CN114757440A - 分散式风电功率预测方法、模型训练方法、设备及介质 - Google Patents

分散式风电功率预测方法、模型训练方法、设备及介质 Download PDF

Info

Publication number
CN114757440A
CN114757440A CN202210504341.7A CN202210504341A CN114757440A CN 114757440 A CN114757440 A CN 114757440A CN 202210504341 A CN202210504341 A CN 202210504341A CN 114757440 A CN114757440 A CN 114757440A
Authority
CN
China
Prior art keywords
climate
wind turbine
wind
climate characteristics
power prediction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210504341.7A
Other languages
English (en)
Other versions
CN114757440B (zh
Inventor
袁智勇
苏适
潘姝慧
杨家全
雷金勇
严玉廷
李巍
张弓帅
白浩
梁俊宇
郭琦
杨洋
史训涛
冯勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of Yunnan Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Yunnan Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of Yunnan Power Grid Co Ltd filed Critical Electric Power Research Institute of Yunnan Power Grid Co Ltd
Priority to CN202210504341.7A priority Critical patent/CN114757440B/zh
Publication of CN114757440A publication Critical patent/CN114757440A/zh
Application granted granted Critical
Publication of CN114757440B publication Critical patent/CN114757440B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Hardware Design (AREA)
  • Water Supply & Treatment (AREA)
  • Evolutionary Biology (AREA)
  • Geometry (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)

Abstract

本发明公开了分散式风电功率预测方法、模型训练方法、设备及介质，包括：首先获取分散的多个风电机组的历史样本数据，每个风电机组的历史样本数据均包括位置信息、气候特征及实际输出功率。再将多个风电机组的气候特征进行升维处理，获取生成的多个复合气候特征，从而充分考虑机组间差异性。并对多个风电机组的位置信息和气候特征进行聚类分析，形成多个簇，组合每一簇内的位置信息和气候特征，以得到多个气候位置编码，从而对于空间位置不同的机组，联系机组的空间位置与气候特征，提高预测模型的迁移能力。最后将多个复合气候特征和多个气候位置编码输入分散式风电功率预测模型，获取输出的每个风电机组的预测功率，以实现分散式风电功率预测。

