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效率的发电机组进相试验无功功率预测方法、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进相试验无功功率预测方法,包括:
响应于针对待分析发电机组的无功功率预测请求,得到所述待分析发电机组的机组类型;
根据所述待分析发电机组的机组类型,查询机组类型与无功功率预测模型之间的对应关系,得到与所述待分析发电机组对应的目标无功功率预测模型;
获取所述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所述目标无功功率预测模型,得到所述待分析发电机组的无功功率边界值。
在其中一个实施例中,所述机组类型与无功功率预测模型之间的对应关系通过下述方式构建得到:
获取每种样本发电机组对应的多个训练完成的无功功率预测模型;每个训练完成的无功功率预测模型对应有一个预测精确度;
分别从所述每种样本发电机组对应的多个训练完成的无功功率预测模型中,筛选出所述预测精确度最高的无功功率预测模型,作为所述每种样本发电机组对应的目标无功功率预测模型;
获取所述每种样本发电机组的机组类型,根据所述每种样本发电机组的机组类型,以及所述每种样本发电机组对应的目标无功功率预测模型,构建机组类型与无功功率预测模型之间的对应关系。
在其中一个实施例中,所述获取每种样本发电机组对应的多个训练完成的无功功率预测模型,包括:
获取每种样本发电机组的样本关键机组数据;
对所述样本关键机组数据进行预处理,得到预处理后的样本关键机组数据;
对所述样本关键机组数据进行划分,得到训练数据集和验证数据集;
根据所述训练数据集,对所述每种样本发电机组对应的多个待训练的无功功率预测模型进行迭代训练,得到所述每种样本发电机组对应的多个训练完成的无功功率预测模型;
在获取每种样本发电机组对应的多个训练完成的无功功率预测模型之后,还包括:
根据所述验证数据集,对所述每种样本发电机组对应的多个训练完成的无功功率预测模型进行验证,得到所述每种样本发电机组对应的多个训练完成的无功功率预测模型的预测精确度。
在其中一个实施例中,所述根据所述训练数据集,对所述每种样本发电机组对应的多个待训练的无功功率预测模型进行迭代训练,得到所述每种样本发电机组对应的多个训练完成的无功功率预测模型,包括:
分别将所述训练数据集中的第一样本关键机组数据,输入所述每种样本发电机组对应的多个待训练的无功功率预测模型,得到每个待训练的无功功率预测模型输出的与所述第一样本关键机组数据对应的预测发电机组无功功率;
获取与所述第一样本关键机组数据对应的真实发电机组无功功率,根据每个待训练的无功功率预测模型输出的与所述第一样本关键机组数据对应的预测发电机组无功功率与真实发电机组无功功率之间的差异,对每个待训练的无功功率预测模型进行迭代训练,直到满足预设结束条件;
将满足所述预设结束条件的各个训练后的无功功率预测模型,作为所述每种样本发电机组对应的多个训练完成的无功功率预测模型。
在其中一个实施例中,所述根据所述验证数据集,对所述每种样本发电机组对应的多个训练完成的无功功率预测模型进行验证,得到所述每种样本发电机组对应的多个训练完成的无功功率预测模型的预测精确度,包括:
分别将所述验证数据集中的第二样本关键机组数据,输入所述每种样本发电机组对应的多个训练完成的无功功率预测模型,得到每个训练完成的无功功率预测模型输出的与所述第二样本关键机组数据对应的预测发电机组无功功率;
获取与所述第二样本关键机组数据对应的真实发电机组无功功率,根据每个训练完成的无功功率预测模型输出的与所述第二样本关键机组数据对应的预测发电机组无功功率与真实发电机组无功功率之间的差异,确定所述每种样本发电机组对应的多个训练完成的无功功率预测模型的预测精确度。
在其中一个实施例中,所述关键机组数据包括多个子关键机组数据;
所述将所述关键机组数据输入所述目标无功功率预测模型,得到所述待分析发电机组的无功功率边界值,包括:
通过所述目标无功功率预测模型,确定每个子关键机组数据对应的注意力权重;
按照所述每个子关键机组数据对应的注意力权重,对所述每个子关键机组数据对应的特征向量进行融合处理,得到目标特征向量;
对所述目标特征向量进行无功功率预测,得到所述待分析发电机组的无功功率边界值。
在其中一个实施例中,在将所述关键机组数据输入所述目标无功功率预测模型,得到所述待分析发电机组的无功功率边界值之后,还包括:
根据所述无功功率边界值,生成与所述待分析发电机组对应的无功功率调整指令;
根据所述无功功率调整指令,对所述待分析发电机组的当前机组数据进行调整,得到所述待分析发电机组的调整后无功功率。
第二方面,本申请还提供了一种发电机组进相试验无功功率预测装置,包括:
