CN115936924B - 一种风力发电场风能预测方法以及系统 - Google Patents

Abstract

本发明提供了一种风力发电场风能预测方法以及系统，涉及风力发电技术领域。方法包括：首先，获得风机设备的历史产能数据，以及风电场所处区域下一周期的预估天气数据，并根据风机设备的历史产能数据和风电场所处区域下一周期的预估天气数据，构建第一输入特征，然后，获取电力装备当前周期的同步稳定值，并根据电力装备当前周期的同步稳定值，构建第二输入特征，最后，将第一输入特征和第二输入特征，输入预先训练得到的风能数据预测模型，输出得到风电场下一周期的实际输出风能预测数据。在本发明中，将电力设备在运行过程中对风力发电场的实际输出电能的影响，也作为预测风电场实际输出的风能数据的参考条件，使得预测的结果更加准确。

Description

一种风力发电场风能预测方法以及系统

技术领域

本发明涉及风力发电技术领域，尤其涉及一种风力发电场风能预测方法以及系统。

背景技术

在现代生活中，随着能源局势的不断紧张，新能源得到了空前的重视。新能源成为我国乃至全球资源匮乏的国家高度重视的产业，而由于其优势诸多，风力发电得到快速发展，随着中国风电装机的国产化与规模化，风电成本有望更进一步降低。因此风电将成为未来电力的支柱产业。

