WO2023093010A1 - 基于深度学习融合模型的风电功率预测方法及设备 - Google Patents

基于深度学习融合模型的风电功率预测方法及设备 Download PDF

Info

Publication number
WO2023093010A1
WO2023093010A1 PCT/CN2022/099615 CN2022099615W WO2023093010A1 WO 2023093010 A1 WO2023093010 A1 WO 2023093010A1 CN 2022099615 W CN2022099615 W CN 2022099615W WO 2023093010 A1 WO2023093010 A1 WO 2023093010A1
Authority
WO
WIPO (PCT)
Prior art keywords
wind power
data
prediction
real
module
Prior art date
Application number
PCT/CN2022/099615
Other languages
English (en)
French (fr)
Inventor
曾谁飞
王振荣
傅望安
黄思皖
王青天
张燧
刘旭亮
李小翔
冯帆
邸智
韦玮
童彤
任鑫
杜静宇
赵鹏程
武青
祝金涛
朱俊杰
吴昊
吕亮
段周期
胡雪琛
项灵文
Original Assignee
中国华能集团清洁能源技术研究院有限公司
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 中国华能集团清洁能源技术研究院有限公司 filed Critical 中国华能集团清洁能源技术研究院有限公司
Publication of WO2023093010A1 publication Critical patent/WO2023093010A1/zh

Links

Images

Classifications

    • 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
    • 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
    • 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