类型确定模块,用于响应于针对待分析发电机组的无功功率预测请求,得到所述待分析发电机组的机组类型;
模型确定模块,用于根据所述待分析发电机组的机组类型,查询机组类型与无功功率预测模型之间的对应关系,得到与所述待分析发电机组对应的目标无功功率预测模型;
边界预测模块,用于获取所述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所述目标无功功率预测模型,得到所述待分析发电机组的无功功率边界值。
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:
响应于针对待分析发电机组的无功功率预测请求,得到所述待分析发电机组的机组类型;
根据所述待分析发电机组的机组类型,查询机组类型与无功功率预测模型之间的对应关系,得到与所述待分析发电机组对应的目标无功功率预测模型;
获取所述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所述目标无功功率预测模型,得到所述待分析发电机组的无功功率边界值。
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:
响应于针对待分析发电机组的无功功率预测请求,得到所述待分析发电机组的机组类型;
根据所述待分析发电机组的机组类型,查询机组类型与无功功率预测模型之间的对应关系,得到与所述待分析发电机组对应的目标无功功率预测模型;
获取所述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所述目标无功功率预测模型,得到所述待分析发电机组的无功功率边界值。
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:
响应于针对待分析发电机组的无功功率预测请求,得到所述待分析发电机组的机组类型;
根据所述待分析发电机组的机组类型,查询机组类型与无功功率预测模型之间的对应关系,得到与所述待分析发电机组对应的目标无功功率预测模型;
获取所述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所述目标无功功率预测模型,得到所述待分析发电机组的无功功率边界值。
上述发电机组进相试验无功功率预测方法、装置、计算机设备、存储介质和计算机程序产品,先响应于针对待分析发电机组的无功功率预测请求,得到待分析发电机组的机组类型,再根据待分析发电机组的机组类型,查询机组类型与无功功率预测模型之间的对应关系,得到与待分析发电机组对应的目标无功功率预测模型,然后获取待分析发电机组的关键机组数据,最后将关键机组数据输入目标无功功率预测模型,得到待分析发电机组的无功功率边界值。这样,在进行发电机组进相试验无功功率边界值的测量时,针对不同发电机组的机组类型选用对应的无功功率预测模型,可以避免不同机组类型的发电机组存在差异,导致单一模型的适配性不高的问题,而且该方法能够自动完成发电机组进相试验无功功率边界值的测量,无需人工干预,避免了人工观察导致花费大量人力和时间的问题,有利于减少发电机组无功功率边界值的测量所需要的人力成本及时间成本,进而提高了发电机组无功功率边界值的测量效率。
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进相试验无功功率预测方法,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***,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,响应于针对待分析发电机组的无功功率预测请求,得到待分析发电机组的机组类型。
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,无功功率预测请求是待分析发电机组的无功功率边界值测量的请求信息。
其中,待分析发电机组的机组类型是指待分析发电机组所属的类型。
示例性地,服务器响应于针对待分析发电机组的无功功率预测请求,先获取待分析发电机组的发电机组标识(比如发电机组的型号),再数据库中获取与发电机组标识对应的机组类型,作为待分析发电机组的机组类型。
步骤S102,根据待分析发电机组的机组类型,查询机组类型与无功功率预测模型之间的对应关系,得到与待分析发电机组对应的目标无功功率预测模型。
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卷积网络模型、机器学习模型、深度学习模型。
其中,机组类型与无功功率预测模型之间的对应关系,是指机组类型与无功功率预测模型之间的关联信息。比如,A类发电机组对应无功功率预测模型a,B类发电机组对应无功功率预测模型b,C类发电机组对应无功功率预测模型c。
