一种基于深度学习的递进式短期风电功率预测方法和系统与流程

1.本发明涉及风电功率预测技术领域，尤其涉及一种基于深度学习的递进式短期风电功率预测方法和系统。


背景技术：

2.风力发电至关重要。据调查，风力发电每发一度电，所消耗的碳仅有火力发电的1％。电网调度部门要进行合理的发电计划安排，提高电网运行的经济性、安全性、可靠性，因此风电功率的预测，成为至关重要的一环。而风速的预测，则是风电功率预测的基础。
3.以往的风速预测，往往来自于数值天气预报，数值天气预报是对大气运动基本方程组进行一定的简化和近似，以及引入气象物理规律和边界条件约束。数值天气预报的风速预报，时间分辨率一般在3小时或者1小时，空间分辨率一般在9kmx9km或者12.5kmx12.5km，对于风场来说，一般要求的功率预测时间分辨率为15min，而且需要在风机位置的风速预报。这就造成了预报精度受制于现有的气象科学理论，数值天气预报的时间分辨率以及空间分辨率一般不符合风场风电功率预测的要求，功率预报的准确率低。若要提高时间分辨率以及空间分辨率，则需要花费更多的算力和时间，而更多的算力则代表花费更多的碳。


技术实现要素：

4.本发明提供一种基于深度学习的递进式短期风电功率预测方法和系统，以克服上述技术问题。
5.为了实现上述目的，本发明的技术方案是：
6.一种基于深度学习的递进式短期风电功率预测方法和系统，包括如下步骤：
7.s1：根据风场的测风塔经纬度和数值天气预报网格，确定在数值天气预报网格中的测风塔所在位置的测风塔位置网格，并根据所述测风塔位置网格，获取用于进行风功率预测所需测风塔预测网格；
8.s2：按时间的先后取第一时间点t1、第二时间点t2和第三时间点t3，
9.其中，定义：
10.第一时间序列对应的时间区间为[t1,t3]，且第一时间序列中相邻时间点之间的时间间隔被设定为第一时间阈值；
[0011]
第二时间序列对应的时间区间为[t2,t3]，且第二时间序列中相邻时间点之间的时间间隔为第一时间阈值；
[0012]
第三时间序列对应的时间区间为[t2,t3]，且第三时间序列中相邻时间点之间的时间间隔为第二时间阈值；
[0013]
其中，所述
[0014]
其中，a为时间转换系数；
[0015]
第四时间序列对应的时间区间为[t4,t2]，其中，第四时间序列对应的时间区间为[t4,t2]，其中，其中，t4为第四时间点，且t4早于t2，且晚于t1；第四时间序列中相邻时间点之间的时间间隔为第一时间阈值；
[0016]
s3：获取所述测风塔预测网格中的经纬度网格点的预报风速；并对所述预报风速进行归一化处理，获取归一化的预报风速；
[0017]
获取测风塔预测网格中的经纬度网格点的观测数据；并对所述观测功率进行归一化处理，获取归一化的观测数据；所述观测数据包括观测功率和观测风速，所述归一化的观测数据包括归一化的观测功率和归一化的观测风速；以根据所述归一化的预报风速，获取测风塔预测网格内的所有经纬度网格点的与第一时间序列对应的预报风速序列；根据归一化的观测功率，获取测风塔位置处与第三时间序列对应的观测功率序列；和根据归一化的观测风速，获取测风塔预测网格内的所有经纬度网格点与第四时间序列对应的观测风速序列；
[0018]
所述预报风速包括所述经纬度网格点的距离地面的第i个高度hi处的风速；其中，i＝1,2,
…
；所述观测功率包括所述经纬度网格点的距离地面的第i个高度hi处的观测功率；所述观测风速包括所述经纬度网格点的距离地面的第i个高度hi处的观测风速；
[0019]
s4：将所述预报风速序列，输入至空间订正mlp网络中，获取所述测风塔位置网格的与第二时间序列对应的预测风速序列，
[0020]
s5：将所述预测风速序列，输入至时间差值mlp网络中，获取测风塔位置的第三时间序列对应的差值预测功率序列；
[0021]
s6：根据所述观测风速序列，基于gru网络获取测风塔位置的第三时间序列对应的第二预测功率序列；
[0022]
s7：将所述差值预测功率序列和第二预测功率序列进行concat连接，获取测风塔位置的第三时间序列对应的连接后的预测功率序列；
[0023]
s8：将所述连接后的预测功率序列输入至第四mlp网络中，获取测风塔位置的第三时间序列对应的精确预测功率序列；
[0024]
