[发明专利]不确定度预测方法、装置、电子设备及存储介质

说明书

本申请提供一种不确定度预测方法、装置、电子设备及存储介质，所述不确定度预测方法包括：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。本申请实施例的不确定度预测方法，结合了神经网络和贝叶斯概率推理的优点，可以减低计算复杂性，而且，该方法可同时估计风电功率的认知不确定度和任意不确定度，有利于提高预测精度。

技术领域

本申请属于电力系统运行控制技术领域，具体涉及一种不确定度预测方法、装置、电子设备及存储介质。

背景技术

风机功率曲线显示了发电功率和风速之间的关系，在评估风电场的性能方面起着重要作用。然而，在实际应用中，由于大气变量的随机性质，以及影响风力涡轮机的各种因素，功率曲线估计存在不确定性。

不确定性有两种，一种是偶然不确定性(Aleatoric Uncertainty)，是由于观测数据中的固有噪声导致的，这种不确定性是无法被消除的。另一种是感知不确定性(Epistemic Uncertainty)，与模型相关，是由于训练不完全导致的。如果给它更多的训练数据来弥补现有模型知识上的不足，这种不确定性从理论上来说是可以消除的。

然而，现有的不确定性预测方法存在计算复杂性高和预测精度不高的问题。因此，有必要研究一种简单、精确的风电功率不确定度预测方法。

发明内容

本申请旨在至少解决现有技术中存在的技术问题之一，提供一种不确定度预测方法、装置、电子设备及存储介质。

本申请的第一方面提供一种不确定度预测方法，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。

可选的，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。

可选的，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。

可选的，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。

可选的，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。

可选的，所述神经网络包括：

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。

可选的，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。