CN116451594B - 覆冰预测模型的训练方法、预测方法、装置和电子设备 - Google Patents
覆冰预测模型的训练方法、预测方法、装置和电子设备 Download PDFInfo
- Publication number
- CN116451594B CN116451594B CN202310706450.1A CN202310706450A CN116451594B CN 116451594 B CN116451594 B CN 116451594B CN 202310706450 A CN202310706450 A CN 202310706450A CN 116451594 B CN116451594 B CN 116451594B
- Authority
- CN
- China
- Prior art keywords
- icing
- data
- weather
- icing prediction
- meteorological
- 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.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 88
- 230000008859 change Effects 0.000 claims abstract description 91
- 238000005259 measurement Methods 0.000 claims abstract description 36
- 230000008878 coupling Effects 0.000 claims abstract description 27
- 238000010168 coupling process Methods 0.000 claims abstract description 27
- 238000005859 coupling reaction Methods 0.000 claims abstract description 27
- 238000004891 communication Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 19
- 239000011248 coating agent Substances 0.000 claims description 14
- 238000000576 coating method Methods 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 14
- 238000009825 accumulation Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 244000309464 bull Species 0.000 claims 1
- 230000005611 electricity Effects 0.000 claims 1
- 238000010801 machine learning Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Environmental & Geological Engineering (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种覆冰预测模型的训练方法、预测方法、装置和电子设备，适用于风电场风机的覆冰预测，覆冰预测模型训练方法包括：获取历史的风电场实测气象数据，其中，风电场实测气象数据为风机处于覆冰状态以及未覆冰状态下的多类气象序列数据；基于多类气象序列数据构建多个模型训练样本对；其中，多个模型训练样本对包括根据覆冰状态划分的同类型样本对和不同类型样本对；在进行模型训练时，分别提取每一类气象序列数据的气象变化特征；学习多个气象变化特征相互耦合下在时间上的累计变化特征和各个气象变化特征的加权权重；基于同类型样本对和不同类型样本对相似度更新参数使覆冰预测模型得到收敛。
Description
技术领域
本发明涉及风力发电技术领域，具体涉及一种覆冰预测模型的训练方法、预测方法、装置和电子设备。
背景技术
对于风机发生覆冰的情况，现有技术通常基于物理仿真实验的研究，和基于风机scada运行工况数据进行覆冰发生后的检测；而基于气象数据对风机覆冰预测研究较少。
基于传统机器学习的覆冰预测方法，一方面，寒潮发生概率低且每次发生寒潮的规模和程度不同，导致历史发生风机覆冰的样本数量极少，因此缺乏传统机器学习训练需要的足够多的样本积累；另一方面，从物理意义上来讲，发生覆冰主要在满足一定气候条件在时间上累计变化过程，且各种细微气象条件下存在复杂的耦合关系，因此不能简单通过某时刻下的气象条件直接进行分类判断。
由于上述原因，基于传统机器学习的覆冰预测方法存在局限性，一方面，这种方法采用样本数量较少的历史数据进行模型训练，模型难以挖掘复杂气象条件的特征关系。另一方面，在采用训练好的模型进行预测时，也不能保证预测精度，即在小样本条件下模型训练缺乏足够样本，难以确保模型的泛化能力，导致实际应用中覆冰预测精度存在不足。
因此，目前亟需提出一种覆冰预测模型的训练方法、预测方法、装置和电子设备，以解决相关技术中存在的小样本前提下、基于传统机器学习的覆冰预测方法在模型训练时难以确保模型的泛化能力且进行预测时不能保证对覆冰预测精度的问题。
发明内容
本申请实施例提供一种覆冰预测模型的训练方法、预测方法、装置和电子设备，以解决相关技术中存在的小样本前提下、基于传统机器学习的覆冰预测方法在模型训练时难以确保模型的泛化能力且进行预测时不能保证对覆冰预测精度的问题。
根据本申请的第一方面，提供一种覆冰预测模型的训练方法，适用于风电场的风机的覆冰预测，所述覆冰预测模型包括权重共享的两个神经网络分支和相似度度量模块，所述训练方法包括：获取历史的风电场实测气象数据，其中，所述风电场实测气象数据为风机处于覆冰状态以及未覆冰状态下的多类气象序列数据；基于多类气象序列数据构建多个模型训练样本对；其中，所述多个模型训练样本对包括根据覆冰状态划分的同类型样本对和不同类型样本对；在进行模型训练时，分别提取每一类气象序列数据的气象变化特征；学习多个所述气象变化特征相互耦合下在时间上的累计变化特征和各个所述气象变化特征的加权权重；基于同类型样本对和不同类型样本对相似度更新参数使所述覆冰预测模型得到收敛。
