风电功率概率区间预测的方法、装置及介质

本发明涉及风力发电功率预测，特别涉及一种风电功率概率区间预测的方法、装置及介质。

背景技术：

1、气候变化是全人类面临的共同挑战，而人类活动特别是化石燃料燃烧产生的温室气体是造成气候变化的主要原因。能源系统实现碳中和是实现“双碳”目标的关键环节，而电力是能源系统实现碳中和的关键。而大力发展以风电和光电为主的清洁能源是实现“双碳”目标，应对能源危机的重要战略举措。作为最重要的可再生能源之一，风能具有资源丰富、永不枯竭的特点，而利用风力进行发电是当前风能最主要的利用方式。与传统的能源不同，风机的输出功率与风速的大小有关，而自然界的风速非常不稳定，导致风机的输出功率变化很大，呈现出高波动性和间歇性的特点。风能的高波动性和间歇性的特点，给电力系统的安全稳定运行带来了巨大的挑战。而准确可靠的风电功率预测，可以有效提高电网的稳定性，提高风力发电的经济效益和社会效益。现有的基于点预测的风电功率概率区间预测方法在进行点预测的过程中，会将时间序列输入单一的网络模型进行训练，忽略了数据中混有其他模式的情况，且根据历史预测误差得到当前预测误差的分布，没有考虑当前预测序列对预测误差的影响。

技术实现思路

1、本发明的目的在于提供一种风电功率概率区间预测的方法、装置及介质，用于解决现有技术中基于点预测的风电功率概率区间预测方法将时间序列输入单一的网络模型进行训练，忽略了数据中混有其他模式的情况，且根据历史预测误差得到当前预测误差的分布，没有考虑当前预测序列对预测误差的影响的问题。

2、为了解决上述技术问题，本发明实施例提供一种风电功率概率区间预测的方法，其中，所述方法包括：

3、获取待预测风电功率数据的多个第一子序列数据；

4、对多个所述第一子序列数据进行分类，获取多个类型以及所述第一子序列数据对应多个类型的权重值；

5、将所述第一子序列数据分别输入每一类型对应的点预测模型，获取预测时序数据；其中，每一所述点预测模型对应一个类型，且所述点预测模型分别用于对所述第一子序列数据进行预测；

6、根据由所述第一子序列数据的所述权重值获取的第一隶属度矩阵和第二子序列数据，确定相似性度量值；其中，所述第二子序列数据为待训练风电功率数据；

7、根据所述相似性度量值和第一预测误差，获取所述第一子序列数据在预设置信度下的置信区间；其中，所述第一预测误差为所述第二子序列数据对应的预测误差；

8、根据所述预测时序数据和所述置信区间，获取所预测的风电功率概率区间。

9、可选地，所述的方法，其中，在所述获取待预测风电功率数据的多个第一子序列数据之前，所述方法还包括：

10、获取待训练风电功率数据的多个第二子序列数据；

11、对多个所述第二子序列数据进行分类，获取多个类型以及所述第二子序列数据对应多个类型的权重值；

12、根据每一类型分别建立所述点预测模型。

13、可选地，所述的方法，其中，所述根据每一类型分别建立所述点预测模型，包括：

14、采用时间卷积网络tcn和全连接层的神经网络结构，针对每一类型分别搭建点预测模型。

15、可选地，所述的方法，其中，所述对多个所述第一子序列数据进行分类，获取多个类型以及所述第一子序列数据对应多个类型的权重值，包括：

16、采用基于编码器-解码器的网络结构对所述第一子序列数据进行特征提取，获取潜在表征；

17、采用软聚类算法对所述潜在表征进行聚类，获取多个类型以及所述第一子序列数据对应多个类型的权重值。

18、可选地，所述的方法，其中，所述采用软聚类算法对所述潜在表征进行聚类，获取多个类型以及所述第一子序列数据对应多个类型的权重值，包括：

19、根据所述潜在表征获取聚类中心；

20、根据所述聚类中心和所述第一子序列数据，获取多个所述第一子序列数据对应多个类型的所述权重值；

21、根据所述权重值，获取所述第一隶属度矩阵。

22、可选地，所述的方法，其中，所述将所述第一子序列数据分别输入每一类型对应的点预测模型，获取预测时序数据，包括：

23、将所述第一子序列数据分别输入每一类型对应的点预测模型，获取多个预测结果；

24、将多个所述预测结果和对应的所述权重值的乘积相加，获取所述预测时序数据。

25、可选地，所述的方法，其中，所述根据由所述第一子序列数据的所述权重值获取的第一隶属度矩阵和第二子序列数据，确定相似性度量值，包括：

26、根据所述第二子序列数据，获取第二隶属度矩阵；

27、根据所述第一隶属度矩阵和所述第二隶属度矩阵，确定所述相似性度量值。

28、可选地，所述的方法，其中，所述根据所述相似性度量值和第一预测误差，获取所述第一子序列数据在预设置信度下的置信区间，包括：

29、根据所述相似性度量和所述第一预测误差，获取第二预测误差对应的概率密度函数；其中，所述第二预测误差为所述第一子序列数据对应的预测误差；

30、根据所述概率密度函数和所述预设置信度，获取所述第一子序列数据对应的所述置信区间。

31、为了达到上述目的，本发明还提供一种风电功率概率区间预测的装置，其中，所述装置包括：

32、第一获取模块，用于获取待预测风电功率数据的多个第一子序列数据；

33、第二获取模块，用于对多个所述第一子序列数据进行分类，获取多个类型以及所述第一子序列数据对应多个类型的权重值；

34、第三获取模块，用于将所述第一子序列数据分别输入每一类型对应的点预测模型，获取预测时序数据；其中，每一所述点预测模型对应一个类型，且所述点预测模型分别用于对所述第一子序列数据进行预测；

35、第一确定模块，用于根据由所述第一子序列数据的所述权重值获取的第一隶属度矩阵和第二子序列数据，确定相似性度量值；其中，所述第二子序列数据为待训练风电功率数据；

36、第四获取模块，用于根据所述相似性度量值和第一预测误差，获取所述第一子序列数据在预设置信度下的置信区间；其中，第一预测误差为所述第二子序列数据对应的预测误差；

37、第五获取模块，用于根据所述预测时序数据和所述置信区间，获取所预测的风电功率概率区间。

38、为了达到上述目的，本发明还提供一种处理设备，其中，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如上所述的风电功率概率区间预测的方法。

39、为了达到上述目的，本发明还提供一种可读存储介质，其中，所述可读存储介质上存储有程序，所述程序被处理器执行时实现如上所述的风电功率概率区间预测的方法中的步骤。

40、本发明的上述技术方案的有益效果如下：

41、上述方案中，采用根据潜在表征进行聚类的多个第一子序列数据分别输入多个类型对应的点预测模型的方式获取预测时序数据，提高了模型预测的准确度；将由第一子序列数据获取的第一隶属度矩阵和待训练风电功率数据第二子序列数据的隶属度矩阵确定的相似性度量值，结合第二子序列数据对应的第一预测误差进行核密度估计得到第一子序列数据对应的预测误差概率密度函数，考虑到了预测误差与和预测误差对应的输入数据的关系，不同时刻的预测误差不再遵循同分布，预测误差随着输入的子序列数据的改变发生变化，更加贴合实际，提升风电功率预测的准确率。