CN117277314B - 风电功率预测方法、装置、电子设备及可读存储介质 - Google Patents

风电功率预测方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN117277314B
CN117277314B CN202311551978.2A CN202311551978A CN117277314B CN 117277314 B CN117277314 B CN 117277314B CN 202311551978 A CN202311551978 A CN 202311551978A CN 117277314 B CN117277314 B CN 117277314B
Authority
CN
China
Prior art keywords
population
term
optimized
wind power
rate
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
CN202311551978.2A
Other languages
English (en)
Other versions
CN117277314A (zh
Inventor
苏明辉
楚俊昌
郑奕
孔瑞霞
郑畅蕊
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.)
Shenzhen Aerospace Science And Technology Co ltd
Original Assignee
Shenzhen Aerospace Science And Technology 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 Shenzhen Aerospace Science And Technology Co ltd filed Critical Shenzhen Aerospace Science And Technology Co ltd
Priority to CN202311551978.2A priority Critical patent/CN117277314B/zh
Publication of CN117277314A publication Critical patent/CN117277314A/zh
Application granted granted Critical
Publication of CN117277314B publication Critical patent/CN117277314B/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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06N3/08—Learning methods
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • 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
    • 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

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

Abstract

本申请应用于风力发电技术领域，公开了一种风电功率预测方法、装置、电子设备及可读存储介质，所述风电功率预测方法包括：获取待训练LSTM模型的待优化种群和风电训练数据，所述待优化种群包括至少一个个体染色体，所述个体染色体为所述待训练LSTM模型的各超参数的组合；基于所述待训练LSTM模型和所述风电训练数据，对所述待优化种群的待调变异率和待调交叉率进行迭代自适应调整以对所述待优化种群进行迭代交叉变异，直至得到满足预设优化条件的目标种群；在目标种群中选择目标染色体，并将目标染色体对应的目标超参组合配置在所述待训练LSTM模型，得到风电功率预测模型。旨在解决风电功率预测效率低的技术问题。