可选地，每一所述神经网络分支至少包括层级连接的GRU层和多头注意力机制层，所述学习多个所述气象变化特征相互耦合下在时间上的累计变化特征和各个所述气象变化特征的加权权重包括：在学习过程中，通过所述GRU层提取所述累计变化特征；
通过所述多头注意力机制层捕获所述各个所述气象变化特征的加权权重。
可选地，所述基于多类气象序列数据构建多个模型训练样本对包括：将所述风电场实测气象数据拆分重构为用于表征每个时刻的气象变化信息的二维特征向量作为历史覆冰气象数据集；基于实际覆冰状态对所述历史覆冰气象数据集进行标记，得到同类型样本对和不同类型样本对。
可选地，所述将所述风电场实测气象数据拆分重构为用于表征每个时刻的气象变化信息的二维特征向量作为历史覆冰气象数据集包括：依照第一预设长度的滑动时间窗口对所述实测气象数据进行划分采样，得到多个窗口区间内的气象数据；基于所述气象数据的数据属性和数据数值确定每一窗口区间内每个时刻的二维特征向量；对所述二维特征向量进行数据标准化，得到历史覆冰气象数据集。
可选地，所述覆冰预测模型输出的覆冰预测结果为时间累计结果；所述训练方法还包括：依照第一预设长度的滑动时间窗口对所述覆冰预测结果进行窗口平滑，得到多个窗口区间内的覆冰预测结果；基于每一窗口区间内的覆冰预测结果的样本序列按照最大投票原则对所述覆冰预测结果进行修正。
根据本申请的第二方面，提供一种覆冰预测方法，适用于风电场的风机覆冰预测，所述覆冰预测方法包括：获取风电场数值天气预报数据和历史覆冰时段的风电场实测气象数据；基于所述数值天气预报数据和所述风电场实测气象数据构建覆冰预测样本对；将所述覆冰预测样本对输入至预先训练好的覆冰预测模型中，基于所述覆冰预测样本对的时间累计特征和相似程度得到风电场覆冰预测结果。
可选地，所述基于所述数值天气预报数据和所述风电场实测气象数据构建覆冰预测样本对之前包括：对所述数值天气预报数据进行线性修正和或多项式修正，得到适应于风机轮毂高度的数值天气预报数据。
可选地，还包括：依照第二预设长度的滑动时间窗口对所述风电场覆冰预测结果进行窗口平滑，得到多个窗口区间内的覆冰预测结果；按照最大投票原则，对所述覆冰预测结果进行修正得到覆冰预测开始时刻和结束时刻。
根据本申请的第三方面，提供一种覆冰预测模型训练装置，适用于风电场的风机覆冰预测，所述覆冰预测模型训练装置包括：数据获取模块，用于获取历史的风电场实测气象数据，其中，所述风电场实测气象数据为风机处于覆冰状态以及未覆冰状态下的多类气象序列数据；样本对构建模块，用于基于多类气象序列数据构建多个模型训练样本对；其中，所述多个模型训练样本对包括根据覆冰状态划分的同类型样本对和不同类型样本对；气象变化特征提取模块，用于在进行模型训练时，分别提取每一类气象序列数据的气象变化特征；模型训练模块，用于学习多个所述气象变化特征相互耦合下在时间上的累计变化特征和各个所述气象变化特征的加权权重；参数更新模块，用于基于同类型样本对和不同类型样本对相似度更新参数使所述覆冰预测模型得到收敛。
根据本申请的第四方面，提供一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口和所述存储器通过所述通信总线完成相互间的通信，所述存储器，用于存储计算机程序；所述处理器，用于通过运行所述存储器上所存储的所述计算机程序来执行如上述任一项所述的覆冰预测方法或如上所述的覆冰预测模型训练方法。
本申请实施例提供一种覆冰预测模型训练方法，适用于风电场的风机的覆冰预测，所述覆冰预测模型包括权重共享的两个神经网络分支和相似度度量模块，所述训练方法包括：获取历史的风电场实测气象数据，其中，所述风电场实测气象数据为风机处于覆冰状态以及未覆冰状态下的多类气象序列数据；基于多类气象序列数据构建多个模型训练样本对；其中，所述多个模型训练样本对包括根据覆冰状态划分的同类型样本对和不同类型样本对；在进行模型训练时，分别提取每一类气象序列数据的气象变化特征；学习多个所述气象变化特征相互耦合下在时间上的累计变化特征和各个所述气象变化特征的加权权重；基于同类型样本对和不同类型样本对相似度更新参数使所述覆冰预测模型得到收敛；本申请的上述方案，一方面，基于多类气象序列数据构建多个模型训练样本对，每一样本均对应多个样本，极大扩充了样本对的数量，能够提高模型的泛化能力；另一方面，基于所述模型训练样本对内的多类气象序列数据的累计变化特征和各个所述气象变化特征的加权权重对所述覆冰预测模型的模型参数进行调整，能够通过多个所述气象变化特征相互耦合下在时间上的累计变化特征和各个所述气象变化特征的加权权重考虑多类气象序列数据之间的时间累计效应以及时序依赖关系，具有更高的精度，解决了现有技术中的小样本前提下、基于传统机器学习的覆冰预测方法在模型训练时难以确保模型的泛化能力且进行预测时不能保证对覆冰预测精度的问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本申请实施例的一种示例性的覆冰预测模型的结构示意图；
图2为本申请实施例的一种示例性的覆冰预测模型训练方法的流程示意图；
图3为本申请实施例的一种示例性的覆冰预测方法的流程示意图。
图4是根据本申请实施例的一种可选的覆冰预测模型训练装置的示意图；
图5是根据本申请实施例的一种可选的电子设备的结构示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图说明本发明的具体实施方式，在各图中相同的标号表示结构相同或结构相似但功能相同的部件。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
在以下的描述中，将描述本发明的多个不同的方面，然而对于本领域内的普通技术人员而言，可以仅仅利用本发明的一些或者全部结构或者流程来实施本发明。为了解释的明确性而言，阐述了特定的数目、配置和顺序，但是很明显，在没有这些特定细节的情况下也可以实施本发明。在其他情况下，为了不混淆本发明，对于一些众所周知的特征将不再进行详细阐述。
针对使用传统机器学习方法的基于数值天气预报（Numerical WeatherPrediction，NWP）数据的覆冰预测，一方面，风机发生覆冰概率低，每次发生寒潮的规模和程度不同，历史发生覆冰的样本数量极少，因此缺乏足够多的样本积累；另一方面，从物理意义上来讲，发生覆冰主要在满足一定气候条件在时间上累计变化过程，且各种细微气象条件下存在复杂的耦合关系，因此不能简单通过某时刻下的气象条件直接进行分类判断。
由于上述原因，针对使用传统机器学习方法的基于NWP的覆冰预测，一方面，采用样本数量较少的发生覆冰的历史数据进行各种细微气象条件下存在复杂的耦合关系的模型训练时难以确保模型的泛化能力，另一方面，采用训练好的模型进行预测时不能保证对覆冰预测的精度，即，小样本前提下，使用传统机器学习方法的基于NWP的覆冰预测的问题上存在局限性，在模型训练时难以确保模型的泛化能力且进行预测时不能保证对覆冰预测的精度。
为解决上述问题，根据本申请的一个方面，提供一种覆冰预测模型训练方法；所述覆冰预测模型包括权重共享的两个神经网络分支和相似度度量模块；图1为本申请实施例的一种示例性的覆冰预测模型训练方法的流程示意图，如图1所示，所述覆冰预测模型训练方法包括：
S101.获取历史的风电场实测气象数据，其中，所述风电场实测气象数据为风机处于覆冰状态以及未覆冰状态下的多类气象序列数据。在本实施例中，所述风电场实测气象数据包括覆冰状态下的气象数据和未覆冰状态下的气象数据，示例性的，所述风电场实测气象数据可以为发生覆冰前后时段，风机轮毂高度的实测气象数据，所述实测气象数据的种类至少包括温度数据、湿度数据、风速数据、压强数据、风向数据；作为示例性的实施例，可以读取风机在风机轮毂高度处的历史覆冰时段的实测气象数据作为所述风电场实测气象数据，在本实施例中，所述历史覆冰时段可以为根据预期训练的覆冰预测模型的精度确定的发生覆冰前后1h、2h、3h、……Nh等的时段，其中，N为正整数。
S102.基于多类气象序列数据构建多个模型训练样本对；其中，所述多个模型训练样本对包括根据覆冰状态划分的同类型样本对和不同类型样本对。
由于风机发生覆冰概率低，每次发生寒潮的规模和程度不同，历史发生覆冰的样本数量极少，因此缺乏足够多的样本积累；为了解决该问题，在本实施例中，基于多类气象序列数据构建多个模型训练样本对；应当理解的是，上述样本对的构建方式，每一样本均对应多个样本，相对于采用单一样本进行模型训练的方式，样本对的构建极大的扩充训练时样本集的数量，相较于直接采用小样本进行模型训练的方式，能够提高训练后的模型的泛化能力。
在本实施例中，所述多个模型训练样本对可以包括同类型样本对和不同类型样本对，同类型的样本对可以为同为发生覆冰下的多类气象序列数据构建的样本对和同为未发生覆冰下的多类气象序列数据构建的样本对，不同类型的样本对中的之一为发生覆冰下的多类气象序列数据构建的样本，另一为未发生覆冰下的多类气象序列数据构建的样本。
S103.在进行模型训练时，分别提取每一类气象序列数据的气象变化特征。由于发生覆冰需要满足一定气候条件在时间上累计变化过程，且在上述累计变化过程中存在各种细微气象条件下存在复杂的耦合关系，因此，为了确定表征每一类气象序列数据在上述时间上累计变化过程以及存在复杂的耦合关系的时间累计效应，在本申请中，在进行模型训练时，分别利用门控循环单元（Gated Recurrent Unit，GRU）实现对每一类类气象序列数据的气象变化特征的特征提取。其中主要通过更新门和重置门实现保留历史信息和遗忘非必要信息。
S104.学习多个所述气象变化特征相互耦合下在时间上的累计变化特征和各个所述气象变化特征的加权权重。在模型训练的过程中，学习多个所述气象累计变化特征；由于发生覆冰过程中存在各种细微气象条件下存在复杂的耦合关系，因此通过多头注意力机制处理对多维序列特征数据的复杂关系。其中通过多组注意力机制对所述气象变化特征调整加权权重，以获取不同气象特征序列的关系。最后通过一个线性层对多个加权子序列进行融合，形成一个整体的输出序列。从而提高影响覆冰气象特征的显著性水平，更好捕获多维特征之间的复杂相关性。
为了使得训练好的模型能够根据多类气象序列数据的气象变化特征实现对覆冰的预测，在本实施例中，通过对模型进行训练，使得模型学习多个所述气象变化特征相互耦合下在时间上的累计变化特征和各个所述气象变化特征的加权权重；具体地，可以在对模型训练的过程中，通过多组注意力机制实现对覆冰状况影响较大的气象序列数据的气象变化特征增加权重，对覆冰状况影响较小的气象序列数据的气象变化特征减小权重，之后通过一个线性层对得到的多个子序列进行加权融合；上述训练过程，不仅能过滤多种所述气象实测指标数据中的非重要特征，同时还能捕获特征之间各种相互关系，以考虑各种细微气象条件下存在复杂的耦合关系。
S105.基于同类型样本对和不同类型样本对相似度更新参数使所述覆冰预测模型得到收敛。
作为示例性的实施例，可以通过计算样本对之间的欧式距离或余弦距离来确定同类型样本对和不同类型样本对相似度，在本实施例中，可以以欧式距离为例进行说明：
在训练的过程中，基于同类型样本对和不同类型样本对相似度更新参数，使得同类型样本对的欧式距离尽量小，即，相似度尽量大，不同类型样本对的欧式距离尽量大，即，相似度尽量小，使得覆冰预测模型得到收敛。
在本实施例中，损失函数采用Contrastive loss，这种损失函数可以有效地处理孪生网络的paired data关系； Contrastive loss具体表达式如下：
，
，
其中为根据欧式距离计算层中两个样本对应的欧式距离；当模型训练样本对为同类型样本时，Y=1，否则Y=0；m为设定的阈值，用于划分相似性度量是否属于标签一致的范围；N为样本个数。
应当理解的是，上述采用提取每一类气象序列数据的气象变化特征、学习多个所述气象变化特征相互耦合下在时间上的累计变化特征和各个所述气象变化特征的加权权重的模型训练方法训练出的覆冰预测模型，在进行覆冰预测时，相较于采用单一气象实测指标数据的变化情况，或分别采用多类气象序列数据的变化情况训练模型进行分别进行覆冰预测的方法，能够通过多个所述气象变化特征相互耦合下在时间上的累计变化特征和各个所述气象变化特征的加权权重考虑多类气象序列数据之间的时间累计效应以及时序依赖关系，具有更高的精度。
本申请的上述方案，一方面，基于多类气象序列数据构建多个模型训练样本对，每一样本均对应多个样本，极大扩充了样本对的数量，能够提高模型的泛化能力；另一方面，基于所述模型训练样本对内的多类气象序列数据的累计变化特征和各个所述气象变化特征的加权权重对所述覆冰预测模型的模型参数进行调整，能够通过多个所述气象变化特征相互耦合下在时间上的累计变化特征和各个所述气象变化特征的加权权重考虑多类气象序列数据之间的时间累计效应以及时序依赖关系，具有更高的精度，解决了现有技术中的小样本前提下、基于传统机器学习的覆冰预测方法在模型训练时难以确保模型的泛化能力且进行预测时不能保证对覆冰预测精度的问题。
作为示例性的实施例，每一所述神经网络分支至少包括层级连接的GRU层和多头注意力机制层，所述学习多个所述气象变化特征相互耦合下在时间上的累计变化特征和各个所述气象变化特征的加权权重包括：在学习过程中，通过所述GRU层提取所述累计变化特征；通过所述多头注意力机制层捕获所述各个所述气象变化特征的加权权重。
图2为本申请实施例的一种示例性的覆冰预测模型的结构示意图，如图2所示，所述每一神经网络分支的输入为所述模型训练样本对其中的一个模型训练样本，所述模型训练样本输入至网络后，依次经过所述卷积模块提取模型训练样本的多种所述气象实测指标数据的特征信息，经过所述GRU提取所述多类气象序列数据的时间累计特征，所述多头注意力机制层后，对所述气象实测指标数据进行自适应加权融合，之后通过全连接层（Fullyconnected，FC）将数据映射到特征空间，并通过所述欧式距离计算层计算样本对的欧式距离以确定所述模型训练样本的相似程度。
在本实施例中，GRU中具有更新门（update gate）和重置门（reset gate），门控单元可以控制信息的流动，决定哪些信息应该通过和哪些信息应该被丢弃，门控单元可以调节输入数据和先前隐藏状态之间的交互；通过使用门控单元，GRU可以在不同的时间步之间有效地传递和更新信息，能够更好地捕捉多类气象序列数据的在时间上的累计效应，即捕获多个所述气象变化特征相互耦合下在时间上的累计变化特征。
在本实施例中，通过多头注意力机制层，模型可以同时学习各个所述气象变化特征的关系，并且可以对各个所述气象变化特征进行多重粒度的建模，能够更好地捕捉序列中的关联性；通过引入多头注意力机制，对各个所述气象变化特征的不同信息进行自适应加权融合，不仅能过滤其中非重要特征，同时能捕获序列内各种依赖关系。
在本实施例中，输入由多类气象序列数据构建的多个模型训练样本对，通过相同权重的网络层将数据映射到特征空间，通过计算样本对的欧式距离，使同类样本对相似性距离尽可能小，不同类别的相似性距离尽可能大。
作为示例性的实施例，所述基于多类气象序列数据构建多个模型训练样本对包括：将所述风电场实测气象数据拆分重构为用于表征每个时刻的气象变化信息的二维特征向量作为历史覆冰气象数据集；基于实际覆冰状态对所述历史覆冰气象数据集进行标记，得到同类型样本对和不同类型样本对。
在本实施例中，由于风机发生覆冰概率低，每次发生寒潮的规模和程度不同，历史发生覆冰的样本数量极少，因此缺乏足够多的样本积累；并且，发生覆冰主要在满足一定气候条件在时间上累计变化过程，且各种细微气象条件下存在复杂的耦合关系，因此不能简单通过某时刻下的气象条件直接进行分类判断；在本实施例中，为了在保留时序信息的同时实现对发生覆冰的样本数量的扩充，所述将所述风电场实测气象数据拆分重构可以为采用滑动窗口采样所述对风电场实测气象数据进行样本重构；在对所述风电场实测气象数据进行样本重构后，进行数据标准化；具体地，基于所述气象序列数据的数据属性和数据数值确定每一窗口区间内表征每个时刻的气象变化信息的二维特征向量；对所述二维特征向量进行数据标准化，得到历史覆冰气象数据集；例如，可以依照长度为k大小的滑动窗口对数据进行划分采样；在划分采样得到多个窗口区间后，对每个窗口区间内每个时刻xi的实测气象数据得到二维特征向量，来表示该时刻的气象变化信息；示例性的，所述二维特征向量的一个维度为时刻xi，另一维度为数值；具体地，所述二维特征向量可以为[[温度i-k+1，……，温度i]，[湿度i-k+1，……，湿度i]，[风速i-k+1，……，风速i],[压强i-k+1，……，压强i]，[风向i-k+1，……，风向i]]的形式。
在本实施例中，上述处理过程，能够使得数据集在各个特征维度上具有相同的尺度和均值。
作为可能的实现方式，所述在所述覆冰预测模型训练集中，基于覆冰状态构建模型训练样本对包括：在所述历史覆冰气象数据集中，逐个构建模型训练样本对；将属于同类覆冰状态的同类型的模型训练样本对的样本类别标记为1；将属于不同类覆冰状态的不同类型的模型训练样本对的样本类别标记为0；其中，所述属于同类覆冰状态为同为发生覆冰或为同为未发生覆冰，所述不同类覆冰状态为一个样本数据的覆冰状态为发生覆冰，另一样本数据的覆冰状态为未发生覆冰。
作为示例性的实施例，所述覆冰预测模型输出的覆冰预测结果为时间累计结果；所述训练方法还包括：
依照第一预设长度的滑动时间窗口对所述覆冰预测结果进行窗口平滑，得到多个窗口区间内的覆冰预测结果；
基于每一窗口区间内的覆冰预测结果的样本序列按照最大投票原则对所述覆冰预测结果进行修正。
上述方案，为了确保预测未来时刻风机状态的可解释性，最后对预测结果使用大小为M的滑动窗口进行平滑，得到多个窗口区间内的覆冰预测结果；基于每一窗口区间内的覆冰预测结果的样本序列对所述覆冰预测结果进行修正。
根据本申请的第二方面，提供一种覆冰预测方法，适用于风电场的风机覆冰预测，图3为本申请实施例的一种示例性的覆冰预测方法的流程示意图；所述覆冰预测方法包括：
S301.获取风电场未来时间段内的数值天气预报数据和历史覆冰时段的风电场实测气象数据.在本实施例中，所述数值天气预报（Numerical Weather Prediction，NWP）数据至少包括未来时间段内的温度变量、湿度变量、风速变量、压强变量、风向变量的空间分布信息和时间变化信息；其中，所述未来时间段可以为未来1h、2h、4h、……1天、2天、N天等的时段，其中，N为正整数；所述历史覆冰时段的风电场实测气象数据可以为根据风机覆冰预测的精度确定的发生覆冰前后1h、2h、3h、……Nh等的时段，其中，N为正整数；应当理解的是，所述数值天气预报数据和风电场实测气象数据选取的样本越多，所述风机覆冰预测的精度越高。
