海上风电的出力预测方法、装置、设备及存储介质与流程

1.本技术涉及电网电力技术领域，尤其涉及一种海上风电的出力预测方法、装置、设备及存储介质。


背景技术：

2.海上风电机组主要安装在沿海一带，而沿海一带经常受到台风天气侵袭，所以海上风电机组的发电功率不可避免地受到台风天气的影响。目前，对于海上风电场的风机风速和发电出力，当前技术主要针对平稳条件下的气象环境进行预测，而难以适应于台风天气条件下的风机风速和发电出力的预测，导致无法有效保障海上风电场的运行安全性和稳定性。


技术实现要素：

3.本技术提供了一种海上风电的出力预测方法、装置、设备及存储介质，以解决当前技术难以适应于台风天气条件下的风机风速和发电出力的预测的技术问题。
4.为了解决上述技术问题，第一方面，本技术提供了一种海上风电的出力预测方法，包括：
5.获取海上风电场的运行监测数据和气象预报数据，气象预报数据包括台风天气的预报数据；
6.利用预设海上风电风速预测模型，根据运行监测数据和气象预报数据，预测海上风电场在台风天气条件下的风机风速数据；
7.基于风机风速数据和运行监测数据，预测海上风电场的发电出力数据。
8.作为优选，利用预设海上风电风速预测模型，根据运行监测数据和气象预报数据，预测海上风电场在台风天气条件下的风机风速数据，包括：
9.基于气象预报数据，预测在台风天气条件下的风资源时空分布数据；
10.利用预设海上风电风速预测模型，根据风资源时空分布数据和运行监测数据，预测海上风电场在台风天气条件下的风机风速数据。
11.作为优选，基于气象预报数据，预测在台风天气条件下的风资源时空分布数据之前，还包括：
12.利用预设气象误差修正模型，对气象预报数据进行修正，得到修正后的气象预报数据，预设气象误差修正模型基于气象监测站的历史气象预报数据和海上风电场的本地气象监测数据进行分析构建得到。
13.作为优选，基于风机风速数据和运行监测数据，预测海上风电场的发电出力数据，包括：
14.利用风机风速数据和运行监测数据与发电出力数据之间的预设关联特征关系，确定海上风电场的发电出力数据。
15.作为优选，利用预设海上风电风速预测模型，根据运行监测数据和气象预报数据，
预测海上风电场在台风天气条件下的风机风速数据之前，还包括：
16.获取海上风电场的历史运行监测数据和历史台风气象数据；
17.根据历史台风气象数据，提取海上风电场在台风天气条件下的风资源时空分布特征数据；
18.根据历史运行监测数据和历史台风气象数据，提取台风天气条件下的风机风速影响特征数据；
19.利用预设深度学习算法，对风资源时空分布特征数据和风速影响特征数据进行模型训练，生成预设海上风电风速预测模型。
20.作为优选，根据历史台风气象数据，提取海上风电场在台风天气条件下的风资源时空分布特征数据，包括：
21.利用关联学习算法，根据历史台风气象数据，学习在多种台风天气条件下的风资源时空分布特征，得到风资源时空分布特征数据，台风天气条件包括多种台风等级对应的台风天气条件。
22.作为优选，根据历史运行监测数据和历史台风气象数据，提取台风天气条件下的风机风速影响特征数据，包括：
23.利用时序关联挖掘算法，根据历史运行监测数据和历史台风气象数据，挖掘气象因子间的关联影响特征，得到台风天气条件下的风机风速影响特征数据，气象因子包括风速、温度和气压中的至少一种。
24.第二方面，本技术提供一种海上风电的出力预测方法，包括：
25.获取模块，用于获取海上风电场的运行监测数据和气象预报数据，气象预报数据包括台风天气的预报数据；
26.第一预测模块，用于利用预设海上风电风速预测模型，根据运行监测数据和气象预报数据，预测海上风电场在台风天气条件下的风机风速数据；
27.第二预测模块，用于基于风机风速数据和运行监测数据，预测海上风电场的发电出力数据。
28.第三方面，本技术提供一种计算机设备，包括处理器和存储器，存储器用于存储计算机程序，计算机程序被处理器执行时实现如第一方面的海上风电的出力预测方法。
29.第四方面，本技术提供一种计算机可读存储介质，其存储有计算机程序，计算机程序被处理器执行时实现如第一方面的海上风电的出力预测方法。
30.与现有技术相比，本技术至少具备以下有益效果：
31.通过获取海上风电场的运行监测数据和气象预报数据，气象预报数据包括台风天气的预报数据，以考虑台风天气和其他多维数据对海上风电出力的影响；利用预设海上风电风速预测模型，根据运行监测数据和气象预报数据，预测海上风电场在台风天气条件下的风机风速数据，以预测海上风电机组所处环境的风速影响因素；基于风机风速数据和运行监测数据，预测海上风电场的发电出力数据，以全面、准确地实现台风天气条件下对海上风电风速和出力情况的预测，从而及时根据预测结果进行安全调控，使得海上风电场更加安全的运行。进而提高海上风电出力预测水平，实现海上风电场的安全运行控制，提高未来大规模海上风电接入场景下风电场与电网防台风能力，以及利用台风提高风电场发电效益。
