CN119494444A 一种多模态自适应切换的超短期风功率预测方法及系统 （盐池县中赢创能新能源有限公司）

县花马池镇东顺工业园区(紫荆花药一种多模态自适应切换的超短期风功率预本发明公开一种多模态自适应切换的超短的气象数据以及风力发电机参数数据作为输入速风功率预测模型或预先训练的低波动风速2基于气象数据和风力发电机参数数据标记时间戳，并进行数据利用聚类算法对数据进行异常值检测，检测并剔除异常数据后按照时间戳进行排序，根据实时测量风速的变化，进行多模态自适应切换，将输入特多个模型之间的切换机制具有开关，当输入风速大根据预测的风机输出功率计算多模态自适应切换的超短期风功率预测模型的评价指数据对齐后对每列缺失的数据进行补齐，然后构建输出功率统利用聚类算法对训练初始数据集进行异常值述数据补齐方法采用最近邻插值法对每个特征列缺失的数3采用层次聚类算法，指定风速区间对数据进行划分，然后通过剔除异常数据是指将风机输出功率小于设定的额定功率且变桨角度大于设定的变桨y=β0+β1x1+β2x2+β3x3+β4x4+εε代表随机误差常数。4电技术的发展和应用。[0003]超短期风功率预测是指对未来4小时内风机的输出功率进行预测，为调度等相关统计学习方法进行风功率预测时，选择和提取适当的特征对于预测的准确性影响非常大，5[0015]根据预测的风机输出功率计算多模态自适应切换的超短期风功率预测模型的评[0017]获取历史气象数据、风力发电机输出功率以及该输出功率下风力发电机参数数[0018]对历史气象数据和风力发电机参数数据及输出功率标记时间戳，并进行数据对立高波动风速风功率预测模型，并在训练集中对高波动风速风功率预测模型进行训练，[0022]以长短期记忆网络为基础模型结合多模态自适应切换的[0024]作为本发明进一步改进，所述利用聚类算法对训练初始[0026]剔除异常数据是指将风机输出功率小于设定的额定功率且变桨角度大于设定的[0028]y=β0+β1x1+xε代表随机误差常数。6员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范7[0048]如图1所示，本发明第一个目的是提供一种多模态自适应切换的超短期风功率预8[0063]获取历史气象数据、风力发电机输出功率以及该输出功率下风力发电机参数数[0064]对历史气象数据和风力发电机参数数据及输出功率标记时间戳，并进行数据对立高波动风速风功率预测模型，并在训练集中对高波动风速风功率预测模型进行训练，[0068]以长短期记忆网络为基础模型结合多模态自适应切换的[0077]根据预测的风机输出功率计算多模态自适应切换的超短期风功率预测模型的评[0079]本发明实施例提供一种多模型动态切换的多模态自适应切换的超短期风功率预9[0083]步骤2：获取该地某风电厂一个月内的风力发电机输出功率的数据以及该输出功[0084]步骤3：对步骤1与步骤2获取的历史气象数据和风力发电机参数数据及输出功率[0086]可选地，在步骤4数据补齐方法采用最近邻插值法对每个特征列缺失的数据进行[0091]y=β0+β1x1+[0093]步骤7：以长短期记忆网络为基础模型结合多模态自适应切换的超短期风功率预气象数据及风机输入参数对风机输出功率的预测，首先使用模型对未来4小时的气象数据之间的切换机制对未来4小时内的多模态自适应切换的超短期风功率预测，对实时风速低高波动风速风功率模型进行多模态自适应切换的超短期风功率预测，当输入风速小于阈绘制多模态自适应切换的超短期风功率预测与真实风功[0104]如图3所示，本发明第二个目的是提供一种多模态自适应切换的超短期风功率预现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定[0113]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框