S302.基于所述数值天气预报数据和所述风电场实测气象数据构建覆冰预测样本对。
在本实施例中，可以采用与构建模型训练样本对相同的方式构建覆冰预测样本对。
S303.将所述覆冰预测样本对输入至预先训练好的覆冰预测模型中，基于所述覆冰预测样本对的时间累计特征和相似程度相似性判断是否为同类别，从而得到风电场覆冰预测结果。
由于数值天气预报尺度和预报模式的原因，NWP与风机轮毂高度对应的实际气象存在一定系统偏差；为了消除上述偏差，对NWP进行线性修正和多项式修正，确保数值范围跟风机轮毂高度处相同。
基于此，作为示例性的实施例，所述基于所述数值天气预报数据和所述风电场实测气象数据构建覆冰预测样本对之前包括：对所述数值天气预报数据进行线性修正和/或多项式修正，得到适应于风机轮毂高度的数值天气预报数据。
为了确保预测未来时刻风机状态的可解释性，作为示例性的实施例，还包括：依照第二预设长度的滑动时间窗口对所述风电场覆冰预测结果进行窗口平滑，得到多个窗口区间内的覆冰预测结果；按照最大投票原则，对所述覆冰预测结果进行修正得到覆冰预测开始时刻和结束时刻。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需 的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM（Read-Only Memory，只读存储器）/RAM(Random Access Memory，随机存取存储器)、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本申请各个实施例所述的方法。
根据本申请实施例的第三方面，还提供一种用于实施上述覆冰预测模型训练方法的覆冰预测模型训练装置，图4是根据本申请实施例的一种覆冰预测模型训练装置的示意图，如图4所示，所述覆冰预测模型训练装置包括：
数据获取模块401，用于获取历史的风电场实测气象数据，其中，所述风电场实测气象数据为风机处于覆冰状态以及未覆冰状态下的多类气象序列数据；
样本对构建模块402，用于基于多类气象序列数据构建多个模型训练样本对；其中，所述多个模型训练样本对包括根据覆冰状态划分的同类型样本对和不同类型样本对；
气象变化特征提取模块403，用于在进行模型训练时，分别提取每一类气象序列数据的气象变化特征；
模型训练模块404，用于学习多个所述气象变化特征相互耦合下在时间上的累计变化特征和各个所述气象变化特征的加权权重；
参数更新模块405，用于基于同类型样本对和不同类型样本对相似度更新参数使所述覆冰预测模型得到收敛。
需要说明的是，该实施例中的数据获取模块401可以用于执行上述步骤S101，该实施例中的样本对构建模块402可以用于执行上述步骤S102，该实施例中的模型训练模块403可以用于执行上述步骤S103，该实施例中的模型训练模块404可以用于执行上述步骤S104，该实施例中的参数更新模块405可以用于执行上述步骤S105。
此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以通过软件实现，也可以通过硬件实现，其中，硬件环境包括网络环境。
根据本申请的第四方面，提供一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口和所述存储器通过所述通信总线完成相互间的通信，所述存储器，用于存储计算机程序；所述处理器，用于通过运行所述存储器上所存储的所述计算机程序来执行如上述任一项所述的实施例中的方法。
图5是根据本申请实施例的一种可选的电子设备的结构框图，如图5所示，包括处理器502、通信接口504、存储器506和通信总线508，其中，处理器502、通信接口504和存储器506通过通信总线508完成相互间的通信，其中，
存储器506，用于存储计算机程序；
处理器502，用于执行存储器506上所存放的计算机程序时，实现如下步骤：
获取历史的风电场实测气象数据，其中，所述风电场实测气象数据为风机处于覆冰状态以及未覆冰状态下的多类气象序列数据；
基于多类气象序列数据构建多个模型训练样本对；其中，所述多个模型训练样本对包括根据覆冰状态划分的同类型样本对和不同类型样本对；
在进行模型训练时，分别提取每一类气象序列数据的气象变化特征；
学习多个所述气象变化特征相互耦合下在时间上的累计变化特征和各个所述气象变化特征的加权权重；
基于同类型样本对和不同类型样本对相似度更新参数使所述覆冰预测模型得到收敛。
可选地，在本实施例中，上述的通信总线可以是PCI (Peripheral ComponentInterconnect，外设部件互连标准)总线、或EISA (Extended Industry StandardArchitecture，扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括RAM，也可以包括非易失性存储器(non-volatile memory)，例如，至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。
作为一种示例，如图5所示，上述存储器502中可以但不限于包括上述数据获取模块401，样本对构建模块402，气象变化特征提取模块403，模型训练模块404，参数更新模块405，还可以包括上述实施例中的其他模块单元，本示例中不再赘述。
上述处理器可以是通用处理器，可以包含但不限于：CPU (Central ProcessingUnit，中央处理器)、NP(Network Processor，网络处理器)等；还可以是DSP (DigitalSignal Processing，数字信号处理器)、ASIC (Application Specific IntegratedCircuit，专用集成电路)、FPGA (Field－Programmable Gate Array，现场可编程门阵列)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。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。