相关技术中，对风力发电场进行风能预测时，只对风电机组的实际发电量进行预测，并且并未风力发电场中各类电力装备在运行过程中对风力发电场的实际输出电能的影响。

发明内容

本发明实施例提供一种风力发电场风能预测方法以及系统，旨在解决或者部分解决上述背景技术中存在的问题。

为了解决上述技术问题，本发明是这样实现的：

第一方面，本发明实施例提供了一种风力发电场风能预测方法，方法包括：

获得风机设备的历史产能数据，以及风电场所处区域下一周期的预估天气数据；

根据风机设备的历史产能数据和风电场所处区域下一周期的预估天气数据，构建第一输入特征；

获取电力装备当前周期的同步稳定值，并根据电力装备当前周期的同步稳定值，构建第二输入特征，其中，同步稳定值用于表征电力装备与风电场的连接稳定状态；

将第一输入特征和第二输入特征，输入预先训练得到的风能数据预测模型，输出得到风电场下一周期的实际输出风能预测数据。

可选地，获取电力装备当前周期的同步稳定值的步骤包括：

根据电力装备当前周期的电力运行参数，计算电力装备当前周期的阻抗压降参数；

根据电力装备在执行无功补偿时，对风机设备的影响能力，计算电力装备当前周期的无功补偿特性参数；

根据电力装备当前周期的阻抗压降参数和电力装备当前周期的无功补偿特性参数，计算电力装备当前周期的同步稳定值。

可选地，电力运行参数包括电网电压幅值和电力装备的机端电压额定值，根据电力装备当前周期的电力运行参数，计算电力装备当前周期的阻抗压降参数的步骤包括：

根据电网电压幅值和电力装备的机端电压额定值，计算电力装备的机端电压向量；

将电力装备的机端电压向量分解为交轴方向的分量；

根据电力装备的交轴分量，计算电力装备当前周期的阻抗压降参数。

可选地，风能数据预测模型是通过以下步骤获得的：

获取风机设备的样本历史产能数据以及风电场所处区域的样本历史天气数据，并进行规整处理，获得第一输入特征样本；

获取电力装备的样本历史同步稳定值，并进行规整处理，获得第二输入特征样本；

根据第一输入特征样本和第二输入特征样本，对预设的随机森林模型进行训练和交叉验证，获得初始风能数据预测模型和风能数据预测模型的历史风能数据预测序列；

根据风能数据预测模型的历史风能数据预测序列，对初始风能数据预测模型进行修正，获得目标风能数据预测模型。

可选地，根据风能数据预测模型的历史风能数据预测序列，对初始风能数据预测模型进行修正的步骤包括：

获取风力发电场的历史实际输出风能数据；

根据历史风能数据预测序列与历史实际输出风能数据，计算风力发电场的历史实际输出风能预测误差；

根据风力发电场的历史实际输出风能预测误差，对初始风能数据预测模型的修正。

基于多元高斯分布对风力发电场的历史实际输出风能预测误差进行建模，以实现对初始风能数据预测模型的修正。

可选地，根据风力发电场的历史实际输出风能预测误差，对初始风能数据预测模型的修正的步骤，包括：

基于多元高斯分布对风力发电场的历史实际输出风能预测误差进行建模，以实现对初始风能数据预测模型的修正。

可选地，在根据所述风能数据预测模型的历史风能数据预测序列，对所述初始风能数据预测模型进行修正，获得目标风能数据预测模型的步骤之后，所述方法还包括：

将目标风能数据预测模型的预测错误率最低确定为第一优化函数的优化方向；

将目标风能数据预测模型的多样性指标值最高确定为所述第二优化函数的优化方向；

根据及所述第一优化函数的优化方向和所述第二优化函数的优化方向，对所述目标风能数据预测模型进行优化。

本发明实施例第二方面提出一种风力发电场风能预测系统，系统包括：

风机参数获取模块，用于获得风机设备的历史产能数据，以及风电场所处区域下一周期的预估天气数据；

第一特征构建模块，用于根据风机设备的历史产能数据和风电场所处区域下一周期的预估天气数据，构建第一输入特征；

电力装备参数获取模块，用于获取电力装备当前周期的同步稳定值；

第二特征构建模块，用于根据电力装备当前周期的同步稳定值，构建第二输入特征，其中，同步稳定值用于表征电力装备与风电场的连接稳定状态；

预测模块，用于将第一输入特征和第二输入特征，输入预先训练得到的风能数据预测模型，输出得到风电场下一周期的实际输出风能预测数据。

可选地，电力装备参数获取模块包括：

阻抗压降计算子模块，用于根据电力装备当前周期的电力运行参数，计算电力装备当前周期的阻抗压降参数；

无功补偿特性参数计算子模块，用于根据电力装备在执行无功补偿时，对风机设备的影响能力，计算电力装备当前周期的无功补偿特性参数；

同步稳定值计算子模块，用于根据电力装备当前周期的阻抗压降参数和电力装备当前周期的无功补偿特性参数，计算电力装备当前周期的同步稳定值。

可选地，阻抗压降计算子模块包括：

机端电压计算单元，用于向量根据电网电压幅值和电力装备的机端电压额定值，计算电力装备的机端电压向量；

划分单元，用于将电力装备的机端电压向量分解为交轴方向的分量；

阻抗压降参数计算单元，用于根据电力装备的交轴分量，计算电力装备当前周期的阻抗压降参数。

可选地，系统还包括模型训练单元，模型训练模块包括：

第一特征获取子模块，用于获取风机设备的样本历史产能数据以及风电场所处区域的样本历史天气数据，并进行规整处理，获得第一输入特征样本；

第二特征获取子模块，用于获取电力装备的样本历史同步稳定值，并进行规整处理，获得第二输入特征样本；

训练子模块，用于根据第一输入特征样本和第二输入特征样本，对预设的随机森林模型进行训练和交叉验证，获得初始风能数据预测模型和风能数据预测模型的历史风能数据预测序列；

修正子模块，用于根据风能数据预测模型的历史风能数据预测序列，对初始风能数据预测模型进行修正，获得目标风能数据预测模型。

可选地，修正子模块包括：

获取单元，用于获取风力发电场的历史实际输出风能数据；

误差确定单元，用于根据历史风能数据预测序列与历史实际输出风能数据，计算风力发电场的历史实际输出风能预测误差；

模型修正单元，用于根据风力发电场的历史实际输出风能预测误差，对初始风能数据预测模型的修正。

可选地，修正子模块还包括：

第一优化单元，用于将目标风能数据预测模型的预测错误率最低确定为第一优化函数的优化方向；

第二优化单元，用于将目标风能数据预测模型的多样性指标值最高确定为所述第二优化函数的优化方向；

模型优化单元，用于根据及所述第一优化函数的优化方向和所述第二优化函数的优化方向，对所述目标风能数据预测模型进行优化。

本发明实施例第三方面提出一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现本发明实施例第一方面提出方法步骤。

