CN117937477A - 发电机组无功功率边界值预测方法、装置和计算机设备 - Google Patents
发电机组无功功率边界值预测方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN117937477A CN117937477A CN202410332771.4A CN202410332771A CN117937477A CN 117937477 A CN117937477 A CN 117937477A CN 202410332771 A CN202410332771 A CN 202410332771A CN 117937477 A CN117937477 A CN 117937477A
- Authority
- CN
- China
- Prior art keywords
- reactive power
- boundary value
- power boundary
- prediction model
- unit data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000004590 computer program Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 98
- 239000013598 vector Substances 0.000 claims description 55
- 238000012545 processing Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 17
- 238000007499 fusion processing Methods 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007637 random forest analysis 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
- 230000002349 favourable effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 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
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001052 transient effect Effects 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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R21/00—Arrangements for measuring electric power or power factor
- G01R21/001—Measuring real or reactive component; Measuring apparent energy
- G01R21/003—Measuring reactive component
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种发电机组无功功率边界值预测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取待分析发电机组的关键机组数据；将所述关键机组数据输入至当前目标无功功率预测模型，得到所述待分析发电机组的第一无功功率边界值；将所述关键机组数据输入至与所述当前目标无功功率预测模型关联的历史目标无功功率预测模型，得到所述待分析发电机组的第二无功功率边界值；根据所述第一无功功率边界值和所述第二无功功率边界值，确定所述待分析发电机组的目标无功功率边界值。采用本方法，能够提高发电机组无功功率边界值的测量准确率。
Description
技术领域
本申请涉及电网技术领域，特别是涉及一种发电机组无功功率边界值预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
在电网系统中，在进行发电机组进相试验时，测量发电机组进相试验无功功率边界值，对于保护发电机组的安全及其重要。
传统技术中，在对发电机组进相试验无功功率边界值的进行测量时，主要是通过人工观察关键机组数据，当关键机组数据出现异常值时，通过人工计算发电机组的无功功率边界值；但是，通过人工观察和人工计算容易存在误差，导致发电机组无功功率边界值的测量准确率较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高发电机组无功功率边界值的测量准确率的发电机组无功功率边界值预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种发电机组无功功率边界值预测方法，包括：
获取待分析发电机组的关键机组数据；
将所述关键机组数据输入至当前目标无功功率预测模型，得到所述待分析发电机组的第一无功功率边界值；
将所述关键机组数据输入至与所述当前目标无功功率预测模型关联的历史目标无功功率预测模型，得到所述待分析发电机组的第二无功功率边界值；
根据所述第一无功功率边界值和所述第二无功功率边界值，确定所述待分析发电机组的目标无功功率边界值。
在其中一个实施例中，所述根据所述第一无功功率边界值和所述第二无功功率边界值，确定所述待分析发电机组的目标无功功率边界值，包括：
获取所述当前目标无功功率预测模型的第一模型权重，以及所述历史目标无功功率预测模型的第二模型权重；
根据所述第一模型权重和所述第二模型权重，对所述第一无功功率边界值和所述第二无功功率边界值进行融合处理，得到所述待分析发电机组的目标无功功率边界值。
在其中一个实施例中，所述获取所述当前目标无功功率预测模型的第一模型权重，以及所述历史目标无功功率预测模型的第二模型权重，包括：
获取所述当前目标无功功率预测模型针对目标发电机组的关键机组数据的第一预测准确率，以及所述历史目标无功功率预测模型针对所述目标发电机组的关键机组数据的第二预测准确率；
根据所述第一预测准确率和所述第二预测准确率，查询预测准确率和模型权重之间的对应关系，得到所述当前目标无功功率预测模型的第一模型权重，以及所述历史目标无功功率预测模型的第二模型权重。
在其中一个实施例中，所述根据所述第一无功功率边界值和所述第二无功功率边界值，确定所述待分析发电机组的目标无功功率边界值，还包括：
将所述第一无功功率边界值和所述第二无功功率边界值输入到注意力机制模型中，得到所述第一无功功率边界值的第一注意力权重和所述第二无功功率边界值的第二注意力权重；
根据所述第一注意力权重和所述第二注意力权重，对所述第一无功功率边界值和所述第二无功功率边界值进行融合处理，得到所述待分析发电机组的目标无功功率边界值。
在其中一个实施例中，所述关键机组数据包括各个子关键机组数据；
所述将所述关键机组数据输入至当前目标无功功率预测模型，得到所述待分析发电机组的第一无功功率边界值，包括：
分别将所述关键机组数据中的一个子关键机组数据作为主要数据，将所述关键机组数据中与所述子关键机组数据对应的其他子关键机组数据作为辅助数据，输入到特征提取模型中进行特征提取处理，得到所述子关键机组数据对应的特征向量；所述子关键机组数据对应的其他子关键机组数据为所述关键机组数据中除所述子关键机组数据以外的子关键机组数据；
