CN118100171A - 能源转换***的功率预测方法、***和电子设备 - Google Patents
能源转换***的功率预测方法、***和电子设备 Download PDFInfo
- Publication number
- CN118100171A CN118100171A CN202410484248.3A CN202410484248A CN118100171A CN 118100171 A CN118100171 A CN 118100171A CN 202410484248 A CN202410484248 A CN 202410484248A CN 118100171 A CN118100171 A CN 118100171A
- Authority
- CN
- China
- Prior art keywords
- data
- historical
- energy conversion
- target
- power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 431
- 238000000034 method Methods 0.000 title claims abstract description 123
- 230000002159 abnormal effect Effects 0.000 claims abstract description 104
- 238000013507 mapping Methods 0.000 claims abstract description 97
- 238000001514 detection method Methods 0.000 claims abstract description 63
- 238000012545 processing Methods 0.000 claims description 72
- 238000012544 monitoring process Methods 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 34
- 238000003860 storage Methods 0.000 claims description 20
- 230000009467 reduction Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 22
- 239000011159 matrix material Substances 0.000 description 22
- 238000004422 calculation algorithm Methods 0.000 description 21
- 238000010248 power generation Methods 0.000 description 21
- 230000005856 abnormality Effects 0.000 description 15
- 230000000694 effects Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 238000004140 cleaning Methods 0.000 description 7
- 101001072091 Homo sapiens ProSAAS Proteins 0.000 description 6
- 102100036366 ProSAAS Human genes 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012896 Statistical algorithm Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000013450 outlier detection Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种能源转换***的功率预测方法、***和电子设备,涉及大模型技术、功率预测领域。其中,该方法包括:获取至少一能源转换***的初始历史数据;对初始历史数据进行异常检测,得到处于异常状态的异常历史数据;在初始历史数据中,对异常历史数据进行更新,得到目标历史数据;基于目标历史数据中目标历史功率数据和目标历史气象数据之间的映射关系,以及能源转换***所处区域在未来时段内的预测气象数据,对能源转换***进行预测,得到能源转换***在未来时段内运行而产生的预测功率数据,其中,预测功率数据与预测气象数据之间满足映射关系。本申请解决了能源转换***的功率预测的准确性低的技术问题。
Description
技术领域
本申请涉及大模型技术、功率预测领域,具体而言,涉及一种能源转换***的功率预测方法、***和电子设备。
背景技术
近年来,随着绿色能源产业的不断进步和发展,大规模新能源发电逐步并网,因此,对能源转换***(比如,风电场站)的发电功率进行准确预测具有重要意义。但是,能源转换***的风力发电性能具有很强的不确定性,容易受天气状况、人为因素等多方面的影响,导致获取到的能源转换***的历史数据存在质量不佳、严重失真等问题。
在相关技术中,只通过历史数据来预测能源转换***所处区域在未来时段内的功率数据,但由于历史数据会存在质量不佳、严重失真等问题,导致能源转换***的功率预测的准确性低的技术问题。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种能源转换***的功率预测方法、***和电子设备,以至少解决能源转换***的功率预测的准确性低的技术问题。
根据本申请实施例的一个方面,提供了一种能源转换***的功率预测方法。该方法可以包括:获取至少一能源转换***的初始历史数据,其中,初始历史数据至少包括能源转换***在历史时段内运行而产生的初始历史功率数据,以及能源转换***所处区域在历史时段内的初始历史气象数据;对初始历史数据进行异常检测,得到处于异常状态的异常历史数据;在初始历史数据中,对异常历史数据进行更新,得到目标历史数据,其中,目标历史数据包括处于正常状态的目标历史功率数据,以及处于正常状态的目标历史气象数据;基于目标历史数据中目标历史功率数据和目标历史气象数据之间的映射关系,以及能源转换***所处区域在未来时段内的预测气象数据,对能源转换***进行预测,得到能源转换***在未来时段内运行而产生的预测功率数据,其中,预测功率数据与预测气象数据之间满足映射关系。
根据本申请实施例的一个方面,还提供了一种风电场站的功率预测方法。该方法可以包括:从信息监测平台获取至少一风电场站的初始历史数据,其中,初始历史数据至少包括风电场站在历史时段内运行而产生的初始历史功率数据,以及风电场站所处区域在历史时段内的初始历史气象数据;对初始历史数据进行异常检测,得到处于异常状态的异常历史数据;在初始历史数据中,对异常历史数据进行更新,得到目标历史数据,其中,目标历史数据包括处于正常状态的目标历史功率数据,以及处于正常状态的目标历史气象数据;基于目标历史数据中目标历史功率数据和目标历史气象数据之间的映射关系,以及风电场站所处区域在未来时段内的预测气象数据,对风电场站进行预测,得到风电场站在未来时段内运行而产生的预测功率数据,其中,预测功率数据与预测气象数据之间满足映射关系;将预测功率数据下发至信息监测平台进行显示。
根据本申请实施例的一个方面,还提供了另一种能源转换***的功率预测方法。该方法可以包括:通过调用第一接口监测至少一能源转换***的初始历史数据,其中,第一接口包括第一参数,第一参数的参数值为初始历史数据,初始历史数据至少包括能源转换***在历史时段内运行而产生的初始历史功率数据,以及能源转换***所处区域在历史时段内的初始历史气象数据;对初始历史数据进行异常检测,得到处于异常状态的异常历史数据;在初始历史数据中,对异常历史数据进行更新,得到目标历史数据,其中,目标历史数据包括处于正常状态的目标历史功率数据,以及处于正常状态的目标历史气象数据;基于目标历史数据中目标历史功率数据和目标历史气象数据之间的映射关系,以及能源转换***所处区域在未来时段内的预测气象数据,对能源转换***进行预测,得到能源转换***在未来时段内运行而产生的预测功率数据,其中,预测功率数据与预测气象数据之间满足映射关系;通过调用第二接口输出预测功率数据,其中,第二接口包括第二参数,第二参数的参数值为预测功率数据。
根据本申请实施例的一个方面,还提供了一种能源转换***的功率预测***。该***可以包括:数据处理端,用于获取至少一能源转换***的初始历史数据,其中,初始历史数据至少包括能源转换***在历史时段内运行而产生的初始历史功率数据,以及能源转换***所处区域在历史时段内的初始历史气象数据;对初始历史数据进行异常检测,得到处于异常状态的异常历史数据;在初始历史数据中,对异常历史数据进行更新,得到目标历史数据,其中,目标历史数据包括处于正常状态的目标历史功率数据,以及处于正常状态的目标历史气象数据;功率预测端,用于基于目标历史数据中目标历史功率数据和目标历史气象数据之间的映射关系,以及能源转换***所处区域在未来时段内的预测气象数据,对能源转换***进行预测,得到能源转换***在未来时段内运行而产生的预测功率数据,其中,预测功率数据与预测气象数据之间满足映射关系。
根据本申请实施例的另一方面,还提供了一种计算机终端,包括:存储器,存储有可执行程序;处理器,用于运行程序,其中,程序运行时执行本申请各个实施例中的方法。
根据本申请实施例的另一方面,还提供了一种计算机可读存储介质,计算机可读存储介质包括存储的可执行程序,其中,在可执行程序运行时控制计算机可读存储介质所在设备执行本申请各个实施例中的方法。
根据本申请实施例的另一方面,还提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现本申请各个实施例中的方法。
根据本申请实施例的另一方面,还提供了一种计算机程序产品,包括非易失性计算机可读存储介质,非易失性计算机可读存储介质存储计算机程序,计算机程序被处理器执行时实现本申请各个实施例中的方法。
根据本申请实施例的另一方面,还提供了一种计算机程序,计算机程序被处理器执行时实现本申请各个实施例中的方法。
在本申请实施例中,获取至少一能源转换***的初始历史数据,其中,初始历史数据至少包括能源转换***在历史时段内运行而产生的初始历史功率数据,以及能源转换***所处区域在历史时段内的初始历史气象数据;对初始历史数据进行异常检测,得到处于异常状态的异常历史数据;在初始历史数据中,对异常历史数据进行更新,得到目标历史数据,其中,目标历史数据包括处于正常状态的目标历史功率数据,以及处于正常状态的目标历史气象数据;基于目标历史数据中目标历史功率数据和目标历史气象数据之间的映射关系,以及能源转换***所处区域在未来时段内的预测气象数据,对能源转换***进行预测,得到能源转换***在未来时段内运行而产生的预测功率数据,其中,预测功率数据与预测气象数据之间满足映射关系。也即,在本申请实施例中,通过对初始历史数据进行数据异常检测,得到异常历史数据,且对异常历史数据进行更新,比如,通过清洗、重构等方式,以获得目标历史数据(可以为高质量能源转换***历史数据),从而基于目标历史数据,实现功率预测,剔除设备故障、人为因素等的影响,进而实现了提高能源转换***的功率预测的准确性的技术效果,解决了能源转换***的功率预测的准确性低的技术问题。
容易注意到的是,上面的通用描述和后面的详细描述仅仅是为了对本申请进行举例和解释,并不构成对本申请的限定。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种能源转换***的功率预测方法的应用场景的示意图;
图2是根据本申请实施例的一种能源转换***的功率预测方法的流程图;
图3是根据本申请实施例的一种风电场站的功率预测方法的流程图;
图4是根据本申请实施例的另一种能源转换***的功率预测方法的流程图;
图5是根据本申请实施例的一种能源转换***的功率预测***的示意图;
图6是根据本申请实施例的一种功率与风速的关联关系的示意图;
图7是根据本申请实施例的一种模型训练的示意图;
图8是根据本申请实施例的一种PLE结构的示意图;
图9是根据本申请实施例的一种能源转换***的功率预测方法的计算机终端(或移动设备)的硬件结构框图;
图10是根据本申请实施例的一种能源转换***的功率预测装置的示意图;
图11是根据本申请实施例的一种风电场站的功率预测装置的示意图;
图12是根据本申请实施例的另一种能源转换***的功率预测装置的示意图;
图13是根据本申请实施例的一种电子设备的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请提供的技术方案主要采用大模型技术实现,此处的大模型是指具有大规模模型参数的深度学习模型,通常可以包含上亿、上百亿、上千亿、上万亿甚至十万亿以上的模型参数。大模型又可以称为基石模型/基础模型(Foundation Model),通过大规模无标注的语料进行大模型的预训练,产出亿级以上参数的预训练模型,这种模型能适应广泛的下游任务,模型具有较好的泛化能力,例如大规模语言模型(Large Language Model,简称为LLM)、多模态预训练模型(multi-modal pre-training model)等。
需要说明的是,大模型在实际应用时,可以通过少量样本对预训练模型进行微调,使得大模型可以应用于不同的任务中。例如,大模型可以广泛应用于自然语言处理(Natural Language Processing,简称为NLP)、计算机视觉、语音处理等领域,具体可以应用于如视觉问答(Visual Question Answering,简称为VQA)、图像描述(Image Caption,简称为IC)、图像生成等计算机视觉领域任务,也可以广泛应用于基于文本的情感分类、文本摘要生成、机器翻译等自然语言处理领域任务。因此,大模型主要的应用场景包括但不限于数字助理、智能机器人、搜索、在线教育、办公软件、电子商务、智能设计等。在本申请实施例中,以能源转换***的功率预测场景下通过功率预测模型进行数据处理为例进行解释说明:
首先,在对本申请实施例进行描述的过程中出现的部分名词或术语适用于如下解释:
