一种海上风场出力预测方法及装置与流程

本发明涉及风电场风速预测，具体涉及一种海上风场出力预测方法及装置。

背景技术：

1、目前，全球风电装机容量已达达到相当可观的数量，占全球可再生能源装机容量的一半左右。海上风电是风力发电的重要组成部分，与陆地风资源相比，海上风资源更加丰富，因此，海上风电是可再生能源发电技术中的重要方向，其装机容量在电力系统的比重势必快速增长。

2、风机出力随机性强，可控性差，是影响风电发电质量和并网的重要因素。精确的风功率预测技术是提高风电并网可靠性的重要手段。目前，机器学习是实现陆地风功率预测的有效手段，相比于陆地风资源，海上风资源的随机性更强，变化率更大，预测难度也更大，陆地风功率预测的方法难以准确刻画风功率变化趋势，难以保证预测精度。

技术实现思路

1、为了克服上述缺陷，本发明提出了一种海上风场出力预测方法及装置。

2、第一方面，提供一种海上风场出力预测方法，所述海上风场出力预测方法包括：

3、将海上风场在预测日的气象特征序列对应的特征数据作为预先构建的支持向量机分类模型的输入，得到所述预先构建的支持向量机分类模型输出的预测日的气象类型；

4、将所述海上风场在预测日的气象特征序列作为所述气象类型对应的预先训练的lstm神经网络模型，得到所述预先训练的lstm神经网络模型输出的子序列；

5、基于所述子序列确定海上风场在预测日的预测出力序列。

6、优选的，所述气象特征序列数据包括下述中的至少一种：风速序列数据、风向序列数据、温度序列数据、湿度序列数据、气压序列数据、光照强度序列数据。

7、优选的，所述预先构建的支持向量机分类模型的获取过程包括：

8、采用主成分分析法提取历史气象特征序列对应的特征数据；

9、采用聚类算法对所述历史气象特征序列对应的特征数据进行分类，得到各气象类型对应的历史气象特征序列；

10、利用标记气象类型的历史气象特征序列对应的特征数据构建训练数据；

11、利用所述训练数据对初始支持向量机模型进行训练，得到所述预先构建的支持向量机分类模型。

12、优选的，所述预测日气象类型对应的预先训练的lstm神经网络模型的获取过程包括：

13、将海上风场历史气象特征序列对应的特征数据作为预先构建的支持向量机分类模型的输入，得到所述预先构建的支持向量机分类模型输出的不同气象类型对应的海上风场历史气象特征序列；

14、采用经验模态分解法对不同气象类型对应的海上风场历史气象特征序列进行分解，得到不同气象类型对应的子序列和单调剩余信号；

15、利用不同气象类型对应的子序列和不同气象类型对应的海上风场历史出力序列对应的气象特征序列数据构建训练数据；

16、利用所述训练数据对初始lstm神经网络进行训练，得到不同气象类型对应的预先训练的lstm神经网络模型。

17、进一步的，所述采用经验模态分解法对不同气象类型对应的海上风场历史气象特征序列进行分解，包括：

18、步骤1将第k类气象类型对应的海上风场历史气象特征序列作为原始信号；

19、步骤2通过三次样条插值方法拟合原始信号的包络线，并计算所述包络线的均值；

20、步骤3判断所述原始信号列与所述包络线的均值的差值是否满足固有模态函数条件，若是，则将该差值作为第k类气象类型对应的子序列输出，并执行步骤5，否则，执行步骤4；

21、步骤4判断该差值是否小于预设值，若是，则结束操作，否则，返回步骤1；

22、步骤5将所述原始信号与第k类气象类型对应的子序列的差值作为剩余信号，当所述剩余信号为单调信号时，将所述剩余信号作为单调剩余信号并结束操作，当所述剩余信号不为单调信号时，将所述剩余信号作为原始信号并返回步骤2；

23、其中，k∈[1,k]，k为预设气象类型总数。

24、进一步的，所述海上风场在预测日的预测出力序列的计算式如下：

25、

26、上式中，p'为海上风场在预测日的预测出力序列，pi'为第i个子序列，rn为所述单调剩余信号，e为预测误差序列，n为子序列总个数。

27、进一步的，所述预测误差序列的获取过程包括：利用预先构建的arma模型生成预测误差序列。

28、进一步的，所述预先构建的arma模型的获取过程包括：

29、获取预先训练的lstm神经网络模型的历史预测误差序列；

30、利用所述历史预测误差序列构建训练数据对初始arma模型进行训练，得到所述预先构建的arma模型。

31、第二方面，提供一种海上风场出力预测装置，所述海上风场出力预测装置包括：

32、第一分析模块，用于将海上风场在预测日的气象特征序列对应的特征数据作为预先构建的支持向量机分类模型的输入，得到所述预先构建的支持向量机分类模型输出的预测日的气象类型；

33、第二分析模块，用于将所述海上风场在预测日的气象特征序列作为所述气象类型对应的预先训练的lstm神经网络模型，得到所述预先训练的lstm神经网络模型输出的子序列；

34、第三分析模块，用于基于所述子序列确定海上风场在预测日的预测出力序列。

35、第三方面，提供一种计算机设备，包括：一个或多个处理器；

36、所述处理器，用于存储一个或多个程序；

37、当所述一个或多个程序被所述一个或多个处理器执行时，实现所述的海上风场出力预测方法。

38、第四方面，提供一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现所述的海上风场出力预测方法。

39、本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：

40、本发明提供了一种海上风场出力预测方法及装置，包括：将海上风场在预测日的气象特征序列对应的特征数据作为预先构建的支持向量机分类模型的输入，得到所述预先构建的支持向量机分类模型输出的预测日的气象类型；将所述海上风场在预测日的气象特征序列作为所述气象类型对应的预先训练的lstm神经网络模型，得到所述预先训练的lstm神经网络模型输出的子序列；基于所述子序列确定海上风场在预测日的预测出力序列。本发明提供的技术方案，能够适应海上复杂环境，提高海上风场出力预测准确性，提高并网可靠性提供了有力的保障。

技术特征：

1.一种海上风场出力预测方法，其特征在于，所述方法包括：

2.如权利要求1所述的方法，其特征在于，所述气象特征序列数据包括下述中的至少一种：风速序列数据、风向序列数据、温度序列数据、湿度序列数据、气压序列数据、光照强度序列数据。

3.如权利要求1所述的方法，其特征在于，所述预先构建的支持向量机分类模型的获取过程包括：

4.如权利要求1所述的方法，其特征在于，所述预测日气象类型对应的预先训练的lstm神经网络模型的获取过程包括：

5.如权利要求4所述的方法，其特征在于，所述采用经验模态分解法对不同气象类型对应的海上风场历史气象特征序列进行分解，包括：

6.如权利要求5所述的方法，其特征在于，所述海上风场在预测日的预测出力序列的计算式如下：

7.如权利要求6所述的方法，其特征在于，所述预测误差序列的获取过程包括：利用预先构建的arma模型生成预测误差序列。

8.如权利要求7所述的方法，其特征在于，所述预先构建的arma模型的获取过程包括：

9.一种海上风场出力预测装置，其特征在于，所述装置包括：

10.一种计算机设备，其特征在于，包括：一个或多个处理器；

11.一种计算机可读存储介质，其特征在于，其上存有计算机程序，所述计算机程序被执行时，实现如权利要求1至8中任意一项所述的海上风场出力预测方法。

技术总结
本发明涉及风电场风速预测技术领域，具体提供了一种海上风场出力预测方法及装置，包括：将海上风场在预测日的气象特征序列对应的特征数据作为预先构建的支持向量机分类模型的输入，得到所述预先构建的支持向量机分类模型输出的预测日的气象类型；将所述海上风场在预测日的气象特征序列作为所述气象类型对应的预先训练的LSTM神经网络模型，得到所述预先训练的LSTM神经网络模型输出的子序列；基于所述子序列确定海上风场在预测日的预测出力序列。本发明提供的技术方案，能够适应海上复杂环境，提高海上风场出力预测准确性，提高并网可靠性提供了有力的保障。

技术研发人员：漆炜之,车建峰,王勃,霍雪松,郝雨辰,戴强晟,柴赟,张菲,丁禹
受保护的技术使用者：国网江苏省电力有限公司
技术研发日：
技术公布日：2024/1/12