用于进行风功率短时预测的功率预测模型；

功率预测模块105，用于基于当前时刻的风电场环境信息以及所述功率预测模型，得到短时预测的风功率值。

可选的，在本实施例的基础上，所述模型训练模块用于基于所述测试数据，训练得到用于进行风功率短时预测的功率预测模型时，具体用于：

通过所述测试数据，对长短时记忆网络进行训练，得到所述长短时记忆网络中的参数值；将确定了参数值的长短时记忆网络作为所述功率预测模型。

可选的，在本实施例的基础上，还包括：

模型修正模块，用于获取验证数据；基于所述验证数据，对所述功率预测模型进行模型修正操作；

所述验证数据包括风电场的环境历史信息以及所述环境历史信息对应的风功率值。

本实施例中可以基于风电场的历史功率数据得到的测试数据，训练得到用于进行风功率短时预测的功率预测模型，进而使用该功率预测模型进行短时功率预测。

需要说明的是，本实施例中的各个模块的工作过程，请参照上述实施例中的相应说明，在此不再赘述。

可选的，在上述任一风功率的预测装置的实施例的基础上，所述数据修正模块包括：

拆分子模块，用于依据预设窗口长度，将所述初始测试数据拆分为多个子测试数据；

数据计算子模块，用于对于每一所述子测试数据，计算得到特征值和特征向量；

修正子模块，用于依据所述特征值和特征向量，重构所述子测试数据，得到异常数据修正后的子测试数据；

数据重置子模块，用于将异常数据修正后的子测试数据进行重组，得到所述测试数据。

本实施例中，奇异谱分析能够有效的提取输入序列中的不同成分信号，从而剔除掉原始数据中的大量噪声成分，使得数据更加纯净，当历史功率数据中掺杂着大量噪声的低维度历史数据信息(风功率、风速、风向和舱外温度)时，可以有效的分析处理低维度风能历史功率数据，降低其中的噪声信息，提高功率预测的准确性。

需要说明的是，本实施例中的各个模块和子模块的工作过程，请参照上述实施例中的相应说明，在此不再赘述。

可选的，在上述风功率的预测方法及装置的实施例的基础上，本发明的另一实施例提供了一种电子设备，包括：存储器和处理器；

其中，所述存储器用于存储程序；

处理器调用程序并用于：

获取风电场的历史功率数据以及当前时刻的风电场环境信息；所述历史功率数据包括历史的风电场环境信息和风功率值；

将所述历史功率数据中下一时刻的风功率值替换上一时刻的风功率值，得到初始测试数据；

对所述初始测试数据进行异常数据修正操作，得到测试数据；

基于所述测试数据，训练得到用于进行风功率短时预测的功率预测模型；

基于当前时刻的风电场环境信息以及所述功率预测模型，得到短时预测的风功率值。

本实施例中可以基于风电场的历史功率数据得到的测试数据，训练得到用于进行风功率短时预测的功率预测模型，进而使用该功率预测模型进行短时功率预测。

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，在其它实施例中实现。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。