数值天气预报(Numerical Weather Prediction,简称为NWP),可以指根据大气当前的实际情况,在一定的初值和边界条件下,通过大规模计算求解一系列偏微分方程,预测未来一定时间段的大气运动状态和天气现象;
时间卷积网络(Temporal Convolutional Network,简称为TCN),可以为一种常用于时间序列预测的神经网络结构;
孤立森林(Isolation Forests,简称为IF),可以是一种经典的异常检测算法,可以用于处理大规模多维数据;
动态时间归整(Dynamic Time Warping),可以指时间序列相似度距离函数;
逐渐分层提取的多任务学习模型(Progressive Layered Extraction,简称为PLE),可以用于通过一个模型同时学习多个任务,并通过人物间的信息共享来提高学习效率;
模型无关的元学习(Model Agnostic Meta Learning,简称为MAML),可以为一种学习如何去学习的深度学习框架;
数据采集与监测控制(Supervisory Control And Data Acquisition,简称为SCADA)***,可以用于进行数据的采集与监测;
自动发电控制(Automatic Generation Control,简称为AGC)***,可以为电力***调度自动化的主要内容之一;
数据降维方法(Principal Component Analysis,简称为PCA),可以用于通过线性变换将原始数据转换为一组线性无关的变量,该变量可以被称为主成分,可以用于发现数据中的主要模式和结构,从而提取出符合要求的特征。
实施例1
根据本申请实施例,提供了一种能源转换***的功率预测方法,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
根据本申请实施例的一个方法,提供了一种能源转换***的功率预测方法。作为一种可选的实施方式,上述能源转换***的功率预测方法可以包括但不限与应用于如图1所示的应用场景。图1是根据本申请实施例的一种能源转换***的功率预测方法的应用场景的示意图,如图1所示,在应用场景中,终端设备12可以但不限于通过网络14与服务器16进行通信,比如,可以用于传输初始历史数据、目标历史数据、预测气象数据等,服务器16可以但不限于对数据库18执行操作,例如,写数据操作或读数据操作。上述终端设备12可以但不限包括人机交互屏幕、处理器及存储器。上述人机交互屏幕可以但不限于用于显示在终端设备12上显示初始历史数据、预测功率数据等。上述处理器可以包括但不限于用于响应上述人机交互操作,执行对应的操作,或者,生成对应的指令,并将生成的指令发送给服务器16。上述存储器用于存储相关处理数据,如初始历史数据、目标历史数据、预测气象数据、异常历史数据等。
作为一种可选的方式,可以在服务器16上执行能源转换***的功率预测方法中的以下步骤:步骤S102,获取至少一能源转换***的初始历史数据;步骤S104,对初始历史数据进行异常检测,得到处于异常状态的异常历史数据;步骤S106,在初始历史数据中,对异常历史数据进行更新,得到目标历史数据;步骤S108,基于目标历史数据中目标历史功率数据和目标历史气象数据之间的映射关系,以及能源转换***所处区域在未来时段内的预测气象数据,对能源转换***进行预测,得到能源转换***在未来时段内运行而产生的预测功率数据。
采用上述方式,在本申请实施例中,通过对初始历史数据进行数据异常检测,得到异常历史数据,且对异常历史数据进行更新,比如,通过清洗、重构等方式,以获得目标历史数据,该目标历史数据可以为高质量能源转换***的历史数据,从而基于目标历史数据,实现功率预测,剔除设备故障、人为因素等的影响,进而实现了提高能源转换***的功率预测的准确性的技术效果,解决了能源转换***的功率预测的准确性低的技术问题。
在上述运行环境下,本申请提供了如图2所示的能源转换***的功率预测方法。图2是根据本申请实施例的一种能源转换***的功率预测方法的流程图。如图2所示,该方法可以包括如下步骤:
步骤S202,获取至少一能源转换***的初始历史数据。
在本申请上述步骤S202提供的技术方案中,上述初始历史数据可以为历史SCADA数据,可以为多维时间序列数据,或者可以为多特征的时间序列,至少可以包括能源转换***在历史时段内运行而产生的初始历史功率数据,以及能源转换***所处区域在历史时段内的初始历史气象数据,能源转换***可以为用于将一种形式的能源转换成另一种形式的***,比如,可以用于将化石燃料、太阳能、风能、水能等各种形式的能源转换成电能或其他形式的能源。上述能源转换***可以为风电场站(可以简称为场站)、光电场站等,比如,可以包括能源转换***中风机的发电功率、风速、风向、温度等特征数据。初始历史功率数据可以为能源转换***中风机的发电功率(又可以称为风功率)。初始历史气象特征可以为所处区域的高度、风速、温度、降雨、辐照等气象特征,可以作为辅助特征。需要说明的是,此处仅为举例说明,对初始历史数据的类型、初始历史气象特征的类型、能源转换***的类型不做具体限制。
举例而言,该实施例可以通过SCADA***获取至少一能源转换***的初始历史数据。需要说明的是,此处获取初始历史数据的方式仅为举例说明,不做具体限制。
步骤S204,对初始历史数据进行异常检测,得到处于异常状态的异常历史数据。
在本申请上述步骤S204提供的技术方案中,上述异常检测可以为多变量异常检测,可以用于确定初始历史数据中的低质量数据。异常历史数据可以为离群异常点、数据异常点,可以包含异常时刻的风功率值,比如,异常历史数据可以为不满足功率与风速关系的点。需要说明的是,此处仅为举例说明,对异常监测的方式、异常历史数据的类型不做具体限制。
举例而言,可以通过数据处理模块对初始历史数据进行异常检测,比如,可以对初始历史数据进行多变量异常监测,得到处于异常状态的异常历史数据。
可选地,对初始历史数据进行异常检测,比如,可以使用统计学算法或机器学习模型,来识别初始历史数据中与其他数据点显著不同的数据点,比如,统计学算法可以为IF算法,此处仅为举例说明,对进行异常监测的方法不做具体限制。如果发现初始历史数据中,存在某些数据点与大多数数据点有明显不同的特征,则可以将这些数据点标记为异常状态的异常历史数据。
步骤S206,在初始历史数据中,对异常历史数据进行更新,得到目标历史数据。
在本申请上述步骤S206提供的技术方案中,可以通过删除、重构等方式,对初始历史数据中的异常历史数据进行更新,以得到目标历史数据。其中,目标历史数据可以为高质量的场站历史数据,可以包括处于正常状态的目标历史功率数据,以及处于正常状态的目标历史气象数据。
可选地,识别出初始历史数据中的异常历史数据,如果只是通过删除的简单方式对异常历史数据进行处理,可能会影响最终预测的准确率。因此,在该实施例中,可以删除并替换异常历史数据,从而减少由于数据提剔除过多,导致预测的准确率低的技术问题。
在该实施例中,通过识别并处理异常数据,可以及时采取措施来修复或排除异常情况,通过剔除初始历史数据中的异常历史数据,并对剔除的异常历史数据进行重构,得到目标历史数据,从而确保了使用的预测数据的准确性和可靠性,进而达到提高能源转换***的功率预测的准确性的技术效果,解决了能源转换***的功率预测的准确性低的技术问题。
步骤S208,基于目标历史数据中目标历史功率数据和目标历史气象数据之间的映射关系,以及能源转换***所处区域在未来时段内的预测气象数据,对能源转换***进行预测,得到能源转换***在未来时段内运行而产生的预测功率数据。
在本申请上述步骤S208提供的技术方案中,预测功率数据与预测气象数据之间满足映射关系。获取目标历史数据中目标历史功率数据,且获取目标历史功率数据和目标历史气象数据之间的映射关系,以及能源转换***所处区域在未来时段内的预测气象数据。可以基于映射关系以及预测气象数据,对能源转换***进行预测,以得到能源转换***在未来时段内运行而产生的预测功率数据。其中,映射关系可以为天气和风功率之间的关系,比如,可以为风速和风电场发电功率之间的映射关系。预测气象数据可以包括风力、风向、温度等,可以为多维时间序列数据,此处仅为举例说明,对预测气象数据的包含内容不做具体限制。预测功率数据与预测气象数据之间也满足映射关系,且可以用于确定在未来时段内能源转换***的输出功率,可以用于表征能源转换***在未来时段内的风力发电性能。
由于能源转换***的风力发电性能具有很强的不确定性,容易受天气状况、设备、人为因素等多方面的影响,如果只是通过初始历史数据进行预测,难以得到准确的预测功率数据,存在能源转换***的功率预测的准确性低的技术问题。为解决上述技术问题,在该实施例中,获取初始历史数据,对初始历史数据中的异常历史数据进行更新,得到目标历史数据,此时的目标历史数据为准确性高的数据,同时,在预测功率数据时,并不只是对初始历史数据进行预测,而是确定目标历史数据中的目标历史功率数据和目标历史气象数据之间的映射关系,基于映射关系和预测天气数据,以预测得到准确率高的预测功率数据,此时得到的预测功率数据和预测气象数据之间满足映射关系,从而解决了能源转换***的功率预测的准确性低的技术问题,实现了提高能源转换***的功率预测的准确性的技术效果。
可选地,通过能源转换***所处区域在未来时段内的数值天气预报,得到预测天气数据,或者根据能源转换***所处区域当前的大气情况,通过大规模计算求解一系列偏微分方程,预测未来一定时间段的大气运动状态和天气现象,从而得到预测气象数据。需要说明的是,此处仅为举例说明,对获取预测气象数据的方式不做具体限制。
举例而言,假设位于山区的能源转换***为待预测对象,可以收集该能源转换***在过去10年内的初始历史数据,对初始历史数据进行异常检测,找出处于异常状态的异常历史数据,比如,异常历史数据可以为突然降低的功率或异常高的风速数据。进一步地,可以通过剔除、增加、调整等方式,对异常历史数据进行更新,得到目标历史数据,该目标历史数据可以包括正常状态下的目标历史功率数据和目标历史气象数据。确定目标历史数据中的目标历史功率数据和目标历史气象数据二者之间的映射关系,以及未来时段内的预测气象数据。基于映射关系和预测天气数据,对能源转换***进行预测,可选地,通过映射关系,可以根据未来时段内的预测气象数据来预测能源转换***在未来时段内的运行和产生的预测功率数据。通过该方法,可以准确地预测能源转换***在未来时段内的发电情况,有助于对能源转换***提前做好发电调度和资源配置。
通过上述步骤S202至步骤S208,获取至少一能源转换***的初始历史数据,其中,初始历史数据至少包括能源转换***在历史时段内运行而产生的初始历史功率数据,以及能源转换***所处区域在历史时段内的初始历史气象数据;对初始历史数据进行异常检测,得到处于异常状态的异常历史数据;在初始历史数据中,对异常历史数据进行更新,得到目标历史数据,其中,目标历史数据包括处于正常状态的目标历史功率数据,以及处于正常状态的目标历史气象数据;基于目标历史数据中目标历史功率数据和目标历史气象数据之间的映射关系,以及能源转换***所处区域在未来时段内的预测气象数据,对能源转换***进行预测,得到能源转换***在未来时段内运行而产生的预测功率数据,其中,预测功率数据与预测气象数据之间满足映射关系。也即,在本申请实施例中,通过对初始历史数据进行数据异常检测,得到异常历史数据,且对异常历史数据进行更新,比如,通过清洗、重构等方式,以获得目标历史数据(可以为高质量能源转换***历史数据),从而基于目标历史数据,实现功率预测,剔除设备故障、人为因素等的影响,进而实现了提高能源转换***的功率预测的准确性的技术效果,解决了能源转换***的功率预测的准确性低的技术问题。
下面对该实施例的上述方法进行进一步的介绍。
作为一种可选的实施方式,步骤S204,对初始历史数据进行异常检测,得到处于异常状态的异常历史数据,包括:从初始历史数据中,识别出目标特征集和辅助特征集,其中,目标特征集对预测得到的预测功率数据的重要程度,高于辅助特征集对预测得到的预测功率数据的重要程度;对目标特征集和辅助特征集进行异常检测,得到异常历史数据。
在该实施例中,上述目标特征集可以为对能源转换***产生功率的多少影响较大的特征集,可以包含能源转换***的功率、能源转换***中的风速、能源转换***的桨角。辅助特征集可以为对能源转换***产生功率的多少影响较小的特征集,可以包含能源转换***中的风向和温度。由上述可知,目标特征集对预测得到的预测功率数据的重要程度,高于辅助特征集对预测得到的预测功率数据的重要程度,也即,目标特征集对预测得到的预测功率数据的影响高于辅助特征集对预测得到的预测功率数据的影响。
为进一步提高对预测功率数据进行预测的准确性,在该实施例中,对初始历史数据进行拆分,识别得到初始历史数据中的目标特征集和辅助特征集。分别对目标特征集和辅助特征集进行异常检测,得到异常历史数据。
作为一种可选的实施方式,从初始历史数据中,识别出目标特征集,包括:至少将初始历史数据中初始历史功率数据,确定为目标特征集中的目标特征,得到目标特征集。
在该实施例中,目标特征集中的目标特征至少包括初始历史功率数据,因此,在从初始历史数据中,识别除目标特征集时,至少可以将初始历史数据中初始历史功率数据,确定为目标特征集中的目标特征,从而得到目标特征集。
作为一种可选的实施方式,初始历史数据还包括能源转换***在历史时段内运行而产生的历史桨角数据,初始历史气象数据包括历史风速数据,其中,至少将初始历史数据中初始历史功率数据,确定为目标特征集,包括:将初始历史功率数据、历史桨角数据和历史风速数据,确定为目标特征集中的目标特征,得到目标特征集。
在该实施例中,初始历史数据处理初始历史功率数据外,还可以包括能源转换***在历史时段内运行而产生的历史桨角数据。初始历史气象数据除了风向外,还包括风速、温度等数据。其中,历史桨角数据(pitch angle),可以用于确定当前风电机组是否处于正常运行状态。历史风速数据的大小会影响到能源转换***的发电量的大小。
由于历史桨角数据、历史风速数据和初始历史功率数据对预测功率数据的影响较大,因此,可以将初始历史功率数据、历史桨角数据和历史风速数据,确定为目标特征集中的目标特征,得到目标特征集。
作为一种可选的实施方式,初始历史气象数据包括历史风向数据和历史温度数据,其中,从初始历史数据中,识别出辅助特征集,包括:分别对初始历史气象数据中历史风向数据和历史温度数据,进行降维处理;将降维后的历史风向数据和降维后的历史温度数据,确定为辅助特征集中的辅助特征,得到辅助特征集。
