风电功率的预测方法、风电功率的预测装置和电子装置与流程

1.本技术涉及风电领域，具体而言，涉及一种风电功率的预测方法、风电功率的预测装置、计算机可读存储介质和电子装置。


背景技术：

2.随着我国逐步建设新型电力系统，风电等新能源将大规模接入电力系统，对系统安全稳定带来了巨大挑战。精准预测风电功率促进我国可再生能源发展的同时，显著提高了电力系统的安全稳定性，以及对电网公司制定运行调度策略提供基础。截止到2022年底，我国风电装机容量约3.7亿千瓦。
3.当前很多预测方法只考虑了历史风电输出功率、天气条件等数据信息，未考虑风电机组本身的状况，使得超短期风电功率预测偏离实际工况，容易陷入局部最优的状态。
4.因此，亟需一种结合风电机组本身状况的方法进一步提升风电功率的预测精度。


技术实现要素：

5.本技术的主要目的在于提供一种风电功率的预测方法、风电功率的预测装置、计算机可读存储介质和电子装置，以至少提升风电功率的预测精度。
6.根据本技术的一方面，提供了一种风电功率的预测方法，包括：获取多个相似风电功率数据，所述相似风电功率数据为历史风电功率数据中与待测风电功率数据的关键影响因素数据在同一预定范围内的风电功率数据，所述待测风电功率数据为待测日期的预定时段内的风电功率数据，所述历史风电功率数据为所述待测日期之前的所述预定时段内的所述风电功率数据，所述风电功率数据为风电机组的输出功率，所述相似风电功率数据中的部分为训练样本数据，另一部分为测试样本数据；将所述测试样本数据输入至区域卷积神经网络模型，提取所述测试样本数据的特征，其中，所述区域卷积神经网络模型为使用所述训练样本数据和所述训练样本数据的特征训练得到的；将所述测试样本数据的特征输入至支持向量回归模型，得到预测风电功率数据，其中，所述支持向量回归模型为使用所述训练样本数据以及所述测试样本数据的特征训练得到的。
7.可选地，确定所述关键影响因素数据包括：根据影响因素数据，确定第一矩阵，其中，所述第一矩阵为n
×
m阶矩阵，n为影响因素的个数，m为所述影响因素数据的组数，所述影响因素数据至少包括所述风电机组的参数数据和所述风电机组对应的气象数据；根据所述第一矩阵中任意两影响因素的第一相关系数，确定第二矩阵，所述第二矩阵为n
×
n阶矩阵；确定所述第二矩阵中大于第一阈值的项为第一预定值，所述第二矩阵中小于等于所述第一阈值的项为第二预定值，根据所述第一预定值和所述第二预定值，确定第三矩阵；确定所述第三矩阵的可达矩阵为第四矩阵，并确定所述第四矩阵的可达集、所述第四矩阵的先行集以及所述第四矩阵的共同集形成的集合为目标集合；确定所述目标集合中的成果指标群和驱动指标群对应的所述影响因素数据为所述关键影响因素数据，所述关键影响因素数据为所述影响因素数据中对所述风电功率数据具有影响且影响程度位于前n位的所述影响
因素对应的数据。
8.可选地，根据所述第一矩阵中任意两影响因素的第一相关系数，确定第二矩阵，包括：根据公式确定所述第一矩阵中任意两元素的第一相关系数，其中，r
12
为所述第一矩阵的第一列的元素x
1j
和所述第一矩阵的第二列的元素x
2j
的第一相关系数；根据公式确定所述第二矩阵，其中，a1为所述第二矩阵，r
nn
为第n1列和第n2列所述影响因素的第一相关系数。
9.可选地，确定所述第三矩阵的可达矩阵为第四矩阵，包括：根据公式(a2+i)
k-1
≠(a2+i)k＝(a2+i)
k+1
＝a3，确定所述第四矩阵，其中，a3为所述第四矩阵，a2为所述第三矩阵。
10.可选地，获取多个相似风电功率数据，包括：获取多个历史风电功率数据，所述历史风电功率数据为所述待测日期前的所述风电功率数据；根据所述历史风电功率数据，确定所述历史风电功率数据的特征向量，所述特征向量为所述历史风电功率数据的风速最大值、所述历史风电功率数据的风速最小值、所述历史风电功率数据的风速平均值、所述历史风电功率数据的风向正弦值、所述历史风电功率数据的风向余弦值、所述历史风电功率数据的平均温度值、所述历史风电功率数据的平均湿度值以及所述历史风电功率数据的平均气压值组成的矩阵的转置；分别确定各所述历史风电功率数据的特征向量和待测风电功率数据的特征向量的第二相关系数，得到多个所述第二相关系数；在所述第二相关系数大于第二阈值的情况下，确定所述第二相关系数对应的所述历史风电功率数据为所述相似风电功率数据。
11.可选地，所述区域卷积神经网络模型包括卷积层和最大池化层，在所述支持向量回归模型进行训练前，所述最大池化层用于将所述测试样本数据的特征输入至所述支持向量回归模型。
12.可选地，所述方法还包括：根据所述相似风电功率数据和所述待测风电功率数据，计算风电功率预测模型的预测参数，其中，所述风电功率预测模型包括所述区域卷积神经网络模型和所述支持向量回归模型，所述预测参数用于评估所述风电功率预测模型预测所述待测风电功率的准确性，所述预测参数至少包括均方根误差变异系数、平均绝对误差以及平均绝对百分比误差。
13.根据本技术的另一方面，提供了一种风电功率的预测装置，包括：获取单元，用于获取多个相似风电功率数据，所述相似风电功率数据为历史风电功率数据中与待测风电功率数据的关键影响因素数据在同一的预定范围内的风电功率数据，所述待测风电功率数据为待测日期的预定时段内的风电功率数据，所述历史风电功率数据为所述待测日期之前的所述预定时段内的所述风电功率数据，所述风电功率数据为风电机组的输出功率，所述相似风电功率数据中的部分为训练样本数据，另一部分为测试样本数据；第一输入单元，用于
将所述测试样本数据输入至区域卷积神经网络模型，提取所述测试样本数据的特征，其中，所述区域卷积神经网络模型为使用所述训练样本数据和所述训练样本数据的特征训练得到的；第二输入单元，用于将所述测试样本数据的特征输入至支持向量回归模型，得到预测风电功率数据，其中，所述支持向量回归模型为使用所述训练样本数据以及所述测试样本数据的特征训练得到的。
14.根据本技术的再一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的方法。
15.根据本技术的又一方面，提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行任一种所述的方法。
