[发明专利]可持续学习风机出力预测方法、系统、设备及存储介质

说明书

本申请提供有一种可持续学习风机出力预测方法，包括，如下步骤：获取风机内部特征参数和外部特征参数，构建风机特征参数序列；并，结合自然时间序列，构建风机特征参数矩阵；选定风机特征参数矩阵中的N行风机特征参数序列；并获取与N行风机特征参数序列分别对应的风机出力真实值，构成N行风机出力真实值序列；逐个区分N行风机出力真实值序列中毎行风机出力真实值与相应各行中各风机特征参数之间的差值，并赋予单行风机特征参数序列中毎个风机特征参数不同的权重，得到N行风机特征赋值序列；将N行风机特征赋值序列，作为预测模型输入序列，并将N行风机出力真实值序列，作为预测模型输出序列，训练预测模型。

技术领域

本公开具体公开一种可持续学习风机出力预测方法、系统、设备及存储介质。

背景技术

随着新能源时代的到来，低碳化的能源发展模式正在加速转型，绿色多元的能源供应体系正在加快建立，风电作为清洁、低碳、安全、高效的新能源之一，在全世界范围内取得了显著的推广与应用。以风能和太阳能为代表的新能源具有随机性、间歇性和波动性。准确的风电预测对于确定合理的调度计划和确保电网安全经济运行具有重要意义。按照预测的时间，风电的功率预测可分为：长期预测(预测下一年的风电功率)、中期预测(预测未来几周或者几个月的风电功率)、短期预测(预测未来2天或3天的)、超短期预测(预测未来若干分钟的风电功率)。

风力发电预测的研究方法主要有物理方法、统计方法和人工智能方法。依靠风电场和其附近的自然环境信息以及风机的技术参数，描述将风能转化为动能的物理过程,再由风电机组的功率曲线转换得到风机输出功率的方法称之为物理方法。一般来说，在长期预测中物理方法更能发挥其优良特性，而短期预测在实际应用中更适合采用统计方法。统计方法着重于利用历史数据之间的关系来建立预测模型，常用的统计方法有持续性方法、自回归积分滑动平均法和卡尔曼滤波法等。在我国的实际应用中，基于我国的地理特点与发展情况，风电功率预测技术一般会采用物理方法和统计方法。其中物理方法为通过采集包括风向、风速、气温在内的气象数据以及风电设施所在地区附近的包括障碍物、等高线在内的地理数据进行综合分析，对风电场的风电功率进行研判预测。而统计方法则是根据当地气象信息的历史统计数据进行综合分析，基于大数据预测风电设施所受天气的影响，在此基础上使用现场所测的实际数据对未来的风电功率进行预测。

较传统统计方法而言，通过人工智能算法可优化模型参数，从而构建预测更精确的模型,近年来在短期风电预测中有着长足应用。深度学习方法在处理大量样本和非线性数据时具有明显的优势,能够描述输入数据和输出数据之间高度复杂的关系。人们在实际应用中不断的发现一些风电预测技术的不足与劣势，亟待改进。

发明内容

鉴于现有技术中的上述缺陷或不足，本申请旨在提供一种较传统统计方法而言，能够有效提高可持续学习风机出力预测精确度的可持续学习风机出力预测方法、系统、设备及存储介质。

一方面，一种可持续学习风机出力预测方法，包括，如下步骤：获取风机内部特征参数和外部特征参数，构建风机特征参数序列；并，结合自然时间序列，构建风机特征参数矩阵；选定风机特征参数矩阵中的N行风机特征参数序列；并获取与N行风机特征参数序列分别对应的风机出力真实值，构成N行风机出力真实值序列；逐个区分N行风机出力真实值序列中毎行风机出力真实值与相应各行中各风机特征参数之间的差值，并赋予单行风机特征参数序列中毎个风机特征参数不同的权重，得到N行风机特征赋值序列；将N行风机特征赋值序列，作为预测模型输入序列，并将N行风机出力真实值序列，作为预测模型输出序列，训练预测模型。

根据本申请实施例提供的技术方案，还包括如下步骤：选定任一行风机特征参数序列作为训练完成的预测模型的输入序列，得到经过预测的风机出力预测值；对风机出力预测值进行精度分析。

根据本申请实施例提供的技术方案，得到N行风机特征赋值序列的步骤,还包括：将N行风机特征赋值序列中各个经过赋值后的风机特征参数进行归一化处理。