CN115952916A - 基于人工智能的风电功率预测误差修正方法、装置及设备 - Google Patents
基于人工智能的风电功率预测误差修正方法、装置及设备 Download PDFInfo
- Publication number
- CN115952916A CN115952916A CN202310037701.1A CN202310037701A CN115952916A CN 115952916 A CN115952916 A CN 115952916A CN 202310037701 A CN202310037701 A CN 202310037701A CN 115952916 A CN115952916 A CN 115952916A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction model
- prediction
- real
- weight
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012937 correction Methods 0.000 title claims abstract description 57
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 21
- 238000012935 Averaging Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 61
- 230000006870 function Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 15
- 238000010248 power generation Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种基于人工智能的风电功率预测误差修正方法、装置及设备。该方法获取目标风电设备在连续两个时间段内真实天气数据和真实风电功率数据,以此训练预设的功率预测模型得到第一预测模型和第二预测模型,使用修正后的权重,对第一预测模型和第二预测模型中表征同一含义的参量进行加权求平均,使用每个参量的平均值更新功率预测模型中表征同一含义的参量得到第三预测模型,将第三时间段的预测天气数据输入第三预测模型,输出对应第三时间段的风电功率数据,通过连续两个时间段的数据来预测后一时间段的数据,提高了数据间的关联性,实时对关联融合中权重参数进行修正,保证每次预测时权重参数的准确性,提高了模型以及模型预测的准确性。
Description
技术领域
本申请适用于风力发电技术领域,尤其涉及一种基于人工智能的风电功率预测误差修正方法、装置及设备。
背景技术
目前,风力发电设备为使用风力带动发电机运动,从而形成电力存储,发电的功率根据其安装位置的风力大小等数据决定,也即是天气的情况决定了风力发电设备的发电的功率。现有基于神经网络模型进行风电功率预测的方法是采用大量的天气数据与功率数据构成训练数据集以获取到拟合程度较高的模型,从而实现根据天气变化的风电功率预测。但是,由于训练数据集中的天气数据并非平稳变化的,而是呈现出短时相关性,采用拟合程度较高的模型往往难以准确预测风电功率,导致预测结果与真实功率存在误差,因此,可以采用短时段的天气数据和功率数据来训练模型,但此时训练的模型的输入的天气数据还需要被预测才能够得到,经过两次预测后结果的误差会被放大,导致功率预测不准确。因此,如何通过分析数据的关联性来提高功率预测的准确性,以降低两次预测导致的误差放大率成为亟待解决的问题。
发明内容
有鉴于此,本申请实施例提供了一种基于人工智能的风电功率预测误差修正方法、装置及设备,以解决如何通过分析数据的关联性来提高功率预测的准确性,以降低两次预测导致的误差放大率的问题。
第一方面,本申请实施例提供一种基于人工智能的风电功率预测误差修正方法,所述风电功率预测误差修正方法包括:
获取目标风电设备在第一时间段内每个时间点的第一真实天气数据和对应的真实风电功率数据,以及第二时间段内每个时间点的第二真实天气数据和对应的真实风电功率数据,其中,所述第一时间段为与所述第二时间段连续且在所述第二时间段之前的时间段,且两个时间段内时间点的个数;
使用所述第一真实天气数据和对应的真实风电功率数据,训练预设的功率预测模型得到训练好的第一预测模型,使用所述第二真实天气数据和对应的真实风电功率数据,训练所述功率预测模型得到训练好的第二预测模型;
获取构建历史预测模型时使用的历史权重和历史预测结果,基于所述历史预测结果和所述第二真实天气数据对应的真实风电功率数据的误差,修正所述历史权重,得到修正后的权重,其中,所述历史预测模型为预测所述第二时间段内的风电功率数据时采用的模型,所述历史权重为对基于所述第一时间段及其前一时间段的真实数据训练出的两个预测模型进行加权求平均以得到所述历史预测模型时使用的权重,所述历史预测结果为所述历史预测模型输出的结果;
使用所述修正后的权重,对所述第一预测模型和所述第二预测模型中表征同一含义的参量进行加权求平均,得到对应参量的平均值,使用每个参量的平均值更新所述功率预测模型中表征同一含义的参量,得到第三预测模型;