在该实施例中,初始历史气象数据可以包括历史风向数据和历史温度数据。根据实验、测试等方式,可以确定历史风向数据和历史温度数据这两个指标参数通常是通过影响空气密度,以间接影响到能源转换***的发电量(也即,预测功率数据),也即,上述两个特征对预测的预测功率数据的大小影响较小,因此,可以对历史风向数据和历史温度数据进行进一步处理,以得到辅助特征集中的辅助特征。
可选地,分别可以对初始历史气象数据中历史风向数据和历史温度数据,进行降维处理,将降维处理后的历史风向数据和降维后的历史温度数据,确定为辅助特征集中的辅助特征,以得到辅助特征集。其中,可以通过特征选择、主成分分析(PrincipalComponent Analysis,简称为PCA)、t-分布邻近嵌入(t-distributed StochasticNeighbor Embedding,简称为t-SNE)、线性判别分析(Linear Discriminant Analysis,简称为LDA)等方式,分别对历史风向数据和历史温度数据进行降维处理,需要说明的是,此处仅为举例说明,对降维处理的方式不做具体限制。
由于历史风向数据和历史温度数据对预测的预测功率数据的影响较小,在该实施例中,可以分别对历史风向数据和历史温度数据进行降维处理,从而减少历史风向数据和历史温度数据,达到简化数据分析的复杂度的目的。通过降维处理,可以去除特征之间的冗余信息,提高数据的可解释性。同时,降维处理还可以达到减少计算成本和存储空间,提高数据处理的效率的目的。
作为一种可选的实施方式,对目标特征集和辅助特征集进行异常检测,得到异常历史数据,包括:确定目标特征集和辅助特征集对应的时间序列,其中,时间序列包括目标特征集中目标特征对应的时刻和辅助特征集中辅助特征对应的时刻;利用目标特征集和辅助特征集,从时间序列中检测出异常时刻;将异常时刻对应的目标特征和辅助特征,确定为异常历史数据。
在该实施例中,可以分别确定目标特征集和辅助特征集对应的时间序列,确定时间序列中,异常时刻对应的目标特征和辅助特征,且将该目标特征和辅助特征确定为异常历史数据。其中,时间序列可以为多维时间序列,可以包括目标特征集中目标特征对应的时刻和辅助特征集中辅助特征对应的时刻。
可选地,确定目标特征集和辅助特征集对应的时间序列,利用目标特征集和辅助特征集,可以使用IF算法,进行多变量异常检测,从而从时间序列中检测出异常时刻;将异常时刻对应的目标特征和辅助特征,确定为异常历史数据。
举例而言,IF算法可以是一种基于树结构的异常检测算法,可以用于通过随机选择特征和分割点的方式,将目标特征集和辅助特征集逐步分割成较小的子集,直到每个子集中只包含一个数据点。每个点经历的分割步数不同,经过越少步骤被分割出来的点,异常得分越高。可以将时间序列中,异常得分高于分数阈值的时刻确定为异常时刻,可以将异常时刻对应的目标特征和辅助特征,确定为异常历史数据。
可选地,上述分割的方式可以为通过二叉树的递归分割完成,比如,可以设定树的数量和每棵树的最大深度,将时间序列作为输入数据,检测出异常时刻,可以将异常时刻对应的目标特征和辅助特征,确定为异常历史数据。其中,目标特征可以包括功率、风速、桨角其中至少之一。辅助特征可以包括一下至少之一:风向、温度进行PCA降维得到的辅助特征。输入数据中多维时间序列的每个时刻作为一个样本,通过IF算法对异常时刻进行剔除,以达到对异常时刻对应的目标特征和辅助特征进行剔除的目的。
作为一种可选的实施方式,在初始历史数据中,对异常历史数据进行更新,得到目标历史数据,包括:从初始历史数据中,删除异常时刻对应的异常历史数据;基于删除后的初始历史数据,重构能源转换***在异常时刻对应的历史数据,得到异常时刻对应的重构历史数据,其中,重构历史数据处于正常状态;将删除后的初始历史数据和异常时刻对应的重构历史数据,确定为目标历史数据。
在该实施例中,可以通过以下步骤对异常历史数据进行更新:可以删除初始历史数据中,离群异常点(异常的时刻)对应的异常历史数据。通过调整、增加等方式,对重构能源转换***在异常时刻对应的历史数据,得到异常时刻对应的重构历史数据。可以将已经删除了异常历史数据的初始历史数据,以及重构历史数据,确定为目标历史数据。其中,重构历史数据可以为被剔除时刻对应的特征值,比如,可以为被剔除时刻的功率值、风向值、风力值、温度值等,此处仅为举例说明,不对重构历史数据的类型做具体限制。
可选地,此时的目标历史数据中不但剔除了异常历史数据,还对剔除了异常历史数据的位置的参数进行了补充,从而避免了剔除异常历史数据过多,导致预测准确率低的问题。
作为一种可选的实施方式,初始历史气象数据包括历史风速数据,其中,基于删除后的初始历史数据,重构能源转换***在异常时刻对应的历史数据,得到异常时刻对应的重构历史数据,包括:确定删除后的初始历史数据中历史风速数据所处的风速数据区间;确定删除后的初始历史数据中,与风速数据区间对应的初始历史功率数据的平均历史功率数据;将平均历史功率数据,确定为重构历史数据。
在该实施例中,上述平均历史功率数据可以为历史功率平均值。
可选地,通过异常检测将初始历史数据中的异常点(也即,异常历史数据)剔除后,可以通过机器学***均值(也即,平均历史功率数据)。可以将平均历史功率数据作为风功率估计值,对异常历史数据进行恢复和重构。
可选地,通过异常检测算法,比如,IF算法,可以检测出初始历史数据中的异常时刻,可以剔除异常时刻对应的历史数据,并重新估计被剔除时刻对应的重构历史数据,比如,功率值,从而完成对被剔除的异常数据点的恢复和重构。
可选地,如果只是简单的对异常数据进行剔除,可能会降低最终预测的预测功率数据的准确率,在该实施例中,为避免剔除数据过多,导致预测的预测功率数据的准确率低的问题,对被剔除的异常数据点进行恢复和重构,从而达到减少数据剔除过多导致预测的预测功率数据的准确率低的目的。
在该实施例中,可以利用数据处理模块进行初始历史数据的异常检测、数据剔除和数重构,通过数据处理模块可以获得能源转换***的高质量目标历史数据,为后续多个相似的能源转换***的风功率预测做好数据准备,实现了提高对能源转换***的功率预测的准确性的技术效果,解决了对能源转换***的功率预测的准确性低的技术问题。
作为一种可选的实施方式,该方法还可以包括:确定能源转换***所属的聚类结果,其中,聚类结果包括允许信息共享的多个能源转换***;获取多个能源转换***所处区域在未来时段内的目标预测气象数据;基于目标历史数据中目标历史功率数据和目标历史气象数据之间的映射关系,以及能源转换***所处区域在未来时段内的预测气象数据,对能源转换***进行预测,得到能源转换***在未来时段内运行而产生的预测功率数据,包括:调用功率预测模型确定目标历史功率数据和目标历史气象数据之间的映射关系,且利用映射关系对目标预测气象数据进行分析,得到多个能源转换***的预测功率数据。
在该实施例中,引入多场站,确定能源转换***所属的聚类结果,基于聚类结果可以确定允许信息共享的多个能源转换***,获取多个能源转换***所处区域在未来时刻内的目标预测气象数据,可以调用功率预测模型,确定目标历史功率数据和目标历史气象数据之间的映射关系,且利用映射关系对目标预测气象数据进行分析,得到多个能源转换***的预测功率数据。其中,上述目标预测气象数据可以包含聚类结果中所有能源转换***需要预测的未来时段内的数值天气预报。
可选地,功率预测模型可以为以MAML作为整体训练框架,不同风功率分段下的PLE网络作为MAML的子任务训练得到,可以为在不同出力情形下都能实现精准预测的功率预测基础模型。其中,利用不同风功率分段下的PLE网络,可以实现多场站之间的信息共享。
由于对单场站单独建模,以对预测功率数据进行预测,很容易出现过拟合现象。为解决上述问题,在该实施例中,确定能源转换***所属的聚类效果,基于聚类效果,确定允许信息共享的多个能源转换***,获取多个能源转换***所处区域在未来时段内的目标预测气象数据;通过功率预测模型,基于目标历史数据中目标历史功率数据和目标历史气象数据之间的映射关系,以及能源转换***所处区域在未来时段内的预测气象数据,对能源转换***进行预测,得到能源转换***在未来时段内运行而产生的预测功率数据,也即,利用相似能源转换***的目标预测气象数据,预测得到预测功率数据,从而达到提高对能源转换***的功率预测的准确性的技术效果,解决了对能源转换***的功率预测的准确性低的技术问题。
作为一种可选的实施方式,确定能源转换***所属的聚类结果,包括:至少基于多个能源转换***的目标历史数据,对多个能源转换***进行聚类处理,得到能源转换***所属的聚类结果。
在该实施例中,可以基于多个能源转换***的目标历史数据,对多个能源转换***进行聚类处理,以确定与能源转换***相似的多个场站,从而得到能源转换***所属的聚类结果。
可选地,通过场站聚类模块可以进行场站分类,场站聚类模块可以基于多个能源转换***的目标历史数据,对多个能源转换***进行聚类处理,以得到能源转换***所属的聚类结果。其中,该聚类结果可以用于表征能源转换***的类别,可以用于确定可以进行信息共享的场站。
作为一种可选的实施方式,至少基于多个能源转换***的目标历史数据,对多个能源转换***进行聚类处理,得到能源转换***所属的聚类结果,包括:获取多个能源转换***所处目标区域内的不同能源转换***的位置信息;基于不同能源转换***的位置信息,以及不同能源转换***对应的目标历史数据中的目标历史功率数据,确定不同能源转换***之间的相似度;对不同能源转换***之间的相似度进行聚类处理,得到能源转换***所属的聚类结果,其中,聚类结果中的多个能源转换***之间的相似度大于相似度阈值。
在该实施例中,基于位置信息,可以确定两个能源转换***之间是否具有相似的地理特征和气候条件。由于相似的地理特征和气候条件,会使得能源转换***的发电情况具有高相似性。同时,根据风速-风功率转换公式,可以确定不同能源转换***之间的风速-风功率也存在一些相似的映射关系。因此,可以基于位置信息和目标历史功率数据,对多个能源转换***进行分类。
可选地,风速-风功率转换公式可以为:
风能(W)=1/2*空气密度(ρ)*风速^(3)*叶片面积(S)
可选地,获取多个能源转换***所处目标区域内的不同能源转换***的位置信息,其中,位置信息可以用于确定能源转换***所处的地理特征、气候条件、或者多个能源转换***之间的距离,可以包含能源转换***的经纬度、海拔数据等内容,此处仅为举例说明,对位置信息包含的内容不做具体限制。可以基于不同能源转换***的位置信息,以及不同能源转换***对应的目标历史数据中的目标历史功率数据,确定不同能源转换***之间的相似度;对不同能源转换***之间的相似度进行聚类处理,得到能源转换***所属的聚类结果,其中,聚类结果中的多个能源转换***之间的相似度大于相似度阈值。
举例而言,使用基于DTW时间序列相似度的聚类方法,对目标历史功率数据进行平滑采样处理,通过分解去除目标历史功率数据中的突变和噪声。同时,基于位置信息确定不同能源转换***之间的距离,可以将不同能源转换***之间的距离也可以作为特征,以进行场站聚类。得到能源转换***所属的聚类结果。基于聚类结果,可以确定同簇内能源转换***之间,可以进行后续多任务学习的信息交流和共享的能源转换***。需要说明的是,此处仅为举例说明,能源转换***的分类方式可以根据实际情况进行选择,此处不做具体限制。
在该实施例中,为提高预测的预测功率数据的准确性,可以确定相似的多个能源转换***,相似的多个能源转换***之间可以进行信息的共享,在获取预测功率数据时,可以获取多个能源转换***的目标预测气象数据,基于多个能源转换***的目标预测期相数据,对能源转换***进行预测,从而避免只是利用单一目标预测气象数据进行预测,导致预测结果的准确性低的问题。
举例而言,可以对各能源转换***的目标历史功率数据进行平滑采样处理,计算两两能源转换***之间的目标历史功率数据的相似度,构建得到动态时间调整(DynamicTime Warping,简称为DTW)的距离矩阵。使用能源转换***的位置信息中的经纬度、海拔数据,计算两两场站之间的欧式距离,构建得到地理距离矩阵。通过高斯核(Gaussiankernel)对DTW距离矩阵和地理距离矩阵进行矩阵归一化,以达到减少计算量,优化计算时间的目的,DTW距离矩阵和地理距离矩阵相加构成表达矩阵相似度关系的互信息矩阵,基于互信息矩阵可以确定不同能源转换***之间的相似度。可以对互信息矩阵进行K值聚类(K-means),得到能源转换***所属的聚类结果。其中,聚类结果可以包含多个划分为不同簇的能源转换***。通过上述方式,完成对多个场站的分类过程,得到聚类结果,基于聚类结果,确定可以进行信息共享的能源转换***。
作为一种可选的实施方式,调用功率预测模型确定目标历史功率数据和目标历史气象数据之间的映射关系,且利用映射关系对目标预测气象数据进行分析,得到多个能源转换***的预测功率数据,包括:调用功率预测模型中与能源转换***对应的专家网络模型,提取目标历史功率数据中的特征、目标历史气象数据中的特征,以及目标预测气象数据中的特征;调用功率预测模型中多个能源转换***对应的共享专家网络模型,获取多个能源转换***之间的共享特征,其中,共享特征用于表示多个能源转换***的相同属性;调用功率预测模型中与能源转换***对应的任务处理网络模型,确定目标历史功率数据中的特征与目标历史气象数据中的特征之间的映射关系,且利用映射关系和共享特征,对目标预测气象数据中的特征进行分析,得到多个能源转换***的预测功率数据。
在该实施例中,上述功率预测模型至少可以包括专家网络模型、共享专家网络模型和任务处理网络模型,可以为构建的多任务元学习模型。上述专家网络模型可以为处理不同数据的专用的专家网络(experts),可以用于提取数据中的特征。上述共享专家网络模型可以为共享专家网络(experts Shared),可以用于实现同层网络不同能源转换***之间的共享特征的共享。共享特征可以用于表示多个能源转换***的相同属性、或多个能源转换***之间的共性,可以为多个能源转换***的相互信息。任务处理网络模型可以用于确定目标历史功率数据中的特征与目标历史气象数据中的特征之间的映射关系,可以为塔(tower)网络。
可选地,获取目标历史功率数据和目标历史气象数据,可以调用功率预测模型中与能源转换***对应的专家网络模型,分别对该能源转换***的目标历史功率数据、目标历史气象数据和目标预测气象数据进行处理,以提取目标历史功率数据中的特征、目标历史气象数据中的特征,以及目标预测气象数据中的特征。进一步地,可以利用共享专家网络模型,实现不同能源转换***之间上述特征的共享,可以调用共享专家网络模型,以获取多个能源转换***之间的共享特征。调用该能源转换***对应的任务处理模型,确定目标历史功率数据中的特征与目标历史气象数据中的特征之间的映射关系,且利用映射关系和共享特征,对目标预测气象数据中的特征进行分析,得到多个能源转换***的预测功率数据。
举例而言,每个能源转换***对应一个任务,能源转换***一、能源转换***二和能源转换***三对应的专家网络模型属于同层网络。分别获取能源转换***一、能源转换***二和能源转换***三的目标历史功率数据、目标历史气象数据和目标预测气象数据。分别调用能源转换***一、能源转换***二和能源转换***三对应的专家网络模型,提取每个任务对应的特征,得到能源转换***一的目标历史功率数据中的特征、目标历史气象数据中的特征和目标预测气象数据中的特征;能源转换***二的目标历史功率数据中的特征、目标历史气象数据中的特征和目标预测气象数据中的特征;能源转换***三的目标历史功率数据中的特征、目标历史气象数据中的特征,以及目标预测气象数据中的特征。同时通过共享专家网络实现同层网络不同任务之间的信息共享。每个任务分支都可以分配有每个任务专用的门控网络,给出不同专家网络模型所占的权重。调用为每个任务设计专用的tower网络,使网络能够同时兼顾到不同任务之间的共性和差异,通过tower网络可以分析描述和分析各个特征之间的关系,tower网络可以将提取出来的特征确定为网络中的节点,特征之间的关系确定为网络中的边,通过分析特征之间的关系,可以更好的确定映射关系,且可以利用映射关系和共享特征,对目标预测气象数据中的特征进行分析,得到多个能源转换***的预测功率数据。其中,不同专家网络模型所占的权重不是预先设定的,每一个门控网络是一个激活层(比如,softmax层),该激活层的输出可以表示该专家网络模型所占权重,该权重可以通过网络训练学习得到。
在该实施例中,使用相似区域内多能源转换***的数据进行基于多任务学习的功率预测,通过学习多个能源转换***间的共享特征得到更加鲁棒的预测结果。同时,由于可以利用共享特征进行预测,因此,也能提高对缺乏目标历史功率数据、目标历史气象数据和目标预测气象数据的新建的能源转换***的预测准确率,从而实现了提高能源转换***的功率预测的准确性的技术效果,解决了能源转换***的功率预测的准确性低的技术问题。
作为一种可选的实施方式,该方法还可以包括:获取步骤,从不同气象数据区间样本中,获取当前气象数据区间样本,以及当前气象数据区间样本对应的功率数据样本;训练步骤,利用当前气象数据区间样本和对应的功率数据样本,对能源转换***对应的初始专家网络模型、初始共享专家网络模型和初始任务处理网络模型进行训练;第一确定步骤,如果不同气象数据区间样本存在当前气象数据区间样本的下一气象数据区间样本,则将下一气象数据区间样本,确定为当前气象数据区间样本,将训练后的初始专家网络模型确定为初始专家网络模型,将训练后的初始共享专家网络模型确定为初始共享专家网络模型,将训练后的初始任务处理网络模型确定为初始任务处理网络模型,返回执行训练步骤,直至当前气象数据区间样本为不同气象数据区间样本的最后一气象数据区间样本,执行第二确定步骤;第二确定步骤,将训练后的初始专家网络模型,确定为能源转换***对应的专家网络模型,将训练后的初始共享专家网络模型,确定为多个能源转换***对应的共享专家网络模型,且将训练后的初始任务处理网络模型,确定为能源转换***对应的任务处理网络模型。
在该实施例中,上述气象数据区间样本可以为不同风速区间下对应的样本。初始专家网络模型、初始共享专家网络模型和初始任务处理网络模型可以为基础元模型,或者MAML的基础模型。
可选地,从不同气象数据区间样本中,获取当前气象数据区间样本,以及当前气象数据区间样本对应的功率数据样本;利用当前气象数据区间样本和对应的功率数据样本,对能源转换***对应的初始专家网络模型、初始共享专家网络模型和初始任务处理网络模型进行训练;按照上述方式进行训练,直至当前气象数据区间样本为不同气象数据区间样本的最后一气象数据区间样本,将训练后的初始专家网络模型,确定为能源转换***对应的专家网络模型,将训练后的初始共享专家网络模型,确定为多个能源转换***对应的共享专家网络模型,且将训练后的初始任务处理网络模型,确定为能源转换***对应的任务处理网络模型。通过上述方式,训练得到在不同风功率区间下平衡满足预定条件的多任务基础功率预测模型。
可选地,通过对多任务元学习框架进行学习和训练,以得到功率预测模型,其中,功率预测模型可以包含训练好的任务处理网络模型、共享专家网络模型和专家网络模型。多任务元学习框架可以包括离线和在线学习两个阶段。在离线学习阶段,可以通过内环和外环更新来训练基础元模型(也即,初始专家网络模型、初始共享专家网络模型和初始任务处理网络模型),可以通过内循环和外循环进行两次参数更新,不同的MAML子任务可以共享一套网络参数。在线学习阶段,可以将基础元模型用于增量学习,在不同区域进行针对性微调。
可选地,上述内循环和外循环可以用于对PLE的参数进行优化和更新,也即,可以用于对PLE包含的初始专家网络模型、初始共享专家网络模型和初始任务处理网络模型的模型参数进行优化和更新。上述外循环可以为根据不同风速区间划分的多个任务,也即,外循环指的是从不同气象数据区间样本中,获取多个当前气象数据区间样本,以及当前气象数据区间样本对应的功率数据样本,利用获取到的区间样本依次对能源转换***对应的初始专家网络模型、初始共享专家网络模型和初始任务处理网络模型进行训练的过程。内循环是指使用PLE结构对多个能源转换***进行预测,每个能源转换***为一个任务;不同的外循环任务共享一套PLE网络参数。内循环每一次参数更新是为了优化指定风速区间任务;外循环是为了优化平衡不同风速区间,找到多个外循环任务平衡点。
作为一种可选的实施方式,该方法还可以包括以下至少之一:对专家网络模型进行增量学习;对共享专家网络模型进行增量学习;对任务处理网络模型进行增量学习。
在该实施例中,在线学习阶段,可以将基础元模型用于增量学习,在不同区域进行针对性微调。
在本申请实施例中,通过对初始历史数据进行数据异常检测,得到异常历史数据,且对异常历史数据进行更新,比如,通过清洗、重构等方式,以获得目标历史数据(可以为高质量能源转换***历史数据),从而基于目标历史数据,实现功率预测,剔除设备故障、人为因素等的影响,进而实现了提高能源转换***的功率预测的准确性,解决了能源转换***的功率预测的准确性低的技术问题。
本申请实施例还提供了一种风电场站的功率预测方法,图3是根据本申请实施例的一种风电场站的功率预测方法的流程图,如图3所示,该方法可以包括以下步骤。
步骤S302,从信息监测平台获取至少一风电场站的初始历史数据,其中,初始历史数据至少包括风电场站在历史时段内运行而产生的初始历史功率数据,以及风电场站所处区域在历史时段内的初始历史气象数据。
在本申请上述步骤S302提供的技术方案中,上述信息监测平台可以为数据采集与监测控制***,可以用于采集初始历史数据,需要说明的是,此处不对信息监测平台的类型做具体限制。初始历史数据至少可以包括风电场站在历史时段内运行而产生的初始历史功率数据,以及风电场站所处区域在历史时段内的初始历史气象数据。
步骤S304,对初始历史数据进行异常检测,得到处于异常状态的异常历史数据。
在本申请上述步骤S304提供的技术方案中,可以对信息监测平台监测到的初始历史数据进行异常检测,以确定处异常状态的异常历史数据。
步骤S306,在初始历史数据中,对异常历史数据进行更新,得到目标历史数据,其中,目标历史数据包括处于正常状态的目标历史功率数据,以及处于正常状态的目标历史气象数据。
步骤S308,基于目标历史数据中目标历史功率数据和目标历史气象数据之间的映射关系,以及风电场站所处区域在未来时段内的预测气象数据,对风电场站进行预测,得到风电场站在未来时段内运行而产生的预测功率数据,其中,预测功率数据与预测气象数据之间满足映射关系。
步骤S310,将预测功率数据下发至信息监测平台进行显示。
在本申请上述步骤S310提供的技术方案中,可以将预测功率数据下发至信息监测平台进行显示,比如,可以在信息监测平台的显示界面、操作界面进行显示,需要说明的是,此处仅为举例说明,不对预测功率数据的显示位置做具体限制。
举例而言,工作人员可以根据信息监测平台显示的预测功率数据对风电场站可能产生的电能进行调度。
通过上述步骤S302至步骤S310,从信息监测平台获取至少一风电场站的初始历史数据,其中,初始历史数据至少包括风电场站在历史时段内运行而产生的初始历史功率数据,以及风电场站所处区域在历史时段内的初始历史气象数据;对初始历史数据进行异常检测,得到处于异常状态的异常历史数据;在初始历史数据中,对异常历史数据进行更新,得到目标历史数据,其中,目标历史数据包括处于正常状态的目标历史功率数据,以及处于正常状态的目标历史气象数据;基于目标历史数据中目标历史功率数据和目标历史气象数据之间的映射关系,以及风电场站所处区域在未来时段内的预测气象数据,对风电场站进行预测,得到风电场站在未来时段内运行而产生的预测功率数据,其中,预测功率数据与预测气象数据之间满足映射关系;将预测功率数据下发至信息监测平台进行显示,从而实现了提高风电场站的功率预测的准确性,解决了风电场站的功率预测的准确性低的技术问题。
本申请实施例还提供了另一种能源转换***的功率预测方法。图4是根据本申请实施例的另一种能源转换***的功率预测方法的流程图。如图4所示,该方法可以包括以下步骤:
步骤S402,通过调用第一接口监测至少一能源转换***的初始历史数据,其中,第一接口包括第一参数,第一参数的参数值为初始历史数据,初始历史数据至少包括能源转换***在历史时段内运行而产生的初始历史功率数据,以及能源转换***所处区域在历史时段内的初始历史气象数据。
在本申请上述步骤S402提供的技术方案中,可以通过调用第一接口来获取至少一能源转换***的初始历史数据,其中,第一接口可以包括第一参数,第一参数的参数值可以为初始历史数据。
举例而言,终端设备(也即用户)可以通过软件即服务(Software as a Service,简称为SAAS)的服务提供商的应用程序编程(Application Programming Interface,简称为API)接口,将初始历史数据作为第一参数的参数值传入,以便对初始历史数据进行处理。SAAS服务提供商的***会接收并处理初始历史数据。其中,第一接口可以为SAAS平台提供的一个API端点,用户可以通过调用这个接口来发送初始历史数据,而第一参数则是用来传递初始历史数据。通过这种方式,用户可以利用SAAS平台提供的功能来进行对初始历史数据的后续处理。
步骤S404,对初始历史数据进行异常检测,得到处于异常状态的异常历史数据。
步骤S406,在初始历史数据中,对异常历史数据进行更新,得到目标历史数据,其中,目标历史数据包括处于正常状态的目标历史功率数据,以及处于正常状态的目标历史气象数据。
步骤S408,基于目标历史数据中目标历史功率数据和目标历史气象数据之间的映射关系,以及能源转换***所处区域在未来时段内的预测气象数据,对能源转换***进行预测,得到能源转换***在未来时段内运行而产生的预测功率数据,其中,预测功率数据与预测气象数据之间满足映射关系。
步骤S410,通过调用第二接口输出预测功率数据,其中,第二接口包括第二参数,第二参数的参数值为预测功率数据。
在本申请上述步骤S410提供的技术方案中,可以通过调用第二接口来输出预测功率数据,其中,第二接口中可以包括第二参数,第二参数的参数值可以为预测功率数据。
举例而言,可以通过应用程序编程接口,将预测功率数据作为第二参数的参数值传出,以便向终端设备提供预测功率数据。SAAS服务提供商的***会将预测得到的预测功率数据通过接口传输给终端设备和/或平台设备。其中,第二接口可以为SAAS平台提供的一个API端点,可以通过调用这个接口来发送第二参数,而第二参数则是用来传递预测功率数据。
通过上述步骤S402至步骤S410,通过调用第一接口监测至少一能源转换***的初始历史数据,其中,第一接口包括第一参数,第一参数的参数值为初始历史数据,初始历史数据至少包括能源转换***在历史时段内运行而产生的初始历史功率数据,以及能源转换***所处区域在历史时段内的初始历史气象数据;对初始历史数据进行异常检测,得到处于异常状态的异常历史数据;在初始历史数据中,对异常历史数据进行更新,得到目标历史数据,其中,目标历史数据包括处于正常状态的目标历史功率数据,以及处于正常状态的目标历史气象数据;基于目标历史数据中目标历史功率数据和目标历史气象数据之间的映射关系,以及能源转换***所处区域在未来时段内的预测气象数据,对能源转换***进行预测,得到能源转换***在未来时段内运行而产生的预测功率数据,其中,预测功率数据与预测气象数据之间满足映射关系;通过调用第二接口输出预测功率数据,其中,第二接口包括第二参数,第二参数的参数值为预测功率数据,从而实现了提高能源转换***的功率预测的准确性,解决了能源转换***的功率预测的准确性低的技术问题。
实施例2
根据本申请实施例,还提供了一种能源转换***的功率预测***的实施例,需要说明的是,该实施例的能源转换***的功率预测***可以用于执行本发明实施例的能源转换***的功率预测方法。图5是根据本申请实施例的一种能源转换***的功率预测***的示意图,如图5所示,能源转换***的功率预测***500可以包括:数据处理端502和功率预测端504。
数据处理端502,用于获取至少一能源转换***的初始历史数据,其中,初始历史数据至少包括能源转换***在历史时段内运行而产生的初始历史功率数据,以及能源转换***所处区域在历史时段内的初始历史气象数据;对初始历史数据进行异常检测,得到处于异常状态的异常历史数据;在初始历史数据中,对异常历史数据进行更新,得到目标历史数据,其中,目标历史数据包括处于正常状态的目标历史功率数据,以及处于正常状态的目标历史气象数据。
在该实施例中,上述数据处理端502可以用于对初始历史数据进行处理,可以为数据处理模块,可以用于对初始历史数据进行数据清洗、异常监测等操作,以获得高质量能源转换***的目标历史数据。其中,初始历史数据可以为多特征的时间序列。
可选地,初始历史数据可以为历史SCADA数据,可以包括能源转换***中风机的发电功率、风速、桨角、风向、温度等特征。
可选地,获取至少一能源转换***的初始历史数据,通过异常检测将初始历史数据中的异常历史数据剔除后。可以通过稀疏核机获得风功率-风速分布的上下范围包络线,选定各风速区间的功率平均值作为风功率估计值,基于风功率估计值可以重新评估被剔除的异常时刻对应的异常历史数据(比如,功率值),从而完成对异常历史数据进行的恢复和重构,得到目标历史数据。
可选地,如果只是简单的对异常历史数据进行剔除,可能会降低预测准确率,在该实施例中,对异常历史数据进行恢复和重构,从而避免了数据剔除过多,导致预测的预测功率数据准确率低的技术问题。
可选地,功率与风速之间基本遵从风机发电机组输出功率公式,风机实际发电量在标准功率曲线附近波动;桨角则可以在一定程度上指示当前风电机组是否处于正常运行状态;风向和温度等指标会通过空气密度间接影响到发电量,相较于功率、风速、桨角影响较小。因此,可以将影响最大的功率、风速、桨角三个因素作为主要特征,同时使用PCA对风向、温度特征进行降维,并将降维后的特征作为辅助特征,可以使用IF算法对历史SCADA数据进行多变量异常检测,得到异常历史数据。需要说明的是,此处获取异常历史数据的方式仅为举例说明,此处不对确定异常历史数据的算法和方式,做具体限制。
功率预测端504,用于基于目标历史数据中目标历史功率数据和目标历史气象数据之间的映射关系,以及能源转换***所处区域在未来时段内的预测气象数据,对能源转换***进行预测,得到能源转换***在未来时段内运行而产生的预测功率数据,其中,预测功率数据与预测气象数据之间满足映射关系。
在该实施例中,功率预测端504可以获取目标历史数据,确定目标历史数据中的目标历史功率数据和目标历史气象数据之间的映射关系,以及能源转换***所处区域在未来时段内的预测气象数据。基于映射关系和预测气象数据,预测得到能源转换***在未来时段内运行而产生的预测功率数据。
作为一种可选的实施方式,该***还可以包括:能源转换***聚类端,用于确定能源转换***所属的聚类结果,其中,聚类结果包括允许信息共享的多个能源转换***;功率预测端用于调用功率预测模型确定目标历史功率数据和目标历史气象数据之间的映射关系,且利用映射关系对多个能源转换***所处区域在未来时段内的目标预测气象数据进行分析,得到多个能源转换***的预测功率数据。
在该实施例中,该***还可以包括能源转换***聚类端,该能源转换***聚类端可以用于确定聚类结果,基于聚类结果,可以确定地理特征和气候条件相似的能源转换***,相似的能源转换***之间可以进行特征共享。
在该实施例中,功率预测端可以调用功率预测模型确定目标历史功率数据和目标历史气象数据之间的映射关系,且利用映射关系对多个能源转换***所处区域在未来时段内的目标预测气象数据进行分析,得到多个能源转换***的预测功率数据。
在该实施例中,通过数据处理端,获取至少一能源转换***的初始历史数据,其中,初始历史数据至少包括能源转换***在历史时段内运行而产生的初始历史功率数据,以及能源转换***所处区域在历史时段内的初始历史气象数据;对初始历史数据进行异常检测,得到处于异常状态的异常历史数据;在初始历史数据中,对异常历史数据进行更新,得到目标历史数据,其中,目标历史数据包括处于正常状态的目标历史功率数据,以及处于正常状态的目标历史气象数据;通过功率预测端,基于目标历史数据中目标历史功率数据和目标历史气象数据之间的映射关系,以及能源转换***所处区域在未来时段内的预测气象数据,对能源转换***进行预测,得到能源转换***在未来时段内运行而产生的预测功率数据,其中,预测功率数据与预测气象数据之间满足映射关系,从而实现了提高能源转换***的功率预测的准确性,解决了能源转换***的功率预测的准确性低的技术问题。
实施例3
近年来,随着绿色能源产业的不断进步和发展,大规模新能源发电逐步并网。风能作为主要的绿色能源,对能源转换***的发电功率进行准确预测具有重要意义,但是,能源转换***的风力发电性能具有很强的不确定性,容易受天气状况、设备、人为因素等多方面的影响,如果只是通过初始历史数据进行预测,难以得到准确的预测功率数据。在这种情况下,为保证后续电力调度、电力现货交易的顺利进行、避免能源浪费和经济损失,准确的风功率预测至关重要。下面以能源转换***为风电场站进行举例说明。
传统机器学习算法强通常依赖于风电场站历史功率数据,但这些数据往往质量不佳,一方面由于部分场站历史功率数据有限,因此,经常出现长时间的数据缺失;另一方面由于受到人为调整、限电、停机等复杂因素影响,历史数据会出现严重失真,很难获得风速与风电场发电功率之间的准确映射。因而,在实践中亟需通过进行数据异常检测与数据清洗以获得高质量风电场历史功率数据,同时基于有限的多厂站历史数据进行准确预测。
在相关技术中,针对风功率的预测,通常是使用常用的机器学习模型对风场进行建模,但是该方法未考虑场站在实际生产中的风场运营问题和风机的机理特性,无法满足准确率要求。且风电场基于历史经验进行的人工发电量估计,无法满足日前多点需求和准确率要求。同时,对单场站单独建模,很容易出现过拟合现象,严重影响预测准确率;在面对新建场站预测问题时,由于历史功率数据有限,无法进行准确预测,存在风电场站的功率预测的准确性低的技术问题。
为解决上述技术问题,该实施例提出了一种基于异常检测的多任务学***衡,从而解决了风电场站的功率预测的准确性低的技术问题,实现了提高风电场站的功率预测的准确性的技术效果。
下面对本申请实施例提出的基于异常检测的多任务学习风功率预测方法进行进一步介绍。
作为一种可选的实施方式,该方法可以包括数据处理模块、风电场站聚类模块和功率预测模块。
在该实施例中,利用数据处理模块进行初始历史数据的异常检测、剔除和数重构,通过数据处理模块可以获得风电场站的高质量的目标历史数据,为后续多场站风功率预测做好数据准备,实现了提高对风电场站的功率预测的准确性的技术效果,解决了对风电场站的功率预测的准确性低的技术问题。
在该实施例中,风电场站聚类模块可以用于引入多场站地理位置信息。功率预测模块可以根据风电场站的目标历史功率数据相似度和多个风电场站中地理位置远近,对多风电场站进行分类。
在该实施例中,功率预测模块可以以PLE多任务学习结构为基础构建得到,可以用于实现多场站之间的特征(也可以称为信息)共享。其中,功率预测模块可以以MAML作为整体训练框架,且将不同风功率分段下的PLE网络作为MAML的子任务,以训练得到在发电场站不同的出力情形下,都能实现精准预测的功率预测基础模型。
作为一种可选的实施方式,数据处理模块可以用于进行数据清洗,以得到高质量的目标历史数据。
在该实施例中,历史SCADA数据可以包括风机的发电功率、风速、桨角、风向、温度等特征。其中,功率与风速之间可以遵从风机发电机组输出功率公式,图6是根据本申请实施例的一种功率与风速的关联关系的示意图,如图6所示,功率与风速之间基本遵从风机发电机组输出功率公式,风机实际发电量在标准功率曲线附近波动;桨角可以在一定程度上指示当前风电机组是否处于正常运行状态;风向和温度等指标会通过空气密度间接影响到发电量,相较于功率、风速、桨角影响较小。因此,可以筛选出影响最大的功率、风速、桨角三个因素作为主要特征,同时使用PCA对风向、温度特征进行降维,将降维后的历史风向数据和降维后的历史温度数据,确定为辅助特征集中的辅助特征,得到辅助特征集。可以使用IF算法对目标特征集和辅助特征集进行多变量异常检测。
可选地,IF算法可以是一种基于树结构的异常检测算法,可以用于通过随机选择特征和分割点的方式,将目标特征集和辅助特征集逐步分割成较小的子集,直到每个子集中只包含一个数据点。每个点经历的分割步数不同,经过越少步骤被分割出来的点,异常得分越高。可以将时间序列中,异常得分高于分数阈值的时刻确定为异常时刻,可以将异常时刻对应的目标特征和辅助特征,确定为异常历史数据。
可选地,上述分割的方式可以为通过二叉树的递归分割完成,比如,可以设定树的数量和每棵树的最大深度,将时间序列作为输入数据,检测出异常时刻,可以将异常时刻对应的目标特征和辅助特征,确定为异常历史数据。其中,目标特征可以包括功率、风速、桨角其中至少之一。辅助特征可以包括一下至少之一:风向、温度进行PCA降维得到的辅助特征。输入数据中多维时间序列的每个时刻作为一个样本,通过IF算法对异常时刻进行剔除,以达到对异常时刻对应的目标特征和辅助特征进行剔除的目的。
在该实施例中,通过异常检测将初始历史数据中的异常点(也即,异常历史数据)剔除后,可以通过机器学***均值(也即,平均历史功率数据)。可以将平均历史功率数据作为风功率估计值,对异常历史数据进行恢复和重构。
可选地,通过异常检测算法,比如,IF算法,可以检测出初始历史数据中的异常时刻,可以剔除异常时刻对应的历史数据,并重新估计被剔除时刻对应的重构历史数据,比如,功率值,从而完成对被剔除的异常数据点的恢复和重构。
可选地,如果只是简单的对异常数据进行剔除,可能会降低最终预测的预测功率数据的准确率,在该实施例中,为避免剔除数据过多,导致预测的预测功率数据的准确率低的问题,对被剔除的异常数据点进行恢复和重构,从而达到减少数据剔除过多导致预测的预测功率数据的准确率低的目的。
作为一种可选的实施方式,场站聚类模块可以用于进行场站分类,可以确定在哪些场站之间进行信息共享。
在该实施例中,需要寻找相似场站。比如,可以通过观察历史数据确定地理位置相近的场站。
可选地,由于相似的地理特征和气候条件,会使得风电场站的发电情况具有高相似性。同时,根据风速-风功率转换公式,可以确定不同风电场站之间的风速-风功率也存在一些相似的映射关系。因此,可以基于位置信息和目标历史功率数据,对多个风电场站进行分类。
可选地,所有风电场站的风速-风功率之间转换都是可以通过风速-风功率转换公式近似表达的,虽然,不同风电场站和不同风机之间,可能在风能转换效率和设备结构等方面有一些差异,但是,仍然可以通过相同的模型来捕捉其共性关系的。
在该实施例中,使用基于DTW时间序列相似度的聚类方法,对目标历史功率数据进行平滑采样处理,通过分解去除目标历史功率数据中的突变和噪声。同时,基于位置信息确定不同风电场站之间的距离,将不同风电场站之间的距离也作为特征,进行场站聚类。得到风电场站所属的聚类结果。基于聚类结果,可以确定同簇内风电场站之间,可以进行后续多任务学习的信息交流和共享的风电场站。需要说明的是,此处仅为举例说明,风电场站的分类方式可以根据实际情况进行选择,此处不做具体限制。
举例而言,可以对各风电场站的目标历史功率数据进行平滑采样处理,计算两两风电场站之间的目标历史功率数据的相似度,构建得到动态时间调整(Dynamic TimeWarping,简称为DTW)的距离矩阵。使用风电场站的位置信息中的经纬度、海拔数据,计算两两场站之间的欧式距离,构建得到地理距离矩阵。通过高斯核(Gaussian kernel)对DTW距离矩阵和地理距离矩阵进行矩阵归一化,以达到减少计算量,优化计算时间的目的,DTW距离矩阵和地理距离矩阵相加构成表达矩阵相似度关系的互信息矩阵,基于互信息矩阵可以确定不同风电场站之间的相似度。可以对互信息矩阵进行K值聚类(K-means),得到风电场站所属的聚类结果。其中,聚类结果可以包含多个划分为不同簇的风电场站。通过上述方式,完成对多个场站的分类过程,得到聚类结果,基于聚类结果,确定可以进行信息共享的风电场站。
作为一种可选的实施方式,可以训练在不同风功率区间下平衡满足预定条件的多任务基础功率预测模型(也即,多任务元学习模块)。
在该实施例中,MAML的基础模型可以采用多场站多任务学习结构。
可选地,每个风电场站对应一个任务,多个风电场站对应的专家网络模型属于同层网络。分别获取不同风电场站的目标历史功率数据、目标历史气象数据和目标预测气象数据。分别调用每个风电场对应的专家网络模型,提取每个任务对应的特征,得到每个风电场站的目标历史功率数据中的特征、目标历史气象数据中的特征和目标预测气象数据中的特征。同时通过共享专家网络实现同层网络不同任务之间的信息共享。每个任务分支都可以分配有每个任务专用的门控网络,给出不同专家网络模型所占的权重,调用为每个任务设计专用的tower网络,使网络能够同时兼顾到不同任务之间的共性和差异,通过tower网络可以分析描述和分析各个特征之间的关系,tower网络可以将提取出来的特征确定为网络中的节点,特征之间的关系确定为网络中的边,通过分析特征之间的关系,可以更好的确定映射关系,且可以利用映射关系和共享特征,对目标预测气象数据中的特征进行分析,得到多个风电场站的预测功率数据。
可选地,不同专家网络模型所占的权重不是预先设定的,每一个门控网络是一个激活层(比如,softmax层),softmax层的输出可以代表该专家网络模型所占权重,该权重可以通过网络训练学习得到。
可选地,PLE多任务结构的基础结构可以使用时间卷积网络,可以用于捕捉一定时间区域内的时间特征。
在该实施例中,过对多任务元学习框架进行学习和训练,以得到功率预测模型,其中,功率预测模型可以包含训练好的任务处理网络模型、共享专家网络模型和专家网络模型。多任务元学习框架可以包括离线和在线学习两个阶段。在离线学习阶段,可以通过内环和外环更新来训练基础元模型(也即,初始专家网络模型、初始共享专家网络模型和初始任务处理网络模型),可以通过内循环和外循环进行两次参数更新,不同的MAML子任务可以共享一套网络参数。在线学习阶段,可以将基础元模型用于增量学习,在不同区域进行针对性微调。
可选地,内循环和外循环可以用于对PLE的参数进行优化和更新,也即,可以用于对PLE包含的初始专家网络模型、初始共享专家网络模型和初始任务处理网络模型的模型参数进行优化和更新。上述外循环可以为根据不同风速区间划分的多个任务,也即,外循环指的是从不同气象数据区间样本中,获取多个当前气象数据区间样本,以及当前气象数据区间样本对应的功率数据样本,利用获取到的区间样本依次对风电场站对应的初始专家网络模型、初始共享专家网络模型和初始任务处理网络模型进行训练的过程。内循环是指使用PLE结构对多个风电场站进行预测,每个风电场站为一个任务;不同的外循环任务共享一套PLE网络参数。内循环每一次参数更新是为了优化指定风速区间任务;外循环是为了优化平衡不同风速区间,找到多个外循环任务平衡点。
可选地,训练好的模型的使用:输入为同簇所有场站需预测时段的数值天气预报,包含不同高度风速、温度、降雨、辐照等气象特征,同簇场站通过场站聚类模块中的聚类算法确定。将数值天气预报输入到已训练好的PLE模型(也即,功率预测模型)中,即可得到同簇内的所有风电场站的预测功率值。
举例而言,图7是根据本申请实施例的一种模型训练的示意图,如图7所示,可以获取不同气象数据区间样本,将不同气象数据区间样本作为训练数据701(Sup set 1),将不同气象数据区间样本中的低风速区间数据作为训练数据702(Sup set 2),将不同气象数据区间样本中的高风速区间数据作为训练数据703(Sup set 3)。利用训练数据701对PLE结构704进行训练,并利用测试数据705(Qry set 1)对PLE结构704的输出进行评价,得到内循环任务的损失函数706(loss)。利用训练数据702对PLE结构707进行训练,并利用测试数据708(Qry set 1)对PLE结构707的输出进行评价,得到内循环任务的损失函数709(loss)。利用训练数据703对PLE结构710进行训练,并利用测试数据711(Qry set 1)对PLE结构710的输出进行评价,得到内循环任务的损失函数712(loss)。可选地,内循环任务中通过梯度下降对PLE结构进行内循环的优化和参数更新,各任务内循环并行进行。
举例而言,如图7所示,外循环在批处理大小(batch size)个内循环完成后执行。多个内循环任务相加获得外循环的总loss,在外循环中再通过梯度下降对PLE进行外循环的优化和参数更新。
在该实施例中,通过PLE结构来学***衡在不同天气情况下的表现。其中,MAML的结构主要包括内部循环和外部循环两个组件。内部循环(可以简称为内循环)可以用于表征在每个任务上进行少量的梯度更新,以使模型能够快速适应该任务。外部循环则是指在多个任务之间进行参数更新,以使模型能够在不同任务之间泛化。
可选地,该实施例未对PLE结构进行修改,而是将PLE作为基础模型,通过MAML(模型无关的元学习)方法对PLE模型进行优化和训练,以得到最终的功率预测模型。
可选地,能源转换***以风电场站为例,图8是根据本申请实施例的一种PLE结构的示意图,如图8所示,获取输入数据801,其中,输入数据可以包括风电场站802的目标历史功率数据、目标历史气象数据和目标预测气象数据,以及风电场站803的目标历史功率数据、目标历史气象数据和目标预测气象数据。专家网络模型804为针对风电场站802独有的专家网络,专家网络模型805为针对风电场站803独有的专家网络,可以调用专家网络模型804和专家网络模型805提取目标历史功率数据中的特征、目标历史气象数据中的特征,以及目标预测气象数据中的特征。共享专家网络模型806可以为不同任务之间共享的专家网络。通过共享专家网络可以实现同层网络不同任务之间的信息共享。
可选地,不同的底部(bottom)结构,对不同风电场站的输入数据进行处理。
可选地,如图8所示,PLE结构具有多层bottom结构,上层任务独有专家网络通过下层任务独有专家网络和共享专家网络确定,上层共享专家网络通过下层全部任务独有专家网络和共享专家网络确定,从而通过共享专家网络实现信息的共享,比如,专家网络模型807、专家网络模型809和共享专家网络808分别都是基于下层全部任务独有专家网络和共享专家网络确定。
可选地,每个任务分支都分配有每个任务专用的门控网络(extractionnetwork),用于确定不同专家网模型络所占权重;最后,再为每个任务设计专用的tower网络,比如,图8中用于预测风电场站802的预测功率数据的tower网络810,以及用于预测风电场站803的预测功率数据的tower网络811。
可选地,通过聚类处理,确定需要预测的风电场站的数量,得到多个风电场站的预测功率数据,比如,图8中的输出数据812(Output A)和输出数据813(Output B)。
在该实施例中,使用了多种风电场站数据,包括多场站SCADA数据、历史功率数据以及场站AGC运营情况数据,同时结合数值天气预报,完成从数据异常检测、数据清洗,到风功率预测的完整过程。该实施例对场站停机、限电等时段进行异常检测,剔除设备故障、人为因素等的影响,从而使得模型能更准确的捕捉天气和风功率之间的关系。
在该实施例中,可以使用相似区域内多风电场站的历史功率数据进行基于多任务学习的功率预测,通过学习多个风电场站间的相互信息得到更加鲁棒的预测结果,同时也能提高对缺乏历史数据的新建场站的预测准确率,从而实现了提高能源转换***的功率预测的准确性的技术效果,解决了能源转换***的功率预测的准确性低的技术问题。
本申请实施例1所提供的方法实施例还可以在移动终端、计算机终端或者类似的运算装置中执行。图9是根据本申请实施例的一种能源转换***的功率预测方法的计算机终端(或移动设备)的硬件结构框图,如图9所示,计算机终端90(或移动设备)可以包括一个或多个(图中采用902a、902b,……,902n来示出)处理器902(处理器902可以包括但不限于微处理器(Microcontroller Unit,简称为MCU)或可编程逻辑器件(Field ProgrammableGate Array,简称为FPGA)等的处理装置)、用于存储数据的存储器904、以及用于通信功能的传输装置906。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(Universal Serial Bus,简称为USB)端口(可以作为BUS总线的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图9所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算机终端90还可包括比图9中所示更多或者更少的组件,或者具有与图9所示不同的配置。
图9示出的硬件结构框图,不仅可以作为上述计算机终端90(或移动设备)的示例性框图,还可以作为上述服务器的示例性框图。
存储器904可用于存储应用软件的软件程序以及模块,如本申请实施例中的数据的处理方法对应的程序指令/数据存储装置,处理器通过运行存储在存储器904内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的数据的处理方法。存储器904可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器904可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端90。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置906用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端90的通信供应商提供的无线网络。在一个实例中,传输装置906包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置906可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器((Liquid Crystal Display,简称为LCD),该液晶显示器可使得用户能够与计算机终端90(或移动设备)的用户界面进行交互。
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,并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准,并提供有相应的操作入口,供用户选择授权或者拒绝。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例的方法。
实施例4
根据本申请实施例,还提供了一种用于实施上述图2所示的能源转换***的功率预测方法的能源转换***的功率预测装置。
图10是根据本申请实施例的一种能源转换***的功率预测装置的示意图,如图10所示,该能源转换***的功率预测装置1000可以包括:第一获取单元1002、第一检测单元1004、第一更新单元1006和第一预测单元1008。
第一获取单元1002,用于获取至少一能源转换***的初始历史数据,其中,初始历史数据至少包括能源转换***在历史时段内运行而产生的初始历史功率数据,以及能源转换***所处区域在历史时段内的初始历史气象数据。
第一检测单元1004,用于对初始历史数据进行异常检测,得到处于异常状态的异常历史数据;
第一更新单元1006,用于在初始历史数据中,对异常历史数据进行更新,得到目标历史数据,其中,目标历史数据包括处于正常状态的目标历史功率数据,以及处于正常状态的目标历史气象数据。
第一预测单元1008,用于基于目标历史数据中目标历史功率数据和目标历史气象数据之间的映射关系,以及能源转换***所处区域在未来时段内的预测气象数据,对能源转换***进行预测,得到能源转换***在未来时段内运行而产生的预测功率数据,其中,预测功率数据与预测气象数据之间满足映射关系。
此处上述第一获取单元1002、第一检测单元1004、第一更新单元1006和第一预测单元1008对应于实施例1中的步骤S202至步骤S208,四个单元与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述单元可以是存储在存储器(例如,存储器904)中并由一个或多个处理器(例如,处理器902a,902b……,902n)处理的硬件组件或软件组件,上述单元也可以作为装置的一部分可以运行在实施例3提供的计算机终端90中。
根据本申请实施例,还提供了一种用于实施上述图3所示的能源转换***的功率预测方法的能源转换***的功率预测装置。
图11是根据本申请实施例的一种风电场站的功率预测装置的示意图,如图11所示,该风电场站的功率预测装置1100可以包括:第二获取单元1102、第二检测单元1104、第二更新单元1106、第二预测单元1108和下发单元1110。
第二获取单元1102,用于从信息监测平台获取至少一风电场站的初始历史数据,其中,初始历史数据至少包括风电场站在历史时段内运行而产生的初始历史功率数据,以及风电场站所处区域在历史时段内的初始历史气象数据。
第二检测单元1104,用于对初始历史数据进行异常检测,得到处于异常状态的异常历史数据。
第二更新单元1106,用于在初始历史数据中,对异常历史数据进行更新,得到目标历史数据,其中,目标历史数据包括处于正常状态的目标历史功率数据,以及处于正常状态的目标历史气象数据。
第二预测单元1108,用于基于目标历史数据中目标历史功率数据和目标历史气象数据之间的映射关系,以及风电场站所处区域在未来时段内的预测气象数据,对风电场站进行预测,得到风电场站在未来时段内运行而产生的预测功率数据,其中,预测功率数据与预测气象数据之间满足映射关系。
下发单元1110,用于将预测功率数据下发至信息监测平台进行显示。
此处需要说明的是,上述第二获取单元1102、第二检测单元1104、第二更新单元1106、第二预测单元1108和下发单元1110对应于实施例1中的步骤S302至步骤S310,五个单元与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述单元可以是存储在存储器(例如,存储器904)中并由一个或多个处理器(例如,处理器902a,902b……,902n)处理的硬件组件或软件组件,上述单元也可以作为装置的一部分可以运行在实施例3提供的计算机终端90中。
根据本申请实施例,还提供了另一种用于实施上述图4所示的能源转换***的功率预测方法的能源转换***的功率预测装置。
图12是根据本申请实施例的另一种能源转换***的功率预测装置的示意图,如图12所示,该能源转换***的功率预测装置1200可以包括:监测单元1202、第三检测单元1204、第三更新单元1206、第三预测单元1208和输出单元1210。
监测单元1202,用于通过调用第一接口监测至少一能源转换***的初始历史数据,其中,第一接口包括第一参数,第一参数的参数值为初始历史数据,初始历史数据至少包括能源转换***在历史时段内运行而产生的初始历史功率数据,以及能源转换***所处区域在历史时段内的初始历史气象数据。
第三检测单元1204,用于对初始历史数据进行异常检测,得到处于异常状态的异常历史数据。
第三更新单元1206,用于在初始历史数据中,对异常历史数据进行更新,得到目标历史数据,其中,目标历史数据包括处于正常状态的目标历史功率数据,以及处于正常状态的目标历史气象数据。
第三预测单元1208,用于基于目标历史数据中目标历史功率数据和目标历史气象数据之间的映射关系,以及能源转换***所处区域在未来时段内的预测气象数据,对能源转换***进行预测,得到能源转换***在未来时段内运行而产生的预测功率数据,其中,预测功率数据与预测气象数据之间满足映射关系。
输出单元1210,用于通过调用第二接口输出预测功率数据,其中,第二接口包括第二参数,第二参数的参数值为预测功率数据。
此处需要说明的是,上述监测单元1202、第三检测单元1204、第三更新单元1206、第三预测单元1208和输出单元1210对应于实施例1中的步骤S402至步骤S410,五个单元与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述单元可以是存储在存储器(例如,存储器904)中并由一个或多个处理器(例如,处理器902a,902b……,902n)处理的硬件组件或软件组件,上述单元也可以作为装置的一部分可以运行在实施例3提供的计算机终端90中。
在该实施例的能源转换***的功率预测装置中,通过对初始历史数据进行数据异常检测,得到异常历史数据,且对异常历史数据进行更新,比如,通过清洗、重构等方式,以获得目标历史数据(可以为高质量能源转换***历史数据),从而基于目标历史数据,实现功率预测,剔除设备故障、人为因素等的影响,进而实现了提高能源转换***的功率预测的准确性,解决了能源转换***的功率预测的准确性低的技术问题。
实施例5
本申请的实施例可以提供一种电子设备,该电子设备可以是电子设备群中的任意一个电子设备。可选地,在本实施例中,上述电子设备也可以替换为移动终端等终端设备。
可选地,在本实施例中,上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。
在本实施例中,上述电子设备可以执行方法中的程序代码。
可选地,图13是根据本申请实施例的一种电子设备的结构框图。如图13所示,该电子设备A可以包括:一个或多个(图中仅示出一个)处理器1302、存储器1304、存储控制器、以及外设接口,其中,外设接口与射频模块、音频模块和显示器连接。
其中,存储器可用于存储软件程序以及模块,如本申请实施例中的方法和装置对应的程序指令/模块,处理器通过运行存储在存储器内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述实施例中的方法。存储器可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至终端A。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输装置调用存储器存储的信息及应用程序,以执行下述步骤:获取至少一能源转换***的初始历史数据,其中,初始历史数据至少包括能源转换***在历史时段内运行而产生的初始历史功率数据,以及能源转换***所处区域在历史时段内的初始历史气象数据;对初始历史数据进行异常检测,得到处于异常状态的异常历史数据;在初始历史数据中,对异常历史数据进行更新,得到目标历史数据,其中,目标历史数据包括处于正常状态的目标历史功率数据,以及处于正常状态的目标历史气象数据;基于目标历史数据中目标历史功率数据和目标历史气象数据之间的映射关系,以及能源转换***所处区域在未来时段内的预测气象数据,对能源转换***进行预测,得到能源转换***在未来时段内运行而产生的预测功率数据,其中,预测功率数据与预测气象数据之间满足映射关系。
可选地,上述处理器还可以执行如下步骤的程序代码:从所述初始历史数据中,识别出目标特征集和辅助特征集,其中,所述目标特征集对预测所述预测功率数据的重要程度,高于所述辅助特征集对预测所述预测功率数据的重要程度;对所述目标特征集和所述辅助特征集进行异常检测,得到所述异常历史数据。
可选地,上述处理器还可以执行如下步骤的程序代码:至少将初始历史数据中初始历史功率数据,确定为目标特征集中的目标特征,得到目标特征集获取预设标注数据,其中,预设标注数据包含样本图像和标注数据;利用预训练模型对样本图像中的样本对象进行文本生成,得到样本文本,其中,样本文本用于对样本文本的属性进行描述;基于预设标注数据和样本文本,构建训练样本。
可选地,上述处理器还可以执行如下步骤的程序代码:将初始历史功率数据、历史桨角数据和历史风速数据,确定为目标特征集中的目标特征,得到目标特征集基于标注数据对样本图像进行裁剪,得到样本对象的对象图像;将对象图像输入至预训练模型,获取预训练模型输出的样本文本。
可选地,上述处理器还可以执行如下步骤的程序代码:输出样本文本;接收对样本文本进行调整所得到的调整文本;基于预设标注数据和调整文本,构建训练样本分别对初始历史气象数据中历史风向数据和历史温度数据,进行降维处理;将降维后的历史风向数据和降维后的历史温度数据,确定为辅助特征集中的辅助特征,得到辅助特征集。
可选地,上述处理器还可以执行如下步骤的程序代码:获取与区域图像关联的第二文本,其中,第二文本记载了用于指示对基于第一监测结果对至少一个移动对象中的第二移动对象进行监测的监测信息;利用目标监测模型,执行基于第一文本、第一监测结果和第二文本对区域图像进行监测,得到第二监测结果,其中,第二监测结果至少包括第二移动对象的属性,以及第二移动对象在区域图像中的位置确定目标特征集和辅助特征集对应的时间序列,其中,时间序列包括目标特征集中目标特征对应的时刻和辅助特征集中辅助特征对应的时刻;利用目标特征集和辅助特征集,从时间序列中检测出异常时刻;将异常时刻对应的目标特征和辅助特征,确定为异常历史数据。
可选地,上述处理器还可以执行如下步骤的程序代码:对第一文本、第一监测结果和第二文本进行汇总,生成目标文本;利用目标监测模型,执行基于目标文本对区域图像进行目标监测,得到第二监测结果从初始历史数据中,删除异常时刻对应的异常历史数据;基于删除后的初始历史数据,重构能源转换***在异常时刻对应的历史数据,得到异常时刻对应的重构历史数据,其中,重构历史数据处于正常状态;将删除后的初始历史数据和异常时刻对应的重构历史数据,确定为目标历史数据。
可选地,上述处理器还可以执行如下步骤的程序代码:确定删除后的初始历史数据中历史风速数据所处的风速数据区间;确定删除后的初始历史数据中,与风速数据区间对应的初始历史功率数据的平均历史功率数据;将平均历史功率数据,确定为重构历史数据。
可选地,上述处理器还可以执行如下步骤的程序代码:确定能源转换***所属的聚类结果,其中,聚类结果包括允许信息共享的多个能源转换***;获取多个能源转换***所处区域在未来时段内的目标预测气象数据;基于目标历史数据中目标历史功率数据和目标历史气象数据之间的映射关系,以及能源转换***所处区域在未来时段内的预测气象数据,对能源转换***进行预测,得到能源转换***在未来时段内运行而产生的预测功率数据,包括:调用功率预测模型确定目标历史功率数据和目标历史气象数据之间的映射关系,且利用映射关系对目标预测气象数据进行分析,得到多个能源转换***的预测功率数据目标监测模型为大模型。
可选地,上述处理器还可以执行如下步骤的程序代码:至少基于多个能源转换***的目标历史数据,对多个能源转换***进行聚类处理,得到能源转换***所属的聚类结果。
可选地,上述处理器还可以执行如下步骤的程序代码:获取多个能源转换***所处目标区域内的不同能源转换***的位置信息;基于不同能源转换***的位置信息,以及不同能源转换***对应的目标历史数据中的目标历史功率数据,确定不同能源转换***之间的相似度;对不同能源转换***之间的相似度进行聚类处理,得到能源转换***所属的聚类结果,其中,聚类结果中的多个能源转换***之间的相似度大于相似度阈值。
可选地,上述处理器还可以执行如下步骤的程序代码:调用功率预测模型中与能源转换***对应的专家网络模型,提取目标历史功率数据中的特征、目标历史气象数据中的特征,以及目标预测气象数据中的特征;调用功率预测模型中多个能源转换***对应的共享专家网络模型,获取多个能源转换***之间的共享特征,其中,共享特征用于表示多个能源转换***的相同属性;调用功率预测模型中与能源转换***对应的任务处理网络模型,确定目标历史功率数据中的特征与目标历史气象数据中的特征之间的映射关系,且利用映射关系和共享特征,对目标预测气象数据中的特征进行分析,得到多个能源转换***的预测功率数据。
可选地,上述处理器还可以执行如下步骤的程序代码:获取步骤,从不同气象数据区间样本中,获取当前气象数据区间样本,以及当前气象数据区间样本对应的功率数据样本;训练步骤,利用当前气象数据区间样本和对应的功率数据样本,对能源转换***对应的初始专家网络模型、初始共享专家网络模型和初始任务处理网络模型进行训练;第一确定步骤,如果不同气象数据区间样本存在当前气象数据区间样本的下一气象数据区间样本,则将下一气象数据区间样本,确定为当前气象数据区间样本,将训练后的初始专家网络模型确定为初始专家网络模型,将训练后的初始共享专家网络模型确定为初始共享专家网络模型,将训练后的初始任务处理网络模型确定为初始任务处理网络模型,返回执行训练步骤,直至当前气象数据区间样本为不同气象数据区间样本的最后一气象数据区间样本,执行第二确定步骤;第二确定步骤,将训练后的初始专家网络模型,确定为能源转换***对应的专家网络模型,将训练后的初始共享专家网络模型,确定为多个能源转换***对应的共享专家网络模型,且将训练后的初始任务处理网络模型,确定为能源转换***对应的任务处理网络模型。
可选地,上述处理器还可以执行如下步骤的程序代码:对专家网络模型进行增量学习;对共享专家网络模型进行增量学习;对任务处理网络模型进行增量学习。
在本申请实施例中,通过对初始历史数据进行数据异常检测,得到异常历史数据,且对异常历史数据进行更新,比如,通过清洗、重构等方式,以获得目标历史数据(可以为高质量能源转换***历史数据),从而基于目标历史数据,实现功率预测,剔除设备故障、人为因素等的影响,进而实现了提高能源转换***的功率预测的准确性,解决了能源转换***的功率预测的准确性低的技术问题。
本领域普通技术人员可以理解,如图所示的结构仅为示意,电子设备也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(MobileInternet Devices,简称为MID)等终端设备。该图其并不对上述电子装置的结构造成限定。例如,电子设备A还可包括比该图中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与该图所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取器(Random Access Memory,简称为RAM)、磁盘或光盘等。
实施例6
本申请的实施例还提供了一种计算机可读存储介质。可选地,在本实施例中,上述计算机可读存储介质包括存储的可执行程序,其中,在可执行程序运行时,控制存储介质所在设备执行上述实施例一所提供的能源转换***的功率预测方法所执行的程序代码,具体执行过程如前述所示,在此不再赘述。
可选地,在本实施例中,上述计算机可读存储介质可以位于计算机网络中电子设备群中的任意一个电子设备中,或者位于移动终端群中的任意一个移动终端中。
实施例7
本申请的实施例还提供了一种计算机程序产品。可选地,在本实施例中,上述计算机程序产品可以包括计算机程序,上述计算机程序在被处理器执行时实现上述实施例所提供的方法。
实施例8
本申请的实施例还提供了一种计算机程序产品。可选地,上述计算机程序产品可以包括非易失性计算机可读存储介质,上述非易失性计算机可读存储介质可以用于存储计算机程序,上述计算机程序被处理器执行时实现上述实施例所提供的方法。
实施例9
本申请的实施例还提供了一种计算机程序。可选地,在本实施例中,上述计算机程序被处理器执行时实现上述实施例所提供的方法。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,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单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理。
Claims (18)
1.一种能源转换***的功率预测方法,其特征在于,包括:
获取至少一能源转换***的初始历史数据,其中,所述初始历史数据至少包括所述能源转换***在历史时段内运行而产生的初始历史功率数据,以及所述能源转换***所处区域在所述历史时段内的初始历史气象数据;
对所述初始历史数据进行异常检测,得到处于异常状态的异常历史数据;
在所述初始历史数据中,对所述异常历史数据进行更新,得到目标历史数据,其中,所述目标历史数据包括处于正常状态的目标历史功率数据,以及处于所述正常状态的目标历史气象数据;
基于所述目标历史数据中所述目标历史功率数据和所述目标历史气象数据之间的映射关系,以及所述能源转换***所处区域在未来时段内的预测气象数据,对所述能源转换***进行预测,得到所述能源转换***在所述未来时段内运行而产生的预测功率数据,其中,所述预测功率数据与所述预测气象数据之间满足所述映射关系。
2.根据权利要求1所述的方法,其特征在于,对所述初始历史数据进行异常检测,得到处于异常状态的异常历史数据,包括:
从所述初始历史数据中,识别出目标特征集和辅助特征集,其中,所述目标特征集对预测得到的所述预测功率数据的重要程度,高于所述辅助特征集对预测得到的所述预测功率数据的重要程度;
对所述目标特征集和所述辅助特征集进行异常检测,得到所述异常历史数据。
3.根据权利要求2所述的方法,其特征在于,从所述初始历史数据中,识别出所述目标特征集,包括:
至少将所述初始历史数据中所述初始历史功率数据,确定为所述目标特征集中的目标特征,得到所述目标特征集。
4.根据权利要求3所述的方法,其特征在于,所述初始历史数据还包括所述能源转换***在所述历史时段内运行而产生的历史桨角数据,所述初始历史气象数据包括历史风速数据,其中,至少将所述初始历史数据中所述初始历史功率数据,确定为所述目标特征集,包括:
将所述初始历史功率数据、所述历史桨角数据和所述历史风速数据,确定为所述目标特征集中的目标特征,得到所述目标特征集。
5.根据权利要求2所述的方法,其特征在于,所述初始历史气象数据包括历史风向数据和历史温度数据,其中,从所述初始历史数据中,识别出辅助特征集,包括:
分别对所述初始历史气象数据中所述历史风向数据和所述历史温度数据,进行降维处理;
将降维后的所述历史风向数据和降维后的所述历史温度数据,确定为所述辅助特征集中的辅助特征,得到所述辅助特征集。
6.根据权利要求2所述的方法,其特征在于,对所述目标特征集和所述辅助特征集进行异常检测,得到所述异常历史数据,包括:
确定所述目标特征集和所述辅助特征集对应的时间序列,其中,所述时间序列包括所述目标特征集中目标特征对应的时刻和所述辅助特征集中辅助特征对应的时刻;
利用所述目标特征集和所述辅助特征集,从所述时间序列中检测出异常时刻;
将所述异常时刻对应的所述目标特征和所述辅助特征,确定为所述异常历史数据。
7.根据权利要求6所述的方法,其特征在于,在所述初始历史数据中,对所述异常历史数据进行更新,得到目标历史数据,包括:
从所述初始历史数据中,删除所述异常时刻对应的所述异常历史数据;
基于删除后的所述初始历史数据,重构所述能源转换***在所述异常时刻对应的历史数据,得到所述异常时刻对应的重构历史数据,其中,所述重构历史数据处于正常状态;
将删除后的所述初始历史数据和所述异常时刻对应的所述重构历史数据,确定为所述目标历史数据。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
确定所述能源转换***所属的聚类结果,其中,所述聚类结果包括允许信息共享的多个能源转换***;
获取所述多个能源转换***所处区域在所述未来时段内的目标预测气象数据;
基于所述目标历史数据中所述目标历史功率数据和所述目标历史气象数据之间的映射关系,以及所述能源转换***所处区域在未来时段内的预测气象数据,对所述能源转换***进行预测,得到所述能源转换***在所述未来时段内运行而产生的预测功率数据,包括:调用功率预测模型确定所述目标历史功率数据和所述目标历史气象数据之间的所述映射关系,且利用所述映射关系对所述目标预测气象数据进行分析,得到所述多个能源转换***的所述预测功率数据。
9.根据权利要求8所述的方法,其特征在于,确定所述能源转换***所属的聚类结果,包括:
至少基于所述多个能源转换***的所述目标历史数据,对所述多个能源转换***进行聚类处理,得到所述能源转换***所属的所述聚类结果。
10.根据权利要求8所述的方法,其特征在于,调用功率预测模型确定所述目标历史功率数据和所述目标历史气象数据之间的所述映射关系,且利用所述映射关系对所述目标预测气象数据进行分析,得到所述多个能源转换***的所述预测功率数据,包括:
调用所述功率预测模型中与所述能源转换***对应的专家网络模型,提取所述目标历史功率数据中的特征、所述目标历史气象数据中的特征,以及所述目标预测气象数据中的特征;
调用所述功率预测模型中所述多个能源转换***对应的共享专家网络模型,获取所述多个能源转换***之间的共享特征,其中,所述共享特征用于表示所述多个能源转换***的相同属性;
调用所述功率预测模型中与所述能源转换***对应的任务处理网络模型,确定所述目标历史功率数据中的特征与所述目标历史气象数据中的特征之间的所述映射关系,且利用所述映射关系和所述共享特征,对所述目标预测气象数据中的特征进行分析,得到所述多个能源转换***的所述预测功率数据。
11.根据权利要求10所述的方法,其特征在于,所述方法还包括:
获取步骤,从不同气象数据区间样本中,获取当前气象数据区间样本,以及所述当前气象数据区间样本对应的功率数据样本;
训练步骤,利用所述当前气象数据区间样本和对应的所述功率数据样本,对所述能源转换***对应的初始专家网络模型、初始共享专家网络模型和初始任务处理网络模型进行训练;
第一确定步骤,如果所述不同气象数据区间样本存在所述当前气象数据区间样本的下一气象数据区间样本,则将所述下一气象数据区间样本,确定为所述当前气象数据区间样本,将训练后的所述初始专家网络模型确定为所述初始专家网络模型,将训练后的所述初始共享专家网络模型确定为所述初始共享专家网络模型,将训练后的所述初始任务处理网络模型确定为所述初始任务处理网络模型,返回执行所述训练步骤,直至所述当前气象数据区间样本为所述不同气象数据区间样本的最后一气象数据区间样本,执行第二确定步骤;
所述第二确定步骤,将训练后的所述初始专家网络模型,确定为所述能源转换***对应的所述专家网络模型,将训练后的所述初始共享专家网络模型,确定为所述多个能源转换***对应的所述共享专家网络模型,且将训练后的所述初始任务处理网络模型,确定为所述能源转换***对应的所述任务处理网络模型。
12.一种风电场站的功率预测方法,其特征在于,包括:
从信息监测平台获取至少一风电场站的初始历史数据,其中,所述初始历史数据至少包括所述风电场站在历史时段内运行而产生的初始历史功率数据,以及所述风电场站所处区域在所述历史时段内的初始历史气象数据;
对所述初始历史数据进行异常检测,得到处于异常状态的异常历史数据;
在所述初始历史数据中,对所述异常历史数据进行更新,得到目标历史数据,其中,所述目标历史数据包括处于正常状态的目标历史功率数据,以及处于所述正常状态的目标历史气象数据;
基于所述目标历史数据中所述目标历史功率数据和所述目标历史气象数据之间的映射关系,以及所述风电场站所处区域在未来时段内的预测气象数据,对所述风电场站进行预测,得到所述风电场站在所述未来时段内运行而产生的预测功率数据,其中,所述预测功率数据与所述预测气象数据之间满足所述映射关系;
将所述预测功率数据下发至所述信息监测平台进行显示。
13.一种能源转换***的功率预测方法,其特征在于,包括:
通过调用第一接口监测至少一能源转换***的初始历史数据,其中,所述第一接口包括第一参数,所述第一参数的参数值为所述初始历史数据,所述初始历史数据至少包括所述能源转换***在历史时段内运行而产生的初始历史功率数据,以及所述能源转换***所处区域在所述历史时段内的初始历史气象数据;
对所述初始历史数据进行异常检测,得到处于异常状态的异常历史数据;
在所述初始历史数据中,对所述异常历史数据进行更新,得到目标历史数据,其中,所述目标历史数据包括处于正常状态的目标历史功率数据,以及处于所述正常状态的目标历史气象数据;
基于所述目标历史数据中所述目标历史功率数据和所述目标历史气象数据之间的映射关系,以及所述能源转换***所处区域在未来时段内的预测气象数据,对所述能源转换***进行预测,得到所述能源转换***在所述未来时段内运行而产生的预测功率数据,其中,所述预测功率数据与所述预测气象数据之间满足所述映射关系;
通过调用第二接口输出所述预测功率数据,其中,所述第二接口包括第二参数,所述第二参数的参数值为所述预测功率数据。
14.一种能源转换***的功率预测***,其特征在于,包括:
数据处理端,用于获取至少一能源转换***的初始历史数据,其中,所述初始历史数据至少包括所述能源转换***在历史时段内运行而产生的初始历史功率数据,以及所述能源转换***所处区域在所述历史时段内的初始历史气象数据;对所述初始历史数据进行异常检测,得到处于异常状态的异常历史数据;在所述初始历史数据中,对所述异常历史数据进行更新,得到目标历史数据,其中,所述目标历史数据包括处于正常状态的目标历史功率数据,以及处于所述正常状态的目标历史气象数据;
功率预测端,用于基于所述目标历史数据中所述目标历史功率数据和所述目标历史气象数据之间的映射关系,以及所述能源转换***所处区域在未来时段内的预测气象数据,对所述能源转换***进行预测,得到所述能源转换***在所述未来时段内运行而产生的预测功率数据,其中,所述预测功率数据与所述预测气象数据之间满足所述映射关系。
15.根据权利要求14所述的***,其特征在于,所述***还包括:
能源转换***聚类端,用于确定所述能源转换***所属的聚类结果,其中,所述聚类结果包括允许信息共享的多个能源转换***;
所述功率预测端用于调用功率预测模型确定所述目标历史功率数据和所述目标历史气象数据之间的所述映射关系,且利用所述映射关系对所述多个能源转换***所处区域在所述未来时段内的目标预测气象数据进行分析,得到所述多个能源转换***的所述预测功率数据。
16.一种电子设备,其特征在于,包括:
存储器,存储有可执行程序;
处理器,用于运行所述程序,其中,所述程序运行时执行权利要求1至13中任意一项所述的方法。
17.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的可执行程序,其中,在所述可执行程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至13中任意一项所述的方法。
18.一种计算机程序产品,其特征在于,包括计算机程序,所述计算机程序在被处理器执行时实现权利要求1至13中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410484248.3A CN118100171A (zh) | 2024-04-19 | 2024-04-19 | 能源转换***的功率预测方法、***和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410484248.3A CN118100171A (zh) | 2024-04-19 | 2024-04-19 | 能源转换***的功率预测方法、***和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118100171A true CN118100171A (zh) | 2024-05-28 |
Family
ID=91155322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410484248.3A Pending CN118100171A (zh) | 2024-04-19 | 2024-04-19 | 能源转换***的功率预测方法、***和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118100171A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245805A (zh) * | 2019-06-21 | 2019-09-17 | 内蒙古电力(集团)有限责任公司培训中心 | 一种风功率的预测方法、装置及电子设备 |
CN115115137A (zh) * | 2022-07-26 | 2022-09-27 | 国能日新科技股份有限公司 | 基于匹配统计子波的光伏功率预测方法及装置 |
CN117410961A (zh) * | 2023-09-21 | 2024-01-16 | 华润新能源投资有限公司山东分公司 | 风功率预测方法、装置、设备及存储介质 |
CN117477551A (zh) * | 2023-11-06 | 2024-01-30 | 深圳市峰和数智科技有限公司 | 基于领域知识嵌入模型的光伏发电功率预测方法及*** |
WO2024031449A1 (zh) * | 2022-08-10 | 2024-02-15 | 四川中电启明星信息技术有限公司 | 一种基于网格聚类的峡谷风电短期功率预测方法 |
CN117613883A (zh) * | 2023-11-27 | 2024-02-27 | 正泰集团研发中心(上海)有限公司 | 发电功率预测方法、装置、计算机设备及存储介质 |
WO2024046137A1 (zh) * | 2022-08-31 | 2024-03-07 | 中国长江三峡集团有限公司 | 一种多能源联合发电***的功率预测模型构建及预测方法 |
-
2024
- 2024-04-19 CN CN202410484248.3A patent/CN118100171A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245805A (zh) * | 2019-06-21 | 2019-09-17 | 内蒙古电力(集团)有限责任公司培训中心 | 一种风功率的预测方法、装置及电子设备 |
CN115115137A (zh) * | 2022-07-26 | 2022-09-27 | 国能日新科技股份有限公司 | 基于匹配统计子波的光伏功率预测方法及装置 |
WO2024031449A1 (zh) * | 2022-08-10 | 2024-02-15 | 四川中电启明星信息技术有限公司 | 一种基于网格聚类的峡谷风电短期功率预测方法 |
WO2024046137A1 (zh) * | 2022-08-31 | 2024-03-07 | 中国长江三峡集团有限公司 | 一种多能源联合发电***的功率预测模型构建及预测方法 |
CN117410961A (zh) * | 2023-09-21 | 2024-01-16 | 华润新能源投资有限公司山东分公司 | 风功率预测方法、装置、设备及存储介质 |
CN117477551A (zh) * | 2023-11-06 | 2024-01-30 | 深圳市峰和数智科技有限公司 | 基于领域知识嵌入模型的光伏发电功率预测方法及*** |
CN117613883A (zh) * | 2023-11-27 | 2024-02-27 | 正泰集团研发中心(上海)有限公司 | 发电功率预测方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alencar et al. | Hybrid approach combining SARIMA and neural networks for multi-step ahead wind speed forecasting in Brazil | |
de la Hermosa González | Wind farm monitoring using Mahalanobis distance and fuzzy clustering | |
CN107169598A (zh) | 一种基于深度学习的天气预测方法及*** | |
CN114723285B (zh) | 一种电网设备安全性评估预测方法 | |
CN113988477A (zh) | 基于机器学习的光伏功率短期预测方法、装置及存储介质 | |
Li et al. | Deep spatio-temporal wind power forecasting | |
CN111861023A (zh) | 基于统计学的混合风电功率预测方法、装置 | |
CN113657662B (zh) | 一种基于数据融合的降尺度风电功率预测方法 | |
CN113822418A (zh) | 一种风电场功率预测方法、***、设备和存储介质 | |
CN111178587A (zh) | 一种基于spark框架的短期电力负荷快速预测方法 | |
CN111967675A (zh) | 光伏发电量的预测方法以及预测装置 | |
CN112612819A (zh) | 一种抽水蓄能电站大数据分析挖掘方法及*** | |
CN112925824A (zh) | 针对极端天气类型的光伏功率预测方法及*** | |
CN113984198B (zh) | 一种基于卷积神经网络的短波辐射预测方法及*** | |
CN113837434A (zh) | 太阳能光伏发电预测方法、装置、电子设备和存储介质 | |
CN116523145B (zh) | 光伏功率超短期预测方法、装置、计算机设备及存储介质 | |
CN116307287B (zh) | 一种光伏发电有效时段的预测方法、***及预测终端 | |
CN112508278A (zh) | 一种基于证据回归多模型的多联供***负荷预测方法 | |
CN112783865A (zh) | 一种半监督人机结合的运维故障库生成方法及*** | |
CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及*** | |
CN116860824A (zh) | 一种气象数据知识发现方法及*** | |
CN118100171A (zh) | 能源转换***的功率预测方法、***和电子设备 | |
CN115713044A (zh) | 一种多工况切换下的机电设备剩余寿命分析方法和装置 | |
CN113779892B (zh) | 一种风速和风向的预测方法 | |
CN115238854A (zh) | 一种基于tcn-lstm-am的短期负荷预测方法 |
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 |