风电功率预测方法、装置、设备及存储介质

技术领域

本发明涉及风力发电技术领域，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

风电的输出功率依赖风速、温度、风向、压强等气象因素，然而由于这些气象因素的不确定性和间歇性，容易给电网的稳定性造成冲击。因此，需要对风电功率进行预测，以提高电网的稳定性。

传统的风电功率预测方法主要是基于物理模型，如风速耦合能量平衡模型、时间序列模型等。这些方法需要对风电机组的空气动力学有较高的要求，难以对其准确建模，导致预测精度低。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供了一种风电功率预测方法、装置、设备及存储介质，旨在解决现有技术中传统的风电功率预测方法对风电机组的空气动力学有较高要求，难以准确建模，导致预测精度较低的技术问题。

为实现上述目的，本发明提供了一种风电功率预测方法，所述方法包括以下步骤：

获取风电场的待预测数据，并对所述待预测数据进行数据预处理，获得标准待预测数据；

根据所述标准待预测数据确定所述风电场的涡旋特征；

通过混合学习模型对所述标准待预测数据和所述涡旋特征进行预测，获得所述风电场的风电功率。

可选地，所述根据所述标准待预测数据确定所述风电场的涡旋特征的步骤，包括：

通过粒子群算法对所述标准待预测数据进行处理，确定涡旋中心位置；

获取所述涡旋中心位置预设范围内的风场变化情况，并根据所述风场变化情况对所述涡旋中心位置进行优化，获得最终涡旋中心位置；

根据所述最终涡旋中心位置和所述标准待预测数据确定所述风电场中各最终涡旋中心位置的涡旋特征。

可选地，所述通过混合学习模型对所述标准待预测数据和所述涡旋特征进行预测，获得所述风电场的风电功率的步骤，包括：

通过混合学习模型对所述标准待预测数据和所述最终涡旋中心位置处的涡旋特征进行预测，获得所述风电场中各风电机组的风电功率；

根据所述各风电机组的风电功率确定所述风电场的风电功率。

可选地，所述获取风电场的待预测数据，并对所述待预测数据进行数据预处理，获得标准待预测数据的步骤之前，还包括：

获取风电场的历史测量数据，对所述历史测量数据进行预处理，获得标准历史数据；

对所述标准历史数据进行涡旋特征分析，确定所述标准历史数据集对应的涡旋特征；

根据所述标准历史数据和所述涡旋特征生成训练数据集和测试数据集；

将所述训练数据集输入至初始混合学习模型进行训练，获得预混合学习模型；

通过测试数据集对所述预混合学习模型进行精度评估，获得所述预混合学习模型的模型精度；

在所述预混合学习模型的模型精度高于预设精度时，生成混合学习模型。

可选地，所述将所述训练数据集输入至初始混合学习模型进行训练，获得预混合学习模型的步骤，包括：

构建基于BP神经网络和支持向量机的初始混合学习模型；

通过所述训练数据集对BP神经网络和所述支持向量机进行更新训练，获得预混合学习模型。

可选地，所述根据所述标准历史数据和所述涡旋特征生成训练数据集和测试数据集的步骤之前，还包括：

获取风电场中的风电机组启停状态，并根据所述风电机组启停状态生成风电机组启停参数；

相应地，所述根据所述标准历史数据和所述涡旋特征生成训练数据集和测试数据集的步骤，包括：

所述根据所述标准历史数据、所述风电机组启停参数和所述涡旋特征生成训练数据集和测试数据集。

可选地，所述通过测试数据集对所述预混合学习模型进行精度评估，获得所述预混合学习模型的模型精度的步骤之后，还包括：

在所述预混合学习模型的模型精度不高于预设精度时，返回至获取风电场的历史测量数据，对所述历史测量数据进行预处理，获得标准历史数据的步骤，直至所述预混合学习模型的模型精度高于预设精度。

此外，为实现上述目的，本发明还提出一种风电功率预测装置，所述风电功率预测装置包括：

数据处理模块，用于获取风电场的待预测数据，并对所述待预测数据进行数据预处理，获得标准待预测数据；

涡旋分析模块，用于根据所述标准待预测数据确定所述风电场的涡旋特征；

功率预测模块，用于通过混合学习模型对所述标准待预测数据和所述涡旋特征进行预测，获得所述风电场的风电功率。

此外，为实现上述目的，本发明还提出一种风电功率预测设备，所述设备包括：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配置为实现如上文所述的风电功率预测方法的步骤。