确定所述子关键机组数据对应的特征向量的拼接顺序；
按照所述拼接顺序，对各所述特征向量进行拼接处理，得到目标特征向量；
将所述目标特征向量输入至当前目标无功功率预测模型，得到所述待分析发电机组的第一无功功率边界值。
在其中一个实施例中，所述当前目标无功功率预测模型通过下述方式得到：
获取样本发电机组的样本关键机组数据；
分别将所述样本关键机组数据输入至多个预训练无功功率预测模型，得到各所述预训练无功功率预测模型输出的所述样本发电机组的预测无功功率边界值；
对各所述预训练无功功率预测模型输出的所述样本发电机组的预测无功功率边界值进行验证；
在各所述预训练无功功率预测模型输出的所述样本发电机组的预测无功功率边界值均在预设无功功率边界值范围内的情况下，获取所述样本发电机组中与所述样本关键机组数据对应的实际无功功率边界值，并根据各所述预训练无功功率预测模型输出的所述样本发电机组的预测无功功率边界值与所述实际无功功率边界值之间的第一差异，从各所述预训练无功功率预测模型中，筛选出所述第一差异最小的预训练无功功率预测模型，作为所述当前目标无功功率预测模型。
在其中一个实施例中，在对各所述预训练无功功率预测模型输出的所述样本发电机组的预测无功功率边界值进行验证之后，还包括：
在各所述预训练无功功率预测模型中，存在输出的所述样本发电机组的预测无功功率边界值不在所述预设无功功率边界值范围内的目标预训练无功功率预测模型的情况下，从各所述预训练无功功率预测模型中，删除所述目标预训练无功功率预测模型，得到剩余的预训练无功功率预测模型；
根据各所述剩余的预训练无功功率预测模型输出的所述样本发电机组的预测无功功率边界值与所述实际无功功率边界值之间的第二差异，从各所述剩余的预训练无功功率预测模型中，筛选出所述第二差异最小的预训练无功功率预测模型，作为所述当前目标无功功率预测模型。
第二方面，本申请还提供了一种发电机组无功功率边界值预测装置，包括：
数据获取模块，用于获取待分析发电机组的关键机组数据；
第一预测模块，用于将所述关键机组数据输入至当前目标无功功率预测模型，得到所述待分析发电机组的第一无功功率边界值；
第二预测模块，用于将所述关键机组数据输入至与所述当前目标无功功率预测模型关联的历史目标无功功率预测模型，得到所述待分析发电机组的第二无功功率边界值；
目标确定模块，用于根据所述第一无功功率边界值和所述第二无功功率边界值，确定所述待分析发电机组的目标无功功率边界值。
第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待分析发电机组的关键机组数据；
将所述关键机组数据输入至当前目标无功功率预测模型，得到所述待分析发电机组的第一无功功率边界值；
将所述关键机组数据输入至与所述当前目标无功功率预测模型关联的历史目标无功功率预测模型，得到所述待分析发电机组的第二无功功率边界值；
根据所述第一无功功率边界值和所述第二无功功率边界值，确定所述待分析发电机组的目标无功功率边界值。
第四方面，本申请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，所述计算机程序被处理器执行时实现以下步骤：
获取待分析发电机组的关键机组数据；
将所述关键机组数据输入至当前目标无功功率预测模型，得到所述待分析发电机组的第一无功功率边界值；
将所述关键机组数据输入至与所述当前目标无功功率预测模型关联的历史目标无功功率预测模型，得到所述待分析发电机组的第二无功功率边界值；
根据所述第一无功功率边界值和所述第二无功功率边界值，确定所述待分析发电机组的目标无功功率边界值。
第五方面，本申请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以下步骤：
获取待分析发电机组的关键机组数据；
将所述关键机组数据输入至当前目标无功功率预测模型，得到所述待分析发电机组的第一无功功率边界值；
将所述关键机组数据输入至与所述当前目标无功功率预测模型关联的历史目标无功功率预测模型，得到所述待分析发电机组的第二无功功率边界值；
根据所述第一无功功率边界值和所述第二无功功率边界值，确定所述待分析发电机组的目标无功功率边界值。
上述发电机组无功功率边界值预测方法、装置、计算机设备、存储介质和计算机程序产品，先获取待分析发电机组的关键机组数据，再将关键机组数据输入至当前目标无功功率预测模型，得到待分析发电机组的第一无功功率边界值，然后，将关键机组数据输入至与当前目标无功功率预测模型关联的历史目标无功功率预测模型，得到待分析发电机组的第二无功功率边界值，最后，根据第一无功功率边界值和第二无功功率边界值，确定待分析发电机组的目标无功功率边界值。这样，在进行发电机组无功功率边界值预测时，通过利用当前目标无功功率预测模型和历史目标无功功率预测模型，相当于利用两个不同的模型对待分析发电机组的无功功率边界值进行预测，有利于提高发电机组无功功率边界值的测量准确率；而且，整个过程无需人工干预，避免了通过人工观察和人工计算容易存在误差，导致发电机组无功功率边界值的测量准确率较低的缺陷，进而提高了发电机组无功功率边界值的测量准确率。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为一个实施例中发电机组无功功率边界值预测方法的流程示意图；
图2为一个实施例中确定待分析发电机组的目标无功功率边界值的步骤的流程示意图；
图3为一个实施例中得到当前目标无功功率预测模型的步骤的流程示意图；
图4为另一个实施例中发电机组无功功率边界值预测方法的流程示意图；
图5为一个实施例中发电机组无功功率边界值预测装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要符合相关规定。
在一个示例性的实施例中，如图1所示，提供了一种发电机组无功功率边界值预测方法，本实施例以该方法应用于服务器进行举例说明；可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器的系统，并通过终端和服务器之间的交互实现。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑；服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中，该方法包括以下步骤：
步骤S101，获取待分析发电机组的关键机组数据。
其中，待分析发电机组是指需要进行无功功率边界值测量的发电机组。
其中，无功功率边界值是指待分析发电机组的无功功率对应的边界数值。在实际场景中，无功功率边界值包括无功功率上边界值和无功功率下边界值。
其中，发电机组是指将其他形式的能源转换成电能的设备。
其中，关键机组数据是指待分析发电机组的机组数据边界值，比如电压边界值、电流边界值、发电机额定转速边界值、开路瞬变时间常数边界值等。需要说明的是，关键机组数据还可以包括其他数据，也可以根据实际情况进行调整，具体本申请不做限定。
示例性地，服务器响应于针对待分析发电机组的无功功率边界值预测指令，获取待分析发电机组的发电机组标识（比如待分析发电机组的型号），根据待分析发电机组的发电机组标识，从数据库中获取待分析发电机组的机组数据，并识别出机组数据中的异常机组数据；接着，服务器从机组数据中，对异常机组数据进行删除处理，得到处理后机组数据；然后，服务器确定处理后机组数据对应的重要程度；最后，服务器处理后机组数据中，筛选出对应的重要程度大于预设重要程度的处理后机组数据，作为待分析发电机组的关键机组数据。