16.应用本技术的技术方案，首先，获取多个相似风电功率数据，相似风电功率数据为历史风电功率数据中与待测风电功率数据的关键影响因素数据在同一预定范围内的风电功率数据，待测风电功率数据为待测日期的预定时段内的风电功率数据，历史风电功率数据为待测日期之前的预定时段内的风电功率数据，风电功率数据为风电机组的输出功率，相似风电功率数据中的部分为训练样本数据，另一部分为测试样本数据；再将测试样本数据输入至区域卷积神经网络模型，提取测试样本数据的特征；最后，将测试样本数据的特征输入至支持向量回归模型，得到预测风电功率数据。在超短期风电功率预测过程中，单一采用svr模型，预测结果精度不够；rcnn模型对回归问题不够敏感，基于此，本技术设计了基于rcnn-svr超短期风电功率组合预测模型，利用rcnn提取特征来训练svr分类器；利用svr分类器预测超短期风电功率；建立rcnn-svr法的风电功率组合预测模型，降低了电能波动对电力系统带来的冲击，进而提高了风电功率的预测精度。
附图说明
17.构成本技术的一部分的说明书附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
18.图1示出了根据本技术的实施例中提供的一种执行风电功率的预测方法的移动终端的硬件结构框图；
19.图2示出了根据本技术的实施例提供的一种风电功率的预测方法的流程示意图；
20.图3示出了根据本技术的实施例中提供的一种执行风电功率的预测方法的流程图；
21.图4示出了根据本技术的实施例提供的一种关键影响因素数据提取过程的示意图；
22.图5示出了根据本技术的实施例提供的一种风电功率的预测方法的的模型工作示意图；
23.图6示出了根据本技术的实施例提供的一种风电功率的预测装置的结构框图。
24.其中，上述附图包括以下附图标记：
25.102、处理器；104、存储器；106、传输设备；108、输入输出设备。
具体实施方式
26.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
27.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
28.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
29.为了便于描述，以下对本技术实施例涉及的部分名词或术语进行说明：
30.区域卷积神经网络模型(region-cnn，简称rcnn)是第一个成功将深度学习应用到目标检测上的算法。r-cnn基于卷积神经网络，线性回归，和支持向量机等算法，实现目标检测技术。
31.支持向量回归(support vector regression，简称svr)是指，将支持向量机的思想推广到回归问题中。
32.正如背景技术中所介绍的，现有技术中风电功率预测精度低，为解决该技术问题，本技术的实施例提供了一种风电功率的预测方法、风电功率的预测装置、计算机可读存储介质和电子装置。
33.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
34.本技术实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种风电功率的预测方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
35.存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的设备信息的显示方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括
但不限于互联网、企业内部网、局域网、移动通信网及其组合。传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(network interface controller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(radio frequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。
36.在本实施例中提供了一种运行于移动终端、计算机终端或者类似的运算装置的风电功率的预测方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
37.图2是根据本技术实施例的风电功率的预测方法的流程图。如图2所示，该方法包括以下步骤：
38.步骤s201，获取多个相似风电功率数据，上述相似风电功率数据为历史风电功率数据中与待测风电功率数据的关键影响因素数据在同一预定范围内的风电功率数据，上述待测风电功率数据为待测日期的预定时段内的风电功率数据，上述历史风电功率数据为上述待测日期之前的上述预定时段内的上述风电功率数据，上述风电功率数据为风电机组的输出功率，上述相似风电功率数据中的部分为训练样本数据，另一部分为测试样本数据；
39.具体地，例如，待测风电功率数据的温度为16摄氏度，上述相似风电功率数据可以为温度都在15～17摄氏度的历史风电功率数据。其中，将多个历史时段按照相关系数降序排序，选取前n个作为相似风电功率数据。再将该相似风电功率数据分为训练样本和测试样本。为了验证测试的预测模型，深入剖析风电输出功率的特性，可以设计训练样本ai输入参数(x1～x
14
)包括风速最大值、风速最小值、风速平均值、风向正弦值、风向余弦值、平均温度、平均湿度、平均气压、叶尖速比最大值、叶尖速比最小值、叶尖速比平均值、桨距角最大值、桨距角最小值、桨距角平均值；训练样本ai输出参数(y1～y
16
)包括t时～t+4时的输出功率值，间隔15min。选取待测时段的天气参数和最佳相似时段的风电机组参数作为测试样本的输入参数，待测时段天气参数(x1～x8)：风速最大值、风速最小值、风速平均值、风向正弦值、风向余弦值、平均温度、平均湿度、平均气压；a0风电机组参数(x9～x
14
)：叶尖速比最大值、叶尖速比最小值、叶尖速比、桨距角最大值、桨距角最小值、桨距角平均值；待测时段输出功率(y1～y
16
)：t时～t+4时的输出功率值，间隔15min。