s9：根据所述观测功率序列和精确预测功率序列，基于损失函数对所述空间订正mlp网络、时间差值mlp网络、gru网络和第四mlp网络进行训练；以基于训练后的空间订正mlp网络、时间差值mlp网络、gru网络和第四mlp网络，对风功率进行预测。
[0025]
进一步的，所述第一时间阈值＝1小时＝60分钟；所述第二时间阈值＝15分钟。
[0026]
进一步的，获取第三时间序列对应的第二预测功率序列方法如下：
[0027]
将第四时间序列对应的观测风速序列输入至所述gru网络，获取第三时间序列对应的第1阶段预测功率序列；第1阶段预测功率序列包括在第1,1时间区间内的第1,1预测功率序列，和第1,2时间区间内的第1,2预测功率序列；所述第1阶段预测功率序列中相邻时间点之间的时间间隔为第二时间阈值；
[0028]
将时间区间处于内的观测风速序列输入至所述gru网络中，获取在第
1,1时间区间内的第2阶段预测功率序列，并且将第1,1时间区间内的第1,1预测功率序列替换为所述第2阶段预测功率序列；所述第2阶段预测功率序列包括第2,1时间区间内的第2,1预测功率序列，和第2,2时间区间内的第2,2预测功率序列；所述第2阶段预测功率序列中相邻时间点之间的时间间隔为第二时间阈值；
[0029]
将时间区间处于内的观测风速序列输入至所述gru网络中，获取在第2,1时间区间内的第3阶段预测功率序列，并且将第2,1时间区间内的第2,1预测功率序列替换为所述第3阶段预测功率序列；所述第3阶段预测功率序列包括第3,1时间区间内的第3,1预测功率序列，和第3,2时间区间内的第3,2预测功率序列；所述第3阶段预测功率序列中相邻时间点之间的时间间隔为第二时间阈值；
[0030]
以此类推，直至
[0031]
将时间区间处于内的观测风速序列输入至所述gru网络中，获取在第n-1,1时间区间内的第n阶段预测功率序列，并且将第n-1，1时间区间内的第n-1，1预测功率序列替换为所述第n阶段预测功率序列，获取最终的第二预测功率序列；
[0032]
所述第n阶段预测功率序列包括第n,1时间区间内的第n,1预测功率序列，和第n,2时间区间内的第n,2预测功率序列；所述第n阶段预测功率序列中相邻时间点之间的时间间隔为第二时间阈值；其中，n为设定的迭代次数。
[0033]
进一步的，所述s2后，还包括：获取时间区间为[t1,t3]，且相邻时间点之间的时间间隔为第二时间阈值的时间序列中，所有的时间点所对应的测风塔功率值，将功率值小于0的数据更改为等于0。
[0034]
进一步的，所述s2后，还包括：获取时间区间为[t1,t3]，且相邻时间点之间的时间间隔为第二时间阈值的时间序列中，所有的时间点所对应的测风塔预测网格内的风速值，
[0035]
若所述风速值满足：
[0036]
所述风速值大于切入风速且小于切出风速，且风机的功率为0；
[0037]
或者所述风速值大于风机的额定风速，且风机的功率低于设定功率阈值；
[0038]
或者所述风速值小于风机的额定风速，且风机的功率不等于0；
[0039]
则所述风速值存在异常，重新按时间的先后取第一时间点t1、第二时间点t2和第三时间点t3，直至风速值不存在异常，使得在时间区间为[t1,t3]内的所有取值均是有效
的。
[0040]
一种基于深度学习的递进式短期风电功率预测方法的预测系统，包括：观测数据采集模块，数值天气预报请求模块，功率预测训练模块，功率预测模块，数据发送模块；
[0041]
所述观测数据采集模块，用于获取测风塔预测网格内的时间间间隔为第二时间间隔的时间序列对应的观测功率序列和观测风速序列；以获取测风塔位置处与第三时间序列对应的观测功率序列；测风塔预测网格内的所有经纬度网格点的观测风速序列和历史第n天到当前时间的间隔时间为第一时间间隔的观测风速序列；
[0042]
数值天气预报请求模块，用于获取测风塔预测网格中的经纬度网格点的预报风速；
[0043]
功率预测训练模块，用于根据所述测风塔位置处与第三时间序列对应的观测功率序列；测风塔预测网格内的所有经纬度网格点的观测风速序列，和所述预报风速，对空间订正mlp网络、时间差值mlp网络、gru网络和第四mlp网络进行训练；
[0044]
