风电功率预测模型训练和风电功率预测方法技术

本公开提出了一种风电功率预测模型训练和风电功率预测方法，包括：获取训练样本集和待训练风电功率预测模型；将训练样本的训练值输入至待训练风电功率预测模型中，以获取训练结果，并基于真实结果和训练结果，确定是否满足训练条件；响应于不满足，确定目标优化参数，并基于目标优化参数对模型参数进行调整；将训练值和训练结果添加到下一训练样本中，对调整后的改进风电功率预测模型进行训练，直至训练结束，生成目标风电功率预测模型

【技术实现步骤摘要】
风电功率预测模型训练和风电功率预测方法


[0001]本公开涉及人工智能
，尤其涉及一种风电功率预测模型训练和风电功率预测方法
。

技术介绍

[0002]随着能源需求增大，碳排放
、
环境污染
、
气候变化等问题日益突出，中国加快了新能源的建设速度
。
尤其在风力发电领域，是最具有潜力的大规模开发的非水电再生能源类型
。
由于风力发电具有波动性
、
间歇性
、
低能量密度等特点，导致风电功率也是波动的，但是随着我国能源行业数字化转型较早，在风电生产场站积累了大量的气象环境
、
设备测点等发电相关数据，利用人工智能
、
深度学习等算法可有效的针对场站发电进行高精度预测
。
[0003]在实际发电过程中，风力发电功率受到风速
、
风向
、
气压等多种气象因素的影响，是一种不稳定
、
偏随机的时间序列数据，影响风力发电的外部因素有很多，主要有发电受阻
、
气象两方面影响
。
发电受阻主要是由限电
、
线路堵塞
、
设备损坏等不可预测的原因产生，所以这里只讨论多种气象原因导致的发电变化情况
。
随着数理统计的深入和机器学习的广泛应用，越来越多的人将现代预测方法应用于功率预测中，如神经网络预测
、
决策树预测
、
支持向量机预测
、
逻辑回归预测
、
深度学习预测等
。

技术实现思路

[0004]本公开旨在至少在一定程度上解决相关技术中的技术问题之一
。
[0005]为此，本公开的一个目的在于提出一种风电功率预测模型训练方法
。
[0006]本公开的第二个目的在于提出一种风电功率预测方法
。
[0007]本公开的第三个目的在于提出一种风电功率预测模型训练装置
。
[0008]本公开的第四个目的在于提出一种风电功率预测装置
。
[0009]本公开的第五个目的在于提出一种电子设备
。
[0010]本公开的第六个目的在于提出一种非瞬时计算机可读存储介质
。
[0011]本公开的第七个目的在于提出一种计算机程序产品
。
[0012]为达上述目的，本公开第一方面实施方式提出了一种风电功率预测模型训练方法，包括：获取训练样本集和待训练风电功率预测模型，所述训练样本集包括多个训练样本，所述训练样本包括训练值和所述训练值对应的真实结果；将所述训练样本集中的任一训练样本的训练值输入至所述待训练风电功率预测模型中，以获取训练结果，并基于所述训练样本的真实结果和所述训练结果，确定所述待训练风电功率预测模型是否满足训练条件；响应于不满足训练条件，确定目标优化参数，并基于所述目标优化参数对所述待训练风电功率预测模型的模型参数进行调整；将所述训练值和所述训练结果添加到需输入至所述待训练风电功率预测模型的下一训练样本中，对调整后的改进风电功率预测模型进行训练，直至训练结束，生成训练好的目标风电功率预测模型
。
[0013]根据本公开的一个实施方式，所述基于所述训练样本的真实结果和所述训练结
果，确定所述待训练风电功率预测模型是否满足训练条件，包括：获取所述模型的目标损失函数；基于所述目标损失函数对所述真实结果和所述训练结果进行计算，以计算获取损失值；基于所述损失值确定所述待训练风电功率预测模型是否满足训练条件
。
[0014]根据本公开的一个实施方式，所述基于所述损失值确定所述待训练风电功率预测模型是否满足训练条件，包括：将所述损失值和损失阈值进行比较；响应于所述损失值小于所述损失阈值，确定所述待训练风电功率预测模型满足训练条件
。
[0015]根据本公开的一个实施方式，所述确定目标优化参数，包括：获取优化参数集合；针对所述优化参数集合中的任一优化参数，将所述优化参数替换所述待训练风电功率预测模型的对应参数，以生成候选优化模型；确定所述候选优化模型的优化损失值，并基于所述优化损失值，从所述优化参数集合中确定所述目标优化参数
。
[0016]根据本公开的一个实施方式，所述确定所述候选优化模型的优化损失值，包括：将所述训练样本的训练值输入至所述候选优化模型中，以获取优化结果；基于所述优化结果和所述真实结果，确定所述优化损失值
。
[0017]根据本公开的一个实施方式，所述将所述训练值和所述训练结果添加到需输入至所述待训练风电功率预测模型的下一训练样本中，包括：基于所述训练值和所述训练结果生成负样本，将所述负样本添加到需输入至所述待训练风电功率预测模型的下一训练样本中
。
[0018]为达上述目的，本公开第二方面实施例提出了一种风电功率预测方法，其特征在于，包括：获取待预测的风电场数据和目标风电功率预测模型，其中，所述目标风电功率预测模型为如第一方面实施例所述的风电功率预测模型训练方法训练得到的；将所述风电场数据输入至所述目标风电功率预测模型中，以获取风电功率预测结果
。
[0019]为达上述目的，本公开第三方面实施例提出了一种风电功率预测模型训练装置，包括：获取模块，用于获取训练样本集和待训练风电功率预测模型，所述训练样本集包括多个训练样本，所述训练样本包括训练值和所述训练值对应的真实结果；判断模块，用于将所述训练样本集中的任一训练样本的训练值输入至所述待训练风电功率预测模型中，以获取训练结果，并基于所述训练样本的真实结果和所述训练结果，确定所述待训练风电功率预测模型是否满足训练条件；调整模块，用于响应于不满足训练条件，确定目标优化参数，并基于所述目标优化参数对所述待训练风电功率预测模型的模型参数进行调整；生成模块，用于将所述训练值和所述训练结果添加到需输入至所述待训练风电功率预测模型的下一训练样本中，对调整后的改进风电功率预测模型进行训练，直至训练结束，生成训练好的目标风电功率预测模型
。
[0020]为达上述目的，本公开第四方面实施例提出了一种风电功率预测装置，其特征在于，包括：调用模块，用于获取待预测的风电场数据和目标风电功率预测模型，其中，所述目标风电功率预测模型为如第一方面实施例所述的风电功率预测模型训练方法训练得到的；预测模块，用于将所述风电场数据输入至所述目标风电功率预测模型中，以获取风电功率预测结果
。
[0021]为达上述目的，本公开第五方面实施例提出了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以实现如本公开第一方面
实施例所述的风电功率预测模型训练方法，或者如第二方面实施例所述的风电功率预测方法...

【技术保护点】

【技术特征摘要】
1.
一种风电功率预测模型训练方法，其特征在于，包括：获取训练样本集和待训练风电功率预测模型，所述训练样本集包括多个训练样本，所述训练样本包括训练值和所述训练值对应的真实结果；将所述训练样本集中的任一训练样本的训练值输入至所述待训练风电功率预测模型中，以获取训练结果，并基于所述训练样本的真实结果和所述训练结果，确定所述待训练风电功率预测模型是否满足训练条件；响应于不满足训练条件，确定目标优化参数，并基于所述目标优化参数对所述待训练风电功率预测模型的模型参数进行调整；将所述训练值和所述训练结果添加到需输入至所述待训练风电功率预测模型的下一训练样本中，对调整后的改进风电功率预测模型进行训练，直至训练结束，生成训练好的目标风电功率预测模型
。2.
根据权利要求1所述的方法，其特征在于，所述基于所述训练样本的真实结果和所述训练结果，确定所述待训练风电功率预测模型是否满足训练条件，包括：获取所述模型的目标损失函数；基于所述目标损失函数对所述真实结果和所述训练结果进行计算，以计算获取损失值；基于所述损失值确定所述待训练风电功率预测模型是否满足训练条件
。3.
根据权利要求2所述的方法，其特征在于，所述基于所述损失值确定所述待训练风电功率预测模型是否满足训练条件，包括：将所述损失值和损失阈值进行比较；响应于所述损失值小于所述损失阈值，确定所述待训练风电功率预测模型满足训练条件
。4.
根据权利要求1所述的方法，其特征在于，所述确定目标优化参数，包括：获取优化参数集合；针对所述优化参数集合中的任一优化参数，将所述优化参数替换所述待训练风电功率预测模型的对应参数，以生成候选优化模型；确定所述候选优化模型的优化损失值，并基于所述优化损失值，从所述优化参数集合中确定所述目标优化参数
。5.
根据权利要求4所述的方法，其特征在于，所述确定所述候选优化模型的优化损失值，包括：将所述训练样本的训练值输入至所述候选优化模型中，以获取优化结果；基于所述优化结果和所述真实结果，确定所述优化损失值
。6.
根据权利要求5所述的方法，其特征在于，所述将...

【专利技术属性】
技术研发人员：贺铮，徐琳，周晓义，童心，艾宇飞，王昊，赵帅，
申请(专利权)人：中能融合智慧科技有限公司，
类型：发明
国别省市：