本發(fā)明涉及風(fēng)電功率預(yù)測(cè)，具體涉及一種分布式超短期風(fēng)電功率預(yù)測(cè)方法、裝置、介質(zhì)及產(chǎn)品。

背景技術(shù)：

1、風(fēng)電功率預(yù)測(cè)在能源系統(tǒng)運(yùn)營(yíng)中具有關(guān)鍵作用，能夠?yàn)槟茉聪到y(tǒng)運(yùn)營(yíng)商的備用規(guī)劃提供有力參考，能夠顯著提升風(fēng)電參與調(diào)峰、調(diào)頻時(shí)的經(jīng)濟(jì)效益。在眾多學(xué)者的廣泛研究下，風(fēng)電功率預(yù)測(cè)(wpf)依據(jù)時(shí)間尺度可以清晰劃分為長(zhǎng)期預(yù)測(cè)、中期預(yù)測(cè)、短期預(yù)測(cè)以及超短期預(yù)測(cè)。

2、當(dāng)前，基于深度神經(jīng)網(wǎng)絡(luò)的模型在風(fēng)電功率預(yù)測(cè)中展現(xiàn)出較高的精度。然而，這類模型仍存在一些亟待解決的難題：由于風(fēng)機(jī)地理位置分散，不同位置的風(fēng)機(jī)的發(fā)電特性各不相同，若采用統(tǒng)一的預(yù)測(cè)模型進(jìn)行訓(xùn)練與預(yù)測(cè)，容易導(dǎo)致結(jié)果偏差。因此，為獲取精準(zhǔn)預(yù)測(cè)數(shù)據(jù)，需要收集大量風(fēng)機(jī)相關(guān)信息并加以分析處理。但考慮變量過(guò)多、數(shù)據(jù)庫(kù)過(guò)于龐大，會(huì)加重計(jì)算負(fù)擔(dān)。此外，現(xiàn)有技術(shù)中的濾波方法，不僅要進(jìn)行分類判定，聚類過(guò)程中處理的數(shù)據(jù)量也較大，致使整個(gè)預(yù)測(cè)流程繁雜，預(yù)測(cè)周期拉長(zhǎng)，難以滿足快速超短期風(fēng)電功率預(yù)測(cè)的需求，無(wú)法靈活適應(yīng)電力系統(tǒng)多樣化的調(diào)度要求。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明提供了一種分布式超短期風(fēng)電功率預(yù)測(cè)方法、裝置、介質(zhì)及產(chǎn)品，以解決現(xiàn)有風(fēng)電功率預(yù)測(cè)方法難以滿足快速超短期風(fēng)電功率預(yù)測(cè)的需求，無(wú)法靈活適應(yīng)電力系統(tǒng)多樣化的調(diào)度要求的問(wèn)題。

2、第一方面，本發(fā)明提供了一種分布式超短期風(fēng)電功率預(yù)測(cè)方法，該方法包括：

3、獲取多個(gè)初始風(fēng)機(jī)的第一歷史風(fēng)功率數(shù)據(jù)集；基于目標(biāo)自組織映射神經(jīng)網(wǎng)絡(luò)，利用第一歷史風(fēng)功率數(shù)據(jù)集對(duì)多個(gè)初始風(fēng)機(jī)進(jìn)行聚類分析，得到聚類后的多個(gè)虛擬風(fēng)機(jī)和每個(gè)虛擬風(fēng)機(jī)的第二歷史風(fēng)功率數(shù)據(jù)集；利用增強(qiáng)型hp濾波器對(duì)每個(gè)虛擬風(fēng)機(jī)的第二歷史風(fēng)功率數(shù)據(jù)集進(jìn)行濾波分解，得到每個(gè)虛擬風(fēng)機(jī)的目標(biāo)趨勢(shì)項(xiàng)風(fēng)功率數(shù)據(jù)和目標(biāo)周期項(xiàng)風(fēng)功率數(shù)據(jù)；將每個(gè)虛擬風(fēng)機(jī)的目標(biāo)趨勢(shì)項(xiàng)風(fēng)功率數(shù)據(jù)和目標(biāo)周期項(xiàng)風(fēng)功率數(shù)據(jù)經(jīng)過(guò)長(zhǎng)短期記憶網(wǎng)絡(luò)預(yù)測(cè)模型處理，得到每個(gè)虛擬風(fēng)機(jī)的分布式超短期風(fēng)電功率預(yù)測(cè)結(jié)果。

