CN116663739A - 一种复杂地形风机出力预测方法、系统、设备和储存介质 - Google Patents

一种复杂地形风机出力预测方法、系统、设备和储存介质 Download PDF

Info

Publication number
CN116663739A
CN116663739A CN202310688241.9A CN202310688241A CN116663739A CN 116663739 A CN116663739 A CN 116663739A CN 202310688241 A CN202310688241 A CN 202310688241A CN 116663739 A CN116663739 A CN 116663739A
Authority
CN
China
Prior art keywords
data
fan
prediction
feature
neural network
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.)
Pending
Application number
CN202310688241.9A
Other languages
English (en)
Inventor
刘洋
谢平平
杨银国
陆秋瑜
吴国炳
林英明
戴月
闫斌杰
李力
廖鹏
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.)
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center of Guangdong 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 Guangdong Power Grid Co Ltd, Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202310688241.9A priority Critical patent/CN116663739A/zh
Publication of CN116663739A publication Critical patent/CN116663739A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • 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

Landscapes

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

Abstract

本发明提供了一种复杂地形风机出力预测方法、系统、设备和储存介质，该方法包括：获取复杂地形风机气象及表象数据，获取复杂地形风机的内部控制参数数据；将气象及表象数据输入至预设的MobileNet V3卷积神经网络中，以使卷积神经网络对风机出力进行预测，获取第一预测结果；将内部控制参数数据输入至预设的三维自关注多尺度特征融合网络中，以使三维自关注多尺度特征融合网络对风机出力进行预测，获取第二预测结果；将第一预测结果和第二预测结果输入至预设的深度神经网络中进行综合预测，获取复杂地形风机出力的综合预测结果。本方法考虑了风机控制器的参数，将控制器参数对风电出力的影响纳入考虑范围，可以使风电出力的预测更加准确。

