风电功率预测方法、装置、设备及存储介质与流程

本申请涉及风电功率预测，尤其涉及一种风电功率预测方法、装置、设备及存储介质。

背景技术：

1、目前，日益严重的全球能源危机，使可再生能源的开发显得越来越重要。风能作为一种清洁的可再生能源，越来越受到世界各国的重视。由于风电受大气系统的混沌特性影响，在功率上具有高不确定性的特征，影响了电力系统的稳定安全运行。因此，开展稳定可靠的风电功率预测，对于电力系统调度、电力市场具有重要意义。

2、常规的风电功率预测技术大多依赖于统计方法，主要局限于通过单一的数据源，例如风速，和统计规律对风电功率进行预测。

3、然而，采用单一数据源和历史功率统计数据进行预测的方法忽略了其他相关数据的相关性，且因为单一数据源的不稳定，使得预测方法的精度较低，无法准确地预测风力发电机的功率。

技术实现思路

1、本申请的主要目的在于提供一种风电功率预测方法、装置、设备及存储介质，旨在解决如何提高风力发电机的功率预测准确度的技术问题。

2、为实现上述目的，本申请提供一种风电功率预测方法，所述风电功率预测方法包括：

3、通过预设的转换器模型的嵌入层将预处理后的多类源数据拼接为一个长向量；

4、对所述长向量进行特征提取，得到所述长向量的特征值；

5、将所述特征值作为所述转换器模型中前馈神经网络的输入，并获取所述前馈神经网络的输出，所述前馈神经网络的输出即为所述风电功率的预测值。

6、可选的，在一种可行的实施例中，在所述通过预设神经网络的嵌入层将预处理后的多类源数据拼接为一个长向量的步骤之前，所述方法还包括：

7、获取用于预测风电功率的多类源数据；

8、对各所述源数据进行线性函数归一化得到各中间数据；

9、将各中间数据的时间戳对齐，得到预处理后的各所述源数据。

10、可选的，在一种可行的实施例中，所述通过预设神经网络的嵌入层将预处理后的多类源数据拼接为一个长向量的步骤，包括：

11、通过预设的转换器模型的嵌入层分别将各所述源数据转换为各所述源数据各自对应的嵌入向量；

12、基于预设的嵌入维度将各所述嵌入向量拼接为一个长向量。

13、可选的，在一种可行的实施例中，在所述基于预设的嵌入维度将各所述嵌入向量拼接为一个长向量的步骤之前，所述方法还包括：

14、通过交叉验证来评估所述模型的性能得到评估结果；

15、根据所述评估结果确定各所述嵌入向量各自预设的嵌入维度。

16、可选的，在一种可行的实施例中，所述对所述长向量进行特征提取的步骤，包括：

17、通过预设的双向长短期记忆网络对所述长向量进行局部特征提取，得到局部特征结果；

18、将所述局部特征结果作为所述转换器模型的输入，通过所述转换器模型对所述局部特征结果进行全局特征提取，并将所述转换器模型的输出作为所述长向量的特征值。

19、可选的，在一种可行的实施例中，所述方法还包括：

20、采用所述预测值的均方误差作为损失函数；

21、通过预设的优化器对所述转换器模型进行循环训练，以降低所述损失函数；

22、将训练得到的转换器模型作为用于风电功率预测的转换器模型。

23、可选的，在一种可行的实施例中，所述方法还包括：

24、将预设的验证集作为所述转换器模型的输入来对所述转换器模型进行循环训练，并监控各循环的模型损失；

25、如果在连续的预设次数的循环中所述模型损失未减小，则停止针对所述转换器模型的训练。

26、此外，为实现上述目的，本申请还提供一种风电功率预测装置，所述风电功率预测装置为虚拟装置，所述风电功率预测装置包括：

27、嵌入模块，用于通过预设的转换器模型的嵌入层将预处理后的多类源数据拼接为一个长向量；

28、特征提取模块，用于对所述长向量进行特征提取，得到所述长向量的特征值；

29、预测模块，用于将所述特征值作为所述转换器模型中前馈神经网络的输入，并获取所述前馈神经网络的输出，所述前馈神经网络的输出即为所述风电功率的预测值。

30、此外，为实现上述目的，本申请还提供一种风电功率预测设备，所述风电功率预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的风电功率预测程序，所述风电功率预测程序被所述处理器执行时实现如上述的风电功率预测方法的步骤。

31、本申请还提供一种计算机存储介质，所述计算机存储介质上存储有风电功率预测程序，所述风电功率预测程序被处理器执行时实现如上述的风电功率预测方法的步骤。

32、本申请提供一种风电功率预测方法、装置、设备及存储介质，风电功率预测方法包括：通过预设的转换器模型的嵌入层将预处理后的多类源数据拼接为一个长向量；对所述长向量进行特征提取，得到所述长向量的特征值；将所述特征值作为所述转换器模型中前馈神经网络的输入，并获取所述前馈神经网络的输出，所述前馈神经网络的输出即为所述风电功率的预测值。

33、相比于常规仅采用单一数据源进行风电功率预测的技术手段，本申请风电功率预测方法通过以多类数据来源的源数据作为基础，对各源数据进行数据处理后，通过嵌入层将多个源数据进行整合、拼接得到一个长向量，然后针对长向量进行特征提取，并根据提取的特征向量进行预测得到风电功率。

34、如此，本申请基于上述多模态数据整合的方法，与常规仅采用单一数据源进行风电功率预测的方式相比，本申请风电功率预测方法将不同来源的数据关联，基于各类数据之间的内部关系对数据进行整合，再针对整合后的数据进行特征提取后，对特征向量进行预测得到预测结果，在某一数据产生意外波动时，可通过多源数据的整合分担波动，降低了单一数据的不稳定对预测结果的影响，从而提高了风电功率预测的准确度。

技术特征：

1.一种风电功率预测方法，其特征在于，所述风电功率预测方法包括：

2.根据权利要求1所述的风电功率预测方法，其特征在于，在所述通过预设神经网络的嵌入层将预处理后的多类源数据拼接为一个长向量的步骤之前，所述方法还包括：

3.根据权利要求1所述的风电功率预测方法，其特征在于，所述通过预设神经网络的嵌入层将预处理后的多类源数据拼接为一个长向量的步骤，包括：

4.根据权利要求3所述的风电功率预测方法，其特征在于，在所述基于预设的嵌入维度将各所述嵌入向量拼接为一个长向量的步骤之前，所述方法还包括：

5.根据权利要求1所述的风电功率预测方法，其特征在于，所述对所述长向量进行特征提取的步骤，包括：

6.根据权利要求1至5任一项所述的风电功率预测方法，其特征在于，所述方法还包括：

7.根据权利要求6所述的风电功率预测方法，其特征在于，所述方法还包括：

8.一种风电功率预测装置，其特征在于，所述风电功率预测装置包括：

9.一种风电功率预测设备，其特征在于，所述风电功率预测设备包括：存储器、处理器，其中，所述存储器上存储有风电功率预测程序，所述风电功率预测程序被所述处理器执行时实现如权利要求1至7中任一项所述的风电功率预测方法的步骤。

10.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有风电功率预测程序，所述风电功率预测程序被处理器执行时实现如权利要求1至7中任一项所述的风电功率预测方法的步骤。

技术总结
本申请提供一种风电功率预测方法、装置、设备及存储介质，涉及风电功率预测技术领域，风电功率预测方法包括：通过预设的转换器模型的嵌入层将预处理后的多类源数据拼接为一个长向量；对所述长向量进行特征提取，得到所述长向量的特征值将所述特征值作为所述转换器模型中前馈神经网络的输入，并获取所述前馈神经网络的输出，所述前馈神经网络的输出即为所述风电功率的预测值。本申请风电功率预测方法将不同来源的数据关联，基于各类数据之间的内部关系对数据进行整合，再针对整合后的数据进行特征提取后，对特征向量进行预测得到预测结果，降低了单一数据的不稳定对预测结果的影响，从而提高了风电功率预测的准确度。

技术研发人员：苏明辉,杨之乐,吴新宇,楚俊昌,郑奕,孔瑞霞,郑畅蕊
受保护的技术使用者：深圳航天科创泛在电气有限公司
技术研发日：
技术公布日：2024/3/17