[发明专利]不确定度预测方法、装置、电子设备及存储介质

权利要求书

1.一种不确定度预测方法，其特征在于，包括：

获取风电场的实际运行数据；

对所述实际运行数据进行预处理；

采用蒙特卡罗dropout方法对预处理结果进行预测并输出风电功率的任意不确定度和认知不确定度。

2.根据权利要求1所述的方法，其特征在于，所述对所述实际运行数据进行预处理包括：

从所述实际运行数据中提取稳态数据；

从所述稳态数据中提取主要预测因子。

3.根据权利要求2所述的方法，其特征在于，所述从所述实际运行数据中提取稳态数据，包括：

采用随机采样一致算法筛选实际运行数据中的采样点；

对筛选的采样点进行最小二乘拟合得到稳态数据，并以时间序列的形式提供数据的平均值、标准差、最小值和最大值。

4.根据权利要求2所述的方法，其特征在于，所述主要预测因子包括风速、环境温度、风向、叶片俯仰角、机舱角、湍流强度、阵风系数和风速比中的一种或多种。

5.根据权利要求1所述的方法，其特征在于，所述采用蒙特卡罗dropout方法对预处理结果进行预测并输出风电功率的任意不确定度和认知不确定度，包括：

以蒙特卡洛dropout方法建立基于贝叶斯的概率神经网络模型；

利用训练好的神经网络对预处理结果进行多次前向传播，并以不同网络结构输出多个预测结果的方差，以确定风电功率的认知不确定度；

修正概率神经网络模型的损失函数，以输出方差的形式求解任意不确定度。

6.根据权利要求5所述的方法，其特征在于，所述概率神经网络模型包括：

多个依次相连的隐藏层，每个所述隐藏层包括多个处理单元，其中一个处理单元用于网络端的平均和统计方差输出；每个所述隐藏层还包括激活函数层；每个所述隐藏层中均放置有dropout。

7.根据权利要求5所述的方法，其特征在于，所述修正概率神经网络模型的损失函数，包括：

利用神经网络的损失函数对风电功率的任意不确定度进行建模。

8.一种不确定度预测装置，其特征在于，包括：

获取模块，用于获取风电场的实际运行数据；

预处理模块，用于对所述实际运行数据进行预处理；

预测模块，用于采用蒙特卡罗dropout方法对预处理结果进行预测并输出风电功率的任意不确定度和认知不确定度。

9.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现根据权利要求1至7任一项所述的不确定度预测方法。

10.一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，

所述计算机程序被处理器执行时能实现根据权利要求1至7任一项所述的不确定度预测方法。