获取预测的第三时间段的预测天气数据,将所述预测天气数据输入所述第三预测模型,输出对应所述第三时间段的风电功率数据,其中,所述第三时间段为与所述第二时间段连续且在所述第二时间段之后的时间段。
第二方面,本申请实施例提供一种基于人工智能的风电功率预测误差修正装置,所述风电功率预测误差修正装置包括:
数据获取模块,用于获取目标风电设备在第一时间段内每个时间点的第一真实天气数据和对应的真实风电功率数据,以及第二时间段内每个时间点的第二真实天气数据和对应的真实风电功率数据,其中,所述第一时间段为与所述第二时间段连续且在所述第二时间段之前的时间段,且两个时间段内时间点的个数;
模型训练模块,用于使用所述第一真实天气数据和对应的真实风电功率数据,训练预设的功率预测模型得到训练好的第一预测模型,使用所述第二真实天气数据和对应的真实风电功率数据,训练所述功率预测模型得到训练好的第二预测模型;
权重修正模块,用于获取构建历史预测模型时使用的历史权重和历史预测结果,基于所述历史预测结果和所述第二真实天气数据对应的真实风电功率数据的误差,修正所述历史权重,得到修正后的权重,其中,所述历史预测模型为预测所述第二时间段内的风电功率数据时采用的模型,所述历史权重为对基于所述第一时间段及其前一时间段的真实数据训练出的两个预测模型进行加权求平均以得到所述历史预测模型时使用的权重,所述历史预测结果为所述历史预测模型输出的结果;
参量更新模块,用于使用所述修正后的权重,对所述第一预测模型和所述第二预测模型中表征同一含义的参量进行加权求平均,得到对应参量的平均值,使用每个参量的平均值更新所述功率预测模型中表征同一含义的参量,得到第三预测模型;
功率预测模块,用于获取预测的第三时间段的预测天气数据,将所述预测天气数据输入所述第三预测模型,输出对应所述第三时间段的风电功率数据,其中,所述第三时间段为与所述第二时间段连续且在所述第二时间段之后的时间段。
第三方面,本申请实施例提供一种计算机设备,所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述的风电功率预测误差修正方法。
本申请实施例与现有技术相比存在的有益效果是:本申请获取目标风电设备在第一时间段内每个时间点的第一真实天气数据和对应的真实风电功率数据,以及第二时间段内每个时间点的第二真实天气数据和对应的真实风电功率数据,使用第一真实天气数据和对应的真实风电功率数据,训练预设的功率预测模型得到训练好的第一预测模型,使用第二真实天气数据和对应的真实风电功率数据,训练功率预测模型得到训练好的第二预测模型,获取构建历史预测模型时使用的历史权重和历史预测结果,基于历史预测结果和第二真实天气数据对应的真实风电功率数据的误差,修正历史权重,得到修正后的权重,使用修正后的权重,对第一预测模型和第二预测模型中表征同一含义的参量进行加权求平均,得到对应参量的平均值,使用每个参量的平均值更新功率预测模型中表征同一含义的参量,得到第三预测模型,获取预测的第三时间段的预测天气数据,将预测天气数据输入第三预测模型,输出对应第三时间段的风电功率数据,通过连续两个时间段的数据来预测后一时间段的数据,提高了数据间的关联性,且实时对关联融合过程中权重参数进行修正,可以保证每次预测时权重参数的准确性,从而提高了模型以及模型预测的准确性,降低了两次预测导致的误差放大率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例一提供的一种基于人工智能的风电功率预测误差修正方法的一应用环境示意图;
图2是本申请实施例二提供的一种基于人工智能的风电功率预测误差修正方法的流程示意图;
图3是本申请实施例三提供的一种基于人工智能的风电功率预测误差修正装置的结构示意图;
图4是本申请实施例四提供的一种计算机设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
应理解,以下实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
为了说明本申请的技术方案,下面通过具体实施例来进行说明。
本申请实施例一提供的一种基于人工智能的风电功率预测误差修正方法,可应用在如图1的应用环境中,其中,客户端与服务端进行通信。其中,客户端包括但不限于掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本、服务端计算机设备、个人数字助理(personal digital assistant,PDA)等计算机设备,客户端还可以是心电仪、脑电仪等测量仪器的数据处理设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
参见图2,是本申请实施例二提供的一种基于人工智能的风电功率预测误差修正方法的流程示意图,上述基于人工智能的风电功率预测误差修正方法应用于图1中的服务端,服务端对应的计算机设备连接相应的数据库,以获取数据库中相应的数据。上述计算机设备还可以连接相应的客户端,客户端为用户所操作,用户可以通过客户端向服务端提供相应的数据。如图2所示,该基于人工智能的风电功率预测误差修正方法可以包括以下步骤:
步骤S201,获取目标风电设备在第一时间段内每个时间点的第一真实天气数据和对应的真实风电功率数据,以及第二时间段内每个时间点的第二真实天气数据和对应的真实风电功率数据。
本申请中,第一时间段为与第二时间段连续且在第二时间段之前的时间段,且两个时间段内时间点的个数。目标风电设备即为安装在某一地区的能够通过风力进行发电的设备,真实天气数据即为在一地区的当前或者过去的时间点由传感器等采集的真实数据,预测天气数据即为在一地区的未来的时间点,由模型推测得到的数据,同样地,真实风电功率数据为在一地区的当前或者过去时间点风力发电设备输出的发电功率,预测风电功率数据即为在一地区的未来的时间点,由模型推测得到的数据。
天气数据可以为一个时间段内固定间隔的多个时间点上每个时间点的天气数据,该天气数据可以包括风速、风向、气温、气压等,风电功率数据可以包括风力发电设备的发电功率。
在取时间段时,可采用一天为一个时间段,也可以采用一个小时为一个时间段,另外,在一个时间段内时间点可以采用每一分钟或者每一秒钟为一个时间点,当然,由于天气的短时变化相关的特性,时间段越短,越有助于实现后续的短时预测,时间段越长预测的准确性可能会出现下降,其中,时间点的密度越高,预测的准确性越高,但伴随的处理时长更长,不利于及时使用场景下的使用。因此,上述时间段、时间点密度可根据预先的实验效果,以及人员对效果的需求来进行设定。
步骤S202,使用第一真实天气数据和对应的真实风电功率数据,训练预设的功率预测模型得到训练好的第一预测模型,使用第二真实天气数据和对应的真实风电功率数据,训练功率预测模型得到训练好的第二预测模型。
本申请中,功率预测模型在训练完成后能够基于天气数据来预测风电功率数据,即预测功率模型的输入为已知天气数据(即训练数据)和对应的已知风电功率数据(即标签数据),通过不断的训练(即调整模型内部参数等),使得训练数据输入至模型后输出的结果无限接近于标签数据。因此,使用不同的训练数据和标签数据训练得到的模型可能不相同,因而,使用第一时间段和第二时间段的数据分别训练功率预测模型,最终得到第一预测模型和第二预测模型。
可选的是,使用第一真实天气数据和对应的真实风电功率数据,训练预设的功率预测模型得到训练好的第一预测模型包括:
获取目标风电设备所处的地形数据;
将第一真实天气数据和地形数据均输入预设的功率预测模型,使用均方误差损失函数对功率预测模型输出的预测功率数据与第一真实天气数据对应的真实风电功率数据的损失进行计算,得到第一模型训练损失;
以第一模型训练损失最小为依据训练功率预测模型,得到训练好的第一预测模型。
其中,由于地形数据可以影响风力发电,因此,天气数据和地形数据结合才能使功率预测模型有很好的预测效果。地形数据可以包括等高线信息、障碍物信息和粗糙度等,这部分信息可以与天气数据中风向、气温、气压等形成关联,从而在训练模型时考虑两者之间的影响,使得训练出的模型更加准确。
在设计功率预测模型时考虑天气数据与地形数据之间的影响关系,进而使用设计出的功率预测模型输入为天气数据和地形数据,输出为预测的功率。使用已知的数据即可训练出满足条件的模型,具体可以是,将每个时间点的天气数据和地形数据输入功率预测模型,输出对应时间点的预测功率,将预测功率与对应时间点的真实功率代入均方误差损失函数,得到两者间的预测损失,根据该预测损失训练功率预测模型,直至达到预设迭代次数或者预测损失满足收敛的条件,即可得到训练好的模型。
由于地形数据通常在短时间不会变化,因此,在模型训练好之后在后续的使用中均作为默认输入,也就是第一预测模型、第二预测模型以及基于二者形成的新的模型在预测风电功率时均需要输入天气数据和地形数据。
可选的是,使用第二真实天气数据和对应的真实风电功率数据,训练功率预测模型得到训练好的第二预测模型包括:
将第二真实天气数据和地形数据均输入功率预测模型,使用均方误差损失函数对功率预测模型输出的预测功率数据与第二真实天气数据对应的真实风电功率数据的损失进行计算,得到第二模型训练损失;
以第二模型训练损失最小为依据训练功率预测模型,得到训练好的第二预测模型。
其中,该第二时间段的数据训练模型的过程与上述第一时间段的过程相同,在此不再赘述。
步骤S203,获取构建历史预测模型时使用的历史权重和历史预测结果,基于历史预测结果和第二真实天气数据对应的真实风电功率数据的误差,修正历史权重,得到修正后的权重。
本申请中,历史预测模型为预测第二时间段内的风电功率数据时采用的模型,历史权重为对基于第一时间段及其前一时间段的真实数据训练出的两个预测模型进行加权求平均以得到历史预测模型时使用的权重,历史预测结果为历史预测模型输出的结果。
本申请所说的风险功率预测误差修正方法为一种实时预测下一时间段功率的方法,在下一时间段功率预测完成后,在对下一时间段后的一个时间段的功率进行预测,而该下一时间段中产生的数据即为历史的数据,用于该后一个时间段的预测过程中。
第二时间段在进行功率预测时使用的预测模型即为历史预测模型,对该第二时间段预测出的功率结果即为历史预测结果。
该历史预测模型是基于第一时间段及其前一时间段的真实数据训练出的两个预测模型构建的,具体构建即为后续步骤S204中将两个预测模型进行加权求平均,加权求平均时对应的权重即为历史权重。后续步骤S204中会记在该权重包括两个权值,两个权值的和为1,并且将两个预测模型进行加权求平均本质上为对模型中表征同一含义的参量进行加权求平均,得到参量的加权平均值。
历史预测结果与第二时间段的真实风电功率数据之间的差异,能够表征在构建历史预测模型时所使用的权重是否准确,如果差异较大,则表示历史预测模型不准确,造成模型不准确的原因是权重不准确,因而为了提高权重的准确性,可以基于差异对权重进行修正,实现权重的及时修正,保证后续构建模型的准确性。
具体的修正过程可以是采用权重优化的方式,优化一个新的权重,并基于该新的权重重新构建历史预测模型以进行第二时间段的功率预测,并与真实功率进行比较,再根据比较后的差异来持续优化,直至满足一定的条件,该条件可以为差异小于阈值等,当然,根据不同的设计思路,修正过程还可以采用其他形式的修正权重的方式。
可选的是,基于历史预测结果和第二真实天气数据对应的真实风电功率数据的误差,修正历史权重,得到修正后的权重包括:
根据历史预测结果和第二真实天气数据对应的真实风电功率数据,结合预设的第一损失函数,计算得到第一预测损失;
根据第一预测损失和历史权重,采用梯度反向传播法计算权重的修正量,并根据修正量修正历史权重,得到修正后的权重。
其中,此过程为直接采用梯度反向传播发对权重进行修正,具体为每次修正均得到一个新的权重,并执行上述基于该新的权重重新构建历史预测模型以进行第二时间段的功率预测,并与真实功率进行比较,再根据比较后的差异来持续优化,直至满足一定的条件的步骤,最终得到修正量。
可选的是,根据第一预测损失和历史权重,采用梯度反向传播法计算权重的修正量,并根据修正量修正历史权重,得到修正后的权重包括:
根据第一预测损失和历史权重,采用梯度反向传播法优化历史权重,得到优化后的权重;
将第一时间段及其前一时间段的真实天气数据输入预设的权重预测模型,输出预测权重,以优化后的权重和预测权重之间的误差最小为依据,训练权重预测模型,得到训练好的权重预测模型;
将第一真实天气数据和第二真实天气数据输入训练好的权重预测模型,输出预测结果为修正后的权重。
其中,先对权重进行优化,优化方式可以采用上述实施方式中的优化过程,随后设计一个权重预测模型,即根据输入量的特征来生成对应的权重,权重预测模型的输入即为两个连续时间段的天气数据,输出为一个权重或者每个时间段的权值,使用第一时间段及其前一时间段的天气数据与权重预测模型进行训练,训练依据为输出的预测权重与优化后的权重之间的误差最小。
本次对第一预测模型和第二预测模型加权求平均构建第三预测模型时,为了提高修正的权重与第一时间段和第二时间段的天气数据的关联性,将第一时间段和第二时间段的天气数据输入上述训练好的权重预测模型,输出预测结果为修正后的权重,从而提高了权重与数据间的关联关系,有助于提高权重的准确性。
步骤S204,使用修正后的权重,对第一预测模型和第二预测模型中表征同一含义的参量进行加权求平均,得到对应参量的平均值,使用每个参量的平均值更新功率预测模型中表征同一含义的参量,得到第三预测模型。
本申请中,权重包含两个权值,即第一权值和第二权值,两个权值的和为1,第一权值作用于第一预测模型,第二权值作用于第二预测模型,针对两个模型中表征同一含义的参量,提取其中的参数值,计算第一权值乘以第一预测模型的参数值与第二权值乘以第二预测模型的参数值的和,该和的结果即为对应参量的平均值。
在一个新的功率预测模型中,将每个参量对应的平均值填入对应的位置,即可更新功率预测模型,得到第三预测模型,该第三预测模型中参量的参数值已被更新。
步骤S205,获取预测的第三时间段的预测天气数据,将预测天气数据输入第三预测模型,输出对应第三时间段的风电功率数据。
本申请中,第三时间段为与第二时间段连续且在第二时间段之后的时间段。此时,该第三时间段为未来的一个时间段,因此,对应的天气还没有发生,没有真实的天气数据,需要获取对该第三时间段的预测天气数据,具体可以从相应的天气平台中获取到预测天气数据,当然,也可以根据第一时间段和第二时间段的真实天气数据结合已有的训练好的天气预测模型进行预测,得到第三时间段的预测天气数据。
可选的是,获取预测的第三时间段的预测天气数据包括:
基于第一真实天气数据和第二真实天气数据,使用训练好的天气预测模型预测第三时间段内的天气数据,得到预测天气数据。
其中,天气预测模型可以采用任一能够表征时序上下文关系的神经网络,天气预测模型的训练过程最好依据上述目标风电设备所在地区的历史天气数据,以避免跨地区数据训练,得到的模型无法准确预测的问题。
可选的是,所有时间段的天气数据均包括每个时间点的风速数据、风向数据、气温数据和气压数据;
所有时间段的天气数据在输入模型之前均包括:
针对任一时间点,对时间点的风速数据、风向数据、气温数据和气压数据分别进行编码处理,得到对应的编码向量;
按照预设的数据拼接方式,将所有的编码向量进行拼接,得到时间点对应的编码结果,一时间段内所有时间点的编码结果构成对应时间段的天气数据。
其中,上述天气数据在输入模型之前均需要进行一致性表达,该表达需要具备保留数据本身特征的功能,因此,采用对数据的统一编码,并统一拼接,形成有效地数据表达,有助于训练的执行和后续时间段的数据预测。