本发明实施例第四方面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本发明实施例第一方面提出方法。

本发明实施例包括以下优点：首先，获得风机设备的历史产能数据，以及风电场所处区域下一周期的预估天气数据，并根据风机设备的历史产能数据和风电场所处区域下一周期的预估天气数据，构建第一输入特征，然后，获取电力装备当前周期的同步稳定值，并根据电力装备当前周期的同步稳定值，构建第二输入特征，最后，将第一输入特征和第二输入特征，输入预先训练得到的风能数据预测模型，输出得到风电场下一周期的实际输出风能预测数据。在本发明中，将电力设备在运行过程中对风力发电场的实际输出电能的影响，也作为预测风电场实际输出的风能数据的参考条件，使得预测的结果更加准确，并且能够为风电场中各类设备的正常运行提供足够的电能预留空间。

附图说明

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简单地介绍，显而易见地，下面描述中的附图仅仅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的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例中一种风力发电场风能预测方法的步骤流程图；

图2是本发明实施例中一种风力发电场风能预测系统的模块示意图。

具体实施方式

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。

相关技术中，现有的风力发电场风能预测方法大多只是对风力发电场中风机部分的产生的电能进行预测，但是实际输送到电网上时，发生了损耗，而这部分损耗是用于风力发电场中各类电力装备维持系统的稳态运行的，而这部分损耗是随风机部分产生的电能进行动态变化的，因此现有的风力发电场风能预测方法并未考虑电力装备部分的影响，导致预测发送到电网部分的电能数据够准确。基于此，本申请提出了一种全新的风力发电场风能预测方法。

基于此，发明人提出了本申请的核心技术构思：通过将电力装备维持系统的稳态运行所消耗的电能也作为发电场风能预测的参考条件，从而得到以电力装备稳定值的风能数据预测模型，并且从模型识别准确率和模型多样性两方面对风能数据预测模型进行多目标优化，从而能够使得实际输出风能预测数据能够更加准确。

下面对本申请的风力发电场风能预测方法进行说明，如图1所示，图1示出了本申请的一种风力发电场风能预测方法的流程示意图。

首先，本发明的风能数据预测模型是通过以下步骤获得的：

S100-1：获取风机设备的样本历史产能数据以及风电场所处区域的样本历史天气数据，并进行规整处理，获得第一输入特征样本；

S100-2：获取电力装备的样本历史同步稳定值，并进行规整处理，获得第二输入特征样本；

S100-3：根据第一输入特征样本和第二输入特征样本，对预设的随机森林模型进行训练和交叉验证，获得初始风能数据预测模型和风能数据预测模型的历史风能数据预测序列；

S100-4：根据风能数据预测模型的历史风能数据预测序列，对初始风能数据预测模型进行修正，获得目标风能数据预测模型。

在步骤S100-1至S100-4的实施方式中，若要创建风电场的风能数据预测模型，需要获取风电场的风机设备的样本历史产能数据以及风电场所处区域的样本历史天气数据，电力装备的样本历史同步稳定值。

作为示例的，设风机设备的样本历史产能数据的是从1月至5月，样本持有时长为四个月，则应获取风电场对应的输入的样本历史产能数据以及风电场所处区域的样本历史天气数据，经过规整平均处理形成训练数据集，用于构建6月的风电场的风能数据预测模型。该训练数据集包括多个历史时段单位的产能数据和天气数据，即1月至5月，一共5个时段的样本历史产能数据以及风电场所处区域的样本历史天气数据，在本发明中，不对选取的样本历史产能数据以及风电场所处区域的样本历史天气数据的数量进行限制，但是选取的样本历史产能数据以及风电场所处区域的样本历史天气数据的数量越多，在训练的时候作为样本的数据就会越多，通常会使得模型的精度更高。

使用规整后的风机设备的样本历史产能数据和风电场所处区域的样本历史天气数据构成的第一输入特征样本以及电力装备的样本历史同步稳定值构成的第二输入特征样本，对随机森林模型进行训练和交叉验证，得到初始风能数据预测模型以及基于初始风能数据预测模型预测的初始风能数据预测模型的历史风能数据预测序列。然后据风能数据预测模型的历史风能数据预测序列，对初始风能数据预测模型进行修正，从而获得最终的目标风能数据预测模型。