功率预测模块，用于根据测风塔预测网格中所有经纬度网格点的，历史第n天到当前时间的间隔时间为第一时间间隔的观测风速序列，和历史第n天到未来第n天之间的，相邻时间的间隔为第一时间阈值的预报风速序列，获取测风塔位置网格中的当前时间到未来第n天的，相邻时间的间隔为第二时间阈值的未来预测功率序列，以对未来n天的时间的间隔第二时间阈值的功率值进行预测；
[0045]
数据发送模块，用于将测风塔位置网格中的当前时间到未来第n天的，相邻时间的间隔为第二时间阈值的未来预测功率序列，上传至风场调度中心。
[0046]
有益效果：本发明的一种基于深度学习的递进式短期风电功率预测方法和系统，仅在公开的数值天气预报结果下，通过测风塔预测网格内的所有经纬度网格点在不同高度的风速，对测风塔的功率进行预测，获得差值预测功率序列；同时利用gru网络，进行递进式的预测，获得第二预测功率序列，然后将两个预测功率序列进行连接，再一次进行预测后得到精确预测功率序列，基于精确预测功率序列和真实的观测功率序列对所使用的神经网络进行训练，最终基于训练后的网络对未来的测风塔的风功率进行预测；通过对两条路径对对功率进行预测后将结构进行连接，大大提高了预测精度；有利于提高风场的功率预测；同时利用神经网络的黑盒性，使用深度学习建模，有利于突破现有气象科学发展制约。仅需公开的数值天气预报，就可对风场进行具体的建模，不需要花费更多的算力。
附图说明
[0047]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0048]
图1为本发明的基于深度学习的递进式短期风功率预测方法流程图；
[0049]
图2为本发明的实施例中的基于深度学习的递进式短期风功率预测方法流程图；
[0050]
图3为本发明的实施例中的基于深度学习的递进式短期风功率预测系统的结构框图；
[0051]
图4为本发明的实施例中的理想条件下的风速功率曲线示意图；
[0052]
图5为本发明的实施例中的由于传感器故障、电网限电等因素下的风速-功率曲线示意图；
[0053]
图6为本发明的实施例中的mlp网络结构示意图；
[0054]
图7为本发明的实施例中的gru网络预测过程示意图；
[0055]
图8为本发明的实施例中的gru网络输入输出示意图。
具体实施方式
[0056]
为使本发明实施例的目的、技术方案和优点更加清楚，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，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0057]
本实施例提供了一种基于深度学习的递进式短期风电功率预测方法和系统，如图1和图2所示，包括如下步骤：
[0058]
s1：根据风场的测风塔经纬度和数值天气预报网格，确定在数值天气预报网格中的测风塔所在位置的测风塔位置网格，并根据所述测风塔位置网格，获取用于进行风功率预测所需测风塔预测网格；
[0059]
具体的，数值天气预报是以经纬度网格的形式呈现，其中数值天气预报网格中存在多个经纬度网格点，与风机位置的经纬度对应的经纬度网格点，即为所获取的测风塔位置网格，一般取所述测风塔位置网格往上下左右各延伸不大于3个经纬度网格点，得到最终的测风塔预测网格(m,n)，其中，m为测风塔预测网格的长度；n为测风塔预测网格的宽度；具体延伸网格的数量，与测风塔所处地理位置的实际地形有关，如测风塔周围的山坡高度，山坡距离测风塔的距离等。其中，测风塔预测网格中包括了多个经纬度网格点。
[0060]
s2：取按时间的先后取第一时间点t1、第二时间点t2和第三时间点t3，
[0061]
其中，即第一时间点t1到第二时间点t2之间的时长，等于第二时间点t2到第三间点t3之间的时长；定义：
[0062]
第一时间序列对应的时间区间为[t1,t3]，且第一时间序列中相邻时间点之间的时间间隔被设定为第一时间阈值；
[0063]
第二时间序列对应的时间区间为[t2,t3]，且第二时间序列中相邻时间点之间的时间间隔为第一时间阈值；
[0064]
第三时间序列对应的时间区间为[t2,t3]，且第三时间序列中相邻时间点之间的时间间隔为第二时间阈值；
[0065]
其中，所述
[0066]
其中，a为时间转换系数；
[0067]
第四时间序列对应的时间区间为[t4,t2]，其中，第四时间序列对应的时间区间为[t4,t2]，其中，其中，t4为第四时间点，且t4早于t2，且晚于t1；第四时间序列中相邻时间点之间的时间间隔为第一时间阈值；