附图说明
32.图1为本技术实施例示出的海上风电的出力预测方法的流程示意图；
33.图2为本技术实施例示出的步骤s102之前的流程示意图；
34.图3为本技术实施例示出的海上风电的出力预测装置的结构示意图；
35.图4为本技术实施例示出的计算机设备的结构示意图。
具体实施方式
36.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，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
37.请参照图1，图1为本技术实施例提供的一种海上风电的出力预测方法的流程示意图。本技术实施例的海上风电的出力预测方法可应用于计算机设备，该计算机设备包括但不限于智能手机、笔记本电脑、平板电脑、桌上型计算机、物理服务器和云服务器等设备。如图1所示，本实施例的海上风电的出力预测方法包括步骤s101至步骤s103，详述如下：
38.步骤s101，获取海上风电场的运行监测数据和气象预报数据，所述气象预报数据包括台风天气的预报数据。
39.在本步骤中，运行监测数据包括但不限于海上风电机组的运行情况数据、风机风速、风机布局等数据。预报数据为气象观测站观测到的台风天气气象数据。
40.步骤s102，利用预设海上风电风速预测模型，根据所述运行监测数据和所述气象预报数据，预测所述海上风电场在台风天气条件下的风机风速数据。
41.在本步骤中，基于风速影响因素，采用深度信念网络等深度学习算法，通过深度学习模型实现海上风电风速预测。其中深度学习算法，可以根据实际应用场景选择合适的算法模型。例如，本实施例采用深度信念网络等深度学习算法，获得海上风电风速预测模型，将运行监测数据和气象预报数据输入海上风电风速预测模型，能够实现对当前海上风电风速的预测。
42.本实施例通过海上风电风速预测模型解决了台风天气条件下海上风电风速预测难度大的问题。
43.在一些实施例中，所述步骤s102，包括：
44.基于所述气象预报数据，预测在台风天气条件下的风资源时空分布数据；
45.利用所述预设海上风电风速预测模型，根据所述风资源时空分布数据和所述运行监测数据，预测所述海上风电场在台风天气条件下的风机风速数据。
46.在本实施例中，针对台风特性研究，利用台风历史数据，通过关联学习算法辨识台风天气条件下风资源时空特征信息，分析台风天气条件下风资源时空分布特性，以能够利用该风资源时空分布特性结合实时的气象预报数据，预测在台风天气条件下的风资源时空分布数据。
47.可选地，在预测风资源时空分布数据之前，还包括：利用预设气象误差修正模型，对所述气象预报数据进行修正，得到修正后的所述气象预报数据，所述预设气象误差修正模型基于气象监测站的历史气象预报数据和所述海上风电场的本地气象监测数据进行分
析构建得到。
48.在本实施例中，具体地，根据台风期间风电场本地监测点与气象监测站等实际监测与气象数值预报数据，研究台风期间风电场海域数值天气预报数据误差分布特性，分析数值天气预报数据误差的均值、方差、平均绝对误差等特性，构建数值天气预报数据误差修正模型。通过修正后的误差修正模型可以将当前时刻的气象监测站的天气预报数据修正。然后利用修正后获得的气象预报数据进行风速的预测。
49.步骤s103，基于所述风机风速数据和所述运行监测数据，预测所述海上风电场的发电出力数据。
50.在本步骤中，基于风机风速数据和运行监测数据，可以采用门控循环单元网络算法，实现对台风天气条件下海上风电出力的预测。
51.可选地，在获得台风天气条件下海上风电出力预测结果后，可以利用风电场风险评估结果修正出力预测。确定风电场中的风险或者故障后，对应的对预测结果进行修改，从而获得更加准确的预测结果。
52.在一些实施例中，所述步骤s103，包括：
53.利用所述风机风速数据和运行监测数据与发电出力数据之间的预设关联特征关系，确定所述海上风电场的发电出力数据。
54.在本实施例中，根据历史台风气象数据和历史运行监测数据，确定台风天气条件下的海上风电出力的影响因素的关联特征，其中，所述影响因素包括：风机空间布局、风机运行状态、风机风速；根据所述影响因素的关联特征和所述风速预测结果对台风天气条件下的海上风电出力进行预测。
55.具体地，历史台风气象数据为气象监测站监测到的历史数据，历史运行监测数据为海上风电场的历史运行数据，基于历史台风气象数据和历史运行监测数据，研究台风天气条件下海上风电场出力与风机空间布局、风机运行状态、风速等复杂多因素关联特征，从而分析风机空间布局、运行状态、风速等因素对于海上风电场风功率的影响特性。
56.例如，从风机角度出发，研究状态差异对风机风速－功率转化曲线的影响，建立风机运行状态特征评估指标；根据风电场历史监测数据，研究风电场空间布局引起的尾流效应特性，分析不同风速不同风向下的风电场尾流效应特性。
57.在一些实施例中，所述步骤s102之前，还包括：
