CN117013534B - 发电功率预测方法、功率预测模型训练方法、装置和设备 - Google Patents
发电功率预测方法、功率预测模型训练方法、装置和设备 Download PDFInfo
- Publication number
- CN117013534B CN117013534B CN202311246716.5A CN202311246716A CN117013534B CN 117013534 B CN117013534 B CN 117013534B CN 202311246716 A CN202311246716 A CN 202311246716A CN 117013534 B CN117013534 B CN 117013534B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- feature
- data
- training
- power
- 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 589
- 238000010248 power generation Methods 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 115
- 238000007499 fusion processing Methods 0.000 claims abstract description 70
- 238000000605 extraction Methods 0.000 claims description 211
- 230000004927 fusion Effects 0.000 claims description 162
- 238000012360 testing method Methods 0.000 claims description 104
- 238000012216 screening Methods 0.000 claims description 95
- 238000012545 processing Methods 0.000 claims description 86
- 230000015654 memory Effects 0.000 claims description 31
- 230000002123 temporal effect Effects 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 21
- 239000000284 extract Substances 0.000 description 18
- 230000008569 process Effects 0.000 description 14
- 230000000694 effects Effects 0.000 description 9
- 239000013598 vector Substances 0.000 description 9
- 230000008901 benefit Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011049 filling Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
-
- 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
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Power Engineering (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种发电功率预测方法、功率预测模型训练方法、装置和设备,方法包括:获取与目标发电机组发电功率相关的时序数据和非时序数据,并将时序数据和非时序数据输入至预设功率预测模型中。进一步地,通过预设功率预测模型提取时序数据的时序特征以及非时序数据的非时序特征,并对时序特征和非时序特征进行融合处理,以输出目标发电机组的发电功率预测数据。相对于相关技术中的预测模型,本申请实施例的预设功率预测模型的功率预测准确性更高。
Description
技术领域
本申请涉及电力系统技术领域,尤其涉及一种发电功率预测方法、功率预测模型训练方法、装置和设备。
背景技术
随着技术发展,越来越多的电子设备需要使用电能,人们对电能的需求也越来越大。通常情况下,可以通过使用可再生能源(例如,水能、太阳能、风能、地热能、海洋能等)进行发电。其中,对于发电过程中的功率预测是至关重要的。
相关技术中,采用预测模型对发电机组的发电功率进行预测,但是相关技术中的功率预测的准确性较低。
发明内容
鉴于上述问题,本申请提供一种发电功率预测方法、功率预测模型训练方法、装置和设备,能够解决相关技术中功率预测的准确性较低的问题。
第一方面,本申请提供了一种发电功率预测方法,方法包括:
获取与目标发电机组发电功率相关的时序数据和非时序数据;其中,所述时序数据用于指示与所述目标发电机组发电功率相关的时间序列数据,所述非时序数据用于指示与所述目标发电机组发电功率相关的非时间序列数据;
将时序数据和非时序数据输入至预设功率预测模型中;
通过预设功率预测模型提取时序数据的时序特征以及非时序数据的非时序特征,并对时序特征和非时序特征进行融合处理,以输出目标发电机组的发电功率预测数据。
本申请实施例的技术方案中,一方面通过基于与目标发电机组发电功率相关的时序数据和非时序数据进行功率预测的方式,其参考信息更加全面,从而有利于提高功率预测的准确性。另一方面,本申请实施例中通过预设功率预测模型提取时序数据的时序特征以及非时序数据的非时序特征,并对时序特征和非时序特征进行融合处理的方式,有利于得到准确性更高的高阶特征,以便于基于高阶特征进行功率预测可以得到准确性更高的发电功率预测数据。因此,相对于相关技术中的预测模型,本申请实施例的预设功率预测模型的功率预测准确性更高。
在一些实施例中,通过预设功率预测模型提取时序数据的时序特征以及非时序数据的非时序特征,并对时序特征和非时序特征进行融合处理,以输出目标发电机组的发电功率预测数据,包括:
通过预设功率预测模型提取时序数据的多个时序特征,并通过预设功率预测模型提取非时序数据的非时序特征;其中,各时序特征对应的时间步长不同;
对多个时序特征的一部分时序特征进行融合处理,得到第一功率特征;
对多个时序特征的另一部分时序特征和非时序特征进行融合处理,得到第二功率特征;
对第一功率特征和第二功率特征进行融合处理得到目标特征,并基于目标特征输出目标发电机组的发电功率预测数据。
本申请实施例的技术方案中,通过对多个时序特征和非时序特征进行融合处理的方式,可以得到准确性更高的高阶的功率特征。进一步地,通过对高阶的第一功率特征和第二功率特征进行深度融合处理的方式,可以进一步地得到准确性更高的高阶的目标特征,以便于根据准确性更高的高阶的目标特征可以进行更加准确的功率预测,从而可以提高功率预测模型的准确性和鲁棒性。
在一些实施例中,预设功率预测模型包括时序特征提取网络,时序特征提取网络包括第一时序特征提取层、第二时序特征提取层和第三时序特征提取层,通过预设功率预测模型提取时序数据的多个时序特征,包括:
通过第一时序特征提取层提取时序数据的第一时序特征;
通过第二时序特征提取层提取时序数据的第二时序特征;
通过第三时序特征提取层提取时序数据的第三时序特征;
其中,第一时序特征、第二时序特征以及第三时序特征对应的时间步长不同。
本申请实施例的技术方案中,与目标发电机组发电功率相关的时序数据经过时序特征提取网络中的时序特征提取层可以自动地分离出长时间序列特征、中时间序列特征和短时间序列特征,以便于后续对不同时间步长的时间序列特征进行融合处理,可以得到准确性更高的高阶特征。
在一些实施例中,预设功率预测模型包括非时序特征提取网络,通过预设功率预测模型提取非时序数据的非时序特征,包括:
通过非时序特征提取网络提取非时序数据的非时序特征。
在一些实施例中,预设功率预测模型包括第一特征融合网络,对多个时序特征的一部分时序特征进行融合处理,得到第一功率特征,包括:
将第一时序特征和第二时序特征输入至第一特征融合网络,得到第一特征融合网络输出的第一功率特征。
本申请实施例的技术方案中,通过第一特征融合网络可以对第一时序特征和第二时序特征进行融合处理的方式,可以充分挖掘第一时序特征和第二时序特征的强关联性,从而可以得到准确性更高的高阶的第一功率特征,以便于可以根据高阶的第一功率特征进行更加准确的功率预测。
在一些实施例中,第一特征融合网络包括第一时序特征筛选层、第二时序特征筛选层、第一合并层、融合特征提取层,将第一时序特征和第二时序特征输入至第一特征融合网络,得到第一特征融合网络输出的第一功率特征,包括:
将第一时序特征输入至第一时序特征筛选层,得到第一时序特征筛选层输出的第一目标时序特征;
将第二时序特征输入至第二时序特征筛选层,得到第二时序特征筛选层输出的第二目标时序特征;
将第一目标时序特征和第二目标时序特征输入至第一合并层,得到第一合并层输出的融合时序特征;
将融合时序特征输入至融合特征提取层,得到融合特征提取层输出的第一功率特征。
本申请实施例的技术方案中,通过将部分时序特征分别输入对应的时序特征筛选层得到更高阶的目标时序特征;进一步地,通过对更高阶的目标时序特征进行特征拼接处理得到融合时序特征,并根据融合时序特征进行特征提取可以得到更丰富的高阶特征,以便于可以根据更丰富的高阶特征进行更加准确的功率预测。
在一些实施例中,预设功率预测模型还包括第二特征融合网络,对多个时序特征的另一部分时序特征和非时序特征进行融合处理,得到第二功率特征,包括:
将第三时序特征和非时序特征输入至第二特征融合网络,得到第二特征融合网络输出的第二功率特征。
本申请实施例的技术方案中,通过第二特征融合网络可以对第三时序特征和非时序特征进行融合处理的方式,可以充分挖掘非时序特征与第三时序特征的强关联性,从而可以得到准确性更高的高阶的第二功率特征,以便于可以根据高阶的第二功率特征进行更加准确的功率预测。
在一些实施例中,第二特征融合网络包括第三时序特征筛选层、第二合并层、混合特征提取层,将第三时序特征和非时序特征输入至第二特征融合网络,得到第二特征融合网络输出的第二功率特征,包括:
将第三时序特征输入至第三时序特征筛选层,得到第三时序特征筛选层输出的第三目标时序特征;
将第三目标时序特征和非时序特征输入至第二合并层,得到第二合并层输出的混合特征;
将混合特征输入至混合特征提取层,得到混合特征提取层输出的第二功率特征。
本申请实施例的技术方案中,通过将更高阶的第三目标时序特征和非时序特征进行特征拼接处理得到混合特征,并根据混合特征进行特征提取可以得到更丰富的高阶特征,以便于可以根据更丰富的高阶特征进行更加准确的功率预测。
在一些实施例中,预设功率预测模型包括第三合并层和回归器,对第一功率特征和第二功率特征进行融合处理得到目标特征,并基于目标特征输出目标发电机组的发电功率预测数据,包括:
将第一功率特征和第二功率特征输入至第三合并层,得到第三合并层输出的目标功率特征;
将目标功率特征输入至回归器,得到回归器输出的发电功率预测数据。
本申请实施例的技术方案中,通过对高阶的第一功率特征和第二功率特征进行深度融合处理的方式,可以进一步地得到准确性更高的高阶的目标特征,从而有利于可以进一步地提高功率预测模型的准确性和鲁棒性。
在一些实施例中,非时序数据包括:目标发电机组的状态数据,和/或,目标发电机组的约束数据;其中,状态数据用于指示目标发电机组是否运行;约束数据用于指示目标发电机组的输出功率阈值范围;
时序数据包括:目标发电机组的天气数据,和/或,目标发电机组的运行数据。
本申请实施例的技术方案中,在时序数据的基础上,还进一步地结合约束数据和/或状态数据等非时序数据进行功率预测。可见,本申请实施例中用于功率预测的参考信息更加全面,从而有利于提高功率预测的准确性。另外,本申请实施例中在功率预测的过程中还进一步地考虑了目标发电机组的约束数据,通过提取目标发电机组的约束数据对应的约束特征,使用深度学习模型用于挖掘约束数据对功率预测结果的影响,实现了将约束数据与发电功率预测数据之间建立关联,可以为发电功率预测数据更加贴近目标发电机组在实际运行中的实际发电功率提供相应的支撑,从而使得发电功率预测数据更贴近实际发电功率。
在一些实施例中,获取与目标发电机组发电功率相关的时序数据和非时序数据,包括:
获取目标发电机组的原始时序数据和原始非时序数据;
分别对原始时序数据和原始非时序数据进行数据处理,得到目标发电机组的时序数据和非时序数据。
本申请实施例的技术方案中,通过获取目标发电机组的原始时序数据和原始非时序数据,并分别对原始时序数据和原始非时序数据进行数据处理,可以得到符合预设功率预测模型输入要求的目标发电机组的时序数据和非时序数据,以便于可以根据目标发电机组的时序数据和非时序数据采用预设功率预测模型进行功率预测,有利于提高功率预测模型的预测效率。
在一些实施例中,分别对原始时序数据和原始非时序数据进行数据处理,得到目标发电机组的时序数据和非时序数据,包括:
分别对原始时序数据和原始非时序数进行数据预处理,得到处理后的原始时序数据和处理后的原始非时序数;
分别对处理后的原始时序数据和处理后的原始非时序数进行特征工程处理,得到时序数据和非时序数据。
第二方面,本申请提供了一种功率预测模型训练方法,方法包括:
获取多个训练样本和与各训练样本对应的训练标签,其中,训练样本包括:与发电机组发电功率相关的时序训练数据和非时序训练数据,训练样本对应的训练标签包括发电机组的历史发电功率;
根据多个训练样本和与各训练样本对应的训练标签,对初始功率预测模型进行训练,得到预设功率预测模型;
其中,预设功率预测模型用于提取与目标发电机组发电功率相关的时序数据的时序特征以及非时序数据的非时序特征,并对时序特征和非时序特征进行融合处理,以输出目标发电机组的发电功率预测数据;所述时序数据用于指示与所述目标发电机组发电功率相关的时间序列数据,所述非时序数据用于指示与所述目标发电机组发电功率相关的非时间序列数据。