[0068]
具体的，第四时间点t4到第二时间点t2之间时间的间隔为第一时间阈值的时间序
列；其中，第一时间点t1到第四时间点t4之间的时长，等于第四时间点t4到第二时间点t2之间的时长，即第四时间点t4在第一时间点t1到第二时间点t2之间，且距离第一时间点t1到第二时间点t2的时长相等；
[0069]
具体的，第二时间序列的起始时间到结束时间之间的时长，为第一时间序列的起始时间到结束时间的之间的时长的0.5倍。
[0070]
s3：获取所述测风塔预测网格中的经纬度网格点的预报风速；并对所述预报风速进行归一化处理，获取归一化的预报风速；
[0071]
获取测风塔预测网格中的经纬度网格点的观测数据；并对所述观测功率进行归一化处理，获取归一化的观测数据；所述观测数据包括观测功率和观测风速，所述归一化的观测数据包括归一化的观测功率和归一化的观测风速；以根据所述归一化的预报风速，获取测风塔预测网格内的所有经纬度网格点的与第一时间序列对应的预报风速序列；根据归一化的观测功率，获取测风塔位置处与第三时间序列对应的观测功率序列；和根据归一化的观测风速，获取测风塔预测网格内的所有经纬度网格点与第四时间序列对应的观测风速序列；
[0072]
所述预报风速包括所述经纬度网格点的距离地面的第i个高度hi处的风速；其中，i＝1,2,
…
；所述观测数据包括所述经纬度网格点的距离地面的第i个高度hi处的数据；具体的，所述观测功率包括所述经纬度网格点的距离地面的第i个高度hi处的观测功率；所述观测风速包括所述经纬度网格点的距离地面的第i个高度hi处的观测风速；
[0073]
具体的，提取测风塔预测网格(m,n)上的数值天气预报中的距离地面高度不同的预报风速，如提取测风塔预测网格内的经纬度网格点中，距离地面分别为10m，100m，200m的高度的预报风速，并对其进行归一化处理，得到归一化的预报风速；
[0074][0075]
其中，xy为归一化的预报风速；x为网格点的预报风速，x
min
为设定的风速最小值，一般为0；x
max
为设定的风速最大值，一般取过去5-10年的最大风速；
[0076]
具体的，获取归一化的观测数据方法与获取归一化的预报风速方法相同。
[0077]
s4：将所述预报风速序列，输入至空间订正mlp网络中，获取所述测风塔位置网格的与第二时间序列对应的预测风速序列，
[0078]
优选地，将所述测风塔预测网格内的所有经纬度网格点的历史的第一时间序列对应的预报风速序列输入至空间订正mlp网络，以获取所述第二时间序列对应的预测风速序列。
[0079]
具体的，本实施例中的风场的测风塔预测网格内的历史观测数据，即观测风速序列和观测功率序列，均选取完整的一年的时间内的时间序列的观测数据，这样能够最大限度的减少由于季节的不同对预测结果带来的干扰，保证空间订正mlp网络的预测结果的准确性。
[0080]
其中的预测风速序列，包括测风塔位置网格在历史的第二时间序列对应的距离地面高度不同的预测风速序列。
[0081]
具体的，空间订正mlp网络在训练时，若订正未来n天的预报结果，输入的为若干t*s的矩阵，其中，t代表第一时间序列中的时间的个数，s代表测风塔位置网格的提取风速的
高度的总数；本实施例提取的是距离地面分别为10m，100m，200m的高度的历史风速，因此s的取值为3，即输入的矩阵为t*3的矩阵；其中，每个t*3的矩阵为输入至空间订正mlp网络的一个样本数据，多个样本数据组成了空间订正mlp网络的训练集。其中的样本数据包括了测风塔预测网格内的所有经纬度网格点中的数据；输出的是一个0.5*t*3的矩阵，仅包括测风塔位置网格中的数据。通过空间订正mlp网络，把历史的测风塔预测网格内的所有经纬度网格点中的数据，订正至测风塔位置网格这一个网格点的数据。其中的测风塔位置网格是测风塔预测网格中的一个经纬度网格点。其中的空间订正mlp网络，为能实现本专利技术方案的现有的神经网络，这里不对其进行详细描述。
[0082]
s5：将所述预测风速序列，输入至时间差值mlp网络中，获取测风塔位置的第三时间序列对应的差值预测功率序列；
[0083]
优选地，所述第二时间阈值＝15分钟；
[0084]