Definitions

  • the disclosure relates to the technical fields of artificial intelligence, deep learning, natural language processing, new energy, carbon neutralization, and carbon peaking, and in particular to a method and device for predicting wind power based on a deep learning fusion model, computer equipment, storage media, and computer program products and computer programs.
  • the disclosure provides a wind power prediction method and device based on a deep learning fusion model, computer equipment, storage media, computer program products, and computer programs, aiming to improve the accuracy of power supply system dispatching and operation plan formulation, and reduce the cost of new energy generation power prediction error phenomenon.
  • the embodiment of the first aspect of the present disclosure proposes a photovoltaic short-term power prediction method based on deep learning, which includes:
  • the wind power prediction network model includes sequentially connected feature extraction modules, context information extraction modules, key information prediction modules, and feature fusion module and result prediction module;
  • the real-time monitoring data of wind power generated in real time and historical wind power data are preprocessed and input into the trained wind power prediction network model, and the output results are used as the prediction results of wind power in a specified time interval in the future.
  • the steps of data preprocessing include:
  • Data format analysis analyze the data format of wind power real-time monitoring data and/or historical wind power data in different data formats from the SCADA system, and convert them into a unified format;
  • the normalized value of w', w represents the true value of the sample, and w min and w max represent the minimum and maximum values selected.
  • the wind power prediction network model includes a sequentially connected feature extraction module, context information extraction module, key information prediction module, feature fusion module and result prediction module;
  • the feature extraction module is a feature extraction neural network, which is used to extract features from wind power real-time monitoring data and historical wind power data to obtain corresponding text space-time features;
  • the context information extraction module is used to obtain the sequence relationship between the real-time wind power monitoring data and the historical wind power data in time series, and obtain the context information of the real-time wind power monitoring data and the historical wind power data;
  • the key information prediction module is used to obtain and mine the interactive characteristics of the real-time monitoring data of wind power and the characteristics of historical wind power data, and form the context characteristics of real-time monitoring data of wind power and historical wind power data with key prediction information;
  • the feature fusion module is used to fuse and stitch the context features of real-time wind power monitoring data and historical wind power data to obtain feature fusion information;
  • the result prediction module is used to calculate the prediction result according to the feature fusion information and complete the wind power prediction.
  • the feature extraction neural network is a convolutional neural network model CNN network;
  • the convolutional neural network model CNN network includes a convolutional layer and a pooling layer, and adopts a maximum pooling method to obtain high-frequency spatiotemporal features .
  • the context information extraction module adopts the BiLSTM network model, inputs the high-frequency spatiotemporal features into the BiLSTM network model, outputs the contextual relationship of data at different times, and uses the forget gate of the BiLSTM network model to filter redundant information and improve text features. Characterization and fitting capabilities.
  • the key information prediction module uses the self-attention and interactive attention mechanisms in the two-way attention to obtain different weights within the features of the real-time wind power monitoring data and historical wind power data, and mines the internal features of the two data.
  • the interactive nature of thus finally constitutes the contextual features with key predictive information.
  • the step of training the constructed wind power prediction network model through the training set includes:
  • the real-time monitoring data of wind power and the historical wind power data are used to obtain the context features with key prediction information by using the self-attention and interactive attention mechanism in the two-way attention, and the interaction characteristics of the two kinds of data are excavated.
  • Two types of data contain interactive features of contextual information
  • the interactive features containing context information are merged to obtain fusion features.
  • the fusion features contain context information and interactive features, which fully reflects the contribution of real-time data and historical data to wind power prediction;
  • the fully connected layer is used to calculate the prediction results, compared with the marked detection results, and the network training is completed by continuously adjusting the network functions and parameters until the prediction results are consistent with the actual power results.
  • the step of presenting the result is further included.
  • the way of displaying the result at least includes: text display, voice broadcast, terminal outbound call, email and short message transmission, smart speaker and voice wake-up.
  • the embodiment of the second aspect of the present disclosure proposes a wind power prediction device based on a deep learning fusion model, including the following modules:
  • the data processing module is used to obtain real-time wind power monitoring data and historical wind power data within a specified time interval, perform data preprocessing, and use the preprocessed real-time wind power monitoring data and historical wind power data as a training set;
  • the network construction module is used to construct the wind power prediction network model, and train the constructed wind power prediction network model through the training set;
  • the wind power prediction network model includes a sequentially connected feature extraction module, context information extraction module, key information prediction module, feature fusion module and result prediction module;
  • the power prediction module is used to input the real-time wind power monitoring data and historical wind power data generated in real time into the trained wind power prediction network model after preprocessing, and output the result as the prediction result of wind power within a specified time interval in the future.
  • the data processing module is configured to:
  • Data format analysis analyze the data format of wind power real-time monitoring data and/or historical wind power data in different data formats from the SCADA system, and convert them into a unified format;
  • the normalized value of w', w represents the true value of the sample, and w min and w max represent the minimum and maximum values selected.
  • the wind power prediction network model includes a feature extraction module, a context information extraction module, a key information prediction module, a feature fusion module and a result prediction module connected in sequence.
  • the feature extraction module is a feature extraction neural network, which is used to extract features from wind power real-time monitoring data and historical wind power data to obtain corresponding text spatiotemporal features;
  • the context information extraction module is used to obtain the sequence relationship between the real-time wind power monitoring data and the historical wind power data in time series, and obtain the context information of the real-time wind power monitoring data and the historical wind power data;
  • the key information prediction module is used to obtain the interactive characteristics of the excavated real-time monitoring data of wind power and historical wind power data, and constitute the context of real-time monitoring data of wind power and historical wind power data with key prediction information feature;
  • the feature fusion module is used to fuse and stitch the context features of the real-time wind power monitoring data and historical wind power data to obtain feature fusion information;
  • the result prediction module is used to calculate a prediction result according to the feature fusion information to complete the wind power prediction.
  • the feature extraction neural network is a convolutional neural network model CNN network;
  • the convolutional neural network model CNN network includes a convolutional layer and a pooling layer, and adopts a maximum pooling method , to obtain high-frequency spatiotemporal features.
  • the context information extraction module adopts the BiLSTM network model, inputs the high-frequency spatio-temporal features into the BiLSTM network model, outputs the context relationship of data at different times, and utilizes the forget gate of the BiLSTM network model to perform redundant information extraction. Filtering function to improve text feature representation and fitting capabilities.
  • the key information prediction module uses the self-attention and interactive attention mechanisms in the two-way attention to obtain different weights inside the features for the real-time wind power monitoring data and historical wind power data, and mining The interactive characteristics of the respective features of these two kinds of data are obtained, so the contextual features with key prediction information are finally formed.
  • the network construction module is configured to:
  • the real-time monitoring data of wind power and the historical wind power data are used to obtain the context features with key prediction information by using the self-attention and interactive attention mechanism in the two-way attention, and the interaction characteristics of the two kinds of data are excavated.
  • Two types of data contain interactive features of contextual information
  • the fusion features contain context information and interactive features, which fully reflects the contribution of real-time data and historical data to wind power prediction;
  • the fully connected layer is used to calculate the predicted results, compared with the marked detection results, and the network training is completed by continuously adjusting the network functions and parameters until the predicted results are consistent with the actual power results.
  • the result display method includes at least: text display, voice broadcast, terminal outbound call, email and short message transmission, smart speaker and voice wake up.
  • the embodiment of the third aspect of the present disclosure proposes a computer device, including a memory, a processor, and a computer program stored in the memory and operable on the processor.
  • the processor executes the computer program, any of the above-mentioned first aspects can be realized.
  • the embodiment of the fourth aspect of the present disclosure proposes a non-transitory computer-readable storage medium on which a computer program is stored.
  • the computer program is executed by a processor, the deep learning-based Fusion model approach to wind power forecasting.
  • the embodiment of the fifth aspect of the present disclosure proposes a computer program product, including a computer program.
  • the computer program is executed by a processor, the wind power generation system based on the deep learning fusion model as described in any embodiment of the first aspect above can be realized. power prediction method.
  • the embodiment of the sixth aspect of the present disclosure proposes a computer program, including computer program code.
  • the computer program code executes the deep learning-based Fusion model approach to wind power forecasting.
  • the wind power prediction method based on the deep learning fusion model uses the real-time monitoring data of the wind power of the Scada system and combines the historical wind power data to predict the wind power, and combines the real-time monitoring data of the wind power of the Scada system with the historical wind power data
  • the input is a deep learning fusion model constructed by convolutional neural network, BiLSTM network, and Attention attention mechanism to extract text features, and finally the obtained features are merged to obtain fusion features, so that the optimal text features can be obtained to efficiently and accurately predict wind power.
  • This method not only improves the accuracy of power supply system scheduling operation plan formulation, but also helps reduce the error phenomenon of new energy power generation prediction.
  • Fig. 1 is a schematic flowchart of a wind power prediction method based on a deep learning fusion model provided by an embodiment of the present disclosure.
  • Fig. 2 is a schematic structural diagram of a wind power prediction network model of a wind power prediction method based on a deep learning fusion model provided by an embodiment of the present disclosure.
  • Fig. 3 is a schematic structural diagram of a wind power prediction device based on a deep learning fusion model provided by an embodiment of the present disclosure.
  • Fig. 4 is a schematic structural diagram of a non-transitory computer-readable storage medium provided by an embodiment of the present disclosure.
  • Fig. 1 is a schematic flowchart of a wind power prediction method based on a deep learning fusion model provided by an embodiment of the present disclosure. The method includes the following steps 101 to 103 .
  • Step 101 Obtain real-time wind power monitoring data and historical wind power data within a specified time interval, perform data preprocessing, and use the preprocessed real-time wind power monitoring data and historical wind power data as a training set.
  • this disclosure constructs a multi-scale convolution kernel CNN+BiLSTM+two-way Attention Force deep learning predictive model.
  • data acquisition is performed from the Scada system database, and real-time monitoring data of wind power and historical wind power data are extracted within a specified time interval; in this disclosure, the time interval of real-time monitoring data of wind power can be 24 hours, and the historical wind power data Take the data within one year up to the time limit of real-time monitoring data of wind power.
  • a data preprocessing step is also included, as shown by 101 in FIG. 2 .
  • Data format analysis analyze the data format of wind power real-time monitoring data and/or historical wind power data in different data formats, and convert them into a unified format.
  • Normalization processing according to the formula (1) to normalize the wind power real-time monitoring data and historical wind power data.
  • w' is a normalized value
  • w represents the true value of the sample
  • w min and w max represent the selected minimum and maximum values