本领域技术人员可以理解，图5所示的结构仅为示意，实施上述实施例中任意一项所述的方法的设备可以是终端设备，该终端设备可以是智能手机（如Android手机、IOS手机等）、平板电脑、掌上电脑以及移动互联网设备（Mobile Internet Devices，MID）、PAD等终端设备。图5其并不对上述电子装置的结构造成限定。例如，终端设备还可包括比图5中所示更多或者更少的组件（如网络接口、显示装置等），或者具有与图5所示的不同的配置。
本领域技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于计算机可读存储介质中，存储介质可以包括：闪存盘、ROM、RAM、磁盘或光盘等。
作为示例性的实施例，本申请还提供一种计算机可读的存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行如上述任一项所述的覆冰预测模型训练方法步骤或如上述中任意一项所述的风电场覆冰预测方法步骤。
可选地，在本实施例中，上述存储介质可以用于执行本申请实施例的方法步骤的程序代码。
可选地，在本实施例中，上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：
获取历史的风电场实测气象数据，其中，所述风电场实测气象数据为风机处于覆冰状态以及未覆冰状态下的多类气象序列数据；
基于多类气象序列数据构建多个模型训练样本对；其中，所述多个模型训练样本对包括根据覆冰状态划分的同类型样本对和不同类型样本对；
在进行模型训练时，分别提取每一类气象序列数据的气象变化特征；
学习多个所述气象变化特征相互耦合下在时间上的累计变化特征和各个所述气象变化特征的加权权重；
基于同类型样本对和不同类型样本对相似度更新参数使所述覆冰预测模型得到收敛。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例中对此不再赘述。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、ROM、RAM、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
上述实施例中的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，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，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信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述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，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中所提供的方案的目的。
另外，在本申请各个实施例中的各功能单元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。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (9)
1.一种覆冰预测模型训练方法，其特征在于，适用于风电场的风机的覆冰预测，所述覆冰预测模型包括权重共享的两个神经网络分支和相似度度量模块，每一所述神经网络分支至少包括层级连接的GRU层和多头注意力机制层，所述训练方法包括：
获取历史的风电场实测气象数据，其中，所述风电场实测气象数据为风机处于覆冰状态以及未覆冰状态下的多类气象序列数据；
基于多类气象序列数据构建多个模型训练样本对；其中，所述多个模型训练样本对包括根据覆冰状态划分的同类型样本对和不同类型样本对；
在进行模型训练时，分别提取每一类气象序列数据的气象变化特征；
学习多个所述气象变化特征相互耦合下在时间上的累计变化特征和各个所述气象变化特征的加权权重；
在学习过程中，通过所述GRU层提取所述累计变化特征；
通过所述多头注意力机制层捕获所述各个所述气象变化特征的加权权重；
基于同类型样本对和不同类型样本对相似度更新参数使所述覆冰预测模型得到收敛。
2.如权利要求1所述的覆冰预测模型训练方法，其特征在于，所述基于多类气象序列数据构建多个模型训练样本对包括：
将所述风电场实测气象数据拆分重构为用于表征每个时刻的气象变化信息的二维特征向量作为历史覆冰气象数据集；
基于实际覆冰状态对所述历史覆冰气象数据集进行标记，得到同类型样本对和不同类型样本对。
3.如权利要求2所述的覆冰预测模型训练方法，其特征在于，所述将所述风电场实测气象数据拆分重构为用于表征每个时刻的气象变化信息的二维特征向量作为历史覆冰气象数据集包括：
依照第一预设长度的滑动时间窗口对所述实测气象数据进行划分采样，得到多个窗口区间内的气象数据；
基于所述气象数据的数据属性和数据数值确定每一窗口区间内每个时刻的二维特征向量；
对所述二维特征向量进行数据标准化，得到历史覆冰气象数据集。
4.如权利要求1所述的覆冰预测模型训练方法，其特征在于，所述覆冰预测模型输出的覆冰预测结果为时间累计结果；所述训练方法还包括：
依照第一预设长度的滑动时间窗口对所述覆冰预测结果进行窗口平滑，得到多个窗口区间内的覆冰预测结果；
基于每一窗口区间内的覆冰预测结果的样本序列按照最大投票原则对所述覆冰预测结果进行修正。
5.一种覆冰预测方法，其特征在于，适用于风电场的风机覆冰预测，所述覆冰预测方法包括：
获取风电场数值天气预报数据和历史覆冰时段的风电场实测气象数据；
基于所述数值天气预报数据和所述风电场实测气象数据构建覆冰预测样本对；
将所述覆冰预测样本对输入至由权利要求1-4中任一项所述的覆冰预测模型训练方法预先训练好的覆冰预测模型中，基于所述覆冰预测样本对的时间累计特征和相似程度得到风电场覆冰预测结果。