Description

分散式风电功率预测方法、模型训练方法、设备及介质
技术领域
本发明涉及风电机组技术领域，尤其是涉及分散式风电功率预测方法、模型训练方法、设备及介质。
背景技术
随着风电产业规模的不断扩大，我国的集中风电发展受到很大限制，风电消纳问题日益突出。而相较于集中开发风电，分散式风电则有诸多优点。在负荷集中的周边地区修建分散式风电场，能够缓解电网压力，降低输配电设施的部署规模；并且分散式风电场布置在需要提高电能质量的网络末端，也能够提高电能质量。可见，开发对电网更加友好的分散式风电，将有效缓解风电消纳问题。
但现有技术主要针对集中式风电功率预测，而对于布局分散、机组气候参数相关性较差的分散式风电功率预测的适应性则较差，体现在：针对单台机组功率输出的预测模型，对于空间位置不同的机组，模型的迁移性较差；针对场站整体功率输出的预测模型，无法充分考虑机组间差异性。
发明内容
基于此，有必要针对上述问题，提供分散式风电功率预测方法、模型训练方法、设备及介质，以解决风电功率预测过程中，无法充分考虑机组间差异性的问题。
一种分散式风电功率预测模型的训练方法，所述方法包括：
获取分散的多个风电机组的历史样本数据；其中，一个风电机组的历史样本数据包括位置信息、气候特征及实际输出功率；
将所述多个风电机组的气候特征进行升维处理，获取生成的多个复合气候特征；
对所述多个风电机组的位置信息和气候特征进行聚类分析，形成多个簇，组合每一簇内的位置信息和气候特征，以得到多个气候位置编码；
将所述多个复合气候特征和所述多个气候位置编码输入所述分散式风电功率预测模型，获取输出的每个风电机组的预测功率；
根据目标风电机组的实际输出功率与预测功率计算所述目标风电机组的损失值，基于所有风电机组的损失值对所述分散式风电功率预测模型进行迭代调参，直至迭代调参达到预设次数；其中，所述目标风电机组为所述多个风电机组中的任意一个。
在其中一个实施例中，所述获取生成的多个复合气候特征之后，还包括：
根据同一风电机组的复合气候特征与实际输出功率计算每一风电机组的第一相关性分数，以得到所述多个风电机组的第一相关性分数；
剔除小于或等于预设的相关性阈值的第一相关性分数，若保留的第一相关性分数的数量小于预设的复核特征数量，则返回执行所述将所述多个风电机组的气候特征进行升维处理的步骤及后续步骤，直至满足保留的第一相关性分数的数量大于或等于预设的复核特征数量。
在其中一个实施例中，所述对所述多个风电机组的位置信息和气候特征进行聚类分析，形成多个簇，包括：
将所述多个风电机组的位置信息和气候特征作为待处理对象，且均标记为未处理状态；
计算目标对象与其余所有待处理对象的欧式距离，并确定欧式距离小于预设半径的第一数量；其中，所述目标对象为多个待处理对象中的任意一个；
若所述第一数量小于最小预设数量，则确定所述目标对象为噪声点或边界点，并标记为已处理状态；
若所述第一数量大于或等于最小预设数量，则以所述目标对象为核心点，建立所述预设半径的目标簇，将所述目标对象和所述目标簇内的空白对象归入到所述目标簇中，并将所述目标簇的所有待处理对象标记为已处理状态；其中，所述空白对象为未被确定为噪声点或边界点，且未被归入到任意一个簇中的对象；
返回执行所述计算目标对象与其余所有待处理对象的欧式距离的步骤，直至所有待处理对象都标记为已处理状态。
在其中一个实施例中，所述分散式风电功率预测模型包括长短期记忆层，所述将所述多个复合气候特征和所述多个气候位置编码输入所述分散式风电功率预测模型，包括：
分别将所述多个复合气候特征基于预设的第一时序输入所述长短期记忆层，及将所述多个气候位置编码基于预设的第二时序输入所述长短期记忆层。
在其中一个实施例中，所述长短期记忆层包括多个循环结构，每个循环结构包括遗忘门、输入门、输出门、和单元状态；
所述单元状态连接上一时刻的单元状态与下一时刻的单元状态，用于传递长期记忆；
所述遗忘门用于控制上一时刻的单元状态保留到当前时刻的单元状态的数据量；
所述输入门用于控制当前输入循环结构的数据中被保存至当前时刻的单元状态的数据量；其中，当前输入循环结构的数据为一个复合气候特征或一个气候位置编码；
所述输出门用于控制当前时刻的单元状态被输出的数据量，以传递当前时刻的短期记忆；其中，所述短期记忆指示每个风电机组的多个预测功率及每一预测功率对应概率的向量。
在其中一个实施例中，所述分散式风电功率预测模型还包括连接在所述长短期记忆层后的注意力层，所述方法还包括：
将短期记忆输入所述注意力层；其中，输入的短期记忆以多个键值对的形式表示，每一个键值对包含一个元素的地址和值；