在一种可行的实施方式中，对初始风能数据预测模型进行修正的步骤包括：

获取风力发电场的历史实际输出风能数据；

根据历史风能数据预测序列与历史实际输出风能数据，计算风力发电场的历史实际输出风能预测误差；

根据风力发电场的历史实际输出风能预测误差，对初始风能数据预测模型的修正。

基于多元高斯分布对风力发电场的历史实际输出风能预测误差进行建模，以实现对初始风能数据预测模型的修正。

在本实施方式中，风力发电场的历史实际输出风能数据是指风力发电场历史记录的向外部电网输出的风能数据，过将风力发电场的历史实际输出风能数据的真实序列与历史风能数据预测序列作差，从而获得风力发电场的历史实际输出风能预测误，并使用多元高斯分布对误差进行建模，获得节点对电价预测误差的联合概率分布。使用多元高斯分布对误差序列的概率分布进行建模，使用极大似然法估计多元高斯分布的位置参数和协方差矩阵，即可以多元高斯分布表征误差的联合概率分布，并基于联合概率分布实现对初始风能数据预测模型的修正。

在一种可行的实施方式中，根据风力发电场的历史实际输出风能预测误差，对初始风能数据预测模型的修正的步骤，包括：

基于多元高斯分布对风力发电场的历史实际输出风能预测误差进行建模，以实现对初始风能数据预测模型的修正。

在一种可行的实施方式中，在根据所述风能数据预测模型的历史风能数据预测序列，对所述初始风能数据预测模型进行修正，获得目标风能数据预测模型的步骤之后，所述方法还包括：

将目标风能数据预测模型的预测错误率最低确定为第一优化函数的优化方向；

将目标风能数据预测模型的多样性指标值最高确定为所述第二优化函数的优化方向；

根据及所述第一优化函数的优化方向和所述第二优化函数的优化方向，对所述目标风能数据预测模型进行优化。

在本实施方式中，在获得目标风能数据预测模型之后，为了进一步对模型进行优化，可以从风能数据预测模型的预测错误率和目标风能数据预测模型的多样性指标值两个方面进行多目标优化。首先，确定本次优化的优化算法，优化算法可以选择第二代非劣排序遗传进化算法，第二代非劣排序遗传进化算法优点在于探索性能较好，在非支配排序中，接近帕累托前沿的个体被选择，使帕累托前进能力增强。为了保证目标风能数据预测模型的预测错误率最小化，将目标风能数据预测模型的预测错误率作为第一优化函数，优化方向为最小化，比例因子为0.2，权重为1.0；为了保证目标风能数据预测模型的多样性指标值能够最优，将目标风能数据预测模型的多样性指标值作为第二优化函数，优化方向为最大化，比例因子为0.0002，权重r为2.0。在确定第一优化函数和第二优化函数的参数之后，根据第一优化函数和第二优化函数二对目标风能数据预测模型进行优化，获得满足多目标优化需求的风能数据预测模型，在风能数据预测模型之后，可以根据帕累托支配关系确定出风能数据预测模型的参数解集。而获得风能数据预测模型的参数解集是通过剔除具有被支配关系的帕累托解来实现的。

作为示例的，若对于编号为A、B、C、和D的风能数据预测模型的参数解,根据适应度计算结果，发现A支配B，D支配C，且A和D之间不存在支配关系，则可以将B和C剔除，将A和D作为风能数据预测模型的参数解。

而在获得风能数据预测模型的参数解集之后，需要选择分布性最好的解作为风能数据预测模型最终的模型参数进行固化，而判断每个风能预测模型的参数解的稀疏度，是通过判断风能预测模型的参数解相邻区域内其他风能预测模型的参数解的数量，来进行确定的，相邻区域内其他风能预测模型的参数解的数量越少，则该风能预测模型的参数解的分布性越好，相邻区域内其他风能预测模型的参数解的数量越多，则该风能预测模型的参数解的分布性越差。以风能数据预测模型的预测错误率为横轴，以风能数据预测模型的多样性指标值为纵轴，建立坐标系。在该坐标系下，预测模型的参数解对应的圆的范围则表征该风能预测模型的参数解的小生境范围预测模型的参数解在坐标系中的相邻预测模型的参数解越多，则该预测模型的参数解的稀疏度越低，分布性越差。而在确定分布性最好的风能预测模型的参数之后，将其参数进行固化，并将固化后的目标风能数据预测模型用于对风力发电场下一周期的实际输出风能数据的预测。

