一种全域风电中长期出力预测方法、系统、设备及介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115936238A(43)申请公布日2023.04.07(21)申请号202211663241.5G06N3/08(2023.01)(22)申请日2022.12.23G06F18/2135(2023.01)G06F18/15(2023.01)(71)申请人华润电力技术研究院有限公司G06V10/766(2022.01)地址523808广东省东莞市松山湖园区礼G06V10/774(2022.01)宾路6号18栋1单元308室G06V10/82(2022.01)(72)发明人袁兴德梁卉林曾垂宽聂燕H02J3/00(2006.01)马成龙张雨薇魏庆波卫京H02J3/46(2006.01)程光辉(74)专利代理机构广州三环专利商标代理有限公司44202专利代理师吴松滨(51)Int.Cl.G06Q10/04(2023.01)G06Q50/06(2012.01)G06N3/0464(2023.01)权利要求书2页说明书8页附图3页(54)发明名称一种全域风电中长期出力预测方法、系统、设备及介质(57)摘要本发明公开了一种全域风电中长期出力预测方法、系统、计算机设备及存储介质。通过获取历史CFS气象数据和与CFS气象数据对应的该地区实际全域风电出力数据的映射关系，以该映射关系作为样本集，使用样本集对采用卷积神经网络构建的模型进行训练，得到全域风电中长期出力预测模型，用该全域风电中长期出力预测模型对该地区未来的全域风电中长期出力数据进行预测。对于历史CFS气象数据的处理采用PCA降维处理和数据增强处理、以及可视化处理后并进行特征提取，获取多维度特征矩阵数据集，以提升数据的连续性和准确性。本发明的技术方案可提高全域风电中长期出力预测的准确率，科学严谨，准确率高，稳定可靠，易于实现，具有很好的普适性。CN115936238ACN115936238A权利要求书1/2页1.一种全域风电中长期出力预测方法，其特征在于，所述方法包括：选取历史时间段，获取该历史时间段选定地区全域范围内的历史CFS气象数据；所述历史CFS气象数据包括：起报时间、预报时间、气象要素和经纬度格点位置；根据所述历史CFS气象数据得到所对应的历史多维度特征矩阵数据集，作为出力预测特征数据；获取所述选定地区所述历史时间段对应的实际全域风电出力数据，并将其按照所述历史CFS气象数据的预报时间进行整理，得到出力预测标签数据；将所述出力预测特征数据和出力预测标签数据按照预报时间进行整合，获得样本集；构建卷积神经网络，并采用所述样本集对所述卷积神经网络进行训练，获得全域风电中长期出力预测模型；选取未来待预测时间段的CFS气象数据，根据所述未来待预测时间段的CFS气象数据得到所对应的未来多维度特征矩阵数据集，并将所述未来多维度特征矩阵数据集输入所述全域风电中长期出力预测模型进行预测，得到所述未来待预测时间段选定地区全域风电中长期出力预测数据。2.如权利要求1所述的全域风电中长期出力预测方法，其特征在于，所述根据所述历史CFS气象数据得到所对应的历史多维度特征矩阵数据集，包括：采用主成分分析方法对所述历史CFS气象数据进行降维处理。3.如权利要求2所述的全域风电中长期出力预测方法，其特征在于，所述根据所述历史CFS气象数据得到所对应的历史多维度特征矩阵数据集，还包括：采用线性插补法对所述PCA降维处理后的历史CFS气象数据的同一起报时间、预报时间和经纬度格点位置的气象要素的时间间隔插补为15分钟。4.如权利要求3所述的全域风电中长期出力预测方法，其特征在于，所述根据所述历史CFS气象数据得到所对应的历史多维度特征矩阵数据集，还包括：对所述插补处理后的历史CFS气象数据的每一种气象要素，按照起报时间、预报时间和经纬度格点位置的顺序进行升序排序；依次选取所述每一种气象要素同一起报时间和预报时间的全部经纬度格点位置的全部特征数据，并对所述每一全部特征数据进行可视化计算生成气象要素图谱图像；将所有所述气象要素图谱图像组成多维度图谱图像集。5.如权利要求4所述的全域风电中长期出力预测方法，其特征在于，所述根据所述历史CFS气象数据得到所对应的历史多维度特征矩阵数据集，还包括：对所述多维度图谱图像集进行灰度处理，并将其按照起报时间、预报时间、经纬度格点位置、多维度图谱图像灰度值的顺序组合成初始多维度特征矩阵；将所述初始多维度特征矩阵中具有同一起报时间、预报时间、经纬度格点位置的所有多维度图谱图像灰度值组合获得多维度特征矩阵，将所有所述多维度特征矩阵组成多维度特征矩阵数据集。6.如权利要求1所述的全域风电中长期出力预测方法，其特征在于，所述将所述出力预测特征数据和出力预测标签数据按照预报时间进行整合，获得样本集，包括：按照预报时间，将所述出力