Description

风电功率预测方法、装置、电子设备及可读存储介质
技术领域
本申请属于风力发电技术领域，涉及一种风电功率预测方法、装置、电子设备及可读存储介质。
背景技术
随着风力发电被人类广泛应用，风电资源在电力系统中的渗透率也越来越高，风能是发电成本最低并且可用资源最多的可再生能源之一，风电技术现在已经成为全球日益增长的清洁电力市场，然而，风的产生具有随机性，风电具有间歇性和不确定性，所以，风力发电受季节、地形、温度、气压等各种因素的影响；因此，风电功率的预测尤为重要。
目前，存在通过模型对分离发电的功率进行预测，例如，通过LSTM(Long Short-Term Memory，长短期记忆网络)模型进行预测，虽然LSTM模型可以应用于风电功率的超短期预测，但LSTM模型在进行风电功率预测时，需要人工对LSTM模型的超参数进行调整，以提高LSTM模型的风电功率预测准确度，而人工调整需要花费大量的调试时间，且人工难以将超参数调整值最优，从而使得LSTM模型的预测效果不佳，进而导致风险功率预测效率低的技术问题。
上述内容仅用于辅助理解本申请的技术方案，并不代表承认上述内容为现有技术。
发明内容
本申请的主要目的在于提供一种风电功率预测方法、装置、电子设备及可读存储介质，旨在解决风电功率预测效率低的技术问题。
为实现上述目的，本申请提供一种风电功率预测方法，所述风电功率预测方法包括：
获取待训练LSTM模型的待优化种群和风电训练数据，所述待优化种群包括至少一个个体染色体，所述个体染色体为所述待训练LSTM模型的各超参数的组合；
基于所述待训练LSTM模型和所述风电训练数据，对所述待优化种群的待调变异率和待调交叉率进行迭代自适应调整以对所述待优化种群进行迭代交叉变异，直至得到满足预设优化条件的目标种群；
在目标种群中选择目标染色体，并将目标染色体对应的目标超参组合配置在所述待训练LSTM模型，得到风电功率预测模型。
为实现上述目的，本申请提供一种风电功率预测装置，所述风电功率预测装置包括：
获取模块，用于获取待训练LSTM模型的待优化种群和风电训练数据，所述待优化种群包括至少一个个体染色体，所述个体染色体为所述待训练LSTM模型的各超参数的组合；
迭代交叉变异模块，用于基于所述待训练LSTM模型和所述风电训练数据，对所述待优化种群的待调变异率和待调交叉率进行迭代自适应调整以对所述待优化种群进行迭代交叉变异，直至得到满足预设优化条件的目标种群；
模型确定模块，用于在目标种群中选择目标染色体，并将目标染色体对应的目标超参组合配置在所述待训练LSTM模型，得到风电功率预测模型。
本申请还提供一种电子设备，所述电子设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述风电功率预测方法的程序，所述风电功率预测方法的程序被处理器执行时可实现如上述的风电功率预测方法的步骤。
本申请还提供一种可读存储介质，所述可读存储介质上存储有实现风电功率预测方法的程序，所述风电功率预测方法的程序被处理器执行时实现如上述的风电功率预测方法的步骤。
本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的风电功率预测方法的步骤。
本申请提供了一种风电功率预测方法、装置、电子设备及可读存储介质，本申请通过获取待训练LSTM模型的待优化种群，待优化种群包括至少一个个体染色体，个体染色体为待训练LSTM模型的各超参数的组合，基于所述待训练LSTM模型和所述风电训练数据，对所述待优化种群的变异率和交叉率进行迭代自适应调整以对所述待优化种群进行迭代交叉变异，直至得到满足优化条件的目标种群，通过待训练LSTM模型和风电训练数据，对待优化种群的变异率和交叉率进行迭代自适应调整，其中，风电训练数据是风力发电场景下对应的数据，
由于可以基于待训练LSTM模型和风电训练数据，对待优化种群进行自适应调整，从而可以提高待优化种群的变异率和交叉率与风力发电场景下的适配程度，进而提高待优化种群的交叉变异效率，使得可以更快得到满足预设优化条件的目标种群，进而可以从目标种群中选择目标染色体，将目标染色体对应的目标超参组合配置在所述待训练LSTM模型，得到风电功率预测模型。
进一步的，由于目标种群是符合预设优化条件的种群，所以可以选择得到最佳的目标染色体，进而将目标染色体对应的目标超参组合配置在待训练LSTM模型上，得到风电功率预测模型，从而可以提高风电功率预测模型预测风电功率的准确度，无需人工调整风电功率预测模型的超参数，通过对待优化种群的变异率和交叉率进行迭代自适应调整从而提高对待优化种群的变异交叉效率，进而提高了待训练LSTM模型的超参数调整效率，从而提高风电功率的预测效率。
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，表示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请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为本申请风电功率预测方法第一实施例的流程示意图；
图2为本申请风电功率预测方法第二实施例的流程示意图；
图3为本申请风电功率预测方法第三实施例的流程示意图；
图4为本申请风电功率预测方法一实施例的装置示意图；
图5为本申请实施例中风电功率预测方法涉及的硬件运行环境的设备结构示意图。
本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，均属于本申请保护的范围。
实施例一
参照图1，本申请实施例提供一种风电功率预测方法，在本申请风电功率预测方法的第一实施例中，所述风电功率预测方法包括：
步骤S10，获取待训练LSTM模型的待优化种群和风电训练数据，所述待优化种群包括至少一个个体染色体，所述个体染色体为所述待训练LSTM模型的各超参数的组合；
需要说明的是，待训练LSTM模型应用于风力发电场景，待训练LSTM模型用于风力发电厂的发电功率，待训练LSTM模型为LSTM模型；风电训练数据包括风电样本集和风电验证集，风电样本集为所述待训练LSTM模型的输入数据，风电验证集为所述待训练LSTM模型的验证数据。所述待优化种群为所述待训练LSTM模型的各超参数组合对应的个体染色体集合，所述个体染色体表征为超参数组合，超参数为待训练LSTM模型运行前需要确定的参数，超参数可以为隐藏单元的数量（LSTM单元数）、dropout（遗漏）率或学习率等。
在一可行实施例中，步骤S10包括：
步骤S11，获取所述待长短模型的超参信息，所述超参信息包括多个超参数；
步骤S12，通过遗传算法对各所述超参数进行随机组合，得到各超参数组合；
步骤S13，分别构建各所述超参组合的个体染色体，得到所述待优化种群。
需要说明的是,超参信息为待长短模型对应的各个超参数，各超参数可以用户自定义的，遗传算法为GA（GeneticAlgorithm，遗传算法），遗传算法可以对超参数进行随机组合，并构建超参数组合的个体染色体，从而可以得到待优化种群。通过引入遗传算法，从而可以利用个体染色体的交叉编译对各超参数组合进行调整，进而便于找到最佳的超参数组合。
步骤S20，基于所述待训练LSTM模型和所述风电训练数据，对所述待优化种群的待调变异率和待调交叉率进行迭代自适应调整以对所述待优化种群进行迭代交叉变异，直至得到满足预设优化条件的目标种群；
需要说明的是，待调变异率表征为待优化种群中个体染色体的变异率，待调交叉率表征为待优化种群中各个体染色体之间的交叉率，待调变异率和待调交叉率均可以自适应调整，以适应风力发电场景；预设优化条件用于判断待优化种群是否需要进行再交叉变异，预设优化条件可以为待优化种群的种群适应度趋于平稳，预设优化条件也可以为待优化种群的迭代次数满足预设迭代值，其中，种群适应度趋于平稳是指连续迭代得到的各种群适应度的两两种群适应度之差在预设波动范围内，预设波动范围可以基于实际情况确定。目标种群中包括最佳超参数组合对应的个体染色体。目标种群由待训练LSTM模型迭代训练得到。种群适应度表征为待优化种群中的各个体染色体配置在待训练LSTM模型上时，各待训练LSTM模型的预测表现的平均值，预测表现为待训练LSTM模型的训练结果与风电验证集之间的训练距离，训练距离可以是训练结果与风电验证集之差。
步骤S30，在目标种群中选择目标染色体，并将目标染色体对应的目标超参组合配置在所述待训练LSTM模型，得到风电功率预测模型。