其中,待分析发电机组对应的目标无功功率预测模型,是指适配于待分析发电机组的无功功率预测模型。
示例性地,服务器根据待分析发电机组的机组类型,查询机组类型与无功功率预测模型之间的对应关系,得到待分析发电机组的机组类型对应的无功功率预测模型,将该对应的无功功率预测模型,作为与待分析发电机组对应的目标无功功率预测模型。
步骤S103,获取待分析发电机组的关键机组数据,将关键机组数据输入目标无功功率预测模型,得到待分析发电机组的无功功率边界值。
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。
其中,无功功率边界值是指待分析发电机组无功功率的边界数值。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。
示例性地,服务器获取待分析发电机组的关键机组数据,将关键机组数据中的各子关键机组数据,输入到待分析发电机组对应的目标无功功率预测模型,通过目标无功功率预测模型确定各子关键机组数据对应的权重,根据权重对各子关键机组数据进行拼接,得到拼接数据,然后对拼接数据进行预测,得到拼接数据对应的无功功率边界值,最后将该无功功率边界值,作为待分析发电机组的无功功率边界值。
进一步地,服务器获取待分析发电机组的关键机组数据,将关键机组数据中的各子关键机组数据,输入到待分析发电机组对应的目标无功功率预测模型,通过目标无功功率预测模型,对各子关键机组数据进行预测,得到在各个预设无功功率边界值下的预测概率,从各个预设无功功率边界值中,筛选出预测概率最大的预设无功功率边界值,作为待分析发电机组的无功功率边界值。
上述发电机组进相试验无功功率预测方法中,先响应于针对待分析发电机组的无功功率预测请求,得到待分析发电机组的机组类型,再根据待分析发电机组的机组类型,查询机组类型与无功功率预测模型之间的对应关系,得到与待分析发电机组对应的目标无功功率预测模型,然后获取待分析发电机组的关键机组数据,最后将关键机组数据输入目标无功功率预测模型,得到待分析发电机组的无功功率边界值。这样,在进行发电机组进相试验无功功率边界值的测量时,针对不同发电机组的机组类型选用对应的无功功率预测模型,可以避免不同机组类型的发电机组存在差异,导致单一模型的适配性不高的问题,而且该方法能够自动完成发电机组进相试验无功功率边界值的测量,无需人工干预,避免了人工观察导致花费大量人力和时间的问题,有利于减少发电机组无功功率边界值的测量所需要的人力成本及时间成本,进而提高了发电机组无功功率边界值的测量效率。
在一个示例性的实施例中,如图2所示,本申请提供的发电机组进相试验无功功率预测方法还包括构建机组类型与无功功率预测模型之间的对应关系的 步骤,具体包括如下步骤:
步骤S201,获取每种样本发电机组对应的多个训练完成的无功功率预测模型;每个训练完成的无功功率预测模型对应有一个预测精确度。
步骤S202,分别从每种样本发电机组对应的多个训练完成的无功功率预测模型中,筛选出预测精确度最高的无功功率预测模型,作为每种样本发电机组对应的目标无功功率预测模型。
步骤S203,获取每种样本发电机组的机组类型,根据每种样本发电机组的机组类型,以及每种样本发电机组对应的目标无功功率预测模型,构建机组类型与无功功率预测模型之间的对应关系。
其中,样本发电机组是指在发电机组中选择用于训练无功功率预测模型的一部分发电机组。
其中,预测精确度是指无功功率预测模型对样本发电机组的无功功率预测的准确程度。比如,预测精确度越高,代表无功功率预测模型对样本发电机组的无功功率预测越准确;预测精确度越低,代表无功功率预测模型对样本发电机组的无功功率预测越不准确。
其中,样本发电机组对应的目标无功功率预测模型,是指适配于样本发电机组的无功功率预测模型。
示例性地,服务器获取每种样本发电机组对应的多个训练完成的无功功率预测模型,再分别从每种样本发电机组对应的多个训练完成的无功功率预测模型中,根据无功功率预测模型对样本发电机组无功功率的预测精确度,筛选出预测精确度最高的无功功率预测模型,作为每种样本发电机组对应的目标无功功率预测模型,然后从数据库中获取每种样本发电机组的机组类型,根据每种样本发电机组的机组类型,以及每种样本发电机组对应的目标无功功率预测模型,构建机组类型与无功功率预测模型之间的对应关系。
本实施例中,通过对每种样本发电机组对应的多个训练完成的无功功率预测模型进行筛选,选出预测精确度最高的模型作为目标无功功率预测模型,有利于提高无功功率预测的预测精确度;而且,通过预先构建机组类型与无功功率预测模型之间的对应关系,便于在实际应用中,在获取待分析发电机组的机组类型后,通过机组类型与无功功率预测模型之间的对应关系,直接确定出待分析发电机组的机组类型对应的无功功率预测模型,进而提高了发电机组无功功率边界值的测量效率。