58.步骤s201，获取海上风电场的历史运行监测数据和历史台风气象数据。
59.在本步骤中，历史运行监测数据包括海上风电机组的历史运行情况数据、风机风速、风机布局等数据，历史台风气象数据包括气象观测站量测的风速、温度、压强等历史气象数据以及台风强度历史数据、台风气象监测历史数据、台风半径历史数据、台风转移路径历史数据、台风转移速度历史数据等历史台风数据。
60.步骤s202，根据所述历史台风气象数据，提取所述海上风电场在台风天气条件下的风资源时空分布特征数据。
61.在本步骤中，基于台风历史数据集，研究不同强度等级台风影响下的风资源时空分布特性，建立考虑台风强度、半径、路径、转移速度、湍流强度等多维度的台风天气条件下风资源特性描述指标体系，分析在台风不同阶段下的风资源特性，获得台风天气条件下的风资源时空分布特征数据。
62.在一些实施例中，所述步骤s202，包括：
63.利用关联学习算法，根据所述历史台风气象数据，学习在多种台风天气条件下的风资源时空分布特征，得到风资源时空分布特征数据，所述台风天气条件包括多种台风等级对应的台风天气条件。
64.在本实施例中，针对台风特性研究，利用台风历史数据，通过关联学习算法辨识台风天气条件下风资源时空特征信息，分析台风天气条件下风资源时空分布特性。首先将台风历史数据输入到关联学习算法中进行学习，基于历史量测数据集，研究不同强度等级台风影响下的风资源时空分布特性，例如，八级台风强度，对应的台风半径、台风转移路径、台风速度等等，建立考虑台风强度、半径、路径、转移速度、湍流强度等多维度的台风天气条件下风资源特性描述指标体系，分析在台风不同阶段下的风资源特性。
65.步骤s203，根据所述历史运行监测数据和所述历史台风气象数据，提取台风天气条件下的风机风速影响特征数据。
66.在本步骤中，确定不同的气象因子之间的关联特征，以辨识复杂多气象因子间关联特性，气象因子为气象观测站收集到的温度、压强、风速等。在此基础上，结合历史运行监测数据和所述历史台风气象数据，提取台风天气条件下海上风电场风速预测的关键影响因素，确定台风天气条件下的风机风速影响特征数据。历史台风气象数据包括与台风相关的历史天气预报数据，历史运行监测数据包括：海上风电机组的历史运行情况数据、历史风机风速和历史风机布局等数据。
67.在一些实施例中，所述步骤s203，包括：
68.利用时序关联挖掘算法，根据所述历史运行监测数据和所述历史台风气象数据，挖掘气象因子间的关联影响特征，得到台风天气条件下的风机风速影响特征数据，所述气象因子包括风速、温度和气压中的至少一种。
69.在本实施例中，获取气象监测数据和风电场监测数据；根据气象监测数据和风电场监测数据通过时序关联挖掘算法，确定气象因子间的关联特征；根据气象因子间的关联特征获取台风天气条件下的风速影响因素。
70.具体地，基于海上风电场、气象监测站等多源多维历史数据，可选的，本实施例应用时序关联挖掘算法，挖掘风速、温度、气压等复杂多气象因子间关联特征，辨识复杂多气象因子间关联特性。
71.步骤s204，利用预设深度学习算法，对所述风资源时空分布特征数据和所述风速影响特征数据进行模型训练，生成所述预设海上风电风速预测模型。
72.在本步骤中，可以采用深度信念网络等深度学习算法进行模型训练，以获得海上风电风速预测模型。
73.在本实施例中，提取的风速预测关键影响因子，考虑台风影响下的风资源特性，可选的还可以结合风电场海域数值天气预报、风电场本地监测信息与台风强度、路径、半径等预报信息，通过预设深度学习算法对上述输入数据进行训练，实现海上风电风速预测。
74.为了执行上述方法实施例对应的海上风电的出力预测方法，以实现相应的功能和技术效果。参见图3，图3示出了本技术实施例提供的一种海上风电的出力预测装置的结构框图。为了便于说明，仅示出了与本实施例相关的部分，本技术实施例提供的海上风电的出力预测装置，包括：
75.获取模块301，用于获取海上风电场的运行监测数据和气象预报数据，所述气象预报数据包括台风天气的预报数据；
76.第一预测模块302，用于利用预设海上风电风速预测模型，根据所述运行监测数据和所述气象预报数据，预测所述海上风电场在台风天气条件下的风机风速数据；
77.第二预测模块303，用于基于所述风机风速数据和所述运行监测数据，预测所述海上风电场的发电出力数据。
78.在一些实施例中，所述第一预测模块302，具体用于：
79.基于所述气象预报数据，预测在台风天气条件下的风资源时空分布数据；
80.利用所述预设海上风电风速预测模型，根据所述风资源时空分布数据和所述运行监测数据，预测所述海上风电场在台风天气条件下的风机风速数据。
81.在一些实施例中，所述第二预测模块303，还具体用于：
82.利用预设气象误差修正模型，对所述气象预报数据进行修正，得到修正后的所述气象预报数据，所述预设气象误差修正模型基于气象监测站的历史气象预报数据和所述海上风电场的本地气象监测数据进行分析构建得到。