根据获取的查询值和目标元素的地址计算目标元素的第二相关性分数；其中，目标元素为多个元素中的任意一个；
将所有元素的第二相关性分数进行归一化处理，并将归一化后的第二相关性分数与对应元素的值进行加权求和，以得到注意力值。
在其中一个实施例中，所述方法分散式风电功率预测模型还包括连接在所述注意力层后的全连接层，所述方法还包括：
通过所述全连接层将所述注意力值转换为每个风电机组的多个预测功率及每一预测功率对应的概率；
在每个风电机组的多个预测功率中，将概率最大的预测功率作为所述分散式风电功率预测模型的输出。
一种分散式风电功率预测方法，所述方法包括：
获取分散的多个风电机组的位置信息和实时气候特征；
将所述多个风电机组的实时气候特征进行升维处理，获取生成的多个实时复合气候特征；
对所述多个风电机组的位置信息和实时气候特征进行聚类分析，形成多个簇，组合每一簇内的位置信息和实时气候特征，以得到多个实时气候位置编码；
将所述多个实时复合气候特征和所述多个实时气候位置编码输入分散式风电功率预测模型，获取输出的每个风电机组的预测功率。
一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行分散式风电功率预测方法的步骤。
一种终端设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行分散式风电功率预测方法的步骤。
本发明提供了分散式风电功率预测方法、模型训练方法、设备及介质，首先获取分散的多个风电机组的历史样本数据，每个风电机组的历史样本数据均包括位置信息、气候特征及实际输出功率。再将多个风电机组的气候特征进行升维处理，获取生成的多个复合气候特征，从而充分考虑机组间差异性。并对多个风电机组的位置信息和气候特征进行聚类分析，形成多个簇，组合每一簇内的位置信息和气候特征，以得到多个气候位置编码，从而对于空间位置不同的机组，联系了机组的空间位置与气候特征，提高了预测模型的迁移适应能力。最后将多个复合气候特征和多个气候位置编码输入分散式风电功率预测模型，获取输出的每个风电机组的预测功率，以实现分散式风电功率预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
其中：
图1为一个实施例中分散式风电功率预测模型的训练方法的流程示意图；
图2为一个实施例中分散式风电功率预测模型的训练方法的流程框图；
图3为一个实施例中长短期记忆层的示意图；
图4为一个实施例中注意力层的示意图；
图5为一个实施例中分散式风电功率预测方法的流程示意图；
图6为一个实施例中终端设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，图1为一个实施例中分散式风电功率预测模型的训练方法的流程示意图，本实施例中分散式风电功率预测模型的训练方法提供的步骤包括：
步骤102，获取分散的多个风电机组的历史样本数据。
为便于说明本方案，下文结合如图2所示的流程图进行说明。本实施例中，一个场站内包含有分散的多个风电机组。而这些风电机组是具有差异性。具体体现为，位置信息、所处位置的气候特征不同，而这也进一步导致不同风电机组的实际输出功率不同。
因此为对布局分散、机组气候参数相关性较差的分散式风电机组进行功率预测，本实施例中针对每一个风电机组获取的历史样本，均包括位置信息、气候特征及实际输出功率。
步骤104，将多个风电机组的气候特征进行升维处理，获取生成的多个复合气候特征。
本实施例中，通过如下公式对气候特征进行升维处理：
Figure BDA0003636822540000061
其中，zk表示第k个新增的复合气候特征；m表示升维前的气候特征的维度；n表示多项式扩展的最大指数；
Figure BDA0003636822540000062
表示第i个气候特征的j次幂；
Figure BDA0003636822540000063
表示复合特征zk对
Figure BDA0003636822540000064
的权重。通过特征升维后，可解决数据集中特征不足的情况。
当然升维操作也会导致干扰因素的出现，为避免这个问题，本实施例中还对复合气候特征进行相关性过滤。具体的，根据风电机组i的复合气候特征Xi与实际输出功率Yi计算风电机组i的第一相关性分数
Figure BDA0003636822540000065
对所有的风电机组都进行如此的计算，共得到多个风电机组的第一相关性分数，具体计算公式为：
Figure BDA0003636822540000066
再将这些第一相关性分数与预设的相关性阈值ρ0进行比较，剔除小于或等于该相关性阈值ρ0的第一相关性分数，若保留的第一相关性分数的数量小于预设的复核特征数量N0，则随机