在获得目标风能数据预测模型之后，基于目标风能数据预测模型对风力发电场下一周期的实际输出风能数据进行预测，其具体的步骤包括：

S101：获得风机设备的历史产能数据，以及风电场所处区域下一周期的预估天气数据。

在本实施方式中，对于一个风力发电场，可以将其的设备主要分为两种类型，一种类型是风机设备，即风力发电机组，用于将风能转换为电能，另一种类型是电力装备，如无功补偿装置等。而在风电场中，根据电网的要求，故障期间风电场需向电网提供一定量的动态无功支撑。无功补偿装置对风电场并网点的无功补偿速度比风电机组更快，所以风电机组通过风电转换后得到的电能还需要用于风电场内的电力装备的协调与工作。因此，风电场实际输出的电能不等于风机设备实际产生的电能。

风机设备的历史产能数据可以为风机设备之前时间段的实际电能生产数据，时间段可以采用月为单位，也可以采用季度为单位，通过生产部门发布的报表即可获取。预估天气数据可以为气象部分发布的风电场所处区域的天气预报。

作为示例的，风机设备的历史产能数据可以为某某风电场第一季度的生产报表，风电场所处区域下一周期的预估天气数据可以为电视台发布的某某地区未来几日的天气预报。

在一种可行的实施方式中，预估天气数据至少包括风向参数、风速参数、气温参数、气压参数、以及湿度参数中的一个。

在本实施方式中，对于风能发电，直接对其产生影响的因素为风速，而风速可以根据预估天气数据中的任意一项参数，与预设天气数据与风速数据之间的映射关系来进行确定。天气数据与风速数据之间的映射关系可以通过天气数据与风速数据全国的平均数据的映射关系来进行确定，也可以根据该地区实际的天气数据与风速数据的映射关系来进行确定。

S102：根据风机设备的历史产能数据和风电场所处区域下一周期的预估天气数据，构建第一输入特征。

在本实施方式中，在获得风机设备的历史产能数据和风电场所处区域下一周期的预估天气数据之后，由于其各自采用的时间单位并不相同，因此需要对其进行以时间为单位，对其进行规整处理，并基于处理后的数据构建第一输入特征。

S103：获取电力装备当前周期的同步稳定值，并根据电力装备当前周期的同步稳定值，构建第二输入特征。

在本实施方式中，同步稳定值，同步稳定值用于表征电力装备与风电场的连接稳定状态，同步稳定裕度的判别如下：若同步稳定值等于100％，表明电力装备与风电场的连接稳定状态为最稳定的状态；若电力装备与风电场的连接稳定状态等于0，电力装备与风电场的连接稳定状态为最不稳定的状态，因此风电场的电力系统不具有任何抗扰能力。在实际生产中，同步稳定值位于0到1之间，同步稳定值越大稳定性越高。

在获得电力装备的当前周期的同步稳定值，对其进行规整处理，并基于处理后的数据构建第二输入特征。

而获取力装备当前周期的同步稳定值的步骤包括：

S103-1：根据电力装备当前周期的电力运行参数，计算电力装备当前周期的阻抗压降参数。

在本实施方式中，电力运行参数可以为电网电压幅值和电力装备的机端电压额定值，而确定阻抗压降参数的步骤可以为：

S103-1-1：根据电网电压幅值和电力装备的机端电压额定值，计算电力装备的机端电压向量；

S103-1-2：将电力装备的机端电压向量分解为交轴方向的分量；

S103-1-3：根据电力装备的交轴分量，计算电力装备当前周期的阻抗压降参数。

在S103-1-1至S103-1-3的实施方式中，电网电压幅值可通过离线等值计算或在线辨识得到，电力装备的机端电压额定值可由场站业主提供的数据查询获得，根据电网电压幅值和电力装备的机端电压额定值，计算电力装备的机端电压向量，然后将电力装备机端电压向量在锁相环坐标系中分解为直轴和交轴分量，最后根据电力装备的交轴分量，计算电力装备当前周期的阻抗压降参数。电力装备与电网的同步要求阻抗压降越小越好，由于阻抗压降的存在，机端电压受到一定程度的影响，进而对电力装备的同步稳定性产生影响。

S103-2：根据电力装备在执行无功补偿时，对风机设备的影响能力，计算电力装备当前周期的无功补偿特性参数；

S103-3：根据电力装备当前周期的阻抗压降参数和电力装备当前周期的无功补偿特性参数，计算电力装备当前周期的同步稳定值。

在S103-2至S103-3的实施方式中，无功补偿特性参数用于表征风电场的暂态故障穿越能力，本申请中构造风电场无功优化函数，通过在线求解该风电场无功优化函数，获得集中式无功补偿装置无功容量使用最少的工作点

无功补偿装置最少的工作点对应的参数即为无功补偿特性参数，在获取到电力述电力装备当前周期的阻抗压降参数和电力装备当前周期的无功补偿特性参数之后，按照同步稳定值的计算公式，即可获得电力装备当前周期的同步稳定值。

S104：将第一输入特征和第二输入特征，输入预先训练得到的风能数据预测模型，输出得到风电场下一周期的实际输出风能预测数据。

在本实施方式中，在构建风电场的第一输入特征和第二输入特征之后，需要根据第一输入特征和第二输入特征对风电场下一周期的实际输出风能预测数据，即将生产电能减去用于电力系统维护系统稳态的电能，

因此将第一输入特征和第二输入特征到预先训练好的风能数据预测模型中，从而获得风电场对在下一周期的预测的实际输出风能数据，该预测电价是一种短期的预测数据。

本发明通过获得风机设备的历史产能数据，以及风电场所处区域下一周期的预估天气数据，并根据风机设备的历史产能数据和风电场所处区域下一周期的预估天气数据，构建第一输入特征，然后，获取电力装备当前周期的同步稳定值，并根据电力装备当前周期的同步稳定值，构建第二输入特征，最后，将第一输入特征和第二输入特征，输入预先训练得到的风能数据预测模型，输出得到风电场下一周期的实际输出风能预测数据。在本发明中，将电力设备在运行过程中对风力发电场的实际输出电能的影响，也作为预测风电场实际输出的风能数据的参考条件，使得预测的结果更加准确，并且能够为风电场中各类设备的正常运行提供足够的电能预留空间。并且能够提升风电场故障阶段的动态无功支撑能力，还能够维持风电机组机端电压在合理的运行区间，保证风电机组的运行安全。