本申请实施例的技术方案中,训练样本包括与发电机组发电功率相关的时序训练数据和非时序训练数据,其训练数据的参考信息更加全面,从而有利于提高功率预测模型的准确性。另外,相对于相关技术中需要训练不同模式下的多个预测模型,本申请实施例只需训练出一个预设功率预测模型,便可以适用于不同发电场景中的不同发电机组,从而可以节省模型训练的时间成本和硬件资源开销。
在一些实施例中,根据多个训练样本和与各训练样本对应的训练标签,对初始功率预测模型进行训练,得到预设功率预测模型,包括:
将训练样本中的时序训练数据和非时序训练数据输入至初始功率预测模型,得到初始功率预测模型输出的训练样本对应的发电机组的发电功率预测数据;
根据训练样本对应的训练标签与发电机组的发电功率预测数据调整初始功率预测模型中的参数,得到更新后的初始功率预测模型;
将多个训练样本中的其他训练样本作为更新后的训练样本,返回执行将训练样本中的时序训练数据和非时序训练数据输入至初始功率预测模型的步骤,并持续执行,直至满足训练结束条件时,将更新后的初始功率预测模型作为预设功率预测模型。
在一些实施例中得到初始功率预测模型输出的训练样本对应的发电机组的发电功率预测数据,包括:
通过初始功率预测模型提取时序训练数据的时序训练特征以及非时序训练数据的非时序训练特征,并对时序训练特征和非时序训练特征进行融合处理,以输出发电机组的发电功率预测数据。
在一些实施例中,通过初始功率预测模型提取时序训练数据的时序训练特征以及非时序训练数据的非时序训练特征,并对时序训练特征和非时序训练特征进行融合处理,以输出发电机组的发电功率预测数据,包括:
通过初始功率预测模型提取时序训练数据的多个时序训练特征,并通过初始功率预测模型提取非时序训练数据的非时序训练特征;其中,各时序训练特征对应的时间步长不同;
对多个时序训练特征的一部分时序训练特征进行融合处理,得到第一训练功率特征;
对多个时序训练特征的另一部分时序训练特征和非时序训练特征进行融合处理,得到第二训练功率特征;
对第一训练功率特征和第二训练功率特征进行融合处理得到目标训练功率特征,并基于目标训练特征输出发电机组的发电功率预测数据。
在一些实施例中,初始功率预测模型包括时序训练特征提取网络,时序训练特征提取网络包括第一时序特征提取层、第二时序特征提取层和第三时序特征提取层,通过初始功率预测模型提取时序训练数据的多个时序训练特征,包括:
通过第一时序特征提取层提取时序训练数据的第一时序训练特征;
通过第二时序特征提取层提取时序训练数据的第二时序训练特征;
通过第三时序特征提取层提取时序训练数据的第三时序训练特征;
其中,第一时序训练特征、第二时序训练特征以及第三时序训练特征对应的时间步长不同。
在一些实施例中,初始功率预测模型包括非时序特征提取网络,通过初始功率预测模型提取非时序训练数据的非时序训练特征,包括:
通过非时序特征提取网络提取非时序训练数据的非时序训练特征。
在一些实施例中,初始功率预测模型包括第一特征融合网络,对多个时序训练特征的一部分时序训练特征进行融合处理,得到第一训练功率特征,包括:
将第一时序训练特征和第二时序训练特征输入至第一特征融合网络,得到第一特征融合网络输出的第一训练功率特征。
在一些实施例中,第一特征融合网络包括第一时序特征筛选层、第二时序特征筛选层、第一合并层、融合特征提取层,将第一时序训练特征和第二时序训练特征输入至第一特征融合网络,得到第一特征融合网络输出的第一训练功率特征,包括:
将第一时序训练特征输入至第一时序特征筛选层,得到第一时序特征筛选层输出的第一目标时序训练特征;
将第二时序训练特征输入至第二时序特征筛选层,得到第二时序特征筛选层输出的第二目标时序训练特征;
将第一目标时序训练特征和第二目标时序训练特征输入至第一合并层,得到第一合并层输出的融合时序训练特征;
将融合时序训练特征输入至融合特征提取层,得到融合特征提取层输出的第一训练功率特征。
在一些实施例中,初始功率预测模型还包括第二特征融合网络,对多个时序训练特征的另一部分时序训练特征和非时序训练特征进行融合处理,得到第二训练功率特征,包括:
将第三时序训练特征和非时序训练特征输入至第二特征融合网络,得到第二特征融合网络输出的第二训练功率特征。
在一些实施例中,第二特征融合网络包括第三时序特征筛选层、第二合并层、混合特征提取层,将第三时序训练特征和非时序训练特征输入至第二特征融合网络,得到第二特征融合网络输出的第二训练功率特征,包括:
将第三时序训练特征输入至第三时序特征筛选层,得到第三时序特征筛选层输出的第三目标时序训练特征;
将第三目标时序训练特征和非时序训练特征输入至第二合并层,得到第二合并层输出的混合训练特征;
将混合训练特征输入至混合特征提取层,得到混合特征提取层输出的第二训练功率特征。
在一些实施例中,初始功率预测模型包括第三合并层和回归器,对第一训练功率特征和第二训练功率特征进行融合处理,得到目标训练功率特征,并基于目标训练特征输出发电机组的发电功率预测数据,包括:
将第一训练功率特征和第二训练功率特征输入至第三合并层,得到第三合并层输出的目标训练功率特征;
将目标训练功率特征输入至回归器,得到回归器输出的发电功率预测数据。
在一些实施例中,训练样本中的非时序训练数据包括:训练样本对应的发电机组的历史状态数据,和/或,发电机组的历史约束数据;其中,历史状态数据用于指示发电机组历史是否运行;历史约束数据用于指示发电机组的历史输出功率阈值范围;
时序训练数据包括:发电机组的历史天气数据,和/或,发电机组的历史运行数据。
在一些实施例中,训练样本包括发电机组对应的时序训练数据和非时序训练数据,获取多个训练样本,包括:
获取多个发电机组分别对应的历史时序数据和历史非时序数据;
对多个发电机组分别对应的历史时序数据和历史非时序数据进行数据处理,得到多个发电机组分别对应的时序训练数据和非时序训练数据。
在一些实施例中,对多个发电机组分别对应的历史时序数据和历史非时序数据进行数据处理,得到多个发电机组分别对应的时序数据和非时序数据,包括:
对多个发电机组分别对应的历史时序数据和历史非时序数据进行数据清洗处理,得到多个发电机组分别对应的清洗后的历史时序数据和历史非时序数据;
对多个发电机组分别对应的清洗后的历史时序数据和历史非时序数据进行数据预处理,得到多个发电机组分别对应的处理后的历史时序数据和历史非时序数据;
对多个发电机组分别对应的处理后的历史时序数据和历史非时序数据进行特征工程处理,得到多个发电机组分别对应的时序训练数据和非时序训练数据。
在一些实施例中,方法还包括:
获取多个测试样本和与各测试样本对应的测试标签,其中,测试样本包括:与发电机组发电功率相关的时序测试数据和非时序测试数据,测试样本对应的测试标签包括发电机组的历史发电功率;
根据多个测试样本和与各测试样本对应的测试标签,对预设功率预测模型进行测试;
若测试结果满足预设测试要求,则确定预设功率预测模型满足预设预测要求。
第三方面,本申请提供了一种发电功率预测装置,装置包括:
获取模块,用于获取与目标发电机组发电功率相关的时序数据和非时序数据;其中,所述时序数据用于指示与所述目标发电机组发电功率相关的时间序列数据,所述非时序数据用于指示与所述目标发电机组发电功率相关的非时间序列数据;
输入模块,用于将时序数据和非时序数据输入至预设功率预测模型中;
预测模块,用于通过预设功率预测模型提取时序数据的时序特征以及非时序数据的非时序特征,并对时序特征和非时序特征进行融合处理,以输出目标发电机组的发电功率预测数据。
第四方面,本申请提供了一种功率预测模型训练装置,装置包括:
获取模块,用于获取多个训练样本和与各训练样本对应的训练标签,其中,训练样本包括:与发电机组发电功率相关的时序数据和非时序数据,训练样本对应的训练标签包括发电机组的历史发电功率;
训练模块,用于根据多个训练样本和与各训练样本对应的训练标签,对初始功率预测模型进行训练,得到预设功率预测模型;
其中,预设功率预测模型用于提取与目标发电机组发电功率相关的时序数据的时序特征以及非时序数据的非时序特征,并对时序特征和非时序特征进行融合处理,以输出目标发电机组的发电功率预测数据;所述时序数据用于指示与所述目标发电机组发电功率相关的时间序列数据,所述非时序数据用于指示与所述目标发电机组发电功率相关的非时间序列数据。
第五方面,本申请提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述发电功率预测方法实施例或者上述功率预测模型训练方法实施例中的步骤。
第六方面,本申请提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述发电功率预测方法实施例或者上述功率预测模型训练方法实施例中的步骤。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
通过阅读对下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。而且在全部附图中,用相同的附图标号表示相同的部件。在附图中:
图1为本申请一些实施例提供的发电功率预测方法的流程示意图;
图2为本申请另一些实施例提供的发电功率预测方法的流程示意图;
图3为本申请实施例提供的时序特征提取网络的结构示意图;
图4为本申请实施例提供的预设功率预测模型的结构示意图一;
图5为本申请实施例提供的第一特征融合网络的结构示意图;
图6为本申请实施例提供的第二特征融合网络的结构示意图;
图7为本申请实施例提供的高效变换器模型Informer模型的结构示意图;
图8为本申请另一些实施例提供的发电功率预测方法的流程示意图;
图9为本申请实施例提供的预设功率预测模型的结构示意图二;
图10为本申请一些实施例提供的功率预测模型训练方法的流程示意图;
图11为本申请另一些实施例提供的功率预测模型训练方法的流程示意图;
图12为本申请另一些实施例提供的功率预测模型训练方法的流程示意图;
图13为本申请另一些实施例提供的功率预测模型训练方法的流程示意图;
图14为本申请另一些实施例提供的功率预测模型训练方法的流程示意图;
图15为本申请一些实施例提供的功率预测模型的框架示意图;
图16为本申请一些实施例提供的发电功率预测装置的结构示意图;
图17为本申请一些实施例提供的功率预测模型训练装置的结构示意图;
图18为本申请一些实施例中计算机设备的结构示意图。
具体实施方式
下面将结合附图对本申请技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本申请的技术方案,因此只作为示例,而不能以此来限制本申请的保护范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”以及它的任何变形,意图在于覆盖不排他的包含。
在本申请实施例的描述中,技术术语“第一”“第二”等仅用于区别不同对象,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本申请实施例的描述中,“多个”的含义是两个以上(包括两个),除非另有明确具体的限定。
本申请实施例提供的发电功率预测方法、功率预测模型训练方法、装置和设备可以应用于光伏发电或者风力发电的功率预测应用场景;当然,还可以应用于其他类型的发电功率预测应用场景。
由于电力是一种不容易存储的资源,存储成本比较高,因此,一般都是按需发电,或者说按计划发电。其中,对于发电过程中发电机组的功率预测对于按需发电来说是至关重要的环节。
相关技术中,对于每个发电机组,需要对发电机组进行特征模式匹配,得到相匹配的预测模型;进一步地,采用匹配的预测模型对发电机组的发电功率进行预测。但相关技术中的功率预测的准确性较低。
为了解决相关技术中功率预测的准确性较低的问题,本申请实施例提出通过预设功率预测模型对与目标发电机组发电功率相关的时序数据和非时序数据进行特征提取,并对特征提取的时序特征和非时序特征进行融合处理,以输出目标发电机组的发电功率预测数据。可见,本申请实施例中的预设功率预测模型的输入参考信息更加全面,并且通过对特征提取得到的时序特征和非时序特征进行融合处理可以得到准确性更高的高阶特征,以便于基于高阶特征进行功率预测可以得到准确性更高的发电功率预测数据。
在一些实施例中,图1为本申请一些实施例提供的发电功率预测方法的流程示意图,本申请实施例中以该方法应用于计算机设备为例进行说明。如图1所示,本申请实施例的方法可以包括以下步骤:
步骤S101、获取与目标发电机组发电功率相关的时序数据和非时序数据。
本申请实施例中的目标发电机组可以为待预测的一个发电机组或者多个发电机组。
本申请实施例中的与目标发电机组发电功率相关的时序数据可以用于指示与目标发电机组发电功率相关的时间序列数据。
本申请实施例中的与目标发电机组发电功率相关的非时序数据可以用于指示与目标发电机组发电功率相关的非时间序列数据。示例性地,本申请实施例中涉及的非时序数据(或者非时间时序数据)可以包括但不限于:目标发电机组的状态数据,和/或,目标发电机组的约束数据;其中,状态数据可以用于指示目标发电机组是否运行;约束数据可以用于指示目标发电机组的输出功率阈值范围。
一种可能的实现方式中,计算机设备可以每隔预设时长获取与目标发电机组发电功率相关的时序数据和非时序数据。
示例性地,计算机设备可以通过网络接口从第三方网络资源获取与目标发电机组发电功率相关的数据、可以从其他设备处获取与目标发电机组发电功率相关的数据,和/或,可以从计算机设备的本地存储器中获取与目标发电机组发电功率相关的数据。
另一种可能的实现方式中,计算机设备可以在接收到预测指令的情况下,获取与目标发电机组发电功率相关的时序数据和非时序数据。
当然,计算机设备还可以通过其他方式获取与目标发电机组发电功率相关的时序数据和非时序数据。
步骤S102、将时序数据和非时序数据输入至预设功率预测模型中。
本申请实施例中的预设功率预测模型可以用于指示至少一个发电机组的时序数据和非时序数据,与各发电机组的发电功率预测数据之间的对应关系;其中,预设功率预测模型可以为时间序列混合回归算法模型(Time Series Mixture Regression algorithm,TSMRA)。