步骤S102，将关键机组数据输入至当前目标无功功率预测模型，得到待分析发电机组的第一无功功率边界值。
其中，当前目标无功功率预测模型是指当前与关键机组数据对应的目标无功功率预测模型。
其中，目标无功功率预测模型是指用于对关键机组数据进行无功功率边界值预测对应的网络模型。
其中，无功功率预测模型是指能够利用发电机组的关键机组数据，得到发电机组的无功功率边界值对应的网络模型。在实际场景中，无功功率预测模型包括但不限于神经网络模型、深度学习模型、随机森林模型、机器学习模型。
其中，第一无功功率边界值是指当前目标无功功率预测模型输出的与关键机组数据对应的预测无功功率边界值。
示例性地，服务器确定关键机组数据中子关键机组数据对应的特征向量，并对子关键机组数据对应的特征向量进行拼接处理，得到目标特征向量；接着，服务器将目标特征向量输入至当前目标无功功率预测模型，通过当前目标无功功率预测模型，得到待分析发电机组的第一无功功率边界值。
步骤S103，将关键机组数据输入至与当前目标无功功率预测模型关联的历史目标无功功率预测模型，得到待分析发电机组的第二无功功率边界值。
其中，历史目标无功功率预测模型是指过去时间段的与关键机组数据对应的目标无功功率预测模型，比如过去一周的与关键机组数据对应的目标无功功率预测模型、过去一个月的与关键机组数据对应的目标无功功率预测模型等。
其中，第二无功功率边界值是指历史目标无功功率预测模型输出的与关键机组数据对应的预测无功功率边界值。
示例性地，服务器确定关键机组数据中子关键机组数据对应的特征向量，并对子关键机组数据对应的特征向量进行拼接处理，得到目标特征向量；接着，服务器将目标特征向量输入至与当前目标无功功率预测模型关联的历史目标无功功率预测模型，通过历史目标无功功率预测模型，得到待分析发电机组的第二无功功率边界值。
步骤S104，根据第一无功功率边界值和第二无功功率边界值，确定待分析发电机组的目标无功功率边界值。
其中，目标无功功率边界值是指根据第一无功功率边界值和第二无功功率边界值，得到的待分析发电机组的预测无功功率边界值。
示例性地，服务器对第一无功功率边界值和第二无功功率边界值进行融合处理，得到处理后的无功功率边界值，作为待分析发电机组的目标无功功率边界值；例如，服务器对第一无功功率边界值和第二无功功率边界值进行加权求和处理，得到处理后的无功功率边界值，作为待分析发电机组的目标无功功率边界值。
上述发电机组无功功率边界值预测方法中，先获取待分析发电机组的关键机组数据，再将关键机组数据输入至当前目标无功功率预测模型，得到待分析发电机组的第一无功功率边界值，然后，将关键机组数据输入至与当前目标无功功率预测模型关联的历史目标无功功率预测模型，得到待分析发电机组的第二无功功率边界值，最后，根据第一无功功率边界值和第二无功功率边界值，确定待分析发电机组的目标无功功率边界值。这样，在进行发电机组无功功率边界值预测时，通过利用当前目标无功功率预测模型和历史目标无功功率预测模型，相当于利用两个不同的模型对待分析发电机组的无功功率边界值进行预测，有利于提高发电机组无功功率边界值的测量准确率；而且，整个过程无需人工干预，避免了通过人工观察和人工计算容易存在误差，导致发电机组无功功率边界值的测量准确率较低的缺陷，进而提高了发电机组无功功率边界值的测量准确率。
在一个示例性的实施例中，如图2所示，上述步骤S104，根据第一无功功率边界值和第二无功功率边界值，确定待分析发电机组的目标无功功率边界值，具体包括如下步骤：
步骤S201，获取当前目标无功功率预测模型的第一模型权重，以及历史目标无功功率预测模型的第二模型权重。
步骤S202，根据第一模型权重和第二模型权重，对第一无功功率边界值和第二无功功率边界值进行融合处理，得到待分析发电机组的目标无功功率边界值。
其中，第一模型权重表征当前目标无功功率预测模型对应的重要程度。
其中，第二模型权重表征历史目标无功功率预测模型对应的重要程度。
需要说明的是，第一模型权重与第二模型权重之和可以为1。
其中，融合处理可以是指加权求和处理。
示例性地，服务器根据当前目标无功功率预测模型针对目标发电机组的关键机组数据的预测准确率，以及历史目标无功功率预测模型针对目标发电机组的关键机组数据的预测准确率，确定当前目标无功功率预测模型的第一模型权重，以及历史目标无功功率预测模型的第二模型权重；接着，服务器根据第一模型权重和第二模型权重，对第一无功功率边界值和第二无功功率边界值进行融合处理，得到处理后的无功功率边界值，作为待分析发电机组的目标无功功率边界值；例如，服务器根据第一模型权重和第二模型权重，对第一无功功率边界值和第二无功功率边界值进行加权求和处理，得到处理后的无功功率边界值，作为待分析发电机组的目标无功功率边界值。
本实施例中，通过根据当前目标无功功率预测模型和历史目标无功功率预测模型的模型权重，相当于考虑了不同模型对应的重要程度，综合确定待分析发电机组的目标无功功率边界值，有利于提高待分析发电机组的目标无功功率边界值的确定准确率，进而提高了发电机组无功功率边界值的测量准确率。
在一个示例性的实施例中，上述步骤S201，获取当前目标无功功率预测模型的第一模型权重，以及历史目标无功功率预测模型的第二模型权重，具体包括如下步骤：获取当前目标无功功率预测模型针对目标发电机组的关键机组数据的第一预测准确率，以及历史目标无功功率预测模型针对目标发电机组的关键机组数据的第二预测准确率；根据第一预测准确率和第二预测准确率，查询预测准确率和模型权重之间的对应关系，得到当前目标无功功率预测模型的第一模型权重，以及历史目标无功功率预测模型的第二模型权重。
其中，目标发电机组是指用于确定无功功率预测模型的预测准确率对应的发电机组。
其中，预测准确率是指预测误差与实际值的相对大小，可以通过预测误差除以实际值来进行计算。其中，预测误差可以通过预测值减去实际值的绝对值来进行计算。
其中，第一预测准确率是指当前目标无功功率预测模型针对目标发电机组的关键机组数据的预测准确率。
其中，第二预测准确率是指历史目标无功功率预测模型针对目标发电机组的关键机组数据的预测准确率。
其中，预测准确率和模型权重之间的对应关系，是指预测准确率和模型权重之间的关联信息。一般来说，预测准确率越大，对应的模型权重越大；预测准确率越小，对应的模型权重越小；例如，预测准确率为80%，对应的模型权重为0.8；预测准确率为20%，对应的模型权重为0.2。
示例性地，服务器将目标发电机组的关键机组数据输入至当前目标无功功率预测模型，以及将目标发电机组的关键机组数据输入至历史目标无功功率预测模型，得到当前目标无功功率预测模型与历史目标无功功率预测模型输出的目标发电机组的关键机组数据对应的预测无功功率边界值；接着，服务器根据预测无功功率边界值与实际无功功率边界值，确定当前目标无功功率预测模型针对目标发电机组的关键机组数据的第一预测准确率，以及历史目标无功功率预测模型针对目标发电机组的关键机组数据的第二预测准确率；然后，服务器根据第一预测准确率，查询预测准确率和模型权重之间的对应关系，得到第一预测准确率对应的模型权重，作为当前目标无功功率预测模型的第一模型权重，并根据第二预测准确率，查询预测准确率和模型权重之间的对应关系，得到第二预测准确率对应的模型权重，作为以及历史目标无功功率预测模型的第二模型权重。
本实施例中，通过根据当前目标无功功率预测模型和历史目标无功功率预测模型的预测准确率，确定目标无功功率预测模型和历史目标无功功率预测模型的模型权重，相当于根据预测准确率确定模型对应的重要程度，使得预测准确率越大的模型，对应的模型权重越大，进而提高了待分析发电机组的无功功率边界值的预测准确率。