本发明实施例还提供了一种风力发电场风能预测系统，参照图2，示出了本发明一种风力发电场风能预测系统实施例第一方面的功能模块图，系统包括：

风机参数获取模块201，用于获得风机设备的历史产能数据，以及风电场所处区域下一周期的预估天气数据；

第一特征构建模块202，用于根据风机设备的历史产能数据和风电场所处区域下一周期的预估天气数据，构建第一输入特征；

电力装备参数获取模块203，用于获取电力装备当前周期的同步稳定值；

第二特征构建模块204，用于根据电力装备当前周期的同步稳定值，构建第二输入特征，其中，同步稳定值用于表征电力装备与风电场的连接稳定状态；

预测模块205，用于将第一输入特征和第二输入特征，输入预先训练得到的风能数据预测模型，输出得到风电场下一周期的实际输出风能预测数据。

在一种可行的实施方式中，电力装备参数获取模块包括：

阻抗压降计算子模块，用于根据电力装备当前周期的电力运行参数，计算电力装备当前周期的阻抗压降参数；

无功补偿特性参数计算子模块，用于根据电力装备在执行无功补偿时，对风机设备的影响能力，计算电力装备当前周期的无功补偿特性参数；

同步稳定值计算子模块，用于根据电力装备当前周期的阻抗压降参数和电力装备当前周期的无功补偿特性参数，计算电力装备当前周期的同步稳定值。

在一种可行的实施方式中，阻抗压降计算子模块包括：

机端电压计算单元，用于向量根据电网电压幅值和电力装备的机端电压额定值，计算电力装备的机端电压向量；

划分单元，用于将电力装备的机端电压向量分解为交轴方向的分量；

阻抗压降参数计算单元，用于根据电力装备的交轴分量，计算电力装备当前周期的阻抗压降参数。

在一种可行的实施方式中，系统还包括模型训练单元，模型训练模块包括：

第一特征获取子模块，用于获取风机设备的样本历史产能数据以及风电场所处区域的样本历史天气数据，并进行规整处理，获得第一输入特征样本；

第二特征获取子模块，用于获取电力装备的样本历史同步稳定值，并进行规整处理，获得第二输入特征样本；

训练子模块，用于根据第一输入特征样本和第二输入特征样本，对预设的随机森林模型进行训练和交叉验证，获得初始风能数据预测模型和风能数据预测模型的历史风能数据预测序列；

修正子模块，用于根据风能数据预测模型的历史风能数据预测序列，对初始风能数据预测模型进行修正，获得目标风能数据预测模型。

在一种可行的实施方式中，修正子模块包括：

获取单元，用于获取风力发电场的历史实际输出风能数据；

误差确定单元，用于根据历史风能数据预测序列与历史实际输出风能数据，计算风力发电场的历史实际输出风能预测误差；

模型修正单元，用于根据风力发电场的历史实际输出风能预测误差，对初始风能数据预测模型的修正。

在一种可行的实施方式中，第一优化单元，用于将目标风能数据预测模型的预测错误率最低确定为第一优化函数的优化方向；

第二优化单元，用于将目标风能数据预测模型的多样性指标值最高确定为所述第二优化函数的优化方向；

模型优化单元，用于根据及所述第一优化函数的优化方向和所述第二优化函数的优化方向，对所述目标风能数据预测模型进行优化。

基于同一发明构思，本申请的实施例还提出了一种电子设备，电子设备包括：

至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本申请实施例的风力发电场风能预测方法。

此外，为实现上述目的，本申请的实施例还提出了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现本申请实施例的风力发电场风能预测方法。

本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例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，本发明实施例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储存介质(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。

本发明实施例是参照根据本发明实施例的方法、终端设备(装置)、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终端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终端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。

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终端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。

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终端设备上，使得在计算机或其他可编程终端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终端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。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。“和/或”表示可以选择两者之中的任意一个，也可以两者都选择。而且，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、物品或者终端设备不仅包括哪些要素，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、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本发明所提供的一种风力发电场风能预测方法以及系统，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种风力发电场风能预测方法，其特征在于，所述方法包括：

获得风机设备的历史产能数据，以及风电场所处区域下一周期的预估天气数据；

根据所述风机设备的历史产能数据和所述风电场所处区域下一周期的预估天气数据，构建第一输入特征；

获取电力装备当前周期的同步稳定值，并根据所述电力装备当前周期的同步稳定值，构建第二输入特征，其中，所述同步稳定值用于表征所述电力装备与所述风电场的连接稳定状态；

将所述第一输入特征和所述第二输入特征，输入预先训练得到的风能数据预测模型，输出得到所述风电场下一周期的实际输出风能预测数据；

其中，获取电力装备当前周期的同步稳定值的步骤包括：

根据所述电力装备当前周期的电力运行参数，计算所述电力装备当前周期的阻抗压降参数；

根据所述电力装备在执行无功补偿时，对所述风机设备的影响能力，计算所述电力装备当前周期的无功补偿特性参数；

根据所述电力装备当前周期的阻抗压降参数和所述电力装备当前周期的无功补偿特性参数，计算所述电力装备当前周期的同步稳定值。

2.根据权利要求1所述的风力发电场风能预测方法，其特征在于，所述电力运行参数包括电网电压幅值和所述电力装备的机端电压额定值，根据所述电力装备当前周期的电力运行参数，计算所述电力装备当前周期的阻抗压降参数的步骤包括：