40.步骤s202，将上述测试样本数据输入至区域卷积神经网络模型，提取上述测试样本数据的特征，其中，上述区域卷积神经网络模型为使用上述训练样本数据和上述训练样本数据的特征训练得到的；
41.具体地，区域卷积神经网络模型包括2个卷积层、2个最大池化层、1个激活层和1个标准化层执行。
42.步骤s203，将上述测试样本数据的特征输入至支持向量回归模型，得到预测风电功率数据，其中，上述支持向量回归模型为使用上述训练样本数据以及上述测试样本数据的特征训练得到的。
43.具体地，利用svr法，在一个数据样本中寻找最接近的回归超平面，即：f(x)＝ω
t
x
+b，svr问题的模型为式中，c为正则化常数c＞0，le为不敏感损失函数，函数表达式为：引入松弛变量ξ和此时目标函数改写为此时目标函数改写为引入拉格朗日乘子μi≥0、αi≥0、由拉格朗日乘数法可得拉格朗日函数为：
44.将式代入，再令对ω,b,ξi,的偏导数为0，可以得到：c＝αi+μi，将上述公式代入拉格朗日函数，得到svr对偶问题，即：上述过程需要满足kkt条件，即：将式代入式中，可得svr问题为其中，
45.通过本实施例，首先，获取多个相似风电功率数据，相似风电功率数据为历史风电功率数据中与待测风电功率数据的关键影响因素数据在同一预定范围内的风电功率数据，待测风电功率数据为待测日期的预定时段内的风电功率数据，历史风电功率数据为待测日期之前的预定时段内的风电功率数据，风电功率数据为风电机组的输出功率，相似风电功率数据中的部分为训练样本数据，另一部分为测试样本数据；再将测试样本数据输入至区域卷积神经网络模型，提取测试样本数据的特征；最后，将测试样本数据的特征输入至支持向量回归模型，得到预测风电功率数据。在超短期风电功率预测过程中，单一采用svr模型，预测结果精度不够；rcnn模型对回归问题不够敏感，基于此，本技术设计了基于rcnn-svr超短期风电功率组合预测模型，利用rcnn提取特征来训练svr分类器；利用svr分类器预测超短期风电功率；建立rcnn-svr法的风电功率组合预测模型，降低了电能波动对电力系统带来的冲击，进而提高了风电功率的预测精度。
46.具体实现过程中，上述步骤s201可以通过以下步骤实现：步骤s2011，根据影响因素数据，确定第一矩阵，其中，上述第一矩阵为n
×
m阶矩阵，n为影响因素的个数，m为上述影响因素数据的组数，上述影响因素数据至少包括上述风电机组的参数数据和上述风电机组
对应的气象数据；步骤s2012，根据上述第一矩阵中任意两影响因素的第一相关系数，确定第二矩阵，上述第二矩阵为n
×
n阶矩阵；步骤s2013，确定上述第二矩阵中大于第一阈值的项为第一预定值，上述第二矩阵中小于等于上述第一阈值的项为第二预定值，根据上述第一预定值和上述第二预定值，确定第三矩阵；步骤s2014，确定上述第三矩阵的可达矩阵为第四矩阵，并确定上述第四矩阵的可达集、上述第四矩阵的先行集以及上述第四矩阵的共同集形成的集合为目标集合；步骤s2015，确定上述目标集合中的成果指标群和驱动指标群对应的上述影响因素数据为上述关键影响因素数据，上述关键影响因素数据为上述影响因素数据中对上述风电功率数据具有影响且影响程度位于前n位的上述影响因素对应的数据。该方法中，如图3所示，输入历史功率数据和影响因素数据至解释结构模型中进行优化分析，得到驱动指标集和成效指标集，最后输出关键影响因素。此外，根据预设阈值χ对第二矩阵进行处理，得到第三矩阵。处理方式如下：若r
ij
＞χ，则令r
ij
＝1，否则令r
ij
＝0，其中，χ取值可以进行定义，一般取值为0.85，即可得到第三矩阵。
47.具体地，风电场通常由多台同型号的风电机组按照一定规则排成集群供电。单台风电机组的输出功率表达式为式中，p为风电机组的输出功率；ρ为空气密度；c
p
为风能利用系数；r为叶片尺寸；v为实际风速；pe为风电机组额定输出功率；v
in
为风电机组的切入风速；ve为风电机组的额定风速；v
out
为风电机组的切出风速。受尾流效应的影响，处于同一风电场的多台风电机组，下风向风电机的输出功率弱于上风向电机，风向也是影响风电机组输出功率大小的重要因素。结合上述风电机组输出功率与风电输出功率发展现状分析可知，风速、风向、温度、湿度、气压、叶尖速比、桨距角等因素对其输出功率显著影响，利用解释结构模型，形成主要影响因素集如表1所示。
48.表1风电输出功率影响因素集
49.影响因素定义影响因素定义影响因素定义风速s1风向s2温度s3湿度s4气压s5叶尖速比s6桨距角s7————
50.本技术的上述步骤s2012可以通过以下步骤实现：步骤s20121，根据公式确定上述第一矩阵中任意两元素的第一相关系数，其中，r
12
为上述第一矩阵的第一列的元素x
1j
和上述第一矩阵的第二列的元素x
2j
的第一
相关系数；步骤s20122，根据公式确定上述第二矩阵，其中，a1为上述第二矩阵，r
nn
为第n1列和第n2列上述影响因素的第一相关系数。该方法可以快速根据上述第一矩阵中任意两影响因素的第一相关系数，确定第二矩阵。
51.上述步骤s2014还可以通过其他方式实现，例如：根据公式(a2+i)
k-1
≠(a2+i)k＝(a2+i)
k+1
＝a3，确定上述第四矩阵，其中，a3为上述第四矩阵，a2为上述第三矩阵。上述方法可以快速确定第三矩阵的可达矩阵，即第四矩阵。
52.在一些实施例上，上述步骤s201具体还可以通过以下步骤实现：步骤s2016，获取多个历史风电功率数据，上述历史风电功率数据为上述待测日期前的上述风电功率数据；步骤s2017，根据上述历史风电功率数据，确定上述历史风电功率数据的特征向量，上述特征向量为上述历史风电功率数据的风速最大值、上述历史风电功率数据的风速最小值、上述历史风电功率数据的风速平均值、上述历史风电功率数据的风向正弦值、上述历史风电功率数据的风向余弦值、上述历史风电功率数据的平均温度值、上述历史风电功率数据的平均湿度值以及上述历史风电功率数据的平均气压值组成的矩阵的转置；步骤s2018，分别确定各上述历史风电功率数据的特征向量和待测风电功率数据的特征向量的第二相关系数，得到多个上述第二相关系数；步骤s2019，在上述第二相关系数大于第二阈值的情况下，确定上述第二相关系数对应的上述历史风电功率数据为上述相似风电功率数据。历史风电功率数据如表2所示，假设风电输出功率待测时段为某日的各时段，选定历史时段的样本范围，如表2所示。