示例性地,本申请实施例中的预设功率预测模型可以为计算机设备预先训练好的功率预测模型,或者可以为计算机设备从其他设备处获取的预先训练好的功率预测模型。
本步骤中,计算机设备可以将与目标发电机组发电功率相关的时序数据和非时序数据输入至预设功率预测模型中,以便于预设功率预测模型对目标发电机组的发电功率进行预测。
应理解,在目标发电机组为待预测的一个发电机组的情况下,预设功率预测模型可以对待预测的该发电机组的发电功率进行预测。在目标发电机组为待预测的多个发电机组的情况下,预设功率预测模型可以对待预测的多个发电机组的发电功率进行预测。
步骤S103、通过预设功率预测模型提取时序数据的时序特征以及非时序数据的非时序特征,并对时序特征和非时序特征进行融合处理,以输出目标发电机组的发电功率预测数据。
本步骤中,计算机设备通过预设功率预测模型提取与目标发电机组发电功率相关的时序数据的时序特征以及与目标发电机组发电功率相关的非时序数据的非时序特征。进一步地,计算机设备对时序特征和非时序特征进行融合处理,以输出目标发电机组的发电功率预测数据。示例性地,发电功率预测数据可以包括但不限于目标发电机组的有功功率预测数据。
本申请实施例中通过基于与目标发电机组发电功率相关的时序数据和非时序数据进行功率预测的方式,其参考信息更加全面,从而有利于提高功率预测的准确性。另外,本申请实施例中通过预设功率预测模型提取时序数据的时序特征以及非时序数据的非时序特征,并对时序特征和非时序特征进行融合处理的方式,有利于得到准确性更高的高阶特征,以便于基于高阶特征进行功率预测可以得到准确性更高的发电功率预测数据。
应理解,在目标发电机组为待预测的一个发电机组的情况下,预设功率预测模型可以输出待预测的该发电机组的发电功率预测数据。在目标发电机组为待预测的多个发电机组的情况下,预设功率预测模型可以输出待预测的多个发电机组的发电功率预测数据。
上述发电功率预测方法,通过获取与目标发电机组发电功率相关的时序数据和非时序数据,并将时序数据和非时序数据输入至预设功率预测模型中。进一步地,通过预设功率预测模型提取时序数据的时序特征以及非时序数据的非时序特征,并对时序特征和非时序特征进行融合处理,以输出目标发电机组的发电功率预测数据。本申请实施例中,一方面通过基于与目标发电机组发电功率相关的时序数据和非时序数据进行功率预测的方式,其参考信息更加全面,从而有利于提高功率预测的准确性。另一方面,本申请实施例中通过预设功率预测模型提取时序数据的时序特征以及非时序数据的非时序特征,并对时序特征和非时序特征进行融合处理的方式,有利于得到准确性更高的高阶特征,以便于基于高阶特征进行功率预测可以得到准确性更高的发电功率预测数据。因此,相对于相关技术中的预测模型,本申请实施例的预设功率预测模型的功率预测准确性更高。
另外,本申请实施例中的预设功率预测模型可以用于一个或多个发电机组的功率预测,因此,计算机设备的内存中只需保存一个预设功率预测模型即可适用于不同发电机组的功率预测,不仅可以节省计算机设备的内存资源,而且在预测推理阶段也无需基于发电机组匹配相应的模型,还有利于提高功率预测的速度。
在一个实施例中,在上述实施例的基础上,本申请实施例对上述实施例中涉及的时序数据和非时序数据进行说明。
本申请实施例中的与目标发电机组发电功率相关的时序数据可以用于指示与目标发电机组发电功率相关的时间序列数据。示例性地,与目标发电机组发电功率相关的时序数据可以包括但不限于目标发电机组的天气数据,和/或,目标发电机组的运行数据。
示例性地,目标发电机组的天气数据可以用于指示目标发电机组所属区域的天气数据,其中,天气数据可以包括但不限于以下至少一项:天气状况(如大雨、晴、阴、冰雹等)、气温、湿度、紫外线强度、风向、风速、风力大小。应理解,对于光伏发电的应用场景,本申请实施例中的天气数据可以包括但不限于紫外线强度;对于风力发电的应用场景,本申请实施例中的天气数据可以包括但不限于风向、风速、风力大小。
示例性地,目标发电机组的运行数据可以用于指示目标发电机组的输出功率,其中,输出功率可以包括但不限于有功功率和/或无功功率。
本申请实施例中的与目标发电机组发电功率相关的非时序数据可以用于指示与目标发电机组发电功率相关的非时间序列数据。示例性地,与目标发电机组发电功率相关的非时序数据可以包括但不限于:目标发电机组的状态数据,和/或,目标发电机组的约束数据。
示例性地,目标发电机组的状态数据可以用于指示目标发电机组是否运行,例如,目标发电机组是否停机,和/或,目标发电机组是否检修等。
示例性地,目标发电机组的约束数据可以用于指示目标发电机组的输出功率阈值范围,例如,最大输出功率,和/或,最小输出功率等。
相对于相关技术中基于天气数据和运行数据这些时序数据进行功率预测的方式,本申请实施例中在时序数据的基础上,还进一步地结合约束数据和/或状态数据等非时序数据进行功率预测。可见,本申请实施例中用于功率预测的参考信息更加全面,从而有利于提高功率预测的准确性。
另外,本申请实施例中在功率预测的过程中还进一步地考虑了目标发电机组的约束数据,通过提取目标发电机组的约束数据对应的约束特征,使用深度学习模型用于挖掘约束数据对功率预测结果的影响,实现了将约束数据与发电功率预测数据之间建立关联,可以为发电功率预测数据更加贴近目标发电机组在实际运行中的实际发电功率提供相应的支撑,从而使得发电功率预测数据更贴近实际发电功率。
在一些实施例中,图2为本申请另一些实施例提供的发电功率预测方法的流程示意图,在上述实施例的基础上,本申请实施例中对上述步骤S103中“通过预设功率预测模型提取时序数据的时序特征以及非时序数据的非时序特征,并对时序特征和非时序特征进行融合处理,以输出目标发电机组的发电功率预测数据”的相关内容进行说明。如图2所示,上述步骤S103可以包括以下步骤:
步骤S1031、通过预设功率预测模型提取时序数据的多个时序特征,并通过预设功率预测模型提取非时序数据的非时序特征。
本步骤中,计算机设备可以通过预设功率预测模型中的特征提取网络提取与目标发电机组发电功率相关的时序数据的多个时序特征,以及与目标发电机组发电功率相关的非时序数据的非时序特征;其中,各时序特征对应的时间步长(或者称之为时间序列长度)不同。
示例性地,用于提取时序特征的特征提取网络与用于提取非时序特征的特征提取网络可以为共用的提取网络,或者可以为不同的提取网络。
本申请实施例的下述部分对“通过预设功率预测模型提取时序数据的多个时序特征”的相关内容进行说明。
一种可能的实现方式中,本申请实施例中的预设功率预测模型可以包括但不限于时序特征提取网络,或者称之为自动特征提取层(Auto Feature Extract Layer),计算机设备可以通过时序特征提取网络提取与目标发电机组发电功率相关的时序数据的多个时序特征。
示例性地,本申请实施例中的时序特征提取网络可以包括但不限于第一时序特征提取层、第二时序特征提取层和第三时序特征提取层,通过第一时序特征提取层提取时序数据的第一时序特征;通过第二时序特征提取层提取时序数据的第二时序特征;通过第三时序特征提取层提取时序数据的第三时序特征;其中,第一时序特征、第二时序特征以及第三时序特征对应的时间步长不同。
示例性地,在第一时序特征的时间步长大于第二时序特征的时间步长,第二时序特征的时间步长大于第三时序特征的时间步长的情况下,第一时序特征提取层可以称之为长时间截断层(Long Time Truncate Layer)、第二时序特征提取层可以称之为中时间截断层(Medium Time Truncate Layer),以及第三时序特征提取层可以称之为短时间截断层(Short Time Truncate Layer)。
需要说明的是,在第一时序特征、第二时序特征和第三时序特征的时间步长之间的大小关系为其他大小关系的情况下,第一时序特征提取层、第二时序特征提取层和第三时序特征提取层也可以为相应的其他时间截断层。
为了便于理解,本申请下述实施例中以第一时序特征的时间步长大于第二时序特征的时间步长,第二时序特征的时间步长大于第三时序特征的时间步长的情况为例进行介绍。
本申请实施例中,在通过第一时序特征提取层提取时序数据的第一时序特征的情况下,计算机设备通过第二时序特征提取层可以从时序数据中提取时序数据的第二时序特征,或者可以从第一时序特征中提取时序数据的第二时序特征。
进一步地,计算机设备通过第三时序特征提取层可以从时序数据中提取时序数据的第三时序特征,或者可以从第二时序特征中提取时序数据的第三时序特征。
图3为本申请实施例提供的时序特征提取网络的结构示意图,如图3所示,本申请实施例中的时序特征提取网络可以包括但不限于第一时序特征提取层(或者称之为长时间截断层)、第二时序特征提取层(或者称之为中时间截断层)和第三时序特征提取层(或者称之为短时间截断层)。其中,与目标发电机组发电功率相关的时序数据,或者称之为原始的序列特征(Sequence Feature)通过第一时序特征提取层,可以将与目标发电机组发电功率相关的时序数据截断为第一时序特征,或者称之为长时间序列特征(Long Time SeriesFeature)。
进一步地,通过第二时序特征提取层可以将第一时序特征截断为第二时序特征,或者称之为中时间序列特征(Medium Time Series Feature)。
进一步地,通过第三时序特征提取层可以将第二时序特征截断为第三时序特征,或者称之为短时间序列特征(Short Time Series Feature)。
可见,本申请实施例中的与目标发电机组发电功率相关的时序数据经过时序特征提取网络中的截断操作可以自动地分离出长时间序列特征、中时间序列特征和短时间序列特征,以便于后续对不同时间步长的时间序列特征进行融合处理,可以得到准确性更高的高阶特征。
当然,计算机设备通过预设功率预测模型还可以通过其他方式提取时序数据的多个时序特征。
本申请实施例的下述部分对“通过预设功率预测模型提取非时序数据的非时序特征”的相关内容进行说明。
一种可能的实现方式中,本申请实施例中的预设功率预测模型可以包括但不限于非时序特征提取网络,计算机设备可以通过非时序特征提取网络提取与目标发电机组发电功率相关的非时序数据的非时序特征。
示例性地,本申请实施例中的非时序特征提取网络可以包括但不限于深度神经网络(Deep Neural Networks,DNN)层。
本实现方式中,计算机设备可以通过将与目标发电机组发电功率相关的非时序数据输入至非时序特征提取网络,得到非时序特征提取网络输出的非时序数据对应的高阶的非时序特征。
当然,计算机设备通过预设功率预测模型还可以通过其他方式提取非时序数据的非时序特征。
步骤S1032、对多个时序特征的一部分时序特征进行融合处理,得到第一功率特征。
本步骤中,计算机设备可以通过对多个时序特征的一部分时序特征进行融合处理,得到第一功率特征。示例性地,计算机设备可以将第一时序特征、第二时序特征以及第三时序特征中的任意两个时序特征进行融合处理,得到第一功率特征。
一种可能的实现方式中,本申请实施例中的预设功率预测模型可以包括但不限于第一特征融合网络,计算机设备可以将第一时序特征和第二时序特征输入至第一特征融合网络,得到第一特征融合网络输出的第一功率特征。
图4为本申请实施例提供的预设功率预测模型的结构示意图一,如图4所示,本申请实施例的预设功率预测模型可以包括但不限于时序特征提取网络、非时序特征提取网络和第一特征融合网络。示例性地,计算机设备可以将时序特征提取网络输出的第一时序特征和第二时序特征输入至第一特征融合网络,得到第一特征融合网络输出的第一功率特征,其中,第一时序特征的时间步长可以大于第二时序特征的时间步长,且第二时序特征的时间步长可以大于第三时序特征的时间步长。
可见,本申请实施例中,通过第一特征融合网络可以对第一时序特征和第二时序特征进行融合处理的方式,可以充分挖掘第一时序特征和第二时序特征的强关联性,从而可以得到准确性更高的高阶的第一功率特征,以便于可以根据高阶的第一功率特征进行更加准确的功率预测。
图5为本申请实施例提供的第一特征融合网络的结构示意图,如图5所示,本申请实施例中的第一特征融合网络可以包括但不限于第一时序特征筛选层、第二时序特征筛选层、第一合并层、融合特征提取层。本申请实施例中,将第一时序特征和第二时序特征输入至第一特征融合网络,得到第一特征融合网络输出的第一功率特征可以包括:将第一时序特征输入至第一时序特征筛选层,得到第一时序特征筛选层输出的第一目标时序特征;将第二时序特征输入至第二时序特征筛选层,得到第二时序特征筛选层输出的第二目标时序特征;将第一目标时序特征和第二目标时序特征输入至第一合并层,得到第一合并层输出的融合时序特征;将融合时序特征输入至融合特征提取层,得到融合特征提取层输出的第一功率特征。
本申请实施例中的任意时序特征筛选层可以用于进行特征筛选处理;第一合并层可以称之为第一序列特征拼接层(Sequence Feature Concatenate Layer),用于进行特征拼接处理;融合特征提取层可以用于进行特征提取处理。示例性地,本申请实施例中的任意时序特征筛选层可以包括但不限于Informer层,融合特征提取层可以包括但不限于DNN层。
本申请实施例中,计算机设备可以将第一时序特征输入至第一时序特征筛选层进行特征筛选处理,得到第一时序特征筛选层输出的第一目标时序特征。
进一步地,计算机设备可以将第二时序特征输入至第二时序特征筛选层进行特征筛选处理,得到第二时序特征筛选层输出的第二目标时序特征。
进一步地,计算机设备可以将第一目标时序特征和第二目标时序特征输入至第一合并层进行特征拼接处理,得到第一合并层输出的融合时序特征。
进一步地,计算机设备可以将融合时序特征输入至融合特征提取层进行特征提取处理,得到融合特征提取层输出的第一功率特征。
可见,本申请实施例中,通过将部分时序特征分别输入对应的时序特征筛选层得到更高阶的目标时序特征;进一步地,通过对更高阶的目标时序特征进行特征拼接处理得到融合时序特征,并根据融合时序特征进行特征提取可以得到更丰富的高阶特征,以便于可以根据更丰富的高阶特征进行更加准确的功率预测。
步骤S1033、对多个时序特征的另一部分时序特征和非时序特征进行融合处理,得到第二功率特征。
本步骤中,计算机设备可以通过对多个时序特征的另一部分时序特征和非时序特征进行融合处理,得到第二功率特征。示例性地,计算机设备可以将第一时序特征、第二时序特征以及第三时序特征中未输入第一特征融合网络的时序特征和非时序特征进行融合处理,得到第二功率特征。
一种可能的实现方式中,如图4所示,本申请实施例中的预设功率预测模型还可以包括第二特征融合网络,计算机设备可以将第三时序特征和非时序特征输入至第二特征融合网络,得到第二特征融合网络输出的第二功率特征。示例性地,第三时序特征的时间步长可以小于第一时序特征的时间步长或第二时序特征的时间步长。
可见,本申请实施例中,通过第二特征融合网络可以对第三时序特征和非时序特征进行融合处理的方式,可以充分挖掘非时序特征与第三时序特征的强关联性,从而可以得到准确性更高的高阶的第二功率特征,以便于可以根据高阶的第二功率特征进行更加准确的功率预测。
图6为本申请实施例提供的第二特征融合网络的结构示意图,如图6所示,本申请实施例中的第二特征融合网络可以包括但不限于第三时序特征筛选层、第二合并层、混合特征提取层。本申请实施例中,将第三时序特征和非时序特征输入至第二特征融合网络,得到第二特征融合网络输出的第二功率特征可以包括:将第三时序特征输入至第三时序特征筛选层,得到第三时序特征筛选层输出的第三目标时序特征;将第三目标时序特征和非时序特征输入至第二合并层,得到第二合并层输出的混合特征;将混合特征输入至混合特征提取层,得到混合特征提取层输出的第二功率特征。
本申请实施例中的第三时序特征筛选层可以用于进行特征筛选处理;第二合并层可以称之为第二序列特征拼接层(Sequence Feature Concatenate Layer),用于进行特征拼接处理;混合特征提取层可以用于进行特征提取处理。示例性地,本申请实施例中的第三时序特征筛选层可以包括但不限于GRU层,混合特征提取层可以包括但不限于DNN层。
本申请实施例中,计算机设备可以将第三时序特征输入至第三时序特征筛选层进行特征筛选处理,得到第三时序特征筛选层输出的更高阶的第三目标时序特征。
进一步地,计算机设备可以将第三目标时序特征和非时序特征输入至第二合并层进行特征拼接处理,得到第二合并层输出的混合特征。
进一步地,计算机设备可以将混合特征输入至混合特征提取层进行特征提取处理,得到混合特征提取层输出的第二功率特征。
可见,本申请实施例中,通过将更高阶的第三目标时序特征和非时序特征进行特征拼接处理得到混合特征,并根据混合特征进行特征提取可以得到更丰富的高阶特征,以便于可以根据更丰富的高阶特征进行更加准确的功率预测。
步骤S1034、对第一功率特征和第二功率特征进行融合处理得到目标特征,并基于目标特征输出目标发电机组的发电功率预测数据。
本步骤中,计算机设备可以通过对第一功率特征和第二功率特征进行融合处理得到目标特征,并基于目标特征输出目标发电机组的发电功率预测数据。
一种可能的实现方式中,如图4所示,本申请实施例中的预设功率预测模型还可以包括第三合并层和回归器。本申请实施例中,对第一功率特征和第二功率特征进行融合处理,得到目标特征,并基于目标特征输出目标发电机组的发电功率预测数据可以包括:将第一功率特征和第二功率特征输入至第三合并层,得到第三合并层输出的目标功率特征;将目标功率特征输入至回归器,得到回归器输出的发电功率预测数据。
本申请实施例中的第三合并层可以称之为拼接层(Concatenate Layer),用于进行特征拼接处理;回归器(Regressor)可以用于进行预测处理。
本申请实施例中,计算机设备可以将第一功率特征和第二功率特征输入至第三合并层进行特征拼接处理,得到第三合并层输出的更高阶的目标功率特征。
进一步地,计算机设备将目标功率特征输入至回归器进行预测处理,得到回归器输出的发电功率预测数据。
可见,本申请实施例中,通过对高阶的第一功率特征和第二功率特征进行深度融合处理的方式,可以进一步地得到准确性更高的高阶的目标特征,从而有利于可以进一步地提高功率预测模型的准确性和鲁棒性。
综上,本申请实施例中,通过预设功率预测模型提取时序数据的多个时序特征和非时序数据的非时序特征。进一步地,通过对多个时序特征的一部分时序特征进行融合处理得到第一功率特征,以及对多个时序特征的另一部分时序特征和非时序特征进行融合处理得到第二功率特征。进一步地,对第一功率特征和第二功率特征进行融合处理得到目标特征,并基于目标特征输出目标发电机组的发电功率预测数据。可见,本申请实施例中,通过对多个时序特征和非时序特征进行融合处理的方式,可以得到准确性更高的高阶的功率特征。进一步地,通过对高阶的第一功率特征和第二功率特征进行深度融合处理的方式,可以进一步地得到准确性更高的高阶的目标特征,以便于根据准确性更高的高阶的目标特征可以进行更加准确的功率预测,从而可以提高功率预测模型的准确性和鲁棒性。
在一个实施例中,在上述实施例的基础上,本申请实施例中对上述时序特征筛选层的相关内容进行详细说明。示例性地,本申请实施例中的任意时序特征筛选层可以包括但不限于Informer层,其中,Informer层可以采用Informer模型。
图7为本申请实施例提供的高效变换器模型Informer模型的结构示意图,如图7所示,Informer模型与Transformer 模型结构类似,也是包括编码器和解码器。二者不同的是,Transformer 模型中采用传统的Self-attention 机制。Informer模型的编码器中包括多个堆叠的多头概率稀疏自注意力机制(Multi-head ProbSparse self-attention),如图7所示,编码器可以包括堆叠的多层注意力层,可以组成对应的金字塔型的结构。
传统Self-attention 可以用以下公式(1)表示:
公式(1)
其中,K、 V、 Q 分别代表序列特征经过三个随机矩阵转成的key Embedding向量、value Embedding向量、query Embedding 向量;d代表Embedding向量的维度;Softmax函数用于将对应的每个序列特征的权重QKT进行归一化;A代表序列特征中各个步长表现出来的注意力权重向量。
需要说明的是,self-attention 的计算复杂度为 ,其中LQ、LK分别代表query Embedding 向量序列长度、key Embedding向量序列长度。
self-attention 中只有少数点积对注意力有贡献,ProbSparse self-attention在上述self-attention的基础上使用KL(Kullback-Leibler)散度对Q向量的稀疏性进行评价,评价公式可以用如下公式(2)表示:
公式(2)
其中,代表Q中的第i个子集qi的稀疏性; kj 代表K中的第j个子集。
基于上述评价公式,可以得到ProbSparse self-attention的公式,可以表示为如下公式(3):
公式(3)
其中,代表/>中的top-k个query Embedding 向量。
结合上述公式(1)和公式(3),ProbSparse self-attention相比于传统self-attention的计算复杂度可以从 降低到/>。经过注意力层后特征的长度也会随之下降。
本申请实施例中的Informer模型的解码器中,同样采用了Multi-headProbSparse self-attention 与Multi-head Attention 组成的结构,可以对解码器的输入参数进行特征提取与解码擦除,并经过全连接层(Fully connected layer) 输出对应的结果。
需要说明的是,Informer模型具备的多层离散注意力特征提取功能,能实现比Transformer、长短期记忆网络(Long Short Term Memory,LSTM)等结构模型更强的特征提取能力,以及数倍多于其他模型模型参数的性能优势。
可见,本申请实施例中,通过利用Informer模型对长时特征优秀的特征提取能力以及低开销的特点,不仅有利于提高功率预测模型的准确性,还可以节省计算资源开销。
在一些实施例中,图8为本申请另一些实施例提供的发电功率预测方法的流程示意图,在上述实施例的基础上,本申请实施例中对上述步骤S101中“获取与目标发电机组发电功率相关的时序数据和非时序数据”的相关内容进行说明。如图8所示,本申请实施例的上述步骤S101可以包括以下步骤:
步骤S1011、获取目标发电机组的原始时序数据和原始非时序数据。
本步骤中,计算机设备可以获取与目标发电机组发电功率相关的原始时序数据和原始非时序数据。
本申请实施例中的与目标发电机组发电功率相关的原始时序数据可以包括但不限于目标发电机组的原始天气数据,和/或,目标发电机组的原始运行数据。
本申请实施例中的与目标发电机组发电功率相关的非时序数据可以包括但不限于目标发电机组的原始状态数据,和/或,目标发电机组的原始约束数据。
示例性地,计算机设备可以通过网络接口从第三方网络资源获取目标发电机组的原始天气数据,和/或,可以从其他设备处获取目标发电机组的原始运行数据、原始约束数据、原始状态数据。
当然,计算机设备还可以通过其他方式获取目标发电机组的原始时序数据和原始非时序数据。
步骤S1012、分别对原始时序数据和原始非时序数据进行数据处理,得到目标发电机组的时序数据和非时序数据。
本步骤中,计算机设备可以分别对原始时序数据和原始非时序数据进行数据处理,得到目标发电机组的时序数据和非时序数据,其中,数据处理可以包括但不限于数据清洗处理、数据预处理,和/或,特征工程处理。
应理解,计算机设备通过对原始时序数据进行数据处理得到目标发电机组的时序数据,以及通过对原始非时序数据进行数据处理得到目标发电机组的非时序数据。
一种可能的实现方式中,通过分别对原始时序数据和原始非时序数进行数据预处理,得到处理后的原始时序数据和处理后的原始非时序数;分别对处理后的原始时序数据和处理后的原始非时序数进行特征工程处理,得到时序数据和非时序数据。
本申请实施例中,计算机设备通过分别对原始时序数据和原始非时序数进行数据预处理,可以得到处理后的原始时序数据和处理后的原始非时序数,其中,数据预处理可以包括但不限于以下至少一项:数据过滤处理、数据填充处理、数据拼接处理、数据格式转换处理。
进一步地,计算机设备可以通过分别对处理后的原始时序数据和处理后的原始非时序数进行特征工程处理,得到目标发电机组的时序数据和目标发电机组的非时序数据,其中,特征工程处理可以包括但不限于以下至少一项:hash处理、连续特征离散化处理、Embedding编码处理、数据特征拼接处理。
综上,本申请实施例中,通过获取目标发电机组的原始时序数据和原始非时序数据,并分别对原始时序数据和原始非时序数据进行数据处理,可以得到符合预设功率预测模型输入要求的目标发电机组的时序数据和非时序数据,以便于可以根据目标发电机组的时序数据和非时序数据采用预设功率预测模型进行功率预测,有利于提高功率预测模型的预测效率。
在一个实施例中,在上述实施例的基础上,本申请实施例中对上述预设功率预测模型的整体结构进行介绍。图9为本申请实施例提供的预设功率预测模型的结构示意图二,如图9所示,本申请实施例的预设功率预测模型可以包括但不限于:时序特征提取网络、非时序特征提取网络、第一特征融合网络、第二特征融合网络、第三合并层和回归器。其中,第一特征融合网络可以包括但不限于第一时序特征筛选层、第二时序特征筛选层、第一合并层、融合特征提取层。第二特征融合网络可以包括但不限于第三时序特征筛选层、第二合并层、混合特征提取层。
示例性地,本申请实施例的一方面中,预设功率预测模型的时序特征提取网络可以将时序数据分为长中短的第一时序特征、第二时序特征和第三时序特征,其中,第一时序特征的时间步长大于第二时序特征的时间步长,第二时序特征的时间步长大于第三时序特征的时间步长。进一步地,第一时序特征和第二时序特征分别经过对应的时序特征筛选层后,经过第一合并层进行特征拼接处理后,再经过融合特征提取层进行特征提取处理可以得到高阶的第一功率特征。
本申请实施例的另一方面中,非时序数据经过预设功率预测模型的非时序特征提取网络可以得到非时序的高阶特征。另外,预设功率预测模型的第三时序特征经过第三时序特征筛选层后可以得到中高阶的第三目标时序特征。进一步地,非时序的高阶特征和第三目标时序特征经过第二合并层进行特征拼接处理后,再经过混合特征提取层进行特征提取处理可以得到高阶的第二功率特征,其中,第二功率特征可以为短时间序列特征与非时序特征融合得到的与约束数据相关的特征。
进一步地,第一功率特征和第二功率特征经过第三合并层和回归器,可以输出目标发电机组的发电功率预测数据。
综上所述,本申请实施例中,预设功率预测模型通过时序特征提取网络可以自动地从长时序数据中分离出长中短三种时序特征,以及通过非时序特征提取网络可以提取非时序特征(为非时序数据的高阶特征)。进一步地,长中时序特征可以经过时序特征筛选层、第一合并层和融合特征提取层得到高阶的第一功率特征。短时序特征可以与包含约束数据的非时序特征相结合进行深入挖掘得到高阶的第二功率特征。进一步地,通过高阶的第一功率特征和第二功率特征进行高阶混合处理,可以得到准确性更高的目标功率特征。可见,本申请实施例中,预设功率预测模型可以高效地对长时序数据以及包含约束数据的非时序数据进行特征提炼,深度挖掘出多种高阶特征并进行相应的深度融合(包括多次拼接与特征提取),能够有效地对各特征进行充分的融合,以便于可以提取出更为丰富的高阶特征,从而可以提高预设功率预测模型的准确性和鲁棒性。
另外,本申请实施例中的预设功率预测模型可以用于场站内的一个或多个发电机组的功率预测,而不需要建立额外的分组机制。相比于相关技术中的模式匹配分组方式,本申请实施例中只需加载一个预设功率预测模型,即可适用于不同发电机组的功率预测,从而不仅可以节省内存开销,而且还可以快速地完成多个发电机组的发电功率预测。
在一些实施例中,在上述实施例的基础上,本申请实施例中对上述实施例中涉及的预设功率预测模型的训练过程的相关内容进行说明。图10为本申请一些实施例提供的功率预测模型训练方法的流程示意图,本申请实施例中以该方法应用于计算机设备为例进行说明。需要说明的是,本申请实施例中的计算机设备与上述各实施例中的计算机设备可以为同一计算机设备,也可以为不同的计算机设备。如图10所示,本申请实施例的方法可以包括以下步骤:
步骤S1001、获取多个训练样本和与各训练样本对应的训练标签。
