一种基于AI的风电功率的预测方法及预测系统

技术领域

本申请涉及风力发电技术领域，具体的涉及一种基于AI数据挖掘的风机的风电功率的预测方法及预测系统。

背景技术

风能是具有大规模发展潜力的可再生能源，近年来，随着风电设备制造技术的普及和风机厂商制造规模的不断扩展，风机价格逐步降低，风力发电是目前最成熟的、最具商业化开发前景的可再生能源发电技术之一，许多国家都将风力发电作为未来发展的主要能源来制定电力发展规划。

随着我国风电装机容量的快速增长，风电对电网的威胁正在凸现。大规模风电的快速发展、集中接入和远距离输送对电网调度提出了更高的要求。因为风能具有的间歇性和波动性影响高效而安全地并网，因此目前我国目前存在大量的弃风行为，这无疑造成了大量资源的闲置和浪费。而对风机的发电功率的准确预测，不仅可解决风电消纳问题，也会增强风电在电力市场中的竞争力，提高上网电价。尽管研究者提出了很多风电功率预测模型，并在实验室条件和现场试验中获得了成功，但目前为止，在风电功率预测场景中，能够实现商业化并能实现工业应用的预测系统还非常少，没有成熟的解决方案。

因此，仍需要对风电功率预测做进一步的研究，提高模型的精度和稳定性。

发明内容

基于上述问题，本申请提供一种基于AI(人工智能)数据挖掘的风电功率的预测方法及预测系统。基于该预测系统能实现可靠的风电功率的预测。基于该系统的预设该方法可以有效提高预测准确度，减少弃风，可准确的预测未来的风机功率。

为此实现上述的目的，本申请采用如下技术方案：

一种基于AI的风电功率的预测系统，其特征在于，包括：

第一支路及第二支路，

所述第一支路基于风向预测值及风速预测值并基于预设的第一预测模型以获得预测值特征，同时通过注意力机制模型，得到预测值注意力特征，再融合预测值注意力特征与历史数据值特征，得到历史数据值融合特征；

所述第二支路基于历史数据等并基于预设的第一预测模型获得历史数据值特征，同时通过注意力机制模型，得到历史数据值注意力特征，再通过融合历史数据值注意力特征与预测值特征，得到预测值融合特征：

第五数据处理模块基于历史数据值融合特征、预测值融合特征及全局特征通道维度信息进行拼接得到风电功率的预测值。

优选的，该第一支路包括：

第一数据获取模块、用于获得风向预测值和风速预测值、

第一数据处理模块，接收第一数据获取模块反馈的信息并分别处理，获得得到各自特征、并将各自特征进行维度信息融合，并输出至第二数据处理模块，第二数据处理模块接收并响应融合的信息，经处理得到预测值特征。

优选的，该第二支路包括：

第二数据获取模块，以获得匹配第一数据获取模块的历史同期的多种历史数据，并将其传输至第三数据处理模块

第三数据处理模块接收并响应该多种历史数据，并分别处理，以获得得到各自特征、并将其进行维度信息融合，并将融合的信息输出至第四数据处理模块，第四数据处理模块接收并响应融合的信息，经处理得到历史数据值特征。

一种上述预测系统的预测方法，其特征在于，方法包括：

S1、基于天气预报预测值及历史数据值分别获取预测值特征及历史数据值特征，

S2、基于注意力机制模型，得到预测值注意力特征及历史数据值注意力特征，

S3、通过融合历史数据值注意力特征与预测值特征，得到预测值融合特征，以及

通过融合预测值注意力特征与历史数据值特征，得到历史数据值融合特征，

S4、基于历史数据值融合特征、预测值融合特征及全局特征通道维度信息进行拼接得到风电功率的预测值。

有益效果

相对于现有技术中的方案，本申请实施方式的基于A I数据挖掘的风电功率的预测系统的预测方法能够有效提取、融合多通道信号的信息，建模多通道天气预报预测值和历史数据值间的相关性，自动提取与目标任务强相关的高层语义特征，实现准确的风机功率预测。

附图说明

为了更清楚地说明本说明书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简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，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：

