风力发电设备的功率预测方法及装置

技术领域

本公开涉及电池故障诊断领域，尤其涉及一种风力发电设备的功率预测方法及装置。

背景技术

风力发电作为重要的清洁可再生能源，近年来得到快速发展。风力发电设备的功率预测对缓解电网调峰压力、减少电力系统备用容量配置、提高电网风电接纳能力等均具有重要意义。因此，亟需一种准确预测风力发电设备的功率的方法。

发明内容

本公开提出一种风力发电设备的功率预测方法及装置。具体方案如下：

本公开一方面实施例提供一种风力发电设备的功率预测方法，包括：

获取在各历史时刻风力发电设备对应的各参考指标下的历史数值及其输出的历史功率，其中，参考指标包括各高度位置的风速，及风力发电设备所属环境的温度、湿度、气压、气压密度；

确定历史功率分别与各参考指标下的历史数值间的相关度，以基于相关度从各参考指标中确定出目标指标；

基于各历史时刻下目标维度的历史数值对初始风电功率模型的参数进行迭代优化，确定风电功率模型；

将当前时刻风力发电设备对应的目标维度下的数值输入风电功率模型中，获取风电功率模型输出的风力发电设备下一时刻的功率。

本公开另一方面实施例提供一种电池短路故障的检测装置，包括：

获取模块，用于获取在各历史时刻风力发电设备对应的各参考指标下的历史数值及其输出的历史功率，其中，参考指标包括各高度位置的风速，及风力发电设备所属环境的温度、湿度、气压、气压密度；

确定模块，用于确定历史功率分别与各参考指标下的历史数值间的相关度，以基于相关度从各参考指标中确定出目标指标；

优化模块，用于基于各历史时刻下目标维度的历史数值对初始风电功率模型的参数进行迭代优化，确定风电功率模型；

预测模块，用于将当前时刻风力发电设备对应的目标维度下的数值输入风电功率模型中，获取风电功率模型输出的风力发电设备下一时刻的功率。

本公开另一方面实施例提供一种计算机设备，包括处理器和存储器；

其中，处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，以用于实现如上述实施例的方法。

本公开另一方面实施例提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如上述实施例的方法。

本公开附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。

附图说明

本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本公开实施例提供的一种风力发电设备的功率预测方法的流程示意图；

图2为本公开实施例提供的另一种风力发电设备的功率预测方法的流程示意图；

图3为本公开实施例提供的一种风力发电设备的功率预测装置的结构示意图。

具体实施方式

下面详细描述本公开的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本公开，而不能理解为对本公开的限制。

受风力发电设备周围的地形条件、建筑物、树木或其它障碍物的影响以及风力发电设备之间的尾流影响，不同高度位置的风速、气压等对不同区域内的风力发电设备的功率以及同一区域内不同位置的风力发电设备的功率产生不同程度的影响。因此，可以分别针对每一个风力发电设备，确定出对其输出的功率影响较大的因素，以根据影响较大的因素进行风力发电设备的功率预测，从而提高风力发电设备的功率预测的准确性。

下面参考附图描述本公开实施例的风力发电设备的功率预测方法。

图1为本公开实施例提供的一种风力发电设备的功率预测方法的流程示意图。

本公开实施例的风力发电设备的功率预测方法，是由本公开实施例提供的风力发电设备的功率预测装置(以下简称预测装置)执行，该装置可配置于计算机设备中，以实现对风力发电设备输出的功率准确预测性。

如图1所示，该风力发电设备的功率预测方法，包括：

步骤101，获取在各历史时刻风力发电设备对应的各参考指标下的历史数值及其输出的历史功率，其中，参考指标包括各高度位置的风速，及风力发电设备所属环境的温度、湿度、气压、气压密度。

其中，参考指标可以理解为风力发电设备所在环境的环境参数。

本申请中，可以通过测风塔实时获取不同高度位置的风速，并通过传感器实时获取风力发电设备所在环境的温度、湿度、气压、气压密度等。之后，可以将在各时刻获取的不同高度位置的风速、温度、湿度、气压、气压密度等存储在系统中。其中，不同高度位置可以为地面上10米处、地面上30米处、地面上50米处、地面上70米处、地面上90米处、风力发电设备的塔筒高度处等，或者还可以为塔筒高度上10米处、塔筒高度上30米处、塔筒高度上50米处、塔筒高度下10米处、塔筒高度下30米处等，本申请对此不作限制。

步骤102，确定历史功率分别与各参考指标下的历史数值间的相关度，以基于相关度从各参考指标中确定出目标指标。

本申请中，可以通过任意相关度算法确定历史功率分别与各参考指标下的历史数值间的相关度。比如，历史功率分别与各参考指标下的历史数值间的相关度可参见如下皮尔逊Pearson相关度公式：

可选的，还可以对各历史时刻的历史功率进行拟合，确定历史功率对应的第一变化趋势图，并分别对各历史时刻各参考指标下的历史数值进行拟合，确定各参考指标对应的第二变化趋势图。之后，确定第一变化趋势图与每个第二变化趋势图间的相似度，并将第一变化趋势图与每个第二变化趋势图间的相似度，确定为历史功率与每个参考指标下的历史数值间的相关度。其中，第一变化趋势图中可以包括历史功率中极值点对应的历史时刻及极值点类型。第二变化趋势图中可以包括其对应的参考指标下的历史数值中极值点对应的历史时刻及极值点类型。从而提高确定相关度的准确性，进而有利于提高确定目标指标的准确性。

本申请中，在任一参考指标下的历史数值与历史功率间的相关度大于或等于预设阈值的情况下，说明该参考指标的变化对风力发电设备输出功率有较大影响。因此，可以将该参考指标确定为目标指标。在任一参考指标下的历史数值与历史功率间的相关度小于预设阈值的情况下，说明该参考指标的变化对风力发电设备输出功率影响较小。因此，该参考指标不为目标指标。

步骤103，基于各历史时刻下目标维度的历史数值对初始风电功率模型的参数进行迭代优化，确定风电功率模型。

其中，初始风电功率模型可以为最小二乘支持向量机(Least SquaresSupportVectorMachines，LSSVM)等任意神经网络模型。当初始风电功率模型为LSSVM模型时，初始风电功率模型的参数为受惩罚因子及核函数中的参数。

本申请中，可以分别将各历史时刻下目标维度的历史数值输入初始风电功率模型，获取初始风电功率模型输出的预测功率。之后，可以根据预测功率与其对应的历史功率间的差值，确定损失值，以基于损失值对初始风电功率模型的参数进行调整，直至获取最终的风电功率模型。

步骤104，将当前时刻风力发电设备对应的目标维度下的数值输入风电功率模型中，获取风电功率模型输出的风力发电设备下一时刻的功率。

本申请中，获取在各历史时刻风力发电设备对应的各参考指标下的历史数值及其输出的历史功率后，确定历史功率分别与各参考指标下的历史数值间的相关度，以基于相关度从各参考指标中确定出目标指标，并基于各历史时刻下目标维度的历史数值对初始风电功率模型的参数进行迭代优化，确定风电功率模型，之后，将当前时刻风力发电设备对应的目标维度下的数值输入风电功率模型中，获取风电功率模型输出的风力发电设备下一时刻的功率。由此，基于历史功率分别与各参考指标下的历史数值间的相关度，从各参考指标中筛选出对风力发电设备的功率影响较大的目标指标，以基于目标指标下的历史数值优化获取的风电功率模型预测下一时刻风力发电设备的功率。从而提高了风力发电设备的功率预测的准确性。

图2为本公开实施例提供的一种风力发电设备的功率预测方法的流程示意图。

如图2所示，该风力发电设备的功率预测方法，包括：

步骤201，获取在各历史时刻风力发电设备对应的各参考指标下的历史数值及其输出的历史功率，其中，参考指标包括各高度位置的风速，及风力发电设备所属环境的温度、湿度、气压、气压密度。

步骤202，确定历史功率分别与各参考指标下的历史数值间的相关度，以基于相关度从各参考指标中确定出目标指标。

本申请中，步骤201-步骤202的具体实现过程，可参见本公开任一实施例的详细描述，在此不再赘述。

步骤203，基于预设搜索空间对风电功率模型的参数进行初始化，确定多个初始参数组，其中，初始参数组为第一参数组或第一参数组对应的第二参数组。

本申请中，可以在系统中预先设置各参数对应的取值范围(即搜索空间)。比如，假设有两个待优化的参数，该两个参数的取值上线可以为x

比如，初始化计算方式可参见如下公式：

x

x

此外，可以从多个初始参数组随机取预设比例的初始参数组作为第一参数组，并将剩余的初始参数组作为第二参数组。之后，可以第一参数组及第二参数组分别进行编号，并基于第二参数组的编号确定其对应的第一参数组。

比如，确定各第二参数组对应的第一参数组的计算方式可参见如下公式：

k＝1+mod(i.N

i为第i个第二参数组的编号，N

步骤204，确定每个第一参数组及每个第二参数组的适应度。

本申请中，可以基于每个第一参数组更新初始风电功率模型的参数，获取每个第一参数组对应的中间风电功率模型，并将各历史时刻目标维度下的历史数值输入每个中间风电功率模型，获取每个中间风电模型输出的预测功率。之后，再根据每个第一参数组对应的中间风电模型输出的预测功率与历史功率间的差值，确定每个第一参数组的适应度。