需要说明的是，目标种群中包括至少一个个体染色体，每个个体染色体有对应的染色适应度，可以在目标种群中选择染色适应度最高的个体染色体作为目标染色体，目标染色体为在目标种群中染色适应度最高的个体染色体，染色适应度越高说明个体染色体对应的超参数组合越佳，所述目标染色体也为在目标种群中超参数组合最佳的个体染色体。风电功率预测模型为配置了最佳超参数组合的LSTM模型，风电功率预测模型用于预测风力发电厂的功率。
示例性的，步骤S10至步骤S30包括：获取待训练LSTM模型的待优化种群和风电训练数据，所述待优化种群包括至少一个个体染色体，所述个体染色体为所述待训练LSTM模型的各超参数的组合；基于所述待训练LSTM模型和所述风电训练数据，对所述待优化种群的待调变异率和待调交叉率进行迭代自适应调整以对所述待优化种群进行迭代交叉变异，直至得到满足预设优化条件的目标种群；在目标种群中选择染色适应度最高的目标染色体，对所述目标染色体进行解码得到目标超参数组合，将所述目标超参数组合配置在待训练LSTM模型中，得到风电功率预测模型。
由于本申请实施例可以基于待训练LSTM模型和风电训练数据，对待优化种群进行自适应调整，从而可以提高待优化种群的变异率和交叉率与风力发电场景下的适配程度，进而提高待优化种群的交叉变异效率，使得可以更快得到满足预设优化条件的目标种群，进而可以从目标种群中选择目标染色体，将目标染色体对应的目标超参组合配置在所述待训练LSTM模型，得到风电功率预测模型。
进一步的，由于目标种群是符合预设优化条件的种群，所以可以选择得到最佳的目标染色体，进而将目标染色体对应的目标超参组合配置在待训练LSTM模型上，得到风电功率预测模型，从而可以提高风电功率预测模型预测风电功率的准确度，无需人工调整风电功率预测模型的超参数，通过对待优化种群的变异率和交叉率进行迭代自适应调整从而提高对待优化种群的变异交叉效率，进而提高了待训练LSTM模型的超参数调整效率，从而提高风电功率的预测效率。
实施例二
进一步地，参照图2，基于本申请上述实施例，在本申请另一实施例中，与上述实施例相同或相似的内容，可以参考上文介绍，后续不再赘述。在此基础上，所述基于所述待训练LSTM模型和所述风电训练数据，对所述待优化种群的待调变异率和待调交叉率进行迭代自适应调整以对所述待优化种群进行迭代交叉变异，直至得到满足预设优化条件的目标种群的步骤包括：
步骤A10，基于所述待训练LSTM模型和所述风电训练数据，确定所述待优化种群的当前种群适应度；
步骤A20，根据所述当前种群适应度和所述待优化种群的更新次数，判断所述待优化种群是否满足预设优化条件；
步骤A30，若是，则得到所述目标种群；
步骤A40，若否，则根据所述当前种群适应度和所述待优化种群的历史适应度信息，对所述待优化种群的待调变异率和待调交叉率进行自适应调整，得到目标变异率和目标交叉率，根据所述目标变异率和所述目标交叉率对所述待优化种群进行交叉变异得到中间种群；
步骤A50，并基于所述中间种群更新所述待优化种群，并更新所述待优化种群的所述迭代次数，以及返回执行步骤：基于所述待训练LSTM模型和所述风电训练数据，确定所述待优化种群的当前种群适应度。
需要说明的是，当前种群适应度为当前配置在待训练LSTM模型上的待优化种群对应的种群适应度，迭代次数为待优化种群进行交叉变异得到中间种群的次数；目标变异率为基于当前种群适应度自适应调整后的待调变异率，目标交叉率为基于当前种群适应度自适应调整后的待调交叉率；目标变异率和目标交叉率用于对待优化种群进行交叉变异，中间种群为待优化种群在迭代过程中产生的种群，待优化种群可以更新为中间种群，当待优化种群满足预设优化条件时，则确定中间种群为目标种群。另外，还需要说明的是当待优化种群第一次开始更新变异时，初始的待调交叉率和待调变异率可以是自定义的。
示例性的，步骤A10至步骤A15包括：将待优化种群中的各个体染色体分别配置在待训练LSTM模型上，得到各个体染色体分别对应的染色训练模型，根据风电训练数据和染色训练模型，确定待优化种群的当前种群适应度；根据所述当前种群适应度和所述待优化种群的迭代次数，判断所述待优化种群是否满足预设优化条件；若待优化种群是否满足预设优化条件，则将待优化种群作为所述目标种群；若待优化种群是否不满足预设优化条件，则根据短期变化趋势和长期变化趋势，对所述待调变异率进行调整得到目标变异率，以及根据所述短期变化趋势和所述长期变化趋势，对所述待调交叉率进行调整得到目标交叉率。根据所述目标变异率和所述目标交叉率对所述待优化种群进行交叉变异得到中间种群，并基于所述中间种群更新所述待优化种群，并更新所述待优化种群的所述迭代次数，以及返回执行步骤：基于所述待训练LSTM模型和所述风电训练数据，确定所述待优化种群的当前种群适应度。
其中，根据所述当前种群适应度和所述待优化种群的迭代次数，判断所述待优化种群是否满足预设优化条件的步骤包括：
若待优化种群的迭代次数大于或等于预设迭代值，和/或当前种群适应度趋于平稳，则确定所述待优化种群满足预设优化条件，其中，当前种群适应度趋于平稳是指当前的种群适应度以及多个历史的种群适应度的两两种群适应度之差在预设波动范围内；历史的种群适应度为与当前种群适应度依次连续的种群适应度，当前的种群适应度的时间在历史种群适应度之前。
本申请实施例通过待优化种群进行迭代交叉变异，从而实现对各超参数组合的自动调整，并基于多次交叉变异选择最佳的超参数组合，无需人工调整，从而提高了超参数调整的效率。通过对遗传算法的待调变异率和待调交叉率进行自适应调整，使得能更快的找到最佳的超参数组合，加快了待训练LSTM模型的优化进程。
在一可行实施例中，步骤A10包括：
步骤A11，对各所述个体染色体进行解码，得到各所述个体染色体分别对应的超参数组合；
步骤A12，分别将各所述超参数组合配置在所述待训练LSTM模型，得到各个体染色体分别对应的染色训练模型；
步骤A13，将所述风电样本集分别输入各所述染色训练模型，分别对各所述染色训练模型进行预设轮次的训练，得到各所述染色训练模型分别对应的训练结果；
步骤A14，计算各所述训练结果分别与所述风电验证集之间的风电预测误差，分别将各所述风电预测误差的相反数，作为各所述个体染色体分别对应的染色适应度；
步骤A15，计算各所述染色适应度的平均值，得到所述当前种群适应度。
需要说明的是，染色训练模型为待优化种群中的个体染色体对应的超参数组合配置在待训练LSTM模型上的模型，染色训练模型用于确定待优化种群中的个体染色体对应的染色适应度；训练结果为基于风电样本集对染色训练模型进行预设轮次训练时，各次训练的训练信息的集合；染色适应度表征为染色训练模型的预测准确度；染色适应度与预测准确度呈正比；风电预测误差为训练结果与风电验证集之间的均方误差（MSE，mean squareerror），均方误差越小说明训练结果与风电验证集之间的距离越小，说明预测越准确。染色适应度为风电预测误差相反数，从而使得遗传算法可以选择高适应度的个体染色体作为进行交叉变异的个体染色体，进而提高确定最佳超参数组合的效率。当前种群适应度为待优化种群中各个体染色体对应的染色适应度的平均值，预设轮次表征为染色训练模型的训练次数，预设轮次可以自定义。
示例性的，步骤A11至步骤A15包括：对各所述个体染色体进行解码，得到各所述个体染色体分别对应的超参数组合；分别将各所述超参数组合配置在所述待训练LSTM模型，得到各个体染色体分别对应的染色训练模型；将所述风电样本集分别输入各所述染色训练模型，分别对各所述染色训练模型进行预设轮次的训练，得到各所述染色训练模型分别对应的训练结果；计算各所述训练结果分别与所述风电验证集之间的均方误差，分别将各所述均方误差的相反数，作为各所述个体染色体分别对应的染色适应度；计算各所述染色适应度的平均值，得到所述当前种群适应度。
本申请实施例通过确定各个体染色体对应的染色适应度，从而可以在风电功率预测场景下，确定各超参数组合与待训练LSTM模型的适配程度，进而便于确定风电功率预测场景下的最佳超参数组合。
在一可行实施例中，步骤A40还包括：
步骤A41，从所述历史适应度信息中获取预设短期时段的各短期适应度，以及从所述历史适应度信息中获取预设长期时段的各长期适应度；
需要说明的是，历史适应度信息表征为待优化种群的历史种群适应度，待优化种群每次迭代时会产生种群适应度；预设短期时段为当前种群适应度的对应的近期的时段，预设长期时段为当前种群适应度对应的长期的时段，预设短期时段小于预设长期时段。短期适应度为预设短期时段内历史种群适应度，长期适应度为预设长期时段内的历史种群适应度。当待优化种群的迭代次数小于预设长期获取阈值时，则不需要获取预设长期时段的各长期适应度，从而也不需考虑长期趋势对待调变异率和待调交叉率的影响，预设长期获取阈值为可以基于实际情况设定，例如预设长期获取阈值可以设为4，当待优化种群的迭代次数超过4时，则可以获取各长期适应度。