4、本發(fā)明提供的分布式超短期風(fēng)電功率預(yù)測(cè)方法，通過(guò)獲取多個(gè)初始風(fēng)機(jī)的第一歷史風(fēng)功率數(shù)據(jù)集，能夠了解風(fēng)機(jī)在不同運(yùn)行狀態(tài)和環(huán)境下的功率輸出情況。進(jìn)一步，考慮到不同位置風(fēng)機(jī)發(fā)電特性不同，通過(guò)目標(biāo)自組織映射神經(jīng)網(wǎng)絡(luò)進(jìn)行聚類分析，能夠?qū)⒕哂邢嗨瓢l(fā)電特性的初始風(fēng)機(jī)歸為一類，形成虛擬風(fēng)機(jī)，降低了數(shù)據(jù)的復(fù)雜性，進(jìn)而有助于減少計(jì)算負(fù)擔(dān)，同時(shí)，避免了采用統(tǒng)一模型對(duì)所有風(fēng)機(jī)進(jìn)行處理帶來(lái)的結(jié)果偏差。進(jìn)一步，通過(guò)濾波分解能夠?qū)L(fēng)功率數(shù)據(jù)中的趨勢(shì)項(xiàng)和周期項(xiàng)分離出來(lái)，去除了數(shù)據(jù)中的噪聲和其他干擾因素，進(jìn)而能夠更清晰地展現(xiàn)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)和特征。最后，通過(guò)長(zhǎng)短期記憶網(wǎng)絡(luò)預(yù)測(cè)模型，能夠很好地處理具有時(shí)間序列特征的數(shù)據(jù)，同時(shí)結(jié)合得到的目標(biāo)趨勢(shì)項(xiàng)和目標(biāo)周期項(xiàng)風(fēng)功率數(shù)據(jù)，可以充分挖掘數(shù)據(jù)中的時(shí)間依賴關(guān)系和潛在規(guī)律，從而對(duì)每個(gè)虛擬風(fēng)機(jī)的超短期風(fēng)電功率進(jìn)行準(zhǔn)確預(yù)測(cè)，提高了預(yù)測(cè)的準(zhǔn)確性，進(jìn)而能夠?yàn)轱L(fēng)電資源調(diào)度規(guī)劃提供可靠的預(yù)測(cè)結(jié)果，進(jìn)而能夠靈活適應(yīng)電力系統(tǒng)多樣化的調(diào)度要求。

5、在一種可選的實(shí)施方式中，獲取第一歷史風(fēng)功率數(shù)據(jù)集，包括：

6、獲取初始?xì)v史風(fēng)功率數(shù)據(jù)集；對(duì)初始?xì)v史風(fēng)功率數(shù)據(jù)集進(jìn)行過(guò)濾，得到第三歷史風(fēng)功率數(shù)據(jù)集；對(duì)第三歷史風(fēng)功率數(shù)據(jù)集進(jìn)行空氣密度修正，得到第一歷史風(fēng)功率數(shù)據(jù)集。

7、本發(fā)明提供的分布式超短期風(fēng)電功率預(yù)測(cè)方法，通過(guò)對(duì)初始?xì)v史風(fēng)功率數(shù)據(jù)集進(jìn)行過(guò)濾，能夠去除數(shù)據(jù)集中可能存在的誤導(dǎo)性數(shù)據(jù)。進(jìn)一步，通過(guò)空氣密度修正，使得數(shù)據(jù)更加準(zhǔn)確可靠，提高了數(shù)據(jù)質(zhì)量。

8、在一種可選的實(shí)施方式中，該方法還包括：

9、獲取初始自組織映射神經(jīng)網(wǎng)絡(luò)和多個(gè)風(fēng)功率訓(xùn)練數(shù)據(jù)；將多個(gè)風(fēng)功率訓(xùn)練數(shù)據(jù)依次輸入初始自組織映射神經(jīng)網(wǎng)絡(luò)，并確定最佳匹配單元；重復(fù)對(duì)最佳匹配單元的權(quán)重和最佳匹配單元的鄰域權(quán)重進(jìn)行調(diào)整，以更新對(duì)初始自組織映射神經(jīng)網(wǎng)絡(luò)輸出的權(quán)重向量的步驟，直至滿足預(yù)設(shè)條件時(shí)得到訓(xùn)練后的目標(biāo)自組織映射神經(jīng)網(wǎng)絡(luò)。