在一个示例性的实施例中，上述步骤S104，根据第一无功功率边界值和第二无功功率边界值，确定待分析发电机组的目标无功功率边界值，具体包括如下步骤：将第一无功功率边界值和第二无功功率边界值输入到注意力机制模型中，得到第一无功功率边界值的第一注意力权重和第二无功功率边界值的第二注意力权重；根据第一注意力权重和第二注意力权重，对第一无功功率边界值和第二无功功率边界值进行融合处理，得到待分析发电机组的目标无功功率边界值。
其中，注意力机制模型是指确定无功功率边界值的注意力权重对应的网络模型。
其中，注意力权重表征无功功率边界值对应的重要程度。
其中，第一注意力权重是指第一无功功率边界值的注意力权重。
其中，第二注意力权重是指第二无功功率边界值的注意力权重。
示例性地，服务器将第一无功功率边界值和第二无功功率边界值输入到注意力机制模型中，通过注意力机制模型，得到第一无功功率边界值的第一注意力权重和第二无功功率边界值的第二注意力权重；接着，服务器根据第一注意力权重和第二注意力权重，对第一无功功率边界值和第二无功功率边界值进行融合处理，得到处理后的无功功率边界值，作为得到待分析发电机组的目标无功功率边界值；例如，服务器根据第一注意力权重和第二注意力权重，对第一无功功率边界值和第二无功功率边界值进行加权求和处理，得到处理后的无功功率边界值，作为得到待分析发电机组的目标无功功率边界值。
举例说明，服务器可以通过下述方式确定第一无功功率边界值的第一注意力权重和第二无功功率边界值的第二注意力权重：服务器将第一无功功率边界值和第二无功功率边界值输入到注意力机制模型中，通过注意力机制模型对第一无功功率边界值和第二无功功率边界值进行判断；若第一无功功率边界值和第二无功功率边界值之间的差值在预设差值范围内，则第一注意力权重和第二注意力权重对应的取值会相对接近，比如第一注意力权重为0.6，第二注意力权重为0.4；若第一无功功率边界值和第二无功功率边界值之间的差值不在预设差值范围内，则第一注意力权重和第二注意力权重对应的取值相对远离，比如第一注意力权重为0.9，第二注意力权重为0.1。
本实施例中，通过注意力机制模型，确定第一无功功率边界值的第一注意力权重和第二无功功率边界值的第二注意力权重，相当于确定第一无功功率边界值和第二无功功率边界值的重要程度，使得对应的目标无功功率边界值的确定更为精确，有利于提高待分析发电机组的目标无功功率边界值的确定准确率，进而提高了发电机组无功功率边界值的测量准确率。
在一个示例性的实施例中，上述步骤S101，关键机组数据包括各个子关键机组数据。
那么，上述步骤S102，将关键机组数据输入至当前目标无功功率预测模型，得到待分析发电机组的第一无功功率边界值，具体包括如下步骤：分别将关键机组数据中的一个子关键机组数据作为主要数据，将关键机组数据中与子关键机组数据对应的其他子关键机组数据作为辅助数据，输入到特征提取模型中进行特征提取处理，得到子关键机组数据对应的特征向量；子关键机组数据对应的其他子关键机组数据为关键机组数据中除子关键机组数据以外的子关键机组数据；确定子关键机组数据对应的特征向量的拼接顺序；按照拼接顺序，对各特征向量进行拼接处理，得到目标特征向量；将目标特征向量输入至当前目标无功功率预测模型，得到待分析发电机组的第一无功功率边界值。
其中，子关键机组数据是指关键机组数据中不同种类的机组数据。
其中，主要数据可以是指对应权重较大的数据。
其中，辅助数据可以是指对应权重较小的数据。
其中，特征提取模型是指能够利用子关键机组数据，得到子关键机组数据对应的特征向量对应的网络模型。
其中，特征提取处理是指将数据转换为特征向量对应的处理过程。
其中，特征向量是指子关键机组数据对应的表征向量。
其中，拼接顺序是指拼接处理过程中各数据的顺序信息。
其中，拼接处理是指对各特征向量进行数据整合的过程。
其中，目标特征向量是指对各特征向量进行拼接处理得到的特征向量。
示例性地，服务器分别将关键机组数据中的一个子关键机组数据，输入到特征提取模型中，通过特征提取模型，针对单个子关键机组数据，确定该子关键机组数据以及其他子关键机组数据对应的权重；例如确定该子关键机组数据对应的权重为0.8，确定其他子关键机组数据对应的权重为0.2；接着，服务器根据该子关键机组数据以及其他子关键机组数据对应的权重，分别对该子关键机组数据以及其他子关键机组数据进行特征提取处理，得到特征提取处理后的特征向量；然后，服务器将特征提取处理后的特征向量，作为子关键机组数据对应的特征向量；接着，服务器确定子关键机组数据对应的特征向量的拼接顺序，并按照拼接顺序，对子关键机组数据对应的特征向量进行拼接处理，得到目标特征向量；最后，服务器将该目标特征向量输入至当前目标无功功率预测模型，通过当前目标无功功率预测模型，得到待分析发电机组的第一无功功率边界值。
进一步地，服务器还可以将该目标特征向量输入至与当前目标无功功率预测模型关联的历史目标无功功率预测模型，通过历史目标无功功率预测模型，得到待分析发电机组的第二无功功率边界值。
本实施例中，在确定子关键机组数据各自对应的特征向量时，不仅考虑了子关键机组数据本身，还兼顾了其他子关键机组数据，这样有利于全面综合地分析子关键机组数据之间的关联和相互作用，从而使得到的特征向量更加准确，进而提高了待分析发电机组的无功功率边界值的确定准确率。
在一个示例性的实施例中，如图3所示，本申请提供的发电机组无功功率边界值预测方法还包括当前目标无功功率预测模型的训练步骤，具体包括如下步骤：
步骤S301，获取样本发电机组的样本关键机组数据。
步骤S302，分别将样本关键机组数据输入至多个预训练无功功率预测模型，得到各预训练无功功率预测模型输出的样本发电机组的预测无功功率边界值。
步骤S303，对各预训练无功功率预测模型输出的样本发电机组的预测无功功率边界值进行验证。
步骤S304，在各预训练无功功率预测模型输出的样本发电机组的预测无功功率边界值均在预设无功功率边界值范围内的情况下，获取样本发电机组中与样本关键机组数据对应的实际无功功率边界值，并根据各预训练无功功率预测模型输出的样本发电机组的预测无功功率边界值与实际无功功率边界值之间的第一差异，从各预训练无功功率预测模型中，筛选出第一差异最小的预训练无功功率预测模型，作为当前目标无功功率预测模型。
其中，样本发电机组是指在发电机组中选择用于训练当前目标无功功率预测模型的一部分发电机组。
其中，样本关键机组数据是指样本发电机组的机组数据边界值。
其中，预训练无功功率预测模型是指预先训练的无功功率预测模型。
其中，预测无功功率边界值是指样本发电机组的无功功率边界值对应的预测值。
其中，预设无功功率边界值范围是指预先设定的无功功率边界值范围，可以包括最大无功功率边界值和最小无功功率边界值。
其中，实际无功功率边界值是指样本发电机组的无功功率边界值对应的实际值。
其中，第一差异是指各预训练无功功率预测模型输出的样本发电机组的预测无功功率边界值与实际无功功率边界值之间的差异。
示例性地，服务器响应于针对当前目标无功功率预测模型的模型训练指令，从数据库中获取样本发电机组的样本关键机组数据；接着，服务器分别将样本关键机组数据输入至多个预训练无功功率预测模型，通过多个预训练无功功率预测模型，得到各预训练无功功率预测模型输出的样本发电机组的预测无功功率边界值；然后，服务器根据预设无功功率边界值范围，对各预训练无功功率预测模型输出的样本发电机组的预测无功功率边界值进行验证；在各预训练无功功率预测模型输出的样本发电机组的预测无功功率边界值均在预设无功功率边界值范围内的情况下，服务器获取样本发电机组中与样本关键机组数据对应的实际无功功率边界值，并根据各预训练无功功率预测模型输出的样本发电机组的预测无功功率边界值与实际无功功率边界值之间的第一差异，从各预训练无功功率预测模型中，筛选出第一差异最小的预训练无功功率预测模型，将该预训练无功功率预测模型，作为当前目标无功功率预测模型。
