风机功率递归预测方法、装置、计算机设备和存储介质与流程

本技术涉及风机功率预测，特别是涉及一种风机功率递归预测方法、装置、计算机设备和存储介质。

背景技术：

1、风能是一种清洁能源，但风力发电面临一些挑战，如风速不稳定、风机效率低、电网调度难和安全性差等。为了克服以上问题，风机功率预测的准确性至关重要，现有风机功率预测分为物理、统计和人工智能三种预测方法。

2、然而以上三种预测方法均存在一定缺陷，物理方法和人工智能方法需要大量训练数据和计算资源，统计方法忽略了风力机的规律和物理特性。并且在少量可用数据的情况下，以上三种预测方法的预测结果均缺乏可解释性。因此现有的风机功率预测方法对于数据稳定性要求高，收集数据难度大，导致风机功率预测的准确性较差。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提升预测准确度和可解释性的风机功率递归预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、第一方面，本技术提供了一种风机功率递归预测方法，包括：

3、根据历史时段的风机功率数据，构建风机功率时间序列；

4、获取所述风机功率时间序列中的缺值数据，并通过分段线性回归模型对所述缺值数据进行填补，得到目标风机功率时间序列；所述分段线性回归模型用于捕捉所述目标风机功率时间序列中的局部特征和规律；

5、根据所述目标风机功率时间序列训练初始风机功率递归预测模型，以优化所述初始风机功率递归预测的参数，直至得到训练完成的风机功率递归预测模型；所述风机功率递归预测模型用于捕捉所述目标风机功率时间序列中的整体特征和规律；

6、根据所述风机功率递归预测，预测风电场在待测时间内的风机功率

7、在其中一个实施例中，所述获取所述风机功率时间序列中的缺值数据，包括：

8、将所述风机功率时间序列中满足缺值预设条件的风机功率数据确定为所述缺值数据；所述缺值预设条件包括所述风机功率数据的值为零，且所述风机功率数据相对于前一个时间序列的风机功率数据的变化值大于预设阈值。

9、在其中一个实施例中，在所述通过分段线性回归模型对所述缺值数据进行填补之前，还包括：

10、对所述缺值数据进行插值填补，得到中间风机功率时间序列；

11、根据所述中间风机功率时间序列训练初始分段线性回归模型，以优化所述初始分段线性回归模型的参数，直至得到训练完成的所述分段线性回归模型。

12、在其中一个实施例中，所述根据所述中间风机功率时间序列训练初始分段线性回归模型，包括：

13、获取所述中间风机功率时间序列的指数加权移动平均特征和移动中位数特征；

14、根据bilstm模型对所述中间风机功率时间序列进行处理，得到所述中间风机功率时间序列的元特征；

15、根据所述元特征、所述指数加权移动平均特征和所述移动中位数特征训练所述初始分段线性回归模型，以优化所述初始分段线性回归模型的参数，直至得到训练完成的所述分段线性回归模型。

16、在其中一个实施例中，所述根据所述目标风机功率时间序列训练初始风机功率递归预测模型，以优化所述初始风机功率递归预测的参数，直至得到训练完成的风机功率递归预测模型，包括：

17、进行预处理，得到移动平均数序列；

18、将所述移动平均数序列划分为训练集和验证集，训练初始风机功率递归预测，得到所述风机功率递归预测模型；包括用于处理轻量级风机功率预测任务的单层bilstm模型，以及用于处理重量级风机功率预测任务的双层bilstm模型。

19、在其中一个实施例中，所述根据所述风机功率递归预测，预测风电场在待测时间内的风机功率，包括：

20、分别获取所述单层bilstm模型、所述双层bilstm模型预测的第一预测结果和第二预测结果；

21、将所述第一预测结果与所述第二预测结果进行融合，得到所述风电场在待测时间内的风机功率。

22、第二方面，本技术还提供了一种风机功率递归预测装置，所述装置包括：

23、序列构建模块，用于根据历史时段的风机功率数据，构建风机功率时间序列；

24、序列更新模块，用于获取所述风机功率时间序列中的缺值数据，并通过分段线性回归模型对所述缺值数据进行填补，得到目标风机功率时间序列；所述分段线性回归模型用于捕捉所述目标风机功率时间序列中的局部特征和规律；

