一种风电机组功率预测方法、装置、电子设备和存储介质与流程

1.本公开涉及风电机组功率预测领域，具体涉及一种风电机组功率预测方法、装置、电子设备和存储介质。


背景技术：

2.我国风电发展迅速，随着大规模风电并网，在电力市场中，风电所占比例越来越大。由于风电具有间歇性、波动性、随机性的特点，不稳定和不可控的风速严重影响了风电预测的精度和风力发电的稳定性，影响了风力发电机组控制和微电网的调度，破坏了电力供需的平衡。因此，能够准确地预测风电功率对于电力系统运行的稳定是必不可少的。风力机的输出功率与风速的关系曲线是风力及的重要参数，结合功率风速关系曲线和预测风速，风电场及电网运行调度人员可得到未来时间的风电场处理情况，在风电场控制、维护、管理工作中均发挥着重要的作用。然而，由于异常数据以及限功率数据的影响，直接在原始数据上建立的功率曲线将会极大的偏离正常功率曲线，无法投入实际使用当中。现阶段采取的做法是先清洗风速-功率数据再拟合功率曲线，但是数据清洗算法往往效率不高并容易发生过度清洗的现象。而且scada系统采集到的历史数据并不完全是机组正常工作时的数据，还存在许多的异常数据。因此建立精准的风电机组功率曲线模型，可以优化风电场的运维调度，提高风电的利用效率，减小风电并网对电网稳定运行的影响。目前的风电机组功率曲线建模通常分为两个部分：先利用数据清洗算法对风速、功率数据进行清洗，再选择建模方法进行功率曲线拟合，但是目前的风电机组功率曲线建模在异常数据清洗上花费时间较长，采用的一些算法效率较低，存在一定的局限性。