本实施例中，通过预先训练当前目标无功功率预测模型，便于在实际应用中，在获取待分析发电机组的关键机组数据后，对待分析发电机组的无功功率边界值进行预测即可；而且，当前目标无功功率预测模型每一轮迭代中接收新的数据，进行模型内部改进及优化，便于能够更有效地进行预测，进而提高了发电机组无功功率边界值的预测效率。
在一个示例性的实施例中，上述步骤S303，在对各预训练无功功率预测模型输出的样本发电机组的预测无功功率边界值进行验证之后，还包括：在各预训练无功功率预测模型中，存在输出的样本发电机组的预测无功功率边界值不在预设无功功率边界值范围内的目标预训练无功功率预测模型的情况下，从各预训练无功功率预测模型中，删除目标预训练无功功率预测模型，得到剩余的预训练无功功率预测模型；根据各剩余的预训练无功功率预测模型输出的样本发电机组的预测无功功率边界值与实际无功功率边界值之间的第二差异，从各剩余的预训练无功功率预测模型中，筛选出第二差异最小的预训练无功功率预测模型，作为当前目标无功功率预测模型。
其中，目标预训练无功功率预测模型是指输出的样本发电机组的预测无功功率边界值不在预设无功功率边界值范围内的对应的预训练无功功率预测模型。需要说明的是，目标预训练无功功率预测模型可以是一个或者多个。
其中，第二差异是指各剩余的预训练无功功率预测模型输出的样本发电机组的预测无功功率边界值与实际无功功率边界值之间的差异。
示例性地，服务器根据预设无功功率边界值范围，对各预训练无功功率预测模型输出的样本发电机组的预测无功功率边界值进行验证；在各预训练无功功率预测模型中，存在输出的样本发电机组的预测无功功率边界值不在预设无功功率边界值范围内的目标预训练无功功率预测模型的情况下，服务器从各预训练无功功率预测模型中，删除目标预训练无功功率预测模型，得到剩余的预训练无功功率预测模型；接着，服务器获取样本发电机组中与样本关键机组数据对应的实际无功功率边界值，并根据各剩余的预训练无功功率预测模型输出的样本发电机组的预测无功功率边界值与实际无功功率边界值之间的第二差异，从各剩余的预训练无功功率预测模型中，筛选出第二差异最小的预训练无功功率预测模型，将该预训练无功功率预测模型，作为当前目标无功功率预测模型。
本实施例中，通过对输出的样本发电机组的预测无功功率边界值不在预设无功功率边界值范围内的目标预训练无功功率预测模型进行删除，相当于是删除了预测准确率较低的预训练无功功率预测模型，有利于避免预测准确率较低的预训练无功功率预测模型对发电机组无功功率边界值预测造成影响，进而提高了发电机组无功功率边界值的测量准确率。
在一个示例性的实施例中，如图4所示，提供了另一种发电机组无功功率边界值预测方法，以该方法应用于服务器进行举例说明，包括以下步骤：
步骤S401，获取待分析发电机组的关键机组数据；关键机组数据包括各个子关键机组数据。
步骤S402，分别将关键机组数据中的一个子关键机组数据作为主要数据，将关键机组数据中与子关键机组数据对应的其他子关键机组数据作为辅助数据，输入到特征提取模型中进行特征提取处理，得到子关键机组数据对应的特征向量；子关键机组数据对应的其他子关键机组数据为关键机组数据中除子关键机组数据以外的子关键机组数据。
步骤S403，确定子关键机组数据对应的特征向量的拼接顺序；按照拼接顺序，对各特征向量进行拼接处理，得到目标特征向量；将目标特征向量输入至当前目标无功功率预测模型，得到待分析发电机组的第一无功功率边界值。
步骤S404，将关键机组数据输入至与当前目标无功功率预测模型关联的历史目标无功功率预测模型，得到待分析发电机组的第二无功功率边界值。
需要说明的是，在步骤S404之后，存在两种得到待分析发电机组的目标无功功率边界值的方式，第一种方式是步骤S405至步骤S406，第二种方式是步骤S407至步骤S408；而且，在得到待分析发电机组的目标无功功率边界值的过程中，可以选择第一种方式或者第二种方式。
步骤S405，获取当前目标无功功率预测模型针对目标发电机组的关键机组数据的第一预测准确率，以及历史目标无功功率预测模型针对目标发电机组的关键机组数据的第二预测准确率；根据第一预测准确率和第二预测准确率，查询预测准确率和模型权重之间的对应关系，得到当前目标无功功率预测模型的第一模型权重，以及历史目标无功功率预测模型的第二模型权重。
步骤S406，根据第一模型权重和第二模型权重，对第一无功功率边界值和第二无功功率边界值进行融合处理，得到待分析发电机组的目标无功功率边界值。
步骤S407，将第一无功功率边界值和第二无功功率边界值输入到注意力机制模型中，得到第一无功功率边界值的第一注意力权重和第二无功功率边界值的第二注意力权重。
步骤S408，根据第一注意力权重和第二注意力权重，对第一无功功率边界值和第二无功功率边界值进行融合处理，得到待分析发电机组的目标无功功率边界值。
上述发电机组无功功率边界值预测方法中，在进行发电机组无功功率边界值预测时，通过利用当前目标无功功率预测模型和历史目标无功功率预测模型，相当于利用两个不同的模型对待分析发电机组的无功功率边界值进行预测，有利于提高发电机组无功功率边界值的测量准确率；而且，整个过程无需人工干预，避免了通过人工观察和人工计算容易存在误差，导致发电机组无功功率边界值的测量准确率较低的缺陷，进而提高了发电机组无功功率边界值的测量准确率。
在一个示例性的实施例中，为了更清晰阐明本申请实施例提供的发电机组无功功率边界值预测方法，以下以一个具体的实施例对该发电机组无功功率边界值预测方法进行具体说明。在一个实施例中，本申请还提供了一种发电机组进相试验无功功率预测方法，在进行发电机组无功功率边界值预测时，先获取待分析发电机组的关键机组数据，再将关键机组数据输入至当前目标无功功率预测模型，得到待分析发电机组的第一无功功率边界值，然后，将关键机组数据输入至与当前目标无功功率预测模型关联的历史目标无功功率预测模型，得到待分析发电机组的第二无功功率边界值，最后，根据第一无功功率边界值和第二无功功率边界值，确定待分析发电机组的目标无功功率边界值。具体包括如下内容：
（1）对各种类型的待训练的无功功率预测模型（比如神经网络模型、深度学习模型、随机森林模型、机器学习模型等）进行迭代训练，得到多种类型的训练完成的无功功率预测模型，作为多个无功功率预测模型。
（2）从多个无功功率预测模型中，筛选出当前的目标无功功率预测模型。该步骤可以通过多种方式实现，比如选择性能最好的无功功率预测模型，即将样本发电机组的样本关键机组数据，输入至所有的无功功率预测模型中，得到多个无功功率预测模型的预测值，并从多个无功功率预测模型中，筛选出与样本关键机组数据对应的实际值最相近的无功功率预测模型，作为当前的目标无功功率预测模型。
（3）获取待分析发电机组的关键机组数据。
（4）将待分析发电机组的关键机组数据，输入至当前的目标无功功率预测模型，得到待分析发电机组的第一无功功率边界值。比如获取每个关键机组数据对应的特征向量，然后将这些特征向量拼接在一起，得到一个目标特征向量，然后将目标特征向量输入到当前的目标无功功率预测模型中，可以得到第一无功功率边界值。
（5）将待分析发电机组的关键机组数据，输入至历史的目标无功功率预测模型，得到待分析发电机组的第二无功功率边界值。
（6）根据与当前的目标无功功率预测模型对应的模型权重，以及与历史的目标无功功率预测模型对应的模型权重，对第一无功功率边界值和第二无功功率边界值进行加权求和处理，得到目标无功功率边界值。