示例性的，判断所述待优化种群的迭代次数是否大于预设长期获取阈值；若待优化种群的迭代次数大于预设长期获取阈值，则从所述历史适应度信息中获取预设短期时段的各短期适应度，以及从所述历史适应度信息中获取预设长期时段的各长期适应度；若待优化种群的迭代次数大于预设长期获取阈值，则从所述历史适应度信息中获取预设短期时段的各短期适应度。
步骤A42，根据各所述短期适应度和所述当前种群适应度，确定所述待优化种群的短期变化趋势，以及根据各所述长期适应度和所述当前种群适应度，确定所述待优化种群的长期变化趋势；
需要说明的是，短期变化趋势为待优化种群的各短期适应度以及当前种群适应度的变化趋势，短期变化趋势可以表示为各短期适应度与当前种群适应度的曲线，按照短期适应度的时间先后顺序和当前种群适应度的时间构建曲线，短期变化趋势也可以是两两短期适应度之间的差值，短期适应度与当前种群适应度之间的差值，短期变化趋势可以为波动大，趋于平稳等的状态，通过短期变化趋势对应的曲线，根据曲线的最高点和最低点，确定短期波动差值。
长期变化趋势为待优化种群的各长期适应度以及当前种群适应度的变化趋势，长期变化趋势可以表示为各长期适应度与当前种群适应度的曲线，长期变化趋势也可以是两两长期适应度之间的差值，长期适应度与当前种群适应度之间的差值，长期变化趋势可以为波动大，趋于平稳等的状态，通过长期变化趋势对应的曲线，根据曲线的最高点和最低点，确定长期波动差值。长期变化趋势可以包括短期变化趋势，长期变化趋势用于确定待优化种群整体的种群适应度变化，也即，长期变化趋势为从待优化种群第一次迭代开始到当前迭代时的种群适应度的变化趋势。
示例性的，按照短期适应度的时间先后顺序和当前种群适应度的时间构建第一曲线，得到短期变化趋势，按照长期适应度的时间先后顺序和当前种群适应度的时间构建第二曲线，得到长期变化趋势。
步骤A43，根据短期变化趋势确定所述待调变异率的短期变异调整因子和所述待调交叉率的短期交叉调整因子，以及根据长期变化趋势确定所述待调变异率的长期变异调整因子和长期交叉调整因子；
需要说明的是，短期变异调整因子用于调整待调变异率，短期变异调整因子可以是用于增大待调变异率，也可以是用于减小待调变异率，短期变异调整因子表征为短期变化趋势对待调变异率的影响；短期交叉调整因子用于调整待调交叉率，短期交叉调整因子可以是用于增大待调交叉率，也可以是用于减小待调交叉率，短期交叉调整因子表征为短期变化趋势对待调交叉率的影响。
长期变异调整因子用于调整待调变异率，长期变异调整因子可以是用于增大待调变异率，也可以是用于减小待调变异率，长期变异调整因子表征为长期变化趋势对待调变异率的影响；长期交叉调整因子用于调整待调交叉率，长期交叉调整因子可以是用于增大待调交叉率，也可以是用于减小待调交叉率，长期交叉调整因子表征为长期变化趋势对待调交叉率的影响。
步骤A44，根据预设长短调整权重、所述短期变异调整因子和所述长期变异调整因子，对所述待调变异率进行调整得到目标变异率，以及根据所述长短调整权重、所述短期交叉调整因子和所述长期变异调整因子，对所述待调交叉率进行调整得到目标交叉率。
需要说明的是，预设长短调整权重包括预设长期权重和预设短期权重，预设长期权重用于描述在调整待调变异率和待调交叉率时长期变化趋势的影响程度，预设长短调整权重用于描述在调整待调变异率和待调交叉率时短期变化趋势的影响程度。
示例性的，根据预设长短调整权重，对所述短期变异调整因子和所述长期变异调整因子进行加权求和，得到总变异调整因子，计算总变异调整因子与待调变异率之和得到目标变异率，根据所述长短调整权重、对所述短期交叉调整因子和所述长期变异调整因子进行加权求和，得到总交叉调整因子，将总交叉调整因子与待调交叉率作为目标交叉率。
本申请实施例通过长期变化趋势和短期变化趋势，对待调变异率和待调交叉率进行调整，从而实现全面反映待优化种群的状态，以提高调整待调交叉率和待调变异率的准确性，进而能够更快速的找到最佳超参数组合，提高遗传算法的搜索效率。
在一可行实施例中，所述根据短期变化趋势确定待调变异率的短期变异调整因子和待调交叉率的短期交叉调整因子的步骤包括：
步骤X10，若所述短期变化趋势的短期波动差值大于预设波动阈值，则基于预设增强因子、所述待调变异率和短期平均适应差值确定短期变异调整因子，以及基于所述预设增强因子、所述待调交叉率和短期平均适应差值确定短期交叉调整因子；
需要说明的是，短期波动差值为短期变化趋势对应的最大的种群适应度的差值，预设增强因子可以表征为增大待调变异率，也可以用于表征为增大待调交叉率，预设增强因子可以为正数1；短期平均适应差值为短期变化趋势对应的各短期适应度分别与当前种群适应度之间的差值的平均值，短期平均适应差值为正值，预设波动阈值为预设的。
示例性的，判断所述短期变化趋势的短期波动差值是否大于预设波动阈值，若所述短期变化趋势的短期波动差值大于预设波动阈值，则计算预设增强因子、所述待调变异率和短期平均适应差值之积，得到短期变异调整因子，以调大待调变异率；计算所述预设增强因子、所述待调交叉率和短期平均适应差值之积得到短期交叉调整因子，以调大待调交叉率。
通过计算预设增强因子、所述待调变异率和短期平均适应差值之积，从而考虑了在待调变异率的基础上，灵活调整短期变异调整因子，以提高短期变异调整因子的准确度。通过计算所述预设增强因子、所述待调交叉率和短期平均适应差值之积得到短期交叉调整因子，从而考虑了在待调交叉率的基础上，灵活调整短期交叉调整因子，以提高短期交叉调整因子的准确度。
当短期变化趋势的短期波动差值大于预设波动阈值，说明在风电预测场景下，短期变化趋势波动较大，说明短期内待优化种群与待训练LSTM模型适配度较低，则可以提高待调交叉率和待调变异率，以加速对待优化种群中的个体染色体进行交叉重组变异等，以得到更多的新的超参数组合，从而便于快速找到最佳的超参数组合。
步骤X20，若所述短期变化趋势的短期波动差值小于或等于所述预设波动阈值，则基于预设减弱因子、所述待调变异率和所述短期平均适应差值确定短期变异调整因子，以及基于所述预设减弱因子、所述待调交叉率和所述短期平均适应差值确定短期交叉调整因子。
需要说明的是，预设减弱因子可以表征为减小待调变异率，也可以用于表征为减小待调交叉率，预设减弱因子可以为负数1。示例性的，若所述短期变化趋势的短期波动差值小于或等于所述预设波动阈值，则计算预设减弱因子、所述待调变异率和所述短期平均适应差值之积得到短期变异调整因子，以调小待调变异率，以及计算所述预设减弱因子、所述待调交叉率和所述短期平均适应差值之积得到短期交叉调整因子，以调小待调变异率。
当短期变化趋势的短期波动差值小于或等于预设波动阈值时，说明在风电预测场景下，短期变化趋势较为平稳，说明短期内待优化种群与待训练LSTM模型适配度较高，待优化种群中存在较多的与待训练LSTM模型适配度高的个体染色体，则可以调小待调交叉率和待调变异率，以减小个体染色体的变异交叉概率，从而降低较优的超参数变异交叉的概率，从而提高确定最佳超参数组合的效率。
在一可行实施例中，所述根据长期变化趋势确定待调变异率的长期变异调整因子和长期交叉调整因子的步骤包括：
步骤Y10，若所述长期变化趋势的长期波动差值大于预设波动阈值，则基于预设增强因子、所述待调交叉率和长期平均适应差值确定长期交叉调整因子，以及基于预设减弱因子、所述待调变异率和所述长期平均适应差值确定长期变异调整因子；
需要说明的是，长期波动差值为长期变化趋势对应的最大的种群适应度的差值，预设增强因子可以表征为增大待调变异率，也可以用于表征为增大待调交叉率，预设增强因子可以为正数1；长期平均适应差值为长期变化趋势对应的各长期适应度分别与当前种群适应度之间的差值的平均值的反比，长期平均适应差值为正值。
示例性的，判断长期变化趋势的长期波动差值是否大于预设波动阈值；若所述长期变化趋势的长期波动差值大于预设波动阈值，则计算预设增强因子、所述待调交叉率和长期平均适应差值之积得到长期交叉调整因子，以增大待调交叉率；计算所述预设减弱因子、所述待调变异率和所述长期平均适应差值之积得到长期变异调整因子，以减小待调变异率。
当长期变化趋势的长期波动差值大于预设波动阈值，说明在风电预测场景下，长期变化趋势在上升，说明长期内待优化种群与待训练LSTM模型适配度在持续增加，则可以提高待调交叉率，从而可以提高，高适配个体染色体之间的交叉率，从而便于快速提高待优化种群的种群适应度，进而便于快速找到最佳的超参数组合，可以减小变异率，从而减小高适配个体染色体的变异概率，从而保留更多的高适配的个体染色体。
步骤Y20，若所述长期变化趋势的长期波动差值小于或等于预设波动阈值，则基于预设减弱因子、所述待调交叉率和长期平均适应差值确定长期交叉调整因子，以及基于所述预设增强因子、所述待调变异率和所述长期平均适应差值确定长期变异调整因子。