技术实现要素：

3.本公开的目的是为克服现有技术的不足之处，提供一种风电机组功率预测方法、装置、电子设备和存储介质。本公开在进行风电机组功率预测时无需数据清洗，能够同时兼顾辨识精度和效率，可以提高风电功率预测精度，有利于电网的稳定运行。
4.本公开第一方面实施例提出一种风电机组功率预测方法，包括：
5.采集待预测风电机组在设定历史时段的风速数据和风功率数据；
6.利用所述风速数据和风功率数据，建立所述风电机组在所述历史时段的风速-风功率散点图，删除所述散点图中的异常散点；
7.将所述散点图中的剩余散点对应的所述风速数据和风功率数据分别归一化，将归一化后每个散点对应的所述风速数据和风功率数据组成一个样本，将所有样本构成样本数据集；
8.构建风电机组功率预测模型；
9.利用所述样本数据集训练所述风电机组功率预测模型，得到训练完毕的风电机组功率预测模型；
10.利用所述练完毕的风电机组功率预测模型进行所述风电机组的功率预测。
11.在本公开的一个具体实施例中，所述设定历史时段的风速数据和风功率数据从数据采集与监视控制系统scada获取，所述历史时段长度为一个月至一年。
12.在本公开的一个具体实施例中，所述异常散点包括两类：
13.1)靠近所述散点图横坐标轴处堆积的散点，所述散点的风功率低于对应风速下的正常风功率；
14.2)所述散点图中无规则分布的低密度的散点。
15.在本公开的一个具体实施例中，所述构建风电机组功率预测模型，包括：
16.1)构建风电机组功率预测模型，所述模型采用bp神经网络模型；所述模型的输入为归一化后的风速，输出为归一化后的风功率；
17.2)确定所述模型的激活函数；
18.3)确定自适应鲁棒性损失函数，表达式如下：
[0019][0020]
损失函数求导得到：
[0021][0022]
在本公开的一个具体实施例中，所述利用所述样本数据集训练所述风电机组功率预测模型，得到训练完毕的风电机组功率预测模型，包括：
[0023]
设置学习率、训练迭代次数和模型参数，利用所述样本数据集对所述风电功率预测模型进行训练，并计算均方根误差rmse作为训练的评价指标；
[0024]
当rmse达到设定的阈值要求时，训练结束，得到训练完毕的风电功率预测模型。
[0025]
在本公开的一个具体实施例中，所述利用所述练完毕的风电机组功率预测模型进行所述风电机组的功率预测，包括：
[0026]
获取所述风电机组在任一待预测时刻的风速数据，对所述风速数据归一化得到归一化后的风速，将所述归一化后的风速输入所述训练完毕的风电功率预测模型，所述模型输出归一化后的风功率预测值；
[0027]
将所述归一化后的风功率预测值进行反归一化，得到所述待预测时刻所述风电机组的风功率预测值。
[0028]
本公开第二方面实施例提出一种风电机组功率预测装置，包括：
[0029]
数据采集模块，用于采集待预测风电机组在设定历史时段的风速数据和风功率数
据；
[0030]
散点图构建模块，用于利用所述风速数据和风功率数据，建立所述风电机组在所述历史时段的风速-风功率散点图，删除所述散点图中的异常散点；
[0031]
样本数据集构建模块，用于将所述散点图中的剩余散点对应的所述风速数据和风功率数据分别归一化，将归一化后每个散点对应的所述风速数据和风功率数据组成一个样本，将所有样本构成样本数据集；
[0032]
风电机组功率预测模型构建模块，用于构建风电机组功率预测模型；
[0033]
风电机组功率预测模型训练模块，利用所述样本数据集训练所述风电机组功率预测模型，得到训练完毕的风电机组功率预测模型；
[0034]
风电机组功率预测模块，用于利用所述练完毕的风电机组功率预测模型进行所述风电机组的功率预测。
[0035]
本公开第三方面实施例提出一种电子设备，包括：
[0036]
至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；
[0037]
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被设置为用于执行上述一种风电机组功率预测方法。
[0038]
本公开第四方面实施例提出一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机上述一种风电机组功率预测方法。
[0039]
本公开的特点及有益效果：
[0040]
相较于之前的结合功率风速关系曲线和来预测风速的准确率以及效率低的方法，本公开所建立的是基于鲁棒学习的风电功率预测模型，该模型在训练时无需进行数据清洗，能够同时兼顾辨识精度和效率，可以提高风电功率预测精度，有利于电网的稳定运行。
附图说明
[0041]
图1为本公开实施例中一种风电机组功率预测方法的整体流程图。
[0042]
图2是本公开一个具体实施例中风电机组风速-风功率数据散点图。
[0043]
具体实例方式
[0044]
本公开提出一种一种风电机组功率预测方法、装置、电子设备和存储介质，下面结合附图和具体实施例对本公开进一步详细说明如下。
[0045]
本公开第一方面实施例提出一种风电机组功率预测方法，整体流程如图1所示，具体步骤如下：
[0046]
1)采集风电场内待风电机组设定历史时间段的数据采集与监视控制系统(scada)数据。其中，所述历史时间段可选取过去一个月到一年，所述scada数据主要包括风速、风功率参数。本公开的一个具体实施例中，所述风速数据包括：切入风速、额定风速和切出风速以及所有时间点的风速数据，数据长度为一个月。
[0047]
2)基于步骤(1)获取的风速和风功率数，训练模型前绘制该机组的风速-风功率散点图以分析风电机组异常状态数据并删除，对剩余所有风速数据和功率数据分别进行归一化预处理。
[0048]
其中，本公开一个具体实施例中散点图如图2所示。分析风电机组异常状态数据时，有两类异常数据的存在：一类是坐标轴附近的堆积型异常数据点，远低于该风速下的正
常功率，甚至接近于0；二类是所述散点图中无规则分布的低密度的散点。图2中，两个圈内即为本实施例筛选出的异常点散点。