10、本發(fā)明提供的分布式超短期風(fēng)電功率預(yù)測(cè)方法，通過(guò)將訓(xùn)練數(shù)據(jù)依次輸入初始自組織映射神經(jīng)網(wǎng)絡(luò)，并找到與輸入數(shù)據(jù)最匹配的最佳匹配單元，有助于模型對(duì)輸入數(shù)據(jù)進(jìn)行分類和映射，將相似的風(fēng)功率數(shù)據(jù)映射到相近的神經(jīng)元區(qū)域，從而實(shí)現(xiàn)對(duì)風(fēng)功率數(shù)據(jù)的初步聚類和特征提取，使模型能夠捕捉到風(fēng)功率數(shù)據(jù)的內(nèi)在結(jié)構(gòu)和分布規(guī)律。進(jìn)一步，通過(guò)不斷調(diào)整最佳匹配單元及其鄰域權(quán)重，可以使自組織映射神經(jīng)網(wǎng)絡(luò)逐漸適應(yīng)輸入的風(fēng)功率訓(xùn)練數(shù)據(jù)，進(jìn)而使得模型的權(quán)重向量能夠更好地反映風(fēng)功率數(shù)據(jù)的分布特征。進(jìn)一步，隨著迭代的進(jìn)行，模型能夠更準(zhǔn)確地對(duì)風(fēng)功率數(shù)據(jù)進(jìn)行聚類和降維處理，提高了模型的準(zhǔn)確性和泛化能力。最后，當(dāng)滿足預(yù)設(shè)條件時(shí)，得到的訓(xùn)練后的目標(biāo)自組織映射神經(jīng)網(wǎng)絡(luò)能夠有效地對(duì)新的風(fēng)功率數(shù)據(jù)進(jìn)行處理和分析。

11、在一種可選的實(shí)施方式中，基于目標(biāo)自組織映射神經(jīng)網(wǎng)絡(luò)，利用第一歷史風(fēng)功率數(shù)據(jù)集對(duì)多個(gè)初始風(fēng)機(jī)進(jìn)行聚類分析，得到聚類后的多個(gè)虛擬風(fēng)機(jī)和每個(gè)虛擬風(fēng)機(jī)的第二歷史風(fēng)功率數(shù)據(jù)集，包括：

12、利用目標(biāo)自組織映射神經(jīng)網(wǎng)絡(luò)對(duì)第一歷史風(fēng)功率數(shù)據(jù)集進(jìn)行降維分類，得到多個(gè)第四歷史風(fēng)功率數(shù)據(jù)集；利用多個(gè)第四歷史風(fēng)功率數(shù)據(jù)集對(duì)多個(gè)初始風(fēng)機(jī)進(jìn)行聚類，得到多個(gè)虛擬風(fēng)機(jī)和每個(gè)虛擬風(fēng)機(jī)的第二歷史風(fēng)功率數(shù)據(jù)集。

13、本發(fā)明提供的分布式超短期風(fēng)電功率預(yù)測(cè)方法，通過(guò)對(duì)第一歷史風(fēng)功率數(shù)據(jù)集進(jìn)行降維分類，減少了數(shù)據(jù)的維度，同時(shí)保留了數(shù)據(jù)的關(guān)鍵特征，進(jìn)而使得初始風(fēng)機(jī)的聚類過(guò)程更加高效和準(zhǔn)確。進(jìn)一步，通過(guò)對(duì)多個(gè)初始風(fēng)機(jī)進(jìn)行聚類并得到虛擬風(fēng)機(jī)，能夠?qū)⒕哂邢嗨瓢l(fā)電特性的初始風(fēng)機(jī)歸為一類，降低了計(jì)算復(fù)雜度。

14、在一種可選的實(shí)施方式中，利用增強(qiáng)型hp濾波器對(duì)每個(gè)虛擬風(fēng)機(jī)的第二歷史風(fēng)功率數(shù)據(jù)集進(jìn)行濾波分解，得到每個(gè)虛擬風(fēng)機(jī)的目標(biāo)趨勢(shì)項(xiàng)風(fēng)功率數(shù)據(jù)和目標(biāo)周期項(xiàng)風(fēng)功率數(shù)據(jù)，包括：

15、利用增強(qiáng)型hp濾波器對(duì)每個(gè)虛擬風(fēng)機(jī)的第二歷史風(fēng)功率數(shù)據(jù)集進(jìn)行濾波分解，得到每個(gè)虛擬風(fēng)機(jī)的初始趨勢(shì)項(xiàng)風(fēng)功率數(shù)據(jù)和初始周期項(xiàng)風(fēng)功率數(shù)據(jù)；當(dāng)確定初始周期項(xiàng)風(fēng)功率數(shù)據(jù)存在趨勢(shì)行為，重復(fù)利用增強(qiáng)型hp濾波器對(duì)初始趨勢(shì)項(xiàng)風(fēng)功率數(shù)據(jù)和初始周期項(xiàng)風(fēng)功率數(shù)據(jù)進(jìn)行濾波分解的步驟，并在分解過(guò)程中利用預(yù)設(shè)檢驗(yàn)方法判斷迭代次數(shù)是否滿足預(yù)設(shè)要求；當(dāng)?shù)螖?shù)滿足預(yù)設(shè)要求，確定每個(gè)虛擬風(fēng)機(jī)的目標(biāo)趨勢(shì)項(xiàng)風(fēng)功率數(shù)據(jù)和目標(biāo)周期項(xiàng)風(fēng)功率數(shù)據(jù)。

16、本發(fā)明提供的分布式超短期風(fēng)電功率預(yù)測(cè)方法，通過(guò)增強(qiáng)型hp濾波器進(jìn)行多次濾波和迭代控制，能夠更有效地去除風(fēng)功率數(shù)據(jù)中的趨勢(shì)成分，使得到的周期項(xiàng)和趨勢(shì)項(xiàng)數(shù)據(jù)更加準(zhǔn)確，從而提高后續(xù)lstm預(yù)測(cè)模型的輸入數(shù)據(jù)質(zhì)量，提升預(yù)測(cè)結(jié)果的準(zhǔn)確性。同時(shí)，在迭代過(guò)程中利用預(yù)設(shè)檢驗(yàn)方法判斷迭代次數(shù)是否滿足預(yù)設(shè)要求，避免了不必要的過(guò)度迭代，并在保證數(shù)據(jù)質(zhì)量的同時(shí)，提高了計(jì)算效率。

17、在一種可選的實(shí)施方式中，將每個(gè)虛擬風(fēng)機(jī)的目標(biāo)趨勢(shì)項(xiàng)風(fēng)功率數(shù)據(jù)和目標(biāo)周期項(xiàng)風(fēng)功率數(shù)據(jù)經(jīng)過(guò)長(zhǎng)短期記憶網(wǎng)絡(luò)預(yù)測(cè)模型處理，得到每個(gè)虛擬風(fēng)機(jī)的分布式超短期風(fēng)電功率預(yù)測(cè)結(jié)果，包括：

18、將每個(gè)虛擬風(fēng)機(jī)的目標(biāo)趨勢(shì)項(xiàng)風(fēng)功率數(shù)據(jù)和目標(biāo)周期項(xiàng)風(fēng)功率數(shù)據(jù)經(jīng)過(guò)長(zhǎng)短期記憶網(wǎng)絡(luò)預(yù)測(cè)模型處理，得到每個(gè)虛擬風(fēng)機(jī)的趨勢(shì)項(xiàng)風(fēng)功率預(yù)測(cè)值和周期項(xiàng)風(fēng)功率預(yù)測(cè)值；根據(jù)每個(gè)虛擬風(fēng)機(jī)的趨勢(shì)項(xiàng)風(fēng)功率預(yù)測(cè)值和周期項(xiàng)風(fēng)功率預(yù)測(cè)值，確定每個(gè)虛擬風(fēng)機(jī)的分布式超短期風(fēng)電功率預(yù)測(cè)結(jié)果。

19、本發(fā)明提供的分布式超短期風(fēng)電功率預(yù)測(cè)方法，通過(guò)長(zhǎng)短期記憶網(wǎng)絡(luò)預(yù)測(cè)模型，能夠有效地處理時(shí)間序列數(shù)據(jù)，進(jìn)而學(xué)習(xí)風(fēng)功率數(shù)據(jù)的時(shí)間依賴關(guān)系和變化規(guī)律。進(jìn)一步，通過(guò)分別對(duì)趨勢(shì)項(xiàng)和周期項(xiàng)進(jìn)行預(yù)測(cè)，能夠更細(xì)致地捕捉風(fēng)功率的變化特征，從而提高整體的預(yù)測(cè)精度，為風(fēng)電資源的合理調(diào)度和規(guī)劃提供更準(zhǔn)確的依據(jù)。

20、在一種可選的實(shí)施方式中，該方法還包括：利用預(yù)設(shè)檢驗(yàn)標(biāo)準(zhǔn)對(duì)每個(gè)虛擬風(fēng)機(jī)的趨勢(shì)項(xiàng)風(fēng)功率預(yù)測(cè)值和周期項(xiàng)風(fēng)功率預(yù)測(cè)值進(jìn)行檢驗(yàn)，得到檢驗(yàn)結(jié)果。

21、本發(fā)明提供的分布式超短期風(fēng)電功率預(yù)測(cè)方法，通過(guò)對(duì)得到的每個(gè)虛擬風(fēng)機(jī)的趨勢(shì)項(xiàng)風(fēng)功率預(yù)測(cè)值和周期項(xiàng)風(fēng)功率預(yù)測(cè)值進(jìn)行檢驗(yàn)，可以評(píng)估預(yù)測(cè)結(jié)果的準(zhǔn)確性和可靠性。進(jìn)一步，得到的檢驗(yàn)結(jié)果可以用于進(jìn)一步優(yōu)化模型和調(diào)整預(yù)測(cè)參數(shù)，確保預(yù)測(cè)結(jié)果滿足實(shí)際應(yīng)用的需求。

22、第二方面，本發(fā)明提供了一種分布式超短期風(fēng)電功率預(yù)測(cè)裝置，該裝置包括：

23、第一獲取模塊，用于獲取多個(gè)初始風(fēng)機(jī)的第一歷史風(fēng)功率數(shù)據(jù)集；聚類分析模塊，用于基于目標(biāo)自組織映射神經(jīng)網(wǎng)絡(luò)，利用第一歷史風(fēng)功率數(shù)據(jù)集對(duì)多個(gè)初始風(fēng)機(jī)進(jìn)行聚類分析，得到聚類后的多個(gè)虛擬風(fēng)機(jī)和每個(gè)虛擬風(fēng)機(jī)的第二歷史風(fēng)功率數(shù)據(jù)集；分解模塊，用于利用增強(qiáng)型hp濾波器對(duì)每個(gè)虛擬風(fēng)機(jī)的第二歷史風(fēng)功率數(shù)據(jù)集進(jìn)行濾波分解，得到每個(gè)虛擬風(fēng)機(jī)的目標(biāo)趨勢(shì)項(xiàng)風(fēng)功率數(shù)據(jù)和目標(biāo)周期項(xiàng)風(fēng)功率數(shù)據(jù)；預(yù)測(cè)模塊，用于將每個(gè)虛擬風(fēng)機(jī)的目標(biāo)趨勢(shì)項(xiàng)風(fēng)功率數(shù)據(jù)和目標(biāo)周期項(xiàng)風(fēng)功率數(shù)據(jù)經(jīng)過(guò)長(zhǎng)短期記憶網(wǎng)絡(luò)預(yù)測(cè)模型處理，得到每個(gè)虛擬風(fēng)機(jī)的分布式超短期風(fēng)電功率預(yù)測(cè)結(jié)果。

24、第三方面，本發(fā)明提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，該計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)上存儲(chǔ)有計(jì)算機(jī)指令，計(jì)算機(jī)指令用于使計(jì)算機(jī)執(zhí)行上述第一方面或其對(duì)應(yīng)的任一實(shí)施方式的分布式超短期風(fēng)電功率預(yù)測(cè)方法。

25、第四方面，本發(fā)明提供了一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)指令，計(jì)算機(jī)指令用于使計(jì)算機(jī)執(zhí)行上述第一方面或其對(duì)應(yīng)的任一實(shí)施方式的分布式超短期風(fēng)電功率預(yù)測(cè)方法。