6.如权利要求5所述的覆冰预测方法，其特征在于，所述基于所述数值天气预报数据和所述风电场实测气象数据构建覆冰预测样本对之前包括：
对所述数值天气预报数据进行线性修正和/或多项式修正，得到适应于风机轮毂高度的数值天气预报数据。
7.权利要求6所述的覆冰预测方法，其特征在于，还包括：
依照第二预设长度的滑动时间窗口对所述风电场覆冰预测结果进行窗口平滑，得到多个窗口区间内的覆冰预测结果；
按照最大投票原则，对所述覆冰预测结果进行修正得到覆冰预测开始时刻和结束时刻。
8.一种覆冰预测模型训练装置，其特征在于，适用于风电场的风机覆冰预测，所述覆冰预测模型包括权重共享的两个神经网络分支和相似度度量模块，每一所述神经网络分支至少包括层级连接的GRU层和多头注意力机制层，所述覆冰预测模型训练装置包括：
数据获取模块，用于获取历史的风电场实测气象数据，其中，所述风电场实测气象数据为风机处于覆冰状态以及未覆冰状态下的多类气象序列数据；
样本对构建模块，用于基于多类气象序列数据构建多个模型训练样本对；其中，所述多个模型训练样本对包括根据覆冰状态划分的同类型样本对和不同类型样本对；
气象变化特征提取模块，用于在进行模型训练时，分别提取每一类气象序列数据的气象变化特征；
模型训练模块，用于学习多个所述气象变化特征相互耦合下在时间上的累计变化特征和各个所述气象变化特征的加权权重；在学习过程中，通过所述GRU层提取所述累计变化特征；通过所述多头注意力机制层捕获所述各个所述气象变化特征的加权权重；
参数更新模块，用于基于同类型样本对和不同类型样本对相似度更新参数使所述覆冰预测模型得到收敛。
9.一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口和所述存储器通过所述通信总线完成相互间的通信，其特征在于，
所述存储器，用于存储计算机程序；
所述处理器，用于通过运行所述存储器上所存储的所述计算机程序来执行权利要求1至4中任一项所述的覆冰预测模型训练方法或权利要求5至7中所述的覆冰预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310706450.1A CN116451594B (zh) | 2023-06-15 | 2023-06-15 | 覆冰预测模型的训练方法、预测方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310706450.1A CN116451594B (zh) | 2023-06-15 | 2023-06-15 | 覆冰预测模型的训练方法、预测方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116451594A CN116451594A (zh) | 2023-07-18 |
| CN116451594B true CN116451594B (zh) | 2023-08-18 |
Family
ID=87127668
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310706450.1A Active CN116451594B (zh) | 2023-06-15 | 2023-06-15 | 覆冰预测模型的训练方法、预测方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116451594B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN119514302A (zh) * | 2023-08-24 | 2025-02-25 | 北京金风慧能技术有限公司 | 风电场叶片覆冰的预测方法、装置、设备及介质 |
| CN117407773B (zh) * | 2023-12-14 | 2024-06-18 | 山东捷瑞数字科技股份有限公司 | 基于数字孪生的风机叶片结冰状态预测方法、系统及设备 |
| CN117494026B (zh) * | 2023-12-28 | 2024-04-05 | 国网浙江省电力有限公司金华供电公司 | 寒潮气象下输电线路覆冰故障定位方法、系统及存储介质 |
| CN118364973B (zh) * | 2024-06-17 | 2024-09-10 | 湖南防灾科技有限公司 | 一种复杂情况下的风电场出力分析预测方法 |
| CN118656580B (zh) * | 2024-08-14 | 2025-01-14 | 湖南防灾科技有限公司 | 用于风机覆冰预测模型训练的样本清洗方法 |
| CN119202901A (zh) * | 2024-10-30 | 2024-12-27 | 华电电力科学研究院有限公司 | 一种风机叶片覆冰预测方法、装置和介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109460923A (zh) * | 2018-11-13 | 2019-03-12 | 国网冀北电力有限公司电力科学研究院 | 一种输电线覆冰概率预测方法 |
| CN112183897A (zh) * | 2020-11-02 | 2021-01-05 | 成都卡普数据服务有限责任公司 | 基于深度学习的架空输电线路覆冰厚度的长时间预测方法 |
| CN113642235A (zh) * | 2021-08-09 | 2021-11-12 | 贵州电网有限责任公司 | 一种基于局部时空特征融合的覆冰预测方法 |
| CN114912355A (zh) * | 2022-05-10 | 2022-08-16 | 清华大学 | 输电线路短期覆冰预测方法、装置和存储介质 |
| CN116021981A (zh) * | 2023-01-12 | 2023-04-28 | 广东电网有限责任公司 | 配电网线路覆冰故障预测方法、装置、设备及存储介质 |