  • Step 102 Construct a wind power prediction network model, and train the constructed wind power prediction network model through the training set.
  • the wind power prediction network model includes a feature extraction module 102 , a context information extraction module 103 , a key information prediction module 104 , a feature fusion module 105 and a result prediction module 106 connected in sequence.
  • the feature extraction module 102 is a feature extraction neural network, which is used to extract features from real-time wind power monitoring data and historical wind power data to obtain corresponding text spatiotemporal features.
  • the feature extraction neural network is a convolutional neural network model CNN network.
  • the convolutional neural network model CNN network includes a convolutional layer and a pooling layer. Using the maximum pooling method, it can better extract high-frequency spatio-temporal features, and contribute to the unified dimensionality reduction and compression of these two types of data.
  • the pan-fitting phenomenon is optimized to complete the spatio-temporal feature extraction of these two kinds of data.
  • the real-time wind power monitoring data and historical wind power data are respectively input into the CNN network model to obtain high-frequency spatio-temporal features.
  • the context information extraction module 103 is used to obtain the sequence relationship between the real-time wind power monitoring data and the historical wind power data in time series, and obtain the context information of the real-time wind power monitoring data and the historical wind power data.
  • the context information extraction module adopts the BiLSTM network model, inputs high-frequency spatio-temporal features into the BiLSTM network model, outputs the contextual relationship of data at different times, uses the forget gate of the BiLSTM network model to filter redundant information, and improves text feature representation and fitting capabilities.
  • the key information prediction module 104 is used to obtain the interactive characteristics of the respective characteristics of the real-time wind power monitoring data and historical wind power data mined, and constitute the context features of the real-time wind power monitoring data and historical wind power data with key prediction information.
  • the key information prediction module uses the self-attention and interactive attention mechanisms in the two-way attention to obtain different weights within the characteristics of the real-time monitoring data of wind power and historical wind power data, and excavates the interactive characteristics of the respective characteristics of the two data, so Finally, contextual features with key predictive information are constructed.
  • the feature fusion module 105 is used for merging and splicing context features of real-time wind power monitoring data and historical wind power data to obtain feature fusion information.
  • the fusion feature contains the contribution of past historical data to wind power prediction.
  • the result prediction module 106 is used to calculate the prediction result according to the feature fusion information, and complete the wind power prediction.
  • the steps to train the constructed wind power prediction network model through the training set include:
  • feature extraction is carried out by convolutional neural network model CNN network;
  • the real-time monitoring data of wind power and the historical wind power data are used to obtain the context features with key prediction information by using the self-attention and interactive attention mechanism in the two-way attention, and the interaction characteristics of the two kinds of data are excavated.
  • Two types of data contain interactive features of contextual information
  • the interactive features containing context information are merged to obtain fusion features, which contain context information and interactive features, fully reflecting the contribution of real-time data and historical data to wind power prediction;
  • the fully connected layer is used to calculate the prediction results, compared with the marked detection results, and the network training is completed by continuously adjusting the network functions and parameters until the prediction results are consistent with the actual power results.
  • the wind power prediction value is calculated through the fully connected layer, and the activation function ReLU function is used as the Dense activation function.
  • the calculated prediction result is calculated by the normalized reduction function to obtain its original size.
  • Step S103 Preprocess the real-time wind power real-time monitoring data and historical wind power data and input them into the trained wind power prediction network model, and output the result as the prediction result of photovoltaic power in the future specified time interval.
  • the present disclosure chooses mean absolute error MAE and root mean square error RMSE.
  • w pre is the predicted output value of the network model
  • W o represents the restored power prediction value
  • a step of displaying the result is also included.
  • the manner of displaying the results at least includes: text display, voice broadcast, terminal outbound call, email and short message transmission, and voice wake-up of smart speakers.
  • the embodiments of the present disclosure also propose a wind power prediction device based on a deep learning fusion model, including the following modules:
  • the data acquisition module 310 is used to obtain real-time wind power monitoring data within a specified time interval, and simultaneously obtain historical wind power data, perform data preprocessing, and use the preprocessed wind power real-time monitoring data and historical wind power data as a training set;
  • the network construction module 320 is configured to construct a wind power prediction network model, and train the constructed wind power prediction network model through the training set.
  • the wind power prediction network model includes a sequentially connected feature extraction module, context information extraction module, key information prediction module, feature fusion module and result prediction module;
  • the power prediction module 330 is used to preprocess the real-time monitoring data of wind power generated in real time and historical wind power data into the trained wind power prediction network model, and output the result as the prediction result of wind power within a specified time interval in the future.
  • the data processing module is configured to:
  • Data format analysis analyze the data format of wind power real-time monitoring data and/or historical wind power data in different data formats from the SCADA system, and convert them into a unified format;
  • the normalized value of w', w represents the true value of the sample, and w min and w max represent the minimum and maximum values selected.
  • the wind power prediction network model includes a feature extraction module, a context information extraction module, a key information prediction module, a feature fusion module and a result prediction module connected in sequence.
  • the feature extraction module is a feature extraction neural network, which is used to extract features from wind power real-time monitoring data and historical wind power data to obtain corresponding text spatiotemporal features;
  • the context information extraction module is used to obtain the sequence relationship between the real-time wind power monitoring data and the historical wind power data in time series, and obtain the context information of the real-time wind power monitoring data and the historical wind power data;
  • the key information prediction module is used to obtain the interactive characteristics of the excavated real-time monitoring data of wind power and historical wind power data, and constitute the context of real-time monitoring data of wind power and historical wind power data with key prediction information feature;
  • the feature fusion module is used to fuse and stitch the context features of the real-time wind power monitoring data and historical wind power data to obtain feature fusion information;
  • the result prediction module is used to calculate a prediction result according to the feature fusion information to complete the wind power prediction.
  • the feature extraction neural network is a convolutional neural network model CNN network;
  • the convolutional neural network model CNN network includes a convolutional layer and a pooling layer, and adopts a maximum pooling method , to obtain high-frequency spatiotemporal features.
  • the context information extraction module adopts the BiLSTM network model, inputs the high-frequency spatio-temporal features into the BiLSTM network model, outputs the context relationship of data at different times, and utilizes the forget gate of the BiLSTM network model to perform redundant information extraction. Filtering function to improve text feature representation and fitting capabilities.
  • the key information prediction module uses the self-attention and interactive attention mechanisms in the two-way attention to obtain different weights inside the features for the real-time wind power monitoring data and historical wind power data, and mining The interactive characteristics of the respective features of these two kinds of data are obtained, so the contextual features with key prediction information are finally formed.
  • the network construction module is configured to:
  • the real-time monitoring data of wind power and the historical wind power data are used to obtain the context features with key prediction information by using the self-attention and interactive attention mechanism in the two-way attention, and the interaction characteristics of the two kinds of data are excavated.
  • Two types of data contain interactive features of contextual information
  • the fusion features contain context information and interactive features, which fully reflects the contribution of real-time data and historical data to wind power prediction;
  • the fully connected layer is used to calculate the prediction results, compared with the marked detection results, and the network training is completed by continuously adjusting the network functions and parameters until the prediction results are consistent with the actual power results.
  • a result presentation is further included.
  • the way of displaying the results at least includes: text display, voice broadcast, terminal outbound call, email and short message transmission, smart speaker and voice wake-up.
  • the embodiments of the present disclosure also propose a computer device, including: a memory, a processor, and a computer program stored on the memory and operable on the processor.
  • the processor executes the computer program, any of the above The wind power prediction method based on the deep learning fusion model described in the embodiment of the present disclosure.
  • the embodiments of the present disclosure also propose a non-transitory computer-readable storage medium, on which a computer program is stored.
  • the computer program is executed by a processor, the deep learning-based fusion as described in any of the above embodiments is implemented. Modeling methods for wind power forecasting.
  • the non-transitory computer-readable storage medium includes a memory 810 of instructions and an interface 830 , and the above instructions can be executed by the processor 820 of the wind power prediction device based on the deep learning fusion model to complete the above method.
  • the storage medium may be a non-transitory computer-readable storage medium, for example, the non-transitory computer-readable storage medium may be ROM, random access memory (RAM), CD-ROM, magnetic tape, floppy disk, and optical data storage equipment etc.
  • the embodiments of the present disclosure also propose a computer program product, including a computer program.
  • the computer program When the computer program is executed by a processor, the wind power generation system based on the deep learning fusion model as described in any of the above-mentioned embodiments is implemented. power prediction method.
  • the embodiments of the present disclosure also propose a computer program, including computer program code, when the computer program code is run on a computer, it causes the computer to execute the deep learning-based Fusion model approach to wind power forecasting.
  • first and second are used for descriptive purposes only, and cannot be interpreted as indicating or implying relative importance or implicitly specifying the quantity of indicated technical features.
  • the features defined as “first” and “second” may explicitly or implicitly include at least one of these features.
  • “plurality” means at least two, such as two, three, etc., unless otherwise specifically defined.
  • a "computer-readable medium” may be any device that can contain, store, communicate, propagate or transmit a program for use in or in conjunction with an instruction execution system, device or device.
  • computer-readable media include the following: electrical connection with one or more wires (electronic device), portable computer disk case (magnetic device), random access memory (RAM), Read Only Memory (ROM), Erasable and Editable Read Only Memory (EPROM or Flash Memory), Fiber Optic Devices, and Portable Compact Disc Read Only Memory (CDROM).
  • the computer-readable medium may even be paper or other suitable medium on which the program can be printed, as it may be possible, for example, by optically scanning the paper or other medium, followed by editing, interpreting, or other suitable processing if necessary.
  • the program is processed electronically and stored in computer memory.
  • various parts of the present disclosure may be implemented in hardware, software, firmware or a combination thereof.
  • various steps or methods may be implemented by software or firmware stored in memory and executed by a suitable instruction execution system.
  • a suitable instruction execution system For example, if implemented in hardware as in another embodiment, it can be implemented by any one or a combination of the following techniques known in the art: a discrete Logic circuits, ASICs with suitable combinational logic gates, Programmable Gate Arrays (PGA), Field Programmable Gate Arrays (FPGA), etc.
  • each functional unit in each embodiment of the present disclosure may be integrated into one processing module, each unit may exist separately physically, or two or more units may be integrated into one module.
  • the above-mentioned integrated modules can be implemented in the form of hardware or in the form of software function modules. If the integrated modules are realized in the form of software function modules and sold or used as independent products, they can also be stored in a computer-readable storage medium.
  • the storage medium mentioned above may be a read-only memory, a magnetic disk or an optical disk, and the like.