[0049]
删除散点图中的异常点后，对剩余散点对应的风速和风功率数据分别进行归一化，将归一化后每个散点对应的风速和风功率组成一个样本，将所有样本构成样本数据集。
[0050]
3)构建风电机组功率预测模型；
[0051]
本公开实施例中，所述风电机组功率预测模型采用bp神经网络模型。
[0052]
其中，bp神经网络模型输入层的参数为归一化后的风速，输出层的参数为归一化后的风功率；优选地，在本公开的一个具体实施例中，设置输入层、中间两个隐藏层、输出层神经元的数量分别为1，50，1。
[0053]
确定神经网络的激活函数，隐藏层内使用relu函数：
[0054][0055]
其中，x为神经元的输入。
[0056]
输出层上使用tanh函数：
[0057][0058]
其中x为神经元的输入。
[0059]
确定自适应鲁棒性损失函数，损失函数可以理解为多种鲁棒性损失函数的集合，因此改变其中的参数α，可以得到不同类型的损失函数，损失函数的通用公式为：
[0060][0061]
式(3)中z即真实值与预测值之间的误差(f(z)-y)，其中α∈r，是控制损失函数鲁棒性的形状参数，c＞0，是控制z＝0附近的损失函数弯曲程度的尺度参数。自适应鲁棒性损失函数的概率密度分布公式如下：
[0062][0063][0064]
式(4)可以看出，当α≥0时，p(z|μ，α，c)才有定义。由此将损失函数的公式展开为：
[0065][0066]
损失函数求导得到：
[0067][0068]
4)利用样本数据集训练风电机组功率预测模型。
[0069]
将样本数据集的所有样本依次输入构建好的风电功率预测模型中，其中输入参数为风速，输出参数为风功率，并计算均方根误差(rmse)作为模型的评价指标。
[0070]
每次训练结束后可以通过调整学习率，迭代次数以及隐藏层参数对模型训练进行调整，直至rmse数据达到设定的阈值要求(本实施例为0.01左右)，训练结束，得到训练完毕的风电功率预测模型。
[0071]
5)风电功率预测；
[0072]
获取该待预测风电机组在任一待预测时刻的风速数据，对该风速数据归一化得到归一化后的风速，将该归一化的风速输入训练完毕的风电功率预测模型，该模型输出归一化后的风功率预测值。
[0073]
将该归一化后的风功率预测值进行反归一化，得到该待预测时刻风电机组的风功率预测值。
[0074]
为实现上述实施例，本公开第二方面实施例提出一种风电机组功率预测装置，包括：数据采集模块，用于采集待预测风电机组在设定历史时段的风速数据和风功率数据；散点图构建模块，用于利用所述风速数据和风功率数据，建立所述风电机组在所述历史时段的风速-风功率散点图，删除所述散点图中的异常散点；
[0075]
样本数据集构建模块，用于将所述散点图中的剩余散点对应的所述风速数据和风功率数据分别归一化，将归一化后每个散点对应的所述风速数据和风功率数据组成一个样本，将所有样本构成样本数据集；
[0076]
风电机组功率预测模型构建模块，用于构建风电机组功率预测模型；
[0077]
风电机组功率预测模型训练模块，利用所述样本数据集训练所述风电机组功率预测模型，得到训练完毕的风电机组功率预测模型；
[0078]
风电机组功率预测模块，用于利用所述练完毕的风电机组功率预测模型进行所述风电机组的功率预测。
[0079]
为实现上述实施例，本公开第三方面实施例提出一种电子设备，包括：
[0080]
至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；
[0081]
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被设置为用于执行上述一种风电机组功率预测方法。
[0082]
为实现上述实施例，本公开第四方面实施例提出一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述一种风电机组功率预测方法。
[0083]
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不
限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0084]
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行上述实施例的一种风电机组功率预测方法。
[0085]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0086]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0087]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0088]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺
序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
[0089]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
[0090]
应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0091]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0092]
此外，在本技术各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块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，也可以存储在一个计算机可读取存储介质中。
[0093]
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。