同理，可以基于每个第二参数组更新初始风电功率模型的参数，获取每个第二参数组对应的中间风电功率模型，并将各历史时刻目标维度下的历史数值输入每个中间风电功率模型，获取每个中间风电模型输出的预测功率。之后，再根据每个第二参数组对应的中间风电模型输出的预测功率与历史功率间的差值，确定每个第二参数组的适应度。

比如，可基于如下公式确定中间风电功率模型对应的均方误差：

N

之后，再基于第一参数组或第二参数组对应的中间风电功率模型的均方误差，确定第第一参数组或二参数组的适应度。

可以理解的是，第一参数组或第二参数组适应度越大，其对应的风电模型输出的预测功率越准确。

步骤205，基于任一预设的更新策略及每个第二参数组对应的第一参数组，对每个第二参数组进行更新。

本申请中，可以在系统中预先设置多个更新策略。之后，可以随机选择其中任意一个更新策略，并基于该更新策略及每个第二参数组对应的第一参数组对每个第二参数组进行更新。从而避免了风电功率模型的参数陷入局部最小值以及过拟合等问题，进而提高了风力发电设备的功率预测的准确性。

可选的，可以根据第二参数组与其对应的第一参数组间的距离，对第二参数组进行更新。比如，第二参数组的更新方式可参见如下公式：

其中，x

可选的，还可以根据第二参数组的前一第二参数组，对第二参数组进行更新，其中，前一第二参数组为对应的标识为第二参考组的标识之前一个的第二参考组，标识可以为第二参数组对应的编号等任意可以唯一确定第二参考组的信息。比如，第二参数组的更新方式可参见如下公式：

x

可选的，还可以在搜索空间内随机生成第三参数组，以基于第三参数组更新第二参数组。比如，第二参数组的更新方式可参见如下公式：

R

步骤206，在任一第一参数组的适应度小于其对应的任一第二参数组的适应度的情况下，根据任一第一参数组对应的第二参数组中适应度最大的第二参数组更新任一第一参数组。

本申请中，在某一第一参数组的适应度小于其对应的某一第二参数组的适应度的情况下，说明该第一参数组对应的风电功率模型的准确性小于该第二参数组对应的风电功率模型的准确性。因此，可以根据该第二参数组更新该第一参数组，以使第一参数组逐渐趋近与最优参数组。

比如，可以参见如下公式对第一参数组进行更新：

R

本申请中，在某一第一参数组的适应度大于或等于其对应的某一第二参数组的适应度的情况下，说明该第一参数组对应的风电功率模型的准确性不小于该第二参数组对应的风电功率模型的准确性。因此，可以不对该第一参数组进行更新，以保证第一参数组为最优参数组。

步骤207，重复执行上述确定适应度、更新第一参数组及第二参数组的过程，直至迭代次数达到预设值。

重复执行上述步骤204-步骤206的过程，直至迭代次数达到预设值。

步骤208，基于各第一参数组及各第二参数组中最大适应度对应的参数组更新初始风电功率模型的参数，获取最终的风电功率模型。

步骤209，将当前时刻风力发电设备对应的目标维度下的数值输入风电功率模型中，获取风电功率模型输出的风力发电设备下一时刻的功率。

本申请中，步骤209的具体实现过程，可参见本公开任一实施例的详细描述，在此不再赘述。

本申请中，基于预设搜索空间对参数进行初始化，确定第一参数组及第一参数组对应的第二参数组，并确定每个第一参数组及每个第二参数组的适应度，之后，基于任一预设的更新策略及每个第二参数组对应的第一参数组，对每个第二参数组进行更新，并在任一第一参数组的适应度小于其对应的任一第二参数组的适应度的情况下，根据任一第一参数组对应的第二参数组中适应度最大的第二参数组更新任一第一参数组，重复执行上述确定适应度、更新第一参数组及第二参数组的过程，直至迭代次数达到预设值，然后，基于各第一参数组及各第二参数组中最大适应度对应的参数组更新初始风电功率模型的参数，获取最终的风电功率模型。由此，基于任一预设的更新策略及每个第二参数组对应的第一参数组，对每个第二参数组进行更新，并在任一第一参数组的适应度小于其对应的任一第二参数组的适应度的情况下，根据任一第一参数组对应的第二参数组中适应度最大的第二参数组更新任一第一参数组，避免了风电功率模型的参数陷入局部最小值以及过拟合等问题，从而提高了风力发电设备的功率预测的准确性。

为了实现上述实施例，本公开实施例还提出一种风力发电设备的功率预测装置。图3为本公开实施例提供的一种风力发电设备的功率预测装置的结构示意图。

如图3所示，该风力发电设备的功率预测装置300包括：

获取模块310，用于获取在各历史时刻风力发电设备对应的各参考指标下的历史数值及其输出的历史功率，其中，参考指标包括各高度位置的风速，及风力发电设备所属环境的温度、湿度、气压、气压密度；

确定模块320，用于确定历史功率分别与各参考指标下的历史数值间的相关度，以基于相关度从各参考指标中确定出目标指标；

优化模块330，用于基于各历史时刻下目标维度的历史数值对初始风电功率模型的参数进行迭代优化，确定风电功率模型；

预测模块340，用于将当前时刻风力发电设备对应的目标维度下的数值输入风电功率模型中，获取风电功率模型输出的风力发电设备下一时刻的功率。

在本公开实施例一种可能的实现方式中，上述优化模块330，用于：

基于预设搜索空间对参数进行初始化，确定多个初始参数组，其中，初始参数组为第一参数组或第一参数组对应的第二参数组；

确定每个第一参数组及每个第二参数组的适应度；

基于任一预设的更新策略及每个第二参数组对应的第一参数组，对每个第二参数组进行更新；

在任一第一参数组的适应度小于其对应的任一第二参数组的适应度的情况下，根据任一第一参数组对应的第二参数组中适应度最大的第二参数组更新任一第一参数组；

重复执行上述确定适应度、更新第一参数组及第二参数组的过程，直至迭代次数达到预设值；

基于各第一参数组及各第二参数组中最大适应度对应的参数组更新初始风电功率模型的参数，获取最终的风电功率模型。

在本公开实施例一种可能的实现方式中，上述更新策略，包括：

根据第二参数组与其对应的第一参数组间的距离，对第二参数组进行更新；或者，

根据第二参数组的前一第二参数组，对第二参数组进行更新，其中，前一第二参数组为对应的标识为第二参考组的标识之前一个的第二参考组；或者，

在搜索空间内随机生成第三参数组，以基于第三参数组更新第二参数组。

在本公开实施例一种可能的实现方式中，上述优化模块330，用于：

基于每个第一参数组及每个第二参数组更新初始风电功率模型的参数，获取每个第一参数组及每个第二参数组对应的中间风电功率模型；

将各历史时刻目标维度下的历史数值输入每个中间风电功率模型，获取每个中间风电模型输出的预测功率；

根据每个第一参数组及每个第二参数组对应的中间风电模型输出的预测功率与历史功率间的差值，确定每个第一参数组及每个第二参数组的适应度。

在本公开实施例一种可能的实现方式中，上述确定模块320，用于：

对各历史时刻的历史功率进行拟合，确定历史功率对应的第一变化趋势图；

分别对各历史时刻各参考指标下的历史数值进行拟合，确定各参考指标对应的第二变化趋势图；

基于第一变化趋势图与每个第二变化趋势图间的相似度，确定历史功率与每个参考指标下的历史数值间的相关度。

在本公开实施例一种可能的实现方式中，上述确定模块320，用于：

在任一参考指标下的历史数值与历史间的相关度大于或等于预设阈值的情况下，将任一参考指标确定为目标指标。

需要说明的是，上述风力发电设备的功率预测方法实施例的解释说明，也适用于该实施例的风力发电设备的功率预测装置，故在此不再赘述。

本申请中，获取在各历史时刻风力发电设备对应的各参考指标下的历史数值及其输出的历史功率后，确定历史功率分别与各参考指标下的历史数值间的相关度，以基于相关度从各参考指标中确定出目标指标，并基于各历史时刻下目标维度的历史数值对初始风电功率模型的参数进行迭代优化，确定风电功率模型，之后，将当前时刻风力发电设备对应的目标维度下的数值输入风电功率模型中，获取风电功率模型输出的风力发电设备下一时刻的功率。由此，基于历史功率分别与各参考指标下的历史数值间的相关度，从各参考指标中筛选出对风力发电设备的功率影响较大的目标指标，以基于目标指标下的历史数值优化获取的风电功率模型预测下一时刻风力发电设备的功率。从而提高了风力发电设备的功率预测的准确性。

为了实现上述实施例，本公开实施例还提出一种计算机设备，包括处理器和存储器；

其中，处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，以用于实现如上述实施例的风力发电设备的功率预测方法。

为了实现上述实施例，本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例的风力发电设备的功率预测方法。

尽管上面已经示出和描述了本公开的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本公开的限制，本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。