需要说明的是，预设减弱因子可以表征为减小待调变异率，也可以用于表征为减小待调交叉率，预设减弱因子可以为负数1。
示例性的，若所述长期变化趋势的长期波动差值小于或等于预设波动阈值，则计算预设减弱因子、所述待调交叉率和长期平均适应差值之积得到长期交叉调整因子，以减小待调交叉率；以及计算所述预设增强因子、所述待调变异率和所述长期平均适应差值之积得到长期变异调整因子，以增大待调交叉率。
当长期变化趋势的长期波动差值小于或等于预设波动阈值时，说明在风电预测场景下，长期变化趋势较为平稳，说明可能待优化种群可能陷入局部最优或平稳状态，此时需要提高待调变异率以打破这种状态，避免最终确定的最佳超参数组合是局部最佳，而不是整体最佳，从而避免降低待训练LSTM模型的准确度。
实施例三
进一步地，参照图3，基于本申请上述实施例，在本申请另一实施例中，与上述实施例相同或相似的内容，可以参考上文介绍，后续不再赘述。在此基础上，所述根据所述目标变异率和所述目标交叉率对所述待优化种群进行交叉变异，得到中间种群的步骤包括：
步骤B10，分别计算所述待优化种群中各个体染色体的染色适应度在所述当前种群适应度的占比，得到各所述个体染色体分别对应的染色比值；
步骤B20，基于所述待优化种群上一时间步的历史种群适应度、当前种群适应度以及所述待优化种群的多样性，确定动态轮赌次数；
步骤B30，根据各所述染色比值和所述动态轮赌次数，对各所述个体染色体进行轮盘赌，得到待交变染色集合；
步骤B40，根据所述目标变异率和所述目标交叉率对所述待交变染色集合中的各待交变染色体进行交叉变异，得到所述中间种群。
需要说明的是，染色比值为个体染色体的染色适应度占当前种群适应度的比，动态轮赌次数为进行轮盘赌的次数，动态轮赌次数可以基于待优化群体的情况进行调整。待交变染色集合为待优化种群中进行交叉变异的个体染色体集合。所述染色比值用于描述个体染色体被选中的概率。
示例性的，步骤B10至步骤B40包括：分别计算所述待优化种群中各个体染色体的染色适应度在所述当前种群适应度的占比，得到各所述个体染色体分别对应的染色比值；将各个体染色体案各自的染色比值排布在同一模拟转盘上，进而转动模拟转盘，转盘停止时指针所指向的个体染色体即为待交变染色体，对模拟转盘进行动态轮赌次数的转动，以得到数量为动态轮赌次数的待交变染色体，各待交变染色体组合待交变染色集合，进而根据目标交叉率和目标变异率对各待交变染色体进行交叉变异，得到中间种群。
本申请实施例基于各染色比值，对各个体染色体进行轮盘赌，在各个体染色体中选择待交变染色体，实现对各个体染色体的盲选，提高超参数组合的随机性。
在一可行实施例中，步骤B20还包括：
步骤B21，若所述历史种群适应度与所述当前种群适应度之间的适应度差值大于或等于预设差值，且所述待优化种群的多样性小于预设多样阈值，则计算将所述待优化种群的上一时间步的历史轮赌次数与预设多样变化因子之和，得到动态轮赌次数；
步骤B22，若所述适应度差值小于所述预设差值，则计算所述历史轮赌次数与所述预设多样变化因子之差得到所述动态轮赌次数。
需要说明的是，历史轮赌次数为待优化种群在上一时间步的动态轮赌次数，当待优化种群是第一次迭代，上一时间步不存在历史轮赌次数时，可以将预设轮赌次数作为第一迭代时的动态轮赌次数；预设多样变化因子用于动态调整动态轮赌次数，多样性为待优化种群中不同个体染色体的数量，不同个体染色体的数量越多，多样性越好；预设多样阈值为保证待优化种群能迭代出最佳超参数组合设置的最小多样性，预设差值为自定义的预设差值。
示例性的，步骤B21至步骤B22包括：判断所述历史种群适应度与所述当前种群适应度之间的适应度差值是否大于或等于预设差值；若所述历史种群适应度与所述当前种群适应度之间的适应度差值大于或等于预设差值，则判断所述待优化种群的多样性是否小于预设多样阈值；若所述待优化种群的多样性小于预设多样阈值，则计算将所述待优化种群的上一时间步的历史轮赌次数与预设多样变化因子之和，得到动态轮赌次数；若所述待优化种群的多样性大于或等于预设多样阈值，则将历史轮赌次数作为动态轮赌次数；若所述适应度差值小于所述预设差值，则计算所述历史轮赌次数与所述预设多样变化因子之差得到所述动态轮赌次数。
本申请实施例通过对动态轮赌次数的动态调整，实现在历史种群适应度与所述当前种群适应度之间的适应度差值大于或等于预设差值，且所述待优化种群的多样性小于预设多样阈值的情况下，增加选择待交变染色体的数量，从而提高交叉变异的概率，以提高多样性；在所述适应度差值小于所述预设差值的情况下，可以减小动态轮赌次数，以减少待交变染色体的数量，减少交叉变异的概率。
在一可行实施例中，在步骤S30之后，还包括：
步骤S31，获取风力发电厂的风电预测数据，所述风电预测数据包括风速趋势、风向趋势、气温趋势以及历史发电功率；
步骤S32，将所述风电预测数据输入至所述风电功率预测模型，以根据所述风速趋势、所述风向趋势、所述气温趋势和所述历史发电功率，预测得到所述风力发电厂的当前发电功率。
需要说明的是，风电预测数据是从风力发电场获取得到的，风电预测数据包括风速趋势、风向趋势、气温趋势以及历史发电功率；风速趋势为预设时段的风速，预设时段为包括在当前时刻之前包括当前时刻在内的预设连续时段。风向趋势为预设时段内的风向，气温趋势为预设时段内的气温，历史发电功率为风力发电场在预设时段内的真实发电功率。可以对风电功率预测模型进行多次训练后，再利用风电功率预测模型进行风电功率的预测。风电预测数据是经过清洗整理后的数据。
示例性的，步骤S31至步骤S32包括：获取风力发电厂的风电预测数据，所述风电预测数据包括风速趋势、风向趋势、气温趋势以及历史发电功率；将所述风电预测数据输入至所述风电功率预测模型，以根据所述风速趋势、所述风向趋势、所述气温趋势和所述历史发电功率，预测得到所述风力发电厂的当前发电功率。
本申请实施例利用风电功率预测模型对风电功率进行预测，从而实现了利用与风力发电场景下最为适配的超参数组合对应的风电功率预测模型对风电功率进行预测，从而实现对风电功率的精准预测，也无需人工调整超参数，进而提高了风险预测的效率。另外，风电功率预测模型是由LSTM模型训练而来，通过LSTM模型对风电功率进行预测，可以降低了风电功率预测的复杂度，且可以较好的保留风电功率预测的历史信息，进而基于历史信息对风电功率进行预测，提高了风电预测的准确性。
实施例四
参照图4，本申请实施例还提供一种风电功率预测装置，所述风电功率预测装置包括：
获取模块10，用于获取待训练LSTM模型的待优化种群和风电训练数据，所述待优化种群包括至少一个个体染色体，所述个体染色体为所述待训练LSTM模型的各超参数的组合；
迭代交叉变异模块20，用于基于所述待训练LSTM模型和所述风电训练数据，对所述待优化种群的待调变异率和待调交叉率进行迭代自适应调整以对所述待优化种群进行迭代交叉变异，直至得到满足预设优化条件的目标种群；
模型确定模块30，用于在目标种群中选择目标染色体，并将目标染色体对应的目标超参组合配置在所述待训练LSTM模型，得到风电功率预测模型。
可选的，所述迭代交叉变异模块20还用于：
基于所述待训练LSTM模型和所述风电训练数据，确定所述待优化种群的当前种群适应度；
根据所述当前种群适应度和所述待优化种群的迭代次数，判断所述待优化种群是否满足预设优化条件；
若是，则得到所述目标种群；
若否，则根据所述当前种群适应度，对所述待优化种群的待调变异率和待调交叉率进行自适应调整，得到目标变异率和目标交叉率，根据所述目标变异率和所述目标交叉率对所述待优化种群进行交叉变异得到中间种群；
并基于所述中间种群更新所述待优化种群，并更新所述待优化种群的所述迭代次数，以及返回执行步骤：基于所述待训练LSTM模型和所述风电训练数据，确定所述待优化种群的当前种群适应度。
可选的，所述迭代交叉变异模块20还用于：
对各所述个体染色体进行解码，得到各所述个体染色体分别对应的超参数组合；
分别将各所述超参数组合配置在所述待训练LSTM模型，得到各个体染色体分别对应的染色训练模型；
将所述风电样本集分别输入各所述染色训练模型，分别对各所述染色训练模型进行预设轮次的训练，得到各所述染色训练模型分别对应的训练结果；
计算各所述训练结果分别与所述风电验证集之间的风电预测误差，分别将各所述风电预测误差的相反数，作为各所述个体染色体分别对应的染色适应度；
计算各所述染色适应度的平均值，得到所述当前种群适应度。
可选的，所述迭代交叉变异模块20还用于：
根据各所述短期适应度和所述当前种群适应度，确定所述待优化种群的短期变化趋势，以及根据各所述长期适应度和所述当前种群适应度，确定所述待优化种群的长期变化趋势；