Figure BDA0003636822540000071
再次通过上述的升维公式进行升维处理，以及再次进行相关性筛选，得到更多的第一相关性分数大于相关性阈值ρ0的复合气候特征。循环这个过程，直至满足保留的第一相关性分数的数量大于或等于预设的复核特征数量N0。这样就能在扩充数据的同时，保证数据的较高相关性。
步骤106，对多个风电机组的位置信息和气候特征进行聚类分析，形成多个簇，组合每一簇内的位置信息和气候特征，以得到多个气候位置编码。
在一个具体实施例中，该聚类分析的过程包括：
(1)、将多个风电机组的位置信息和气候特征作为待处理对象p，且均标记为未处理状态。
(2)、计算目标对象pi(该目标对象pi为多个待处理对象p中的任意一个)与其余所有待处理对象p的欧式距离r，表示为
Figure BDA0003636822540000072
式中
Figure BDA0003636822540000073
和
Figure BDA0003636822540000074
表示两个对象，即目标对象pi和任意一个除目标对象pi外的待处理对象p；ai和bi表示第i维两个对象的坐标；m为坐标维度。
再在这些欧式距离r中，确定欧式距离r小于预设半径Eps的第一数量N1，若该第一数量N1小于最小预设数量Minpts，则进行步骤(3)；若第一数量大于或等于最小预设数量Minpts，则进行步骤(4)。
(3)、确定目标对象pi为噪声点或边界点，并标记为已处理状态。
(4)、以目标对象pi为核心点，建立预设半径Eps的目标簇Ci，将目标对象pi和目标簇内的空白对象归入到目标簇Ci中，并将目标簇的所有待处理对象标记为已处理状态。
其中，该空白对象为未被确定为噪声点或边界点，且未被归入到任意一个簇中的对象。
(5)、检查所有待处理对象p是否都标记为已处理状态，如果否，则回到步骤(2)，直至所有待处理对象都标记为已处理状态。
经过上述聚类分析，便可形成多个簇，接着组合每一簇内的位置信息和气候特征，从而到多个气候位置编码。这样就能联系风电机组的位置信息与气候特征，提高模型的迁移适应能力。
步骤108，将多个复合气候特征和多个气候位置编码输入分散式风电功率预测模型，获取输出的每个风电机组的预测功率。
具体的，如图2所示，该分散式风电功率预测模型包括连接的两层长短期记忆层。在训练时，分别将多个复合气候特征基于预设的第一时序输入第一层长短期记忆层进行训练，或将多个气候位置编码基于预设的第二时序输入第一层长短期记忆层进行训练。
本实施例中的每层长短期记忆层都包括多个循环结构。具体的，如图3所示，每个循环结构均包括遗忘门、输入门、输出门、和单元状态。
其中，该单元状态连接上一时刻的单元状态与下一时刻的单元状态，和其他部分只有很少的线性的相互作用。该单元状态用于传递长期记忆，上一时刻传入的长期记忆表示为Ct-1，传给下一时刻的长期记忆表示为Ct。
该遗忘门用于控制上一时刻的单元状态保留到当前时刻的单元状态的数据量，也即控制如何丢弃信息，从而实现遗忘的功能。遗忘门涉及的计算公式包括：
ft＝σ(Wf[ht-1，xt]+bf)
上式中，Wf是遗忘门的权重矩阵，bf是遗忘门的常量，ht-1是上一单元的输出，xt是本单元的输入；遗忘门是以上一单元的输出ht-1和本单元的输入xt为输入的sigmoid函数，为Ct-1中的每一项产生一个在[0，1]内的值，来控制上一时刻的单元状态被遗忘的程度。
该输入门用于控制当前输入循环结构的数据xt(一个复合气候特征或一个气候位置编码)中被保存至当前时刻的单元状态的数据量。也即控制如何保存信息，从而实现记忆的功能。输入门涉及的计算公式包括：
it＝σ(Wi[ht-1，xt]+bi)
C′t＝tanh(Wc[ht-1，xt]+bc)
上式中，Wi是输入门的权重矩阵，bi是输入门的常量，Wc是tanh函数的权重矩阵，Wc是tanh函数的常量；输入门和一个tanh函数配合控制有哪些新信息被加入。tanh函数产生一个新的候选向量C′t，输入门为C′t中的每一项产生一个在[0，1]内的值，控制新信息被加入的多少。
至此，我们已经有了遗忘门的输出ft，用来控制上一单元被遗忘的程度，也有了输入门的输出it，用来控制新信息被加入的多少。再通过如下公式更新长期记忆：
Ct＝ftCt-1+itC′t
该输出门用于控制当前时刻的单元状态Ct被输出的数据量，以传递当前时刻的短期记忆ht(指示每个风电机组的多个预测功率及每一预测功率对应概率的向量)。也即控制当前的单元状态Ct有多少被过滤掉。输出门涉及的计算公式包括：
ot＝σ(Wo[ht-1，xt]+bo)
ht＝ottanh(Ct)
上式中，Wo是输出门的权重矩阵，bo是输出门的常量；先通过tanh函数将单元状态Ct激活，输出门再为其中每一项产生一个在[0，1]内的值，控制单元状态Ct被过滤的程度。
如图2所示，分散式风电功率预测模型还包括连接在两层长短期记忆层后的注意力层，该注意力层从大量信息中筛选出少量重要信息进行聚焦，并忽略大多不重要的信息。
具体的，在通过长短期记忆层得到短期记忆后，将所有的短期记忆输入注意力层，其中，输入的短期记忆以多个键值对的形式表示，每一个键值对包含一个元素的地址key(K)和值Value(V)。如图4所示，这个过程共经历三个阶段，具体为：
第一阶段：根据获取的查询值和目标元素(多个元素中的任意一个)的地址计算目标元素的第二相关性分数，计算公式为：
S＝F(Q，K)＝KT·Q
式中，Query(Q)表示查询值，也就是需要聚焦的信息；key(K)表示目标元素的地址；S表示第二相关性分数。
第二阶段：将所有元素的第二相关性分数进行归一化处理。该阶段的计算公式表示为：
Figure BDA0003636822540000101
式中，sij表示集合S中，第(i，j)个元素的第二相关性分数，n表示输入数据的时间点长度，也即复合气候特征或气候位置编码的数量。经过这两个阶段后，可得到每个K对应Value的权重系数。
第三阶段：将归一化后的第二相关性分数与对应元素的值进行加权求和，以得到注意力值。该阶段的计算公式表示为：
Figure BDA0003636822540000102
式中，Vj表示对应集合S中，第(i，j)个元素的Value值。
如图2所示，分散式风电功率预测模型还包括连接在注意力层后的全连接层。通过该全连接层将注意力值转换为每个风电机组的多个预测功率及每一预测功率对应的概率；并在每个风电机组的多个预测功率中，将概率最大的预测功率作为分散式风电功率预测模型的输出，最终得到n个风电机组输出的预测功率。
步骤110，根据目标风电机组的实际输出功率与预测功率计算目标风电机组的损失值，基于所有风电机组的损失值对分散式风电功率预测模型进行迭代调参，直至迭代调参达到预设次数。
其中，目标风电机组为多个风电机组中的任意一个，例如风电机组1。可选的，可通过如下公式计算该损失值：
Figure BDA0003636822540000111
其中，yi指示的是目标风电机组的预测功率，
Figure BDA0003636822540000112
指示的是目标风电机组的实际输出功率，n为风电机组的数量。
再通过梯度的反向传递进行分散式风电功率预测模型的迭代优化。在完成设定次数的优化后，分散式风电功率预测模型即训练完毕，可以进行实时预测。
上述分散式风电功率预测模型的训练方法，首先获取分散的多个风电机组的历史样本数据，每个风电机组的历史样本数据均包括位置信息、气候特征及实际输出功率。再将多个风电机组的气候特征进行升维处理，获取生成的多个复合气候特征，从而充分考虑机组间差异性。并对多个风电机组的位置信息和气候特征进行聚类分析，形成多个簇，组合每一簇内的位置信息和气候特征，以得到多个气候位置编码，从而对于空间位置不同的机组，联系了机组的空间位置与气候特征，提高了预测模型的迁移适应能力。最后将多个复合气候特征和多个气候位置编码输入分散式风电功率预测模型，获取输出的每个风电机组的预测功率，以实现分散式风电功率预测。
在一个具体实施例中，如图5所示，还提出了一种分散式风电功率预测方法，该方法应用上述模型训练方法得到的分散式风电功率预测模型，以对风电功率进行实时预测，本实施例中提供的步骤包括：
步骤502，获取分散的多个风电机组的位置信息和实时气候特征。
步骤504，将多个风电机组的实时气候特征进行升维处理，获取生成的多个实时复合气候特征。
步骤506，对多个风电机组的位置信息和实时气候特征进行聚类分析，形成多个簇，组合每一簇内的位置信息和实时气候特征，以得到多个实时气候位置编码。
本实施例中的步骤502-506与上述模型训练方法中的步骤102-106基本一致，差异在于获取的是实时气候特征，从而对风电功率进行实时预测。具体内容就不再赘述。
步骤508，将多个实时复合气候特征和多个实时气候位置编码输入分散式风电功率预测模型，获取输出的每个风电机组的预测功率。
此时分散式风电功率预测模型的输出，就是对各个分散的风电机组处风电功率的实时预测。
图6示出了一个实施例中终端设备的内部结构图。如图6所示，该终端设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该终端设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现分散式风电功率预测模型的训练方法和分散式风电功率预测方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行分散式风电功率预测模型的训练方法和分散式风电功率预测方法。本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的终端设备的限定，具体的终端设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
一种终端设备，包括存储器、处理器以及存储在该存储器中并可在该处理器上执行的计算机程序，该处理器执行该计算机程序时实现如下步骤：获取分散的多个风电机组的历史样本数据；将多个风电机组的气候特征进行升维处理，获取生成的多个复合气候特征；对多个风电机组的位置信息和气候特征进行聚类分析，形成多个簇，组合每一簇内的位置信息和气候特征，以得到多个气候位置编码；将多个复合气候特征和多个气候位置编码输入分散式风电功率预测模型，获取输出的每个风电机组的预测功率；根据目标风电机组的实际输出功率与预测功率计算目标风电机组的损失值，基于所有风电机组的损失值对分散式风电功率预测模型进行迭代调参，直至迭代调参达到预设次数。以及，
获取分散的多个风电机组的位置信息和实时气候特征；将多个风电机组的实时气候特征进行升维处理，获取生成的多个实时复合气候特征；对多个风电机组的位置信息和实时气候特征进行聚类分析，形成多个簇，组合每一簇内的位置信息和实时气候特征，以得到多个实时气候位置编码；将多个实时复合气候特征和多个实时气候位置编码输入分散式风电功率预测模型，获取输出的每个风电机组的预测功率。
一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现如下步骤：获取分散的多个风电机组的历史样本数据；将多个风电机组的气候特征进行升维处理，获取生成的多个复合气候特征；对多个风电机组的位置信息和气候特征进行聚类分析，形成多个簇，组合每一簇内的位置信息和气候特征，以得到多个气候位置编码；将多个复合气候特征和多个气候位置编码输入分散式风电功率预测模型，获取输出的每个风电机组的预测功率；根据目标风电机组的实际输出功率与预测功率计算目标风电机组的损失值，基于所有风电机组的损失值对分散式风电功率预测模型进行迭代调参，直至迭代调参达到预设次数。以及，
获取分散的多个风电机组的位置信息和实时气候特征；将多个风电机组的实时气候特征进行升维处理，获取生成的多个实时复合气候特征；对多个风电机组的位置信息和实时气候特征进行聚类分析，形成多个簇，组合每一簇内的位置信息和实时气候特征，以得到多个实时气候位置编码；将多个实时复合气候特征和多个实时气候位置编码输入分散式风电功率预测模型，获取输出的每个风电机组的预测功率。
需要说明的是，上述分散式风电功率预测方法、模型训练方法、设备及介质属于一个总的发明构思，分散式风电功率预测方法、模型训练方法、设备及介质实施例中的内容可相互适用。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种分散式风电功率预测模型的训练方法，其特征在于，所述方法包括：
获取分散的多个风电机组的历史样本数据；其中，一个风电机组的历史样本数据包括位置信息、气候特征及实际输出功率；
将所述多个风电机组的气候特征进行升维处理，获取生成的多个复合气候特征；
对所述多个风电机组的位置信息和气候特征进行聚类分析，形成多个簇，组合每一簇内的位置信息和气候特征，以得到多个气候位置编码；
将所述多个复合气候特征和所述多个气候位置编码输入所述分散式风电功率预测模型，获取输出的每个风电机组的预测功率；
根据目标风电机组的实际输出功率与预测功率计算所述目标风电机组的损失值，基于所有风电机组的损失值对所述分散式风电功率预测模型进行迭代调参，直至迭代调参达到预设次数；其中，所述目标风电机组为所述多个风电机组中的任意一个。
2.根据权利要求1所述的方法，其特征在于，所述获取生成的多个复合气候特征之后，还包括：
根据同一风电机组的复合气候特征与实际输出功率计算每一风电机组的第一相关性分数，以得到所述多个风电机组的第一相关性分数；
剔除小于或等于预设的相关性阈值的第一相关性分数，若保留的第一相关性分数的数量小于预设的复核特征数量，则返回执行所述将所述多个风电机组的气候特征进行升维处理的步骤及后续步骤，直至满足保留的第一相关性分数的数量大于或等于预设的复核特征数量。
3.根据权利要求1所述的方法，其特征在于，所述对所述多个风电机组的位置信息和气候特征进行聚类分析，形成多个簇，包括：
将所述多个风电机组的位置信息和气候特征作为待处理对象，且均标记为未处理状态；
计算目标对象与其余所有待处理对象的欧式距离，并确定欧式距离小于预设半径的第一数量；其中，所述目标对象为多个待处理对象中的任意一个；
若所述第一数量小于最小预设数量，则确定所述目标对象为噪声点或边界点，并标记为已处理状态；
若所述第一数量大于或等于最小预设数量，则以所述目标对象为核心点，建立所述预设半径的目标簇，将所述目标对象和所述目标簇内的空白对象归入到所述目标簇中，并将所述目标簇的所有待处理对象标记为已处理状态；其中，所述空白对象为未被确定为噪声点或边界点，且未被归入到任意一个簇中的对象；
返回执行所述计算目标对象与其余所有待处理对象的欧式距离的步骤，直至所有待处理对象都标记为已处理状态。
4.根据权利要求1所述的方法，其特征在于，所述分散式风电功率预测模型包括长短期记忆层，所述将所述多个复合气候特征和所述多个气候位置编码输入所述分散式风电功率预测模型，包括：
分别将所述多个复合气候特征基于预设的第一时序输入所述长短期记忆层，及将所述多个气候位置编码基于预设的第二时序输入所述长短期记忆层。
5.根据权利要求4所述的方法，其特征在于，所述长短期记忆层包括多个循环结构，每个循环结构包括遗忘门、输入门、输出门、和单元状态；
所述单元状态连接上一时刻的单元状态与下一时刻的单元状态，用于传递长期记忆；
所述遗忘门用于控制上一时刻的单元状态保留到当前时刻的单元状态的数据量；
所述输入门用于控制当前输入循环结构的数据中被保存至当前时刻的单元状态的数据量；其中，当前输入循环结构的数据为一个复合气候特征或一个气候位置编码；
所述输出门用于控制当前时刻的单元状态被输出的数据量，以传递当前时刻的短期记忆；其中，所述短期记忆指示每个风电机组的多个预测功率及每一预测功率对应概率的向量。
6.根据权利要求5所述的方法，其特征在于，所述分散式风电功率预测模型还包括连接在所述长短期记忆层后的注意力层，所述方法还包括：
将短期记忆输入所述注意力层；其中，输入的短期记忆以多个键值对的形式表示，每一个键值对包含一个元素的地址和值；
根据获取的查询值和目标元素的地址计算目标元素的第二相关性分数；其中，目标元素为多个元素中的任意一个；
将所有元素的第二相关性分数进行归一化处理，并将归一化后的第二相关性分数与对应元素的值进行加权求和，以得到注意力值。
7.根据权利要求6所述的方法，其特征在于，所述方法分散式风电功率预测模型还包括连接在所述注意力层后的全连接层，所述方法还包括：
通过所述全连接层将所述注意力值转换为每个风电机组的多个预测功率及每一预测功率对应的概率；
在每个风电机组的多个预测功率中，将概率最大的预测功率作为所述分散式风电功率预测模型的输出。
8.一种分散式风电功率预测方法，其特征在于，所述方法包括：
获取分散的多个风电机组的位置信息和实时气候特征；
将所述多个风电机组的实时气候特征进行升维处理，获取生成的多个实时复合气候特征；
对所述多个风电机组的位置信息和实时气候特征进行聚类分析，形成多个簇，组合每一簇内的位置信息和实时气候特征，以得到多个实时气候位置编码；
将所述多个实时复合气候特征和所述多个实时气候位置编码输入分散式风电功率预测模型，获取输出的每个风电机组的预测功率；其中，所述分散式风电功率预测模型通过如权利要求1-8所述的方法训练得到。
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求8中所述方法的步骤。
10.一种终端设备，包括存储器和处理器，其特征在于，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求8中所述方法的步骤。
CN202210504341.7A 2022-05-10 2022-05-10 分散式风电功率预测方法、模型训练方法、设备及介质 Active CN114757440B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210504341.7A CN114757440B (zh) 2022-05-10 2022-05-10 分散式风电功率预测方法、模型训练方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210504341.7A CN114757440B (zh) 2022-05-10 2022-05-10 分散式风电功率预测方法、模型训练方法、设备及介质

Publications (2)

Publication Number Publication Date
CN114757440A true CN114757440A (zh) 2022-07-15
CN114757440B CN114757440B (zh) 2024-07-16

Family

ID=82334147

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210504341.7A Active CN114757440B (zh) 2022-05-10 2022-05-10 分散式风电功率预测方法、模型训练方法、设备及介质

Country Status (1)

Country Link
CN (1) CN114757440B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104699936A (zh) * 2014-08-18 2015-06-10 沈阳工业大学 基于cfd短期风速预测风电场的扇区管理方法
JP2016136001A (ja) * 2015-01-23 2016-07-28 中国電力株式会社 予測装置
CN109919353A (zh) * 2019-01-11 2019-06-21 杭州电子科技大学 一种基于空间相关性的arima模型的分布式光伏预测方法
CN111753893A (zh) * 2020-06-12 2020-10-09 国网福建省电力有限公司 一种基于聚类和深度学习的风电机组功率集群预测方法
CN112949945A (zh) * 2021-04-15 2021-06-11 河海大学 一种改进双向长短期记忆网络的风电功率超短期预测方法
CN114021818A (zh) * 2021-11-05 2022-02-08 华南理工大学 一种考虑时空分布特征的风电功率多步预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104699936A (zh) * 2014-08-18 2015-06-10 沈阳工业大学 基于cfd短期风速预测风电场的扇区管理方法
JP2016136001A (ja) * 2015-01-23 2016-07-28 中国電力株式会社 予測装置
CN109919353A (zh) * 2019-01-11 2019-06-21 杭州电子科技大学 一种基于空间相关性的arima模型的分布式光伏预测方法
CN111753893A (zh) * 2020-06-12 2020-10-09 国网福建省电力有限公司 一种基于聚类和深度学习的风电机组功率集群预测方法
CN112949945A (zh) * 2021-04-15 2021-06-11 河海大学 一种改进双向长短期记忆网络的风电功率超短期预测方法
CN114021818A (zh) * 2021-11-05 2022-02-08 华南理工大学 一种考虑时空分布特征的风电功率多步预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JIAAN ZHANG 等: "Power prediction o, a wind , arm cluster based on spatiotemporal correlations", 《APPLIED ENERGY》, 15 August 2021 (2021-08-15), pages 1 - 10 *
张浩: "风电功率时空不确定性预测方法研究", 《万方学位数据库》, 30 December 2021 (2021-12-30), pages 1 - 131 *
陈世游 等: "基于复杂气候地理条件下风机出力特性研究", 《软件》, vol. 39, no. 5, 15 May 2018 (2018-05-15), pages 94 - 100 *

Also Published As

Publication number Publication date
CN114757440B (zh) 2024-07-16

Similar Documents

Publication Publication Date Title
CN111210024A (zh) 模型训练方法、装置、计算机设备和存储介质
CN110119447B (zh) 自编码神经网络处理方法、装置、计算机设备及存储介质
US11042802B2 (en) System and method for hierarchically building predictive analytic models on a dataset
CN110929847A (zh) 一种基于深度卷积神经网络的换流变压器故障诊断方法
CN111353631A (zh) 基于多层lstm的火电厂凝汽器真空度预测方法
CN111583911B (zh) 基于标签平滑的语音识别方法、装置、终端及介质
CN111461463A (zh) 一种基于tcn-bp的短期负荷预测方法、系统及设备
CN113051769B (zh) 基于非对称损失与混合智能优化算法的功率曲线建模方法
CN111625516A (zh) 检测数据状态的方法、装置、计算机设备和存储介质
CN115496263A (zh) 一种基于时空遗传注意力网络的短期光伏发电预测方法
CN115879369A (zh) 一种基于优化LightGBM算法的磨煤机故障预警方法
CN108446712B (zh) Odn网智能规划方法、装置及系统
CN112990603A (zh) 考虑频域分解后数据特征的空调冷负荷预测方法及系统
CN116415177A (zh) 一种基于极限学习机的分类器参数辨识方法
CN113344243A (zh) 基于改进哈里斯鹰算法优化elm的风速预测方法及系统
CN114139783A (zh) 基于非线性加权组合的风电短期功率预测方法及装置
CN109101984B (zh) 一种基于卷积神经网络的图像识别方法及装置
CN113758652B (zh) 换流变压器漏油检测方法、装置、计算机设备和存储介质
CN118467992A (zh) 一种基于元启发式算法优化的短期电力负荷预测方法、系统及存储介质
CN118035448A (zh) 基于伪标签去偏的引文网络中论文领域分类方法、装置及介质
CN114239945A (zh) 短期电力负荷预测方法、装置、设备及存储介质
CN113255927A (zh) 逻辑回归模型训练方法、装置、计算机设备和存储介质
CN117056721A (zh) 模型参数的调整方法、装置、模型预测方法、设备及介质
CN114757440B (zh) 分散式风电功率预测方法、模型训练方法、设备及介质
CN112488224B (zh) 模型训练方法、装置、计算机设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant