[发明专利]基于逐步回归与深度学习的风电功率预测方法及相关设备

说明书

本公开提供一种基于逐步回归与深度学习的风电功率预测方法及相关设备，方法包括：基于回归方程筛选风力发电的工作参数中具有显著性的目标参数；获取所述目标参数在第一时间段的观测数据；将所述观测数据输入训练好的功率预测模型，得到目标时间的风电功率预测值。根据本公开，利用回归方法选择对预测变量即风电功率的变化具有显著解释能力的目标参数作为输入变量，并结合长短期记忆神经网络进行风电功率预测，能够有效提高预测精度和运算效率。

技术领域

本公开涉及数据处理技术领域，尤其涉及一种基于逐步回归与深度学习的风电功率预测方法及相关设备。

背景技术

能源危机、环境污染以及气候变化等问题使得以风力发电为代表的新能源发电技术得到广泛关注。全国各地的风电场数目正在急剧增加，由于风的波动性、间歇性导致风电场出力具有不确定性，使电网公司在制定调度计划和风电场在制定风电机组检修计划时存在困难，风电功率预测的重要性日益凸显，因此有必要对风电场进行功率预测。现有的风电功率预测方法存在准确度不高的问题，无法为风力发电等各方面的规划提供有效的数据支持。

发明内容

有鉴于此，本公开的目的在于提出一种基于逐步回归与深度学习的风电功率预测方法及相关设备。

基于上述目的，第一方面，本公开提供了一种基于逐步回归与深度学习的风电功率预测方法，包括：

基于回归方程筛选风力发电的工作参数中具有显著性的目标参数；

获取所述目标参数在第一时间段的观测数据；

将所述观测数据输入训练好的功率预测模型，得到目标时间的风电功率预测值。

第二方面，本公开提供了一种基于逐步回归与深度学习的风电功率预测装置，包括：

回归单元，用于基于回归方程筛选风力发电的工作参数中具有显著性的目标参数；

获取单元，用于获取所述目标参数在第一时间段的观测数据；

预测单元，用于将所述观测数据输入训练好的功率预测模型，得到目标时间的风电功率预测值。

第三方面，本公开提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述的方法。

第四方面，本公开提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行第一方面所述方法。

从上面所述可以看出，本公开提供的基于逐步回归与深度学习的风电功率预测方法及相关设备，利用回归方法选择对预测变量即风电功率的变化具有显著解释能力的目标参数作为输入变量，并结合长短期记忆神经网络进行风电功率预测，能够有效提高预测精度和运算效率。

附图说明

为了更清楚地说明本公开或相关技术中的技术方案，下面将对实施例或相关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公开的实施例，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为根据本公开实施例的基于逐步回归与深度学习的风电功率预测方法的示意性流程图；

图2为根据本公开实施例的功率预测模型的示意性原理图；

图3为根据本公开实施例的神经网络模型的示意性原理图；

图4为根据本公开实施例的神经网络模型在不同学习率下的损失函数曲线；

图5为根据本公开实施例的神经网络模型在不同情况下的损失函数曲线；

图6为根据本公开实施例的基于逐步回归与深度学习的风电功率预测装置的示意性框图；

图7为根据本公开实施例的电子设备的示意性框图。

具体实施方式