在实际使用过程中,根据历史获取的两个相邻时间段1和时间段2的天气序列t1和t2,分别训练得到两个预测模型A1和A2,再进行权重修正,根据修正后的权重对两个预测模型进行加权求和,得到预测模型A3,将时间段3预测的天气序列t3’输入预测模型A3进行功率预测,输出该时间段3的风电功率。 在获取该时间段3的真实天气序列t3和真实功率后,对时间段4进行预测,以此方式持续运行。
本申请实施例获取目标风电设备在第一时间段内每个时间点的第一真实天气数据和对应的真实风电功率数据,以及第二时间段内每个时间点的第二真实天气数据和对应的真实风电功率数据,使用第一真实天气数据和对应的真实风电功率数据,训练预设的功率预测模型得到训练好的第一预测模型,使用第二真实天气数据和对应的真实风电功率数据,训练功率预测模型得到训练好的第二预测模型,获取构建历史预测模型时使用的历史权重和历史预测结果,基于历史预测结果和第二真实天气数据对应的真实风电功率数据的误差,修正历史权重,得到修正后的权重,使用修正后的权重,对第一预测模型和第二预测模型中表征同一含义的参量进行加权求平均,得到对应参量的平均值,使用每个参量的平均值更新功率预测模型中表征同一含义的参量,得到第三预测模型,获取预测的第三时间段的预测天气数据,将预测天气数据输入第三预测模型,输出对应第三时间段的风电功率数据,通过连续两个时间段的数据来预测后一时间段的数据,提高了数据间的关联性,且实时对关联融合过程中权重参数进行修正,可以保证每次预测时权重参数的准确性,从而提高了模型以及模型预测的准确性,降低了两次预测导致的误差放大率。
对应于上文实施例的基于人工智能的风电功率预测误差修正方法,图3示出了本申请实施例三提供的基于人工智能的风电功率预测误差修正装置的结构框图,上述风电功率预测误差修正装置应用于图1中的服务端,服务端对应的计算机设备连接相应的数据库,以获取数据库中相应的数据。上述计算机设备还可以连接相应的客户端,客户端为用户所操作,用户可以通过客户端向服务端提供相应的数据。为了便于说明,仅示出了与本申请实施例相关的部分。
参见图3,该风电功率预测误差修正装置包括:
数据获取模块31,用于获取目标风电设备在第一时间段内每个时间点的第一真实天气数据和对应的真实风电功率数据,以及第二时间段内每个时间点的第二真实天气数据和对应的真实风电功率数据,其中,第一时间段为与第二时间段连续且在第二时间段之前的时间段,且两个时间段内时间点的个数;
模型训练模块32,用于使用第一真实天气数据和对应的真实风电功率数据,训练预设的功率预测模型得到训练好的第一预测模型,使用第二真实天气数据和对应的真实风电功率数据,训练功率预测模型得到训练好的第二预测模型;
权重修正模块33,用于获取构建历史预测模型时使用的历史权重和历史预测结果,基于历史预测结果和第二真实天气数据对应的真实风电功率数据的误差,修正历史权重,得到修正后的权重,其中,历史预测模型为预测第二时间段内的风电功率数据时采用的模型,历史权重为对基于第一时间段及其前一时间段的真实数据训练出的两个预测模型进行加权求平均以得到历史预测模型时使用的权重,历史预测结果为历史预测模型输出的结果;
参量更新模块34,用于使用修正后的权重,对第一预测模型和第二预测模型中表征同一含义的参量进行加权求平均,得到对应参量的平均值,使用每个参量的平均值更新功率预测模型中表征同一含义的参量,得到第三预测模型;
功率预测模块35,用于获取预测的第三时间段的预测天气数据,将预测天气数据输入第三预测模型,输出对应第三时间段的风电功率数据,其中,第三时间段为与第二时间段连续且在第二时间段之后的时间段。
可选的是,上述权重修正模块包括:
第一损失计算单元,用于根据历史预测结果和第二真实天气数据对应的真实风电功率数据,结合预设的第一损失函数,计算得到第一预测损失;
权重修正单元,用于根据第一预测损失和历史权重,采用梯度反向传播法计算权重的修正量,并根据修正量修正历史权重,得到修正后的权重。
可选的是,上述权重修正单元包括:
优化子单元,用于根据第一预测损失和历史权重,采用梯度反向传播法优化历史权重,得到优化后的权重;
训练子单元,用于将第一时间段及其前一时间段的真实天气数据输入预设的权重预测模型,输出预测权重,以优化后的权重和预测权重之间的误差最小为依据,训练权重预测模型,得到训练好的权重预测模型;
修正子单元,用于将第一真实天气数据和第二真实天气数据输入训练好的权重预测模型,输出预测结果为修正后的权重。
可选的是,上述功率预测模块35包括:
天气数据预测模块,用于基于第一真实天气数据和第二真实天气数据,使用训练好的天气预测模型预测第三时间段内的天气数据,得到预测天气数据。
可选的是,所有时间段的天气数据均包括每个时间点的风速数据、风向数据、气温数据和气压数据;
所有时间段的天气数据在输入模型之前均包括:
针对任一时间点,对时间点的风速数据、风向数据、气温数据和气压数据分别进行编码处理,得到对应的编码向量;
按照预设的数据拼接方式,将所有的编码向量进行拼接,得到时间点对应的编码结果,一时间段内所有时间点的编码结果构成对应时间段的天气数据。
可选的是,上述模型训练模块32包括:
地形数据获取单元,用于获取目标风电设备所处的地形数据;
第一损失计算单元,用于将第一真实天气数据和地形数据均输入预设的功率预测模型,使用均方误差损失函数对功率预测模型输出的预测功率数据与第一真实天气数据对应的真实风电功率数据的损失进行计算,得到第一模型训练损失;
第一训练单元,用于以第一模型训练损失最小为依据训练功率预测模型,得到训练好的第一预测模型。
可选的是,上述模型训练模块32包括:
第二损失计算单元,用于将第二真实天气数据和地形数据均输入功率预测模型,使用均方误差损失函数对功率预测模型输出的预测功率数据与第二真实天气数据对应的真实风电功率数据的损失进行计算,得到第二模型训练损失;
第二训练单元,用于以第二模型训练损失最小为依据训练功率预测模型,得到训练好的第二预测模型。
需要说明的是,上述模块之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图4为本申请实施例四提供的一种计算机设备的结构示意图。如图4所示,该实施例的计算机设备包括:至少一个处理器(图4中仅示出一个)、存储器以及存储在存储器中并可在至少一个处理器上运行的计算机程序,处理器执行计算机程序时实现上述任意各个基于人工智能的风电功率预测误差修正方法实施例中的步骤。
该计算机设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,图4仅仅是计算机设备的举例,并不构成对计算机设备的限定,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括网络接口、显示屏和输入装置等。
所称处理器可以是CPU,该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器包括可读存储介质、内存储器等,其中,内存储器可以是计算机设备的内存,内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。可读存储介质可以是计算机设备的硬盘,在另一些实施例中也可以是计算机设备的外部存储设备,例如,计算机设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,该其他程序如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
本申请实现上述实施例方法中的全部或部分流程,也可以通过一种计算机程序产品来完成,当计算机程序产品在计算机设备上运行时,使得计算机设备执行时实现可实现上述方法实施例中的步骤。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/计算机设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/计算机设备实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于人工智能的风电功率预测误差修正方法,其特征在于,所述风电功率预测误差修正方法包括:
获取目标风电设备在第一时间段内每个时间点的第一真实天气数据和对应的真实风电功率数据,以及第二时间段内每个时间点的第二真实天气数据和对应的真实风电功率数据,其中,所述第一时间段为与所述第二时间段连续且在所述第二时间段之前的时间段,且两个时间段内时间点的个数;
使用所述第一真实天气数据和对应的真实风电功率数据,训练预设的功率预测模型得到训练好的第一预测模型,使用所述第二真实天气数据和对应的真实风电功率数据,训练所述功率预测模型得到训练好的第二预测模型;
获取构建历史预测模型时使用的历史权重和历史预测结果,基于所述历史预测结果和所述第二真实天气数据对应的真实风电功率数据的误差,修正所述历史权重,得到修正后的权重,其中,所述历史预测模型为预测所述第二时间段内的风电功率数据时采用的模型,所述历史权重为对基于所述第一时间段及其前一时间段的真实数据训练出的两个预测模型进行加权求平均以得到所述历史预测模型时使用的权重,所述历史预测结果为所述历史预测模型输出的结果;
使用所述修正后的权重,对所述第一预测模型和所述第二预测模型中表征同一含义的参量进行加权求平均,得到对应参量的平均值,使用每个参量的平均值更新所述功率预测模型中表征同一含义的参量,得到第三预测模型;
获取预测的第三时间段的预测天气数据,将所述预测天气数据输入所述第三预测模型,输出对应所述第三时间段的风电功率数据,其中,所述第三时间段为与所述第二时间段连续且在所述第二时间段之后的时间段。
2.根据权利要求1所述的风电功率预测误差修正方法,其特征在于,基于所述历史预测结果和所述第二真实天气数据对应的真实风电功率数据的误差,修正所述历史权重,得到修正后的权重包括:
根据所述历史预测结果和所述第二真实天气数据对应的真实风电功率数据,结合预设的第一损失函数,计算得到第一预测损失;
根据所述第一预测损失和所述历史权重,采用梯度反向传播法计算权重的修正量,并根据所述修正量修正所述历史权重,得到修正后的权重。
3.根据权利要求2所述的风电功率预测误差修正方法,其特征在于,根据所述第一预测损失和所述历史权重,采用梯度反向传播法计算权重的修正量,并根据所述修正量修正所述历史权重,得到修正后的权重包括:
根据所述第一预测损失和所述历史权重,采用梯度反向传播法优化所述历史权重,得到优化后的权重;
将所述第一时间段及其前一时间段的真实天气数据输入预设的权重预测模型,输出预测权重,以所述优化后的权重和所述预测权重之间的误差最小为依据,训练所述权重预测模型,得到训练好的权重预测模型;
将所述第一真实天气数据和所述第二真实天气数据输入训练好的权重预测模型,输出预测结果为修正后的权重。
4.根据权利要求1所述的风电功率预测误差修正方法,其特征在于,获取预测的第三时间段的预测天气数据包括:
基于所述第一真实天气数据和所述第二真实天气数据,使用训练好的天气预测模型预测第三时间段内的天气数据,得到预测天气数据。
5.根据权利要求1所述的风电功率预测误差修正方法,其特征在于,所有时间段的天气数据均包括每个时间点的风速数据、风向数据、气温数据和气压数据;
所有时间段的天气数据在输入模型之前均包括:
针对任一时间点,对所述时间点的风速数据、风向数据、气温数据和气压数据分别进行编码处理,得到对应的编码向量;
按照预设的数据拼接方式,将所有的编码向量进行拼接,得到所述时间点对应的编码结果,一时间段内所有时间点的编码结果构成对应时间段的天气数据。
6.根据权利要求1至5任一项所述的风电功率预测误差修正方法,其特征在于,使用所述第一真实天气数据和对应的真实风电功率数据,训练预设的功率预测模型得到训练好的第一预测模型包括:
获取所述目标风电设备所处的地形数据;
将所述第一真实天气数据和所述地形数据均输入预设的功率预测模型,使用均方误差损失函数对所述功率预测模型输出的预测功率数据与所述第一真实天气数据对应的真实风电功率数据的损失进行计算,得到第一模型训练损失;
以所述第一模型训练损失最小为依据训练所述功率预测模型,得到训练好的第一预测模型。
7.根据权利要求6所述的风电功率预测误差修正方法,其特征在于,使用所述第二真实天气数据和对应的真实风电功率数据,训练所述功率预测模型得到训练好的第二预测模型包括:
将所述第二真实天气数据和所述地形数据均输入所述功率预测模型,使用所述均方误差损失函数对所述功率预测模型输出的预测功率数据与所述第二真实天气数据对应的真实风电功率数据的损失进行计算,得到第二模型训练损失;
以所述第二模型训练损失最小为依据训练所述功率预测模型,得到训练好的第二预测模型。
8.一种基于人工智能的风电功率预测误差修正装置,其特征在于,所述风电功率预测误差修正装置包括:
数据获取模块,用于获取目标风电设备在第一时间段内每个时间点的第一真实天气数据和对应的真实风电功率数据,以及第二时间段内每个时间点的第二真实天气数据和对应的真实风电功率数据,其中,所述第一时间段为与所述第二时间段连续且在所述第二时间段之前的时间段,且两个时间段内时间点的个数;
模型训练模块,用于使用所述第一真实天气数据和对应的真实风电功率数据,训练预设的功率预测模型得到训练好的第一预测模型,使用所述第二真实天气数据和对应的真实风电功率数据,训练所述功率预测模型得到训练好的第二预测模型;
权重修正模块,用于获取构建历史预测模型时使用的历史权重和历史预测结果,基于所述历史预测结果和所述第二真实天气数据对应的真实风电功率数据的误差,修正所述历史权重,得到修正后的权重,其中,所述历史预测模型为预测所述第二时间段内的风电功率数据时采用的模型,所述历史权重为对基于所述第一时间段及其前一时间段的真实数据训练出的两个预测模型进行加权求平均以得到所述历史预测模型时使用的权重,所述历史预测结果为所述历史预测模型输出的结果;
参量更新模块,用于使用所述修正后的权重,对所述第一预测模型和所述第二预测模型中表征同一含义的参量进行加权求平均,得到对应参量的平均值,使用每个参量的平均值更新所述功率预测模型中表征同一含义的参量,得到第三预测模型;
功率预测模块,用于获取预测的第三时间段的预测天气数据,将所述预测天气数据输入所述第三预测模型,输出对应所述第三时间段的风电功率数据,其中,所述第三时间段为与所述第二时间段连续且在所述第二时间段之后的时间段。
9.根据权利要求8所述的风电功率预测误差修正装置,其特征在于,所述权重修正模块包括:
第一损失计算单元,用于根据所述历史预测结果和所述第二真实天气数据对应的真实风电功率数据,结合预设的第一损失函数,计算得到第一预测损失;
权重修正单元,用于根据所述第一预测损失和所述历史权重,采用梯度反向传播法计算权重的修正量,并根据所述修正量修正所述历史权重,得到修正后的权重。
10.一种计算机设备,其特征在于,所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的风电功率预测误差修正方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310037701.1A CN115952916A (zh) | 2023-01-10 | 2023-01-10 | 基于人工智能的风电功率预测误差修正方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310037701.1A CN115952916A (zh) | 2023-01-10 | 2023-01-10 | 基于人工智能的风电功率预测误差修正方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115952916A true CN115952916A (zh) | 2023-04-11 |
