CN116581756B - 风电功率预测方法、模型训练方法、装置、设备及介质 - Google Patents

风电功率预测方法、模型训练方法、装置、设备及介质 Download PDF

Info

Publication number
CN116581756B
CN116581756B CN202310855055.XA CN202310855055A CN116581756B CN 116581756 B CN116581756 B CN 116581756B CN 202310855055 A CN202310855055 A CN 202310855055A CN 116581756 B CN116581756 B CN 116581756B
Authority
CN
China
Prior art keywords
wind power
data
power plant
training
source
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
Application number
CN202310855055.XA
Other languages
English (en)
Other versions
CN116581756A (zh
Inventor
阎洁
陈富豪
刘永前
韩爽
李莉
孟航
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.)
North China Electric Power University
Original Assignee
North China Electric Power University
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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN202310855055.XA priority Critical patent/CN116581756B/zh
Publication of CN116581756A publication Critical patent/CN116581756A/zh
Application granted granted Critical
Publication of CN116581756B publication Critical patent/CN116581756B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy

Landscapes

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

Abstract

本公开涉及一种风电功率预测方法、模型训练方法、装置、设备及介质。获取目标风电场的实时天气预报数据；利用预先训练的风电功率预测模型，对实时天气预报数据进行处理，得到目标风电场的实时风电功率预测数据；风电功率预测模型首先利用已运行时间较长的源风电场的第二训练数据确定目标风电场的风电功率预测元模型，然后利用目标风电场的第一训练数据来微调风电功率预测元模型。这样，训练好的风电功率预测模型能够很好的适应目标风电场的风电功率预测，从而保证目标风电场的风电功率预测结果的准确性。

Description

风电功率预测方法、模型训练方法、装置、设备及介质
技术领域
本公开涉及风电功率预测技术领域，尤其涉及一种风电功率预测方法、模型训练方法、装置、设备及介质。
背景技术
随着风力发电技术的快速发展，很多地区新建或者改建了很多风电场，或者，对本地区内已有的风电场进行扩容，使得利用大规模的风电场进行风力发电。为保证模型在常规运行场景中实现高精度预测，且在限电、雷暴、冰雪等极端场景时实现有效预测，有必要提供一种适用于新建、改建以及扩容等风电场的风电功率预测方法。
发明内容
为了解决上述技术问题，本公开提供了一种风电功率预测方法、模型训练方法、装置、设备及介质。
第一方面，本公开提供了一种风电功率预测方法，该方法包括：
获取目标风电场的实时天气预报数据；
利用预先训练的风电功率预测模型，对所述实时天气预报数据进行处理，得到所述目标风电场的实时风电功率预测数据；
其中，所述风电功率预测模型利用源风电场的第一训练数据对初始网络进行预训练，并利用所述目标风电场的第二训练数据对预训练得到的风电功率预测元模型进行微调得到，所述源风电场已运行的第一时间长度大于第一时间阈值，并且，所述第一训练数据的数据量大于第一数量阈值，所述目标风电场已运行的第二时间长度小于第二时间阈值，并且，所述第二训练数据的数据量小于第二数量阈值，所述第一时间阈值大于所述第二时间阈值，所述第一数量阈值大于所述第二数量阈值。
第二方面，本公开提供了一种风电功率预测模型的训练方法，该方法包括：
获取源风电场的第一训练数据和目标风电场的第二训练数据；
利用所述第一训练数据对预设网络进行预训练，得到风电功率预测元模型；
基于所述第二训练数据对所述风电功率预测元模型进行微调，得到所述目标风电场的风电功率预测模型；
其中，所述源风电场已运行的第一时间长度大于第一时间阈值，并且，所述第一训练数据的数据量大于第一数量阈值，所述目标风电场已运行的第二时间长度小于第二时间阈值，并且，所述第二训练数据的数据量小于第二数量阈值，所述第一时间阈值大于所述第二时间阈值，所述第一数量阈值大于所述第二数量阈值。
第三方面，本公开提供了一种风电功率预测装置，该装置包括：
第一数据获取模块，用于获取目标风电场的实时天气预报数据；
功率预测模块，用于利用预先训练的风电功率预测模型，对所述实时天气预报数据进行处理，得到所述目标风电场的实时风电功率预测数据；
其中，所述风电功率预测模型利用源风电场的第一训练数据对初始网络进行预训练，并利用所述目标风电场的第二训练数据对预训练得到的风电功率预测元模型进行微调得到，所述源风电场已运行的第一时间长度大于第一时间阈值，并且，所述第一训练数据的数据量大于第一数量阈值，所述目标风电场已运行的第二时间长度小于第二时间阈值，并且，所述第二训练数据的数据量小于第二数量阈值，所述第一时间阈值大于所述第二时间阈值，所述第一数量阈值大于所述第二数量阈值。