53.表2历史时段的时间范围
[0054][0055]
在一些实施例上，上述步骤s203可以通过以下步骤实现：上述区域卷积神经网络模型包括卷积层和最大池化层，在上述支持向量回归模型进行训练前，上述最大池化层用于将上述测试样本数据的特征输入至上述支持向量回归模型。该方法中，建立rcnn-svr法的风电功率组合预测模型，如图4所示，使用了3层卷积层和最大池化层，将单一rcnn模型的全连接层与回归层删除，加入了svr分类器，将风速、风向、气象等数据输入神经网络中依次重复进行卷积池化操作，直到最后一个池化层输出特征图后，rcnn就实现了对特征因子的空间局部特征提取，然后把rcnn网络层所提取的结果特征输入svr分类器中来训练svr分类器，最后利用svr分类器对风电功率进行预测。由于单一采用svr模型，预测结果精度不够；rcnn模型对回归问题不够敏感，因此，上述方法可以进一步提升风电功率预测精度。
[0056]
在上述步骤s203之后还包括步骤s204，根据上述相似风电功率数据和上述待测风电功率数据，计算风电功率预测模型的预测参数，其中，上述风电功率预测模型包括上述区
域卷积神经网络模型和上述支持向量回归模型，上述预测参数用于评估上述风电功率预测模型预测上述待测风电功率的准确性，上述预测参数至少包括均方根误差变异系数、平均绝对误差以及平均绝对百分比误差。该方法中，可以根据公式计算均方根误差变异系数，根据公式计算平均绝对误差，根据公式计算平均绝对百分比误差，其中，yi为第i个样本的风电功率预测值和实际风电功率值；n为样本数。上述方法可以进一步对上述组合预测模型计算结果进行预测能力的判断。
[0057]
为了使得本领域技术人员能够更加清楚地了解本技术的技术方案，以下将结合具体的实施例对本技术的激光点云的目标确定方法的实现过程进行详细说明。
[0058]
本实施例涉及一种具体的风电功率的预测方法，如图5所示，包括如下步骤：
[0059]
步骤s1：输入历史风电功率数据，对该数据进行标准化处理，得到训练集和测试集；
[0060]
步骤s2：训练集输入至rcnn模型中进行特征提取，将得到的特征输入至svr分类器中进行迭代，最终得到目标rcnn-svr模型；
[0061]
步骤s3：将测试集输入至目标rcnn-svr模型中，预测得到风电功率数据。
[0062]
本技术实施例还提供了一种风电功率的预测装置，需要说明的是，本技术实施例的风电功率的预测装置可以用于执行本技术实施例所提供的用于风电功率的预测方法。该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0063]
以下对本技术实施例提供的风电功率的预测装置进行介绍。
[0064]
图6是根据本技术实施例的风电功率的预测装置的示意图。如图6所示，该装置包括：
[0065]
获取单元10，用于获取多个相似风电功率数据，上述相似风电功率数据为历史风电功率数据中与待测风电功率数据的关键影响因素数据在同一的预定范围内的风电功率数据，上述待测风电功率数据为待测日期的预定时段内的风电功率数据，上述历史风电功率数据为上述待测日期之前的上述预定时段内的上述风电功率数据，上述风电功率数据为风电机组的输出功率，上述相似风电功率数据中的部分为训练样本数据，另一部分为测试样本数据；
[0066]
具体地，例如，待测风电功率数据的温度为16摄氏度，上述相似风电功率数据可以为温度都在15～17摄氏度的历史风电功率数据。其中，将多个历史时段按照相关系数降序排序，选取前n个作为相似风电功率数据。再将该相似风电功率数据分为训练样本和测试样本。为了验证测试的预测模型，深入剖析风电输出功率的特性，可以设计训练样本ai输入参
数(x1～x
14
)包括风速最大值、风速最小值、风速平均值、风向正弦值、风向余弦值、平均温度、平均湿度、平均气压、叶尖速比最大值、叶尖速比最小值、叶尖速比平均值、桨距角最大值、桨距角最小值、桨距角平均值；训练样本ai输出参数(y1～y
16
)包括t时～t+4时的输出功率值，间隔15min。选取待测时段的天气参数和最佳相似时段的风电机组参数作为测试样本的输入参数，待测时段天气参数(x1～x8)：风速最大值、风速最小值、风速平均值、风向正弦值、风向余弦值、平均温度、平均湿度、平均气压；a0风电机组参数(x9～x
14
)：叶尖速比最大值、叶尖速比最小值、叶尖速比、桨距角最大值、桨距角最小值、桨距角平均值；待测时段输出功率(y1～y
16
)：t时～t+4时的输出功率值，间隔15min。
[0067]
第一输入单元20，用于将上述测试样本数据输入至区域卷积神经网络模型，提取上述测试样本数据的特征，其中，上述区域卷积神经网络模型为使用上述训练样本数据和上述训练样本数据的特征训练得到的；
[0068]
具体地，区域卷积神经网络模型包括2个卷积层、2个最大池化层、1个激活层和1个标准化层执行。
[0069]
第二输入单元30，用于将上述测试样本数据的特征输入至支持向量回归模型，得到预测风电功率数据，其中，上述支持向量回归模型为使用上述训练样本数据以及上述测试样本数据的特征训练得到的。
[0070]
具体地，利用svr法，在一个数据样本中寻找最接近的回归超平面，即：f(x)＝ω
t
x+b，svr问题的模型为式中，c为正则化常数c＞0，le为不敏感损失函数，函数表达式为：引入松弛变量ξ和此时目标函数改写为此时目标函数改写为引入拉格朗日乘子μi≥0、αi≥0、由拉格朗日乘数法可得拉格朗日函数为：将式代入，再令对ω,b,ξi,的偏导数为0，可以得到：c＝αi+μi，将上述公式代入拉格朗日函数，得到svr对偶问题，即：
上述过程需要满足kkt条件，即：将式代入式中，可得svr问题为其中，
[0071]
