短期风功率预测方法、装置和电子设备与流程

本技术涉及电力设备，尤其涉及一种短期风功率预测方法、装置和电子设备。

背景技术：

1、相关技术中，风电功率预测方法主要包括连续预测法、时间序列分析法、卡尔曼滤波法以及人工神经网络方法。连续预测法存在较大误差且结果不稳定；时间序列模型（如arima）和卡尔曼滤波法在处理非线性和复杂噪声时存在一定的局限性。近年来，以反向传播（bp）神经网络为代表的数据驱动人工智能算法，因其具备强大的多维函数映射和复杂数据分析能力，已成为风电预测领域的主流选择。

2、但是，风电预测的主要困难在于气象与功率数据的高维非线性特征。传统的bp神经网络在处理这类预测时存在明显的局限性：由于其依赖梯度下降法更新权重，导致模型学习更新速度缓慢，且在面对平缓梯度时极易陷入局部最优解，这直接影响了最终的预测准确率。

技术实现思路

1、本公开提供了一种短期风功率预测方法、装置和电子设备，以至少解决现有技术中存在的以上技术问题。

2、根据本技术的第一方面，提供了一种短期风功率预测方法，所述方法包括：

3、获取风电场的历史气象数据及对应的风电功率数据，构建输入特征序列和输出标签序列，处理后得到训练集；

4、构建bp神经网络模型，确定所述bp神经网络模型的输入层、隐含层及输出层的节点数，将所述bp神经网络模型的初始权值与初始阈值作为待优化参数；

5、构建以预测误差为核心指标的适应度函数；所述适应度函数用于评估麻雀个体空间位置的优劣；所述预测误差为所述bp神经网络模型的预测结果与真实功率数据之间的差值；

6、将所述待优化参数映射为麻雀种群中麻雀个体的空间位置向量，将所述训练集输入所述bp神经网络模型，通过麻雀搜索算法计算每个麻雀的适应度值；

7、基于计算得到的适应度值，根据麻雀搜索算法，迭代更新麻雀种群中发现者、加入者和警戒者的空间位置，搜寻最优适应度值对应的最优麻雀个体位置；

8、将最优适应度值对应的最优麻雀个体位置赋值为bp神经网络模型的权值和阈值，得到所述待优化参数优化后的bp神经网络模型；

9、将所述训练集输入优化后的bp神经网络模型，基于所述训练集执行前向传播计算与反向误差传播迭代调整，得到收敛的短期风功率预测模型；所述短期风功率预测模型用于预测短期风功率。

10、在一可实施方式中，还包括：

11、将预处理后的输入特征序列和输出标签序列划分为训练集和测试集；

12、将所述测试集输入所述短期风功率预测模型，得到风电功率预测值；

13、将所述风电功率预测值与实际风电功率值进行误差分析，评估所述短期风功率预测模型的预测性能。

14、在一可实施方式中，所述处理后得到训练集，包括：

15、对所述输入特征序列和输出标签序列进行归一化处理，得到训练集；

16、其中，所述输入特征序列为历史时刻的风速、风向和温度数据，所述输出标签序列为对应历史时刻的风电功率。

17、在一可实施方式中，所述构建bp神经网络模型，确定所述bp神经网络模型的输入层、隐含层及输出层的节点数，将所述bp神经网络模型的初始权值与初始阈值作为待优化参数，包括：

