(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111543759.0 (22)申请日 2021.12.16 (71)申请人 广东电网有限责任公司 地址 510000 广东省广州市越秀区东 风东 路757号 申请人 广东电网有限责任公司电力科 学研 究院 (72)发明人 梁晓兵　马明　陶然　杜婉琳　 赵艳军　王钤　唐景星　 (74)专利代理 机构 广州三环 专利商标代理有限 公司 44202 代理人 郭浩辉　颜希文 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01)G06Q 50/06(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种风电功率的超短期预测方法、 装置及存 储介质 (57)摘要 本发明公开了一种风电功率的超短期预测 方法、 装置及存储介质。 该方法通过根据风电场 的历史天气数据、 风电机组的运行指标数据和风 电功率数据， 计算天气因素和风电功率之间的第 一关联度， 以及运行指标因素和风电功率之间的 第二关联度， 确定影响风电功率的关键因素； 根 据所述关键因素对当前时刻 的第二天气预测数 据进行筛选得到第三天气预测数据， 根据所述关 键因素对上一时刻 的第二运行指标数据进行筛 选得到第三运行指标数据； 将所述第三天气预测 数据和第三运行指标数据输入至风电功率超短 期预测模型， 模 型输出预测的当前时刻的风电功 率； 所述风电功率超短期预测模 型为极限学习机 模型。 本发 明技术方案实现了对超短期风电功率 的准确预测。 权利要求书2页 说明书10页 附图2页 CN 114418180 A 2022.04.29 CN 114418180 A 1.一种风电功率的超短期预测方法， 其特 征在于， 包括以下步骤： 根据风电场的历史天气数据、 风电机组的运行指标数据和风电功率数据， 计算天气因 素和风电功率之间的第一关联度， 以及运行指标因素和风电功率之间的第二关联度， 根据 所述第一关联度和 第二关联度确定影响风电功 率的关键因素； 所述运行指标数据为所述历 史天气数据对应的风电机组的运行指标数据， 所述风电功率数据为所述历史天气数据对应 的风电机组的风电功率数据； 根据所述关键因素对当前时刻的第 二天气预测数据进行筛选得到第 三天气预测数据， 根据所述关键因素对上一时刻的第二运行指标数据进 行筛选得到第三运行指标数据； 所述 第二运行指标 数据为第二天气预测数据对应的风电机组的运行指标 数据； 将所述第三天气预测数据和第 三运行指标数据输入至风电功率超短期预测模型， 所述 风电功率超短期预测模型输出预测的当前时刻的风电功 率； 所述风电功 率超短期预测模型 为极限学习机模型。 2.根据权利要求1所述的风电功率的超短期预测方法， 其特征在于， 将风电场的当前时 刻的第一 天气预测数据和上一时刻的天气预测误差输入至风速修正模型， 所述风速修正模 型根据所述上一时刻的预测误差对所述第一 天气预测数据中的风速进 行修正， 输出修正后 的当前时刻的第二天气预测数据； 所述 风速修正模型为极限学习机模型。 3.根据权利要求2所述的风电功率的超短期预测方法， 其特征在于， 根据风电场的历史 天气数据、 风电机组的运行指标数据和 风电功率数据， 计算天气因素和 风电功率之间的第 一关联度， 以及运行指标因素和风电功率之间的第二关联度， 根据所述第一关联度和第二 关联度确定影响风电功率的关键因素， 具体为： 将风电场的历史天气数据、 风电机组 的运行指标数据和所述风电机组 的风电功率数据 输入至风电功率关联度模型， 所述风电功率关联度模型根据风电场的历史天气数据、 风电 机组的运行指标数据和风电功率数据， 计算天气因素和风电功率之间的第一关联度， 以及 运行指标 因素和风电功 率之间的第二关联度， 根据所述第一关联度和 第二关联度确定影响 风电功率的关键因素， 所述关键因素包括天气关键因素和 运行指标关键因素； 所述风电功 率关联度模型为灰色 关联分析模型。 4.根据权利要求3所述的风电功率的超短期预测方法， 其特征在于， 根据 所述关键因素 对风电场当前时刻的天气预测数据进行筛 选后得到第一天气预测数据。 5.根据权利要求4所述的风电功率的超短期预测方法， 其特征在于， 所述风电功率关联 度模型根据风电场的历史天气数据、 风电机组的运行指标数据和 风电功率数据， 计算天气 因素和风电功率之间的第一关联度， 以及运行指标因素和风电功率之间的第二关联度之 前， 先对所述风电场的历史天气数据、 风电机组的运行指标数据和风电功率数据分别进行 归一化处理。 6.根据权利要求5所述的风电功率的超短期预测方法， 其特征在于， 将所述第 一关联度 中大于0.8 5的天气因素确定为 天气关键因素， 将所述第二关联度中大于0.8 5的运行指标因 素确定为 运行指标关键因素。 7.根据权利要求1至6任一项所述的风电功率的超短期预测方法， 其特征在于， 根据所 述天气关键因素对输入至所述风电功率关联度模型的历史天气数据进行筛选得到筛选后 的历史天气数据， 根据运行指标关键因素对输入至所述风电功 率关联度模 型的运行指标数权　利　要　求　书 1/2 页 2 CN 114418180 A 2据进行筛选得到筛选后的运行指标数据， 将所述筛选后的历史天气数据和筛选后的运行指 标数据作为所述 风电功率超短期预测模型的训练集。 8.一种风电功率的超短期预测装置， 其特征在于， 包括关键因素计算模块、 数据筛选模 块和风电功率预测模块； 所述关键因素计算模块用于根据风电场的历史天气数据、 风电机组的运行指标数据和 风电功率数据， 计算天气因素和风电功率之间的第一关联度， 以及运行指标因素和 风电功 率之间的第二关联度， 根据所述第一关联度和第二关联度确定影响风电功率的关键因素； 所述运行指标数据为所述历史天气数据对应的风电机组的运行指标数据， 所述风电功率数 据为所述历史天气数据对应的风电机组的风电功率数据； 所述数据筛选模块用于根据所述关键因素对当前时刻的第二天气预测数据进行筛选 得到第三 天气预测数据， 根据所述关键因素对上一时刻的第二运行指标数据进行筛选得到 第三运行指标数据； 所述第二运行指标数据为第二天气预测数据对应的风电机组的运行指 标数据； 所述风电功率预测模块用于将所述第三天气预测数据和第三运行指标数据输入至风 电功率超短期预测模型， 所述风电功率超短期预测模型输出预测的当前时刻的风电功率； 所述风电功率超短期预测模型为极限学习机模型。 9.根据权利要求8所述的风电功率的超短期预测装置， 其特征在于， 包括风速修正模 块， 所述风速修正模块用于将风电场的当前时刻的第一 天气预测数据和上一时刻的天气预 测误差输入至风速修正模型， 所述风速修正模型根据所述上一时刻的预测误差对所述第一 天气预测数据中的风速进行修正， 输出修正后的当前时刻的第二天气预测数据； 所述风速 修正模型为极限学习机模型。 10.一种可读存储介质， 其特征在于， 所述可读存储介质包括存储的计算机程序， 所述 计算机程序执行时， 控制所述可读存储介质所在的设备执行如权利要求 1至7中任意一项 所 述的风电功率的超短期预测方法。权　利　要　求　书 2/2 页 3 CN 114418180 A 3