根据短期变化趋势确定所述待调变异率的短期变异调整因子和所述待调交叉率的短期交叉调整因子，以及根据长期变化趋势确定所述待调变异率的长期变异调整因子和长期交叉调整因子；
根据预设长短调整权重、所述短期变异调整因子和所述长期变异调整因子，对所述待调变异率进行调整得到目标变异率，以及根据所述长短调整权重、所述短期交叉调整因子和所述长期变异调整因子，对所述待调交叉率进行调整得到目标交叉率。
可选的，所述迭代交叉变异模块20还用于：
若所述短期变化趋势的短期波动差值大于预设波动阈值，则基于预设增强因子、所述待调变异率和短期平均适应差值确定短期变异调整因子，以及基于所述预设增强因子、所述待调交叉率和短期平均适应差值确定短期交叉调整因子；
若所述短期变化趋势的短期波动差值小于或等于所述预设波动阈值，则基于预设减弱因子、所述待调变异率和所述短期平均适应差值确定短期变异调整因子，以及基于所述预设减弱因子、所述待调交叉率和所述短期平均适应差值确定短期交叉调整因子。
可选的，所述迭代交叉变异模块20还用于：
若所述长期变化趋势的长期波动差值大于预设波动阈值，则基于预设增强因子、所述待调交叉率和长期平均适应差值确定长期交叉调整因子，以及基于预设减弱因子、所述待调变异率和所述长期平均适应差值确定长期变异调整因子；
若所述长期变化趋势的长期波动差值小于或等于预设波动阈值，则基于预设减弱因子、所述待调交叉率和长期平均适应差值确定长期交叉调整因子，以及基于所述预设增强因子、所述待调变异率和所述长期平均适应差值确定长期变异调整因子。
可选的，所述迭代交叉变异模块20还用于：
分别计算所述待优化种群中各个体染色体的染色适应度在所述当前种群适应度的占比，得到各所述个体染色体分别对应的染色比值；
基于所述待优化种群上一时间步的历史种群适应度、当前种群适应度以及所述待优化种群的多样性，确定动态轮赌次数；
根据各所述染色比值和所述动态轮赌次数，对各所述个体染色体进行轮盘赌，得到待交变染色集合；
根据所述目标变异率和所述目标交叉率对所述待交变染色集合中的各待交变染色体，得到所述中间种群。
可选的，所述迭代交叉变异模块20还用于：
若所述历史种群适应度与所述当前种群适应度之间的适应度差值大于或等于预设差值，且所述待优化种群的多样性小于预设多样阈值，则计算将所述待优化种群的上一时间步的历史轮赌次数与预设多样变化因子之和，得到动态轮赌次数；
若所述适应度差值小于所述预设差值，则计算所述历史轮赌次数与所述预设多样变化因子之差得到所述动态轮赌次数。
本申请提供的风电功率预测装置，采用上述实施例中的风电功率预测方法，旨在解决风电功率预测效率低的技术问题。与现有技术相比，本申请实施例提供的风电功率预测方法的有益效果与上述实施例提供的风电功率预测方法的有益效果相同，且该风电功率预测装置中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。
实施例五
本申请实施例提供一种电子设备，所述电子设备可以为播放设备，电子设备包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例中的风电功率预测方法。
下面参考图5，其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（personal digital assistant，个人数字助理）、PAD（portable Android device，平板电脑）、PMP（Portable Media Player，便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示，电子设备可以包括处理装置（例如中央处理器、图形处理器等），其可以根据存储在ROM（Read-Only Memory，只读存储器）中的程序或者从存储装置加载到RAM（Random Access Memory，随机访问存储器）中的程序而执行各种适当的动作和处理。在RAM中，还存储有电子设备操作所需的各种程序和数据。处理装置、ROM以及RAM通过总线彼此相连。输入/输出（I/O）接口也连接至总线。
通常，以下系统可以连接至I/O接口：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加转速计、陀螺仪等的输入装置；包括例如LCD（Liquid Crystal Display，液晶显示器）、扬声器、振动器等的输出装置；包括例如磁带、硬盘等的存储装置；以及通信装置。通信装置可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的电子设备，但是应理解的是，并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信系统从网络上被下载和安装，或者从存储系统被安装，或者从ROM被安装。在该计算机程序被处理系统执行时，执行本公开实施例的方法中限定的上述功能。
本申请提供的电子设备，采用上述实施例一中的风电功率预测方法旨在解决风电功率预测效率低的技术问题。与现有技术相比，本申请实施例提供的产品流量数据分配的有益效果与上述实施例提供的风电功率预测方法的有益效果相同，且该风电功率预测装置中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
实施例六
本实施例提供一种可读存储介质，具有存储在其上的计算机可读程序指令，计算机可读程序指令用于执行上述实施例一中的风电功率预测方法。
本申请实施例提供的可读存储介质例如可以是U盘，但不限于电、磁、光、电磁、红外线、或半导体的设备、设备或器件，或者任意以上的组合。可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程EPROM（Electrical Programmable Read OnlyMemory，只读存储器）或闪存、光纤、便携式紧凑磁盘CD-ROM（compact disc read-onlymemory，只读存储器）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行设备、设备或者器件使用或者与其结合使用。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(RadioFrequency，射频）等等，或者上述的任意合适的组合。
上述可读存储介质可以是电子设备中所包含的；也可以是单独存在，而未装配入电子设备中。
上述可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被电子设备执行时，使得电子设备：获取待训练LSTM模型的待优化种群和风电训练数据，所述待优化种群包括至少一个个体染色体，所述个体染色体为所述待训练LSTM模型的各超参数的组合；基于所述待训练LSTM模型和所述风电训练数据，对所述待优化种群的待调变异率和待调交叉率进行迭代自适应调整以对所述待优化种群进行迭代交叉变异，直至得到满足预设优化条件的目标种群；在目标种群中选择目标染色体，并将目标染色体对应的目标超参组合配置在所述待训练LSTM模型，得到风电功率预测模型。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括LAN(localarea network，局域网)或WAN(Wide Area Network，广域网)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本申请各种实施例的设备、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的设备来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该单元本身的限定。
本申请提供的可读存储介质，存储有用于执行上述风电功率预测方法的计算机可读程序指令，旨在解决风电功率预测效率低的技术问题。与现有技术相比，本申请实施例提供的可读存储介质的有益效果与上述实施例提供的风电功率预测方法的有益效果相同，在此不做赘述。
实施例七
本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的风电功率预测方法的步骤。
本申请提供的计算机程序产品旨在解决风电功率预测效率低的技术问题。与现有技术相比，本申请实施例提供的计算机程序产品的有益效果与上述实施例提供的风电功率预测方法的有益效果相同，在此不做赘述。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利处理范围内。