通过本实施例，获取单元获取多个相似风电功率数据，相似风电功率数据为历史风电功率数据中与待测风电功率数据的关键影响因素数据在同一预定范围内的风电功率数据，待测风电功率数据为待测日期的预定时段内的风电功率数据，历史风电功率数据为待测日期之前的预定时段内的风电功率数据，风电功率数据为风电机组的输出功率，相似风电功率数据中的部分为训练样本数据，另一部分为测试样本数据；第一输入单元将测试样本数据输入至区域卷积神经网络模型，提取测试样本数据的特征；第二输入单元将测试样本数据的特征输入至支持向量回归模型，得到预测风电功率数据。在超短期风电功率预测过程中，单一采用svr模型，预测结果精度不够；rcnn模型对回归问题不够敏感，基于此，本技术设计了基于rcnn-svr超短期风电功率组合预测模型，利用rcnn提取特征来训练svr分类器；利用svr分类器预测超短期风电功率；建立rcnn-svr法的风电功率组合预测模型，降低了电能波动对电力系统带来的冲击，进而提高了风电功率的预测精度。
[0072]
具体实现过程中，上述获取单元包括第一确定模块、第二确定模块、第三确定模块、第四确定模块以及第五确定模块，其中，第一确定模块用于根据影响因素数据，确定第一矩阵，其中，上述第一矩阵为n
×
m阶矩阵，n为影响因素的个数，m为上述影响因素数据的组数，上述影响因素数据至少包括上述风电机组的参数数据和上述风电机组对应的气象数据；第二确定模块用于根据上述第一矩阵中任意两影响因素的第一相关系数，确定第二矩阵，上述第二矩阵为n
×
n阶矩阵；第三确定模块用于确定上述第二矩阵中大于第一阈值的项为第一预定值，上述第二矩阵中小于等于上述第一阈值的项为第二预定值，根据上述第一预定值和上述第二预定值，确定第三矩阵；第四确定模块用于确定上述第三矩阵的可达矩阵为第四矩阵，并确定上述第四矩阵的可达集、上述第四矩阵的先行集以及上述第四矩阵的共同集形成的集合为目标集合；第五确定模块用于确定上述目标集合中的成果指标群和驱动指标群对应的上述影响因素数据为上述关键影响因素数据，上述关键影响因素数据为上述影响因素数据中对上述风电功率数据具有影响且影响程度位于前n位的上述影响因素对应的数据。该装置中，如图3所示，输入历史功率数据和影响因素数据至解释结构模型中进行优化分析，得到驱动指标集和成效指标集，最后输出关键影响因素。此外，根据预设阈值χ对第二矩阵进行处理，得到第三矩阵。处理方式如下：若r
ij
＞χ，则令r
ij
＝1，否则令r
ij
＝0，其中，χ取值可以进行定义，一般取值为0.85，即可得到第三矩阵。
[0073]
具体地，风电场通常由多台同型号的风电机组按照一定规则排成集群供电。单台
风电机组的输出功率表达式为式中，p为风电机组的输出功率；ρ为空气密度；c
p
为风能利用系数；r为叶片尺寸；v为实际风速；pe为风电机组额定输出功率；v
in
为风电机组的切入风速；ve为风电机组的额定风速；v
out
为风电机组的切出风速。受尾流效应的影响，处于同一风电场的多台风电机组，下风向风电机的输出功率弱于上风向电机，风向也是影响风电机组输出功率大小的重要因素。结合上述风电机组输出功率与风电输出功率发展现状分析可知，风速、风向、温度、湿度、气压、叶尖速比、桨距角等因素对其输出功率显著影响，利用解释结构模型，形成主要影响因素集如表1所示。
[0074]
表1风电输出功率影响因素集
[0075]
影响因素定义影响因素定义影响因素定义风速s1风向s2温度s3湿度s4气压s5叶尖速比s6桨距角s7————
[0076]
本技术的上述第二确定模块包括第一确定子模块和第二确定子模块，其中，第一确定子模块用于根据公式确定上述第一矩阵中任意两元素的第一相关系数，其中，r
12
为上述第一矩阵的第一列的元素x
1j
和上述第一矩阵的第二列的元素x
2j
的第一相关系数；第二确定子模块用于根据公式确定上述第二矩阵，其中，a1为上述第二矩阵，r
nn
为第n1列和第n2列上述影响因素的第一相关系数。该装置可以快速根据上述第一矩阵中任意两影响因素的第一相关系数，确定第二矩阵。
[0077]
上述第四确定模块还用于根据公式(a2+i)
k-1
≠(a2+i)k＝(a2+i)
k+1
＝a3，确定上述第四矩阵，其中，a3为上述第四矩阵，a2为上述第三矩阵。上述装置可以快速确定第三矩阵的可达矩阵，即第四矩阵。
[0078]
在一些实施例上，上述获取单元还包括获取模块、第六确定模块、第七确定模块以及第八确定模块，其中，获取模块用于获取多个历史风电功率数据，上述历史风电功率数据为上述待测日期前的上述风电功率数据；第六确定模块用于根据上述历史风电功率数据，确定上述历史风电功率数据的特征向量，上述特征向量为上述历史风电功率数据的风速最大值、上述历史风电功率数据的风速最小值、上述历史风电功率数据的风速平均值、上述历史风电功率数据的风向正弦值、上述历史风电功率数据的风向余弦值、上述历史风电功率
数据的平均温度值、上述历史风电功率数据的平均湿度值以及上述历史风电功率数据的平均气压值组成的矩阵的转置；第七确定模块用于分别确定各上述历史风电功率数据的特征向量和待测风电功率数据的特征向量的第二相关系数，得到多个上述第二相关系数；第八确定模块用于在上述第二相关系数大于第二阈值的情况下，确定上述第二相关系数对应的上述历史风电功率数据为上述相似风电功率数据。历史风电功率数据如表2所示，假设风电输出功率待测时段为某日的各时段，选定历史时段的样本范围，如表2所示。
[0079]
表2历史时段的时间范围
[0080][0081]
在一些实施例上，上述第二输入单元还用于上述区域卷积神经网络模型包括卷积层和最大池化层，在上述支持向量回归模型进行训练前，上述最大池化层用于将上述测试样本数据的特征输入至上述支持向量回归模型。该装置中，建立rcnn-svr法的风电功率组合预测模型，如图4所示，使用了3层卷积层和最大池化层，将单一rcnn模型的全连接层与回归层删除，加入了svr分类器，将风速、风向、气象等数据输入神经网络中依次重复进行卷积池化操作，直到最后一个池化层输出特征图后，rcnn就实现了对特征因子的空间局部特征提取，然后把rcnn网络层所提取的结果特征输入svr分类器中来训练svr分类器，最后利用svr分类器对风电功率进行预测。由于单一采用svr模型，预测结果精度不够；rcnn模型对回归问题不够敏感，因此，上述装置可以进一步提升风电功率预测精度。
[0082]