第四方面，本公开提供了一种风电功率预测模型的训练装置，该装置包括：
第二数据获取模块，用于获取源风电场的第一训练数据和目标风电场的第二训练数据；
预训练模块，用于利用所述第一训练数据对预设网络进行预训练，得到风电功率预测元模型；
微调模块，用于基于所述第二训练数据对所述风电功率预测元模型进行微调，得到所述目标风电场的风电功率预测模型；
其中，所述源风电场已运行的第一时间长度大于第一时间阈值，并且，所述第一训练数据的数据量大于第一数量阈值，所述目标风电场已运行的第二时间长度小于第二时间阈值，并且，所述第二训练数据的数据量小于第二数量阈值，所述第一时间阈值大于所述第二时间阈值，所述第一数量阈值大于所述第二数量阈值。
第五方面，本公开实施例还提供了一种电子设备，该设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现第一方面或者第二方面所提供的方法。
第六方面，本公开实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现第一方面或者第二方面所提供的方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点：
本公开实施例的一种风电功率预测方法、模型训练方法、装置、设备及介质，获取目标风电场的实时天气预报数据；利用预先训练的风电功率预测模型，对实时天气预报数据进行处理，得到目标风电场的实时风电功率预测数据；其中，风电功率预测模型利用源风电场的第一训练数据对初始网络进行预训练，并利用目标风电场的第二训练数据对预训练得到的风电功率预测元模型进行微调得到，源风电场已运行的第一时间长度大于第一时间阈值，并且，第一训练数据的数据量大于第一数量阈值，目标风电场已运行的第二时间长度小于第二时间阈值，并且，第二训练数据的数据量小于第二数量阈值，第一时间阈值大于第二时间阈值，第一数量阈值大于第二数量阈值。可见，当需要对已运行时间较短的目标风电场进行风电功率预测时，预先利用已运行时间较长的源风电场的第二训练数据确定目标风电场的风电功率预测元模型，然后利用目标风电场的第一训练数据来微调风电功率预测元模型，这样，训练好的风电功率预测模型能够很好的适应目标风电场的风电功率预测，从而保证目标风电场的风电功率预测结果的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开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，对于本领域普通技术人员而言，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为本公开实施例提供的一种风电功率预测方法的流程示意图；
图2为本公开实施例提供的一种实时天气预报数据的结构示意图；
图3为本公开实施例提供的一种风电功率预测模型的训练方法的流程示意图；
图4为本公开实施例提供的一种风电功率预测装置的结构示意图；
图5为本公开实施例提供的一种风电功率预测模型的训练装置的结构示意图；
图6为本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。
目前，当需要对新建、扩容、改建等已运行时间较短的目标风电场进行风电功率预测时，一般采用数据驱动的技术路线。具体的，将已运行时间足够长的源风电场的风电功率预测模型直接迁移到目标风电场功率预测的场景，以实现对已运行时间较短的目标风电场进行风电功率预测。但是，源风电场的风电功率预测模型只能适用于源风电场的发电情况，无法适用于目标风电场，因此，在利用源风电场的风电功率预测模型对目标风电场进行风电功率预测时，风电功率的预测结果的准确性较低。
为了提高对新建、改建以及扩容等已运行时间较短的目标风电场的风电功率预测精度，本公开实施例提供了一种风电功率预测方法、模型训练方法、装置、设备及介质。
下面结合图1至图2对本公开实施例提供的风电功率预测方法进行说明。在本公开实施例中，该风电功率预测方法可以由电子设备执行。其中，电子设备可以包括平板电脑、台式计算机、笔记本电脑等具有通信功能的设备，也可以包括虚拟机或者模拟器模拟的设备。
图1示出了本公开实施例提供的一种风电功率预测方法的流程示意图。
如图1所示，该风电功率预测方法可以包括如下步骤。
S110、获取目标风电场的实时天气预报数据。
在本实施例中，当需要对已运行时间较短的目标风电场进行发电功率预测时，采集当前时间之后未来一段时间内的数值天气预报数据，作为实时天气预报数据，并进一步基于实时天气预报数据来预测目标风电场的发电功率。
其中，目标风电场是指新建、扩容或者改建等已运行时间较短的风电场。
其中，实时天气预报数据是指能够反应未来一段时间内大气运动状态的气象预报数据。可选的，实时天气预报数据可以包括1~N时刻的预报风速数据、预报风向数据、预报温度数据、预报气压数据、预报湿度数据。则，实时天气预报数据按照图2以时间t（t<=N）为横坐标，以预报风速数据、预报风向数据、预报温度数据、预报气压数据、预报湿度数据为纵坐标进行存储和传输。
S120、利用预先训练的风电功率预测模型，对实时天气预报数据进行处理，得到目标风电场的实时风电功率预测数据，其中，风电功率预测模型利用源风电场的第一训练数据对初始网络进行预训练，并利用目标风电场的第二训练数据对预训练得到的风电功率预测元模型进行微调得到，源风电场已运行的第一时间长度大于第一时间阈值，并且，第一训练数据的数据量大于第一数量阈值，目标风电场已运行的第二时间长度小于第二时间阈值，并且，第二训练数据的数据量小于第二数量阈值，第一时间阈值大于第二时间阈值，第一数量阈值大于第二数量阈值。
其中，风电功率预测模型是指与目标风电场相适应的预测模型。
其中，第一时间阈值是一个极大值，具体可以根据经验确定。第一数量阈值也是一个极大值，具体可以根据经验确定。可以理解的是，由于源风电场已运行的第一时间长度大于第一时间阈值，因此能够从源风电场中采集到足够数量的第一训练数据，也即第一训练数据的数据量大于第一数量阈值。
其中，第二时间阈值是一个极小值，具体可以根据经验确定。第二数量阈值也是一个极小值，具体可以根据经验确定。可以理解的是，由于目标风电场已运行的第二时间长度小于第二时间阈值，因此只能从目标风电场中采集到很少数量的第二训练数据，也即第二训练数据的数据量小于第二数量阈值。