Landscapes

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

Abstract

提出了一种基于深度学习融合模型的风电功率预测方法及装置、计算机设备、存储介质、计算机程序产品和计算机程序，包括：获取指定时间间隔内的风电功率实时监测数据和历史风电功率数据，进行数据预处理，将预处理后的风电功率实时监测数据和历史风电功率数据作为训练集（步骤101）；构建风电功率预测网络模型，并通过训练集对构建的风电功率预测网络模型进行训练（步骤102）；将实时产生的风电功率实时监测数据和历史风电功率数据预处理后输入训练完成的风电功率预测网络模型中，输出结果作为未来指定时间间隔内风电功率的预测结果（步骤103）。

Description

基于深度学习融合模型的风电功率预测方法及设备
相关申请的交叉引用
本申请要求在2021年11月26日在中国提交的中国专利申请号202111424160.5的优先权，其全部内容通过引用并入本文。
技术领域
本公开涉及人工智能、深度学习、自然语言处理、新能源及碳中和、碳达峰技术领域，尤其涉及基于深度学习融合模型的风电功率预测方法及装置、计算机设备、存储介质、计算机程序产品和计算机程序。
背景技术
伴随深度学习融合模型与风力系统调度运行快速发展，对风电功率预测精准性提出了更大的挑战，比如：如何从SCADA系统实时数据和历史风电功率数据这两个维度优化风电功率精准预测这个新视角，为风电供电计划制定、安全运行提供可靠决策依据。当前风电功率预测方法有物理方法、统计方法、及单一网络模型深度学习等方法，但是这些方法普遍存在缺陷导致风电功率预测不充分、不准确，这些缺陷表现为：考虑采集到数据不够充分可能引起过拟合现象，要么降维效果不显著，要么构建单一时空数据特征的神经网络模型，还有未考虑上下文信息、数据降维或压缩及结合多个维度提取文本特征等。因此可见，如不解决对风电功率准确预测，则给供电系统带来诸多弊端，包括不限于增加各项运营成本，间接增加了人力等支出，甚至构成电力调度系统的安全运行。
发明内容
本公开提供一种基于深度学习融合模型的风电功率预测方法及装置、计算机设备、存储介质、计算机程序产品和计算机程序，旨在提高供电系统调度运行计划制定精准性，降低新能源发电功率预测的误差现象。
为此，本公开的第一方面的实施例提出一种深度学习的光伏短期功率预测方法，该方法包括：
获取指定时间间隔内的风电功率实时监测数据和历史风电功率数据，进行数据预处理，将预处理后的风电功率实时监测数据和历史风电功率数据作为训练集；
构建风电功率预测网络模型，并通过训练集对构建的风电功率预测网络模型进行训练；其中，风电功率预测网络模型包括依序连接的特征提取模块、上下文信息提取模块、关键 信息预测模块、特征融合模块和结果预测模块；
将实时产生的风电功率实时监测数据和历史风电功率数据预处理后输入训练完成的风电功率预测网络模型中，输出结果作为未来指定时间间隔内风电功率的预测结果。
在一些实施例中，数据预处理的步骤包括：
数据格式解析：对于取自SCADA系统的不同数据格式的风电功率实时监测数据和、或历史风电功率数据进行数据格式解析，转换为统一格式；
数据相关性分析，以排除权重低于设定阈值的风电功率实时监测数据和历史风电功率数据；
归一化处理，依据公式(1)对风电功率实时监测数据和历史风电功率数据进行归一化；
Figure PCTCN2022099615-appb-000001
w’归一化后的值，w代表样本真值，w min和w max代表所选所在的最小值和最大值。
在一些实施例中，风电功率预测网络模型包括依序连接的特征提取模块、上下文信息提取模块、关键信息预测模块、特征融合模块和结果预测模块；
特征提取模块为特征提取神经网络，用于对风电功率实时监测数据和历史风电功率数据进行特征提取，获得对应的文本时空特征；
上下文信息提取模块用于获取风电功率实时监测数据和历史风电功率数据在时序上的序列关系，得到风电功率实时监测数据和历史风电功率数据的上下文信息；
关键信息预测模块用于获取挖掘了风电功率实时监测数据和历史风电功率数据各自特征内部的交互性特性，构成带有关键预测信息的风电功率实时监测数据和历史风电功率数据的上下文特征；
特征融合模块用于对风电功率实时监测数据和历史风电功率数据的上下文特征融合拼接，得到特征融合信息；
结果预测模块，用于根据特征融合信息计算预测结果，完成风电功率预测。
在一些实施例中，特征提取神经网络为卷积神经网络模型CNN网络；卷积神经网络模型CNN网络包括1层卷积层和1层池化层，采用最大池化方法，获取高频时空特征。
在一些实施例中，上下文信息提取模块采用BiLSTM网络模型，将高频时空特征输入BiLSTM网络模型，输出不同时刻数据的上下文关系，利用BiLSTM网络模型的遗忘门进行冗余信息过滤作用，提高文本特征表征和拟合能力。
在一些实施例中，关键信息预测模块对风电功率实时监测数据和历史风电功率数据利用双向注意力中的自注意力、交互注意力机制得到特征内部不同权重，挖掘了这两种数据各自特征内部的交互性特性，因此最后构成了带有关键预测信息的上下文特征。
在一些实施例中，通过训练集对构建的风电功率预测网络模型进行训练的步骤包括：
将预处理后的训练集数据输入特征提取模块的特征提取神经网络，通过卷积神经网络模型CNN网络进行特征提取；
利用BiLSTM网络模型得到过去时刻及未来时刻的序列关系从而得到了上下文信息；
分别对风电功率实时监测数据和历史风电功率数据利用双向注意力中的自注意力、交互注意力机制得到带有关键预测信息的上下文特征，挖掘了两种数据各自特征内部的交互特性，分别构成两种数据包含上下文信息的交互性特征；
将包含上下文信息的交互性特征通过合并操作获融合特征，该融合特征中含上下文信息和交互性特征，充分体现了实时数据、历史数据对风电功率预测的贡献度；
利用全连接层计算预测结果，与标记的检测结果进行对比，通过不断调整网络函数和参数，直至预测结果与实际功率结果一致时，完成网络训练。
在一些实施例中，在输出风电功率的预测结果的步骤之后，还包括结果展现的步骤。在一些实施例中，结果展现的方式至少包括：文字展示、语音播报、终端外呼、邮件及短信传输、智能音箱和语音唤醒。
本公开的第二方面的实施例提出一种基于深度学习融合模型的风电功率预测装置，包括以下模块：
数据处理模块，用于获取指定时间间隔内的风电功率实时监测数据和历史风电功率数据，进行数据预处理，将预处理后的风电功率实时监测数据和历史风电功率数据作为训练集；
网络构建模块，用于构建风电功率预测网络模型，并通过训练集对构建的风电功率预测网络模型进行训练；风电功率预测网络模型包括依序连接的特征提取模块、上下文信息提取模块、关键信息预测模块、特征融合模块和结果预测模块；和
功率预测模块，用于将实时产生的风电功率实时监测数据和历史风电功率数据预处理后输入训练完成的风电功率预测网络模型中，输出结果作为未来指定时间间隔内风电功率的预测结果。
在本公开的实施例中，所述数据处理模块被配置为：
数据格式解析：对于取自SCADA系统的不同数据格式的风电功率实时监测数据和、或历史风电功率数据进行数据格式解析，转换为统一格式；
数据相关性分析，以排除权重低于设定阈值的风电功率实时监测数据和历史风电功率数据；
归一化处理，依据公式(1)对风电功率实时监测数据和历史风电功率数据进行归一化；
Figure PCTCN2022099615-appb-000002
w’归一化后的值，w代表样本真值，w min和w max代表所选所在的最小值和最大值。
在本公开的实施例中，所述风电功率预测网络模型包括依序连接的特征提取模块、上下文信息提取模块、关键信息预测模块、特征融合模块和结果预测模块。
在本公开的实施例中，所述特征提取模块为特征提取神经网络，用于对风电功率实时监测数据和历史风电功率数据进行特征提取，获得对应的文本时空特征；
所述上下文信息提取模块用于获取风电功率实时监测数据和历史风电功率数据在时序上的序列关系，得到所述风电功率实时监测数据和历史风电功率数据的上下文信息；
所述关键信息预测模块用于获取所述挖掘了风电功率实时监测数据和历史风电功率数据各自特征内部的交互性特性，构成带有关键预测信息的风电功率实时监测数据和历史风电功率数据的上下文特征；
所述特征融合模块用于对所述风电功率实时监测数据和历史风电功率数据的上下文特征融合拼接，得到特征融合信息；和
所述结果预测模块，用于根据所述特征融合信息计算预测结果，完成风电功率预测。