在一个示例性的实施例中,如图3所示,上述步骤S201,获取每种样本发电机组对应的多个训练完成的无功功率预测模型,具体包括如下步骤:
步骤S301,获取每种样本发电机组的样本关键机组数据。
步骤S302,对样本关键机组数据进行预处理,得到预处理后的样本关键机组数据。
步骤S303,对样本关键机组数据进行划分,得到训练数据集和验证数据集。
步骤S304,根据训练数据集,对每种样本发电机组对应的多个待训练的无功功率预测模型进行迭代训练,得到每种样本发电机组对应的多个训练完成的无功功率预测模型。
步骤S305,根据验证数据集,对每种样本发电机组对应的多个训练完成的无功功率预测模型进行验证,得到每种样本发电机组对应的多个训练完成的无功功率预测模型的预测精确度。
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,训练数据集是指样本关键机组数据中用于对待训练的无功功率预测模型进行迭代训练的数据集。
其中,验证数据集是指样本关键机组数据中用于对训练完成的无功功率预测模型进行验证的数据集。
示例性地,服务器获取每种样本发电机组的样本关键机组数据,再对样本关键机组数据进行预处理,得到预处理后的样本关键机组数据,然后对样本关键机组数据进行划分,得到训练数据集和验证数据集;接着,服务器根据训练数据集,对每种样本发电机组对应的多个待训练的无功功率预测模型进行迭代训练,得到每种样本发电机组对应的多个训练完成的无功功率预测模型;最后,服务器根据验证数据集,对每种样本发电机组对应的多个训练完成的无功功率预测模型进行验证,得到每种样本发电机组对应的多个训练完成的无功功率预测模型的预测精确度。
举例说明,服务器分别根据训练数据集,将电压边界值、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数据输入到待训练的无功功率预测模型中,通过待训练的无功功率预测模型确定电压边界值、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数据的权重,按照权重,将电压边界值、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数据进行拼接,得到拼接数据,对拼接数据进行预测,得到对应的无功功率边界预测值,根据无功功率边界预测值与无功功率边界真实值之间的差异,确定损失值,根据损失值对待训练的无功功率预测模型进行迭代训练,得到训练后的无功功率预测模型。
本实施例中,通过对样本关键机组数据进行划分,得到训练数据集和验证数据集,根据训练数据集,对待训练的无功功率预测模型进行迭代训练;再根据验证数据集,对每种样本发电机组对应的多个训练完成的无功功率预测模型进行验证,得到无功功率预测模型对应的预测精确度,以便后续将预测精确度最高的无功功率预测模型作为适配于样本发电机组的无功功率预测模型,而且整个过程无需通过人工进行处理,进而提高了机组类型与无功功率预测模型之间的对应关系的构建效率。
在一个示例性的实施例中,如图4所示,上述步骤S304,根据训练数据集,对每种样本发电机组对应的多个待训练的无功功率预测模型进行迭代训练,得到每种样本发电机组对应的多个训练完成的无功功率预测模型,具体包括如下步骤:
步骤S401,分别将训练数据集中的第一样本关键机组数据,输入每种样本发电机组对应的多个待训练的无功功率预测模型,得到每个待训练的无功功率预测模型输出的与第一样本关键机组数据对应的预测发电机组无功功率。
步骤S402,获取与第一样本关键机组数据对应的真实发电机组无功功率,根据每个待训练的无功功率预测模型输出的与第一样本关键机组数据对应的预测发电机组无功功率与真实发电机组无功功率之间的差异,对每个待训练的无功功率预测模型进行迭代训练,直到满足预设结束条件。
步骤S403,将满足预设结束条件的各个训练后的无功功率预测模型,作为每种样本发电机组对应的多个训练完成的无功功率预测模型。
其中,第一样本关键机组数据是指训练数据集中样本发电机组的机组数据边界值。
其中,第一样本关键机组数据对应的预测发电机组无功功率,是指根据第一样本关键机组数据,对样本发电机组的无功功率边界值所作出的预测值。
其中,第一样本关键机组数据对应的真实发电机组无功功率,是指第一样本关键机组数据对应的样本发电机组的无功功率边界值的实际值。
其中,预设结束条件是指预先设定的训练结束条件,具体可以根据实际情况确定。