18、根据输入的风速、风向和温度，设定bp神经网络模型的输入层的神经元个数为3；

19、设定bp神经网络模型的隐含层的神经元个数为5；

20、根据输出的风电功率，设定bp神经网络模型的输出层的神经元个数为1；

21、其中，隐含层第个神经元的输出计算公式为：

22、

23、输出层的神经元的预测输出计算方式为

24、

25、其中，为输入层的神经元个数，输入层第

i个神经元的值，为隐含层的神经元个数，第

i个神经元到隐含层第

j个神经元的连接权重，为隐含层节点第

j个神经元的阈值；为隐含层第

j个神经元到输出层神经元

k的连接权重，为输出层神经元

k节点的阈值；与分别为隐含层与输出层的激活函数。

26、在一可实施方式中，所述适应度函数为

27、

28、其中，为训练集样本总数，为第

q个样本的真实风电功率归一化值，为当前麻雀位置向量对应的bp神经网络对第

q个样本的预测值，为第

i个个体的适应度值。

29、在一可实施方式中，采用以下方式迭代更新麻雀种群中发现者的空间位置，

30、

31、其中，为当前迭代次数，为最大迭代次数；表示第个麻雀在第维在第

t+1代的位置；为的随机数；为预警值，为安全阈值；为服从正态分布的随机数，为全1矩阵；

32、采用以下方式迭代更新麻雀种群中加入者的空间位置，

33、

34、其中，为第个加入者在第t+1代的位置，为当前全局最差位置；为元素随机为1或-1的矩阵，且；为麻雀总数量；

35、采用以下方式迭代更新麻雀种群中警戒者的空间位置，

36、

37、其中，为当前全局最优位置；为步长控制参数，为随机数；为当前麻雀适应度值，和分别为当前全局最佳和最差适应度值；为常数。

38、在一可实施方式中，采用以下方式执行前向传播计算与反向误差传播迭代调整，得到收敛的短期风功率预测模型，包括：

39、将训练集输入bp神经网络模型计算误差，采用梯度下降法进行反向传播微调，以进行网络参数更新，得到收敛的短期风功率预测模型；

40、采用以下方式进行网络参数更新，

41、

42、

43、其中，为误差，为设定的学习率，和分别为bp神经网络模型的连接权重集与阈值集。

44、在一可实施方式中，所述将所述风电功率预测值与实际风电功率值进行误差分析，评估所述短期风功率预测模型的预测性能，包括:

45、计算所述风电功率预测值与实际风电功率值的平均绝对误差、均方根误差以及决定系数；

46、基于所述平均绝对误差、均方根误差以及决定系数，评估所述短期风功率预测模型的预测性能。

47、根据本技术的第二方面，提供了一种短期风功率预测装置，所述装置包括：

48、数据获取模块，用于获取风电场的历史气象数据及对应的风电功率数据，构建输入特征序列和输出标签序列，处理后得到训练集；

49、第一构建模块，用于构建bp神经网络模型，确定所述bp神经网络模型的输入层、隐含层及输出层的节点数，将所述bp神经网络模型的初始权值与初始阈值作为待优化参数；

50、第二构建模块，用于构建以预测误差为核心指标的适应度函数；所述适应度函数用于评估麻雀个体空间位置的优劣；所述预测误差为所述bp神经网络模型的预测结果与真实功率数据之间的差值；

51、适应度计算模块，用于将所述待优化参数映射为麻雀种群中麻雀个体的空间位置向量，将所述训练集输入所述bp神经网络模型，通过麻雀搜索算法计算每个麻雀的适应度值；

52、迭代更新模块，用于基于计算得到的适应度值，根据麻雀搜索算法，迭代更新麻雀种群中发现者、加入者和警戒者的空间位置，搜寻最优适应度值对应的最优麻雀个体位置；

53、参数赋值模块，用于将最优适应度值对应的最优麻雀个体位置赋值为bp神经网络模型的权值和阈值，得到所述待优化参数优化后的bp神经网络模型；

54、模型输出模块，用于将所述训练集输入优化后的bp神经网络模型，基于所述训练集执行前向传播计算与反向误差传播迭代调整，得到收敛的短期风功率预测模型。

55、根据本技术的第三方面，提供了一种电子设备，包括：

56、至少一个处理器；

57、以及与所述至少一个处理器通信连接的存储器；其中，

58、所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本技术所述的方法。

59、根据本技术的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本技术所述的方法。

60、根据本技术的第五方面，提供了一种计算机程序产品，包括计算机程序或指令，所述计算机程序或指令被处理器执行时实现本技术所述的方法。

61、利用本技术技术方案，将麻雀搜索算法引入并替代传统算法来优化bp神经网络的初始参数，从而构建更稳定、更精确的预测模型，能够提升短期风电功率的预测精度。

62、应当理解，本部分所描述的内容并非旨在标识本技术的实施例的关键或重要特征，也不用于限制本技术的范围。本技术的其它特征将通过以下的说明书而变得容易理解。