在本公开的实施例中，所述特征提取神经网络为卷积神经网络模型CNN网络；所述卷积神经网络模型CNN网络包括1层卷积层和1层池化层，采用最大池化方法，获取高频时空特征。
在本公开的实施例中，所述上下文信息提取模块采用BiLSTM网络模型，将所述高频时空特征输入BiLSTM网络模型，输出不同时刻数据的上下文关系，利用BiLSTM网络模型的遗忘门进行冗余信息过滤作用，提高文本特征表征和拟合能力。
在本公开的实施例中，所述关键信息预测模块对所述所述风电功率实时监测数据和历史风电功率数据利用双向注意力中的自注意力、交互注意力机制得到特征内部不同权重，挖掘了这两种数据各自特征内部的交互性特性，因此最后构成了带有关键预测信息的上下文特征。
在本公开的实施例中，所述网络构建模块被配置为：
将预处理后的训练集数据输入特征提取模块的特征提取神经网络，通过卷积神经网络模型CNN网络进行特征提取；
利用BiLSTM网络模型得到过去时刻及未来时刻的序列关系从而得到了上下文信息；
分别对风电功率实时监测数据和历史风电功率数据利用双向注意力中的自注意力、交互注意力机制得到带有关键预测信息的上下文特征，挖掘了两种数据各自特征内部的交互特性，分别构成两种数据包含上下文信息的交互性特征；
将所述包含上下文信息的交互性特征通过合并操作获融合特征，该融合特征中含上下文信息和交互性特征，充分体现了实时数据、历史数据对风电功率预测的贡献度；和
利用全连接层计算预测结果，与标记的检测结果进行对比，通过不断调整网络函数和 参数，直至预测结果与实际功率结果一致时，完成网络训练。
在本公开的实施例中，在输出所述风电功率的预测结果之后，还包括结果展现；其中，结果展现的方式至少包括：文字展示、语音播报、终端外呼、邮件及短信传输、智能音箱和语音唤醒。
本公开的第三方面的实施例提出一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时，实现如前述第一方面任一实施例所述的基于深度学习融合模型的风电功率预测方法。
本公开的第四方面的实施例提出一种非临时性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前述第一方面任一实施例所述的基于深度学习融合模型的风电功率预测方法。
本公开的第五方面的实施例提出一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如前述第一方面任一实施例所述的基于深度学习融合模型的风电功率预测方法。
本公开的第六方面的实施例提出一种计算机程序，包括计算机程序代码，当所述计算机程序代码在计算机上运行时，使得计算机执行如前述第一方面任一实施例所述的基于深度学习融合模型的风电功率预测方法。
本公开的实施例提供的基于深度学习融合模型的风电功率预测方法，利用Scada系统风电功率实时监测数据及结合历史风电功率数据对风电功率预测，将Scada系统风电功率实时监测数据和历史风电功率数据输入由卷积神经网络、BiLSTM网络、Attention注意力机制构建深度学习融合模型提取文本特征，最终将其获得的特征进行合并操作得到融合特征，这样得到最优文本特征对风电功率进行高效精准预测。通过该方法不仅提高供电系统调度运行计划制定精准性，而且有利于降低新能源发电功率预测的误差现象。
本公开附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是本公开实施例提供的一种基于深度学习融合模型的风电功率预测方法的流程示意图。
图2是本公开实施例提供的一种基于深度学习融合模型的风电功率预测方法的风电功率预测网络模型的结构示意图。
图3是本公开实施例提供的一种基于深度学习融合模型的风电功率预测装置的结构示意图。
图4是本公开实施例提供的一种非临时性计算机可读存储介质的结构示意图。
具体实施方式
下面详细描述本公开的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本公开，而不能理解为对本公开的限制。
图1为本公开实施例所提供的一种基于深度学习融合模型的风电功率预测方法的流程示意图。该方法包括以下步骤101至步骤103。
步骤101：获取指定时间间隔内的风电功率实时监测数据和历史风电功率数据，进行数据预处理，将预处理后的风电功率实时监测数据和历史风电功率数据作为训练集。
本公开针对提取风电功率实时监测数据及历史风电功率数据的特征不足导致过拟合现象，造成风电功率预测精准不准等问题，构建了一种带有多尺度卷积核CNN+BiLSTM+双向Attention注意力深度学习预测模型。
首先从Scada系统数据库中进行数据获取，提取指定时间间隔内的风电功率实时监测数据，以及历史风电功率数据；在本公开中，风电功率实时监测数据的时间间隔可为24小时，历史风电功率数据取风电功率实时监测数据的时间期限为止的一年内的数据。
采集数据完成后，还包括数据预处理的步骤，如图2中101所示。
数据格式解析，对不同数据格式的风电功率实时监测数据和、或历史风电功率数据进行数据格式解析，转换为统一格式。
数据相关性分析，以排除权重低于设定阈值的风电功率实时监测数据和历史风电功率数据。
归一化处理，依据公式(1)对风电功率实时监测数据和历史风电功率数据进行归一化。
Figure PCTCN2022099615-appb-000003
在一些实施例中，w’归一化后的值，w代表样本真值，w min和w max代表所选所在的最小值和最大值。
数据预处理完成后进入步骤102。
步骤102：构建风电功率预测网络模型，并通过训练集对构建的风电功率预测网络模型进行训练。
如图2所示，风电功率预测网络模型包括依序连接的特征提取模块102、上下文信息提取模块103、关键信息预测模块104、特征融合模块105和结果预测模块106。
特征提取模块102为特征提取神经网络，用于对风电功率实时监测数据和历史风电功率数据进行特征提取，获得对应的文本时空特征。特征提取神经网络为卷积神经网络模型CNN网络。卷积神经网络模型CNN网络包括1层卷积层和1层池化层，采用最大池化方法，能够较好提取的高频时空特征，并有助于这两种数据的统一降维和压缩，优化泛拟合现象，从而完成这两种数据的时空特征提取。将风电功率实时监测数据和历史风电功率数据分别输入CNN网络模型中，获得高频时空特征。
上下文信息提取模块103用于获取风电功率实时监测数据和历史风电功率数据在时序上的序列关系，得到风电功率实时监测数据和历史风电功率数据的上下文信息。上下文信息提取模块采用BiLSTM网络模型，将高频时空特征输入BiLSTM网络模型，输出不同时刻数据的上下文关系，利用BiLSTM网络模型的遗忘门进行冗余信息过滤作用，提高文本特征表征和拟合能力。
关键信息预测模块104用于获取挖掘了风电功率实时监测数据和历史风电功率数据各自特征内部的交互性特性，构成带有关键预测信息的风电功率实时监测数据和历史风电功率数据的上下文特征。关键信息预测模块对风电功率实时监测数据和历史风电功率数据利用双向注意力中的自注意力、交互注意力机制得到特征内部不同权重，挖掘了这两种数据各自特征内部的交互性特性，因此最后构成了带有关键预测信息的上下文特征。
特征融合模块105用于对风电功率实时监测数据和历史风电功率数据的上下文特征融合拼接，得到特征融合信息。该融合特征中含有过去的历史数据对风电功率预测的贡献度。
结果预测模块106，用于根据特征融合信息计算预测结果，完成风电功率预测。
通过训练集对构建的风电功率预测网络模型进行训练的步骤包括：
将预处理后的训练集数据输入特征提取模块102的特征提取神经网络，通过卷积神经网络模型CNN网络进行特征提取；
利用BiLSTM网络模型得到过去时刻及未来时刻的序列关系从而得到了上下文信息；
分别对风电功率实时监测数据和历史风电功率数据利用双向注意力中的自注意力、交互注意力机制得到带有关键预测信息的上下文特征，挖掘了两种数据各自特征内部的交互特性，分别构成两种数据包含上下文信息的交互性特征；
将包含上下文信息的交互性特征通过合并操作获融合特征，该融合特征中含上下文信息和交互性特征，充分体现了实时数据、历史数据对风电功率预测的贡献度；和
利用全连接层计算预测结果，与标记的检测结果进行对比，通过不断调整网络函数和参数，直至预测结果与实际功率结果一致时，完成网络训练。