| CN116258270A (zh) * | 2023-03-20 | 2023-06-13 | 云南电网有限责任公司电力科学研究院 | 输电线路覆冰预测模型的训练方法及相关装置、方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103673960B (zh) * | 2012-08-30 | 2016-12-21 | 国际商业机器公司 | 用于预测输电线路上的覆冰状态的方法和装置 |
| CN109958588B (zh) * | 2017-12-14 | 2020-08-07 | 北京金风科创风电设备有限公司 | 结冰预测方法、装置、存储介质、模型生成方法及装置 |
-
2023
- 2023-06-15 CN CN202310706450.1A patent/CN116451594B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109460923A (zh) * | 2018-11-13 | 2019-03-12 | 国网冀北电力有限公司电力科学研究院 | 一种输电线覆冰概率预测方法 |
| CN112183897A (zh) * | 2020-11-02 | 2021-01-05 | 成都卡普数据服务有限责任公司 | 基于深度学习的架空输电线路覆冰厚度的长时间预测方法 |
| CN113642235A (zh) * | 2021-08-09 | 2021-11-12 | 贵州电网有限责任公司 | 一种基于局部时空特征融合的覆冰预测方法 |
| CN114912355A (zh) * | 2022-05-10 | 2022-08-16 | 清华大学 | 输电线路短期覆冰预测方法、装置和存储介质 |
| CN116021981A (zh) * | 2023-01-12 | 2023-04-28 | 广东电网有限责任公司 | 配电网线路覆冰故障预测方法、装置、设备及存储介质 |
| CN116258270A (zh) * | 2023-03-20 | 2023-06-13 | 云南电网有限责任公司电力科学研究院 | 输电线路覆冰预测模型的训练方法及相关装置、方法 |
Non-Patent Citations (1)
| Title |
|---|
| 架空输电导线覆冰机理及相关预测模型现状与发展;党跃 等;《云南电力技术》;第51卷(第1期);第6-12页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116451594A (zh) | 2023-07-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116451594B (zh) | 覆冰预测模型的训练方法、预测方法、装置和电子设备 | |
| CN110334741A (zh) | 基于循环神经网络的雷达一维距离像识别方法 | |
| CN114595874B (zh) | 一种基于动态神经网络的超短期电力负荷预测方法 | |
| JP2023500222A (ja) | 系列マイニングモデルの訓練方法、系列データの処理方法、系列マイニングモデルの訓練装置、系列データの処理装置、コンピュータ機器、及びコンピュータプログラム | |
| WO2024198769A1 (zh) | 一种模型的训练方法、功率预测方法及设备 | |
| Li et al. | Deep spatio-temporal wind power forecasting | |
| WO2022039675A1 (en) | Method and apparatus for forecasting weather, electronic device and storage medium thereof | |
| CN113822418A (zh) | 一种风电场功率预测方法、系统、设备和存储介质 | |
| CN118469045B (zh) | 多年冻土上限预测方法、装置、设备及存储介质 | |
| CN114498619A (zh) | 一种风电功率预测方法及装置 | |
| CN114638633A (zh) | 异常流量检测的方法和装置、电子设备和存储介质 | |
| CN116894172A (zh) | 一种基于混合预测模型的风电短期功率预测方法 | |
| CN116722548B (zh) | 一种基于时间序列模型的光伏发电预测方法及相关设备 | |
| CN111461923A (zh) | 一种基于深度卷积神经网络的窃电监测系统和方法 | |
| CN116739172A (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 | |
| CN111066562A (zh) | 一种葡萄霜霉病预测方法及系统 | |
| CN116578551A (zh) | 一种基于gru-gan的电网数据修复方法 | |
| CN117154680A (zh) | 一种基于非平稳Transformer模型的风电功率预测方法 | |
| CN118826014B (zh) | 一种发电功率预测方法、模型训练方法及系统 | |
| CN111507495B (zh) | 缺失的测风数据的预测方法及装置 | |
| CN119312985A (zh) | 一种风电场发电量预测方法及系统 | |
| Liu et al. | Enhancing short-term wind power forecasting accuracy for reliable and safe integration into power systems: A gray relational analysis and optimized support vector regression machine approach | |
| CN118656640A (zh) | 基于深度学习的气象报告生成方法及系统 | |
| CN118508430A (zh) | 一种基于深度学习的短期风电功率预测方法 | |
| CN117150326A (zh) | 新能源节点出力功率的预测方法、装置、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 |