具体的，本实施例中的空间订正mlp网络和时间插值mlp网络均为领域内的常规技术，其结构为两层的mlp网络(全连接神经网络)，如图6所示；因此这里不对其进行详细介绍。
[0085]
s6：根据所述观测风速序列，基于gru网络获取测风塔位置的第三时间序列对应的第二预测功率序列；
[0086]
第四时间序列为第四时间点t4到第二时间点t2之间时间的间隔为第一时间阈值的时间序列；
[0087]
优选地，获取第三时间序列对应的第二预测功率序列方法如下，如图7所示：
[0088]
将第四时间序列对应的观测风速序列第1次输入至所述gru网络，获取第三时间序列对应的第1阶段预测功率序列；第1阶段预测功率序列包括在第1,1时间区间内的第1,1预测功率序列，和第1,2时间区间内的第1,2预测功率序列；所述第1阶段预测功率序列中相邻时间点之间的时间间隔为第二时间阈值；
[0089]
其实质是将时间区间[t4,t2]内的第四时间序列对应的观测风速序列输入至gru网络，输出时间区间为[t2,t3]内的预测功率序列；
[0090]
将时间区间处于内的观测风速序列第2次输入至所述gru网络中，获取在第1,1时间区间内的第2阶段预测功率序列，并且将第1,1时间区间内的第1,1预测功率序列替换为所述第2阶段预测功率序列；所述第2阶段预测功率序列包括第2,1时间区间内的第2,1预测功率序列，和第2,2时间区间内的第2,2预测功率序列；所述第2阶段预测功率序列中相邻时间点之间的时间间隔为第二时间阈值；
[0091]
将时间区间处于内的观测风速序列第3次输入至所述gru网络中，获
取在第2,1时间区间内的第3阶段预测功率序列，并且将第2,1时间区间内的第2,1预测功率序列替换为所述第3阶段预测功率序列；所述第3阶段预测功率序列包括第3,1时间区间内的第3,1预测功率序列，和第3,2时间区间内的第3,2预测功率序列；所述第3阶段预测功率序列中相邻时间点之间的时间间隔为第二时间阈值；
[0092]
以此类推，直至
[0093]
将时间区间处于内的观测风速序列第n次输入至所述gru网络中，获取在第n-1,1时间区间内的第n阶段预测功率序列，并且将第n-1，1时间区间内的第n-1，1预测功率序列替换为所述第n阶段预测功率序列，获取最终的第二预测功率序列；
[0094]
所述第n阶段预测功率序列包括第n,1时间区间内的第n,1预测功率序列，和第n,2时间区间内的第n,2预测功率序列；所述第n阶段预测功率序列中相邻时间点之间的时间间隔为第二时间阈值；其中，n为设定的迭代次数；
[0095]
本实施例通过时间粒度由粗到细对预测结构进行递进融合，使得预测的结果更加精确。其中所使用的gru网络为标准gru结构的网络，是领域内现有技术，这里不对网络结构进行详细描述，本实施例仅为使用gru网络实现本发明的技术方案。如图8所述，图中的x
t
为这当前时刻的输入，y
t
为预测的结果，h
t-1
为上一时刻状态，h
t
为当前时刻输出状态；
[0096]
s7：将所述差值预测功率序列和第二预测功率序列进行concat连接，获取测风塔位置的第三时间序列对应的；
[0097]
具体的，将差值预测功率序列和gru网络输出的最终的第二预测功率序列在最后一个维度concat，获得连接后的预测功率序列；其中，concat连接的方法为领域内的常规技术，这里不进行详细描述。
[0098]
s8：将所述连接后的预测功率序列输入至第四mlp网络中，获取测风塔位置的第三时间序列对应的精确预测功率序列；
[0099]
具体的，本发明的第四mlp网络为使用一个线性层的mlp网络，是领域内的常规mlp网络。
[0100]
s9：根据所述观测功率序列(历史真实功率序列)和精确预测功率序列，基于损失函数对所述空间订正mlp网络、时间差值mlp网络、gru网络和第四mlp网络进行训练；其中的损失函数为mse函数。将网络误差进行梯度回传，更新网络参数；得到最终的训练后的空间订正mlp网络、时间差值mlp网络、gru网络和第四mlp网络。以基于训练后的空间订正mlp网络、时间差值mlp网络、gru网络和第四mlp网络，对风功率进行预测。
[0101]
具体的，根据测风塔预测网格中所有经纬度网格点的历史第n天到未来第n天之间的，相邻时间的间隔为第一时间阈值的预报风速序列，以及历史第n天到当前时间的间隔时间为第一时间间隔的观测风速序列，基于训练后的空间订正mlp网络、时间差值mlp网络、gru网络和第四mlp网络，获取在测风塔位置网格中的当前时间到未来第n天的，相邻时间的间隔为第二时间阈值的未来预测功率序列，以对未来n天的时间时间的间隔第二时间阈值的功率值进行预测。