通过全连接层计算风电功率预测值，采用激活函数ReLU函数作为Dense激活函数，计算得到预测结果用归一化还原函数计算而获得其原有大小。
步骤S103：将实时产生的风电功率实时监测数据和历史风电功率数据预处理后输入训 练完成的风电功率预测网络模型中，输出结果作为未来指定时间间隔内光伏功率的预测结果。
通过1年内的历史功率数据及实时采集24小时内的监测数据降低了系统平均绝对误差MAE和均方根误差RMSE，为改进光伏短期功率预测模型并对电力系统光伏占比量、调度运行都具有重要的意义。
本公开选择平均绝对误差MAE和均方根误差RMSE。
w o＝w pre(w max-w min)+w min      (2)
其中w pre为网络模型预测输出值，W o代表还原后的功率预测值。
在输出风电功率的预测结果的步骤之后，还包括结果展现的步骤。在一些实施例中，结果展现的方式至少包括：文字展示、语音播报、终端外呼、邮件及短信传输、智能音箱语音唤醒。
为了实现上述实施例，本公开实施例还提出一种基于深度学习融合模型的风电功率预测装置，包括以下模块：
数据获取模块310，用于获取指定时间间隔内的风电功率实时监测数据，同时获取历史风电功率数据，进行数据预处理，将预处理后的风电功率实时监测数据和历史风电功率数据作为训练集；
网络构建模块320，用于构建风电功率预测网络模型，并通过训练集对构建的风电功率预测网络模型进行训练。在一些实施例中，风电功率预测网络模型包括依序连接的特征提取模块、上下文信息提取模块、关键信息预测模块、特征融合模块和结果预测模块；和
功率预测模块330，用于将实时产生的风电功率实时监测数据和历史风电功率数据预处理后输入训练完成的风电功率预测网络模型中，输出结果作为未来指定时间间隔内风电功率的预测结果。
在本公开的实施例中，所述数据处理模块被配置为：
数据格式解析：对于取自SCADA系统的不同数据格式的风电功率实时监测数据和、或历史风电功率数据进行数据格式解析，转换为统一格式；
数据相关性分析，以排除权重低于设定阈值的风电功率实时监测数据和历史风电功率数据；
归一化处理，依据公式(1)对风电功率实时监测数据和历史风电功率数据进行归一化；
Figure PCTCN2022099615-appb-000004
w’归一化后的值，w代表样本真值，w min和w max代表所选所在的最小值和最大值。
在本公开的实施例中，所述风电功率预测网络模型包括依序连接的特征提取模块、上下文信息提取模块、关键信息预测模块、特征融合模块和结果预测模块。
在本公开的实施例中，所述特征提取模块为特征提取神经网络，用于对风电功率实时监测数据和历史风电功率数据进行特征提取，获得对应的文本时空特征；
所述上下文信息提取模块用于获取风电功率实时监测数据和历史风电功率数据在时序上的序列关系，得到所述风电功率实时监测数据和历史风电功率数据的上下文信息；
所述关键信息预测模块用于获取所述挖掘了风电功率实时监测数据和历史风电功率数据各自特征内部的交互性特性，构成带有关键预测信息的风电功率实时监测数据和历史风电功率数据的上下文特征；
所述特征融合模块用于对所述风电功率实时监测数据和历史风电功率数据的上下文特征融合拼接，得到特征融合信息；和
所述结果预测模块，用于根据所述特征融合信息计算预测结果，完成风电功率预测。
在本公开的实施例中，所述特征提取神经网络为卷积神经网络模型CNN网络；所述卷积神经网络模型CNN网络包括1层卷积层和1层池化层，采用最大池化方法，获取高频时空特征。
在本公开的实施例中，所述上下文信息提取模块采用BiLSTM网络模型，将所述高频时空特征输入BiLSTM网络模型，输出不同时刻数据的上下文关系，利用BiLSTM网络模型的遗忘门进行冗余信息过滤作用，提高文本特征表征和拟合能力。
在本公开的实施例中，所述关键信息预测模块对所述所述风电功率实时监测数据和历史风电功率数据利用双向注意力中的自注意力、交互注意力机制得到特征内部不同权重，挖掘了这两种数据各自特征内部的交互性特性，因此最后构成了带有关键预测信息的上下文特征。
在本公开的实施例中，所述网络构建模块被配置为：
将预处理后的训练集数据输入特征提取模块的特征提取神经网络，通过卷积神经网络模型CNN网络进行特征提取；
利用BiLSTM网络模型得到过去时刻及未来时刻的序列关系从而得到了上下文信息；
分别对风电功率实时监测数据和历史风电功率数据利用双向注意力中的自注意力、交互注意力机制得到带有关键预测信息的上下文特征，挖掘了两种数据各自特征内部的交互特性，分别构成两种数据包含上下文信息的交互性特征；
将所述包含上下文信息的交互性特征通过合并操作获融合特征，该融合特征中含上下文信息和交互性特征，充分体现了实时数据、历史数据对风电功率预测的贡献度；和
利用全连接层计算预测结果，与标记的检测结果进行对比，通过不断调整网络函数和参数，直至预测结果与实际功率结果一致时，完成网络训练。
在本公开的实施例中，在输出所述风电功率的预测结果之后，还包括结果展现。在一 些实施例中，结果展现的方式至少包括：文字展示、语音播报、终端外呼、邮件及短信传输、智能音箱和语音唤醒。
为了实现上述实施例，本公开实施例还提出一种计算机设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时，实现如上任一本公开实施例所述的基于深度学习融合模型的风电功率预测方法。
为了实现上述实施例，本公开实施例还提出一种非临时性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如上任一实施例所述的基于深度学习融合模型的风电功率预测方法。
如图4所示，非临时性计算机可读存储介质包括指令的存储器810，接口830，上述指令可由基于深度学习融合模型的风电功率预测装置的处理器820执行以完成上述方法。在一些实施例中，存储介质可以是非临时性计算机可读存储介质，例如，非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
为了实现上述实施例，本公开的实施例还提出一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上述任一实施例所述的基于深度学习融合模型的风电功率预测方法。
为了实现上述实施例，本公开的实施例还提出一种计算机程序，包括计算机程序代码，当所述计算机程序代码在计算机上运行时，使得计算机执行如上述任一实施例所述的基于深度学习融合模型的风电功率预测方法。
需要说明的是，前述对基于深度学习融合模型的风电功率预测方法的实施例的解释说明也适用于本公开实施例的计算机设备、非临时性计算机可读存储介质、计算机程序产品和计算机程序，此处不再赘述。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，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。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本公开的描述中，“多个”的含义是至少两个，例如两个， 三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本公开的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本公开的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
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。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本公开各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读 取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本公开的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本公开的限制，本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。
本公开所有实施例均可以单独被执行，也可以与其他实施例相结合被执行，均视为本公开要求的保护范围。

Claims (22)

  1. 一种基于深度学习融合模型的风电功率预测方法，包括：
    获取指定时间间隔内的风电功率实时监测数据和历史风电功率数据，进行数据预处理，将预处理后的风电功率实时监测数据和历史风电功率数据作为训练集；
    构建风电功率预测网络模型，并通过所述训练集对构建的风电功率预测网络模型进行训练；其中，所述风电功率预测网络模型包括依序连接的特征提取模块、上下文信息提取模块、关键信息预测模块、特征融合模块和结果预测模块；和
    将实时产生的风电功率实时监测数据和历史风电功率数据预处理后输入训练完成的所述风电功率预测网络模型中，输出结果作为未来指定时间间隔内风电功率的预测结果。
  2. 根据权利要求1所述的基于深度学习融合模型的风电功率预测方法，其特征在于，所述数据预处理的步骤包括：
    数据格式解析：对于取自SCADA系统的不同数据格式的风电功率实时监测数据和、或历史风电功率数据进行数据格式解析，转换为统一格式；
    数据相关性分析，以排除权重低于设定阈值的风电功率实时监测数据和历史风电功率数据；
    归一化处理，依据公式(1)对风电功率实时监测数据和历史风电功率数据进行归一化；
    Figure PCTCN2022099615-appb-100001
    其中，w’归一化后的值，w代表样本真值，w min和w max代表所选所在的最小值和最大值。
  3. 根据权利要求1或2所述的基于深度学习融合模型的风电功率预测方法，其特征在于，所述风电功率预测网络模型包括依序连接的特征提取模块、上下文信息提取模块、关键信息预测模块、特征融合模块和结果预测模块。
  4. 根据权利要求3所述的基于深度学习融合模型的风电功率预测方法，其特征在于，
    所述特征提取模块为特征提取神经网络，用于对风电功率实时监测数据和历史风电功率数据进行特征提取，获得对应的文本时空特征；
    所述上下文信息提取模块用于获取风电功率实时监测数据和历史风电功率数据在时序上的序列关系，得到所述风电功率实时监测数据和历史风电功率数据的上下文信息；
    所述关键信息预测模块用于获取所述挖掘了风电功率实时监测数据和历史风电功率数据各自特征内部的交互性特性，构成带有关键预测信息的风电功率实时监测数据和历史风电功率数据的上下文特征；
    所述特征融合模块用于对所述风电功率实时监测数据和历史风电功率数据的上下文特 征融合拼接，得到特征融合信息；和
    所述结果预测模块，用于根据所述特征融合信息计算预测结果，完成风电功率预测。
  5. 根据权利要求4所述的基于深度学习融合模型的风电功率预测方法，其特征在于，所述特征提取神经网络为卷积神经网络模型CNN网络；所述卷积神经网络模型CNN网络包括1层卷积层和1层池化层，采用最大池化方法，获取高频时空特征。
  6. 根据权利要求3至5中任一项所述的基于深度学习融合模型的风电功率预测方法，其特征在于，所述上下文信息提取模块采用BiLSTM网络模型，将所述高频时空特征输入BiLSTM网络模型，输出不同时刻数据的上下文关系，利用BiLSTM网络模型的遗忘门进行冗余信息过滤作用，提高文本特征表征和拟合能力。
  7. 根据权利要求3至6中任一项所述的基于深度学习融合模型的风电功率预测方法，其特征在于，所述关键信息预测模块对所述所述风电功率实时监测数据和历史风电功率数据利用双向注意力中的自注意力、交互注意力机制得到特征内部不同权重，挖掘了这两种数据各自特征内部的交互性特性，因此最后构成了带有关键预测信息的上下文特征。
  8. 根据权利要求1至7中任一项所述的基于深度学习融合模型的风电功率预测方法，其特征在于，通过所述训练集对构建的所述风电功率预测网络模型进行训练的步骤包括：
    将预处理后的训练集数据输入特征提取模块的特征提取神经网络，通过卷积神经网络模型CNN网络进行特征提取；
    利用BiLSTM网络模型得到过去时刻及未来时刻的序列关系从而得到了上下文信息；
    分别对风电功率实时监测数据和历史风电功率数据利用双向注意力中的自注意力、交互注意力机制得到带有关键预测信息的上下文特征，挖掘了两种数据各自特征内部的交互特性，分别构成两种数据包含上下文信息的交互性特征；
    将所述包含上下文信息的交互性特征通过合并操作获融合特征，该融合特征中含上下文信息和交互性特征，充分体现了实时数据、历史数据对风电功率预测的贡献度；和
    利用全连接层计算预测结果，与标记的检测结果进行对比，通过不断调整网络函数和参数，直至预测结果与实际功率结果一致时，完成网络训练。
  9. 根据权利要求1至8中任一项所述的基于深度学习融合模型的风电功率预测方法，其特征在于，在输出所述风电功率的预测结果的步骤之后，还包括结果展现的步骤；其中，结果展现的方式至少包括：文字展示、语音播报、终端外呼、邮件及短信传输、智能音箱和语音唤醒。
  10. 一种基于深度学习融合模型的风电功率预测装置，包括：
    数据处理模块，用于获取指定时间间隔内的风电功率实时监测数据，同时获取历史风电功率数据，进行数据预处理，将预处理后的风电功率实时监测数据和历史风电功率数据 作为训练集；
    网络构建模块，用于构建风电功率预测网络模型，并通过所述训练集对构建的风电功率预测网络模型进行训练；其中，所述风电功率预测网络模型包括依序连接的特征提取模块、上下文信息提取模块、关键信息预测模块、特征融合模块和结果预测模块；和
    功率预测模块，用于将实时产生的风电功率实时监测数据和历史风电功率数据预处理后输入训练完成的所述风电功率预测网络模型中，输出结果作为未来指定时间间隔内风电功率的预测结果。
  11. 根据权利要求10所述的基于深度学习融合模型的风电功率预测装置，其特征在于，所述数据处理模块被配置为：
    数据格式解析：对于取自SCADA系统的不同数据格式的风电功率实时监测数据和、或历史风电功率数据进行数据格式解析，转换为统一格式；
    数据相关性分析，以排除权重低于设定阈值的风电功率实时监测数据和历史风电功率数据；
    归一化处理，依据公式(1)对风电功率实时监测数据和历史风电功率数据进行归一化；
    Figure PCTCN2022099615-appb-100002
    其中，w’归一化后的值，w代表样本真值，w min和w max代表所选所在的最小值和最大值。
  12. 根据权利要求10或11所述的基于深度学习融合模型的风电功率预测装置，其特征在于，所述风电功率预测网络模型包括依序连接的特征提取模块、上下文信息提取模块、关键信息预测模块、特征融合模块和结果预测模块。
  13. 根据权利要求12所述的基于深度学习融合模型的风电功率预测装置，其特征在于，
    所述特征提取模块为特征提取神经网络，用于对风电功率实时监测数据和历史风电功率数据进行特征提取，获得对应的文本时空特征；
    所述上下文信息提取模块用于获取风电功率实时监测数据和历史风电功率数据在时序上的序列关系，得到所述风电功率实时监测数据和历史风电功率数据的上下文信息；
    所述关键信息预测模块用于获取所述挖掘了风电功率实时监测数据和历史风电功率数据各自特征内部的交互性特性，构成带有关键预测信息的风电功率实时监测数据和历史风电功率数据的上下文特征；
    所述特征融合模块用于对所述风电功率实时监测数据和历史风电功率数据的上下文特征融合拼接，得到特征融合信息；和
    所述结果预测模块，用于根据所述特征融合信息计算预测结果，完成风电功率预测。
  14. 根据权利要求13所述的基于深度学习融合模型的风电功率预测装置，其特征在于， 所述特征提取神经网络为卷积神经网络模型CNN网络；所述卷积神经网络模型CNN网络包括1层卷积层和1层池化层，采用最大池化方法，获取高频时空特征。
  15. 根据权利要求12至14中任一项所述的基于深度学习融合模型的风电功率预测装置，其特征在于，所述上下文信息提取模块采用BiLSTM网络模型，将所述高频时空特征输入BiLSTM网络模型，输出不同时刻数据的上下文关系，利用BiLSTM网络模型的遗忘门进行冗余信息过滤作用，提高文本特征表征和拟合能力。
  16. 根据权利要求12至15中任一项所述的基于深度学习融合模型的风电功率预测装置，其特征在于，所述关键信息预测模块对所述所述风电功率实时监测数据和历史风电功率数据利用双向注意力中的自注意力、交互注意力机制得到特征内部不同权重，挖掘了这两种数据各自特征内部的交互性特性，因此最后构成了带有关键预测信息的上下文特征。
  17. 根据权利要求10至16中任一项所述的基于深度学习融合模型的风电功率预测装置，其特征在于，所述网络构建模块被配置为：
    将预处理后的训练集数据输入特征提取模块的特征提取神经网络，通过卷积神经网络模型CNN网络进行特征提取；
    利用BiLSTM网络模型得到过去时刻及未来时刻的序列关系从而得到了上下文信息；
    分别对风电功率实时监测数据和历史风电功率数据利用双向注意力中的自注意力、交互注意力机制得到带有关键预测信息的上下文特征，挖掘了两种数据各自特征内部的交互特性，分别构成两种数据包含上下文信息的交互性特征；
    将所述包含上下文信息的交互性特征通过合并操作获融合特征，该融合特征中含上下文信息和交互性特征，充分体现了实时数据、历史数据对风电功率预测的贡献度；和
    利用全连接层计算预测结果，与标记的检测结果进行对比，通过不断调整网络函数和参数，直至预测结果与实际功率结果一致时，完成网络训练。
  18. 根据权利要求10至17中任一项所述的基于深度学习融合模型的风电功率预测装置，其特征在于，在输出所述风电功率的预测结果之后，还包括结果展现；其中，结果展现的方式至少包括：文字展示、语音播报、终端外呼、邮件及短信传输、智能音箱和语音唤醒。
  19. 一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1至9中任一项所述的基于深度学习融合模型的风电功率预测方法。
  20. 一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至9中任一项所述的基于深度学习融合模型的风电功率预测方法。
  21. 一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如权利要求1至9中任一项所述的基于深度学习融合模型的风电功率预测方法。
  22. 一种计算机程序，包括计算机程序代码，当所述计算机程序代码在计算机上运行时，使得计算机执行如权利要求1至9中任一项所述的基于深度学习融合模型的风电功率预测方法。
PCT/CN2022/099615 2021-11-26 2022-06-17 基于深度学习融合模型的风电功率预测方法及设备 WO2023093010A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202111424160.5 2021-11-26
CN202111424160.5A CN114330495A (zh) 2021-11-26 2021-11-26 一种基于深度学习融合模型的风电功率预测方法及设备

Publications (1)

Publication Number Publication Date
WO2023093010A1 true WO2023093010A1 (zh) 2023-06-01

Family

ID=81047455

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2022/099615 WO2023093010A1 (zh) 2021-11-26 2022-06-17 基于深度学习融合模型的风电功率预测方法及设备

Country Status (2)

Country Link
CN (1) CN114330495A (zh)
WO (1) WO2023093010A1 (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116581756A (zh) * 2023-07-13 2023-08-11 华北电力大学 风电功率预测方法、模型训练方法、装置、设备及介质
CN116826727A (zh) * 2023-06-28 2023-09-29 河海大学 基于时序表征和多级注意力的超短期风电功率预测方法及预测系统
CN117293916A (zh) * 2023-08-22 2023-12-26 国网安徽省电力有限公司天长市供电公司 一种面向用户的电网调度方法及装置、计算设备
CN117349650A (zh) * 2023-09-20 2024-01-05 同济大学 一种基坑结构数据多元时空融合与演化特征提取方法
CN117394306A (zh) * 2023-09-19 2024-01-12 华中科技大学 基于新能源并网的风电功率预测模型建立方法及其应用
CN117394308A (zh) * 2023-09-24 2024-01-12 中国华能集团清洁能源技术研究院有限公司 一种多时间尺度风力发电功率预测方法、系统及电子设备
CN117498555A (zh) * 2023-11-07 2024-02-02 广东格林赛福能源科技有限公司 一种基于云边融合的储能电站智能运维系统
CN117557304A (zh) * 2024-01-11 2024-02-13 国网浙江省电力有限公司 基于模态分解与神经网络的电量电价层级融合预测方法
CN117748500A (zh) * 2024-02-19 2024-03-22 北京智芯微电子科技有限公司 光伏功率预测方法、装置、设备及介质
CN117937521A (zh) * 2024-03-25 2024-04-26 山东大学 电力系统暂态频率稳定性预测方法、系统、介质及设备

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114330495A (zh) * 2021-11-26 2022-04-12 中国华能集团清洁能源技术研究院有限公司 一种基于深度学习融合模型的风电功率预测方法及设备