Description

一种复杂地形风机出力预测方法、系统、设备和储存介质
技术领域
本发明涉及风电场出力预测技术领域，尤其是涉及一种复杂地形风机出力预测方法、系统、设备及存储介质。
背景技术
当前，针对风电出力的预测方法，主要有传统的物理模型方法和统计方法两大类。传统的物理模型预测方法是最早研究并使用的方法，其是根据测量的气象数据，模拟转换为风电场的风速。丹麦设计了世界上第一个风电出力预测系统Prediktor。因此，我国需要设计符合我国国情的风电预测系统。目前，我国已开发的物理模型预测方法有风电功率预测预报系统WINPOP。
然而，传统方法模型粗糙，精度较差；相反，以人工智能为代表的统计方法具有良好的学习和预测能力。为降低预测误差，开展了一系列基于人工智能的风电出力预测方法研究。人工智能方法有支持向量机、深度森林算法、人工神经网络、深度神经网络和卷积神经网络等。这些方法特点是将数据输入到算法模型中，然后该模型输出预测的风电出力结果。国外具有代表性的预测系统是欧盟设计的ANEMOS系统。在国内，中科院开发的WPFSVre1.0系统将物理方法、时间序列和神经网络相结合，具有不错的预测能力。但是，其在实际应用过程中并没有考虑风力发电机内部控制器参数本身对的风电场发电出力的影响，进而导致最终的预测结果不准确。
发明内容
本发明旨在提供一种复杂地形风机出力预测方法、系统、设备及存储介质，以解决上述技术问题，通过考虑风机控制器的参数，使控制器参数对风电出力的影响纳入考虑范围，从而使得风电出力的预测更加准确。
为了解决上述技术问题，本发明提供了一种复杂地形风机出力预测方法，包括以下步骤：
获取复杂地形风机气象及表象数据，获取复杂地形风机的内部控制参数数据；
将气象及表象数据输入至预设的MobileNet V3卷积神经网络中，以使卷积神经网络对风机出力进行预测，获取第一预测结果；
将内部控制参数数据输入至预设的三维自关注多尺度特征融合网络中，以使三维自关注多尺度特征融合网络对风机出力进行预测，获取第二预测结果；
将第一预测结果和第二预测结果输入至预设的深度神经网络中进行综合预测，获取复杂地形风机出力的综合预测结果。
上述方案中，针对气象及表象数据采用MobileNet V3卷积神经网络进行预测，针对内部控制参数数据采用三维自关注多尺度特征融合网络进行预测，再由深度神经网络根据MobileNet V3卷积神经网络和三维自关注多尺度特征融合网络的预测结果进行综合预测，获取综合预测结果。该方案考虑了风机控制器的参数，使控制器参数对风电出力的影响纳入考虑范围，可以使风电出力的预测更加准确。
进一步地，所述将气象及表象数据输入至预设的MobileNet V3卷积神经网络中，以使卷积神经网络对风机出力进行预测，获取第一预测结果，具体为：
将气象及表象数据转化为气象数据图片；
在MobileNet V3卷积神经网络中：
对气象数据图片做卷积操作，再经过逐通道卷积操作，获取原始特征图片；
对原始特征图片进行压缩，获取各通道权重值；
将各通道权重值与原始特征图片的对应通道矩阵相乘，获取修正特征图片；
对修正特征图片进行降维卷积并将降维结果与气象数据图片进行叠加，以完成卷积神经网络对风机出力的一次预测；
将预测结果作为输入MobileNet V3卷积神经网络，执行若干次预测，以使气象数据图片逐次减小，最终得到MobileNet V3卷积神经网络的预测数值，即得到第一预测结果。
进一步地，所述将内部控制参数数据输入至预设的三维自关注多尺度特征融合网络中，以使三维自关注多尺度特征融合网络对风机出力进行预测，获取第二预测结果，具体为：
对内部控制参数数据进行预处理，获取参数特征图；
在三维自关注多尺度特征融合网络中：
通过CBR模块对参数特征图进行处理，以增加图像数量，获取第一特征图；
通过多尺度特征融合模块获取第一特征图中各尺度的特征信息，得到第一特征图全部特征信息，并将第一特征图全部特征信息与第一特征图相加，得到第二特征图；
通过CBR模块对第二特征图进行处理，以增加图像数量，获取第三特征图；
通过多尺度特征融合模块和CBR模块依次对第三特征图进行处理，获取第四特征图；
通过3DCov_attention模块和CBR模块对第四特征图进行若干次处理，获取第五特征图；
对第五特征图进行展平操作，将其转化为一个一维向量，并通过两层全连接层进行处理，获取第二预测结果。
进一步地，在所述获取复杂地形风机气象及表象数据，获取复杂地形风机的内部控制参数数据中，所述气象及表象数据包括气象数据和表象数据；其中，所述气象数据包括气压数据、温度数据、湿度数据、风向数据、切入风速数据和切出风速数据；所述表象数据包括风机高度数据、半径数据、海拔数据、经度数据和纬度数据。
本发明提出了一种复杂地形风机出力预测系统，用于实现一种复杂地形风机出力预测方法，该系统包括：
数据获取模块，用于获取复杂地形风机气象及表象数据及获取复杂地形风机的内部控制参数数据；