Family
ID=87287734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310037701.1A Withdrawn CN115952916A (zh) | 2023-01-10 | 2023-01-10 | 基于人工智能的风电功率预测误差修正方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115952916A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117350176A (zh) * | 2023-12-05 | 2024-01-05 | 深圳三思纵横科技股份有限公司 | 一种基于万能试验机的自动过流保护方法及装置 |
-
2023
- 2023-01-10 CN CN202310037701.1A patent/CN115952916A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117350176A (zh) * | 2023-12-05 | 2024-01-05 | 深圳三思纵横科技股份有限公司 | 一种基于万能试验机的自动过流保护方法及装置 |
CN117350176B (zh) * | 2023-12-05 | 2024-03-22 | 深圳三思纵横科技股份有限公司 | 一种基于万能试验机的自动过流保护方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110546653B (zh) | 使用管理者和工作者神经网络的用于强化学习的动作选择 | |
KR20190028531A (ko) | 복수의 기계 학습 태스크에 대해 기계 학습 모델들을 훈련 | |
CN112732983A (zh) | 基于人工智能的数据检测方法、装置、服务器及存储介质 | |
CN109711530B (zh) | 一种滑坡预测方法及系统 | |
CN110633859B (zh) | 一种两阶段分解集成的水文序列预测方法 | |
CN112308281A (zh) | 一种温度信息预测方法及装置 | |
CN115952916A (zh) | 基于人工智能的风电功率预测误差修正方法、装置及设备 | |
JP6086875B2 (ja) | 発電量予測装置および発電量予測方法 | |
CN115130894A (zh) | 基于人工智能的生产规划方法、装置、计算机设备及介质 | |
CN108509179B (zh) | 用于检测人脸的方法、用于生成模型的装置 | |
CN109065176B (zh) | 一种血糖预测方法、装置、终端和存储介质 | |
CN113643311A (zh) | 一种对边界误差鲁棒的图像分割方法和装置 | |
CN112988527A (zh) | Gpu管理平台异常检测方法、装置以及存储介质 | |
CN115618714B (zh) | 一种太阳辐射概率预报方法及相关设备 | |
CN116662904A (zh) | 数据类型的变异检测方法、装置、计算机设备及介质 | |
US20200050892A1 (en) | System to identify and explore relevant predictive analytics tasks of clinical value and calibrate predictive model outputs to a prescribed minimum level of predictive accuracy | |
CN114238106A (zh) | 测试时间预测方法及装置、电子设备、存储介质 | |
CN110147881B (zh) | 语言处理方法、装置、设备及存储介质 | |
CN111553324A (zh) | 人体姿态预测值校正方法、装置,服务器及存储介质 | |
CN113516315B (zh) | 风力发电功率区间预测方法、设备及介质 | |
CN110930172A (zh) | 基于神经网络的跨国市场联合边际价格的预测方法及系统 | |
CN114037066B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN117787509B (zh) | 一种用于储能辅助黑启动的风速预测方法和系统 | |
CN116542328B (zh) | Ctr预测模型的知识蒸馏方法及装置 | |
CN113723712B (zh) | 风电功率预测方法、系统、设备及介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230411 |