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015148934A (ja) * 2014-02-06 2015-08-20 三菱重工業株式会社 発電量予測装置および発電量予測方法
WO2017205221A1 (en) * 2016-05-23 2017-11-30 General Electric Company System and method for forecasting power output of a wind farm
CN110059878A (zh) * 2019-04-15 2019-07-26 中国计量大学 基于cnn lstm光伏发电功率预测模型及其构建方法
CN110443725A (zh) * 2019-08-14 2019-11-12 国网甘肃省电力公司信息通信公司 基于cnn+lstm的风电功率预测模型
KR20210023388A (ko) * 2019-08-23 2021-03-04 주식회사 화성 기계 학습을 기반으로 한 태양광 발전량 예측 시스템
CN113205226A (zh) * 2021-05-28 2021-08-03 河北工业大学 一种结合注意力机制以及误差修正的光伏功率预测方法
CN113642225A (zh) * 2021-05-24 2021-11-12 国网新疆电力有限公司经济技术研究院 一种基于attention机制的CNN-LSTM短期风电功率预测方法
CN114330097A (zh) * 2021-11-26 2022-04-12 中国华能集团清洁能源技术研究院有限公司 一种异构数据与深度学习的风电集群功率预测方法及设备
CN114330493A (zh) * 2021-11-26 2022-04-12 中国华能集团清洁能源技术研究院有限公司 一种CNN+BiLSTM+Attention风电超短期功率预测方法及系统
CN114330495A (zh) * 2021-11-26 2022-04-12 中国华能集团清洁能源技术研究院有限公司 一种基于深度学习融合模型的风电功率预测方法及设备
CN114358371A (zh) * 2021-11-26 2022-04-15 华能大理风力发电有限公司洱源分公司 一种基于深度学习的光伏短期功率预测方法及设备

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015148934A (ja) * 2014-02-06 2015-08-20 三菱重工業株式会社 発電量予測装置および発電量予測方法
WO2017205221A1 (en) * 2016-05-23 2017-11-30 General Electric Company System and method for forecasting power output of a wind farm
CN110059878A (zh) * 2019-04-15 2019-07-26 中国计量大学 基于cnn lstm光伏发电功率预测模型及其构建方法
CN110443725A (zh) * 2019-08-14 2019-11-12 国网甘肃省电力公司信息通信公司 基于cnn+lstm的风电功率预测模型
KR20210023388A (ko) * 2019-08-23 2021-03-04 주식회사 화성 기계 학습을 기반으로 한 태양광 발전량 예측 시스템
CN113642225A (zh) * 2021-05-24 2021-11-12 国网新疆电力有限公司经济技术研究院 一种基于attention机制的CNN-LSTM短期风电功率预测方法
CN113205226A (zh) * 2021-05-28 2021-08-03 河北工业大学 一种结合注意力机制以及误差修正的光伏功率预测方法
CN114330097A (zh) * 2021-11-26 2022-04-12 中国华能集团清洁能源技术研究院有限公司 一种异构数据与深度学习的风电集群功率预测方法及设备
CN114330493A (zh) * 2021-11-26 2022-04-12 中国华能集团清洁能源技术研究院有限公司 一种CNN+BiLSTM+Attention风电超短期功率预测方法及系统
CN114330495A (zh) * 2021-11-26 2022-04-12 中国华能集团清洁能源技术研究院有限公司 一种基于深度学习融合模型的风电功率预测方法及设备
CN114358371A (zh) * 2021-11-26 2022-04-15 华能大理风力发电有限公司洱源分公司 一种基于深度学习的光伏短期功率预测方法及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JING HUITIAN, HAN LI;GAO ZHIYU: "Wind Power Ramp Forecast Based on Feature Extraction Using Convolutional Neural Network Enhanced Publishing", AUTOMATION OF ELECTRIC POWER SYSTEMS, vol. 45, no. 4, 25 February 2021 (2021-02-25), pages 98 - 105, XP093068436, DOI: 10.7500/AEPS20200227005 *
QU JIAQI, QIAN ZHENG, PEI YAN: "Day-ahead hourly photovoltaic power forecasting using attention-based CNN-LSTM neural network embedded with multiple relevant and target variables prediction pattern", ENERGY, vol. 232, 1 October 2021 (2021-10-01), AMSTERDAM, NL , pages 1 - 18, XP093068434, ISSN: 0360-5442, DOI: 10.1016/j.energy.2021.120996 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116826727B (zh) * 2023-06-28 2024-02-23 河海大学 基于时序表征和多级注意力的超短期风电功率预测方法及预测系统
CN116826727A (zh) * 2023-06-28 2023-09-29 河海大学 基于时序表征和多级注意力的超短期风电功率预测方法及预测系统
CN116581756B (zh) * 2023-07-13 2023-12-12 华北电力大学 风电功率预测方法、模型训练方法、装置、设备及介质
CN116581756A (zh) * 2023-07-13 2023-08-11 华北电力大学 风电功率预测方法、模型训练方法、装置、设备及介质
CN117293916A (zh) * 2023-08-22 2023-12-26 国网安徽省电力有限公司天长市供电公司 一种面向用户的电网调度方法及装置、计算设备
CN117293916B (zh) * 2023-08-22 2024-04-23 国网安徽省电力有限公司天长市供电公司 一种面向用户的电网调度方法及装置、计算设备
CN117394306A (zh) * 2023-09-19 2024-01-12 华中科技大学 基于新能源并网的风电功率预测模型建立方法及其应用
CN117349650B (zh) * 2023-09-20 2024-04-12 同济大学 一种基坑结构数据多元时空融合与演化特征提取方法
CN117349650A (zh) * 2023-09-20 2024-01-05 同济大学 一种基坑结构数据多元时空融合与演化特征提取方法
CN117394308A (zh) * 2023-09-24 2024-01-12 中国华能集团清洁能源技术研究院有限公司 一种多时间尺度风力发电功率预测方法、系统及电子设备
CN117498555A (zh) * 2023-11-07 2024-02-02 广东格林赛福能源科技有限公司 一种基于云边融合的储能电站智能运维系统
CN117557304A (zh) * 2024-01-11 2024-02-13 国网浙江省电力有限公司 基于模态分解与神经网络的电量电价层级融合预测方法
CN117557304B (zh) * 2024-01-11 2024-03-29 国网浙江省电力有限公司 基于模态分解与神经网络的电量电价层级融合预测方法
CN117748500A (zh) * 2024-02-19 2024-03-22 北京智芯微电子科技有限公司 光伏功率预测方法、装置、设备及介质
CN117748500B (zh) * 2024-02-19 2024-04-30 北京智芯微电子科技有限公司 光伏功率预测方法、装置、设备及介质
CN117937521A (zh) * 2024-03-25 2024-04-26 山东大学 电力系统暂态频率稳定性预测方法、系统、介质及设备

Also Published As

Publication number Publication date
CN114330495A (zh) 2022-04-12

Similar Documents

Publication Publication Date Title
WO2023093010A1 (zh) 基于深度学习融合模型的风电功率预测方法及设备
WO2023087525A1 (zh) 多模态深度学习的发电设备异常一体化识别方法及设备
WO2023093774A1 (zh) 基于深度学习的风电集群功率预测方法
Zhong et al. Deep learning-based extraction of construction procedural constraints from construction regulations
US20220147836A1 (en) Method and device for text-enhanced knowledge graph joint representation learning
CN107609009B (zh) 文本情感分析方法、装置、存储介质和计算机设备
CN108416065B (zh) 基于层级神经网络的图像-句子描述生成系统及方法
US11315008B2 (en) Method and system for providing explanation of prediction generated by an artificial neural network model
CN111143576A (zh) 一种面向事件的动态知识图谱构建方法和装置
WO2021003810A1 (zh) 一种服务系统的更新方法、电子设备及可读存储介质
US10504030B2 (en) Systems, methods, and computer program products for generating a query specific Bayesian network
US8620852B1 (en) Systems, methods, and computer program products for predictive accuracy for strategic decision support
CN111860564A (zh) 具有图像分析的主动学习的基于人工智能的注释框架
WO2023241272A1 (zh) 基于图注意力网络的混凝土坝缺陷图像描述自动生成方法
CN111079432B (zh) 文本检测方法、装置、电子设备及存储介质
US20220012018A1 (en) Software programming assistant
US20200320430A1 (en) System and method for classification of data in a machine learning system
CN113435582B (zh) 基于句向量预训练模型的文本处理方法及相关设备
CN113672732B (zh) 用于对业务数据进行分类的方法和设备
CN113204967B (zh) 简历命名实体识别方法及系统
CN117236677A (zh) 一种基于事件抽取的rpa流程挖掘方法及装置
CN114298141A (zh) 基于深度学习的发电设备异常检测方法及系统
CN114358371A (zh) 一种基于深度学习的光伏短期功率预测方法及设备
US20230401390A1 (en) Automatic concrete dam defect image description generation method based on graph attention network
CN117236676A (zh) 一种基于多模态事件抽取的rpa流程挖掘方法和装置