基于人工智能的风电功率预测误差修正方法、装置及设备制造方法及图纸

本申请涉及一种基于人工智能的风电功率预测误差修正方法、装置及设备。该方法获取目标风电设备在连续两个时间段内真实天气数据和真实风电功率数据，以此训练预设的功率预测模型得到第一预测模型和第二预测模型，使用修正后的权重，对第一预测模型和第二预测模型中表征同一含义的参量进行加权求平均，使用每个参量的平均值更新功率预测模型中表征同一含义的参量得到第三预测模型，将第三时间段的预测天气数据输入第三预测模型，输出对应第三时间段的风电功率数据，通过连续两个时间段的数据来预测后一时间段的数据，提高了数据间的关联性，实时对关联融合中权重参数进行修正，保证每次预测时权重参数的准确性，提高了模型以及模型预测的准确性。及模型预测的准确性。及模型预测的准确性。

【技术实现步骤摘要】
基于人工智能的风电功率预测误差修正方法、装置及设备


[0001]本申请适用于风力发电
，尤其涉及一种基于人工智能的风电功率预测误差修正方法、装置及设备。

技术介绍

[0002]目前，风力发电设备为使用风力带动发电机运动，从而形成电力存储，发电的功率根据其安装位置的风力大小等数据决定，也即是天气的情况决定了风力发电设备的发电的功率。现有基于神经网络模型进行风电功率预测的方法是采用大量的天气数据与功率数据构成训练数据集以获取到拟合程度较高的模型，从而实现根据天气变化的风电功率预测。 但是，由于训练数据集中的天气数据并非平稳变化的，而是呈现出短时相关性，采用拟合程度较高的模型往往难以准确预测风电功率，导致预测结果与真实功率存在误差，因此，可以采用短时段的天气数据和功率数据来训练模型，但此时训练的模型的输入的天气数据还需要被预测才能够得到，经过两次预测后结果的误差会被放大，导致功率预测不准确。因此，如何通过分析数据的关联性来提高功率预测的准确性，以降低两次预测导致的误差放大率成为亟待解决的问题。

技术实现思路

[0003]有鉴于此，本申请实施例提供了一种基于人工智能的风电功率预测误差修正方法、装置及设备，以解决如何通过分析数据的关联性来提高功率预测的准确性，以降低两次预测导致的误差放大率的问题。
[0004]第一方面，本申请实施例提供一种基于人工智能的风电功率预测误差修正方法，所述风电功率预测误差修正方法包括：获取目标风电设备在第一时间段内每个时间点的第一真实天气数据和对应的真实风电功率数据，以及第二时间段内每个时间点的第二真实天气数据和对应的真实风电功率数据，其中，所述第一时间段为与所述第二时间段连续且在所述第二时间段之前的时间段，且两个时间段内时间点的个数；使用所述第一真实天气数据和对应的真实风电功率数据，训练预设的功率预测模型得到训练好的第一预测模型，使用所述第二真实天气数据和对应的真实风电功率数据，训练所述功率预测模型得到训练好的第二预测模型；获取构建历史预测模型时使用的历史权重和历史预测结果，基于所述历史预测结果和所述第二真实天气数据对应的真实风电功率数据的误差，修正所述历史权重，得到修正后的权重，其中，所述历史预测模型为预测所述第二时间段内的风电功率数据时采用的模型，所述历史权重为对基于所述第一时间段及其前一时间段的真实数据训练出的两个预测模型进行加权求平均以得到所述历史预测模型时使用的权重，所述历史预测结果为所述历史预测模型输出的结果；使用所述修正后的权重，对所述第一预测模型和所述第二预测模型中表征同一含
义的参量进行加权求平均，得到对应参量的平均值，使用每个参量的平均值更新所述功率预测模型中表征同一含义的参量，得到第三预测模型；获取预测的第三时间段的预测天气数据，将所述预测天气数据输入所述第三预测模型，输出对应所述第三时间段的风电功率数据，其中，所述第三时间段为与所述第二时间段连续且在所述第二时间段之后的时间段。
[0005]第二方面，本申请实施例提供一种基于人工智能的风电功率预测误差修正装置，所述风电功率预测误差修正装置包括：数据获取模块，用于获取目标风电设备在第一时间段内每个时间点的第一真实天气数据和对应的真实风电功率数据，以及第二时间段内每个时间点的第二真实天气数据和对应的真实风电功率数据，其中，所述第一时间段为与所述第二时间段连续且在所述第二时间段之前的时间段，且两个时间段内时间点的个数；模型训练模块，用于使用所述第一真实天气数据和对应的真实风电功率数据，训练预设的功率预测模型得到训练好的第一预测模型，使用所述第二真实天气数据和对应的真实风电功率数据，训练所述功率预测模型得到训练好的第二预测模型；权重修正模块，用于获取构建历史预测模型时使用的历史权重和历史预测结果，基于所述历史预测结果和所述第二真实天气数据对应的真实风电功率数据的误差，修正所述历史权重，得到修正后的权重，其中，所述历史预测模型为预测所述第二时间段内的风电功率数据时采用的模型，所述历史权重为对基于所述第一时间段及其前一时间段的真实数据训练出的两个预测模型进行加权求平均以得到所述历史预测模型时使用的权重，所述历史预测结果为所述历史预测模型输出的结果；参量更新模块，用于使用所述修正后的权重，对所述第一预测模型和所述第二预测模型中表征同一含义的参量进行加权求平均，得到对应参量的平均值，使用每个参量的平均值更新所述功率预测模型中表征同一含义的参量，得到第三预测模型；功率预测模块，用于获取预测的第三时间段的预测天气数据，将所述预测天气数据输入所述第三预测模型，输出对应所述第三时间段的风电功率数据，其中，所述第三时间段为与所述第二时间段连续且在所述第二时间段之后的时间段。
[0006]第三方面，本申请实施例提供一种计算机设备，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的风电功率预测误差修正方法。
[0007]本申请实施例与现有技术相比存在的有益效果是：本申请获取目标风电设备在第一时间段内每个时间点的第一真实天气数据和对应的真实风电功率数据，以及第二时间段内每个时间点的第二真实天气数据和对应的真实风电功率数据，使用第一真实天气数据和对应的真实风电功率数据，训练预设的功率预测模型得到训练好的第一预测模型，使用第二真实天气数据和对应的真实风电功率数据，训练功率预测模型得到训练好的第二预测模型，获取构建历史预测模型时使用的历史权重和历史预测结果，基于历史预测结果和第二真实天气数据对应的真实风电功率数据的误差，修正历史权重，得到修正后的权重，使用修正后的权重，对第一预测模型和第二预测模型中表征同一含义的参量进行加权求平均，得到对应参量的平均值，使用每个参量的平均值更新功率预测模型中表征同一含义的参量，得到第三预测模型，获取预测的第三时间段的预测天气数据，将预测天气数据输入第三预
测模型，输出对应第三时间段的风电功率数据，通过连续两个时间段的数据来预测后一时间段的数据，提高了数据间的关联性，且实时对关联融合过程中权重参数进行修正，可以保证每次预测时权重参数的准确性，从而提高了模型以及模型预测的准确性，降低了两次预测导致的误差放大率。
附图说明
[0008]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0009]图1是本申请实施例一提供的一种基于人工智能的风电功率预测误差修正方法的一应用环境示意图；图2是本申请实施例二提供的一种基于人工智能的风电功率预测误差修正方法的流程示意图；图3是本申请实施例三提供的一种基于人工智能的风电功率预测误差修正装置的结构示意图；图4是本申请实施例四提供的一种计算机设备的结构示意图。
具体实施方式
[0010]以下描述中，为了说明而不是为了限定，提出了诸如特定本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的风电功率预测误差修正方法，其特征在于，所述风电功率预测误差修正方法包括：获取目标风电设备在第一时间段内每个时间点的第一真实天气数据和对应的真实风电功率数据，以及第二时间段内每个时间点的第二真实天气数据和对应的真实风电功率数据，其中，所述第一时间段为与所述第二时间段连续且在所述第二时间段之前的时间段，且两个时间段内时间点的个数；使用所述第一真实天气数据和对应的真实风电功率数据，训练预设的功率预测模型得到训练好的第一预测模型，使用所述第二真实天气数据和对应的真实风电功率数据，训练所述功率预测模型得到训练好的第二预测模型；获取构建历史预测模型时使用的历史权重和历史预测结果，基于所述历史预测结果和所述第二真实天气数据对应的真实风电功率数据的误差，修正所述历史权重，得到修正后的权重，其中，所述历史预测模型为预测所述第二时间段内的风电功率数据时采用的模型，所述历史权重为对基于所述第一时间段及其前一时间段的真实数据训练出的两个预测模型进行加权求平均以得到所述历史预测模型时使用的权重，所述历史预测结果为所述历史预测模型输出的结果；使用所述修正后的权重，对所述第一预测模型和所述第二预测模型中表征同一含义的参量进行加权求平均，得到对应参量的平均值，使用每个参量的平均值更新所述功率预测模型中表征同一含义的参量，得到第三预测模型；获取预测的第三时间段的预测天气数据，将所述预测天气数据输入所述第三预测模型，输出对应所述第三时间段的风电功率数据，其中，所述第三时间段为与所述第二时间段连续且在所述第二时间段之后的时间段。2.根据权利要求1所述的风电功率预测误差修正方法，其特征在于，基于所述历史预测结果和所述第二真实天气数据对应的真实风电功率数据的误差，修正所述历史权重，得到修正后的权重包括：根据所述历史预测结果和所述第二真实天气数据对应的真实风电功率数据，结合预设的第一损失函数，计算得到第一预测损失；根据所述第一预测损失和所述历史权重，采用梯度反向传播法计算权重的修正量，并根据所述修正量修正所述历史权重，得到修正后的权重。3.根据权利要求2所述的风电功率预测误差修正方法，其特征在于，根据所述第一预测损失和所述历史权重，采用梯度反向传播法计算权重的修正量，并根据所述修正量修正所述历史权重，得到修正后的权重包括：根据所述第一预测损失和所述历史权重，采用梯度反向传播法优化所述历史权重，得到优化后的权重；将所述第一时间段及其前一时间段的真实天气数据输入预设的权重预测模型，输出预测权重，以所述优化后的权重和所述预测权重之间的误差最小为依据，训练所述权重预测模型，得到训练好的权重预测模型；将所述第一真实天气数据和所述第二真实天气数据输入训练好的权重预测模型，输出预测结果为修正后的权重。4.根据权利要求1所述的风电功率预测误差修正方法，其特征在于，获取预测的第三时
间段的预测天气数据包括：基于所述第一真实天气数据和所述第二真实天气数据，使用训练好的天气预测模型预测第三时间段内的天气数据，得到预测天气数据。5.根据权利要求1所述的风电功率预测误差修正方法，其特征在于，所有时间段的天气数据均包括每个时间点的风速数据、风向数据、气温数据和气压数据；所有时间段的天气数据在输入模型之前均包括：针对任一时间点，对所述时间点的风速数据、风向数据、气温数据和气压数据分别进行编码处理，得到对应的编码向量；按照预设的数据拼接方式，将所有的编码向量进行拼接，得到所述时间点对应的编码结果，一时间段内所有时间点的编码结果构成对应时间段的天气数...

【专利技术属性】
技术研发人员：吴文静，冯利，王俊仃，万莉，杨晓雪，张丽萍，郭豪杰，
申请(专利权)人：商丘工学院，
类型：发明
国别省市：