上述实施例，在进行发电机组无功功率边界值预测时，通过利用当前目标无功功率预测模型和历史目标无功功率预测模型，相当于利用两个不同的模型对待分析发电机组的无功功率边界值进行预测，有利于提高发电机组无功功率边界值的测量准确率；而且，整个过程无需人工干预，避免了通过人工观察和人工计算容易存在误差，导致发电机组无功功率边界值的测量准确率较低的缺陷，进而提高了发电机组无功功率边界值的测量准确率。
应该理解的是，虽然如上所述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，如上所述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机组无功功率边界值预测方法的发电机组无功功率边界值预测装置。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机组无功功率边界值预测装置实施例中的具体限定可以参见上文中对于发电机组无功功率边界值预测方法的限定，在此不再赘述。
在一个示例性的实施例中，如图5所示，提供了一种发电机组无功功率边界值预测装置，包括：数据获取模块501、第一预测模块502、第二预测模块503和目标确定模块504，其中：
数据获取模块501，用于获取待分析发电机组的关键机组数据。
第一预测模块502，用于将关键机组数据输入至当前目标无功功率预测模型，得到待分析发电机组的第一无功功率边界值。
第二预测模块503，用于将关键机组数据输入至与当前目标无功功率预测模型关联的历史目标无功功率预测模型，得到待分析发电机组的第二无功功率边界值。
目标确定模块504，用于根据第一无功功率边界值和第二无功功率边界值，确定待分析发电机组的目标无功功率边界值。
在一个示例性的实施例中，目标确定模块504，还用于获取当前目标无功功率预测模型的第一模型权重，以及历史目标无功功率预测模型的第二模型权重；根据第一模型权重和第二模型权重，对第一无功功率边界值和第二无功功率边界值进行融合处理，得到待分析发电机组的目标无功功率边界值。
在一个示例性的实施例中，目标确定模块504，还用于获取当前目标无功功率预测模型针对目标发电机组的关键机组数据的第一预测准确率，以及历史目标无功功率预测模型针对目标发电机组的关键机组数据的第二预测准确率；根据第一预测准确率和第二预测准确率，查询预测准确率和模型权重之间的对应关系，得到当前目标无功功率预测模型的第一模型权重，以及历史目标无功功率预测模型的第二模型权重。
在一个示例性的实施例中，目标确定模块504，还用于将第一无功功率边界值和第二无功功率边界值输入到注意力机制模型中，得到第一无功功率边界值的第一注意力权重和第二无功功率边界值的第二注意力权重；根据第一注意力权重和第二注意力权重，对第一无功功率边界值和第二无功功率边界值进行融合处理，得到待分析发电机组的目标无功功率边界值。
在一个示例性的实施例中，第一预测模块502，还用于分别将关键机组数据中的一个子关键机组数据作为主要数据，将关键机组数据中与子关键机组数据对应的其他子关键机组数据作为辅助数据，输入到特征提取模型中进行特征提取处理，得到子关键机组数据对应的特征向量；子关键机组数据对应的其他子关键机组数据为关键机组数据中除子关键机组数据以外的子关键机组数据；确定子关键机组数据对应的特征向量的拼接顺序；按照拼接顺序，对各特征向量进行拼接处理，得到目标特征向量；将目标特征向量输入至当前目标无功功率预测模型，得到待分析发电机组的第一无功功率边界值。
在一个示例性的实施例中，该发电机组无功功率边界值预测装置还包括模型训练模块，用于获取样本发电机组的样本关键机组数据；分别将样本关键机组数据输入至多个预训练无功功率预测模型，得到各预训练无功功率预测模型输出的样本发电机组的预测无功功率边界值；对各预训练无功功率预测模型输出的样本发电机组的预测无功功率边界值进行验证；在各预训练无功功率预测模型输出的样本发电机组的预测无功功率边界值均在预设无功功率边界值范围内的情况下，获取样本发电机组中与样本关键机组数据对应的实际无功功率边界值，并根据各预训练无功功率预测模型输出的样本发电机组的预测无功功率边界值与实际无功功率边界值之间的第一差异，从各预训练无功功率预测模型中，筛选出第一差异最小的预训练无功功率预测模型，作为当前目标无功功率预测模型。
在一个示例性的实施例中，模型训练模块，还用于在各预训练无功功率预测模型中，存在输出的样本发电机组的预测无功功率边界值不在预设无功功率边界值范围内的目标预训练无功功率预测模型的情况下，从各预训练无功功率预测模型中，删除目标预训练无功功率预测模型，得到剩余的预训练无功功率预测模型；根据各剩余的预训练无功功率预测模型输出的样本发电机组的预测无功功率边界值与实际无功功率边界值之间的第二差异，从各剩余的预训练无功功率预测模型中，筛选出第二差异最小的预训练无功功率预测模型，作为当前目标无功功率预测模型。
上述发电机组无功功率边界值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。
在一个示例性的实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。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、计算机程序和数据库。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。该计算机设备的数据库用于存储第一无功功率边界值、第二无功功率边界值、目标无功功率边界值等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种发电机组无功功率边界值预测方法。
本领域技术人员可以理解，图6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。
在一个示例性的实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个示例性的实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个示例性的实施例中，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上述各方法实施例中的步骤。
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，所述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、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数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。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、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (11)
1.一种发电机组无功功率边界值预测方法，其特征在于，所述方法包括：
获取待分析发电机组的关键机组数据；
将所述关键机组数据输入至当前目标无功功率预测模型，得到所述待分析发电机组的第一无功功率边界值；
将所述关键机组数据输入至与所述当前目标无功功率预测模型关联的历史目标无功功率预测模型，得到所述待分析发电机组的第二无功功率边界值；
根据所述第一无功功率边界值和所述第二无功功率边界值，确定所述待分析发电机组的目标无功功率边界值。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一无功功率边界值和所述第二无功功率边界值，确定所述待分析发电机组的目标无功功率边界值，包括：
获取所述当前目标无功功率预测模型的第一模型权重，以及所述历史目标无功功率预测模型的第二模型权重；
根据所述第一模型权重和所述第二模型权重，对所述第一无功功率边界值和所述第二无功功率边界值进行融合处理，得到所述待分析发电机组的目标无功功率边界值。
3.根据权利要求2所述的方法，其特征在于，所述获取所述当前目标无功功率预测模型的第一模型权重，以及所述历史目标无功功率预测模型的第二模型权重，包括：
获取所述当前目标无功功率预测模型针对目标发电机组的关键机组数据的第一预测准确率，以及所述历史目标无功功率预测模型针对所述目标发电机组的关键机组数据的第二预测准确率；
根据所述第一预测准确率和所述第二预测准确率，查询预测准确率和模型权重之间的对应关系，得到所述当前目标无功功率预测模型的第一模型权重，以及所述历史目标无功功率预测模型的第二模型权重。
4.根据权利要求1所述的方法，其特征在于，所述根据所述第一无功功率边界值和所述第二无功功率边界值，确定所述待分析发电机组的目标无功功率边界值，还包括：
将所述第一无功功率边界值和所述第二无功功率边界值输入到注意力机制模型中，得到所述第一无功功率边界值的第一注意力权重和所述第二无功功率边界值的第二注意力权重；
根据所述第一注意力权重和所述第二注意力权重，对所述第一无功功率边界值和所述第二无功功率边界值进行融合处理，得到所述待分析发电机组的目标无功功率边界值。
5.根据权利要求1所述的方法，其特征在于，所述关键机组数据包括各个子关键机组数据；
所述将所述关键机组数据输入至当前目标无功功率预测模型，得到所述待分析发电机组的第一无功功率边界值，包括：
分别将所述关键机组数据中的一个子关键机组数据作为主要数据，将所述关键机组数据中与所述子关键机组数据对应的其他子关键机组数据作为辅助数据，输入到特征提取模型中进行特征提取处理，得到所述子关键机组数据对应的特征向量；所述子关键机组数据对应的其他子关键机组数据为所述关键机组数据中除所述子关键机组数据以外的子关键机组数据；
确定所述子关键机组数据对应的特征向量的拼接顺序；
按照所述拼接顺序，对各所述特征向量进行拼接处理，得到目标特征向量；
将所述目标特征向量输入至当前目标无功功率预测模型，得到所述待分析发电机组的第一无功功率边界值。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述当前目标无功功率预测模型通过下述方式得到：
获取样本发电机组的样本关键机组数据；
分别将所述样本关键机组数据输入至多个预训练无功功率预测模型，得到各所述预训练无功功率预测模型输出的所述样本发电机组的预测无功功率边界值；
对各所述预训练无功功率预测模型输出的所述样本发电机组的预测无功功率边界值进行验证；
在各所述预训练无功功率预测模型输出的所述样本发电机组的预测无功功率边界值均在预设无功功率边界值范围内的情况下，获取所述样本发电机组中与所述样本关键机组数据对应的实际无功功率边界值，并根据各所述预训练无功功率预测模型输出的所述样本发电机组的预测无功功率边界值与所述实际无功功率边界值之间的第一差异，从各所述预训练无功功率预测模型中，筛选出所述第一差异最小的预训练无功功率预测模型，作为所述当前目标无功功率预测模型。
7.根据权利要求6所述的方法，其特征在于，在对各所述预训练无功功率预测模型输出的所述样本发电机组的预测无功功率边界值进行验证之后，还包括：
在各所述预训练无功功率预测模型中，存在输出的所述样本发电机组的预测无功功率边界值不在所述预设无功功率边界值范围内的目标预训练无功功率预测模型的情况下，从各所述预训练无功功率预测模型中，删除所述目标预训练无功功率预测模型，得到剩余的预训练无功功率预测模型；
根据各所述剩余的预训练无功功率预测模型输出的所述样本发电机组的预测无功功率边界值与所述实际无功功率边界值之间的第二差异，从各所述剩余的预训练无功功率预测模型中，筛选出所述第二差异最小的预训练无功功率预测模型，作为所述当前目标无功功率预测模型。
8.一种发电机组无功功率边界值预测装置，其特征在于，所述装置包括：
数据获取模块，用于获取待分析发电机组的关键机组数据；
第一预测模块，用于将所述关键机组数据输入至当前目标无功功率预测模型，得到所述待分析发电机组的第一无功功率边界值；
第二预测模块，用于将所述关键机组数据输入至与所述当前目标无功功率预测模型关联的历史目标无功功率预测模型，得到所述待分析发电机组的第二无功功率边界值；
目标确定模块，用于根据所述第一无功功率边界值和所述第二无功功率边界值，确定所述待分析发电机组的目标无功功率边界值。
9.一种计算机设备，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至7中任一项所述的方法的步骤。
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权利要求1至7中任一项所述的方法的步骤。
11.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410332771.4A CN117937477B (zh) | 2024-03-22 | 2024-03-22 | 发电机组无功功率边界值预测方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410332771.4A CN117937477B (zh) | 2024-03-22 | 2024-03-22 | 发电机组无功功率边界值预测方法、装置和计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117937477A true CN117937477A (zh) | 2024-04-26 |
| CN117937477B CN117937477B (zh) | 2024-07-12 |
Family
ID=90756094
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410332771.4A Active CN117937477B (zh) | 2024-03-22 | 2024-03-22 | 发电机组无功功率边界值预测方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117937477B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210124854A1 (en) * | 2019-10-28 | 2021-04-29 | General Electric Company | Systems and methods for enhanced power system model parameter estimation |
| CN113128793A (zh) * | 2021-05-19 | 2021-07-16 | 中国南方电网有限责任公司 | 一种基于多源数据融合的光伏功率组合预测方法及系统 |
| CN116054135A (zh) * | 2022-12-26 | 2023-05-02 | 国网河北省电力有限公司电力科学研究院 | 微电网无功功率预测方法、装置、电子设备及存储介质 |
| JP7302075B1 (ja) * | 2022-07-06 | 2023-07-03 | 日本曹達株式会社 | 反応条件を推定する推定モデルの生成方法／生成装置、反応条件の提供方法／提供装置、並びにプログラム |
| CN117318052A (zh) * | 2023-11-28 | 2023-12-29 | 南方电网调峰调频发电有限公司检修试验分公司 | 发电机组进相试验无功功率预测方法、装置和计算机设备 |
-
2024
- 2024-03-22 CN CN202410332771.4A patent/CN117937477B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210124854A1 (en) * | 2019-10-28 | 2021-04-29 | General Electric Company | Systems and methods for enhanced power system model parameter estimation |
| CN113128793A (zh) * | 2021-05-19 | 2021-07-16 | 中国南方电网有限责任公司 | 一种基于多源数据融合的光伏功率组合预测方法及系统 |
| JP7302075B1 (ja) * | 2022-07-06 | 2023-07-03 | 日本曹達株式会社 | 反応条件を推定する推定モデルの生成方法／生成装置、反応条件の提供方法／提供装置、並びにプログラム |
| CN116054135A (zh) * | 2022-12-26 | 2023-05-02 | 国网河北省电力有限公司电力科学研究院 | 微电网无功功率预测方法、装置、电子设备及存储介质 |
| CN117318052A (zh) * | 2023-11-28 | 2023-12-29 | 南方电网调峰调频发电有限公司检修试验分公司 | 发电机组进相试验无功功率预测方法、装置和计算机设备 |
Non-Patent Citations (1)
| Title |
|---|
| 顾然 等: "基于模型预测控制的配电网无功优化控制策略", 电网与清洁能源, vol. 32, no. 11, 25 November 2016 (2016-11-25), pages 37 - 50 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117937477B (zh) | 2024-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115841046B (zh) | 基于维纳过程的加速退化试验数据处理方法和装置 | |
| CN116167289B (zh) | 电网运行场景生成方法、装置、计算机设备和存储介质 | |
| CN117318052B (zh) | 发电机组进相试验无功功率预测方法、装置和计算机设备 | |
| CN114881343B (zh) | 基于特征选择的电力系统短期负荷预测方法及装置 | |
| CN117937477B (zh) | 发电机组无功功率边界值预测方法、装置和计算机设备 | |
| CN115577573B (zh) | 同步发电机输出电流的预测方法、装置、设备和存储介质 | |
| CN116191398A (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
| CN115856641A (zh) | 一种电池剩余充电时间预测方法、装置及电子设备 | |
| CN115859783A (zh) | 用于核反应堆仿真测试的多保真度网络构建方法和装置 | |
| Zhou et al. | An active learning variable-fidelity metamodeling approach for engineering design | |
| CN118157211B (zh) | 静态变频装置参数预测方法、装置和计算机设备 | |
| CN115439721B (zh) | 电力设备异常少样本缺陷分类模型训练方法、装置 | |
| CN112600200B (zh) | 电网节点的谐波潮流计算方法、装置、设备及存储介质 | |
| CN112600221B (zh) | 无功补偿装置配置方法、装置、设备及存储介质 | |
| CN117930017A (zh) | 基于机器学习的健康状态确定方法、装置和计算机设备 | |
| CN118281878A (zh) | 电力系统潮流确定方法、装置、计算机设备和存储介质 | |
| CN115545191A (zh) | 电流降噪网络模型训练方法及故障限流器电流降噪方法 | |
| CN116882008A (zh) | 基于数据驱动的变电站建筑信息模型生成方法和装置 | |
| CN116845289A (zh) | Sofc电堆的温度观测方法、装置、设备及存储介质 | |
| CN117909797A (zh) | 电力建设企业电力应急能力预测方法、装置和计算机设备 | |
| CN118504408A (zh) | 基于时序预测的风电场风机动态特性建模方法 | |
| CN117349184A (zh) | 测试案例生成方法、装置、计算机设备和存储介质 | |
| CN117875233A (zh) | 芯片功耗相关参数的确定方法、装置和计算机设备 | |
| CN117909393A (zh) | 接口参数映射获取方法、装置、设备、介质和程序产品 | |
| CN117437083A (zh) | 基于云边融合智能调度运行平台的电网边缘集群监控方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240603 Address after: Room 1217, No. 858 Lianhua Avenue West, Donghuan Street, Panyu District, Guangzhou City, Guangdong Province, 511493 Applicant after: INSPECTION AND TEST BRANCH OF SOUTHERN POWER GRID PEAKING FM POWER GENERATION Co.,Ltd. Country or region after: China Applicant after: Guangzhou Qiming Shuzhi Energy Technology Co.,Ltd. Address before: Room 1217, No. 858 Lianhua Avenue West, Donghuan Street, Panyu District, Guangzhou City, Guangdong Province, 511493 Applicant before: INSPECTION AND TEST BRANCH OF SOUTHERN POWER GRID PEAKING FM POWER GENERATION Co.,Ltd. Country or region before: China |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |