一种集成风电场预测风速订正方法和系统与流程

本技术涉及风电场运维管理领域，特别是涉及一种集成风电场预测风速订正方法、系统、电子设备和存储介质。

背景技术：

1、风力发电场的功率预测为未来某一段时间内对整个风力发电场的功率输出的预测。风力发电场发电功率预测目前主流为分布预测，分步预测指将功率预测分为两步：1、基于相关气象因素，先预测出直接作用于风力发电机组的影响因子（风速、风向）；2、基于影响因子，通过风力发电机组的预测模型实现机组输出功率的预测。分步预测相较直接预测，在物理意义上有明确性，在组织实施上独立可靠，在跨时间尺度研究和建模方法上更具灵活性，所以目前大多使用分步预测方法。

2、但是，由于数值天气预报和气象大模型等技术，受限于初始场的不确定性、时空上的精细度不足、计算过程中难以避免的非线性关系难题或大模型的过拟合等问题，风速预测和实际测量风速结果有所偏差。目前国内外相关研究者多利用数理统计、深度学习等单一方法，结合场站所在区域的大量气象观测值，对风速预测结果进行订正。

3、以上订正技术会出现两个问题：

4、1.气象系统作为一个混沌系统，在不同环境、气候、天气情况下会呈现不同的特征，运用单一的订正方法难以捕捉在多种时空情况下的不同特征。

5、2.出于观测点位，以及观测设备的精度、老旧问题，当地的观测数据可能与实际作用于风力发电场发电的风速值也存在偏差。

6、以上两个问题会直接导致风速的订正效果不够理想，不能满足实际的生产需求，进而影响到功率预测的精度。

技术实现思路

1、本技术实施例提供了一种集成风电场预测风速订正方法、系统、计算机设备和计算机可读存储介质，以至少解决相关技术中风电场预测风速订正结果不可靠的问题。

2、第一方面，本技术实施例提供了一种集成风电场预测风速订正方法，所述方法包括：

3、获取风电场的整场功率曲线，并基于历史时段内的所述整场功率曲线，得到所述历史时段每个时刻点的整场风速；

4、将所述整场风速和整场风向时序关联，得到训练集数据；

5、基于所述训练集数据，分别构建多个风速订正模型，其中，通过训练预先构建的slstm（stacked long - short term memory，简称为slstm，堆叠长短期记忆网络）时序双态模型，得到用于普通天气和极端天气的第一风速订正模型，基于订正曲线，构建用于普通天气的第二风速订正模型；

6、通过多个风速订正模型，基于未来任一目标时段天气预报风速进行预测，得到多个风速订正值，并通过将多个风速订正值进行加权赋值运算，得到风速订正结果。

7、在其中一些实施例中，所述slstm时序双态模型包括：至少二个slstm层组成的表征层，以及互相并列的第一mlp（multilayer perceptron，多层感知机）分支和第二mlp分支，其中：

8、对所述训练集数据进行预处理，得到具备连续性和规范性的优化后训练集数据；

9、通过所述表征层，利用指数门控机制和内存混合机制，捕获所述优化后训练集数据中，时间序列中的负载模式和长时间依赖特征，得到全局特征；

10、根据所述全局特征对应的天气状况，分别通过所述第一mlp分支或所述第二mlp分支，基于所述全局特征进行更新训练，得到风速订正结果。

11、在其中一些实施例中，根据所述全局特征对应的天气状况，分别通过所述第一mlp分支或所述第二mlp分支，基于所述全局特征进行更新训练，得到订正后的风速订正值包括：

12、在识别所述全局特征对应普通天气的情况下，激活所述第一mlp分支并屏蔽所述第二mlp分支，

13、通过第一mlp分支，对所述全局特征进行非线性变换，将所述全局特征映射至高维空间，并利用激活函数对所述全局特征进行非线性激活，得到高级特征表示，以及，通过输出层将所述高级特征表示映射为普通天气下的整场风速订正结果；

14、在识别所述全局特征对应极端天气的情况下，激活所述第二mlp分支并屏蔽所述第一mlp分支，

15、通过所述第二mlp分支，对所述全局特征进行非线性变换，将所述全局特征映射至高维空间，并利用激活函数对所述全局特征进行非线性激活，得到高级特征表示，以及，通过输出层将所述高级特征表示映射为极端天气下的整场风速订正结果，

16、其中，所述第一mlp分支和所述第二mlp分支分别包括多个处理层，通过多个处理层对所述全局特征进行多次迭代的抽象表示和提炼，并在迭代过程中调整各个处理层之间的权重。

17、在其中一些实施例中，将所述整场风速和整场风向时序关联，得到训练集数据包括：

18、基于所述整场功率曲线，获取任意目标历史时段内的存在时序关系的整场功率；

19、基于整场功率曲线，通过反向查找及差值法，计算所述目标历史时段内每个时间点上的整场风速；

20、获取所述目标历史时段内将每个时间点上的整场风速和整场风向通过时间序列关联得到每个时间点的数据点，将所述数据点集合得到包含历史时间点、风速参数和风向参数的训练集数据。

21、在其中一些实施例中，通过曲线拟合，构建用于普通天气的第二风速订正模型包括：

22、获取各个所述数据点所在时刻的天气预报风速；

23、将各个数据点及其对应的天气预报风速组合为二维平面点，并按照所述二维平面点对应的风向数据，将各个二维平面点划分至圆形区域的不同扇区，其中，所述圆形区域包括多个层级，且每个层级均分为多个所述扇区；

24、以各个数据点的天气预报风速为x轴，以各个数据点的整场风速为y轴，构建各个数据点对应的二维风速数据；

25、通过在x轴的风速区间内，将所述二维风速数据在x轴和y轴上求平均，得到各风速区间的平均风速数据，并组合各个风速区间的平均风速数据，得到各个扇区对应的风速订正曲线。

26、在其中一些实施例中，通过多个风速订正模型得到未来任一目标时段的天气预报风速对应的多个风速订正值包括：

27、在所述目标时段的天气预报风速属于普通天气的情况下，将任意一个目标时段的天气预报风速输入所述第一风速订正模型，通过所述第一风速订正模型的表征层和第一mlp分支进行预测，得到目标时段的普通天气下整场风速对应的第一订正值；

28、在所述目标时段的天气预报风速属于极端天气的情况下，将任意一个目标时段的天气预报风速输入所述第二风速订正模型，通过所述第一风速订正模型的表征层和第二mlp分支进行预测，得到目标时段的极端天气下整场风速对应的第二订正值；

29、将任意一个目标时段的天气预报风速输入所述第二风速订正模型进行预测，获取所述目标时段的天气预报风速对应的目标扇区及邻近扇区；

30、根据所述目标扇区和所述邻近扇区对应的订正曲线，分别对所述目标时段的天气预报风速进行订正，得到整场风速对应的第三订正值。

31、在其中一些实施例中，通过将多个风速订正值进行加权赋值运算，得到风速订正结果包括：

32、通过层次分析法，得到各个风速订正值对应的主观权重，并通过熵权法，得到各个风速订正值对应的客观权重；

33、通过乘法合成法，将所述主观权重和所述客观权重进行处理，得到组合权重；

34、基于所述组合权重，将所述第一订正值、第二订正值和所述第三订正值进行加权赋值运算，得到所述风速订正结果。

35、在其中一些实施例中，获取风电场的整场功率曲线包括：

36、获取所述风电场中每台风力发电机组的功率曲线；

37、通过对各个风力发电机组的功率曲线进行间隔统一化、线性插补和多余点剔除以及边界值插补，得到在x轴上和y轴统一的优化功率曲线；

38、在任意一个目标风速点下，查找各个优化功率曲线的功率值，通过将各个功率值相加，得到所述风电场在所述目标风速值下的总功率。

39、第二方面，本技术实施例提供了一种集成风电场预测风速订正系统，所述系统包括：获取模块、训练模块和订正模块，其中：

40、所述获取模块用于，获取风电场的整场功率曲线，并基于历史时段内的所述整场功率曲线，得到所述历史时段每个时刻点的整场风速；

41、以及，将所述整场风速和整场风向时序关联，得到训练集数据；

42、所述训练模块用于，基于所述训练集数据，分别构建多个风速订正模型，其中，通过训练预先构建的slstm时序双态模型，分别得到用于普通天气和极端天气的第一风速订正模型，基于订正曲线，构建用于普通天气的第二风速订正模型；

43、所述订正模块用于，通过多个风速订正模型，基于未来任一目标时段天气预报风速进行预测，得到多个风速订正值，并通过将多个风速订正值进行加权赋值运算，得到风速订正结果。

44、第三方面，本技术实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的方法。

45、第四方面，本技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面的方法。

46、相比于相关技术，本技术实施例提供的集成风电场预测风速订正方法，相比较于传统方式通过单一订正方法难以捕捉在多种时空情况下的不同特征，导致订正结果可靠性较差的问题；本技术方案通过建立多种适用于不同天气情况下的订正模型，通过机器学习和订正曲线方法对模型进行训练及优化，并通过训练完成的模型得到多个不同的订正值之后，通过主观和客观的组合赋权法，以更灵活地使用多种方法，提升最后的综合订正效果；同时，相比较与传统技术中在训练数据量较小时，采用的重采样或降采样等方法，出现过度采样带来的偏差和失真；本技术提出的slstm时序双态订正模型能够在充分训练模型表征层的同时，保留数据的原始分布，确保模型识别极端天气的实际出现频率，避免过度采样带来的偏差和失真。