25、模型训练模块，用于根据所述目标风机功率时间序列风机功率递归预测，以优化所述风机功率递归预测的参数，直至得到训练完成的风机功率递归预测；所述风机功率递归预测模型用于捕捉所述目标风机功率时间序列中的整体特征和规律；

26、数据预测模块，用于根据所述风机功率递归预测，预测风电场在待测时间内的风机功率。

27、第三方面，本技术还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

28、根据历史时段的风机功率数据，构建风机功率时间序列；

29、获取所述风机功率时间序列中的缺值数据，并通过分段线性回归模型对所述缺值数据进行填补，得到目标风机功率时间序列；所述分段线性回归模型用于捕捉所述目标风机功率时间序列中的局部特征和规律；

30、根据所述目标风机功率时间序列训练初始风机功率递归预测模型，以优化所述初始风机功率递归预测的参数，直至得到训练完成的风机功率递归预测模型；所述风机功率递归预测模型用于捕捉所述目标风机功率时间序列中的整体特征和规律；

31、根据所述风机功率递归预测，预测风电场在待测时间内的风机功率。

32、第四方面，本技术还提供了一种计算机可读存储介质，其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以下步骤：

33、根据历史时段的风机功率数据，构建风机功率时间序列；

34、获取所述风机功率时间序列中的缺值数据，并通过分段线性回归模型对所述缺值数据进行填补，得到目标风机功率时间序列；所述分段线性回归模型用于捕捉所述目标风机功率时间序列中的局部特征和规律；

35、根据所述目标风机功率时间序列训练初始风机功率递归预测模型，以优化所述初始风机功率递归预测的参数，直至得到训练完成的风机功率递归预测模型；所述风机功率递归预测模型用于捕捉所述目标风机功率时间序列中的整体特征和规律；

36、根据所述风机功率递归预测，预测风电场在待测时间内的风机功率。

37、第五方面，本技术还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

38、根据历史时段的风机功率数据，构建风机功率时间序列；

39、获取所述风机功率时间序列中的缺值数据，并通过分段线性回归模型对所述缺值数据进行填补，得到目标风机功率时间序列；所述分段线性回归模型用于捕捉所述目标风机功率时间序列中的局部特征和规律；

40、根据所述目标风机功率时间序列训练初始风机功率递归预测模型，以优化所述初始风机功率递归预测的参数，直至得到训练完成的风机功率递归预测模型；所述风机功率递归预测模型用于捕捉所述目标风机功率时间序列中的整体特征和规律；

41、根据所述风机功率递归预测，预测风电场在待测时间内的风机功率。

42、上述风机功率递归预测方法、装置、计算机设备、存储介质和计算机程序产品，通过根据历史时段的风机功率数据，构建风机功率时间序列；获取风机功率时间序列中的缺值数据，并通过分段线性回归模型对缺值数据进行填补，得到目标风机功率时间序列；分段线性回归模型用于捕捉目标风机功率时间序列中的局部特征和规律，从而能够根据风机功率历史数据的规律准确地填补缺值数据，提升数据的多样性；根据目标风机功率时间序列训练初始风机功率递归预测模型，以优化初始风机功率递归预测的参数，直至得到训练完成的风机功率递归预测模型；风机功率递归预测模型用于捕捉目标风机功率时间序列中的整体特征和规律；根据风机功率递归预测，预测风电场在待测时间内的风机功率，从而能够根据捕捉的整体特征和规律，通过风机功率递归预测模型基于少量数据即可对风机功率进行准确预测，从而提升预测的准确性和可解释性。