示例性地,服务器分别将训练数据集中的第一样本关键机组数据,输入每种样本发电机组对应的多个待训练的无功功率预测模型,通过无功功率预测模型对样本发电机组进行无功功率边界值预测,得到每个待训练的无功功率预测模型输出的与第一样本关键机组数据对应的预测发电机组无功功率;接着,服务器获取与第一样本关键机组数据对应的真实发电机组无功功率,根据每个待训练的无功功率预测模型输出的与第一样本关键机组数据对应的预测发电机组无功功率与真实发电机组无功功率之间的差异,对每个待训练的无功功率预测模型进行迭代训练,再将迭代训练后的无功功率预测模型根据预设结束条件进行判断;若迭代训练后的无功功率预测模型不满足预设结束条件,则将迭代训练后的无功功率预测模型,作为待训练的无功功率预测模型,并跳转至分别将训练数据集中的第一样本关键机组数据,输入每种样本发电机组对应的多个待训练的无功功率预测模型,得到每个待训练的无功功率预测模型输出的与第一样本关键机组数据对应的预测发电机组无功功率的步骤,直到满足预设结束条件;最后,服务器将满足预设结束条件的各个训练后的无功功率预测模型,作为每种样本发电机组对应的多个训练完成的无功功率预测模型。
举例说明,服务器分别将训练数据集中的第一样本关键机组数据,输入每种样本发电机组对应的多个待训练的无功功率预测模型,得到每个待训练的无功功率预测模型输出的与第一样本关键机组数据对应的预测发电机组无功功率;获取与第一样本关键机组数据对应的真实发电机组无功功率,根据每个待训练的无功功率预测模型输出的与第一样本关键机组数据对应的预测发电机组无功功率与真实发电机组无功功率之间的差异,确定目标损失值;根据目标损失值调整无功功率预测模型的模型参数,并对模型参数调整后的无功功率预测模型进行再次训练,直到训练后的无功功率预测模型得到的目标损失值小于目标阈值,则停止训练,并将该训练后的无功功率预测模型,作为每种样本发电机组对应的多个训练完成的无功功率预测模型。
本实施例中,通过预先训练无功功率预测模型,便于在实际应用中,在确定对应的目标无功功率预测模型及获取发电机组的关键机组数据后,对发电机组的无功功率边界值进行预测即可;而且,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测量效率。
在一个示例性的实施例中,如图5所示,上述步骤S305,根据验证数据集,对每种样本发电机组对应的多个训练完成的无功功率预测模型进行验证,得到每种样本发电机组对应的多个训练完成的无功功率预测模型的预测精确度,具体包括如下步骤:
步骤S501,分别将验证数据集中的第二样本关键机组数据,输入每种样本发电机组对应的多个训练完成的无功功率预测模型,得到每个训练完成的无功功率预测模型输出的与第二样本关键机组数据对应的预测发电机组无功功率。
步骤S502,获取与第二样本关键机组数据对应的真实发电机组无功功率,根据每个训练完成的无功功率预测模型输出的与第二样本关键机组数据对应的预测发电机组无功功率与真实发电机组无功功率之间的差异,确定每种样本发电机组对应的多个训练完成的无功功率预测模型的预测精确度。
其中,第二样本关键机组数据是指验证数据集中样本发电机组的机组数据边界值。
其中,第二样本关键机组数据对应的预测发电机组无功功率,是指根据第二样本关键机组数据,对样本发电机组的无功功率边界值所作出的预测值。
其中,第二样本关键机组数据对应的真实发电机组无功功率,是指第二样本关键机组数据对应的样本发电机组的无功功率边界值的实际值。
示例性地,服务器分别将验证数据集中的第二样本关键机组数据,输入每种样本发电机组对应的多个训练完成的无功功率预测模型,通过无功功率预测模型对样本发电机组进行无功功率边界值预测,得到每个待训练完成的无功功率预测模型输出的与第二样本关键机组数据对应的预测发电机组无功功率;接着,服务器获取与第二样本关键机组数据对应的真实发电机组无功功率,将预测发电机组无功功率与真实发电机组无功功率进行对比,得到每个训练完成的无功功率预测模型输出的与第二样本关键机组数据对应的预测发电机组无功功率与真实发电机组无功功率之间的差异,再根据差异,确定每种样本发电机组对应的多个训练完成的无功功率预测模型的预测精确度。
举例说明,服务器获取与第二样本关键机组数据对应的真实发电机组无功功率,将预测发电机组无功功率与真实发电机组无功功率进行作差,得到每个训练完成的无功功率预测模型输出的与第二样本关键机组数据对应的预测发电机组无功功率与真实发电机组无功功率之间的差值,再将得到的差值除以真实发电机组无功功率,得到对应的比值,作为每种样本发电机组对应的多个训练完成的无功功率预测模型的预测精确度。
本实施例中,将验证数据集中的第二样本关键机组数据,输入每种样本发电机组对应的多个训练完成的无功功率预测模型,根据发电机组无功功率的预测值和实际值,确定每种样本发电机组对应的多个训练完成的无功功率预测模型的预测精确度,有利于表征无功功率预测模型对样本发电机组的无功功率预测的准确程度,以便后续将预测精确度最高的无功功率预测模型作为适配于样本发电机组的无功功率预测模型,而且整个过程无需通过人工进行处理,进而提高了机组类型与无功功率预测模型之间的对应关系的构建效率。
在一个示例性的实施例中,如图6所示,上述步骤S103,关键机组数据包括多个子关键机组数据;将关键机组数据输入目标无功功率预测模型,得到待分析发电机组的无功功率边界值,具体包括如下步骤:
步骤S601,通过目标无功功率预测模型,确定每个子关键机组数据对应的注意力权重。
步骤S602,按照每个子关键机组数据对应的注意力权重,对每个子关键机组数据对应的特征向量进行融合处理,得到目标特征向量。
步骤S603,对目标特征向量进行无功功率预测,得到待分析发电机组的无功功率边界值。
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,子关键机组数据对应的注意力权重,是指子关键机组数据的重要程度,一般由所占百分比进行表示。
其中,子关键机组数据对应的特征向量,是指子关键机组数据特征对应的表征向量。比如(1,2,3)、(2,3,4)等。
其中,融合处理是指对每个子关键机组数据及其对应的注意力权重进行计算处理,包括但不限于加权处理。
其中,目标特征向量是指对每个子关键机组数据对应的特征向量进行融合处理得到的特征向量。
示例性地,服务器根据子关键机组数据的特征,将每个子关键机组数据进行特征映射,得到对应的特征向量;例如,服务器通过特征映射算法(比如词向量算法、热编码算法等)对每个子关键机组数据进行特征映射处理,得到对应的特征向量。接着,服务器将每个子关键机组数据对应的特征向量,输入目标无功功率预测模型,通过目标无功功率预测模型,确定每个子关键机组数据对应的注意力权重,然后按照每个子关键机组数据对应的注意力权重,对每个子关键机组数据对应的特征向量进行加权求和处理,得到相应的处理结果,将该处理结果确认为目标特征向量。最后,服务器对目标特征向量进行无功功率预测,得到目标特征向量所对应的无功功率边界值,将该无功功率边界值,作为待分析发电机组的无功功率边界值。
本实施例中,服务器通过目标无功功率预测模型,确定每个子关键机组数据对应的注意力权重,再按照每个子关键机组数据对应的注意力权重,对每个子关键机组数据对应的特征向量进行融合处理,得到目标特征向量,然后对目标特征向量进行无功功率预测,得到待分析发电机组的无功功率边界值。这样,按照每个子关键机组数据对应的注意力权重对每个子关键机组数据对应的特征向量进行融合处理,可以根据子关键机组数据的重要程度进行不同程度的融合,减少了数据的冗余,有利于提高了子关键机组数据的处理效率,进而提高了发电机组无功功率边界值的测量效率。
在一个示例性的实施例中,上述步骤S103,在将关键机组数据输入目标无功功率预测模型,得到待分析发电机组的无功功率边界值之后,还包括如下内容:根据无功功率边界值,生成与待分析发电机组对应的无功功率调整指令;根据无功功率调整指令,对待分析发电机组的当前机组数据进行调整,得到待分析发电机组的调整后无功功率。
其中,无功功率调整指令是指对待分析发电机组无功功率对应的机组数据进行调整的指令。
其中,当前机组数据是指待分析发电机组的实时机组数据,比如电压、电流、发电机额定转速、开路瞬变时间常数等。
示例性地,服务器根据无功功率边界值,生成与待分析发电机组对应的无功功率调整指令,再根据无功功率调整指令,对待分析发电机组的当前机组数据进行调整,得到调整后的机组数据,将调整后的机组数据对应的无功功率,作为待分析发电机组的调整后无功功率。
举例说明,假设当前机组数据对应当前无功功率(比如无功功率为50W),服务器根据得到的待分析发电机组的无功功率边界值(比如100W),对待分析发电机组的当前机组数据进行调整;当调整当前机组数据之后,得到调整后的机组数据对应调整后的无功功率(比如无功功率为70W),可以按照当前调整的步长继续进行调整,当接近无功功率边界值时(比如无功功率为90W),减小调整的步长,以保护发电机组的安全。
本实施例中,先根据无功功率边界值,生成与待分析发电机组对应的无功功率调整指令,再根据无功功率调整指令,对待分析发电机组的当前机组数据进行调整,得到待分析发电机组的调整后无功功率。这样,在进行当前机组数据进行调整时,可以避免调整步长过大对发电机组造成损害,有利于提高发电机组的安全性。
在一个示例性的实施例中,如图7所示,提供了另一种发电机组进相试验无功功率预测方法,以该方法应用于服务器进行举例说明,包括以下步骤:
步骤S701,响应于针对待分析发电机组的无功功率预测请求,得到待分析发电机组的机组类型。
步骤S702,根据待分析发电机组的机组类型,查询机组类型与无功功率预测模型之间的对应关系,得到与待分析发电机组对应的目标无功功率预测模型。
步骤S703,获取待分析发电机组的关键机组数据,关键机组数据包括多个子关键机组数据。
步骤S704,通过目标无功功率预测模型,确定每个子关键机组数据对应的注意力权重。
步骤S705,按照每个子关键机组数据对应的注意力权重,对每个子关键机组数据对应的特征向量进行融合处理,得到目标特征向量。
