一種基于數據驅動的風電智能功率預測系統及方法與流程

本發明涉及風電功率預測，更具體地說，本發明涉及一種基于數據驅動的風電智能功率預測系統及方法。

背景技術：

1、在風電場的運行過程中，風電功率的預測至關重要。由于風電資源的間歇性和不穩定性，風電功率的輸出具有較大的波動性。這種波動性給電網的調度和穩定運行帶來了挑戰，因此精確的風電功率預測對于電網的安全和穩定至關重要。目前的風電功率預測方法多依賴于物理模型或統計模型，但這些方法存在一定的局限性，例如對復雜環境適應能力不足、實時性差等問題，隨著數據科學和機器學習技術的發展，基于數據驅動的風電功率預測方法逐漸受到關注。這些方法利用大量的歷史數據和實時數據，通過復雜的數據分析和模型訓練，實現更高精度的功率預測。

2、如一種風電功率預測方法、裝置、設備及存儲介質（cn113937763b）涉及基于歷史氣象數據和多組天氣預報數據來進行風電功率預測的方法，使用不同值的氣象預報系統來獲取目標風電場對應的多組氣象預報數據，通過中間風速數據等多種數據源進行綜合處理，提高預測的準確性和可靠性；

3、一種考慮風電上網負荷限制的風力發電機功率預測方法（cn113627685b）

4、涉及一種利用機器學習算法進行風電功率預測的方法，側重于數據的預處理和特征提取，使用訓練好的模型對未來的風電功率進行預測，對實時數據的動態調整，以適應環境變化，提高模型的泛化能力；

5、然而如何有效地利用這些數據并選擇合適的預測模型，仍然是一個亟待解決的問題，因此，在此提出一種基于數據驅動的風電智能功率預測系統及方法。

技術實現思路

1、為實現上述目的，本發明提供如下技術方案：

2、一種基于數據驅動的風電智能功率預測方法，包括以下步驟：

3、獲取風電智能功率預測的驅動數據信息，然后進行數據分析操作，得到數據質量指數；

4、獲取預設的兩種風電智能功率預測策略模型的運行信息，然后分別對預設的兩種風電智能功率預測策略模型進行運行分析操作，得到模型需求滿足指數、環境適應指數；

5、基于生成的數據質量指數、模型需求滿足指數、環境適應指數，進行綜合分析，分別得到預設的兩種風電智能功率預測策略模型各自的綜合應用系數；

6、基于綜合應用系數，將兩種風電智能功率預測策略模型分別劃分為高質量模型、中質量模型或低質量模型；

7、按照預設的策略判斷選擇何種風電智能功率預測策略模型或重新收集驅動數據。

8、在一個優選的實施方式中，數據質量指數的獲取邏輯如下：

9、從獲取到的風電智能功率預測的驅動數據信息中，分別提取數據完整、數據準確性、數據一致性、數據及時性四個指標，根據各指標的重要性，兩兩比較確定矩陣元素，構建判斷矩陣a，然后對判斷矩陣進行歸一化處理，然后計算各指標的平均值，得到權重向量；通過一致性比例檢驗判斷矩陣的一致性，確保權重計算的合理性；

10、將各指標數據進行標準化處理，得到標準化矩陣p，然后計算每個指標的熵值，計算公式為：；表示標準化后的值，即第j個指標第i個樣本的標準化值，；m表示樣本總數，并且規定：如果，則定義，避免計算上的不確定性；

11、先計算信息熵剩余度，計算公式為：；表示第j個指標的信息熵剩余度，接著計算每個指標的熵權，計算公式為：；n為指標的總數，表示第j個指標的熵權，得到熵權向量；

12、確定最終的分配向量；滿足以下條件：；表示第j個指標最終的分配權重，為結合系數，用于調整熵權向量和權重向量的相對重要性，通常0≤≤1，選擇結合系數需要根據具體情況來定，如果專家的主觀判斷較為可靠，可以賦予ahp權重較高的權重，即選擇較大的值；如果數據特征較為復雜且需要客觀評估，可以選擇較小的值，使熵權法權重占更大比重；

13、數據質量指數的計算公式為：；表示第j個指標標準化后的平均值，n為指標的總數，為數據質量指數。

14、在一個優選的實施方式中，模型需求滿足指數的獲取邏輯如下：

15、兩種風電智能功率預測策略模型各有m個模型需求指標且指標種類相應，進行數據標準化處理，獲得標準化后的矩陣ri，i為風電智能功率預測策略模型對應的編號，為各指標賦予權重，形成加權標準化矩陣vi，接著確定理想解和反理想解，然后計算每個模型到理想解和反理想解的距離，最終計算模型需求滿足指數，計算公式為：；表示編號為i的風電智能功率預測策略模型到反理想解的距離，表示編號為i的風電智能功率預測策略模型到理想解的距離，表示編號為i的風電智能功率預測策略模型的模型需求滿足指數。