当进行模型训练时，由于源风电场的第一训练数据数量足够多，则首先利用足够数量的第一训练数据对初始网络进行预训练，得到风电功率预测元模型，然后，利用数量较少的第二训练数据对风电功率预测元模型进行微调，得到能够很好的适应目标风电场的风电功率预测模型。
其中，风电功率预测模型包括特征提取层和功率映射层。相应的，S120具体包括：基于风电功率预测模型中的特征提取层，对实时天气预报数据进行处理，得到实时天气预报特征；基于风电功率预测模型中的功率映射层，对实时天气预报特征进行处理，得到实时风电功率预测数据。
其中，特征提取层是由一系列神经网络序列建模模块搭建而成的为多层线性或非线性变换层，可以包括但不限于以下一种或多种神经网络结构：参数共享的全连接网络、残差网络、循环神经网络、循环神经网络的变体（例如，长短时记忆网络、门控循环神经网络），一维或者二维卷积神经网络、卷积神经网络的变体（例如，时序卷积网络等）。
其中，功率映射层是由一系列神经网络序列建模模块搭建而成的为多层线性或非线性变换层，可以包括但不限于以下一种或多种神经网络结构：参数共享的全连接网络、残差网络、循环神经网络、循环神经网络的变体（例如，长短时记忆网络、门控循环神经网络或者双向循环网络），一维或者二维卷积神经网络、卷积神经网络的变体（例如，时序卷积网络等）。
本公开实施例的一种风电功率预测方法，获取目标风电场的实时天气预报数据；利用预先训练的风电功率预测模型，对实时天气预报数据进行处理，得到目标风电场的实时风电功率预测数据；其中，风电功率预测模型利用源风电场的第一训练数据对初始网络进行预训练，并利用目标风电场的第二训练数据对预训练得到的风电功率预测元模型进行微调得到，源风电场已运行的第一时间长度大于第一时间阈值，并且，第一训练数据的数据量大于第一数量阈值，目标风电场已运行的第二时间长度小于第二时间阈值，并且，第二训练数据的数据量小于第二数量阈值，第一时间阈值大于第二时间阈值，第一数量阈值大于第二数量阈值。可见，当需要对已运行时间较短的目标风电场进行风电功率预测时，预先利用已运行时间较长的源风电场的第二训练数据确定目标风电场的风电功率预测元模型，然后利用目标风电场的第一训练数据来微调风电功率预测元模型，这样，训练好的风电功率预测模型能够很好的适应目标风电场的风电功率预测，从而保证目标风电场的风电功率预测结果的准确性。
下面结合图3对本公开实施例提供的风电功率预测模型的训练方法进行说明。在本公开实施例中，该风电功率预测模型的训练方法可以由电子设备或者服务器执行。
图3示出了本公开实施例提供的一种风电功率预测模型的训练方法的流程示意图。
如图3所示，该风电功率预测模型的训练方法可以包括如下步骤。
S310、获取源风电场的第一训练数据和目标风电场的第二训练数据。
其中，第一训练数据包括源风电场在当前时间之前一段时间内的第一实测天气预报数据以及第一风电功率实测数据。
其中，第二训练数据包括目标风电场在当前时间之前一段时间内的第二实测天气预报数据和第二风电功率实测数据。
S320、利用第一训练数据对预设网络进行预训练，得到风电功率预测元模型。
在本实施例中，风电功率预测元模型的预训练过程可以采用一阶的基于梯度的元学习算法（Reptile算法）进行参数更新。其中，源风电场的数量为多个，第一训练数据包括多个源风电场分别对应的第一实测天气预报数据和第一风电功率实测数据；相应的，S320具体包括：
S321、利用预设网络，对每个源风电场的第一实测天气预报数据进行处理，得到每个源风电场的第一风电功率预测数据；
S322、基于每个源风电场的第一风电功率预测数据和第一风电功率实测数据，计算预设网络的平均预测误差；
S323、根据平均预测误差，确定预设网络的平均参数梯度；
S324、基于平均参数梯度，对预设网络的进行参数更新，得到风电功率预测元模型。
其中，在执行S321之前，该方法还包括：将预设网络作为每个源风电场的当前预训练模型；相应的，S321具体包括：将每个源风电场的第一实测天气预报数据输入每个源风电场的当前预训练模型，得到每个源风电场的第一风电功率预测数据。
可以理解的是，源风电场的已运行时间较长，能够直接利用其对应的第一训练数据初步训练预设网络。其中，多个源风电场是指从最开始的源风电场中随机选择出来的若干个源风电场，也可以是最开始所有的源风电场。
具体的，基于当前预训练模型中的特征提取层，对第一实测天气预报数据进行处理，得到实测天气预报特征；基于当前预训练模型中的功率映射层，对实测天气预报特征进行处理，得到第一风电功率预测数据。其中，当前预训练模型对应初始化参数，所述初始化参数基于预设的初始化方法进行初始化得到。可选的，预设的初始化方法包括但不限于零初始化方法、随机初始化方法、Xavier初始化方法以及He初始化方法等。
其中，S322具体包括如下步骤：对于每个源风电场，计算第一风电功率预测数据与第一风电功率实测数据之间的误差数据；计算多个源风电场分别对应的误差数据的平均值，得到多个源风电场的当前预训练模型的误差平均值，并将误差平均值作为预设网络的平均预测误差。
其中，每个源风电场对应的误差数据可以采用均方根误差计算方法、平均绝对误差计算方法等方式计算。
其中，S323具体包括如下步骤：根据平均预测误差，对每个源风电场的当前预训练模型进行参数更新，得到每个源风电场的当前预训练模型的参数梯度；对多个源风电场分别对应的当前预训练模型的参数梯度进行平均，得到预设网络的平均参数梯度。
其中，当前预训练模型的参数更新方法可以选择随机梯度下降法（StochasticGradient Descent，SGD）、自适应梯度（Adaptive Gradient，AdaGrad）、自适应运动估计算法（Adaptive Motion Estimation，Adam）。
具体的，根据平均预测误差，对每个源风电场的当前预训练模型进行参数更新之后，得到更新后的参数，然后，将更新后的参数与更新前的参数相减，得到每个源风电场的当前预训练模型的参数梯度，最后，将多个源风电场的当前预训练模型的参数梯度进行平均，得到预设网络的平均参数梯度。
由此，在对预设网络进行预训练时，利用多个源风电场分别对应的第一训练数据，来计算平均参数梯度，并基于平均参数梯度对预设网络进行参数更新，有利于提高风电功率预测元模型的预训练效果。
S330、基于第二训练数据对风电功率预测元模型进行微调，得到目标风电场的风电功率预测模型。
