[发明专利]一种风速预测方法、装置、电子设备及存储介质

说明书

本发明实施例提供一种风速预测方法、装置、电子设备及存储介质，方法包括：获取风电场的风速数据集，所述风速数据集包括风速标量以及风速矢量；从所述风速数据集中提取出M个引导对；根据所述M个引导对，分别训练M个可解释网络，得到可解释网络模型，其中，一个引导对用于训练一个可解释网络，所述可解释网络包括影响风速的可解释参数，所述可解释网络模型包括M个训练好的可解释网络；通过所述可解释网络模型对风电场的风速区间进行预测。本发明能够对风速区间进行预测，同时可以实现对最终预测结果的解释。可以从理论上提取风速数据的特征，并清晰地解释特征数据与不同标称置信度的预测区间之间的关系。

技术领域

本发明涉及电力信息处理领域，尤其涉及一种风速预测方法、装置、电子设备及存储介质。

背景技术

随着风电在现代电网中的普及，准确可靠的风速预测在电力系统的规划和运行中发挥着越来越重要的作用。高精度风速预测对于节约发电成本、备用容量和电力系统维护计划具有重要意义，可以最大限度地发挥风能在现代可再生能源中的优势。事实上，天气系统的混沌特性给风力发电带来了不确定性，极大地阻碍了电力能源系统的规划、管理和运行。传统的点预测不仅难以准确预测，而且无法获得预测值的概率和波动范围。

目前提出的概率区间风电预测方法主要分为三类，包括物理建模方法、统计模型和混合人工智能方法。物理建模方法的核心是利用各种气象集合建立精确的数学模型，从而获得预报分布和估计预报的不确定性。统计方法试图通过最小化误差来建立未来风力和历史样本之间的关系。再根据对风速预测和误差非线性功率曲线的统计分析，研究风电功率预测的不确定性。与前两种常用方法相比，人工智能由于其在数据挖掘和特征提取方面的潜在能力而得到了蓬勃发展。但是由于人工神经网络具有黑盒特性，这些网络都不可解释，无法为工厂的数据分析师提供准确的预测结果分析。

发明内容

本发明实施例提供一种风速预测方法，能够对风速区间进行预测，同时可以实现对最终预测结果的解释。可以从理论上提取风速数据的特征，并清晰地解释特征数据与不同标称置信度的预测区间之间的关系。

第一方面，本发明实施例提供一种风速预测方法，用于风电场的风速区间预测，包括：

获取风电场的风速数据集，所述风速数据集包括风速标量以及风速矢量；

从所述风速数据集中提取出M个引导对；

根据所述M个引导对，分别训练M个可解释网络(explainable Neural Network，英文缩写xNN)，得到可解释网络模型，其中，一个引导对用于训练一个可解释网络，所述可解释网络包括影响风速的可解释参数，所述可解释网络模型包括M个训练好的可解释网络；

通过所述可解释网络模型对风电场的风速区间进行预测。

可选的，所述风速数据集包括训练集，所述空从所述风速数据集中提取出M个引导对的步骤具体包括：

通过Bootstrap方法从所述训练集中提取出M个引导对。

可选的，所述风速数据集还包括验证集，所述验证集包括真实值，所述方法还包括：

将所述验证集输入所述可解释网络模型进行计算，得到第一预测结果；

将所述第一预测结果与所述真实值进行比较，得到预测误差数据集；

根据所述预测误差数据集计算误差概率密度函数和误差累积分布函数。

可选的，所述根据所述预测误差数据集计算误差概率密度函数和误差累积分布函数的具体步骤包括：

通过非参数核密度估计方法(kernel density estimation，英文缩写KDE)对所述预测误差数据集进行统计分析计算，得到误差概率密度函数和误差累积分布函数。