16、在一個優選的實施方式中，賦予權重指的是使用層次分析法為各指標賦予權重。

17、在一個優選的實施方式中，環境適應指數的獲取邏輯如下：

18、確定目標風電智能功率預測策略模型要評估的環境條件和相關的表現指標，確定n個環境條件和m個表現指標，在不同環境條件下，收集目標風電智能功率預測策略模型的表現數據并進行標準化處理，得到標準化序列n，標準化序列n由標準化數據組成，表示第i個環境條件下的第j個表現指標，預設有參考序列x，參考序列x由各表現指標的理想最優值組成，計算灰色關聯系數，計算公式為：；表示第i個環境條件下，第j個指標在標準化序列n和參考序列x之間的灰色關聯系數，；表示第i個環境條件下，第j個指標在標準化序列n和參考序列x中的絕對差值，表示標準化序列n中所有環境條件下的最小差值，表示標準化序列n中所有環境條件下的最大差值，為分辨系數，取值在0到1之間；

19、對每個環境條件i，計算灰色關聯度，計算公式為：；表示環境條件i的灰色關聯度；

20、綜合所有環境條件的灰色關聯度，計算環境適應指數，計算公式為：

21、；表示目標風電智能功率預測策略模型的環境適應指數。

22、在一個優選的實施方式中，綜合應用系數的獲取邏輯為：

23、將目標風電智能功率預測策略模型的數據質量指數、模型需求滿足指數、環境適應指數一同代入預訓練好的機器學習模型中進行綜合分析，生成綜合應用系數。

24、在一個優選的實施方式中，基于綜合應用系數，將兩種風電智能功率預測策略模型分別劃分為高質量模型、中質量模型或低質量模型指的是：

25、獲取目標風電智能功率預測策略模型的綜合應用系數，以及其對應的預設的基準應用區間，若目標風電智能功率預測策略模型的綜合應用系數落入預設的基準應用區間內，則劃分為中質量模型，若目標風電智能功率預測策略模型的綜合應用系數大于預設的基準應用區間內的最大值，則劃分為高質量模型，若目標風電智能功率預測策略模型的綜合應用系數小于預設的基準應用區間內的最小值，則劃分為低質量模型。

26、在一個優選的實施方式中，按照預設的策略判斷選擇何種風電智能功率預測策略模型或重新收集驅動數據指的是：

27、當僅有一個風電智能功率預測策略模型被劃分為高質量模型時，采用該風電智能功率預測策略模型進行應用，當兩個風電智能功率預測策略模型均被劃分為高質量模型時，選擇其中一種進行應用，當兩個風電智能功率預測策略模型其中一個被劃分為低質量模型，另一個被劃分為中質量模型時，選擇被劃分為中質量模型的風電智能功率預測策略模型進行應用，當兩個風電智能功率預測策略模型均被劃分為低質量模型時，重新收集驅動數據，當兩個風電智能功率預測策略模型均被劃分為中質量模型時，采用模糊分析法確定采用的模型編號。

28、在一個優選的實施方式中，采用模糊分析法確定采用的模型編號指的是：

29、獲取數據質量指數，以及預設的兩種風電智能功率預測策略模型的模型需求滿足指數的差值、環境適應指數的差值，定義數據質量指數、需求滿足指數的差值、環境適應指數的差值為輸入變量，定義采用的模型編號為輸出變量，對輸入變量模糊化處理，將輸入變量的值轉換為模糊集合，對輸出變量模糊化處理，將輸出變量轉換為模糊集合，制定模糊規則，描述不同數據種類組合下的模型應用選擇方向，將模糊化后的輸入變量通過模糊規則進行推理，判斷最終采用的模型編號。

30、在一個優選的實施方式中，一種基于數據驅動的風電智能功率預測系統，包括信息收集模塊、數據分析模塊、運行分析模塊、綜合分析模塊、劃分模塊、選擇模塊；

31、信息收集模塊用于獲取風電智能功率預測的驅動數據信息和預設的兩種風電智能功率預測策略模型的運行信息；

32、數據分析模塊用于對獲取到的風電智能功率預測的驅動數據信息進行數據分析操作，得到數據質量指數；

33、運行分析模塊用于分別對預設的兩種風電智能功率預測策略模型進行運行分析操作，得到模型需求滿足指數、環境適應指數；

34、綜合分析模塊用于基于生成的數據質量指數、模型需求滿足指數、環境適應指數，進行綜合分析，分別得到預設的兩種風電智能功率預測策略模型各自的綜合應用系數；

35、劃分模塊用于基于綜合應用系數，將兩種風電智能功率預測策略模型分別劃分為高質量模型、中質量模型或低質量模型；

36、選擇模塊用于按照預設的策略判斷選擇何種風電智能功率預測策略模型或重新收集驅動數據。

37、本發明的技術效果和優點：

38、本發明使用數據質量指數對驅動數據的質量進行評估，使用模型需求滿足指數、環境適應指數對模型兩種風電功率預測模型進行評估，本發明能夠顯著提高風電功率預測的精度，減少預測誤差和電力調度的難度。通過計算環境適應指數，本發明能夠評估模型在不同環境條件下的表現，選擇最佳模型以應對多變的氣候和地理條件，提高系統的魯棒性。綜合應用系數的計算使得系統能夠自動分類和選擇高質量、中質量或低質量模型，優化資源配置，確保在關鍵應用場景中使用最優模型。

39、本發明的方法能夠靈活結合不同的數據源和預測算法，適應不同規模的風電場和數據環境，并能夠根據新的數據動態調整模型，具備良好的擴展性。通過精確的預測和優化的模型選擇，電網可以更高效地管理風電資源，減少備用容量需求和相關運行成本，提高風電場的經濟效益。整體系統的智能化和自動化程度提高，使得風電場的管理和控制更加高效，降低人為干預的風險和誤差，提升整體性能和穩定性。