发电功率预测方法、功率预测模型训练方法、装置和设备制造方法及图纸

技术编号:39329982 阅读:20 留言:0更新日期:2023-11-12 16:06
本申请涉及一种发电功率预测方法、功率预测模型训练方法、装置和设备,方法包括:获取与目标发电机组发电功率相关的时序数据和非时序数据,并将时序数据和非时序数据输入至预设功率预测模型中。进一步地,通过预设功率预测模型提取时序数据的时序特征以及非时序数据的非时序特征,并对时序特征和非时序特征进行融合处理,以输出目标发电机组的发电功率预测数据。相对于相关技术中的预测模型,本申请实施例的预设功率预测模型的功率预测准确性更高。高。高。

【技术实现步骤摘要】
发电功率预测方法、功率预测模型训练方法、装置和设备


[0001]本申请涉及电力系统
,尤其涉及一种发电功率预测方法、功率预测模型训练方法、装置和设备。

技术介绍

[0002]随着技术发展,越来越多的电子设备需要使用电能,人们对电能的需求也越来越大。通常情况下,可以通过使用可再生能源(例如,水能、太阳能、风能、地热能、海洋能等)进行发电。其中,对于发电过程中的功率预测是至关重要的。
[0003]相关技术中,采用预测模型对发电机组的发电功率进行预测,但是相关技术中的功率预测的准确性较低。

技术实现思路

[0004]鉴于上述问题,本申请提供一种发电功率预测方法、功率预测模型训练方法、装置和设备,能够解决相关技术中功率预测的准确性较低的问题。
[0005]第一方面,本申请提供了一种发电功率预测方法,方法包括:获取与目标发电机组发电功率相关的时序数据和非时序数据;其中,所述时序数据用于指示与所述目标发电机组发电功率相关的时间序列数据,所述非时序数据用于指示与所述目标发电机组发电功率相关的非时间序列数据;将时序数据和非时序数据输入至预设功率预测模型中;通过预设功率预测模型提取时序数据的时序特征以及非时序数据的非时序特征,并对时序特征和非时序特征进行融合处理,以输出目标发电机组的发电功率预测数据。
[0006]本申请实施例的技术方案中,一方面通过基于与目标发电机组发电功率相关的时序数据和非时序数据进行功率预测的方式,其参考信息更加全面,从而有利于提高功率预测的准确性。另一方面,本申请实施例中通过预设功率预测模型提取时序数据的时序特征以及非时序数据的非时序特征,并对时序特征和非时序特征进行融合处理的方式,有利于得到准确性更高的高阶特征,以便于基于高阶特征进行功率预测可以得到准确性更高的发电功率预测数据。因此,相对于相关技术中的预测模型,本申请实施例的预设功率预测模型的功率预测准确性更高。
[0007]在一些实施例中,通过预设功率预测模型提取时序数据的时序特征以及非时序数据的非时序特征,并对时序特征和非时序特征进行融合处理,以输出目标发电机组的发电功率预测数据,包括:通过预设功率预测模型提取时序数据的多个时序特征,并通过预设功率预测模型提取非时序数据的非时序特征;其中,各时序特征对应的时间步长不同;对多个时序特征的一部分时序特征进行融合处理,得到第一功率特征;对多个时序特征的另一部分时序特征和非时序特征进行融合处理,得到第二功率特征;
对第一功率特征和第二功率特征进行融合处理得到目标特征,并基于目标特征输出目标发电机组的发电功率预测数据。
[0008]本申请实施例的技术方案中,通过对多个时序特征和非时序特征进行融合处理的方式,可以得到准确性更高的高阶的功率特征。进一步地,通过对高阶的第一功率特征和第二功率特征进行深度融合处理的方式,可以进一步地得到准确性更高的高阶的目标特征,以便于根据准确性更高的高阶的目标特征可以进行更加准确的功率预测,从而可以提高功率预测模型的准确性和鲁棒性。
[0009]在一些实施例中,预设功率预测模型包括时序特征提取网络,时序特征提取网络包括第一时序特征提取层、第二时序特征提取层和第三时序特征提取层,通过预设功率预测模型提取时序数据的多个时序特征,包括:通过第一时序特征提取层提取时序数据的第一时序特征;通过第二时序特征提取层提取时序数据的第二时序特征;通过第三时序特征提取层提取时序数据的第三时序特征;其中,第一时序特征、第二时序特征以及第三时序特征对应的时间步长不同。
[0010]本申请实施例的技术方案中,与目标发电机组发电功率相关的时序数据经过时序特征提取网络中的时序特征提取层可以自动地分离出长时间序列特征、中时间序列特征和短时间序列特征,以便于后续对不同时间步长的时间序列特征进行融合处理,可以得到准确性更高的高阶特征。
[0011]在一些实施例中,预设功率预测模型包括非时序特征提取网络,通过预设功率预测模型提取非时序数据的非时序特征,包括:通过非时序特征提取网络提取非时序数据的非时序特征。
[0012]在一些实施例中,预设功率预测模型包括第一特征融合网络,对多个时序特征的一部分时序特征进行融合处理,得到第一功率特征,包括:将第一时序特征和第二时序特征输入至第一特征融合网络,得到第一特征融合网络输出的第一功率特征。
[0013]本申请实施例的技术方案中,通过第一特征融合网络可以对第一时序特征和第二时序特征进行融合处理的方式,可以充分挖掘第一时序特征和第二时序特征的强关联性,从而可以得到准确性更高的高阶的第一功率特征,以便于可以根据高阶的第一功率特征进行更加准确的功率预测。
[0014]在一些实施例中,第一特征融合网络包括第一时序特征筛选层、第二时序特征筛选层、第一合并层、融合特征提取层,将第一时序特征和第二时序特征输入至第一特征融合网络,得到第一特征融合网络输出的第一功率特征,包括:将第一时序特征输入至第一时序特征筛选层,得到第一时序特征筛选层输出的第一目标时序特征;将第二时序特征输入至第二时序特征筛选层,得到第二时序特征筛选层输出的第二目标时序特征;将第一目标时序特征和第二目标时序特征输入至第一合并层,得到第一合并层输出的融合时序特征;将融合时序特征输入至融合特征提取层,得到融合特征提取层输出的第一功率特
征。
[0015]本申请实施例的技术方案中,通过将部分时序特征分别输入对应的时序特征筛选层得到更高阶的目标时序特征;进一步地,通过对更高阶的目标时序特征进行特征拼接处理得到融合时序特征,并根据融合时序特征进行特征提取可以得到更丰富的高阶特征,以便于可以根据更丰富的高阶特征进行更加准确的功率预测。
[0016]在一些实施例中,预设功率预测模型还包括第二特征融合网络,对多个时序特征的另一部分时序特征和非时序特征进行融合处理,得到第二功率特征,包括:将第三时序特征和非时序特征输入至第二特征融合网络,得到第二特征融合网络输出的第二功率特征。
[0017]本申请实施例的技术方案中,通过第二特征融合网络可以对第三时序特征和非时序特征进行融合处理的方式,可以充分挖掘非时序特征与第三时序特征的强关联性,从而可以得到准确性更高的高阶的第二功率特征,以便于可以根据高阶的第二功率特征进行更加准确的功率预测。
[0018]在一些实施例中,第二特征融合网络包括第三时序特征筛选层、第二合并层、混合特征提取层,将第三时序特征和非时序特征输入至第二特征融合网络,得到第二特征融合网络输出的第二功率特征,包括:将第三时序特征输入至第三时序特征筛选层,得到第三时序特征筛选层输出的第三目标时序特征;将第三目标时序特征和非时序特征输入至第二合并层,得到第二合并层输出的混合特征;将混合特征输入至混合特征提取层,得到混合特征提取层输出的第二功率特征。
[0019]本申请实施例的技术方案中,通过将更高阶的第三目标时序特征和非时序特征进行特征拼接处理得到混合特征,并根据混合特征进行特征提取可以得到更丰富的高阶特征,以便于可本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种发电功率预测方法,其特征在于,所述方法包括:获取与目标发电机组发电功率相关的时序数据和非时序数据;其中,所述时序数据用于指示与所述目标发电机组发电功率相关的时间序列数据,所述非时序数据用于指示与所述目标发电机组发电功率相关的非时间序列数据;将所述时序数据和所述非时序数据输入至预设功率预测模型中;通过所述预设功率预测模型提取所述时序数据的时序特征以及所述非时序数据的非时序特征,并对所述时序特征和所述非时序特征进行融合处理,以输出所述目标发电机组的发电功率预测数据。2.根据权利要求1所述的方法,其特征在于,所述通过所述预设功率预测模型提取所述时序数据的时序特征以及所述非时序数据的非时序特征,并对所述时序特征和所述非时序特征进行融合处理,以输出所述目标发电机组的发电功率预测数据,包括:通过所述预设功率预测模型提取所述时序数据的多个时序特征,并通过所述预设功率预测模型提取所述非时序数据的非时序特征;其中,各所述时序特征对应的时间步长不同;对所述多个时序特征的一部分时序特征进行融合处理,得到第一功率特征;对所述多个时序特征的另一部分时序特征和所述非时序特征进行融合处理,得到第二功率特征;对所述第一功率特征和所述第二功率特征进行融合处理得到目标特征,并基于所述目标特征输出所述目标发电机组的发电功率预测数据。3.根据权利要求2所述的方法,其特征在于,所述预设功率预测模型包括时序特征提取网络,所述时序特征提取网络包括第一时序特征提取层、第二时序特征提取层和第三时序特征提取层,所述通过所述预设功率预测模型提取所述时序数据的多个时序特征,包括:通过所述第一时序特征提取层提取所述时序数据的第一时序特征;通过所述第二时序特征提取层提取所述时序数据的第二时序特征;通过所述第三时序特征提取层提取所述时序数据的第三时序特征;其中,所述第一时序特征、所述第二时序特征以及所述第三时序特征对应的时间步长不同。4.根据权利要求3所述的方法,其特征在于,所述预设功率预测模型包括非时序特征提取网络,所述通过所述预设功率预测模型提取所述非时序数据的非时序特征,包括:通过所述非时序特征提取网络提取所述非时序数据的非时序特征。5.根据权利要求4所述的方法,其特征在于,所述预设功率预测模型包括第一特征融合网络,所述对所述多个时序特征的一部分时序特征进行融合处理,得到第一功率特征,包括:将所述第一时序特征和所述第二时序特征输入至所述第一特征融合网络,得到所述第一特征融合网络输出的所述第一功率特征。6.根据权利要求5所述的方法,其特征在于,所述第一特征融合网络包括第一时序特征筛选层、第二时序特征筛选层、第一合并层、融合特征提取层,所述将所述第一时序特征和所述第二时序特征输入至所述第一特征融合网络,得到所述第一特征融合网络输出的所述第一功率特征,包括:将所述第一时序特征输入至所述第一时序特征筛选层,得到所述第一时序特征筛选层
输出的第一目标时序特征;将所述第二时序特征输入至所述第二时序特征筛选层,得到所述第二时序特征筛选层输出的第二目标时序特征;将所述第一目标时序特征和所述第二目标时序特征输入至所述第一合并层,得到所述第一合并层输出的融合时序特征;将所述融合时序特征输入至所述融合特征提取层,得到所述融合特征提取层输出的所述第一功率特征。7.根据权利要求5所述的方法,其特征在于,所述预设功率预测模型还包括第二特征融合网络,所述对所述多个时序特征的另一部分时序特征和所述非时序特征进行融合处理,得到第二功率特征,包括:将所述第三时序特征和所述非时序特征输入至所述第二特征融合网络,得到所述第二特征融合网络输出的所述第二功率特征。8.根据权利要求7所述的方法,其特征在于,所述第二特征融合网络包括第三时序特征筛选层、第二合并层、混合特征提取层,所述将所述第三时序特征和所述非时序特征输入至所述第二特征融合网络,得到所述第二特征融合网络输出的所述第二功率特征,包括:将所述第三时序特征输入至所述第三时序特征筛选层,得到所述第三时序特征筛选层输出的第三目标时序特征;将所述第三目标时序特征和所述非时序特征输入至所述第二合并层,得到所述第二合并层输出的混合特征;将所述混合特征输入至所述混合特征提取层,得到所述混合特征提取层输出的所述第二功率特征。9.根据权利要求2

8中任一项所述的方法,其特征在于,所述预设功率预测模型包括第三合并层和回归器,所述对所述第一功率特征和所述第二功率特征进行融合处理得到目标特征,并基于所述目标特征输出所述目标发电机组的发电功率预测数据,包括:将所述第一功率特征和所述第二功率特征输入至所述第三合并层,得到所述第三合并层输出的目标功率特征;将所述目标功率特征输入至所述回归器,得到所述回归器输出的所述发电功率预测数据。10.根据权利要求1

8中任一项所述的方法,其特征在于,所述非时序数据包括:所述目标发电机组的状态数据,和/或,所述目标发电机组的约束数据;其中,所述状态数据用于指示所述目标发电机组是否运行;所述约束数据用于指示所述目标发电机组的输出功率阈值范围;所述时序数据包括:所述目标发电机组的天气数据,和/或,所述目标发电机组的运行数据。11.根据权利要求1

8中任一项所述的方法,其特征在于,所述获取与目标发电机组发电功率相关的时序数据和非时序数据,包括:获取所述目标发电机组的原始时序数据和原始非时序数据;分别对所述原始时序数据和原始非时序数据进行数据处理,得到所述目标发电机组的时序数据和非时序数据。
12.根据权利要求11所述的方法,其特征在于,所述分别对所述原始时序数据和原始非时序数据进行数据处理,得到所述目标发电机组的时序数据和非时序数据,包括:分别对所述原始时序数据和所述原始非时序数进行数据预处理,得到处理后的原始时序数据和处理后的原始非时序数;分别对所述处理后的原始时序数据和所述处理后的原始非时序数进行特征工程处理,得到所述时序数据和所述非时序数据。13.一种功率预测模型训练方法,其特征在于,所述方法包括:获取多个训练样本和与各所述训练样本对应的训练标签,其中,所述训练样本包括:与发电机组发电功率相关的时序训练数据和非时序训练数据,所述训练样本对应的训练标签包括所述发电机组的历史发电功率;根据所述多个训练样本和与各所述训练样本对应的训练标签,对初始功率预测模型进行训练,得到预设功率预测模型;其中,所述预设功率预测模型用于提取与目标发电机组发电功率相关的时序数据的时序特征以及非时序数据的非时序特征,并对所述时序特征和所述非时序特征进行融合处理,以输出所述目标发电机组的发电功率预测数据;所述时序数据用于指示与所述目标发电机组发电功率相关的时间序列数据,所述非时序数据用于指示与所述目标发电机组发电功率相关的非时间序列数据。14.根据权利要求13所述的方法,其特征在于,所述根据所述多个训练样本和与各所述训练样本对应的训练标签,对初始功率预测模型进行训练,得到预设功率预测模型,包括:将所述训练样本中的时序训练数据和非时序训练数据输入至所述初始功率预测模型,得到所述初始功率预测模型输出的所述训练样本对应的发电机组的发电功率预测数据;根据所述训练样本对应的训练标签与所述发电机组的发电功率预测数据调整所述初始功率预测模型中的参数,得到更新后的初始功率预测模型;将所述多个训练样本中的其他训练样本作为更新后的训练样本,返回执行所述将所述训练样本中的时序训练数据和非时序训练数据输入至所述初始功率预测模型的步骤,并持续执行,直至满足训练结束条件时,将更新后的初始功率预测模型作为所述预设功率预测模型。15.根据权利要求14所述的方法,其特征在于,所述将所述训练样本中的时序训练数据和非时序训练数据输入至所述初始功率预测模型,得到所述初始功率预测模型输出的所述训练样本对应的发电机组的发电功率预测数据,包括:通过所述初始功率预测模型提取所述时序训练数据的时序训练特征以及所述非时序训练数据的非时序训练特征,并对所述时序训练特征和所述非时序训练特征进行融合处理,以输出所述发电机组的发电功率预测数据。16.根据权利要求15所述的方法,其特征在于,所述通过所述初始功率预测模型提取所述时序训练数据的时序训练特征以及所述非时序训练数据的非时序训练特征,并对所述时序训练特征和所述非时序训练特征进行融合处理,以输出所述发电机组的发电功率预测数据,包括:通过所述初始功率预测模型提取所述时序训练数据的多个时序训练特征,并通过所述...

【专利技术属性】
技术研发人员:夏伟成勇范晓云钟博宇侯若飞谢隆勇
申请(专利权)人:宁德时代新能源科技股份有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1