[0102]
本发明针对风场自身特性，使用gru模型利用历史观测风速，递进式的对未来功率进行预测，同时利用数值天气预报的历史预报风速进行预测，最后将两者结果进行融合，从而提高预测准确性。
[0103]
具体的，风机存在切入风速、切出风速、额定风速，在出厂时均进行了标记。只有当风速在切入切出风速间，风机才能正常发电，当风速大于等于额定风速，小于切出风速时，风机的发电功率为额定功率，因此，理想条件下的风速功率曲线如图4所示；然而由于传感器故障、电网限电等一系列现实问题的存在，往往风速-功率曲线呈如图5所示：
[0104]
本发明的实施例中待进行功率异常值修复的目标风机具体如下特点：目标风机的风速在切入切出风速间，功率为0；风速大于额定风速，功率却较小；在风速小于切入风速时，功率不为0；异常值记为nan；
[0105]
当预测功率值存在异常状态时，若进行网络训练所采用的功率中存在异常，会导致网络基于异常的数据进行学习，影响最终的预测精度。因此需要对异常的情况进行排除。本实施例所采用的方法如下：
[0106]
优选地，所述s2后，还包括：获取时间区间为[t1,t3]，且相邻时间点之间的时间间隔为第二时间阈值的第五时间序列中的时间点所对应的测风塔功率值，将功率值小于0的数据更改为等于0。所述测风塔功率值包括所述经纬度网格点的距离地面的第i个高度hi处的功率值。
[0107]
所述s2后，还包括：获取时间区间为[t1,t3]，且相邻时间点之间的时间间隔为第二时间阈值的时间序列中，所有的时间点所对应的测风塔预测网格内的风速值，
[0108]
若所述风速值满足：
[0109]
所述风速值大于切入风速且小于切出风速，且风机的功率为0；
[0110]
或者所述风速值大于风机的额定风速，且风机的功率低于设定功率阈值；
[0111]
或者所述风速值小于风机的额定风速，且风机的功率不等于0；
[0112]
则所述风速值存在异常，重新按时间的先后取第一时间点t1、第二时间点t2和第三时间点t3，直至风速值不存在异常，使得在时间区间为[t1,t3]内的所有取值均是有效的。
[0113]
具体的，清洗掉上述异常数据；最终的到干净的风功率数据，进行风功率的预测，增强预测结果的准确定。
[0114]
本实施例还公开了一种基于深度学习的递进式短期风电功率预测系统，图3所示，包括：观测数据采集模块，数值天气预报请求模块，功率预测训练模块，功率预测模块，数据发送模块，
[0115]
所述观测数据采集模块，用于获取测风塔预测网格内的时间间隔为第二时间间隔的时间序列对应的观测功率序列和观测风速序列；以获取测风塔位置处与第三时间序列对
应的观测功率序列；测风塔预测网格内的所有经纬度网格点的观测风速序列和历史第n天到当前时间的间隔时间为第一时间间隔的观测风速序列；
[0116]
具体的为，本实施例中的观测数据采集模块，记录了间隔15分钟的测风塔观测风速、功率，并进行存储；
[0117]
数值天气预报请求模块，用于下载数值天气预报，即测风塔预测网格中的经纬度网格点的预报风速；并进行存储。
[0118]
功率预测训练模块，用于根据所述测风塔位置处与第三时间序列对应的观测功率序列；测风塔预测网格内的所有经纬度网格点的观测风速序列，和所述预报风速，对空间订正mlp网络、时间差值mlp网络、gru网络和第四mlp网络进行训练；
[0119]
具体的，功率预测训练模块用于接收观测的功率和风速数据以及数值天气预报的预报风速数据，训练预测模型，并且每隔一定时间后，加入最新的观测数据和数值天气预报数据对模型做进一步的优化；
[0120]
功率预测模块，用于根据测风塔预测网格中所有经纬度网格点的，历史第n天到当前时间的间隔时间为第一时间间隔的观测风速序列，和历史第n天到未来第n天之间的，相邻时间的间隔为第一时间阈值的预报风速序列，获取测风塔位置网格中的当前时间到未来第n天的，相邻时间的间隔为第二时间阈值的未来预测功率序列，以对未来n天的时间的间隔第二时间阈值的功率值进行预测。
[0121]
数据发送模块，用于将测风塔位置网格中的当前时间到未来第n天的，相邻时间的间隔为第二时间阈值的未来预测功率序列，上传至风场调度中心。