83.在一些实施例中，所述第二预测模块303，具体用于：
84.利用所述风机风速数据和运行监测数据与发电出力数据之间的预设关联特征关系，确定所述海上风电场的发电出力数据。
85.在一些实施例中，所述装置之前，还包括：
86.第二获取模块，用于获取海上风电场的历史运行监测数据和历史台风气象数据；
87.第一提取模块，用于根据所述历史台风气象数据，提取所述海上风电场在台风天气条件下的风资源时空分布特征数据；
88.第二提取模块，用于根据所述历史运行监测数据和所述历史台风气象数据，提取台风天气条件下的风机风速影响特征数据；
89.生成模块，用于利用预设深度学习算法，对所述风资源时空分布特征数据和所述风速影响特征数据进行模型训练，生成所述预设海上风电风速预测模型。
90.在一些实施例中，所述第一提取模块，具体用于：
91.利用关联学习算法，根据所述历史台风气象数据，学习在多种台风天气条件下的风资源时空分布特征，得到风资源时空分布特征数据，所述台风天气条件包括多种台风等级对应的台风天气条件。
92.在一些实施例中，所述第二提取模块，具体用于：
93.利用时序关联挖掘算法，根据所述历史运行监测数据和所述历史台风气象数据，挖掘气象因子间的关联影响特征，得到台风天气条件下的风机风速影响特征数据，所述气象因子包括风速、温度和气压中的至少一种。
94.上述的海上风电的出力预测装置可实施上述方法实施例的海上风电的出力预测方法。上述方法实施例中的可选项也适用于本实施例，这里不再详述。本技术实施例的其余内容可参照上述方法实施例的内容，在本实施例中，不再进行赘述。
95.图4为本技术一实施例提供的计算机设备的结构示意图。如图4所示，该实施例的计算机设备4包括：至少一个处理器40(图4中仅示出一个)处理器、存储器41以及存储在所述存储器41中并可在所述至少一个处理器40上运行的计算机程序42，所述处理器40执行所
述计算机程序42时实现上述任意方法实施例中的步骤。
96.所述计算机设备4可以是智能手机、平板电脑、桌上型计算机和云端服务器等计算设备。该计算机设备可包括但不仅限于处理器40、存储器41。本领域技术人员可以理解，图4仅仅是计算机设备4的举例，并不构成对计算机设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
97.所称处理器40可以是中央处理单元(central processing unit，cpu)，该处理器40还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field－programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
98.所述存储器41在一些实施例中可以是所述计算机设备4的内部存储单元，例如计算机设备4的硬盘或内存。所述存储器41在另一些实施例中也可以是所述计算机设备4的外部存储设备，例如所述计算机设备4上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储操作系统、应用程序、引导装载程序(bootloader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
99.另外，本技术实施例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存储有计算机程序，所述计算机程序被处理器执行时实现上述任意方法实施例中的步骤。
100.本技术实施例提供了一种计算机程序产品，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现上述各个方法实施例中的步骤。
101.在本技术所提供的几个实施例中，可以理解的是，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意的是，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。
102.所述功能如果以软件功能模块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，包括若干指令用以使得一台计算机设备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(rom，read－only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
103.以上所述的具体实施例，对本技术的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本技术的具体实施例而已，并不用于限定本技术的保护范围。特别指出，对于本领域技术人员来说，凡在本技术的精神和原则之内，所做的任何修
改、等同替换、改进等，均应包含在本技术的保护范围之内。