步骤S706,对目标特征向量进行无功功率预测,得到待分析发电机组的无功功率边界值。
步骤S707,根据无功功率边界值,生成与待分析发电机组对应的无功功率调整指令;根据无功功率调整指令,对待分析发电机组的当前机组数据进行调整,得到待分析发电机组的调整后无功功率。
上述发电机组进相试验无功功率预测方法中,先响应于针对待分析发电机组的无功功率预测请求,得到待分析发电机组的机组类型,再根据待分析发电机组的机组类型,查询机组类型与无功功率预测模型之间的对应关系,得到与待分析发电机组对应的目标无功功率预测模型,然后获取待分析发电机组的关键机组数据,最后将关键机组数据输入目标无功功率预测模型,得到待分析发电机组的无功功率边界值。这样,在进行发电机组进相试验无功功率边界值的测量时,针对不同发电机组的机组类型选用对应的无功功率预测模型,可以避免不同机组类型的发电机组存在差异,导致单一模型的适配性不高的问题,而且该方法能够自动完成发电机组进相试验无功功率边界值的测量,无需人工干预,避免了人工观察导致花费大量人力和时间的问题,有利于减少发电机组无功功率边界值的测量所需要的人力成本及时间成本,进而提高了发电机组无功功率边界值的测量效率。
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进相试验无功功率预测方法,以下以一个具体的实施例对该发电机组进相试验无功功率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基于多模型的发电机组进相试验无功功率边界预测方法,在进行发电机组进相试验无功功率边界值的测量时,根据当前发电机组的类型,查询发电机组类型和无功功率预测模型之间的对应关系,确定与当前发电机组对应的无功功率预测模型,根据与当前发电机组对应的无功功率预测模型,对当前发电机组的当前相关边界数据进行处理,得到当前发电机组的预测无功功率边界值。具体包括如下内容:
(1)采集不同类型发电机组的多组样本数据,每组样本数据包括实际无功功率边界值以及多个试验限制条件参数。
(2)对多组样本数据进行预处理,以去除无效数据,从而得到预处理后的样本数据。
(3)针对每种类型发电机组,将预处理后的样本数据分为训练集和验证集。
(4)分别根据训练集,对多个待训练的模型(比如卷积网络模型、机器学习模型、深度学习模型等)进行训练,得到多个训练后的模型。例如,将多个试验限制条件参数输入到待训练的模型中,通过待训练的模型确定多个试验限制条件参数的权重,按照权重,将多个试验限制条件参数进行拼接,得到拼接数据,对拼接数据进行预测,得到无功功率预测值;根据无功功率预测值与实际无功功率实际值之间的差异,确定损失值,根据损失值对待训练的模型进行迭代训练,得到训练后的模型。
(5)分别利用验证集,确定各个训练后的模型的预测精确度。
(6)从多个训练后的模型中,筛选出预测精确度最高的模型,作为对应发电机组的功率预测模型,从而得到各个发电机组对应的无功功率预测模型,即发电机组类型和无功功率预测模型之间存在对应关系。比如,A类发电机组对应模型a,B类发电机组对应模型b,C类发电机组对应模型c。
(7)在运维阶段,根据当前发电机组的类型,查询发电机组类型和无功功率预测模型之间的对应关系,确定与当前发电机组对应的无功功率预测模型。根据与当前发电机组对应的无功功率预测模型,对当前发电机组的当前相关边界数据进行处理,得到当前发电机组的预测无功功率边界值;这样,在调整无功功率时,可以提前知道无功功率边界值,比如,一开始调整的步长比较大,待接近无功功率边界值时,调整的步长就会变小。或者,利用当前相关数据,计算得到当前无功功率。
上述实施例,在进行发电机组进相试验无功功率边界值的测量时,针对不同发电机组的机组类型选用对应的无功功率预测模型,可以避免不同机组类型的发电机组存在差异,导致单一模型的适配性不高的问题,而且该方法能够自动完成发电机组进相试验无功功率边界值的测量,无需人工干预,避免了人工观察导致花费大量人力和时间的问题,有利于减少发电机组无功功率边界值的测量所需要的人力成本及时间成本,进而提高了发电机组无功功率边界值的测量效率。
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进相试验无功功率预测方法的发电机组进相试验无功功率预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个发电机组进相试验无功功率预测装置实施例中的具体限定可以参见上文中对于发电机组进相试验无功功率预测方法的限定,在此不再赘述。
在一个示例性的实施例中,如图8所示,提供了一种发电机组进相试验无功功率预测装置,包括:类型确定模块801、模型确定模块802和边界预测模块803,其中:
类型确定模块801,用于响应于针对待分析发电机组的无功功率预测请求,得到待分析发电机组的机组类型。