[0122]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

技术特征：
1.一种基于深度学习的递进式短期风电功率预测方法和系统，其特征在于，包括如下步骤：s1：根据风场的测风塔经纬度和数值天气预报网格，确定在数值天气预报网格中的测风塔所在位置的测风塔位置网格，并根据所述测风塔位置网格，获取用于进行风功率预测所需测风塔预测网格；s2：按时间的先后取第一时间点t1、第二时间点t2和第三时间点t3，其中，定义：第一时间序列对应的时间区间为[t1,t3]，且第一时间序列中相邻时间点之间的时间间隔被设定为第一时间阈值；第二时间序列对应的时间区间为[t2,t3]，且第二时间序列中相邻时间点之间的时间间隔为第一时间阈值；第三时间序列对应的时间区间为[t2,t3]，且第三时间序列中相邻时间点之间的时间间隔为第二时间阈值；其中，所述其中，a为时间转换系数；第四时间序列对应的时间区间为[t4,t2]，其中，第四时间序列对应的时间区间为[t4,t2]，其中，其中，t4为第四时间点，且t4早于t2，且晚于t1；第四时间序列中相邻时间点之间的时间间隔为第一时间阈值；s3：获取所述测风塔预测网格中的经纬度网格点的预报风速；并对所述预报风速进行归一化处理，获取归一化的预报风速；获取测风塔预测网格中的经纬度网格点的观测数据；并对所述观测功率进行归一化处理，获取归一化的观测数据；所述观测数据包括观测功率和观测风速，所述归一化的观测数据包括归一化的观测功率和归一化的观测风速；以根据所述归一化的预报风速，获取测风塔预测网格内的所有经纬度网格点的与第一时间序列对应的预报风速序列；根据归一化的观测功率，获取测风塔位置处与第三时间序列对应的观测功率序列；和根据归一化的观测风速，获取测风塔预测网格内的所有经纬度网格点与第四时间序列对应的观测风速序列；所述预报风速包括所述经纬度网格点的距离地面的第i个高度h
i
处的风速；其中，i＝1,2,
…
；所述观测功率包括所述经纬度网格点的距离地面的第i个高度h
i
处的观测功率；所述观测风速包括所述经纬度网格点的距离地面的第i个高度h
i
处的观测风速；s4：将所述预报风速序列，输入至空间订正mlp网络中，获取所述测风塔位置网格的与第二时间序列对应的预测风速序列，s5：将所述预测风速序列，输入至时间差值mlp网络中，获取测风塔位置的第三时间序列对应的差值预测功率序列；s6：根据所述观测风速序列，基于gru网络获取测风塔位置的第三时间序列对应的第二预测功率序列；s7：将所述差值预测功率序列和第二预测功率序列进行concat连接，获取测风塔位置
的第三时间序列对应的连接后的预测功率序列；s8：将所述连接后的预测功率序列输入至第四mlp网络中，获取测风塔位置的第三时间序列对应的精确预测功率序列；s9：根据所述观测功率序列和精确预测功率序列，基于损失函数对所述空间订正mlp网络、时间差值mlp网络、gru网络和第四mlp网络进行训练；以基于训练后的空间订正mlp网络、时间差值mlp网络、gru网络和第四mlp网络，对风功率进行预测。2.根据权利要求1所述的一种基于深度学习的递进式短期风电功率预测方法和系统，其特征在于，所述第一时间阈值＝1小时＝60分钟；所述第二时间阈值＝15分钟。3.根据权利要求1所述的一种基于深度学习的递进式短期风电功率预测方法和系统，其特征在于，获取第三时间序列对应的第二预测功率序列方法如下：将第四时间序列对应的观测风速序列输入至所述gru网络，获取第三时间序列对应的第1阶段预测功率序列；第1阶段预测功率序列包括在第1,1时间区间内的第1,1预测功率序列，和第1,2时间区间内的第1,2预测功率序列；所述第1阶段预测功率序列中相邻时间点之间的时间间隔为第二时间阈值；将时间区间处于内的观测风速序列输入至所述gru网络中，获取在第1,1时间区间内的第2阶段预测功率序列，并且将第1,1时间区间内的第1,1预测功率序列替换为所述第2阶段预测功率序列；所述第2阶段预测功率序列包括第2,1时间区间内的第2,1预测功率序列，和第2,2时间区间内的第2,2预测功率序列；所述第2阶段预测功率序列中相邻时间点之间的时间间隔为第二时间阈值；将时间区间处于内的观测风速序列输入至所述gru网络中，获取在第2,1时间区间内的第3阶段预测功率序列，并且将第2,1时间区间内的第2,1预测功率序列替换为所述第3阶段预测功率序列；所述第3阶段预测功率序列包括第3,1时间区间内的第3,1预测功率序列，和第3,2时间区间内的第3,2预测功率序列；所述第3阶段预测功率序列中相邻时间点之间的时间间隔为第二时间阈值；以此类推，直至将时间区间处于内的观测风速序列输入至所述gru网络中，获取在第n-1,1时间区间内的第n阶段预测功率序列，并且将第n-1，1时间区间内的第n-1，1预测功率序列替换为所述第n阶段预测功率序列，获取最终的第二预测功率序
列；所述第n阶段预测功率序列包括第n,1时间区间内的第n,1预测功率序列，和第n,2时间区间内的第n,2预测功率序列；所述第n阶段预测功率序列中相邻时间点之间的时间间隔为第二时间阈值；其中，n为设定的迭代次数。4.根据权利要求1所述的一种基于深度学习的递进式短期风电功率预测方法和系统，其特征在于，所述s2后，还包括：获取时间区间为[t1,t3]，且相邻时间点之间的时间间隔为第二时间阈值的时间序列中，所有的时间点所对应的测风塔功率值，将功率值小于0的数据更改为等于0。5.根据权利要求1所述的一种基于深度学习的递进式短期风电功率预测方法和系统，其特征在于，所述s2后，还包括：获取时间区间为[t1,t3]，且相邻时间点之间的时间间隔为第二时间阈值的时间序列中，所有的时间点所对应的测风塔预测网格内的风速值，若所述风速值满足：所述风速值大于切入风速且小于切出风速，且风机的功率为0；或者所述风速值大于风机的额定风速，且风机的功率低于设定功率阈值；或者所述风速值小于风机的额定风速，且风机的功率不等于0；则所述风速值存在异常，重新按时间的先后取第一时间点t1、第二时间点t2和第三时间点t3，直至风速值不存在异常，使得在时间区间为[t1,t3]内的所有取值均是有效的。6.一种基于权利要求1～5任一项所述的基于深度学习的递进式短期风电功率预测方法的预测系统，其特征在于，包括：观测数据采集模块，数值天气预报请求模块，功率预测训练模块，功率预测模块，数据发送模块；所述观测数据采集模块，用于获取测风塔预测网格内的时间间间隔为第二时间间隔的时间序列对应的观测功率序列和观测风速序列；以获取测风塔位置处与第三时间序列对应的观测功率序列；测风塔预测网格内的所有经纬度网格点的观测风速序列和历史第n天到当前时间的间隔时间为第一时间间隔的观测风速序列；数值天气预报请求模块，用于获取测风塔预测网格中的经纬度网格点的预报风速；功率预测训练模块，用于根据所述测风塔位置处与第三时间序列对应的观测功率序列；测风塔预测网格内的所有经纬度网格点的观测风速序列，和所述预报风速，对空间订正mlp网络、时间差值mlp网络、gru网络和第四mlp网络进行训练；功率预测模块，用于根据测风塔预测网格中所有经纬度网格点的，历史第n天到当前时间的间隔时间为第一时间间隔的观测风速序列，和历史第n天到未来第n天之间的，相邻时间的间隔为第一时间阈值的预报风速序列，获取测风塔位置网格中的当前时间到未来第n天的，相邻时间的间隔为第二时间阈值的未来预测功率序列，以对未来n天的时间的间隔第二时间阈值的功率值进行预测；数据发送模块，用于将测风塔位置网格中的当前时间到未来第n天的，相邻时间的间隔为第二时间阈值的未来预测功率序列，上传至风场调度中心。

技术总结
本发明公开了一种基于深度学习的递进式短期风电功率预测方法和系统，包括：根据风场的测风塔经纬度和数值天气预报网格，获取测风塔预测网格内的预报风速序列、观测功率序列和观测风速序列；依次根据空间订正MLP网络、时间差值MLP网络、GRU网络和第四MLP网络，获取预测风速序列、差值预测功率序列、第二预测功率序列和精确预测功率序列；进而根据训练后的网络对风功率进行预测。本发明通过对两条路径对对功率进行预测后将结构进行连接，大大提高了预测精度；同时利用神经网络的黑盒性，使用深度学习建模，有利于突破现有气象科学发展制约。仅需公开的数值天气预报，就可对风场进行具体的建模，不需要花费更多的算力。不需要花费更多的算力。不需要花费更多的算力。


技术研发人员：朱圣晨 马一鸣 王彬
受保护的技术使用者：米塔碳（杭州）智能科技有限公司
技术研发日：2023.05.25
技术公布日：2023/8/13