(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 202111679744.7 (22)申请日 2021.12.31 (71)申请人 京东方科技 集团股份有限公司 地址 100015 北京市朝阳区酒仙桥路10号 (72)发明人 杨卓士　周希波　 (74)专利代理 机构 北京润泽恒知识产权代理有 限公司 1 1319 代理人 李娜 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06K 9/62(2022.01) (54)发明名称 风电出力预测方法、 电子设备、 存储介质及 系统 (57)摘要 本公开提供了一种风电出力预测方法、 电子 设备、 存储介质及系统， 涉及风电技术领域。 该方 法包括： 周期性获取每个接收时间节 点对应的初 始气象数据集， 初始气象数据集均包括至少一个 气象元素的至少一个维度的初始气象子数据； 获 取到最新初始气象数据集后， 对异常子数据进行 识别及平滑处理， 得到平滑气象数据集； 确定目 标时间段内的平均风能密度； 将目标时间段内的 平滑气象数据集及平均风能密度作为模型输入 特征， 通过模型获得风电出力预测值。 本公开中， 可以将每个气象元素的每个维度的初始气象子 数据， 以及对风电出力影响较大的平均风能密 度， 均作为模型输入特征， 从而模型可 以基于大 量特征预测风电出力， 且能够获得较高的预测准 确度。 权利要求书4页 说明书14页 附图5页 CN 114202129 A 2022.03.18 CN 114202129 A 1.一种风电出力预测方法， 其特 征在于， 所述方法包括： 周期性获取每个接收时间节点对应的初始气象数据集； 每个所述初始气象数据集包括 与至少一个气象要素一一对应的初始气象数据， 所述初始气象数据包括与其对应的气象要 素的至少一个维度的初始气象子数据； 在获取到最新接收时间节点对应的最新初始气象数据集后， 从各个最新初始气象子数 据中识别异常子数据； 当识别出异常子数据时， 对识别出的所述异常子数据进行平滑处理， 得到平滑气象数 据集， 当未识别出异常子数据时， 将所述 最新初始气象数据集 为平滑气象数据集； 确定所述 最新接收时间节点对应的瞬时风能密度； 对所述瞬时风能密度进行滚动均值计算， 得到目标时间段内的平均风能密度； 所述目 标时间段包括所述 最新接收时间节点； 将所述目标时间段内的所述平滑气象数据集以及所述平均风能密度作为输入特征， 输 入至风电出力预测模型， 以使 所述风电出力预测模型输出所述目标时间段的风电出力预测 值。 2.根据权利要求1所述的方法， 其特征在于， 所述对所述瞬时风 能密度进行滚动均值计 算， 得到目标时间段内的平均风能密度， 包括： 沿时间轴滚动第一时间窗， 以使所述第一时间窗与所述目标时间段对齐； 对所述第一 时间窗内的多个所述瞬时风能密度进行均值计算， 得到所述目标时间段内 的平均风能密度。 3.根据权利要求1所述的方法， 其特征在于， 所述平滑气象数据集中的平滑气象子数据 至少包括平滑风机轮毂 处风速和平滑空气密度， 所述确定所述最新接收时间节点对应的瞬 时风能密度， 包括： 根据所述最新接收时间节点对应的所述平滑风机轮毂处风速和所述平滑 空气密度， 确 定所述最新接收时间节点对应的瞬时风能密度。 4.根据权利要求1所述的方法， 其特征在于， 所述在获取到最新接收时间节点对应的最 新初始气象数据集后， 从各个最 新初始气象子数据中识别异常子数据， 包括： 在获取到最新接收时间节点对应的最新初始气象数据集后， 沿时间轴滚动第二时间 窗， 以使所述第二时间窗包括所述 最新接收时间节点； 对所述第二时间窗内属于相同所述气象要素的相同所述维度且为非空值的所述初始 气象子数据， 进行正态标准化处理， 得到每个所述最新初始气象子数据对应的正态标准化 值； 将所述正态标准化值未处于预设数值范围的所述最新初始气象子数据， 确定为所述异 常子数据。 5.根据权利要求4所述的方法， 其特征在于， 所述在获取到最新接收时间节点对应的最 新初始气象数据集后， 沿时间轴滚动第二时间窗， 以使所述第二时间窗包括所述最新接 收 时间节点之后， 还 包括： 将所述第二 时间窗内的各个所述最新初始气象子数据中的空值， 确定为所述异常子数 据。 6.根据权利要求1所述的方法， 其特征在于， 所述当识别出异常子数据时， 对识别出的权　利　要　求　书 1/4 页 2 CN 114202129 A 2各个所述异常子数据进行平 滑处理， 得到平 滑气象数据集， 包括： 对于识别出的任一所述异常子数据， 沿时间轴滚动第三时间窗， 以使所述第三时间窗 包括所述异常子数据对应的所述接收时间节点， 以及先于所述异常子数据对应的所述接收 时间节点的多个所述接收时间节点； 对所述第三时间窗内与所述异常子数据属于相同所述气象要素的相同所述维度的所 述初始气象子数据， 进行均值计算， 得到所述异常子数据对应的新 值； 将每个所述异常子数据替换为对应的所述 新值， 得到平 滑气象数据集。 7.根据权利要求1所述的方法， 其特征在于， 所述周期性获取每个接收时间节点对应的 初始气象数据集， 包括： 周期性获取每个接收时间节点对应的初始气象数据 预测集； 所述初始气象数据 预测集 根据至少一个历史的接收时间节点对应的历史的初始气象数据真值 集进行预测得到 。 8.根据权利要求1所述的方法， 其特征在于， 所述周期性获取每个接收时间节点对应的 初始气象数据集， 包括： 周期性获取每 个接收时间节点对应的初始气象数据真值 集。 9.根据权利要求1所述的方法， 其特征在于， 所述周期性获取每个接收时间节点对应的 初始气象数据集之前， 还 包括： 获取多个第 一样本集； 所述第 一样本集包括历史时间段内的每个历史接收时间节点对 应的平滑气象数据集样本、 所述历史时间段内的平均风能密度样本， 以及所述历史时间段 的风电出力真值样本； 构建提升模型； 根据多个所述第一样本集， 对所述 提升模型进行训练， 得到训练后提升模型； 根据所述训练后提升模型， 生成所述 风电出力预测模型。 10.根据权利要求9所述的方法， 其特征在于， 所述根据多个所述第 一样本集， 对所述提 升模型进行训练， 得到训练后提升模型， 包括： 根据多个所述第一样本集， 通过交叉验证法对所述提升模型进行训练， 得到训练后提 升模型。 11.根据权利要求9或10所述的方法， 其特征在于， 所述将所述目标时间段内的所述平 滑气象数据集以及所述平均风能密度作为输入特征， 输入至风电出力预测模型， 以使所述 风电出力预测模型输出 所述目标时间段的风电出力预测值之前， 还 包括： 获取所述目标时间段内每 个所述接收时间节点对应的历史风电出力真值； 所述将所述目标时间段内的所述平滑气象数据集以及所述平均风能密度作为输入特 征， 输入至风电出力预测模型， 以使所述风电出力预测模型输出所述 目标时间段的风电出 力预测值， 包括： 将所述目标时间段内的各个所述历史风电出力真值、 所述平滑气象数据集以及所述平 均风能密度作为输入特征， 输入至风电出力预测模型， 以使所述风电出力预测模型输出所 述目标时间段的风电出力预测值。 12.根据权利要求11所述的方法， 其特征在于， 所述根据所述训练后提升模型， 生成所 述风电出力预测模型之前， 还 包括： 获取多个第 二样本集； 所述第 二样本集包括所述历史时间段内的每个所述历史接收时权　利　要　求　书 2/4 页 3 CN 114202129 A 3