此外，为实现上述目的，本发明还提出一种存储介质，所述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文所述的风电功率预测方法的步骤。

本发明通过获取风电场的待预测数据，并对待预测数据进行数据预处理，获得标准待预测数据；根据标准待预测数据确定风电场的涡旋特征；通过混合学习模型对标准待预测数据和涡旋特征进行预测，获得风电场的风电功率。由于是根据风电场的标准待预测数据确定风电场的涡旋特征，并通过混合学习模型对涡旋特征和标准待预测数据进行预测，增加了风电预测的数据维度，提高了风电预测的精度。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的风电功率预测设备的结构示意图；

图2为本发明风电功率预测方法第一实施例的流程示意图；

图3为本发明风电功率预测方法第二实施例的流程示意图；

图4为本发明风电功率预测方法第三实施例的流程示意图；

图5为本发明风电功率预测方法的一个应用场景流程图；

图6为本发明风电功率预测装置第一实施例的结构框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的风电功率预测设备结构示意图。

如图1所示，该风电功率预测设备可以包括：处理器1001，例如中央处理器（Central Processing Unit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（Wireless-Fidelity，Wi-Fi）接口）。存储器1005可以是高速的随机存取存储器（RandomAccess Memory，RAM），也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对风电功率预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及风电功率预测程序。

在图1所示的风电功率预测设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明风电功率预测设备中的处理器1001、存储器1005可以设置在风电功率预测设备中，所述风电功率预测设备通过处理器1001调用存储器1005中存储的风电功率预测程序，并执行本发明实施例提供的风电功率预测方法。

本发明实施例提供了一种风电功率预测方法，参照图2，图2为本发明风电功率预测方法第一实施例的流程示意图。

需要说明的是，为了解决现有技术中传统的风电功率预测方法主要基于物理模型，对风电机组的空气动力学有较高要求，难以准确建模而导致预测精度较低的问题。本发明通过采用BP神经网络和支持向量机（Support Vector Machine，SVM）相结合的混合学习算法建立了混合学习模型，综合考虑两种方法的优势，提高了功率预测的鲁棒性，进一步地提高了预测精度。本发明考虑到气象因素以及单个风电机组对风电场功率的影响，将温度、湿度、压强等气象数据以及风电机组的功率、风电机组的涡旋特征、风电机组的启停等特征作为混合学习模型的输入，从而实现了从多维度对风电场的功率进行预测，并细化到对风电机组的单机预测，实现了风电场的分布式控制。

可以理解的是，在执行风电功率预测方法之前，需要建立有混合学习模型。建立混合学习模型的方法可以如下所示：

步骤S01：获取风电场的历史测量数据，对所述历史测量数据进行预处理，获得标准历史数据。

应当理解的是，进行混合学习建模的设备可以是上述风电功率预测设备，也可以是其他具备数据建模功能的设备，本实施例对此不加以限制。本实施例及下述各实施例以风电功率预测设备为例加以详细说明。

需要说明的是，通过获取风电场过去N小时内的风速、风向、温度、压强以及风电机组功率等历史测量数据，从而构成混合学习算法的输入和输出变量，实现了混合学习模型的构建。

可以理解的是，在获取到风电场的历史测量数据时，即可采用预设的数据预处理方法检测数据中的异常值和离群点，从而对历史测量数据进行平滑处理，滤除历史测量数据中的噪声数据，提高后续建模效果。

应当理解的是，本实施例中，考虑到气象因素对于风电功率的影响，将温度、湿度、压强等气象数据作为初始混合学习模型的输入变量，从而进一步地提高在某些气象条件下的预测精度。

具体地，可以使用LOF算法，通过检测历史测量数据中各数据点的LOF值，识别历史测量数据中的离群点，从而对历史测量数据进行平滑处理。

需要说明的是，平滑处理的方法还可以包括基于均值和标准差的Z-score方法、箱线图法等，本实施例对此不加以限制。

在具体实现中，风电功率预测设备获取风电场的历史测量数据，并去除历史测量数据中的异常值和离群点，获得标准历史数据。

步骤S02：对所述标准历史数据进行涡旋特征分析，确定所述标准历史数据集对应的涡旋特征。

需要说明的是，通过对标准历史数据进行涡旋特征分析，可以确定风电场中的各个涡旋中心位置以及涡旋对应的涡旋特征。

相较于现有技术，本发明提出的混合学习模型将风电场中涡旋的涡旋中心位置以及涡旋对应的涡旋特征作为额外的输入，可以帮助混合学习算法建立更为准确的映射关系，提高了混合学习模型的预测精度。此外，无需对风电机组的空气动力学设计的要求，可以准确地建立用于预测风电场风电功率的学习模型。

需要说明的是，为了对标准历史数据进行涡旋特征分析，首先要确定风电场中各涡旋的涡旋中心位置。确定涡旋中心位置的方法可以是旋涡检测算法、自相关函数分析法等，本实施例对此不加以限制。

可以理解的是，在确定涡旋中心位置时即可在旋涡中心周围的风速和风向数据上进行进一步地分析，提取涡旋特征，例如，涡旋的风电变化、涡旋编辑、涡旋强度、周期性等特征。

应当理解的是，提取获得的涡旋特征可以作为混合学习模型的额外输入特征，进一步地增强混合学习模型的预测精度。

在具体实现中，风电功率预测设备对标准历史数据进行涡旋特征分析，确定风电场中各个涡旋对应的涡旋中心位置以及涡旋对应的涡旋特征，并将涡旋特征作为混合学习模型的额外输入特征，以进一步增强混合学习模型的预测精度。

步骤S03：根据所述标准历史数据和所述涡旋特征生成训练数据集和测试数据集。

可以理解的是，为了获得混合学习模型的训练数据，可以将标准历史数据和涡旋特征划分为训练数据集和测试数据集。具体的划分比例可以是，80%为训练数据集，20%为测试数据集；或者70%为训练数据集，30%为测试数据集，本实施例不对训练数据的划分比例进行限制，可以根据实际应用中的需求进行划分。

应当理解的是，训练数据集也即用于对初始混合学习模型进行训练的数据，通过对初始混合学习模型进行训练，即可获得能够用于预测风电场数据的预混合学习模型。具体地，步骤S04：将所述训练数据集输入至初始混合学习模型进行训练，获得预混合学习模型。

需要解释的是，本实施例中，采用基于BP神经网络和支持向量机的混合学习算法构建初始混合学习模型，并将训练数据集作为初始混合学习模型的输入数据，从而实现对初始混合学习模型的训练，获得预训练模型。

可以理解的是，BP神经网络可以拟合复杂的非线性关系，支持向量机具备较强的泛化能力。通过结合BP神经网络和支持向量机构建初始混合学习模型，可以结合双方的优点，提高风电功率的预测精度，提高了预测的鲁棒性。

具体地，可以设定BP神经网络的输入层、隐藏层和输出层的节点数，并初始化权重值；从训练数据集中随机选择一个数据样本作为BP神经网络的输入，将该数据样本的特征输入至网络中，并通过前向传播计算出该数据样本的输出结果。

同时，选择合适的函数作为SVM模型的核函数，例如高斯核函数、线性核函数等。并为SVM模型选定对应的参数，如惩罚系数、核函数参数等。从而根据训练数据集对SVM模型进行训练，以获得能够进行风电功率预测的SVM模型。

进一步地，将BP神经网络和SVM模型进行融合，即可获得预神经网络模型。其中，进行模型融合的方式可以是加权融合，具体可以为设定BP神经网络的模型权重和SVM模型的模型权重，并根据各自的模型权重对输出结果进行加权计算，从而获得了融合后的输出结果。

应当理解的是，各模型的模型权重可以根据实际应用中的模型性能、模型置信度等因素进行确定，本实施例对此不加以限制。

需要说明的是，为了进一步地提高混合学习模型的预测精度，可以通过测试数据集对预混合学习模型进行进一步优化。

具体地，步骤S05：通过测试数据集对所述预混合学习模型进行精度评估，获得所述预混合学习模型的模型精度。

步骤S06：在所述预混合学习模型的模型精度高于预设精度时，生成混合学习模型；

可以理解的是，通过对预混合学习模型进行精度评估并根据精度评估结果判断预混合学习模型是否合格。若预混合学习模型合格，则可以将该预混合学习模型作为混合学习模型以进行风电场的风电功率预测。若预混合学习模型不合格，则需要更新训练数据，并根据更新后的训练数据重新建立预混合学习模型。也即，所述通过测试数据集对所述预混合学习模型进行精度评估，获得所述预混合学习模型的模型精度的步骤之后，还包括：

在所述预混合学习模型的模型精度不高于预设精度时，返回至获取风电场的历史测量数据，对所述历史测量数据进行预处理，获得标准历史数据的步骤，直至所述预混合学习模型的模型精度高于预设精度。

需要说明的是，进行精度评估的方式可以是使用平均绝对误差(mean absoluteerror，MAE)、均方根误差（Root Mean Squared Error，RMSE）、平均绝对百分比误差（Meanabsolute percentage error，MAPE）等验证指标进行评估。本实施例采用留出法将采集到的历史测量数据划分为训练数据集和测试数据集，并通过多次交叉验证计算验证指标的平均值，从而提高精度评估的可靠性，并设置验证指标阈值以判断预混合学习模型的性能是否能达到需求。

可以理解的是，通过对预混合学习模型进行精度评估，从而确保生成的混合学习模型可以达到预设的模型精度需求，从而提高了风电功率的预测准确度。

应当理解的是，在获得混合学习模型后，即可通过混合学习模型对风电场的风电功率进行预测。

本实施例中，所述风电功率预测方法包括以下步骤：

步骤S10：获取风电场的待预测数据，并对所述待预测数据进行数据预处理，获得标准待预测数据。

需要说明的是，本实施例方法的执行主体可以是具有风电预测、数据处理以及程序运行功能的终端设备，例如计算机、服务器等，也可以是具有相同或相似功能的电子设备，例如上述风电功率预测设备。以下以风电功率预测设备（以下简称预测设备）为例对本实施例及下述各实施例进行说明。

可以理解的是，风电场即为进行风力发电的区域，风电场中可以设有多台风电机组。通过风电机组，可以实现风电场的风力发电。

应当理解的是，上述待预测数据即为可以对风电场功率进行预测的风电参数，例如风向、温度、湿度、压强、风速等风电场测量数据。该待预测数据可以是实时数据也可以是非实时数据，本实施例对此不加以限制。

可以理解的是，在风电机组上可以安装有数字风速计或其他风速测量设备，通过数字风速计可以对风电机组进行风力发电时的风速进行测量，从而确定风速数据。

应当理解的是，其他风电场测量数据可以通过与风速相同或相似的测量设备进行测量，本实施例对此不加以限制。

需要说明的是，在获得风电场测量数据时，可以对获得的测量数据进行预处理，从而提高风电场测量数据的数据质量，更好地进行功率预测。其中，预处理的方法可以包括：缺失值填补、异常值检测与修复、标准化等处理方式，本实施例对此不加以限制。

可以理解的是，对待预测数据进行数据预处理，可以获得更高数据质量的标准待预测数据，避免了检测到的测量数据中的冗余数据干扰，提高了功率预测的准确性。

在具体实现中，预测设备通过获取测量设备测量到的风电场的待预测数据，并对待预测数据进行数据预处理，获得数据质量更高的标准待预测数据。

步骤S20：根据所述标准待预测数据确定所述风电场的涡旋特征。

需要说明的是，上述风电场的涡旋特征也即风电场中各风电机组的涡旋特征。该涡旋特征可以包括涡旋中心位置、涡旋半径、涡旋方向、涡旋强度、周期性等特征。本实施例将各风电机组的涡旋特征作为判断风电机组额外特征，可以更准确地预测风电场功率，同时适应风电机组长期运行过程中的性能变化，在实现预测精度的同时保证预测稳定性。

可以理解的是，通过将风电场中各涡旋的涡旋特征作为混合学习模型的额外输入特征，可以更好地理解涡旋对风电机组的功率输出、疲劳荷载等方面的影响，提高了风电预测的精度。

在具体实现中，预测设备根据标准待预测数据进行涡旋特征分析，确定风电场的涡旋特征，并将涡旋特征作为混合学习模型的额外输入特征，进一步地提高风电功率预测的混合学习模型的预测精度与稳定性。

步骤S30：通过混合学习模型对所述标准待预测数据和所述涡旋特征进行预测，获得所述风电场的风电功率。

可以理解的是，在获得标准待预测数据和风电场中涡旋的涡旋特征时，即可通过混合学习模型对标准待预测数据和涡旋特征进行预测，获得风电场的风电功率。从而实现了根据输入的待预测数据进行风电场的风电功率预测，通过基于BP神经网络和支持向量机的混合体学习模型进行预测，提高了预测精度；将风电场中涡旋的涡旋特征作为额外的输入特征，从而将风电场的功率预测细化到各个风电机组的电机预测，实现了分布式的风电场功率预测，进一步地提高了预测的精度。

在具体实现中，预测设备通过混合学习模型对标准待预测数据和涡旋特征进行预测，获得了风电场的风电功率，提高了风电预测的精度。

本实施例通过获取风电场的待预测数据，并对待预测数据进行数据预处理，获得标准待预测数据；根据标准待预测数据确定风电场的涡旋特征；通过混合学习模型对标准待预测数据和涡旋特征进行预测，获得风电场的风电功率。由于是根据风电场的标准待预测数据确定风电场的涡旋特征，并通过混合学习模型对涡旋特征和标准待预测数据进行预测，增加了风电预测的数据维度，提高了风电预测的精度。

参考图3，图3为本发明风电功率预测方法第二实施例的流程示意图。

基于上述第一实施例，在本实施例中，为了对标准待预测数据进行涡旋特征分析，所述根据所述标准待预测数据确定所述风电场的涡旋特征的步骤，包括：

步骤S21：通过粒子群算法对所述标准待预测数据进行处理，确定涡旋中心位置；

步骤S22：获取所述涡旋中心位置预设范围内的风场变化情况，并根据所述风场变化情况对所述涡旋中心位置进行优化，获得最终涡旋中心位置。

需要解释的是，本实施例在获得标准待预测数据时，即可计算根据标准待预测数据中的风向数据、风速数据计算旋转角速度。并利用粒子群算法根据旋转角速度和标准待预测数据区级涡旋中心位置，计算各涡旋中心位置预设范围内的风场变化情况，从而确定最终涡旋中心位置。

需要说明的是，本实施例中通过粒子群算法对标准待预测数据进行处理，从而确定风电场中的涡旋中心位置。

具体地，可以定义目标函数，该目标函数可以基于风速和风向等标准待预测数据的差异度来衡量涡旋中心位置的置信度。差异度越小，则可以说明涡旋中心位置与预设范围内的风速和风向值更一致。

通过设定粒子群的初始位置和速度，并为每个粒子分配随机的初始位置。通过将每个粒子的位置代表涡旋中心的估计，从而可以根据粒子位置确定出涡旋中心位置。对于每个粒子的位置，可以通过计算其周围预设范围内的风向和风速的差异度来评估其适应度。

需要说明的是，上述预设范围可以是粒子周围的3m、4m、5m或其他距离范围内，本实施例对此不加以限制。上述衡量差异度的指标可以是欧式距离、余弦相似度或者其他指标，本实施例对此不加以限制。

应当理解的是，上述风场变化情况可以包括风速变化情况、风向变化情况、温度变化情况、压强变化情况等。

可以理解的是，根据粒子群算法的更新规则，可以更新每个粒子的位置和速度，通过不断迭代调整各粒子的位置，即可获得最优的涡旋中心位置，也即最终涡旋中心位置。

需要解释的是，在进行模型训练时也可以采用粒子群算法作为本发明的涡旋分析方法，本实施例对此不加以限制。

在具体实现中，预测设备通过粒子群算法对标准待预测数据进行处理，确定了风电场中涡旋的涡旋中心位置；并根据涡旋中心位置预设范围内的风场变化情况对涡旋中心位置进行优化，确定最终涡旋中心位置。

步骤S23：根据所述最终涡旋中心位置和所述标准待预测数据确定所述风电场中各最终涡旋中心位置的涡旋特征。

可以理解的是，在确定风电场的最终涡旋中心位置时，即可根据各涡旋的最终涡旋中心位置确定该涡旋对应的涡旋特征，如涡旋半径、风向变化、风速梯度、周期性、涡旋强度、角速度等。

相应的，所述通过混合学习模型对所述标准待预测数据和所述涡旋特征进行预测，获得所述风电场的风电功率的步骤，包括：

步骤S31：通过混合学习模型对所述标准待预测数据和所述最终涡旋中心位置处的涡旋特征进行预测，获得所述风电场中各风电机组的风电功率。

步骤S32：根据所述各风电机组的风电功率确定所述风电场的风电功率。

可以理解的是，在获得标准带预测数据和最终涡旋中心位置处的涡旋特征时，即可根据标准待预测数据和涡旋特征确定风电场中各风电机组的风电功率，再汇总每个风电机组的预测功率，即可得到整个风电场的预测功率。从而实现了分布式风电场控制，提高了混合学习模型的鲁棒性，更加准确地建立了风电机组的非线性映射关系,实现高精度预测。同时，可以适应风电机组长期运行过程中的性能变化，在实现预测精度的同时保证预测稳定性。

本实施例通过粒子群算法对标准待预测数据进行处理，确定涡旋中心位置；获取涡旋中心位置预设范围内的风场变化情况，并根据风场变化情况对涡旋中心位置进行优化，获得最终涡旋中心位置；根据最终涡旋中心位置和标准待预测数据确定风电场中各最终涡旋中心位置的涡旋特征。由于是通过根据最终涡旋中心位置确定风电场中涡旋的涡旋特征，使得对风电场的功率预测细化到单机预测，提高了预测的精度，实现了分布式风电场控制。

基于上述各实施例，为了使进一步地提高风电预测的精度，提出本发明方法的第三实施例，参考图4，图4为本发明风电功率预测方法第三实施例的流程示意图。

在本实施例中，所述根据所述标准历史数据和所述涡旋特征生成训练数据集和测试数据集的步骤之前，还包括：

步骤S02A：获取风电场中的风电机组启停状态，并根据所述风电机组启停状态生成风电机组启停参数；

相应地，所述根据所述标准历史数据和所述涡旋特征生成训练数据集和测试数据集的步骤，包括：

步骤S03A：所述根据所述标准历史数据、所述风电机组启停参数和所述涡旋特征生成训练数据集和测试数据集。

需要说明的是，考虑到风电机组在启动和停止期间的功率变化剧烈，这段时间内的预测难度较大。为了防止启动及停止期间的功率变化对预测造成干扰，本实施例引入启停参数来用于表示风电机组的启停状态。并将启停参数作为风电机组的初始混合学习模型的额外输入参数对初始混合学习模型进行训练，提高了风电机组在开启及停止过程中过渡时期的预测精度，进一步地提高了风电功率预测的准确度。

可以理解的是，通过引入启停参数，在进行混合学习模型的构建时，需要将启停参数加入至对应的训练数据集以及测试数据集中，以实现对初始混合学习模型的训练以及预测，生成用于预测风电场的风电功率的混合学习模型。

应当理解的是，在进行混合学习模型应用时，同样可以获取风电机组的启停参数，从而更准确地预测风电场的风电功率。

本实施例通过获取风电场中的风电机组启停状态，并根据所述风电机组启停状态生成风电机组启停参数；并将启停参数作为额外输入特征对初始混合学习模型进行训练的。通过考虑风电机组在启动和停止期间功率变化剧烈的情况，引入启停参数进行专门预测，提高了风电机组在启动及停止时的预测精度。

如图5所示，图5为本发明风电功率预测方法的一个应用场景流程图。

参照图5，在一种实现方式中，通过获取历史测量数据，并对历史测量数据进行数据预处理操作从而获得标准历史测量数据。通过对标准历史测量数据进行涡旋特征分析，可以进一步地确定风电场中涡旋的涡旋特征。同时，还可以引入启停参数以对风电机组的开启及停止期间的功率进行专门预测。

进一步地，根据标准历史测量数据、涡旋特征以及启停参数确定训练数据集，并通过混合学习算法构建混合学习模型。通过训练数据集对混合学习模型进行训练，并对混合学习模型的输出进行精度评估，根据精度评估结果判断混合学习模型的模型精度。

进一步地，根据模型精度判断是否达到要求的模型精度。若未达到精度，则需要重新获取新的历史测量数据以及新的历史测量数据对应的训练数据集，并返回至通过混合学习算法构建混合学习模型的步骤，对新的历史测量数据对应的训练数据集进行预测，从而实现对混合学习模型的更新。通过多次迭代更新，直至混合学习模型达到精度，从而获得了能够用于进行功率预测的混合学习模型。

进一步地，通过获取风电场的实时风速、风向、温度和压强等数据作为输入，实时计算涡旋特征，并输入至混合学习模型进行预测，实现风电机组功率的实时预测，再将每个风电机组的预测功率进行汇总，获得整个风电场的预测功率。

本发明通过采用混合学习算法建立混合学习模型，结合了风电场中涡旋的涡旋特征，可以更加准确地建立风电机组的非线性映射关系，实现风电场风电功率的高精度预测。本发明的方法可以通过在线获取实时风电场数据进行学习算法更新，能够是英语风电机组长期运行过程中的性能变化，在实现预测精度的同时保证了预测稳定性。

同时，本发明采用混合学习算法和数据分析方法，易于工程实现，技术复杂度较低，具有较好的可行性。同时，混合学习算法具备较高的实时性，可以在较低的计算量下快速完成预测，满足风电预报应用需求。

此外，本发明通过细化到单机预测，可以预测个别风机的功率，为风电场的分布式控制和修正提供基础，有利于风电场优化运营，能够完成个体风电机组的预测。同时具有较强的可扩展性，且不依赖于特定的风电机组，具备较强的泛化能力。

此外，本发明实施例还提出一种存储介质，所述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文所述的风电功率预测方法的步骤。

基于本发明风电功率预测方法的第一实施例，提出本发明风电功率预测装置的第一实施例，参照图6，图6为本发明风电功率预测装置第一实施例的结构框图。

如图6所示，本发明实施例提出的风电功率预测装置包括：

数据处理模块601，用于获取风电场的待预测数据，并对所述待预测数据进行数据预处理，获得标准待预测数据；

涡旋分析模块602，用于根据所述标准待预测数据确定所述风电场的涡旋特征；

功率预测模块603，用于通过混合学习模型对所述标准待预测数据和所述涡旋特征进行预测，获得所述风电场的风电功率。

本实施例通过获取风电场的待预测数据，并对待预测数据进行数据预处理，获得标准待预测数据；根据标准待预测数据确定风电场的涡旋特征；通过混合学习模型对标准待预测数据和涡旋特征进行预测，获得风电场的风电功率。由于是根据风电场的标准待预测数据确定风电场的涡旋特征，并通过混合学习模型对涡旋特征和标准待预测数据进行预测，增加了风电预测的数据维度，提高了风电预测的精度。

进一步地，所述涡旋分析模块602，还用于通过粒子群算法对所述标准待预测数据进行处理，确定涡旋中心位置；获取所述涡旋中心位置预设范围内的风场变化情况，并根据所述风场变化情况对所述涡旋中心位置进行优化，获得最终涡旋中心位置；根据所述最终涡旋中心位置和所述标准待预测数据确定所述风电场中各最终涡旋中心位置的涡旋特征。

进一步地，所述涡旋分析模块602，还用于通过混合学习模型对所述标准待预测数据和所述最终涡旋中心位置处的涡旋特征进行预测，获得所述风电场中各风电机组的风电功率；根据所述各风电机组的风电功率确定所述风电场的风电功率。

进一步地，所述风电功率预测装置还包括：模型构建模块；所述模型构建模块，用于获取风电场的历史测量数据，对所述历史测量数据进行预处理，获得标准历史数据；对所述标准历史数据进行涡旋特征分析，确定所述标准历史数据集对应的涡旋特征；根据所述标准历史数据和所述涡旋特征生成训练数据集和测试数据集；将所述训练数据集输入至初始混合学习模型进行训练，获得预混合学习模型；通过测试数据集对所述预混合学习模型进行精度评估，获得所述预混合学习模型的模型精度；在所述预混合学习模型的模型精度高于预设精度时，生成混合学习模型。

进一步地，所述模型构建模块，还用于构建基于BP神经网络和支持向量机的初始混合学习模型；通过所述训练数据集对BP神经网络和所述支持向量机进行更新训练，获得预混合学习模型。

进一步地，所述模型构建模块，还用于获取风电场中的风电机组启停状态，并根据所述风电机组启停状态生成风电机组启停参数；所述根据所述标准历史数据、所述风电机组启停参数和所述涡旋特征生成训练数据集和测试数据集。

进一步地，所述模型构建模块，还用于在所述预混合学习模型的模型精度不高于预设精度时，返回至获取风电场的历史测量数据，对所述历史测量数据进行预处理，获得标准历史数据的步骤，直至所述预混合学习模型的模型精度高于预设精度。

本发明风电功率预测装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。

需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如只读存储器/随机存取存储器、磁碟、光盘）中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。