模型确定模块802,用于根据待分析发电机组的机组类型,查询机组类型与无功功率预测模型之间的对应关系,得到与待分析发电机组对应的目标无功功率预测模型。
边界预测模块803,用于获取待分析发电机组的关键机组数据,将关键机组数据输入目标无功功率预测模型,得到待分析发电机组的无功功率边界值。
在一个示例性的实施例中,该发电机组进相试验无功功率预测装置还包括关系构建模块,用于获取每种样本发电机组对应的多个训练完成的无功功率预测模型;每个训练完成的无功功率预测模型对应有一个预测精确度;分别从每种样本发电机组对应的多个训练完成的无功功率预测模型中,筛选出预测精确度最高的无功功率预测模型,作为每种样本发电机组对应的目标无功功率预测模型;获取每种样本发电机组的机组类型,根据每种样本发电机组的机组类型,以及每种样本发电机组对应的目标无功功率预测模型,构建机组类型与无功功率预测模型之间的对应关系。
在一个示例性的实施例中,关系构建模块,还用于获取每种样本发电机组的样本关键机组数据;对样本关键机组数据进行预处理,得到预处理后的样本关键机组数据;对样本关键机组数据进行划分,得到训练数据集和验证数据集;根据训练数据集,对每种样本发电机组对应的多个待训练的无功功率预测模型进行迭代训练,得到每种样本发电机组对应的多个训练完成的无功功率预测模型;根据验证数据集,对每种样本发电机组对应的多个训练完成的无功功率预测模型进行验证,得到每种样本发电机组对应的多个训练完成的无功功率预测模型的预测精确度。
在一个示例性的实施例中,关系构建模块,还用于分别将训练数据集中的第一样本关键机组数据,输入每种样本发电机组对应的多个待训练的无功功率预测模型,得到每个待训练的无功功率预测模型输出的与第一样本关键机组数据对应的预测发电机组无功功率;获取与第一样本关键机组数据对应的真实发电机组无功功率,根据每个待训练的无功功率预测模型输出的与第一样本关键机组数据对应的预测发电机组无功功率与真实发电机组无功功率之间的差异,对每个待训练的无功功率预测模型进行迭代训练,直到满足预设结束条件;将满足预设结束条件的各个训练后的无功功率预测模型,作为每种样本发电机组对应的多个训练完成的无功功率预测模型。
在一个示例性的实施例中,关系构建模块,还用于分别将验证数据集中的第二样本关键机组数据,输入每种样本发电机组对应的多个训练完成的无功功率预测模型,得到每个训练完成的无功功率预测模型输出的与第二样本关键机组数据对应的预测发电机组无功功率;获取与第二样本关键机组数据对应的真实发电机组无功功率,根据每个训练完成的无功功率预测模型输出的与第二样本关键机组数据对应的预测发电机组无功功率与真实发电机组无功功率之间的差异,确定每种样本发电机组对应的多个训练完成的无功功率预测模型的预测精确度。
在一个示例性的实施例中,边界预测模块803,还用于通过目标无功功率预测模型,确定每个子关键机组数据对应的注意力权重;按照每个子关键机组数据对应的注意力权重,对每个子关键机组数据对应的特征向量进行融合处理,得到目标特征向量;对目标特征向量进行无功功率预测,得到待分析发电机组的无功功率边界值。
在一个示例性的实施例中,该发电机组进相试验无功功率预测装置还包括数据调整模块,用于根据无功功率边界值,生成与待分析发电机组对应的无功功率调整指令;根据无功功率调整指令,对待分析发电机组的当前机组数据进行调整,得到待分析发电机组的调整后无功功率。
上述发电机组进相试验无功功率预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
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9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***总线连接,通信接口通过输入/输出接口连接到***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***、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***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机组类型数据、关键机组数据、无功功率边界值数据等。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进相试验无功功率预测方法。
本领域技术人员可以理解,图9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 AccessMemory,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。