根据所述电网电压幅值和所述电力装备的机端电压额定值，计算所述电力装备的机端电压向量；

将所述电力装备的机端电压向量分解为交轴方向的分量；

根据所述电力装备的交轴分量，计算所述电力装备当前周期的阻抗压降参数。

3.根据权利要求1所述的风力发电场风能预测方法，其特征在于，所述风能数据预测模型是通过以下步骤获得的：

获取所述风机设备的样本历史产能数据以及所述风电场所处区域的样本历史天气数据，并进行规整处理，获得第一输入特征样本；

获取所述电力装备的样本历史同步稳定值，并进行规整处理，获得第二输入特征样本；

根据所述第一输入特征样本和所述第二输入特征样本，对预设的随机森林模型进行训练和交叉验证，获得初始风能数据预测模型和所述风能数据预测模型的历史风能数据预测序列；

根据所述风能数据预测模型的历史风能数据预测序列，对所述初始风能数据预测模型进行修正，获得目标风能数据预测模型。

4.根据权利要求3所述的风力发电场风能预测方法，其特征在于，根据所述风能数据预测模型的历史风能数据预测序列，对所述初始风能数据预测模型进行修正的步骤包括：

获取风力发电场的历史实际输出风能数据；

根据所述历史风能数据预测序列与所述历史实际输出风能数据，计算所述风力发电场的历史实际输出风能预测误差；

根据所述风力发电场的历史实际输出风能预测误差，对所述初始风能数据预测模型的修正。

5.根据权利要求4所述的风力发电场风能预测方法，其特征在于，根据所述风力发电场的历史实际输出风能预测误差，对所述初始风能数据预测模型的修正的步骤，包括：

基于多元高斯分布对所述风力发电场的历史实际输出风能预测误差进行建模，以实现对所述初始风能数据预测模型的修正。

6.根据权利要求3所述的风力发电场风能预测方法，其特征在于，在根据所述风能数据预测模型的历史风能数据预测序列，对所述初始风能数据预测模型进行修正，获得目标风能数据预测模型的步骤之后，所述方法还包括：

将目标风能数据预测模型的预测错误率最低确定为第一优化函数的优化方向；

将目标风能数据预测模型的多样性指标值最高确定为第二优化函数的优化方向；

根据所述第一优化函数的优化方向和所述第二优化函数的优化方向，对所述目标风能数据预测模型进行优化。

7.一种风力发电场风能预测系统，其特征在于，所述系统包括：

风机参数获取模块，用于获得风机设备的历史产能数据，以及风电场所处区域下一周期的预估天气数据；

第一特征构建模块，用于根据所述风机设备的历史产能数据和所述风电场所处区域下一周期的预估天气数据，构建第一输入特征；

电力装备参数获取模块，用于获取电力装备当前周期的同步稳定值；

第二特征构建模块，用于根据所述电力装备当前周期的同步稳定值，构建第二输入特征，其中，所述同步稳定值用于表征所述电力装备与所述风电场的连接稳定状态；

预测模块，用于将所述第一输入特征和所述第二输入特征，输入预先训练得到的风能数据预测模型，输出得到所述风电场下一周期的实际输出风能预测数据；

其中，所述电力装备参数获取模块包括：

阻抗压降计算子模块，用于根据所述电力装备当前周期的电力运行参数，计算所述电力装备当前周期的阻抗压降参数；

无功补偿特性参数计算子模块，用于根据所述电力装备在执行无功补偿时，对所述风机设备的影响能力，计算所述电力装备当前周期的无功补偿特性参数；

同步稳定值计算子模块，用于根据所述电力装备当前周期的阻抗压降参数和所述电力装备当前周期的无功补偿特性参数，计算所述电力装备当前周期的同步稳定值。

8.根据权利要求7所述的风力发电场风能预测系统，其特征在于，所述电力运行参数包括电网电压幅值和所述电力装备的机端电压额定值，阻抗压降计算子模块包括：

机端电压计算单元，用于根据所述电网电压幅值和所述电力装备的机端电压额定值，计算所述电力装备的机端电压向量；

划分单元，用于将所述电力装备的机端电压向量分解为交轴方向的分量；

阻抗压降参数计算单元，用于根据所述电力装备的交轴分量，计算所述电力装备当前周期的阻抗压降参数。