第一预测模块，用于将气象及表象数据输入至预设的MobileNet V3卷积神经网络中，以使卷积神经网络对风机出力进行预测，获取第一预测结果；
第二预测模块，用于将内部控制参数数据输入至预设的三维自关注多尺度特征融合网络中，以使三维自关注多尺度特征融合网络对风机出力进行预测，获取第二预测结果；
综合预测模块，用于将第一预测结果和第二预测结果输入至预设的深度神经网络中进行综合预测，获取复杂地形风机出力的综合预测结果。
进一步地，在所述第一预测模块中，所述将气象及表象数据输入至预设的MobileNet V3卷积神经网络中，以使卷积神经网络对风机出力进行预测，获取第一预测结果，具体为：
将气象及表象数据转化为气象数据图片；
在MobileNet V3卷积神经网络中：
对气象数据图片做卷积操作，再经过逐通道卷积操作，获取原始特征图片；
对原始特征图片进行压缩，获取各通道权重值；
将各通道权重值与原始特征图片的对应通道矩阵相乘，获取修正特征图片；
对修正特征图片进行降维卷积并将降维结果与气象数据图片进行叠加，以完成卷积神经网络对风机出力的一次预测；
将预测结果作为输入MobileNet V3卷积神经网络，执行若干次预测，以使气象数据图片逐次减小，最终得到MobileNet V3卷积神经网络的预测数值，即得到第一预测结果。
进一步地，在所述第二预测模块中，所述将内部控制参数数据输入至预设的三维自关注多尺度特征融合网络中，以使三维自关注多尺度特征融合网络对风机出力进行预测，获取第二预测结果，具体为：
对内部控制参数数据进行预处理，获取参数特征图；
在三维自关注多尺度特征融合网络中：
通过CBR模块对参数特征图进行处理，以增加图像数量，获取第一特征图；
通过多尺度特征融合模块获取第一特征图中各尺度的特征信息，得到第一特征图全部特征信息，并将第一特征图全部特征信息与第一特征图相加，得到第二特征图；
通过CBR模块对第二特征图进行处理，以增加图像数量，获取第三特征图；
通过多尺度特征融合模块和CBR模块依次对第三特征图进行处理，获取第四特征图；
通过3DCov_attention模块和CBR模块对第四特征图进行若干次处理，获取第五特征图；
对第五特征图进行展平操作，将其转化为一个一维向量，并通过两层全连接层进行处理，获取第二预测结果。
进一步地，在所述数据获取模块中，所述获取复杂地形风机气象及表象数据，获取复杂地形风机的内部控制参数数据，具体为：所述气象及表象数据包括气象数据和表象数据；其中，所述气象数据包括气压数据、温度数据、湿度数据、风向数据、切入风速数据和切出风速数据；所述表象数据包括风机高度数据、半径数据、海拔数据、经度数据和纬度数据。
上述方案提供的系统，结构简单，实现方便，其针对气象及表象数据采用MobileNet V3卷积神经网络进行预测，针对内部控制参数数据采用三维自关注多尺度特征融合网络进行预测，再由深度神经网络根据MobileNet V3卷积神经网络和三维自关注多尺度特征融合网络的预测结果进行综合预测，获取综合预测结果。该方案考虑了风机控制器的参数，使控制器参数对风电出力的影响纳入考虑范围，可以使风电出力的预测更加准确。
本发明提供一种计算机终端设备，包括：一个或多个处理器；存储器，与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现所述的一种复杂地形风机出力预测方法。
本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种复杂地形风机出力预测方法。
附图说明
图1为本发明一实施例提供的一种复杂地形风机出力预测方法流程示意图；
图2为本发明一实施例提供的一种MobileNet V3卷积神经网络结构示意图；
图3为本发明一实施例提供的一种三维自关注多尺度特征融合网络架构示意图；
图4为本发明一实施例提供的一种复杂地形风机出力预测系统架构示意图。
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、完整的描述，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。
请参见图1，本实施例提供一种复杂地形风机出力预测方法，包括以下步骤：
S1：获取复杂地形风机气象及表象数据，获取复杂地形风机的内部控制参数数据；
S2：将气象及表象数据输入至预设的MobileNet V3卷积神经网络中，以使卷积神经网络对风机出力进行预测，获取第一预测结果；
S3：将内部控制参数数据输入至预设的三维自关注多尺度特征融合网络中，以使三维自关注多尺度特征融合网络对风机出力进行预测，获取第二预测结果；
S4：将第一预测结果和第二预测结果输入至预设的深度神经网络中进行综合预测，获取复杂地形风机出力的综合预测结果。
在本实施例中，针对气象及表象数据采用MobileNet V3卷积神经网络进行预测，针对内部控制参数数据采用三维自关注多尺度特征融合网络进行预测，再由深度神经网络根据MobileNet V3卷积神经网络和三维自关注多尺度特征融合网络的预测结果进行综合预测，获取综合预测结果。该方案考虑了风机控制器的参数，使控制器参数对风电出力的影响纳入考虑范围，可以使风电出力的预测更加准确。
进一步地，所述将气象及表象数据输入至预设的MobileNet V3卷积神经网络中，以使卷积神经网络对风机出力进行预测，获取第一预测结果，具体为：
将气象及表象数据转化为气象数据图片；
在MobileNet V3卷积神经网络中：
对气象数据图片做卷积操作，再经过逐通道卷积操作，获取原始特征图片；
对原始特征图片进行压缩，获取各通道权重值；
将各通道权重值与原始特征图片的对应通道矩阵相乘，获取修正特征图片；
对修正特征图片进行降维卷积并将降维结果与气象数据图片进行叠加，以完成卷积神经网络对风机出力的一次预测；
将预测结果作为输入MobileNet V3卷积神经网络，执行若干次预测，以使气象数据图片逐次减小，最终得到MobileNet V3卷积神经网络的预测数值，即得到第一预测结果。
进一步地，所述将内部控制参数数据输入至预设的三维自关注多尺度特征融合网络中，以使三维自关注多尺度特征融合网络对风机出力进行预测，获取第二预测结果，具体为：
对内部控制参数数据进行预处理，获取参数特征图；
在三维自关注多尺度特征融合网络中：
通过CBR模块对参数特征图进行处理，以增加图像数量，获取第一特征图；
通过多尺度特征融合模块获取第一特征图中各尺度的特征信息，得到第一特征图全部特征信息，并将第一特征图全部特征信息与第一特征图相加，得到第二特征图；
通过CBR模块对第二特征图进行处理，以增加图像数量，获取第三特征图；
通过多尺度特征融合模块和CBR模块依次对第三特征图进行处理，获取第四特征图；
通过3DCov_attention模块和CBR模块对第四特征图进行若干次处理，获取第五特征图；
对第五特征图进行展平操作，将其转化为一个一维向量，并通过两层全连接层进行处理，获取第二预测结果。
进一步地，在所述获取复杂地形风机气象及表象数据，获取复杂地形风机的内部控制参数数据中，所述气象及表象数据包括气象数据和表象数据；其中，所述气象数据包括气压数据、温度数据、湿度数据、风向数据、切入风速数据和切出风速数据；所述表象数据包括风机高度数据、半径数据、海拔数据、经度数据和纬度数据。
为了进一步说明本发明的技术过程，凸显其技术优势，本实施例提供一种复杂地形风机出力预测的具体应用过程，具体包括：
S1：获取复杂地形风机气象及表象数据，获取复杂地形风机的内部控制参数数据：每15分钟采集一次风电厂的气象数据、表象数据和内部控制器参数数据；气象数据为气压、温度、湿度、风向、切入风速和切出风速；表象数据为风机高度、半径、海拔、经度和纬度；以15分钟作为一个循环，将50年的历史数据按照一定顺序依次输入到2534×2534×3的矩阵中，即得到MobileNet V3卷积神经网络的输入图片。其中，2534×2534是图片的像素，3为3通道彩色图片，对应于图片的RGB值。将内部控制器的4组PID参数共12个数据，以15分钟为一个循环，依次将10年的数据输入至2050×2050×1的矩阵中，得到三维自关注多尺度特征融合网络的输入图片。其中，2050×2050是图片的像素，1为单通道黑白图片，图片的RGB值三者相同。
S2：将气象及表象数据输入至预设的MobileNet V3卷积神经网络中，以使卷积神经网络对风机出力进行预测，获取第一预测结果，具体可参见图2所示。MobileNet V3卷积神经网络接收到输入的数据2534×2534×3图片后，先对其做1×1的卷积操作，激活函数采用h-swish；通过升高维度以扩充通道数目，便于获取更多数据；其次，利用深度可分离卷积网络进行逐通道卷积，卷积核大小为3×3，卷积核的通道数为3，激活函数为h-swish；经过逐通道卷积后，得到特征图片；接着，先将特征图片压缩为1×1×3的特征向量，再利用两个全连接层得到各通道权重值；第一个全连接层的输入为1×1×3，神经元个数为3×ρ，输出为1×1×3×ρ，激活函数为Relu；其中，缩放因子ρ可以减少通道数量来减小运算量；第二个全连接层输入为1×1×3×ρ，神经元个数为3，输出为1×1×3，激活函数为hard-sigmoid；然后，将各通道权重和压缩前特征图的对应通道矩阵相乘，得修正后特征图片；接下来，对特征图片进行1×1的降维卷积，为减少信息丢失，采用线性激活函数f(x)＝x；最后，叠加原始图片和降维后的图片；经过多次上述过程，图片被越卷越小，最终得到MobileNet V3卷积神经网络的预测数值，即得到第一预测结果。
在本实施例中，针对外部测量数据而采用的MobileNet V3卷积神经网络，其具有以下优点：(1)倒残差结构的引入提高了信息使用率；(2)将线性激活函数应用于输出部分，减少信息损失；(3)大量1×1和3×3的卷积代替5×5的卷积，以及深度可分离卷积的使用，减少了参数量和运算成本；(4)注意力模块的引入重新调整了每个通道的权重。
S3：将内部控制参数数据输入至预设的三维自关注多尺度特征融合网络中，以使三维自关注多尺度特征融合网络对风机出力进行预测，获取第二预测结果，具体可参见图3所示。
首先，根据9×9的窗口和主成分分析方法，获得数个[9,9,96]的数据，然后扩展数据维度，得扩展后大小为[9,9,96,1]的特征图，接着将扩展后的特征图输入CBR模块，得大小为[9,9,96,8]的第一特征图F1。其中，CBR模块由三维卷积神经网络、BatchNorm和Relu构成，CBR中卷积核为3×3×3，步长为1×1×1，过滤器数量为8。接着，将第一特征图F1输入到多尺度特征融合模块中得各尺度的特征信息；该模块卷积核大小分别为1×1×1、3×3×3和5×5×5。在不同分支提取出不同的特征信息后，将获取的全部特征信息与F1相加，得到第二特征图F2，大小为[9,9,96,8]。然后，将第二特征图F2再次送入CBR模块以增加特征图数量；该CBR模块的卷积核大小为3×3×3，步长为1×1×1，过滤器数量为16，得到第三特征图F3，大小为[9,9,96,16]。将F3依次送入多尺度特征融合网络和CBR模块，该CBR模块的卷积核大小为1×1×1，步长为2×2×2，过滤器数量为32，得到第四特征图F4，大小为[5,5,48,32]。然后，通过3DCov_attention模块和CBR模块后，得到大小为[5,5,48,64]的第五特征图F5，该CBR模块的卷积核大小为1×1×1，步长为1×1×1，过滤器数量为64。然后，将特征图依次送入3DCov_attention模块和CBR模块，得到第六特征图F6，大小为[5,5,48,128]。接着，F6通过卷积核大小为1×1×1，步长为1×1×1，过滤器数量为192的CBR模块，得大小为[5,5,48,192]的第七特征图F7。接下来，将F7依次通过3DCov_attention模块和卷积核大小为1×1×1，步长为1×1×2，过滤器数量为256的CBR模块，得到第八特征图F8，为[3,3,12,256]。最后，通过展平操作，将F8转换为一个一维向量，并依次通过大小为256和128的全连接层，最终得到需要的预测结果，即二预测结果。
在本实施例中，针对控制器内部数据而采用的三维自关注多尺度特征融合网络，其具有以下优点：(1)该融合网络通过1×1×1、3×3×3和5×5×5的卷积核，实现不同维度上特征图的采样，能够将光谱和空间的特征加以融合；(2)该融合网络不仅对输入数据的上下文信息加以利用，还保留其局部特征；(3)该融合网络在提取局部特征的卷积映射基础上，结合能够全局依赖的自注意力机制，使该网络提取特征的能力进一步加强。
本实施例针对外部测量数据和控制器内部数据，采用不同的人工智能模型，并将数据分别输入到对应的人工智能模型当中加以预测，再将两个人工智能模型的预测结果进行深度综合，进而获得更加精准的预测结果。
请参见图4，本实施例提出了一种复杂地形风机出力预测系统，用于实现一种复杂地形风机出力预测方法，该系统包括：
数据获取模块，用于获取复杂地形风机气象及表象数据及获取复杂地形风机的内部控制参数数据；
第一预测模块，用于将气象及表象数据输入至预设的MobileNet V3卷积神经网络中，以使卷积神经网络对风机出力进行预测，获取第一预测结果；
第二预测模块，用于将内部控制参数数据输入至预设的三维自关注多尺度特征融合网络中，以使三维自关注多尺度特征融合网络对风机出力进行预测，获取第二预测结果；
综合预测模块，用于将第一预测结果和第二预测结果输入至预设的深度神经网络中进行综合预测，获取复杂地形风机出力的综合预测结果。
进一步地，在所述第一预测模块中，所述将气象及表象数据输入至预设的MobileNet V3卷积神经网络中，以使卷积神经网络对风机出力进行预测，获取第一预测结果，具体为：
将气象及表象数据转化为气象数据图片；
在MobileNet V3卷积神经网络中：
对气象数据图片做卷积操作，再经过逐通道卷积操作，获取原始特征图片；
对原始特征图片进行压缩，获取各通道权重值；
将各通道权重值与原始特征图片的对应通道矩阵相乘，获取修正特征图片；
对修正特征图片进行降维卷积并将降维结果与气象数据图片进行叠加，以完成卷积神经网络对风机出力的一次预测；
将预测结果作为输入MobileNet V3卷积神经网络，执行若干次预测，以使气象数据图片逐次减小，最终得到MobileNet V3卷积神经网络的预测数值，即得到第一预测结果。
进一步地，在所述第二预测模块中，所述将内部控制参数数据输入至预设的三维自关注多尺度特征融合网络中，以使三维自关注多尺度特征融合网络对风机出力进行预测，获取第二预测结果，具体为：
对内部控制参数数据进行预处理，获取参数特征图；
在三维自关注多尺度特征融合网络中：
通过CBR模块对参数特征图进行处理，以增加图像数量，获取第一特征图；
通过多尺度特征融合模块获取第一特征图中各尺度的特征信息，得到第一特征图全部特征信息，并将第一特征图全部特征信息与第一特征图相加，得到第二特征图；
通过CBR模块对第二特征图进行处理，以增加图像数量，获取第三特征图；
通过多尺度特征融合模块和CBR模块依次对第三特征图进行处理，获取第四特征图；
通过3DCov_attention模块和CBR模块对第四特征图进行若干次处理，获取第五特征图；
对第五特征图进行展平操作，将其转化为一个一维向量，并通过两层全连接层进行处理，获取第二预测结果。
进一步地，在所述数据获取模块中，所述获取复杂地形风机气象及表象数据，获取复杂地形风机的内部控制参数数据，具体为：所述气象及表象数据包括气象数据和表象数据；其中，所述气象数据包括气压数据、温度数据、湿度数据、风向数据、切入风速数据和切出风速数据；所述表象数据包括风机高度数据、半径数据、海拔数据、经度数据和纬度数据。
上述方案提供的系统，结构简单，实现方便，其针对气象及表象数据采用MobileNet V3卷积神经网络进行预测，针对内部控制参数数据采用三维自关注多尺度特征融合网络进行预测，再由深度神经网络根据MobileNet V3卷积神经网络和三维自关注多尺度特征融合网络的预测结果进行综合预测，获取综合预测结果。该方案考虑了风机控制器的参数，使控制器参数对风电出力的影响纳入考虑范围，可以使风电出力的预测更加准确。
本实施例提供的系统，结构简单，实现方便，其针对气象及表象数据采用MobileNet V3卷积神经网络进行预测，针对内部控制参数数据采用三维自关注多尺度特征融合网络进行预测，再由深度神经网络根据MobileNet V3卷积神经网络和三维自关注多尺度特征融合网络的预测结果进行综合预测，获取综合预测结果。该方案考虑了风机控制器的参数，使控制器参数对风电出力的影响纳入考虑范围，可以使风电出力的预测更加准确。
本发明提供一种计算机终端设备，包括：一个或多个处理器；存储器，与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现所述的一种复杂地形风机出力预测方法。
本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种复杂地形风机出力预测方法。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种复杂地形风机出力预测方法，其特征在于，包括以下步骤：
获取复杂地形风机气象及表象数据，获取复杂地形风机的内部控制参数数据；
将气象及表象数据输入至预设的MobileNet V3卷积神经网络中，以使卷积神经网络对风机出力进行预测，获取第一预测结果；
将内部控制参数数据输入至预设的三维自关注多尺度特征融合网络中，以使三维自关注多尺度特征融合网络对风机出力进行预测，获取第二预测结果；
将第一预测结果和第二预测结果输入至预设的深度神经网络中进行综合预测，获取复杂地形风机出力的综合预测结果。
2.根据权利要求1所述的一种复杂地形风机出力预测方法，其特征在于，所述将气象及表象数据输入至预设的MobileNet V3卷积神经网络中，以使卷积神经网络对风机出力进行预测，获取第一预测结果，具体为：
将气象及表象数据转化为气象数据图片；
在MobileNet V3卷积神经网络中：
对气象数据图片做卷积操作，再经过逐通道卷积操作，获取原始特征图片；
对原始特征图片进行压缩，获取各通道权重值；
将各通道权重值与原始特征图片的对应通道矩阵相乘，获取修正特征图片；
对修正特征图片进行降维卷积并将降维结果与气象数据图片进行叠加，以完成卷积神经网络对风机出力的一次预测；
将预测结果作为输入MobileNet V3卷积神经网络，执行若干次预测，以使气象数据图片逐次减小，最终得到MobileNet V3卷积神经网络的预测数值，即得到第一预测结果。
3.根据权利要求1所述的一种复杂地形风机出力预测方法，其特征在于，所述将内部控制参数数据输入至预设的三维自关注多尺度特征融合网络中，以使三维自关注多尺度特征融合网络对风机出力进行预测，获取第二预测结果，具体为：
对内部控制参数数据进行预处理，获取参数特征图；
在三维自关注多尺度特征融合网络中：
通过CBR模块对参数特征图进行处理，以增加图像数量，获取第一特征图；
通过多尺度特征融合模块获取第一特征图中各尺度的特征信息，得到第一特征图全部特征信息，并将第一特征图全部特征信息与第一特征图相加，得到第二特征图；
通过CBR模块对第二特征图进行处理，以增加图像数量，获取第三特征图；
通过多尺度特征融合模块和CBR模块依次对第三特征图进行处理，获取第四特征图；
通过3DCov_attention模块和CBR模块对第四特征图进行若干次处理，获取第五特征图；
对第五特征图进行展平操作，将其转化为一个一维向量，并通过两层全连接层进行处理，获取第二预测结果。
4.根据权利要求1～3任一项所述的一种复杂地形风机出力预测方法，其特征在于，在所述获取复杂地形风机气象及表象数据，获取复杂地形风机的内部控制参数数据中，所述气象及表象数据包括气象数据和表象数据；其中，所述气象数据包括气压数据、温度数据、湿度数据、风向数据、切入风速数据和切出风速数据；所述表象数据包括风机高度数据、半径数据、海拔数据、经度数据和纬度数据。
5.一种复杂地形风机出力预测系统，其特征在于，包括：
数据获取模块，用于获取复杂地形风机气象及表象数据及获取复杂地形风机的内部控制参数数据；
第一预测模块，用于将气象及表象数据输入至预设的MobileNet V3卷积神经网络中，以使卷积神经网络对风机出力进行预测，获取第一预测结果；
第二预测模块，用于将内部控制参数数据输入至预设的三维自关注多尺度特征融合网络中，以使三维自关注多尺度特征融合网络对风机出力进行预测，获取第二预测结果；
综合预测模块，用于将第一预测结果和第二预测结果输入至预设的深度神经网络中进行综合预测，获取复杂地形风机出力的综合预测结果。
6.根据权利要求5所述的一种复杂地形风机出力预测系统，其特征在于，在所述第一预测模块中，所述将气象及表象数据输入至预设的MobileNet V3卷积神经网络中，以使卷积神经网络对风机出力进行预测，获取第一预测结果，具体为：
将气象及表象数据转化为气象数据图片；
在MobileNet V3卷积神经网络中：
对气象数据图片做卷积操作，再经过逐通道卷积操作，获取原始特征图片；
对原始特征图片进行压缩，获取各通道权重值；
将各通道权重值与原始特征图片的对应通道矩阵相乘，获取修正特征图片；
对修正特征图片进行降维卷积并将降维结果与气象数据图片进行叠加，以完成卷积神经网络对风机出力的一次预测；
将预测结果作为输入MobileNet V3卷积神经网络，执行若干次预测，以使气象数据图片逐次减小，最终得到MobileNet V3卷积神经网络的预测数值，即得到第一预测结果。
7.根据权利要求5所述的一种复杂地形风机出力预测系统，其特征在于，在所述第二预测模块中，所述将内部控制参数数据输入至预设的三维自关注多尺度特征融合网络中，以使三维自关注多尺度特征融合网络对风机出力进行预测，获取第二预测结果，具体为：
对内部控制参数数据进行预处理，获取参数特征图；
在三维自关注多尺度特征融合网络中：
通过CBR模块对参数特征图进行处理，以增加图像数量，获取第一特征图；
通过多尺度特征融合模块获取第一特征图中各尺度的特征信息，得到第一特征图全部特征信息，并将第一特征图全部特征信息与第一特征图相加，得到第二特征图；
通过CBR模块对第二特征图进行处理，以增加图像数量，获取第三特征图；
通过多尺度特征融合模块和CBR模块依次对第三特征图进行处理，获取第四特征图；
通过3DCov_attention模块和CBR模块对第四特征图进行若干次处理，获取第五特征图；
对第五特征图进行展平操作，将其转化为一个一维向量，并通过两层全连接层进行处理，获取第二预测结果。
8.根据权利要求5～7任一项所述的一种复杂地形风机出力预测系统，其特征在于，在所述数据获取模块中，所述获取复杂地形风机气象及表象数据，获取复杂地形风机的内部控制参数数据，具体为：所述气象及表象数据包括气象数据和表象数据；其中，所述气象数据包括气压数据、温度数据、湿度数据、风向数据、切入风速数据和切出风速数据；所述表象数据包括风机高度数据、半径数据、海拔数据、经度数据和纬度数据。
9.一种计算机终端设备，其特征在于，包括：
一个或多个处理器；
存储器，与所述处理器耦接，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至4任一项所述的一种复杂地形风机出力预测方法。
10.一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，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的一种复杂地形风机出力预测方法。
CN202310688241.9A 2023-06-09 2023-06-09 一种复杂地形风机出力预测方法、系统、设备和储存介质 Pending CN116663739A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310688241.9A CN116663739A (zh) 2023-06-09 2023-06-09 一种复杂地形风机出力预测方法、系统、设备和储存介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310688241.9A CN116663739A (zh) 2023-06-09 2023-06-09 一种复杂地形风机出力预测方法、系统、设备和储存介质

Publications (1)

Publication Number Publication Date
CN116663739A true CN116663739A (zh) 2023-08-29

Family

ID=87727729

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310688241.9A Pending CN116663739A (zh) 2023-06-09 2023-06-09 一种复杂地形风机出力预测方法、系统、设备和储存介质

Country Status (1)

Country Link
CN (1) CN116663739A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117424232A (zh) * 2023-12-19 2024-01-19 南京信息工程大学 一种基于三维气象数据多源融合的短期光伏功率预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117424232A (zh) * 2023-12-19 2024-01-19 南京信息工程大学 一种基于三维气象数据多源融合的短期光伏功率预测方法
CN117424232B (zh) * 2023-12-19 2024-03-19 南京信息工程大学 一种基于三维气象数据多源融合的短期光伏功率预测方法

Similar Documents

Publication Publication Date Title
CN111259898A (zh) 基于无人机航拍图像的农作物分割方法
CN110826693B (zh) 基于DenseNet卷积神经网络的三维大气温度廓线反演方法和系统
CN108897786A (zh) 应用程序的推荐方法、装置、存储介质及移动终端
CN115859816A (zh) 一种基于cnn-lstm算法的风功率分钟级预测方法及系统
CN113436184B (zh) 基于改进孪生网络的电力设备图像缺陷判别方法及系统
CN111723464A (zh) 一种基于遥感影像特征的台风椭圆型风场参数化模拟方法
CN116663739A (zh) 一种复杂地形风机出力预测方法、系统、设备和储存介质
CN112164005A (zh) 图像颜色校正方法、装置、设备及存储介质
CN112232328A (zh) 基于卷积神经网络的遥感影像建筑区提取方法、装置
CN115936177A (zh) 一种基于神经网络的光伏输出功率预测方法及系统
CN108133182B (zh) 一种基于云成像的新能源发电预测方法及装置
CN114373104A (zh) 一种基于动态聚合的三维点云语义分割方法及系统
CN116467946B (zh) 一种基于深度学习的模式预报产品降尺度方法
CN115690592B (zh) 图像处理方法和模型训练方法
CN116309225A (zh) 一种基于卷积神经网络的轻量化多光谱图像融合模型构建方法
CN114663307B (zh) 基于不确定性网络的集成图像去噪系统
CN116309213A (zh) 一种基于生成对抗网络的高实时多源图像融合方法
CN115620119A (zh) 一种天气类型图像检测及雾天图像处理方法及装置
CN112288694B (zh) 基于掩膜区域卷积神经网络的变电设备缺陷识别的方法
CN110838157B (zh) 一种应急突发场景专题图生成的方法及装置
CN117557775B (zh) 基于红外和可见光融合的变电站电力设备检测方法及系统
CN113609904B (zh) 一种基于动态全局信息建模和孪生网络的单目标跟踪算法
CN117765410B (zh) 遥感影像双分支特征融合固废识别方法、系统及电子设备
US12001938B2 (en) Convolutional neural network for estimating a solar energy production indicator
CN117496162B (zh) 一种红外卫星遥感影像薄云去除方法、装置及介质

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