本申请实施例中的任意训练样本可以包括:与发电机组发电功率相关的时序训练数据和非时序训练数据;任意训练样本对应的训练标签可以包括发电机组的历史发电功率。示例性地,发电机组的历史发电功率可以包括但不限于发电机组的历史有功功率。
需要说明的是,本申请实施例中的不同训练样本对应的发电机组可以为不同的,以便于基于训练样本训练得到的预设功率预测模型可以适用于不同发电机组的发电功率预测。
示例性地,本申请实施例中的任意训练样本中的非时序训练数据可以包括但不限于:该训练样本对应的发电机组的历史状态数据,和/或,该发电机组的历史约束数据;其中,历史状态数据可以用于指示发电机组历史是否运行;历史约束数据可以用于指示发电机组的历史输出功率阈值范围。
本申请实施例中的任意训练样本中的时序训练数据可以包括但不限于:该训练样本对应的发电机组的历史天气数据,和/或,发电机组的历史运行数据。
示例性地,发电机组的历史运行数据可以用于指示发电机组的历史输出功率,其中,历史输出功率可以包括但不限于历史有功功率和/或历史无功功率。
应理解,由于训练样本中的时序训练数据中包含有历史输出功率,因此,在获取到训练样本的情况下,可以确定出该训练样本对应的训练标签。
步骤S1002、根据多个训练样本和与各训练样本对应的训练标签,对初始功率预测模型进行训练,得到预设功率预测模型。
本步骤中,计算机设备可以根据多个训练样本和与各训练样本对应的训练标签,对初始功率预测模型进行训练,以得到预设功率预测模型;其中,预设功率预测模型可以用于提取与目标发电机组发电功率相关的时序数据的时序特征以及非时序数据的非时序特征,并对时序特征和非时序特征进行融合处理,以输出目标发电机组的发电功率预测数据;所述时序数据用于指示与所述目标发电机组发电功率相关的时间序列数据,所述非时序数据用于指示与所述目标发电机组发电功率相关的非时间序列数据。
图11为本申请另一些实施例提供的功率预测模型训练方法的流程示意图,在上述实施例的基础上,本申请实施例中对上述步骤S1002中的“根据多个训练样本和与各训练样本对应的训练标签,对初始功率预测模型进行训练,得到预设功率预测模型”的相关内容进行说明。如图11所示,本申请实施例的上述步骤S1002可以包括以下步骤:
步骤S1101、将训练样本中的时序训练数据和非时序训练数据输入至初始功率预测模型,得到初始功率预测模型输出的训练样本对应的发电机组的发电功率预测数据。
本步骤中,对于任意训练样本,计算机设备可以将训练样本中的时序训练数据和非时序训练数据输入至初始功率预测模型,得到初始功率预测模型输出的训练样本对应的发电机组的发电功率预测数据。
一种可能的实现方式中,计算机设备可以通过初始功率预测模型提取时序训练数据的时序训练特征以及非时序训练数据的非时序训练特征,并对时序训练特征和非时序训练特征进行融合处理,以输出发电机组的发电功率预测数据。
步骤S1102、根据训练样本对应的训练标签与发电机组的发电功率预测数据调整初始功率预测模型中的参数,得到更新后的初始功率预测模型。
本步骤中,计算机设备可以通过根据训练样本对应的训练标签与该训练样本对应的发电机组的发电功率预测数据进行对比,并调整初始功率预测模型中的参数,得到更新后的初始功率预测模型。
步骤S1103、将多个训练样本中的其他训练样本作为更新后的训练样本,返回执行将训练样本中的时序训练数据和非时序训练数据输入至初始功率预测模型的步骤,并持续执行,直至满足训练结束条件时,将更新后的初始功率预测模型作为预设功率预测模型。
本步骤中,计算机设备可以将多个训练样本中的其他训练样本作为更新后的训练样本,返回执行将训练样本中的时序训练数据和非时序训练数据输入至初始功率预测模型的上述步骤S1101,并持续执行,直至满足训练结束条件时,将更新后的初始功率预测模型作为预设功率预测模型。示例性地,本申请实施例中的训练结束条件可以包括但不限于:功率预测模型的模型指标平均绝对误差(Mean Absolution Error ,MAE)和R方(R2_score,R-squared)等训练指标满足预设指标要求,或者训练迭代次数超过预设阈值。
上述功率预测模型训练方法,通过获取多个训练样本和与各训练样本对应的训练标签,并根据多个训练样本和与各训练样本对应的训练标签,对初始功率预测模型进行训练,得到预设功率预测模型,以便于后续可以根据预设功率预测模型对不同发电机组的发电功率进行预测。本申请实施例中的训练样本包括与发电机组发电功率相关的时序训练数据和非时序训练数据,其训练数据的参考信息更加全面,从而有利于提高功率预测模型的准确性。另外,相对于相关技术中需要训练不同模式下的多个预测模型,本申请实施例只需训练出一个预设功率预测模型,便可以适用于不同发电场景中的不同发电机组,从而可以节省模型训练的时间成本和硬件资源开销。
在一些实施例中,图12为本申请另一些实施例提供的功率预测模型训练方法的流程示意图,在上述实施例的基础上,本申请实施例中对上述“通过初始功率预测模型提取时序训练数据的时序训练特征以及非时序训练数据的非时序训练特征,并对时序训练特征和非时序训练特征进行融合处理,以输出发电机组的发电功率预测数据”的相关内容进行说明。如图12所示,本申请实施例的方法可以包括以下步骤:
步骤S1201、通过初始功率预测模型提取时序训练数据的多个时序训练特征,并通过初始功率预测模型提取非时序训练数据的非时序训练特征。
其中,各时序训练特征对应的时间步长不同。
本申请实施例的下述部分对“通过初始功率预测模型提取时序训练数据的多个时序训练特征”的相关内容进行说明。
一种可能的实现方式中,初始功率预测模型可以包括时序训练特征提取网络,其中,时序训练特征提取网络包括第一时序特征提取层、第二时序特征提取层和第三时序特征提取层,计算机设备可以通过第一时序特征提取层提取时序训练数据的第一时序训练特征;进一步地,计算机设备可以通过第二时序特征提取层提取时序训练数据的第二时序训练特征;进一步地,计算机设备可以通过第三时序特征提取层提取时序训练数据的第三时序训练特征;其中,第一时序训练特征、第二时序训练特征以及第三时序训练特征对应的时间步长不同。
本申请实施例的下述部分对“通过初始功率预测模型提取非时序训练数据的非时序训练特征”的相关内容进行说明。
一种可能的实现方式中,初始功率预测模型可以包括非时序特征提取网络,计算机设备可以通过非时序特征提取网络提取非时序训练数据的非时序训练特征。
步骤S1202、对多个时序训练特征的一部分时序训练特征进行融合处理,得到第一训练功率特征。
一种可能的实现方式中,初始功率预测模型可以包括第一特征融合网络,计算机设备可以将第一时序训练特征和第二时序训练特征输入至第一特征融合网络,得到第一特征融合网络输出的第一训练功率特征。
示例性地,第一特征融合网络可以包括第一时序特征筛选层、第二时序特征筛选层、第一合并层、融合特征提取层,计算机设备可以将第一时序训练特征输入至第一时序特征筛选层,得到第一时序特征筛选层输出的第一目标时序训练特征。进一步地,计算机设备可以将第二时序训练特征输入至第二时序特征筛选层,得到第二时序特征筛选层输出的第二目标时序训练特征。进一步地,计算机设备可以将第一目标时序训练特征和第二目标时序训练特征输入至第一合并层,得到第一合并层输出的融合时序训练特征。进一步地,计算机设备可以将融合时序训练特征输入至融合特征提取层,得到融合特征提取层输出的第一训练功率特征。
步骤S1203、对多个时序训练特征的另一部分时序训练特征和非时序训练特征进行融合处理,得到第二训练功率特征。
一种可能的实现方式中,初始功率预测模型可以还包括第二特征融合网络,计算机设备可以将第三时序训练特征和非时序训练特征输入至第二特征融合网络,得到第二特征融合网络输出的第二训练功率特征。
示例性地,第二特征融合网络可以包括第三时序特征筛选层、第二合并层、混合特征提取层,计算机设备可以将第三时序训练特征输入至第三时序特征筛选层,得到第三时序特征筛选层输出的第三目标时序训练特征。进一步地,计算机设备可以将第三目标时序训练特征和非时序训练特征输入至第二合并层,得到第二合并层输出的混合训练特征。进一步地,计算机设备可以将混合训练特征输入至混合特征提取层,得到混合特征提取层输出的第二训练功率特征。
步骤S1204、对第一训练功率特征和第二训练功率特征进行融合处理得到目标训练功率特征,并基于目标训练功率特征输出发电机组的发电功率预测数据。
一种可能的实现方式中,初始功率预测模型可以包括第三合并层和回归器,计算机设备可以将第一训练功率特征和第二训练功率特征输入至第三合并层,得到第三合并层输出的目标训练功率特征。进一步地,计算机设备可以将目标训练功率特征输入至回归器,得到回归器输出的发电功率预测数据。
需要说明的是,本申请实施例中的各步骤的可实现方式可以参考上述关于图2实施例中的各步骤的相关内容,其实现原理和技术效果类似,此处不再赘述。
在一些实施例中,图13为本申请另一些实施例提供的功率预测模型训练方法的流程示意图,在上述实施例的基础上,本申请实施例中的训练样本包括发电机组对应的时序训练数据和非时序训练数据,本申请实施例中对上述步骤S1001中的“获取多个训练样本”的相关内容进行说明。如图13所示,本申请实施例的方法可以包括以下步骤:
步骤S1301、获取多个发电机组分别对应的历史时序数据和历史非时序数据。
本步骤中,计算机设备可以获取与多个发电机组分别对应的与发电功率相关的历史时序数据和历史非时序数据。
本申请实施例中的与任意发电机组发电功率相关的历史时序数据可以包括但不限于该发电机组的历史原始天气数据,和/或,该目标发电机组的历史原始运行数据。
本申请实施例中的与任意发电机组发电功率相关的历史非时序数据可以包括但不限于该发电机组的历史原始状态数据,和/或,该发电机组的历史原始约束数据。
步骤S1302、对多个发电机组分别对应的历史时序数据和历史非时序数据进行数据处理,得到多个发电机组分别对应的时序训练数据和非时序训练数据。
本步骤中,计算机设备可以对多个发电机组分别对应的历史时序数据和历史非时序数据进行数据处理,得到多个发电机组分别对应的时序训练数据和非时序训练数据,其中,数据处理可以包括但不限于数据清洗处理、数据预处理,和/或,特征工程处理。
应理解,对于任意发电机组,计算机设备通过对该发电机组的历史时序数据进行数据处理,得到该发电机组的时序训练数据,以及通过对该发电机组的历史非时序数据进行数据处理,得到该发电机组的非时序训练数据。
一种可能的实现方式中,计算机设备可以通过对多个发电机组分别对应的历史时序数据和历史非时序数据进行数据清洗处理,得到多个发电机组分别对应的清洗后的历史时序数据和历史非时序数据;其中,数据清洗处理可以包括但不限于以下至少一项:重复数据删除处理、缺失数据填补处理、异常数据删除处理、异常数据修正处理、冗余数据删除处理。
进一步地,计算机设备可以对多个发电机组分别对应的清洗后的历史时序数据和历史非时序数据进行数据预处理,得到多个发电机组分别对应的处理后的历史时序数据和历史非时序数据。
进一步地,计算机设备可以对多个发电机组分别对应的处理后的历史时序数据和历史非时序数据进行特征工程处理,得到多个发电机组分别对应的时序训练数据和非时序训练数据。
需要说明的是,本申请实施例中的各步骤的具体可实现方式,可以参考上述关于图8实施例中的相关内容,其实现原理和技术效果类似,此处不再赘述。
在一些实施例中,图14为本申请另一些实施例提供的功率预测模型训练方法的流程示意图,在上述实施例的基础上,本申请实施例中对上述实施例中涉及的预设功率预测模型的测试过程的相关内容进行说明。如图14所示,本申请实施例的方法还可以包括以下步骤:
步骤S1401、获取多个测试样本和与各测试样本对应的测试标签。
本申请实施例中的任意测试样本可以包括:与发电机组发电功率相关的时序测试数据和非时序测试数据;任意测试样本对应的测试标签可以包括发电机组的历史发电功率。
需要说明的是,本申请实施例中的不同测试样本对应的发电机组可以为不同的,以便于基于测试样本测试得到的预设功率预测模型可以适用于不同发电机组的发电功率预测。
示例性地,本申请实施例中的任意测试样本中的非时序测试数据可以包括但不限于:该测试样本对应的发电机组的历史状态数据,和/或,该发电机组的历史约束数据;其中,历史状态数据可以用于指示发电机组历史是否运行;历史约束数据可以用于指示发电机组的历史输出功率阈值范围。
本申请实施例中的任意测试样本中的时序测试数据可以包括但不限于:该测试样本对应的发电机组的历史天气数据,和/或,发电机组的历史运行数据。
应理解,由于测试样本中的时序测试数据中包含有历史输出功率,因此,在获取到测试样本的情况下,可以确定出该测试样本对应的测试标签。
步骤S1402、根据多个测试样本和与各测试样本对应的测试标签,对预设功率预测模型进行测试。
本步骤中,计算机设备可以根据多个测试样本和与各测试样本对应的测试标签,对预设功率预测模型进行测试。
示例性地,对于任意测试样本,计算机设备可以将测试样本中的时序测试数据和非时序测试数据输入至预设功率预测模型,得到预设功率预测模型输出的测试样本对应的发电机组的发电功率预测数据。
进一步地,计算机设备可以通过根据各测试样本对应的测试标签分别与各测试样本对应的发电机组的发电功率预测数据进行对比,得到测试结果。
示例性地,测试结果可以包括但不限于各测试样本对应的MAE和R方等测试指标。
步骤S1403、若测试结果满足预设测试要求,则确定预设功率预测模型满足预设预测要求。
本步骤中,若测试结果满足预设测试要求,则计算机设备可以确定预设功率预测模型满足预设预测要求。
综上所述,本申请实施例中,通过根据获取的多个测试样本和与各测试样本对应的测试标签,对预设功率预测模型进行测试。进一步地,若测试结果满足预设测试要求,则确定预设功率预测模型满足预设预测要求。可见,本申请实施例中,通过多个测试样本和测试标签对预设功率预测模型进行测试的方式,可以使得预设功率预测模型的准确性满足一定要求,从而有利于后续可以根据预设功率预测模型进行准确地功率预测。
在一些实施例中,图15为本申请一些实施例提供的功率预测模型的框架示意图,在上述实施例的基础上,本申请实施例中对上述预设功率预测模型的训练、测试和应用的相关内容进行说明。如图15所示,本申请实施例中的数据流包括实时数据线路和历史数据线路(或者称之为离线数据线路),其中,实时数据线路为虚线,历史数据线路为实线。
1)历史数据线路的数据流