图1、图2为本申请实施例的基于AI的风电功率的预测系统的功能示意图；

图3为本申请实施例的基于AI的风电功率的预测方法的流程示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明提出的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本说明书中的一部分实施例，而不是全部的实施例。基于本说明书中的一个或多个实施例，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，都应当属于本发明保护的范围。还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

实施例：

本申请提出一种基于AI的风机的风电功率的预测方法及预测系统。该预测系统具有第一支路及第二支路，该第一支路基于风向预测值及风速预测值并基于预设的第一预测模型以获得预测值特征；该第二支路基于匹配天气预报预测值的历史数据值并利用第二预设的预测模型以获得历史数据值特征：将预测值特征及历史数据值特征输入多模态融合获得风电功率的预测值。该预测系统连接风机，并对连接的风机进行风电功率预测。该方法包括：基于天气预报预测值及历史数据值分别获取预测值特征及历史数据值特征，基于注意力机制模型，得到预测值注意力特征及历史数据值注意力特征，通过融合历史数据值注意力特征与预测值特征，得到预测值融合特征，以及通过融合预测值注意力特征与历史数据值特征，得到历史数据值融合特征，基于历史数据值融合特征、预测值融合特征及全局特征通道维度信息进行拼接得到风电功率的预测值。该方法可以有效提高预测准确度，减少弃风，可准确的预测未来的风机功率。

接下来结合图来详细的描述本申请出的基于AI数据挖掘的风电功率的预测方法及预测系统。

基于AI数据挖掘的风电功率的预测系统包括：第一支路及第二支路，该第一支路基于风向预测值及风速预测值并基于预设的预测模型以获得预测值特征；该第二支路基于风向历史数据、风速历史数据及风电功率历史数据等并基于预设的预测模型以获得历史数据值特征：

将预测值特征及历史数据值特征输入多模态融合获得风电功率的预测值。

如图1所示为本申请实施例的基于AI(数据挖掘)的风电功率的预测系统的模块示意图，

该系统包括：第一支路及第二支路，

该第一支路包括：

第一数据获取模块、用于获得风向预测值和风速预测值、

第一数据处理模块，接收并第一数据获取模块反馈的信息并分别处理，以获得得到各自特征并将其进行维度信息融合，并输出至第二数据处理模块，

第二数据处理模块接收并响应融合的信息，经局部卷积长短期记忆网络模型处理得到整个天气预报预测值支路的预测值特征，

同时通过注意力机制模型，得到预测值注意力特征，再融合预测值注意力特征与历史数据值特征，得到历史数据值融合特征。

该第二支路(即历史数据值支路)包括：

第二数据获取模块，以获得匹配第一数据获取模块的历史同期的多种历史数据，并将其传输至第三数据处理模块

第三数据处理模块接收并响应该多种历史数据，并分别处理(如，通过相同结构的卷积网络模型2操作)，以获得得到各自(历史信息)特征、并将其进行维度信息融合，并将融合的信息输出至第四数据处理模块，

第四数据处理模块接收并响应融合的(历史特征)信息，经局部卷积长短期记忆网络模型处理得到历史数据值特征，同时通过注意力机制模型，得到(历史特征)历史数据值注意力特征，再通过融合历史数据值注意力特征与预测值特征，得到预测值融合特征。

第五数据处理模块基于历史数据值融合特征、预测值融合特征及全局特征通道维度信息进行拼接得到风电功率的预测值。具体的，第五数据处理模块将预测值融合特征、历史数据值融合特征和全局特征通过通道维度信息进行拼接得到完全可以表达风电功率预测的特征，再经过局部卷积长短期记忆网络及全连接层获得风电功率的预测值。其中，全局特征通过预测值融合特征与历史数据值融合特征通过相加的模式融合得到。全局特征可以表现天气预报预测值和历史数据值的综合特征。本实施方式的系统可以对连接的风机运行产生的风电功率进行预测。如进行长期预测(预测次年)、中期预测(预测未来几周或几月)、短期预测(预测未来2天或3天)和超短期预测(预测未来若干分钟，常用15min)，使用者仅需根据需求，按照时间尺度构建数据即可。本方案提出了多模态融合的风电功率预测系统，通过所设计的模块，能够有效提取、融合多通道信号的信息，建模多通道天气预报预测值和历史数据值间的相关性，自动提取与目标任务强相关的高层语义特征，实现准确的风机功率预测。该系统的预测机理，按照风机的功率曲线，风电机组的功率随着风速的增加而增加这样风电功率预测不但直接与天气预报的风速和风向相关，也与各种历史数据有一定的关联。