Claims (7)

1.一种风电功率预测方法，其特征在于，所述风电功率预测方法包括：
获取待训练LSTM模型的待优化种群和风电训练数据，所述待优化种群包括至少一个个体染色体，所述个体染色体为所述待训练LSTM模型的各超参数的组合；
基于所述待训练LSTM模型和所述风电训练数据，对所述待优化种群的待调变异率和待调交叉率进行迭代自适应调整以对所述待优化种群进行迭代交叉变异，直至得到满足预设优化条件的目标种群；
在目标种群中选择目标染色体，并将目标染色体对应的目标超参数组合配置在所述待训练LSTM模型，得到风电功率预测模型；
所述基于所述待训练LSTM模型和所述风电训练数据，对所述待优化种群的待调变异率和待调交叉率进行迭代自适应调整以对所述待优化种群进行迭代交叉变异，直至得到满足预设优化条件的目标种群的步骤包括：
基于所述待训练LSTM模型和所述风电训练数据，确定所述待优化种群的当前种群适应度；
根据所述当前种群适应度和所述待优化种群的迭代次数，判断所述待优化种群是否满足预设优化条件；若是，则得到所述目标种群；
若否，则根据所述当前种群适应度和所述待优化种群的历史适应度信息，对所述待优化种群的待调变异率和待调交叉率进行自适应调整得到目标变异率和目标交叉率，根据所述目标变异率和所述目标交叉率对所述待优化种群进行交叉变异得到中间种群；
并基于所述中间种群更新所述待优化种群，并更新所述待优化种群的所述迭代次数，以及返回执行步骤：基于所述待训练LSTM模型和所述风电训练数据，确定所述待优化种群的当前种群适应度；
所述风电训练数据包括风电样本集和风电验证集；所述基于所述待训练LSTM模型和所述风电训练数据，确定所述待优化种群的当前种群适应度的步骤包括：
对各所述个体染色体进行解码，得到各所述个体染色体分别对应的超参数组合；
分别将各所述超参数组合配置在所述待训练LSTM模型，得到各个体染色体分别对应的染色训练模型；
将所述风电样本集分别输入各所述染色训练模型，分别对各所述染色训练模型进行预设轮次的训练，得到各所述染色训练模型分别对应的训练结果；
计算各所述训练结果分别与所述风电验证集之间的风电预测误差，分别将各所述风电预测误差的相反数，作为各所述个体染色体分别对应的染色适应度；计算各所述染色适应度的平均值，得到所述当前种群适应度；
所述根据所述当前种群适应度和所述待优化种群的历史适应度信息，对所述待优化种群的待调变异率和待调交叉率进行自适应调整得到目标变异率和目标交叉率的步骤包括：
从所述历史适应度信息中获取预设短期时段的各短期适应度，以及从所述历史适应度信息中获取预设长期时段的各长期适应度；
根据各所述短期适应度和所述当前种群适应度，确定所述待优化种群的短期变化趋势，以及根据各所述长期适应度和所述当前种群适应度，确定所述待优化种群的长期变化趋势；
根据短期变化趋势确定所述待调变异率的短期变异调整因子和所述待调交叉率的短期交叉调整因子，以及根据长期变化趋势确定所述待调变异率的长期变异调整因子和长期交叉调整因子；
根据预设长短调整权重、所述短期变异调整因子和所述长期变异调整因子，对所述待调变异率进行调整得到目标变异率，以及根据所述长短调整权重、所述短期交叉调整因子和所述长期变异调整因子，对所述待调交叉率进行调整得到目标交叉率。
2.如权利要求1所述的风电功率预测方法，其特征在于，所述根据短期变化趋势确定待调变异率的短期变异调整因子和待调交叉率的短期交叉调整因子的步骤包括：
若所述短期变化趋势的短期波动差值大于预设波动阈值，则基于预设增强因子、所述待调变异率和短期平均适应差值确定短期变异调整因子，以及基于所述预设增强因子、所述待调交叉率和短期平均适应差值确定短期交叉调整因子；
若所述短期变化趋势的短期波动差值小于或等于所述预设波动阈值，则基于预设减弱因子、所述待调变异率和所述短期平均适应差值确定短期变异调整因子，以及基于所述预设减弱因子、所述待调交叉率和所述短期平均适应差值确定短期交叉调整因子。
3.如权利要求1所述的风电功率预测方法，其特征在于，所述根据长期变化趋势确定待调变异率的长期变异调整因子和长期交叉调整因子的步骤包括：
若所述长期变化趋势的长期波动差值大于预设波动阈值，则基于预设增强因子、所述待调交叉率和长期平均适应差值确定长期交叉调整因子，以及基于预设减弱因子、所述待调变异率和所述长期平均适应差值确定长期变异调整因子；
若所述长期变化趋势的长期波动差值小于或等于预设波动阈值，则基于预设减弱因子、所述待调交叉率和长期平均适应差值确定长期交叉调整因子，以及基于所述预设增强因子、所述待调变异率和所述长期平均适应差值确定长期变异调整因子。
4.如权利要求1所述的风电功率预测方法，其特征在于，所述根据所述目标变异率和所述目标交叉率对所述待优化种群进行交叉变异，得到中间种群的步骤包括：
分别计算所述待优化种群中各个体染色体的染色适应度在所述当前种群适应度的占比，得到各所述个体染色体分别对应的染色比值；
基于所述待优化种群上一时间步的历史种群适应度、当前种群适应度以及所述待优化种群的多样性，确定动态轮赌次数；
根据各所述染色比值和所述动态轮赌次数，对各所述个体染色体进行轮盘赌，得到待交变染色集合；
根据所述目标变异率和所述目标交叉率对所述待交变染色集合中的各待交变染色体，得到所述中间种群。
5.如权利要求4所述的风电功率预测方法，其特征在于，所述基于所述待优化种群上一时间步的历史种群适应度、当前种群适应度以及所述待优化种群的多样性，确定动态轮赌次数的步骤包括：
若所述历史种群适应度与所述当前种群适应度之间的适应度差值大于或等于预设差值，且所述待优化种群的多样性小于预设多样阈值，则计算将所述待优化种群的上一时间步的历史轮赌次数与预设多样变化因子之和，得到动态轮赌次数；
若所述适应度差值小于所述预设差值，则计算所述历史轮赌次数与所述预设多样变化因子之差得到所述动态轮赌次数。
6.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；
以及与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至5中任一项所述风电功率预测方法的步骤。
7.一种可读存储介质，其特征在于，所述可读存储介质上存储有实现风电功率预测方法的程序，所述实现风电功率预测方法的程序被处理器执行以实现如权利要求1至5中任一项所述风电功率预测方法的步骤。
CN202311551978.2A 2023-11-21 2023-11-21 风电功率预测方法、装置、电子设备及可读存储介质 Active CN117277314B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311551978.2A CN117277314B (zh) 2023-11-21 2023-11-21 风电功率预测方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311551978.2A CN117277314B (zh) 2023-11-21 2023-11-21 风电功率预测方法、装置、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN117277314A CN117277314A (zh) 2023-12-22
CN117277314B true CN117277314B (zh) 2024-03-08