计算机设备可以从各数据源获取多个发电机组分别对应的历史原始天气数据和历史原始机组数据组成离线数据,其中,历史原始机组数据可以包括但不限于:历史原始运行数据、历史原始状态数据和历史原始约束数据。需要说明的是,历史原始天气数据和历史原始运行数据属于历史时序数据,历史原始状态数据和历史原始约束数据属于历史非时序数据。
进一步地,计算机设备可以对多个发电机组分别对应的历史原始天气数据和历史原始机组数据进行数据清洗处理、数据预处理,以及特征工程处理,得到多个发电机组分别对应的历史天气数据和历史机组数据;其中,多个发电机组分别对应的历史天气数据和历史机组数据可以组成离线特征;历史机组数据可以包括但不限于:历史运行数据、历史状态数据和历史约束数据。
进一步地,计算机设备可以通过特征分割处理将离线特征划分为训练样本集和测试样本集。
进一步地,计算机设备可以将训练样本集中的训练样本输入初始功率预测模型进行训练,并通过测试样本集中的测试样本对训练过程中的功率预测模型进行测试。其中,在训练和测试过程中可以分别根据测试样本和训练样本得到对应的MAE和R方等指标。计算机设备可以根据这些指标对功率预测模型的收敛效果进行评估,最终可以得到收敛的稳定的预设功率预测模型。
2)实时数据线路的数据流
计算机设备可以从各数据源获取目标发电机组对应的原始天气数据和原始机组数据组成实时数据,其中,原始机组数据可以包括但不限于:原始运行数据、原始状态数据和原始约束数据。需要说明的是,原始天气数据和原始运行数据属于时序数据,原始状态数据和原始约束数据属于非时序数据。
进一步地,计算机设备可以对目标发电机组对应的原始天气数据和原始机组数据进行数据预处理以及特征工程处理,得到目标发电机组对应的天气数据和机组数据;其中,目标发电机组对应的天气数据和机组数据可以组成在线特征;机组数据可以包括但不限于:运行数据、状态数据和约束数据。
进一步地,计算机设备可以将在线特征输入预设功率预测模型进行发电功率预测,得到目标发电机组的发电功率预测数据。
示例性地,计算机设备可以从磁盘上加载训练好的预设功率预测模型到内存中,以便于可以进行发电功率预测;当然,还可以通过其他方式获取预设功率预测模型。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的发电功率预测方法的发电功率预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个发电功率预测装置实施例中的具体限定可以参见上文中对于发电功率预测方法的限定,在此不再赘述。
在一些实施例中,图16为本申请一些实施例提供的发电功率预测装置的结构示意图,本申请实施例提供的发电功率预测装置可以应用于计算机设备中。如图16所示,本申请实施例的发电功率预测装置可以包括:获取模块1601、输入模块1602和预测模块1603。
其中,获取模块1601,用于获取与目标发电机组发电功率相关的时序数据和非时序数据;其中,所述时序数据用于指示与所述目标发电机组发电功率相关的时间序列数据,所述非时序数据用于指示与所述目标发电机组发电功率相关的非时间序列数据;
输入模块1602,用于将时序数据和非时序数据输入至预设功率预测模型中;
预测模块1603,用于通过预设功率预测模型提取时序数据的时序特征以及非时序数据的非时序特征,并对时序特征和非时序特征进行融合处理,以输出目标发电机组的发电功率预测数据。
在一些实施例中,预测模块1603包括:
提取单元,用于通过预设功率预测模型提取时序数据的多个时序特征,并通过预设功率预测模型提取非时序数据的非时序特征;其中,各时序特征对应的时间步长不同;
第一融合单元,用于对多个时序特征的一部分时序特征进行融合处理,得到第一功率特征;
第二融合单元,对多个时序特征的另一部分时序特征和非时序特征进行融合处理,得到第二功率特征;
融合预测单元,用于对第一功率特征和第二功率特征进行融合处理得到目标特征,并基于目标特征输出目标发电机组的发电功率预测数据。
在一些实施例中,预设功率预测模型包括时序特征提取网络,时序特征提取网络包括第一时序特征提取层、第二时序特征提取层和第三时序特征提取层,提取单元具体用于:
通过第一时序特征提取层提取时序数据的第一时序特征;
通过第二时序特征提取层提取时序数据的第二时序特征;
通过第三时序特征提取层提取时序数据的第三时序特征;
其中,第一时序特征、第二时序特征以及第三时序特征对应的时间步长不同。
在一些实施例中,预设功率预测模型包括非时序特征提取网络,提取单元具体用于:
通过非时序特征提取网络提取非时序数据的非时序特征。
在一些实施例中,预设功率预测模型包括第一特征融合网络,第一融合单元具体用于:
将第一时序特征和第二时序特征输入至第一特征融合网络,得到第一特征融合网络输出的第一功率特征。
在一些实施例中,第一特征融合网络包括第一时序特征筛选层、第二时序特征筛选层、第一合并层、融合特征提取层,第一融合单元具体用于:
将第一时序特征输入至第一时序特征筛选层,得到第一时序特征筛选层输出的第一目标时序特征;
将第二时序特征输入至第二时序特征筛选层,得到第二时序特征筛选层输出的第二目标时序特征;
将第一目标时序特征和第二目标时序特征输入至第一合并层,得到第一合并层输出的融合时序特征;
将融合时序特征输入至融合特征提取层,得到融合特征提取层输出的第一功率特征。
在一些实施例中,预设功率预测模型还包括第二特征融合网络,第二融合单元具体用于:
将第三时序特征和非时序特征输入至第二特征融合网络,得到第二特征融合网络输出的第二功率特征。
在一些实施例中,第二特征融合网络包括第三时序特征筛选层、第二合并层、混合特征提取层,第二融合单元具体用于:
将第三时序特征输入至第三时序特征筛选层,得到第三时序特征筛选层输出的第三目标时序特征;
将第三目标时序特征和非时序特征输入至第二合并层,得到第二合并层输出的混合特征;
将混合特征输入至混合特征提取层,得到混合特征提取层输出的第二功率特征。
在一些实施例中,预设功率预测模型包括第三合并层和回归器,融合预测单元具体用于:
将第一功率特征和第二功率特征输入至第三合并层,得到第三合并层输出的目标功率特征;
将目标功率特征输入至回归器,得到回归器输出的发电功率预测数据。
在一些实施例中,非时序数据包括:目标发电机组的状态数据,和/或,目标发电机组的约束数据;其中,状态数据用于指示目标发电机组是否运行;约束数据用于指示目标发电机组的输出功率阈值范围;
时序数据包括:目标发电机组的天气数据,和/或,目标发电机组的运行数据。
在一些实施例中,获取模块1601包括:
获取单元,用于获取目标发电机组的原始时序数据和原始非时序数据;
处理单元,用于分别对原始时序数据和原始非时序数据进行数据处理,得到目标发电机组的时序数据和非时序数据。
在一些实施例中,处理单元具体用于:
分别对原始时序数据和原始非时序数进行数据预处理,得到处理后的原始时序数据和处理后的原始非时序数;
分别对处理后的原始时序数据和处理后的原始非时序数进行特征工程处理,得到时序数据和非时序数据。
本申请实施例提供的发电功率预测装置可以用于执行本申请上述发电功率预测方法实施例中关于计算机设备的技术方案,其实现原理和技术效果类似,此处不再赘述。
上述发电功率预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的功率预测模型训练方法的功率预测模型训练装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个功率预测模型训练装置实施例中的具体限定可以参见上文中对于功率预测模型训练方法的限定,在此不再赘述。
在一些实施例中,图17为本申请一些实施例提供的功率预测模型训练装置的结构示意图,本申请实施例提供的功率预测模型训练装置可以应用于计算机设备中。如图17所示,本申请实施例的功率预测模型训练装置可以包括:第一获取模块1701和训练模块1702。
其中,获取模块1701,用于获取多个训练样本和与各训练样本对应的训练标签,其中,训练样本包括:与发电机组发电功率相关的时序数据和非时序数据,训练样本对应的训练标签包括发电机组的历史发电功率;
训练模块1702,用于根据多个训练样本和与各训练样本对应的训练标签,对初始功率预测模型进行训练,得到预设功率预测模型;其中,预设功率预测模型可以用于提取与目标发电机组发电功率相关的时序数据的时序特征以及非时序数据的非时序特征,并对时序特征和非时序特征进行融合处理,以输出目标发电机组的发电功率预测数据;所述时序数据用于指示与所述目标发电机组发电功率相关的时间序列数据,所述非时序数据用于指示与所述目标发电机组发电功率相关的非时间序列数据。
在一些实施例中,训练模块1702包括:
预测单元,用于将训练样本中的时序训练数据和非时序训练数据输入至初始功率预测模型,得到初始功率预测模型输出的训练样本对应的发电机组的发电功率预测数据;
调整单元,用于根据训练样本对应的训练标签与发电机组的发电功率预测数据调整初始功率预测模型中的参数,得到更新后的初始功率预测模型;
循环单元,用于将多个训练样本中的其他训练样本作为更新后的训练样本,返回执行将训练样本中的时序训练数据和非时序训练数据输入至初始功率预测模型的步骤,并持续执行,直至满足训练结束条件时,将更新后的初始功率预测模型作为预设功率预测模型。
在一些实施例中,预测单元具体用于:
通过初始功率预测模型提取时序训练数据的时序训练特征以及非时序训练数据的非时序训练特征,并对时序训练特征和非时序训练特征进行融合处理,以输出发电机组的发电功率预测数据。
在一些实施例中,预测单元具体:
通过初始功率预测模型提取时序训练数据的多个时序训练特征,并通过初始功率预测模型提取非时序训练数据的非时序训练特征;其中,各时序训练特征对应的时间步长不同;
对多个时序训练特征的一部分时序训练特征进行融合处理,得到第一训练功率特征;
对多个时序训练特征的另一部分时序训练特征和非时序训练特征进行融合处理,得到第二训练功率特征;
对第一训练功率特征和第二训练功率特征进行融合处理得到目标训练功率特征,并基于目标训练特征输出发电机组的发电功率预测数据。
在一些实施例中,初始功率预测模型包括时序训练特征提取网络,时序训练特征提取网络包括第一时序特征提取层、第二时序特征提取层和第三时序特征提取层,预测单元具体用于:
通过第一时序特征提取层提取时序训练数据的第一时序训练特征;
通过第二时序特征提取层提取时序训练数据的第二时序训练特征;
通过第三时序特征提取层提取时序训练数据的第三时序训练特征;
其中,第一时序训练特征、第二时序训练特征以及第三时序训练特征对应的时间步长不同。
在一些实施例中,初始功率预测模型包括非时序特征提取网络,预测单元具体用于:
通过非时序特征提取网络提取非时序训练数据的非时序训练特征。
在一些实施例中,初始功率预测模型包括第一特征融合网络,预测单元具体用于:
将第一时序训练特征和第二时序训练特征输入至第一特征融合网络,得到第一特征融合网络输出的第一训练功率特征。
在一些实施例中,第一特征融合网络包括第一时序特征筛选层、第二时序特征筛选层、第一合并层、融合特征提取层,预测单元具体用于:
将第一时序训练特征输入至第一时序特征筛选层,得到第一时序特征筛选层输出的第一目标时序训练特征;
将第二时序训练特征输入至第二时序特征筛选层,得到第二时序特征筛选层输出的第二目标时序训练特征;
将第一目标时序训练特征和第二目标时序训练特征输入至第一合并层,得到第一合并层输出的融合时序训练特征;
将融合时序训练特征输入至融合特征提取层,得到融合特征提取层输出的第一训练功率特征。
在一些实施例中,初始功率预测模型还包括第二特征融合网络,预测单元具体用于:
将第三时序训练特征和非时序训练特征输入至第二特征融合网络,得到第二特征融合网络输出的第二训练功率特征。
在一些实施例中,第二特征融合网络包括第三时序特征筛选层、第二合并层、混合特征提取层,预测单元具体用于:
将第三时序训练特征输入至第三时序特征筛选层,得到第三时序特征筛选层输出的第三目标时序训练特征;
将第三目标时序训练特征和非时序训练特征输入至第二合并层,得到第二合并层输出的混合训练特征;
将混合训练特征输入至混合特征提取层,得到混合特征提取层输出的第二训练功率特征。
在一些实施例中,初始功率预测模型包括第三合并层和回归器,预测单元具体用于:
将第一训练功率特征和第二训练功率特征输入至第三合并层,得到第三合并层输出的目标训练功率特征;
将目标训练功率特征输入至回归器,得到回归器输出的发电功率预测数据。
在一些实施例中,训练样本中的非时序训练数据包括:训练样本对应的发电机组的历史状态数据,和/或,发电机组的历史约束数据;其中,历史状态数据用于指示发电机组历史是否运行;历史约束数据用于指示发电机组的历史输出功率阈值范围;
时序训练数据包括:发电机组的历史天气数据,和/或,发电机组的历史运行数据。
在一些实施例中,训练样本包括发电机组对应的时序训练数据和非时序训练数据,第一获取模块1701包括:
获取单元,用于获取多个发电机组分别对应的历史时序数据和历史非时序数据;
处理单元,用于对多个发电机组分别对应的历史时序数据和历史非时序数据进行数据处理,得到多个发电机组分别对应的时序训练数据和非时序训练数据。
在一些实施例中,处理单元具体用于:
对多个发电机组分别对应的历史时序数据和历史非时序数据进行数据清洗处理,得到多个发电机组分别对应的清洗后的历史时序数据和历史非时序数据;
对多个发电机组分别对应的清洗后的历史时序数据和历史非时序数据进行数据预处理,得到多个发电机组分别对应的处理后的历史时序数据和历史非时序数据;
对多个发电机组分别对应的处理后的历史时序数据和历史非时序数据进行特征工程处理,得到多个发电机组分别对应的时序训练数据和非时序训练数据。
在一些实施例中,功率预测模型训练装置还包括:
第二获取模块,用于获取多个测试样本和与各测试样本对应的测试标签,其中,测试样本包括:与发电机组发电功率相关的时序测试数据和非时序测试数据,测试样本对应的测试标签包括发电机组的历史发电功率;
测试模块,用于根据多个测试样本和与各测试样本对应的测试标签,对预设功率预测模型进行测试;
确定模块,用于若测试结果满足预设测试要求,则确定预设功率预测模型满足预设预测要求。
本申请实施例提供的功率预测模型训练装置可以用于执行本申请上述功率预测模型训练方法实施例中关于计算机设备的技术方案,其实现原理和技术效果类似,此处不再赘述。
上述功率预测模型训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一些实施例中,图18为本申请一些实施例中计算机设备的结构示意图,如图18所示,本申请实施例提供的计算机设备可以包括通过系统总线连接的处理器、存储器和通信接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的设备进行有线或无线方式的通信。该计算机程序被处理器执行时以实现本申请上述发电功率预测方法实施例或者上述功率预测模型训练方法实施例中的技术方案,其实现原理和技术效果类似,此处不再赘述。
本领域技术人员可以理解,图18中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一些实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现本申请上述发电功率预测方法实施例或者上述功率预测模型训练方法实施例中的技术方案,其实现原理和技术效果类似,此处不再赘述。
在一些实施例中,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,计算机程序被处理器执行时实现本申请上述发电功率预测方法实施例或者上述功率预测模型训练方法实施例中的技术方案,其实现原理和技术效果类似,此处不再赘述。
在一些实施例中,还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现本申请上述发电功率预测方法实施例或者上述功率预测模型训练方法实施例中的技术方案,其实现原理和技术效果类似,此处不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、特征数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的特征数据处理逻辑器等,不限于此。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围,其均应涵盖在本申请的权利要求和说明书的范围当中。尤其是,只要不存在结构冲突,各个实施例中所提到的各项技术特征均可以任意方式组合起来。本申请并不局限于文中公开的特定实施例,而是包括落入权利要求的范围内的所有技术方案。
Claims (30)
1.一种发电功率预测方法,其特征在于,所述方法包括:
获取与目标发电机组发电功率相关的时序数据和非时序数据;其中,所述时序数据用于指示与所述目标发电机组发电功率相关的时间序列数据,所述非时序数据用于指示与所述目标发电机组发电功率相关的非时间序列数据;
将所述时序数据和所述非时序数据输入至预设功率预测模型中;
通过所述预设功率预测模型提取所述时序数据的时序特征以及所述非时序数据的非时序特征,并对所述时序特征和所述非时序特征进行融合处理,以输出所述目标发电机组的发电功率预测数据;
其中,所述预设功率预测模型包括特征提取网络、第一特征融合网络和第二特征融合网络,所述通过所述预设功率预测模型提取所述时序数据的时序特征以及所述非时序数据的非时序特征,并对所述时序特征和所述非时序特征进行融合处理,以输出所述目标发电机组的发电功率预测数据,包括:
通过所述特征提取网络提取所述时序数据的多个时序特征,并通过所述特征提取网络提取所述非时序数据的非时序特征;其中,各所述时序特征对应的时间步长不同;
通过所述第一特征融合网络对所述多个时序特征的一部分时序特征进行融合处理,得到第一功率特征;
通过所述第二特征融合网络对所述多个时序特征的另一部分时序特征和所述非时序特征进行融合处理,得到第二功率特征;
通过所述预设功率预测模型对所述第一功率特征和所述第二功率特征进行融合处理得到目标特征,并基于所述目标特征输出所述目标发电机组的发电功率预测数据。
2.根据权利要求1所述的方法,其特征在于,所述特征提取网络包括时序特征提取网络,所述时序特征提取网络包括第一时序特征提取层、第二时序特征提取层和第三时序特征提取层,所述通过所述特征提取网络提取所述时序数据的多个时序特征,包括:
通过所述第一时序特征提取层提取所述时序数据的第一时序特征;
通过所述第二时序特征提取层提取所述时序数据的第二时序特征;
通过所述第三时序特征提取层提取所述时序数据的第三时序特征;
其中,所述第一时序特征、所述第二时序特征以及所述第三时序特征对应的时间步长不同。
3.根据权利要求2所述的方法,其特征在于,所述特征提取网络包括非时序特征提取网络,所述通过所述特征提取网络提取所述非时序数据的非时序特征,包括:
通过所述非时序特征提取网络提取所述非时序数据的非时序特征。
4.根据权利要求3所述的方法,其特征在于,所述通过所述第一特征融合网络对所述多个时序特征的一部分时序特征进行融合处理,得到第一功率特征,包括:
将所述第一时序特征和所述第二时序特征输入至所述第一特征融合网络,得到所述第一特征融合网络输出的所述第一功率特征。
5.根据权利要求4所述的方法,其特征在于,所述第一特征融合网络包括第一时序特征筛选层、第二时序特征筛选层、第一合并层、融合特征提取层,所述将所述第一时序特征和所述第二时序特征输入至所述第一特征融合网络,得到所述第一特征融合网络输出的所述第一功率特征,包括:
将所述第一时序特征输入至所述第一时序特征筛选层,得到所述第一时序特征筛选层输出的第一目标时序特征;
将所述第二时序特征输入至所述第二时序特征筛选层,得到所述第二时序特征筛选层输出的第二目标时序特征;
将所述第一目标时序特征和所述第二目标时序特征输入至所述第一合并层,得到所述第一合并层输出的融合时序特征;
将所述融合时序特征输入至所述融合特征提取层,得到所述融合特征提取层输出的所述第一功率特征。
6.根据权利要求4所述的方法,其特征在于,所述通过所述第二特征融合网络对所述多个时序特征的另一部分时序特征和所述非时序特征进行融合处理,得到第二功率特征,包括:
将所述第三时序特征和所述非时序特征输入至所述第二特征融合网络,得到所述第二特征融合网络输出的所述第二功率特征。
7.根据权利要求6所述的方法,其特征在于,所述第二特征融合网络包括第三时序特征筛选层、第二合并层、混合特征提取层,所述将所述第三时序特征和所述非时序特征输入至所述第二特征融合网络,得到所述第二特征融合网络输出的所述第二功率特征,包括:
将所述第三时序特征输入至所述第三时序特征筛选层,得到所述第三时序特征筛选层输出的第三目标时序特征;
将所述第三目标时序特征和所述非时序特征输入至所述第二合并层,得到所述第二合并层输出的混合特征;
将所述混合特征输入至所述混合特征提取层,得到所述混合特征提取层输出的所述第二功率特征。
8.根据权利要求1-7中任一项所述的方法,其特征在于,所述预设功率预测模型包括第三合并层和回归器,所述通过所述预设功率预测模型对所述第一功率特征和所述第二功率特征进行融合处理得到目标特征,并基于所述目标特征输出所述目标发电机组的发电功率预测数据,包括:
将所述第一功率特征和所述第二功率特征输入至所述第三合并层,得到所述第三合并层输出的目标功率特征;
将所述目标功率特征输入至所述回归器,得到所述回归器输出的所述发电功率预测数据。
9.根据权利要求1-7中任一项所述的方法,其特征在于,所述非时序数据包括:所述目标发电机组的状态数据,和/或,所述目标发电机组的约束数据;其中,所述状态数据用于指示所述目标发电机组是否运行;所述约束数据用于指示所述目标发电机组的输出功率阈值范围;
所述时序数据包括:所述目标发电机组的天气数据,和/或,所述目标发电机组的运行数据。
10.根据权利要求1-7中任一项所述的方法,其特征在于,所述获取与目标发电机组发电功率相关的时序数据和非时序数据,包括:
获取所述目标发电机组的原始时序数据和原始非时序数据;
分别对所述原始时序数据和原始非时序数据进行数据处理,得到所述目标发电机组的时序数据和非时序数据。
11.根据权利要求10所述的方法,其特征在于,所述分别对所述原始时序数据和原始非时序数据进行数据处理,得到所述目标发电机组的时序数据和非时序数据,包括:
分别对所述原始时序数据和所述原始非时序数据进行数据预处理,得到处理后的原始时序数据和处理后的原始非时序数据;
分别对所述处理后的原始时序数据和所述处理后的原始非时序数据进行特征工程处理,得到所述时序数据和所述非时序数据。
12.一种功率预测模型训练方法,其特征在于,所述方法包括:
获取多个训练样本和与各所述训练样本对应的训练标签,其中,所述训练样本包括:与发电机组发电功率相关的时序训练数据和非时序训练数据,所述训练样本对应的训练标签包括所述发电机组的历史发电功率;
根据所述多个训练样本和与各所述训练样本对应的训练标签,对初始功率预测模型进行训练,得到预设功率预测模型;
其中,所述预设功率预测模型用于提取与目标发电机组发电功率相关的时序数据的时序特征以及非时序数据的非时序特征,并对所述时序特征和所述非时序特征进行融合处理,以输出所述目标发电机组的发电功率预测数据;所述时序数据用于指示与所述目标发电机组发电功率相关的时间序列数据,所述非时序数据用于指示与所述目标发电机组发电功率相关的非时间序列数据;
其中,所述预设功率预测模型包括特征提取网络、第一特征融合网络和第二特征融合网络,所述预设功率预测模型具体用于:
通过所述特征提取网络提取所述时序数据的多个时序特征,并通过所述特征提取网络提取所述非时序数据的非时序特征;其中,各所述时序特征对应的时间步长不同;
通过所述第一特征融合网络对所述多个时序特征的一部分时序特征进行融合处理,得到第一功率特征;
通过所述第二特征融合网络对所述多个时序特征的另一部分时序特征和所述非时序特征进行融合处理,得到第二功率特征;
通过所述预设功率预测模型对所述第一功率特征和所述第二功率特征进行融合处理得到目标特征,并基于所述目标特征输出所述目标发电机组的发电功率预测数据。
13.根据权利要求12所述的方法,其特征在于,所述根据所述多个训练样本和与各所述训练样本对应的训练标签,对初始功率预测模型进行训练,得到预设功率预测模型,包括:
将所述训练样本中的时序训练数据和非时序训练数据输入至所述初始功率预测模型,得到所述初始功率预测模型输出的所述训练样本对应的发电机组的发电功率预测数据;
根据所述训练样本对应的训练标签与所述发电机组的发电功率预测数据调整所述初始功率预测模型中的参数,得到更新后的初始功率预测模型;
将所述多个训练样本中的其他训练样本作为更新后的训练样本,返回执行所述将所述训练样本中的时序训练数据和非时序训练数据输入至所述初始功率预测模型的步骤,并持续执行,直至满足训练结束条件时,将更新后的初始功率预测模型作为所述预设功率预测模型。
14.根据权利要求13所述的方法,其特征在于,所述将所述训练样本中的时序训练数据和非时序训练数据输入至所述初始功率预测模型,得到所述初始功率预测模型输出的所述训练样本对应的发电机组的发电功率预测数据,包括:
通过所述初始功率预测模型提取所述时序训练数据的时序训练特征以及所述非时序训练数据的非时序训练特征,并对所述时序训练特征和所述非时序训练特征进行融合处理,以输出所述发电机组的发电功率预测数据。
15.根据权利要求14所述的方法,其特征在于,所述通过所述初始功率预测模型提取所述时序训练数据的时序训练特征以及所述非时序训练数据的非时序训练特征,并对所述时序训练特征和所述非时序训练特征进行融合处理,以输出所述发电机组的发电功率预测数据,包括:
通过所述初始功率预测模型提取所述时序训练数据的多个时序训练特征,并通过所述初始功率预测模型提取所述非时序训练数据的非时序训练特征;其中,各所述时序训练特征对应的时间步长不同;
对所述多个时序训练特征的一部分时序训练特征进行融合处理,得到第一训练功率特征;
对所述多个时序训练特征的另一部分时序训练特征和所述非时序训练特征进行融合处理,得到第二训练功率特征;
对所述第一训练功率特征和所述第二训练功率特征进行融合处理得到目标训练功率特征,并基于所述目标训练功率特征输出所述发电机组的发电功率预测数据。
16.根据权利要求15所述的方法,其特征在于,所述初始功率预测模型包括时序训练特征提取网络,所述时序训练特征提取网络包括第一时序特征提取层、第二时序特征提取层和第三时序特征提取层,所述通过所述初始功率预测模型提取所述时序训练数据的多个时序训练特征,包括:
通过所述第一时序特征提取层提取所述时序训练数据的第一时序训练特征;
通过所述第二时序特征提取层提取所述时序训练数据的第二时序训练特征;
通过所述第三时序特征提取层提取所述时序训练数据的第三时序训练特征;
其中,所述第一时序训练特征、所述第二时序训练特征以及所述第三时序训练特征对应的时间步长不同。
17.根据权利要求16所述的方法,其特征在于,所述初始功率预测模型包括非时序特征提取网络,所述通过所述初始功率预测模型提取所述非时序训练数据的非时序训练特征,包括:
通过所述非时序特征提取网络提取所述非时序训练数据的非时序训练特征。
18.根据权利要求17所述的方法,其特征在于,所述初始功率预测模型包括第一特征融合网络,所述对所述多个时序训练特征的一部分时序训练特征进行融合处理,得到第一训练功率特征,包括:
将所述第一时序训练特征和所述第二时序训练特征输入至所述第一特征融合网络,得到所述第一特征融合网络输出的所述第一训练功率特征。
19.根据权利要求18所述的方法,其特征在于,所述第一特征融合网络包括第一时序特征筛选层、第二时序特征筛选层、第一合并层、融合特征提取层,所述将所述第一时序训练特征和所述第二时序训练特征输入至所述第一特征融合网络,得到所述第一特征融合网络输出的所述第一训练功率特征,包括:
将所述第一时序训练特征输入至所述第一时序特征筛选层,得到所述第一时序特征筛选层输出的第一目标时序训练特征;
将所述第二时序训练特征输入至所述第二时序特征筛选层,得到所述第二时序特征筛选层输出的第二目标时序训练特征;
将所述第一目标时序训练特征和所述第二目标时序训练特征输入至所述第一合并层,得到所述第一合并层输出的融合时序训练特征;
将所述融合时序训练特征输入至所述融合特征提取层,得到所述融合特征提取层输出的所述第一训练功率特征。
20.根据权利要求18所述的方法,其特征在于,所述初始功率预测模型还包括第二特征融合网络,所述对所述多个时序训练特征的另一部分时序训练特征和所述非时序训练特征进行融合处理,得到第二训练功率特征,包括:
将所述第三时序训练特征和所述非时序训练特征输入至所述第二特征融合网络,得到所述第二特征融合网络输出的所述第二训练功率特征。
21.根据权利要求20所述的方法,其特征在于,所述第二特征融合网络包括第三时序特征筛选层、第二合并层、混合特征提取层,所述将所述第三时序训练特征和所述非时序训练特征输入至所述第二特征融合网络,得到所述第二特征融合网络输出的所述第二训练功率特征,包括:
将所述第三时序训练特征输入至所述第三时序特征筛选层,得到所述第三时序特征筛选层输出的第三目标时序训练特征;
将所述第三目标时序训练特征和所述非时序训练特征输入至所述第二合并层,得到所述第二合并层输出的混合训练特征;
将所述混合训练特征输入至所述混合特征提取层,得到所述混合特征提取层输出的所述第二训练功率特征。
22.根据权利要求15-21中任一项所述的方法,其特征在于,所述初始功率预测模型包括第三合并层和回归器,所述对所述第一训练功率特征和所述第二训练功率特征进行融合处理,得到目标训练功率特征,并基于所述目标训练特征输出所述发电机组的发电功率预测数据,包括:
将所述第一训练功率特征和所述第二训练功率特征输入至所述第三合并层,得到所述第三合并层输出的目标训练功率特征;
将所述目标训练功率特征输入至所述回归器,得到所述回归器输出的所述发电功率预测数据。
23.根据权利要求12-21中任一项所述的方法,其特征在于,所述训练样本中的非时序训练数据包括:所述训练样本对应的发电机组的历史状态数据,和/或,所述发电机组的历史约束数据;其中,所述历史状态数据用于指示所述发电机组历史是否运行;所述历史约束数据用于指示所述发电机组的历史输出功率阈值范围;
所述时序训练数据包括:所述发电机组的历史天气数据,和/或,所述发电机组的历史运行数据。
24.根据权利要求12-21中任一项所述的方法,其特征在于,所述训练样本包括发电机组对应的时序训练数据和非时序训练数据,所述获取多个训练样本,包括:
获取多个发电机组分别对应的历史时序数据和历史非时序数据;
对所述多个发电机组分别对应的历史时序数据和历史非时序数据进行数据处理,得到所述多个发电机组分别对应的时序训练数据和非时序训练数据。
25.根据权利要求24所述的方法,其特征在于,所述对所述多个发电机组分别对应的历史时序数据和历史非时序数据进行数据处理,得到所述多个发电机组分别对应的时序数据和非时序数据,包括:
对所述多个发电机组分别对应的历史时序数据和历史非时序数据进行数据清洗处理,得到所述多个发电机组分别对应的清洗后的历史时序数据和历史非时序数据;
对所述多个发电机组分别对应的清洗后的历史时序数据和历史非时序数据进行数据预处理,得到所述多个发电机组分别对应的处理后的历史时序数据和历史非时序数据;
对所述多个发电机组分别对应的处理后的历史时序数据和历史非时序数据进行特征工程处理,得到多个发电机组分别对应的时序训练数据和非时序训练数据。
26.根据权利要求12-21中任一项所述的方法,其特征在于,所述方法还包括:
获取多个测试样本和与各所述测试样本对应的测试标签,其中,所述测试样本包括:与发电机组发电功率相关的时序测试数据和非时序测试数据,所述测试样本对应的测试标签包括所述发电机组的历史发电功率;
根据所述多个测试样本和与各所述测试样本对应的测试标签,对所述预设功率预测模型进行测试;
若测试结果满足预设测试要求,则确定所述预设功率预测模型满足预设预测要求。
27.一种发电功率预测装置,其特征在于,所述装置包括:
获取模块,用于获取与目标发电机组发电功率相关的时序数据和非时序数据;其中,所述时序数据用于指示与所述目标发电机组发电功率相关的时间序列数据,所述非时序数据用于指示与所述目标发电机组发电功率相关的非时间序列数据;
输入模块,用于将所述时序数据和所述非时序数据输入至预设功率预测模型中;
预测模块,用于通过所述预设功率预测模型提取所述时序数据的时序特征以及所述非时序数据的非时序特征,并对所述时序特征和所述非时序特征进行融合处理,以输出所述目标发电机组的发电功率预测数据;
其中,所述预设功率预测模型包括特征提取网络、第一特征融合网络和第二特征融合网络,所述预测模块具体用于:
通过所述特征提取网络提取所述时序数据的多个时序特征,并通过所述特征提取网络提取所述非时序数据的非时序特征;其中,各所述时序特征对应的时间步长不同;
通过所述第一特征融合网络对所述多个时序特征的一部分时序特征进行融合处理,得到第一功率特征;
通过所述第二特征融合网络对所述多个时序特征的另一部分时序特征和所述非时序特征进行融合处理,得到第二功率特征;
通过所述预设功率预测模型对所述第一功率特征和所述第二功率特征进行融合处理得到目标特征,并基于所述目标特征输出所述目标发电机组的发电功率预测数据。
28.一种功率预测模型训练装置,其特征在于,所述装置包括:
获取模块,用于获取多个训练样本和与各所述训练样本对应的训练标签,其中,所述训练样本包括:与发电机组发电功率相关的时序数据和非时序数据,所述训练样本对应的训练标签包括所述发电机组的历史发电功率;
训练模块,用于根据所述多个训练样本和与各所述训练样本对应的训练标签,对初始功率预测模型进行训练,得到预设功率预测模型;
其中,所述预设功率预测模型用于提取与目标发电机组发电功率相关的时序数据的时序特征以及非时序数据的非时序特征,并对所述时序特征和所述非时序特征进行融合处理,以输出所述目标发电机组的发电功率预测数据;所述时序数据用于指示与所述目标发电机组发电功率相关的时间序列数据,所述非时序数据用于指示与所述目标发电机组发电功率相关的非时间序列数据;
其中,所述预设功率预测模型包括特征提取网络、第一特征融合网络和第二特征融合网络,所述预设功率预测模型具体用于:
通过所述特征提取网络提取所述时序数据的多个时序特征,并通过所述特征提取网络提取所述非时序数据的非时序特征;其中,各所述时序特征对应的时间步长不同;
通过所述第一特征融合网络对所述多个时序特征的一部分时序特征进行融合处理,得到第一功率特征;
通过所述第二特征融合网络对所述多个时序特征的另一部分时序特征和所述非时序特征进行融合处理,得到第二功率特征;
通过所述预设功率预测模型对所述第一功率特征和所述第二功率特征进行融合处理得到目标特征,并基于所述目标特征输出所述目标发电机组的发电功率预测数据。
29.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-11或者12-26中任一项所述的方法的步骤。
30.一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权利要求1-11或者12-26中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311246716.5A CN117013534B (zh) | 2023-09-26 | 2023-09-26 | 发电功率预测方法、功率预测模型训练方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311246716.5A CN117013534B (zh) | 2023-09-26 | 2023-09-26 | 发电功率预测方法、功率预测模型训练方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117013534A CN117013534A (zh) | 2023-11-07 |
CN117013534B true CN117013534B (zh) | 2024-02-20 |
Family
ID=88572935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311246716.5A Active CN117013534B (zh) | 2023-09-26 | 2023-09-26 | 发电功率预测方法、功率预测模型训练方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117013534B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111592A (zh) * | 2021-05-06 | 2021-07-13 | 云南电力技术有限责任公司 | 一种基于emd-lstm的短期风电功率预测方法 |
CN113627685A (zh) * | 2021-09-02 | 2021-11-09 | 国电和风风电开发有限公司 | 一种考虑风电上网负荷限制的风力发电机功率预测方法 |
CN115169742A (zh) * | 2022-08-10 | 2022-10-11 | 上海应用技术大学 | 一种短期风力发电功率预测方法 |
CN115660161A (zh) * | 2022-10-18 | 2023-01-31 | 三峡大学 | 一种基于时序融合Transformer模型的中期小时级负荷概率预测方法 |
WO2023093774A1 (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 | 基于深度学习的风电集群功率预测方法 |
-
2023
- 2023-09-26 CN CN202311246716.5A patent/CN117013534B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111592A (zh) * | 2021-05-06 | 2021-07-13 | 云南电力技术有限责任公司 | 一种基于emd-lstm的短期风电功率预测方法 |
CN113627685A (zh) * | 2021-09-02 | 2021-11-09 | 国电和风风电开发有限公司 | 一种考虑风电上网负荷限制的风力发电机功率预测方法 |
WO2023093774A1 (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 | 基于深度学习的风电集群功率预测方法 |
CN115169742A (zh) * | 2022-08-10 | 2022-10-11 | 上海应用技术大学 | 一种短期风力发电功率预测方法 |
CN115660161A (zh) * | 2022-10-18 | 2023-01-31 | 三峡大学 | 一种基于时序融合Transformer模型的中期小时级负荷概率预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117013534A (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114362367B (zh) | 面向云边协同的输电线路监测系统和方法、识别系统和方法 | |
KR102172925B1 (ko) | 딥러닝 기반 기후 변화 예측 시스템의 동작 방법 | |
CN116627708B (zh) | 存储故障分析系统及其方法 | |
CN111967675A (zh) | 光伏发电量的预测方法以及预测装置 | |
CN113988477A (zh) | 基于机器学习的光伏功率短期预测方法、装置及存储介质 | |
CN112836870B (zh) | 预测风电功率的方法、装置、设备和计算机可读存储介质 | |
CN116468186B (zh) | 一种航班链延误时间预测方法、电子设备及存储介质 | |
CN114399066A (zh) | 基于弱监督学习的机械设备预知性维护系统和维护方法 | |
CN116663540A (zh) | 基于小样本的金融事件抽取方法 | |
CN116008729A (zh) | 电力故障诊断预警方法、装置、设备及存储介质 | |
CN114925238A (zh) | 一种基于联邦学习的视频片段检索方法及系统 | |
Wu et al. | Generative design for resilience of interdependent network systems | |
CN117013534B (zh) | 发电功率预测方法、功率预测模型训练方法、装置和设备 | |
Indra et al. | Modeling of optimal deep learning based flood forecasting model using twitter data | |
CN116825238A (zh) | 基于物理信息融合神经网络的晶体几何形状及对称性预测方法和装置 | |
CN117439045A (zh) | 综合能源系统多元负荷预测方法 | |
CN116995673B (zh) | 电力负荷预测方法、电力负荷预测模型训练方法和装置 | |
CN115409122A (zh) | 一种变电设备并发故障分析方法、系统、设备及介质 | |
CN114970336A (zh) | 一种基于改进GCN-attention算法的交通流预测方法 | |
CN115114930A (zh) | 一种基于序列到森林的非连续实体识别方法 | |
CN113822467A (zh) | 一种电力区域负荷的图神经网络预测方法 | |
CN117909887B (zh) | 一种电网雷电多重预警方法及系统 | |
CN117034780B (zh) | 一种基于深度学习的多尺度次季节降水量预测方法 | |
Wei et al. | Compression and Storage Algorithm of Key Information of Communication Data Based on Backpropagation Neural Network. | |
CN117436351B (zh) | 复杂气象下基于知识图谱的电网设备故障预测方法及系统 |
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 |