其中，源风电场已运行的第一时间长度大于第一时间阈值，并且，第一训练数据的数据量大于第一数量阈值，目标风电场已运行的第二时间长度小于第二时间阈值，并且，第二训练数据的数据量小于第二数量阈值，第一时间阈值大于第二时间阈值，第一数量阈值大于第二数量阈值。
在本实施例中，风电功率预测元模型的微调过程可以采用Reptile算法进行参数更新。其中，第二训练数据包括目标风电场的第二实测天气预报数据和第二风电功率实测数据；相应的，S330具体包括：
S3301、利用风电功率预测元模型对第二实测天气预报数据进行处理，得到目标风电场的第二风电功率预测数据；
S3302、基于第二风电功率预测数据和第二风电功率实测数据，对风电功率预测元模型进行微调，得到风电功率预测模型。
其中，S3302具体包括：计算第二风电功率预测数据和第二风电功率实测数据之间的平均预测误差；基于平均预测误差，对风电功率预测元模型进行参数更新，直至风电功率预测元模型的参数不再变化，得到风电功率预测模型。
可选的，风电功率预测元模型的参数更新方法可以选择SGD、AdaGrad、Adam等方法。
本公开实施例的一种风电功率预测模型的训练方法，获取源风电场的第一训练数据和目标风电场的第二训练数据；利用第一训练数据对预设网络进行预训练，得到风电功率预测元模型；基于第二训练数据对风电功率预测元模型进行微调，得到目标风电场的风电功率预测模型；其中，源风电场已运行的第一时间长度大于第一时间阈值，并且，第一训练数据的数据量大于第一数量阈值，目标风电场已运行的第二时间长度小于第二时间阈值，并且，第二训练数据的数据量小于第二数量阈值，第一时间阈值大于第二时间阈值，第一数量阈值大于第二数量阈值。由此，在利用多个源风电场的第二训练数据预训练目标风电场的风电功率预测元模型之后，再使用目标风电场的第一训练数据来微调风电功率预测元模型，从而训练得到适用于目标风电场进行风电功率预测的模型，提高了模型训练过程的泛化能力和建模效率，保证风电功率预测模型能够很好的适应目标风电场，同时也能保证风电功率预测模型的鲁棒性。
本公开实施例还提供了一种用于实现上述的风电功率预测方法的风电功率预测装置，下面结合图4进行说明。在本公开实施例中，该风电功率预测装置可以为电子设备。其中，电子设备可以包括平板电脑、台式计算机、笔记本电脑等具有通信功能的设备，也可以包括虚拟机或者模拟器模拟的设备。
图4示出了本公开实施例提供的一种风电功率预测装置的结构示意图。
如图4所示，风电功率预测装置400可以包括：
第一数据获取模块410，用于获取目标风电场的实时天气预报数据；
功率预测模块420，用于利用预先训练的风电功率预测模型，对所述实时天气预报数据进行处理，得到所述目标风电场的实时风电功率预测数据；
其中，所述风电功率预测模型利用源风电场的第一训练数据对初始网络进行预训练，并利用所述目标风电场的第二训练数据对预训练得到的风电功率预测元模型进行微调得到，所述源风电场已运行的第一时间长度大于第一时间阈值，并且，所述第一训练数据的数据量大于第一数量阈值，所述目标风电场已运行的第二时间长度小于第二时间阈值，并且，所述第二训练数据的数据量小于第二数量阈值，所述第一时间阈值大于所述第二时间阈值，所述第一数量阈值大于所述第二数量阈值。
本公开实施例的一种风电功率预测装置，获取目标风电场的实时天气预报数据；利用预先训练的风电功率预测模型，对实时天气预报数据进行处理，得到目标风电场的实时风电功率预测数据；其中，风电功率预测模型利用源风电场的第一训练数据对初始网络进行预训练，并利用目标风电场的第二训练数据对预训练得到的风电功率预测元模型进行微调得到，源风电场已运行的第一时间长度大于第一时间阈值，并且，第一训练数据的数据量大于第一数量阈值，目标风电场已运行的第二时间长度小于第二时间阈值，并且，第二训练数据的数据量小于第二数量阈值，第一时间阈值大于第二时间阈值，第一数量阈值大于第二数量阈值。可见，当需要对已运行时间较短的目标风电场进行风电功率预测时，预先利用已运行时间较长的源风电场的第二训练数据确定目标风电场的风电功率预测元模型，然后利用目标风电场的第一训练数据来微调风电功率预测元模型，这样，训练好的风电功率预测模型能够很好的适应目标风电场的风电功率预测，从而保证目标风电场的风电功率预测结果的准确性。
在本公开一些实施例中，功率预测模块420，包括：
特征提取单元，用于基于所述风电功率预测模型中的特征提取层，对所述实时天气预报数据进行处理，得到实时天气预报特征；
功率映射单元，用于基于所述风电功率预测模型中的功率映射层，对所述实时天气预报特征进行处理，得到所述实时风电功率预测数据。
需要说明的是，图4所示的风电功率预测装置400可以执行图1至图2所示的方法实施例中的各个步骤，并且实现图1至图2所示的方法实施例中的各个过程和效果，在此不做赘述。
本公开实施例还提供了一种用于实现上述的风电功率预测模型的训练方法的风电功率预测模型的训练装置，下面结合图5进行说明。在本公开实施例中，该风电功率预测模型的训练装置可以为电子设备或者服务器。
图5示出了本公开实施例提供的一种风电功率预测模型的训练装置的结构示意图。
如图5所示，风电功率预测模型的训练装置500可以包括：
第二数据获取模块510，用于获取源风电场的第一训练数据和目标风电场的第二训练数据；
预训练模块520，用于利用所述第一训练数据对预设网络进行预训练，得到风电功率预测元模型；
微调模块530，用于基于所述第二训练数据对所述风电功率预测元模型进行微调，得到所述目标风电场的风电功率预测模型；
其中，所述源风电场已运行的第一时间长度大于第一时间阈值，并且，所述第一训练数据的数据量大于第一数量阈值，所述目标风电场已运行的第二时间长度小于第二时间阈值，并且，所述第二训练数据的数据量小于第二数量阈值，所述第一时间阈值大于所述第二时间阈值，所述第一数量阈值大于所述第二数量阈值。
本公开实施例的风电功率预测模型的训练装置，获取源风电场的第一训练数据和目标风电场的第二训练数据；利用第一训练数据对预设网络进行预训练，得到风电功率预测元模型；基于第二训练数据对风电功率预测元模型进行微调，得到目标风电场的风电功率预测模型；其中，源风电场已运行的第一时间长度大于第一时间阈值，并且，第一训练数据的数据量大于第一数量阈值，目标风电场已运行的第二时间长度小于第二时间阈值，并且，第二训练数据的数据量小于第二数量阈值，第一时间阈值大于第二时间阈值，第一数量阈值大于第二数量阈值。由此，在利用多个源风电场的第二训练数据预训练目标风电场的风电功率预测元模型之后，再使用目标风电场的第一训练数据来微调风电功率预测元模型，从而训练得到适用于目标风电场进行风电功率预测的模型，提高了模型训练过程的泛化能力和建模效率，保证风电功率预测模型能够很好的适应目标风电场，同时也能保证风电功率预测模型的鲁棒性。
在本公开一些实施例中，所述源风电场的数量为多个，所述第一训练数据包括多个源风电场分别对应的第一实测天气预报数据和第一风电功率实测数据；相应的，预训练模块520，包括：
第一处理单元，用于利用所述预设网络，对每个源风电场的第一实测天气预报数据进行处理，得到每个源风电场的第一风电功率预测数据；
第一计算单元，用于基于每个源风电场的所述第一风电功率预测数据和所述第一风电功率实测数据，计算所述预设网络的平均预测误差；
第一确定单元，用于根据所述平均预测误差，确定所述预设网络的平均参数梯度；
第一参数更新单元，用于基于所述平均参数梯度，对所述预设网络的进行参数更新，得到所述风电功率预测元模型。
在本公开一些实施例中，预训练模块520还包括：
第二确定单元，用于将所述预设网络作为每个源风电场的当前预训练模型；
相应的，第一处理单元具体用于：
将所述每个源风电场的第一实测天气预报数据输入所述每个源风电场的当前预训练模型，得到所述每个源风电场的第一风电功率预测数据。
在本公开一些实施例中，第一计算单元具体用于：
对于所述每个源风电场，计算所述第一风电功率预测数据与所述第一风电功率实测数据之间的误差数据；
计算多个源风电场分别对应的误差数据的平均值，得到所述多个源风电场的当前预训练模型的误差平均值，并将所述误差平均值作为所述预设网络的平均预测误差。
在本公开一些实施例中，第一确定单元具体用于：
根据所述平均预测误差，对所述每个源风电场的当前预训练模型进行参数更新，得到所述每个源风电场的当前预训练模型的参数梯度；
对多个源风电场分别对应的当前预训练模型的参数梯度进行平均，得到所述预设网络的平均参数梯度。
在本公开一些实施例中，所述第二训练数据包括所述目标风电场的第二实测天气预报数据和第二风电功率实测数据；相应的，微调模块530包括：
第二处理单元，用于利用所述风电功率预测元模型对所述第二实测天气预报数据进行处理，得到所述目标风电场的第二风电功率预测数据；
微调单元，用于基于所述第二风电功率预测数据和所述第二风电功率实测数据，对所述风电功率预测元模型进行微调，得到所述风电功率预测模型。
需要说明的是，图5所示的风电功率预测模型的训练装置500可以执行图3所示的方法实施例中的各个步骤，并且实现图3所示的方法实施例中的各个过程和效果，在此不做赘述。
图6示出了本公开实施例提供的一种电子设备的结构示意图。
如图6所示，该电子设备可以包括处理器601以及存储有计算机程序指令的存储器602。
具体地，上述处理器601可以包括中央处理器（CPU），或者特定集成电路（Application Specific Integrated Circuit，ASIC），或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器602可以包括用于信息或指令的大容量存储器。举例来说而非限制，存储器602可以包括硬盘驱动器（Hard Disk Drive，HDD）、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线（Universal Serial Bus，USB）驱动器或者两个及其以上这些的组合。在合适的情况下，存储器602可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器602可在综合网关设备的内部或外部。在特定实施例中，存储器602是非易失性固态存储器。在特定实施例中，存储器602包括只读存储器（Read-Only Memory，ROM）。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM（Programmable ROM，PROM）、可擦除PROM（Electrical Programmable ROM，EPROM）、电可擦除PROM（Electrically ErasableProgrammable ROM，EEPROM）、电可改写ROM（Electrically Alterable ROM，EAROM）或闪存，或者两个或及其以上这些的组合。
处理器601通过读取并执行存储器602中存储的计算机程序指令，以执行本公开实施例所提供的风电功率预测方法的步骤。
在一个示例中，该电子设备还可包括收发器603和总线604。其中，如图6所示，处理器601、存储器602和收发器603通过总线604连接并完成相互间的通信。
总线604包括硬件、软件或两者。举例来说而非限制，总线可包括加速图形端口（Accelerated Graphics Port，AGP）或其他图形总线、增强工业标准架构（ExtendedIndustry Standard Architecture，EISA）总线、前端总线（Front Side BUS，FSB）、超传输（Hyper Transport，HT）互连、工业标准架构（Industrial Standard Architecture，ISA）总线、无限带宽互连、低引脚数（Low Pin Count，LPC）总线、存储器总线、微信道架构（MicroChannel Architecture，MCA）总线、外围控件互连（Peripheral Component Interconnect，PCI）总线、PCI-Express（PCI-X）总线、串行高级技术附件（Serial Advanced TechnologyAttachment，SATA）总线、视频电子标准协会局部（Video Electronics StandardsAssociation Local Bus，VLB）总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线604可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
以下是本公开实施例提供的计算机可读存储介质的实施例，该计算机可读存储介质与上述各实施例的风电功率预测方法属于同一个发明构思，在计算机可读存储介质的实施例中未详尽描述的细节内容，可以参考上述风电功率预测方法的实施例。
本实施例提供一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行一种风电功率预测方法，该方法包括：
获取目标风电场的实时天气预报数据；
利用预先训练的风电功率预测模型，对所述实时天气预报数据进行处理，得到所述目标风电场的实时风电功率预测数据；
其中，所述风电功率预测模型利用源风电场的第一训练数据对初始网络进行预训练，并利用所述目标风电场的第二训练数据对预训练得到的风电功率预测元模型进行微调得到，所述源风电场已运行的第一时间长度大于第一时间阈值，并且，所述第一训练数据的数据量大于第一数量阈值，所述目标风电场已运行的第二时间长度小于第二时间阈值，并且，所述第二训练数据的数据量小于第二数量阈值，所述第一时间阈值大于所述第二时间阈值，所述第一数量阈值大于所述第二数量阈值。
以下是本公开实施例提供的计算机可读存储介质的实施例，该计算机可读存储介质与上述各实施例的风电功率预测模型的训练方法属于同一个发明构思，在计算机可读存储介质的实施例中未详尽描述的细节内容，可以参考上述风电功率预测模型的训练方法的实施例。
本实施例提供一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行一种风电功率预测模型的训练方法，该方法包括：
获取源风电场的第一训练数据和目标风电场的第二训练数据；
利用所述第一训练数据对预设网络进行预训练，得到风电功率预测元模型；
基于所述第二训练数据对所述风电功率预测元模型进行微调，得到所述目标风电场的风电功率预测模型；
其中，所述源风电场已运行的第一时间长度大于第一时间阈值，并且，所述第一训练数据的数据量大于第一数量阈值，所述目标风电场已运行的第二时间长度小于第二时间阈值，并且，所述第二训练数据的数据量小于第二数量阈值，所述第一时间阈值大于所述第二时间阈值，所述第一数量阈值大于所述第二数量阈值。
当然，本公开实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上的方法操作，还可以执行本公开任意实施例所提供的风电功率预测方法或者风电功率预测模型的训练方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本公开可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本公开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，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器（Read-Only Memory, ROM）、随机存取存储器（RandomAccess Memory, RAM）、闪存（FLASH）、硬盘或光盘等，包括若干指令用以使得一台计算机云平台（可以是个人计算机，服务器，或者网络云平台等）执行本公开各个实施例所提供的风电功率预测方法或者风电功率预测模型的训练方法。
注意，上述仅为本公开的较佳实施例及所运用技术原理。本领域技术人员会理解，本公开不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本公开的保护范围。因此，虽然通过以上实施例对本公开进行了较为详细的说明，但是本公开不仅仅限于以上实施例，在不脱离本公开构思的情况下，还可以包括更多其他等效实施例，而本公开的范围由所附的权利要求范围决定。

Claims (11)

1.一种风电功率预测方法，其特征在于，包括：
获取目标风电场的实时天气预报数据；
利用预先训练的风电功率预测模型，对所述实时天气预报数据进行处理，得到所述目标风电场的实时风电功率预测数据；
其中，所述风电功率预测模型利用源风电场的第一训练数据对初始网络进行预训练，并利用所述目标风电场的第二训练数据对预训练得到的风电功率预测元模型进行微调得到，所述源风电场已运行的第一时间长度大于第一时间阈值，并且，所述第一训练数据的数据量大于第一数量阈值，所述目标风电场是指新建、扩容或者改建的风电场，所述目标风电场已运行的第二时间长度小于第二时间阈值，并且，所述第二训练数据的数据量小于第二数量阈值，所述第一时间阈值大于所述第二时间阈值，所述第一数量阈值大于所述第二数量阈值；
所述源风电场的数量为多个，所述第一训练数据包括多个源风电场分别对应的第一实测天气预报数据和第一风电功率实测数据；利用源风电场的第一训练数据对初始网络进行预训练具体包括：
利用预设网络，对每个源风电场的第一实测天气预报数据进行处理，得到每个源风电场的第一风电功率预测数据；
基于每个源风电场的所述第一风电功率预测数据和所述第一风电功率实测数据，计算所述预设网络的平均预测误差；
根据所述平均预测误差，确定所述预设网络的平均参数梯度；
基于所述平均参数梯度，对所述预设网络的进行参数更新，得到所述风电功率预测元模型。
2.根据权利要求1所述的方法，所述利用预先训练的风电功率预测模型，对所述实时天气预报数据进行处理，得到所述目标风电场的实时风电功率预测数据，包括：
基于所述风电功率预测模型中的特征提取层，对所述实时天气预报数据进行处理，得到实时天气预报特征；
基于所述风电功率预测模型中的功率映射层，对所述实时天气预报特征进行处理，得到所述实时风电功率预测数据。
3.一种风电功率预测模型的训练方法，其特征在于，包括：
获取源风电场的第一训练数据和目标风电场的第二训练数据；
利用所述第一训练数据对预设网络进行预训练，得到风电功率预测元模型；
基于所述第二训练数据对所述风电功率预测元模型进行微调，得到所述目标风电场的风电功率预测模型；
其中，所述源风电场已运行的第一时间长度大于第一时间阈值，并且，所述第一训练数据的数据量大于第一数量阈值，所述目标风电场是指新建、扩容或者改建的风电场，所述目标风电场已运行的第二时间长度小于第二时间阈值，并且，所述第二训练数据的数据量小于第二数量阈值，所述第一时间阈值大于所述第二时间阈值，所述第一数量阈值大于所述第二数量阈值；
所述源风电场的数量为多个，所述第一训练数据包括多个源风电场分别对应的第一实测天气预报数据和第一风电功率实测数据；
相应的，所述利用所述第一训练数据对预设网络进行预训练，得到风电功率预测元模型，包括：
利用所述预设网络，对每个源风电场的第一实测天气预报数据进行处理，得到每个源风电场的第一风电功率预测数据；
基于每个源风电场的所述第一风电功率预测数据和所述第一风电功率实测数据，计算所述预设网络的平均预测误差；
根据所述平均预测误差，确定所述预设网络的平均参数梯度；
基于所述平均参数梯度，对所述预设网络的进行参数更新，得到所述风电功率预测元模型。
4.根据权利要求3所述的方法，在所述利用所述预设网络，对每个源风电场的第一实测天气预报数据进行处理，得到每个源风电场的第一风电功率预测数据之前，所述方法还包括：
将所述预设网络作为每个源风电场的当前预训练模型；
相应的，所述利用所述预设网络，对每个源风电场的第一实测天气预报数据进行处理，得到每个源风电场的第一风电功率预测数据，包括：
将所述每个源风电场的第一实测天气预报数据输入所述每个源风电场的当前预训练模型，得到所述每个源风电场的第一风电功率预测数据。
5.根据权利要求4所述的方法，所述基于每个源风电场的所述第一风电功率预测数据和所述第一风电功率实测数据，计算所述预设网络的平均预测误差，包括：
对于所述每个源风电场，计算所述第一风电功率预测数据与所述第一风电功率实测数据之间的误差数据；
计算多个源风电场分别对应的误差数据的平均值，得到所述多个源风电场的当前预训练模型的误差平均值，并将所述误差平均值作为所述预设网络的平均预测误差。
6.根据权利要求4所述的方法，所述根据所述平均预测误差，确定所述预设网络的平均参数梯度，包括：
根据所述平均预测误差，对所述每个源风电场的当前预训练模型进行参数更新，得到所述每个源风电场的当前预训练模型的参数梯度；
对多个源风电场分别对应的当前预训练模型的参数梯度进行平均，得到所述预设网络的平均参数梯度。
7.根据权利要求3所述的方法，所述第二训练数据包括所述目标风电场的第二实测天气预报数据和第二风电功率实测数据，则，所述基于所述第二训练数据对所述风电功率预测元模型进行微调，得到所述目标风电场的风电功率预测模型，包括：
利用所述风电功率预测元模型对所述第二实测天气预报数据进行处理，得到所述目标风电场的第二风电功率预测数据；
基于所述第二风电功率预测数据和所述第二风电功率实测数据，对所述风电功率预测元模型进行微调，得到所述风电功率预测模型。
8.一种风电功率预测装置，其特征在于，包括：
第一数据获取模块，用于获取目标风电场的实时天气预报数据；
功率预测模块，用于利用预先训练的风电功率预测模型，对所述实时天气预报数据进行处理，得到所述目标风电场的实时风电功率预测数据；
其中，所述风电功率预测模型利用源风电场的第一训练数据对初始网络进行预训练，并利用所述目标风电场的第二训练数据对预训练得到的风电功率预测元模型进行微调得到，所述源风电场已运行的第一时间长度大于第一时间阈值，并且，所述第一训练数据的数据量大于第一数量阈值，所述目标风电场是指新建、扩容或者改建的风电场，所述目标风电场已运行的第二时间长度小于第二时间阈值，并且，所述第二训练数据的数据量小于第二数量阈值，所述第一时间阈值大于所述第二时间阈值，所述第一数量阈值大于所述第二数量阈值；
所述源风电场的数量为多个，所述第一训练数据包括多个源风电场分别对应的第一实测天气预报数据和第一风电功率实测数据；利用源风电场的第一训练数据对初始网络进行预训练具体包括：
利用预设网络，对每个源风电场的第一实测天气预报数据进行处理，得到每个源风电场的第一风电功率预测数据；
基于每个源风电场的所述第一风电功率预测数据和所述第一风电功率实测数据，计算所述预设网络的平均预测误差；
根据所述平均预测误差，确定所述预设网络的平均参数梯度；
基于所述平均参数梯度，对所述预设网络的进行参数更新，得到所述风电功率预测元模型。
9.一种风电功率预测模型的训练装置，其特征在于，包括：
第二数据获取模块，用于获取源风电场的第一训练数据和目标风电场的第二训练数据；
预训练模块，用于利用所述第一训练数据对预设网络进行预训练，得到风电功率预测元模型；
微调模块，用于基于所述第二训练数据对所述风电功率预测元模型进行微调，得到所述目标风电场的风电功率预测模型；
其中，所述源风电场已运行的第一时间长度大于第一时间阈值，并且，所述第一训练数据的数据量大于第一数量阈值，所述目标风电场是指新建、扩容或者改建的风电场，所述目标风电场已运行的第二时间长度小于第二时间阈值，并且，所述第二训练数据的数据量小于第二数量阈值，所述第一时间阈值大于所述第二时间阈值，所述第一数量阈值大于所述第二数量阈值；
所述源风电场的数量为多个，所述第一训练数据包括多个源风电场分别对应的第一实测天气预报数据和第一风电功率实测数据；
所述预训练模块，包括：
第一处理单元，用于利用所述预设网络，对每个源风电场的第一实测天气预报数据进行处理，得到每个源风电场的第一风电功率预测数据；
第一计算单元，用于基于每个源风电场的所述第一风电功率预测数据和所述第一风电功率实测数据，计算所述预设网络的平均预测误差；
第一确定单元，用于根据所述平均预测误差，确定所述预设网络的平均参数梯度；
第一参数更新单元，用于基于所述平均参数梯度，对所述预设网络的进行参数更新，得到所述风电功率预测元模型。
10.一种电子设备，其特征在于，包括：
处理器；
存储器，用于存储可执行指令；
其中，所述处理器用于从所述存储器中读取所述可执行指令，并执行所述可执行指令以实现上述权利要求1-2或者3-7中任一项所述的方法。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述存储介质存储有计算机程序，当所述计算机程序被处理器执行时，使得处理器实现上述权利要求1-2或者3-7中任一项所述的方法。
CN202310855055.XA 2023-07-13 2023-07-13 风电功率预测方法、模型训练方法、装置、设备及介质 Active CN116581756B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310855055.XA CN116581756B (zh) 2023-07-13 2023-07-13 风电功率预测方法、模型训练方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310855055.XA CN116581756B (zh) 2023-07-13 2023-07-13 风电功率预测方法、模型训练方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN116581756A CN116581756A (zh) 2023-08-11
CN116581756B true CN116581756B (zh) 2023-12-12

Family

ID=87534547

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310855055.XA Active CN116581756B (zh) 2023-07-13 2023-07-13 风电功率预测方法、模型训练方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN116581756B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117559519A (zh) * 2023-10-31 2024-02-13 北京瑞科同创能源科技有限公司 风电场功率数据预测方法及装置、电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348292A (zh) * 2021-01-07 2021-02-09 中国电力科学研究院有限公司 一种基于深度学习网络的短期风电功率预测方法和系统
CN114819385A (zh) * 2022-05-16 2022-07-29 青岛绿色发展研究院有限公司 风电功率预测方法、装置、电子设备及存储介质
WO2023093010A1 (zh) * 2021-11-26 2023-06-01 中国华能集团清洁能源技术研究院有限公司 基于深度学习融合模型的风电功率预测方法及设备
CN116388148A (zh) * 2022-12-19 2023-07-04 华北电力大学 风电功率预测方法、装置、设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348292A (zh) * 2021-01-07 2021-02-09 中国电力科学研究院有限公司 一种基于深度学习网络的短期风电功率预测方法和系统
WO2023093010A1 (zh) * 2021-11-26 2023-06-01 中国华能集团清洁能源技术研究院有限公司 基于深度学习融合模型的风电功率预测方法及设备
CN114819385A (zh) * 2022-05-16 2022-07-29 青岛绿色发展研究院有限公司 风电功率预测方法、装置、电子设备及存储介质
CN116388148A (zh) * 2022-12-19 2023-07-04 华北电力大学 风电功率预测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN116581756A (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
CN111784041B (zh) 一种基于图卷积神经网络的风电功率预测方法及系统
CN112285807B (zh) 一种气象信息预测方法及装置
CN106709588B (zh) 预测模型构建方法和设备以及实时预测方法和设备
CN116581756B (zh) 风电功率预测方法、模型训练方法、装置、设备及介质
CN103383451B (zh) 基于恒边长梯度加权图切的优化雷达微弱目标检测方法
CN112417752B (zh) 基于卷积lstm神经网络的云层轨迹预测方法及系统
CN116306798A (zh) 一种超短时风速预测方法及系统
CN117407797B (zh) 基于增量学习的设备故障诊断方法及模型的构建方法
CN117131974A (zh) 一种模型的训练方法、功率预测方法及设备
CN112819199A (zh) 降水量的预测方法、装置、设备和存储介质
Zhai et al. A degradation fault prognostic method of radar transmitter combining multivariate long short-term memory network and multivariate Gaussian distribution
Han et al. Fengwu-ghr: Learning the kilometer-scale medium-range global weather forecasting
CN116777109A (zh) 风力发电机组设备状态评估方法及系统
CN115622029A (zh) 输电线路覆冰负荷预测方法、装置、存储介质和设备
CN115359310A (zh) 一种基于ConvLSTM和条件随机场的SIC预测方法及系统
CN115618714A (zh) 一种太阳辐射概率预报方法及相关设备
CN112733728A (zh) 一种能见度边缘计算方法、装置、电子设备及存储介质
CN109800923B (zh) 一种分散式风力发电短期功率组合预测方法
CN117271959B (zh) 一种pm2.5浓度预测结果的不确定性评估方法及设备
CN117150975B (zh) 一种水动力模型参数优化、水动力过程模拟方法及装置
CN113272813A (zh) 定制数据流硬件模拟仿真方法、装置、设备及存储介质
CN111310960A (zh) 一种能源消耗预测方法及装置
CN116822658B (zh) 一种风光资源的预警方法、装置、计算机设备及存储介质
CN117200187A (zh) 光伏功率预测方法、模型训练方法、装置、设备及介质
CN117784282A (zh) 风光电站的天气预报数据预测方法、装置、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
GR01 Patent grant
GR01 Patent grant