Family

ID=89218095

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311551978.2A Active CN117277314B (zh) 2023-11-21 2023-11-21 风电功率预测方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN117277314B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107742900A (zh) * 2017-11-10 2018-02-27 国网四川省电力公司技能培训中心 风光储智能微电网经济调度控制方法
CN112561200A (zh) * 2020-12-22 2021-03-26 国网甘肃省电力公司电力科学研究院 基于完备集合经验模态分解和改进蚁群优化的长短期记忆网络的风电站出力混合预测技术
CN113344251A (zh) * 2021-05-17 2021-09-03 深圳大学 一种风速预测方法、装置、存储介质及终端设备
CN113762602A (zh) * 2021-08-13 2021-12-07 中国大唐集团科学技术研究院有限公司西北电力试验研究院 一种风电场短期风速预测方法
CN114528094A (zh) * 2022-01-14 2022-05-24 浙江工业大学 基于lstm和遗传算法的分布式系统资源优化分配方法
CN114997510A (zh) * 2022-06-17 2022-09-02 合肥学院 一种基于Copula熵相关性分析的PM2.5预测方法和系统
CN115018193A (zh) * 2022-07-01 2022-09-06 北京华能新锐控制技术有限公司 基于lstm-ga模型的时间序列风能数据预测方法
CN116306236A (zh) * 2023-01-30 2023-06-23 河海大学 一种基于gru-lstm-fc组合网络的风电场动态等值建模方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200143243A1 (en) * 2018-11-01 2020-05-07 Cognizant Technology Solutions U.S. Corporation Multiobjective Coevolution of Deep Neural Network Architectures

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107742900A (zh) * 2017-11-10 2018-02-27 国网四川省电力公司技能培训中心 风光储智能微电网经济调度控制方法
CN112561200A (zh) * 2020-12-22 2021-03-26 国网甘肃省电力公司电力科学研究院 基于完备集合经验模态分解和改进蚁群优化的长短期记忆网络的风电站出力混合预测技术
CN113344251A (zh) * 2021-05-17 2021-09-03 深圳大学 一种风速预测方法、装置、存储介质及终端设备
CN113762602A (zh) * 2021-08-13 2021-12-07 中国大唐集团科学技术研究院有限公司西北电力试验研究院 一种风电场短期风速预测方法
CN114528094A (zh) * 2022-01-14 2022-05-24 浙江工业大学 基于lstm和遗传算法的分布式系统资源优化分配方法
CN114997510A (zh) * 2022-06-17 2022-09-02 合肥学院 一种基于Copula熵相关性分析的PM2.5预测方法和系统
CN115018193A (zh) * 2022-07-01 2022-09-06 北京华能新锐控制技术有限公司 基于lstm-ga模型的时间序列风能数据预测方法
CN116306236A (zh) * 2023-01-30 2023-06-23 河海大学 一种基于gru-lstm-fc组合网络的风电场动态等值建模方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Evolving long short-term memory neural network for wind speed forecasting;Cong Huang等;《ELSEVIER》;第390页-第410页 *

Also Published As

Publication number Publication date
CN117277314A (zh) 2023-12-22

Similar Documents

Publication Publication Date Title
CN110766142A (zh) 模型生成方法和装置
CN111340221A (zh) 神经网络结构的采样方法和装置
CN113159835B (zh) 基于人工智能的发电侧电价报价方法、装置、存储介质及电子设备
Das et al. Solution of economic load dispatch using real coded hybrid stochastic search
CN114696351A (zh) 一种电池储能系统动态优化方法、装置、电子设备和存储介质
CN114358257A (zh) 神经网络剪枝方法及装置、可读介质和电子设备
CN114219078A (zh) 一种神经网络模型交互训练方法、装置及存储介质
CN114972877A (zh) 一种图像分类模型训练方法、装置及电子设备
CN117277314B (zh) 风电功率预测方法、装置、电子设备及可读存储介质
CN117236805B (zh) 电力设备控制方法、装置、电子设备和计算机可读介质
CN110827069A (zh) 数据处理方法、装置、介质以及电子设备
CN112434872A (zh) 酒店产量预测方法、系统、设备及存储介质
CN112580885A (zh) 一种配件合格率的预测方法、装置、设备及存储介质
CN115375193B (zh) 双目标生产调度优化方法、装置、设备及可读存储介质
CN111695967A (zh) 一种报价的确定方法、装置、设备及存储介质
CN114492641A (zh) 电力负荷预测方法、装置、设备及存储介质
CN113408725A (zh) 基于复合熵的遗传算法参数优化方法、系统、设备及介质
CN112989203A (zh) 素材投放方法、装置、设备和介质
CN113762687A (zh) 一种仓库内的人员排班调度方法和装置
CN116308538B (zh) 消息的投放处理方法、电子设备及可读存储介质
CN111309690B (zh) 一种数控机床g代码数据无损压缩方法
CN117318254B (zh) 无线充电方法、装置、电子设备及可读存储介质
CN114885215B (zh) 码率自适应模型的训练、视频码率自适应方法及装置
CN114647721B (zh) 教育智能机器人控制方法、设备及介质
CN116502546B (zh) 房屋户型设计方法、装置、电子设备及可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant