一种基于卷积transformer架构的风功率预测方法、系统及设备技术方案

本申请公开了一种基于卷积transformer架构的风功率预测的方法、装置及存储介质，涉及新能源电力技术领域，尤其涉及一种基于卷积transformer架构的风功率预测的方法、装置及存储介质。具体实现方案为：采集气象数据和运行数据，并获取嵌入向量；将所述嵌入向量输入功率预测网络，所述功率预测网络包括编码器和解码器；根据所述编码器获取所述嵌入向量对应的特征图；将所述特征图输入解码器，以生成预测功率。本申请实施例可以根据气象数据和运行数据预测风能发电的功率，通过对多个时间点数据的关注，降低异常数据对预测结果的影响，提高了功率预测的准确度。高了功率预测的准确度。高了功率预测的准确度。

【技术实现步骤摘要】
一种基于卷积transformer架构的风功率预测方法、系统及设备


[0001]本申请涉及新能源电力技术，尤其涉及一种基于卷积transformer架构的风功率预测方法、系统及设备。

技术介绍

[0002]风力发电技术正在成为满足未来电力需求的主要来源。更高份额的可再生能源技术对于碳中和满足未来新型电力系统电网的需求至关重要，但也带来了新的电网运行挑战。电力公司需要对风功率发电功率进行预测，以便进行发电调度操作。预测是一个主要的推动因素，可以确保安全和经济的风功率并网，同时在电力系统不同层面的许多灵活性创新之间建立联系，以实现协同效应。准确的风功率预测是一个重要的、具有成本效益的能源管理要素，它还有助于风功率电站和集合系统有效和直接地参与电力市场，并且通过优化供应计划来增加电厂的效益。
[0003]相关技术中，根据递归神经网络类的模型对风能发电功率进行预测，但递归神经网络在网络加深时存在梯度消失和梯度爆炸问题，功率预测的准确率较低。

技术实现思路

[0004]本申请提供一种基于卷积transformer架构的风功率预测方法、系统及设备。本申请的技术方案如下：
[0005]根据本申请实施例的第一方面，提供一种基于卷积transformer架构的风功率预测方法，包括：
[0006]采集气象数据和运行数据，并获取嵌入向量。
[0007]将所述嵌入向量输入功率预测网络，所述功率预测网络包括编码器和解码器。
[0008]根据所述编码器获取所述嵌入向量对应的特征图。
>[0009]将所述特征图输入解码器，以生成预测功率。
[0010]可选的，所述气象数据的时间步长为t，所述气象数据包括：
[0011]厂站额定容量、发电单元型号、发电单元数量和扩容信息。
[0012]厂站出力表实际功率。
[0013]风的高度、风速和风向。
[0014]风机轮毂高度处风速和风机轮毂高度处风向。
[0015]气温、气压、相对湿度。
[0016]可选的，所述运行数据的时间步长为t，所述运行数据包括：
[0017]厂站名称、起报时间、预报时间。
[0018]各高度的温度、动量通量、风向、风速和相对湿度。
[0019]海平面气压、云量、潜热通量、感热通量、短波辐射通量、长波辐射通量、地表水压、总降水、大尺度降水、对流降水。
[0020]可选的，所述采集气象数据和运行数据，包括：
[0021]将所述采集气象数据和运行数据归一化，并清洗无效数据。
[0022]可选的，所述获取嵌入向量，包括：
[0023]令滑窗在数据上滑动，选取滑窗内的气象数据和运行数据，并生成嵌入向量。
[0024]可选的，所述编码器包括自注意层和前馈神经网络，所述根据所述编码器获取所述嵌入向量对应的特征图，包括：
[0025]将所述嵌入向量输入自注意层以生成查询向量q、键向量k和值向量v。
[0026]根据所述q和所述k生成向量评分score。
[0027]根据所述score和归一化参数生成最终评分。
[0028]对所述最终评分进行归一化以生成归一化评分。
[0029]根据v和归一化评分计算加权评分向量并计算所述加权评分向量之和。
[0030]将所述加权评分向量之和输入所述前馈神经网络，并生成所述特征图。
[0031]可选的，所述解码器包括自注意层、编码
‑
解码注意力层和前馈神经网络。
[0032]根据本申请实施例的第二方面，提供一种功率预测网络训练方法，包括：
[0033]根据气象数据和运行数据生成数据集。
[0034]对所述数据集进行标注以生成训练数据集。
[0035]将所述训练数据集输入所述功率预测网络，并以损失函数最小化为目标进行训练。
[0036]可选的，所述对所述数据集进行标注以生成训练数据集，包括：
[0037]标注各个时间点上气象数据和运行数据对应的实际功率。
[0038]根据本申请实施例的第三方面，提供一种基于卷积transformer架构的风功率预测装置，包括：
[0039]采集模块，用于采集气象数据和运行数据，并获取嵌入向量。
[0040]输入模块，用于将所述嵌入向量输入功率预测网络，所述功率预测网络包括编码器和解码器。
[0041]特征提取模块，用于根据所述编码器获取所述嵌入向量对应的特征图。
[0042]预测模块，用于将所述特征图输入解码器，以生成预测功率。
[0043]可选的，所述气象数据的时间步长为t，所述气象数据包括：
[0044]厂站额定容量、发电单元型号、发电单元数量和扩容信息。
[0045]厂站出力表实际功率。
[0046]风的高度、风速和风向。
[0047]风机轮毂高度处风速和风机轮毂高度处风向。
[0048]气温、气压、相对湿度。
[0049]可选的，所述运行数据的时间步长为t，所述运行数据包括：
[0050]厂站名称、起报时间、预报时间。
[0051]各高度的温度、动量通量、风向、风速和相对湿度。
[0052]海平面气压、云量、潜热通量、感热通量、短波辐射通量、长波辐射通量、地表水压、总降水、大尺度降水、对流降水。
[0053]可选的，所述采集模块，包括：
[0054]数据清洗子模块，用于将所述采集气象数据和运行数据归一化，并清洗无效数据。
[0055]可选的，所述采集模块，包括：
[0056]第一向量生成子模块，用于令滑窗在数据上滑动，选取滑窗内的气象数据和运行数据，并生成嵌入向量。
[0057]可选的，所述编码器包括自注意层和前馈神经网络，所述特征提取模块，包括：
[0058]第二向量生成子模块，用于将所述嵌入向量输入自注意层以生成查询向量q、键向量k和值向量v。
[0059]第一评分子模块，用于根据所述q和所述k生成向量评分score。
[0060]第二评分子模块，根据所述score和归一化参数生成最终评分。
[0061]第三评分子模块，对所述最终评分进行归一化以生成归一化评分。
[0062]第四评分子模块，根据v和归一化评分计算加权评分向量并计算所述加权评分向量之和。
[0063]特征提取子模块，用于将所述加权评分向量之和输入所述前馈神经网络，并生成所述特征图。
[0064]可选的，所述解码器包括自注意层、编码
‑
解码注意力层和前馈神经网络。
[0065]根据本申请实施例的第四方面，提供一种功率预测网络训练装置，包括：
[0066]数据采集模块，用于根据气象数据和运行数据生成数据集。
[0067]标注模块，用于对所述数据集进行标注以生成训练数据集。
[0068]训练模块，用于将所述训练数据集输入所述功率预测网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积transformer架构的风功率预测方法，其特征在于，包括：采集气象数据和运行数据，并获取嵌入向量；将所述嵌入向量输入功率预测网络，所述功率预测网络包括编码器和解码器；根据所述编码器获取所述嵌入向量对应的特征图；将所述特征图输入解码器，以生成预测功率。2.根据权利要求1所述的方法，其特征在于，所述气象数据的时间步长为t，所述气象数据包括：厂站额定容量、发电单元型号、发电单元数量和扩容信息；厂站出力表实际功率；风的高度、风速和风向；风机轮毂高度处风速和风机轮毂高度处风向；气温、气压、相对湿度。3.根据权利要求1所述的方法，其特征在于，所述运行数据的时间步长为t，所述运行数据包括：厂站名称、起报时间、预报时间；各高度的温度、动量通量、风向、风速和相对湿度；海平面气压、云量、潜热通量、感热通量、短波辐射通量、长波辐射通量、地表水压、总降水、大尺度降水、对流降水。4.根据权利要求2或3所述的方法，其特征在于，所述采集气象数据和运行数据，包括：将所述采集气象数据和运行数据归一化，并清洗无效数据。5.根据权利要求1所述的方法，其特征在于，所述获取嵌入向量，包括：令滑窗在数据上滑动，选取滑窗内的气象数据和运行数据，并生成嵌入向量。6.根据权利要求1所述的方法，其特征在于，所述编码器包括自注意层和前馈神经网络，所述根据所述编码器获取所述嵌入向量对应的特征图，包括：将所述嵌入向量输入自注意层以生成查询向量q、键向量k和值向量v；根据所述q和所述k生成向量评分score；根据所述score和归一化参数生成最终评分；对所述最终评分进行归一化以生成归一化评分；根据v和归一化评分计算加权评分向量并计算所述加权评分向量之和；将所述加权评分向量之和输入所述前馈神经网络，并生成所述特征图。7.根据权利要求1所述的方法，其特征在于，所述解码器包括自注意层、编码
‑
解码注意力层和前馈神经网络。8.一种功率预测网络训练...

【专利技术属性】
技术研发人员：卢泽华，杨正军，郝小会，杨立平，强威威，张小龙，张奔，刘雪峰，任鑫，李小翔，王华，童彤，吕亮，李邦兴，武青，杨永前，
申请(专利权)人：中国华能集团清洁能源技术研究院有限公司，
类型：发明
国别省市：