在上述第二输入单元之后还包括计算单元用于根据上述相似风电功率数据和上述待测风电功率数据，计算风电功率预测模型的预测参数，其中，上述风电功率预测模型包括上述区域卷积神经网络模型和上述支持向量回归模型，上述预测参数用于评估上述风电功率预测模型预测上述待测风电功率的准确性，上述预测参数至少包括均方根误差变异系数、平均绝对误差以及平均绝对百分比误差。该装置中，可以根据公式计算均方根误差变异系数，根据公式计算平均绝对误差，根据公式计算平均绝对百分比误差，其中，yi为第i个样本的风电功率预测值和实际风电功率值；n为样本数。上述装置可以进一步对上述组合预测模型计算结果进行预测能力的判断。
[0083]
上述风电功率的预测装置包括处理器和存储器，上述获取单元、第一输入单元以及第二输入单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
[0084]
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来预测风电功率。
[0085]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
[0086]
本发明实施例提供了一种计算机可读存储介质，上述计算机可读存储介质包括存储的程序，其中，在上述程序运行时控制上述计算机可读存储介质所在设备执行上述风电功率的预测方法。
[0087]
具体地，风电功率的预测方法包括：
[0088]
步骤s201，获取多个相似风电功率数据，上述相似风电功率数据为历史风电功率数据中与待测风电功率数据的关键影响因素数据在同一预定范围内的风电功率数据，上述待测风电功率数据为待测日期的预定时段内的风电功率数据，上述历史风电功率数据为上述待测日期之前的上述预定时段内的上述风电功率数据，上述风电功率数据为风电机组的输出功率，上述相似风电功率数据中的部分为训练样本数据，另一部分为测试样本数据；
[0089]
步骤s202，将上述测试样本数据输入至区域卷积神经网络模型，提取上述测试样本数据的特征，其中，上述区域卷积神经网络模型为使用上述训练样本数据和上述训练样本数据的特征训练得到的；
[0090]
步骤s203，将上述测试样本数据的特征输入至支持向量回归模型，得到预测风电功率数据，其中，上述支持向量回归模型为使用上述训练样本数据以及上述测试样本数据的特征训练得到的。
[0091]
可选地，确定上述关键影响因素数据包括：根据影响因素数据，确定第一矩阵，其中，上述第一矩阵为n
×
m阶矩阵，n为影响因素的个数，m为上述影响因素数据的组数，上述影响因素数据至少包括上述风电机组的参数数据和上述风电机组对应的气象数据；根据上述第一矩阵中任意两影响因素的第一相关系数，确定第二矩阵，上述第二矩阵为n
×
n阶矩阵；确定上述第二矩阵中大于第一阈值的项为第一预定值，上述第二矩阵中小于等于上述第一阈值的项为第二预定值，根据上述第一预定值和上述第二预定值，确定第三矩阵；确定上述第三矩阵的可达矩阵为第四矩阵，并确定上述第四矩阵的可达集、上述第四矩阵的先行集以及上述第四矩阵的共同集形成的集合为目标集合；确定上述目标集合中的成果指标群和驱动指标群对应的上述影响因素数据为上述关键影响因素数据，上述关键影响因素数据为上述影响因素数据中对上述风电功率数据具有影响且影响程度位于前n位的上述影响因素对应的数据。
[0092]
可选地，根据上述第一矩阵中任意两影响因素的第一相关系数，确定第二矩阵，包括：根据公式确定上述第一矩阵中任意两元素的第一相关系数，其中，r
12
为上述第一矩阵的第一列的元素x1j和上述第一矩阵的第二列的元
素x
2j
的第一相关系数；根据公式确定上述第二矩阵，其中，a1为上述第二矩阵，r
nn
为第n1列和第n2列上述影响因素的第一相关系数。
[0093]
可选地，确定上述第三矩阵的可达矩阵为第四矩阵，包括：根据公式(a2+i)
k-1
≠(a2+i)k＝(a2+i)
k+1
＝a3，确定上述第四矩阵，其中，a3为上述第四矩阵，a2为上述第三矩阵。
[0094]
可选地，获取多个相似风电功率数据，包括：获取多个历史风电功率数据，上述历史风电功率数据为上述待测日期前的上述风电功率数据；根据上述历史风电功率数据，确定上述历史风电功率数据的特征向量，上述特征向量为上述历史风电功率数据的风速最大值、上述历史风电功率数据的风速最小值、上述历史风电功率数据的风速平均值、上述历史风电功率数据的风向正弦值、上述历史风电功率数据的风向余弦值、上述历史风电功率数据的平均温度值、上述历史风电功率数据的平均湿度值以及上述历史风电功率数据的平均气压值组成的矩阵的转置；分别确定各上述历史风电功率数据的特征向量和待测风电功率数据的特征向量的第二相关系数，得到多个上述第二相关系数；在上述第二相关系数大于第二阈值的情况下，确定上述第二相关系数对应的上述历史风电功率数据为上述相似风电功率数据。
[0095]
可选地，上述区域卷积神经网络模型包括卷积层和最大池化层，在上述支持向量回归模型进行训练前，上述最大池化层用于将上述测试样本数据的特征输入至上述支持向量回归模型。
[0096]
可选地，上述方法还包括：根据上述相似风电功率数据和上述待测风电功率数据，计算风电功率预测模型的预测参数，其中，上述风电功率预测模型包括上述区域卷积神经网络模型和上述支持向量回归模型，上述预测参数用于评估上述风电功率预测模型预测上述待测风电功率的准确性，上述预测参数至少包括均方根误差变异系数、平均绝对误差以及平均绝对百分比误差。
[0097]
本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述风电功率的预测方法。
[0098]
具体地，风电功率的预测方法包括：
[0099]
步骤s201，获取多个相似风电功率数据，上述相似风电功率数据为历史风电功率数据中与待测风电功率数据的关键影响因素数据在同一预定范围内的风电功率数据，上述待测风电功率数据为待测日期的预定时段内的风电功率数据，上述历史风电功率数据为上述待测日期之前的上述预定时段内的上述风电功率数据，上述风电功率数据为风电机组的输出功率，上述相似风电功率数据中的部分为训练样本数据，另一部分为测试样本数据；
[0100]
步骤s202，将上述测试样本数据输入至区域卷积神经网络模型，提取上述测试样本数据的特征，其中，上述区域卷积神经网络模型为使用上述训练样本数据和上述训练样本数据的特征训练得到的；
[0101]
步骤s203，将上述测试样本数据的特征输入至支持向量回归模型，得到预测风电功率数据，其中，上述支持向量回归模型为使用上述训练样本数据以及上述测试样本数据的特征训练得到的。
[0102]
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：
[0103]
步骤s201，获取多个相似风电功率数据，上述相似风电功率数据为历史风电功率数据中与待测风电功率数据的关键影响因素数据在同一预定范围内的风电功率数据，上述待测风电功率数据为待测日期的预定时段内的风电功率数据，上述历史风电功率数据为上述待测日期之前的上述预定时段内的上述风电功率数据，上述风电功率数据为风电机组的输出功率，上述相似风电功率数据中的部分为训练样本数据，另一部分为测试样本数据；
[0104]
步骤s202，将上述测试样本数据输入至区域卷积神经网络模型，提取上述测试样本数据的特征，其中，上述区域卷积神经网络模型为使用上述训练样本数据和上述训练样本数据的特征训练得到的；
[0105]
步骤s203，将上述测试样本数据的特征输入至支持向量回归模型，得到预测风电功率数据，其中，上述支持向量回归模型为使用上述训练样本数据以及上述测试样本数据的特征训练得到的。
[0106]
本文中的设备可以是服务器、pc、pad、手机等。
[0107]
本技术还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：
[0108]
步骤s201，获取多个相似风电功率数据，上述相似风电功率数据为历史风电功率数据中与待测风电功率数据的关键影响因素数据在同一预定范围内的风电功率数据，上述待测风电功率数据为待测日期的预定时段内的风电功率数据，上述历史风电功率数据为上述待测日期之前的上述预定时段内的上述风电功率数据，上述风电功率数据为风电机组的输出功率，上述相似风电功率数据中的部分为训练样本数据，另一部分为测试样本数据；
[0109]
步骤s202，将上述测试样本数据输入至区域卷积神经网络模型，提取上述测试样本数据的特征，其中，上述区域卷积神经网络模型为使用上述训练样本数据和上述训练样本数据的特征训练得到的；
[0110]
步骤s203，将上述测试样本数据的特征输入至支持向量回归模型，得到预测风电功率数据，其中，上述支持向量回归模型为使用上述训练样本数据以及上述测试样本数据的特征训练得到的。
[0111]
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
[0112]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0113]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程
图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0114]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0115]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0116]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0117]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
[0118]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0119]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0120]
从以上的描述中，可以看出，本技术上述的实施例实现了如下技术效果：
[0121]
1)、本技术的风电功率的预测方法，首先，获取多个相似风电功率数据，相似风电功率数据为历史风电功率数据中与待测风电功率数据的关键影响因素数据在同一预定范围内的风电功率数据，待测风电功率数据为待测日期的预定时段内的风电功率数据，历史风电功率数据为待测日期之前的预定时段内的风电功率数据，风电功率数据为风电机组的输出功率，相似风电功率数据中的部分为训练样本数据，另一部分为测试样本数据；再将测试样本数据输入至区域卷积神经网络模型，提取测试样本数据的特征；最后，将测试样本数据的特征输入至支持向量回归模型，得到预测风电功率数据。在超短期风电功率预测过程
中，单一采用svr模型，预测结果精度不够；rcnn模型对回归问题不够敏感，基于此，本技术设计了基于rcnn-svr超短期风电功率组合预测模型，利用rcnn提取特征来训练svr分类器；利用svr分类器预测超短期风电功率；建立rcnn-svr法的风电功率组合预测模型，降低了电能波动对电力系统带来的冲击，进而提高了风电功率的预测精度。
[0122]
2)、本技术的风电功率的预测装置，获取单元获取多个相似风电功率数据，相似风电功率数据为历史风电功率数据中与待测风电功率数据的关键影响因素数据在同一预定范围内的风电功率数据，待测风电功率数据为待测日期的预定时段内的风电功率数据，历史风电功率数据为待测日期之前的预定时段内的风电功率数据，风电功率数据为风电机组的输出功率，相似风电功率数据中的部分为训练样本数据，另一部分为测试样本数据；第一输入单元将测试样本数据输入至区域卷积神经网络模型，提取测试样本数据的特征；第二输入单元将测试样本数据的特征输入至支持向量回归模型，得到预测风电功率数据。在超短期风电功率预测过程中，单一采用svr模型，预测结果精度不够；rcnn模型对回归问题不够敏感，基于此，本技术设计了基于rcnn-svr超短期风电功率组合预测模型，利用rcnn提取特征来训练svr分类器；利用svr分类器预测超短期风电功率；建立rcnn-svr法的风电功率组合预测模型，降低了电能波动对电力系统带来的冲击，进而提高了风电功率的预测精度。
[0123]
以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。

技术特征：
1.一种风电功率的预测方法，其特征在于，包括：获取多个相似风电功率数据，所述相似风电功率数据为历史风电功率数据中与待测风电功率数据的关键影响因素数据在同一预定范围内的风电功率数据，所述待测风电功率数据为待测日期的预定时段内的风电功率数据，所述历史风电功率数据为所述待测日期之前的所述预定时段内的所述风电功率数据，所述风电功率数据为风电机组的输出功率，所述相似风电功率数据中的部分为训练样本数据，另一部分为测试样本数据；将所述测试样本数据输入至区域卷积神经网络模型，提取所述测试样本数据的特征，其中，所述区域卷积神经网络模型为使用所述训练样本数据和所述训练样本数据的特征训练得到的；将所述测试样本数据的特征输入至支持向量回归模型，得到预测风电功率数据，其中，所述支持向量回归模型为使用所述训练样本数据以及所述测试样本数据的特征训练得到的。2.根据权利要求1所述的方法，其特征在于，确定所述关键影响因素数据包括：根据影响因素数据，确定第一矩阵，其中，所述第一矩阵为n
×
m阶矩阵，n为影响因素的个数，m为所述影响因素数据的组数，所述影响因素数据至少包括所述风电机组的参数数据和所述风电机组对应的气象数据；根据所述第一矩阵中任意两影响因素的第一相关系数，确定第二矩阵，所述第二矩阵为n
×
n阶矩阵；确定所述第二矩阵中大于第一阈值的项为第一预定值，所述第二矩阵中小于等于所述第一阈值的项为第二预定值，根据所述第一预定值和所述第二预定值，确定第三矩阵；确定所述第三矩阵的可达矩阵为第四矩阵，并确定所述第四矩阵的可达集、所述第四矩阵的先行集以及所述第四矩阵的共同集形成的集合为目标集合；确定所述目标集合中的成果指标群和驱动指标群对应的所述影响因素数据为所述关键影响因素数据，所述关键影响因素数据为所述影响因素数据中对所述风电功率数据具有影响且影响程度位于前n位的所述影响因素对应的数据。3.根据权利要求2所述的方法，其特征在于，根据所述第一矩阵中任意两影响因素的第一相关系数，确定第二矩阵，包括：根据公式确定所述第一矩阵中任意两元素的第一相关系数，其中，r
12
为所述第一矩阵的第一列的元素x
1j
和所述第一矩阵的第二列的元素x
2j
的第一相关系数；根据公式确定所述第二矩阵，其中，a1为所述第二矩阵，r
nn
为第n1列和第n2列所述影响因素的第一相关系数。
4.根据权利要求2所述的方法，其特征在于，确定所述第三矩阵的可达矩阵为第四矩阵，包括：根据公式(a2+i)
k-1
≠(a2+i)
k
＝(a2+i)
k+1
＝a3，确定所述第四矩阵，其中，a3为所述第四矩阵，a2为所述第三矩阵。5.根据权利要求1所述的方法，其特征在于，获取多个相似风电功率数据，包括：获取多个历史风电功率数据，所述历史风电功率数据为所述待测日期前的所述风电功率数据；根据所述历史风电功率数据，确定所述历史风电功率数据的特征向量，所述特征向量为所述历史风电功率数据的风速最大值、所述历史风电功率数据的风速最小值、所述历史风电功率数据的风速平均值、所述历史风电功率数据的风向正弦值、所述历史风电功率数据的风向余弦值、所述历史风电功率数据的平均温度值、所述历史风电功率数据的平均湿度值以及所述历史风电功率数据的平均气压值组成的矩阵的转置；分别确定各所述历史风电功率数据的特征向量和待测风电功率数据的特征向量的第二相关系数，得到多个所述第二相关系数；在所述第二相关系数大于第二阈值的情况下，确定所述第二相关系数对应的所述历史风电功率数据为所述相似风电功率数据。6.根据权利要求1所述的方法，其特征在于，所述区域卷积神经网络模型包括卷积层和最大池化层，在所述支持向量回归模型进行训练前，所述最大池化层用于将所述测试样本数据的特征输入至所述支持向量回归模型。7.根据权利要求1至6中任意一项所述的方法，其特征在于，所述方法还包括：根据所述相似风电功率数据和所述待测风电功率数据，计算风电功率预测模型的预测参数，其中，所述风电功率预测模型包括所述区域卷积神经网络模型和所述支持向量回归模型，所述预测参数用于评估所述风电功率预测模型预测所述待测风电功率的准确性，所述预测参数至少包括均方根误差变异系数、平均绝对误差以及平均绝对百分比误差。8.一种风电功率的预测装置，其特征在于，包括：获取单元，用于获取多个相似风电功率数据，所述相似风电功率数据为历史风电功率数据中与待测风电功率数据的关键影响因素数据在同一的预定范围内的风电功率数据，所述待测风电功率数据为待测日期的预定时段内的风电功率数据，所述历史风电功率数据为所述待测日期之前的所述预定时段内的所述风电功率数据，所述风电功率数据为风电机组的输出功率，所述相似风电功率数据中的部分为训练样本数据，另一部分为测试样本数据；第一输入单元，用于将所述测试样本数据输入至区域卷积神经网络模型，提取所述测试样本数据的特征，其中，所述区域卷积神经网络模型为使用所述训练样本数据和所述训练样本数据的特征训练得到的；第二输入单元，用于将所述测试样本数据的特征输入至支持向量回归模型，得到预测风电功率数据，其中，所述支持向量回归模型为使用所述训练样本数据以及所述测试样本数据的特征训练得到的。9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的方法。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行权利要求1至7中任一项所述的方法。

技术总结
本申请提供了一种风电功率的预测方法、风电功率的预测装置和电子装置，该方法包括：获取多个相似风电功率数据，相似风电功率数据为历史风电功率数据中与待测风电功率数据的关键影响因素数据在同一预定范围内的风电功率数据，待测风电功率数据为待测日期的预定时段内的风电功率数据，历史风电功率数据为待测日期之前的预定时段内的风电功率数据，风电功率数据为风电机组的输出功率，相似风电功率数据中的部分为训练样本数据，另一部分为测试样本数据；将测试样本数据输入至区域卷积神经网络模型，提取测试样本数据的特征；将测试样本数据的特征输入至支持向量回归模型，得到预测风电功率数据。该方法提高了风电功率的预测精度。度。度。


技术研发人员：邓韦斯 戴仲覆 王皓怀 周保荣 李崇浩 卢斯煜 刘显茁 张旭东 王凌梓 邓力源 沈海波 卓毅鑫 唐健 胡甲秋 张俨 王宁 张杰 王邦一 赵川 闫斌杰 谢平平 陆秋瑜 莫若慧 何勇琪
受保护的技术使用者：南方电网科学研究院有限责任公司
技术研发日：2023.04.12
技术公布日：2023/7/21