如图2所示为本申请实施例的基于AI(数据挖掘)的风电功率的预测系统的模块示意图，

该系统包括两组输入信号，分别为天气预报预测值和历史数据值。天气预报预测值包含风速预测值和风向预测值；历史数据值包含但不限于风速历史数据、风向历史数据和风电功率历史数据。

在天气预报预测值支路，风向预测值和风速预测值会被相同结构的卷积网络1进行操作，得到各自特征后，通过维度信息进行融合，再通过局部卷积长短期记忆网络即可以得到整个天气预报预测值支路的预测值特征，同时通过注意力机制得到预测值注意力特征。

在历史数据值支路，多种历史数据会通过相同结构的卷积网络2操作，得到各自特征后，通过维度信息进行融合，再通过局部卷积长短期记忆网络即可以得到历史数据值特征，同时通过注意力机制得到信号注意力特征。通过融合历史数据值注意力特征与预测值特征，得到预测值融合特征。通过融合预测值注意力特征与历史数据值特征，得到历史数据值融合特征。

预测值融合特征与历史数据值融合特征通过相加的模式融合得到全局特征，以获得可以表现天气预报预测值和历史数据值的综合特征。然后将预测值融合特征、历史数据值融合特征和全局特征通过通道维度信息进行拼接得到完全可以表达风电功率预测的特征，再经过局部卷积长短期记忆网络及全连接层获得风电功率的预测值。本实施方式中，卷积网络1与卷积网络2的模型结构相同。

接下来结合图3来描述上述系统的预测方法：

该方法包括：

S1、基于天气预报预测值及历史数据值分别获取预测值特征及历史数据值特征。

S2、基于注意力机制模型(如特征通过sigmoid函数

S3、通过融合历史数据值注意力特征与预测值特征，得到预测值融合特征，以及通过融合预测值注意力特征与历史数据值特征，得到历史数据值融合特征(该步骤中预测特征值、历史数据特征值是同步进行)，

S4、基于历史数据值融合特征、预测值融合特征及全局特征通道维度信息进行拼接得到风电功率的预测值。该方法在运行的初期即训练阶段：输入根据需求构建的数据，通过卷积网络及上述的方法，获得对风电功率预测有强表现力的特征，最后采用均方误差损失。前向传播得到各支路输出后根据上述损失函数计算梯度，进行反馈训练，迭代至模型收敛。在测试阶段：输入根据需求构建的数据，输出为风电功率的预测值。

该步骤S1中具体的包括：

基于第一数据获取模块获得天气预报的风向预测值和风速预测值并传输至第一数据处理模块，第一数据处理模块接收并分别处理，以获得得到(风向预测值和风速预测值)各自特征，并进行维度信息融合，融合后的信息传输至第二数据处理模块，第二数据处理模块接收并经局部卷积长短期记忆网络模型处理得到基于天气预报的预测值特征。

基于第二数据获取模块获得匹配第一数据获取模块的历史同期的多种历史数据，并传输至第三数据处理模块，第三数据处理模块接收该多种历史数据，并分别处理(如，通过相同结构的卷积网络模型操作)以分别获得各自(历史信息)特征、并进行维度信息融合，并将融合的信息输出至第四数据处理模块，第四数据处理模块接收融合的(历史特征)信息，并经局部卷积长短期记忆网络模型处理得到历史数据值特征。

该步骤S4中具体的包括：

第五数据处理模块基于历史数据值融合特征、预测值融合特征及全局特征通道维度信息进行拼接得到风电功率的第一预测特征，该第一预测特征再经过局部卷积长短期记忆网络及全连接层获得风电功率的预测值。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人是能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡如本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。