本公开提出了一种风力发电机功率预测模型训练方法及装置，涉及发电机功率预测技术领域，该方法包括：获取风力发电机的多组历史运行数据和初始风力发电机功率预测模型；计算多组历史运行数据的复杂度；基于复杂度，对多组历史运行数据进行重新组合，生成至少一组目标训练数据；基于目标训练数据对初始风力发电机功率预测模型进行训练，直至训练结束生成目标风力发电机功率预测模型。通过计算多组历史运行数据的复杂度，并重新进行排列生成目标训练数据，然后对模型进行训练，可以降低由于多组历史运行数据的偏差对最终生成的目标风力发电机功率预测模型精度影响，提升后续风力发电机功率预测效果。机功率预测效果。机功率预测效果。
【技术实现步骤摘要】
风力发电机功率预测模型训练方法及装置
[0001]本公开涉及发电机功率预测
，尤其涉及一种风力发电机功率预测模型训练方法及装置。
技术介绍
[0002]虚拟电厂是指将多个分散的分布式能源资源(包括风电场、光伏电站、储能设施等)通过信息化技术和智能化控制技术，组成一个虚拟的能源中心，以实现能源的集中管理和优化利用。在虚拟电厂中，各种能源资源的输出和消耗可以被协调和优化，以最大化整个能源系统的效益。具体来说，虚拟电厂需要在不同时间段内对各种分布式能源资源的发电功率进行预测，以便进行灵活的能源调度和管理。通过功率预测，虚拟电厂可以更加准确地预测和规划未来的能源供应和需求情况，避免过量或不足的能源调度，从而实现能源的最优化管理。通过功率预测可以帮助虚拟电厂实现预测未来的能源需求情况，虚拟电厂可以合理安排各种能源资源的调度和管理，避免不必要的浪费，节约能源；避免不必要的能源调度和管理，降低能源成本，提高能源利润。
技术实现思路
[0003]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。
[0004]为此，本公开的一个目的在于提出一种风力发电机功率预测模型训练方法。
[0005]本公开的第二个目的在于提出一种风力发电机功率预测模型训练装置。
[0006]本公开的第三个目的在于提出一种电子设备。
[0007]本公开的第四个目的在于提出一种非瞬时计算机可读存储介质。
[0008]本公开的第五个目的在于提出一种计算机程序产品。
[0009]为达上述目的，本公开第一方面实施方式提出了一种风力发电机功率预测模型训练方法，包括：获取风力发电机的多组历史运行数据和初始风力发电机功率预测模型；计算所述多组历史运行数据的复杂度；基于所述复杂度，对所述多组历史运行数据进行重新组合，生成至少一组目标训练数据；基于所述目标训练数据对所述初始风力发电机功率预测模型进行训练，直至训练结束生成目标风力发电机功率预测模型。
[0010]根据本公开的一个实施方式，所述计算所述多组历史运行数据的复杂度，包括：针对所述多组历史运行数据中的任一一组历史运行数据，对所述历史运行数据进行分解，以获时间序列；计算所述时间序列的样本熵；基于所述样本熵计算所述历史运行数据的复杂度。
[0011]根据本公开的一个实施方式，所述计算所述时间序列的样本熵，包括：将所述时间序列进行分解为多个m维的第一时间数列和多个m+1维的第二时间数列，其中，m为正整数；获取任意两个所述第一时间数列的第一序列距离，以及获取任意两个所述第二时间数列的第二序列距离；确定所述第一序列距离小于距离阈值的第一时间数列的第一数量，以及确定所述第二序列距离小于距离阈值的第二时间数列的第二数量；基于所述第一数量和所述
第二数量，计算所述时间序列的样本熵。
[0012]根据本公开的一个实施方式，所述获取任意两个所述第一时间数列的第一序列距离，以及获取任意两个所述第二时间数列的第二序列距离，包括：获取任意两个所述第一时间数列中所有对应元素的第一元素距离，以及获取任意两个所述第二时间数列中所有对应元素的第二元素距离；从所有所述第一元素距离中选取最大值作为所述第一序列距离，以及从所有所述第二元素距离中选取最大值作为所述第二序列距离。
[0013]根据本公开的一个实施方式，所述基于所述复杂度，对所述多组历史运行数据进行重新组合，生成至少一组目标训练数据，包括：获取预设的多个复杂度区间；基于历史运行数据的复杂度，确定所述历史运行数据所处的复杂度区间；将同一复杂度区间的历史运行数据进行重新组合，以生成所述目标训练数据。
[0014]根据本公开的一个实施方式，所述对所述历史运行数据进行分解，以获时间序列，包括：向所述历史运行数据插入多组噪声数据，以获取多组初始数据序列；获取所述初始数据序列的残值；基于所述多组初始数据序列的残值，确定所述历史运行数据的时间序列。
[0015]根据本公开的一个实施方式，所述基于所述第一数量和所述第二数量，计算所述时间序列的样本熵，包括：基于所述第一时间数列中所有元素的第一数量，求取第一平均数量，以及基于所述第一时间数列中所有元素的第二数量，求取第二平均数量；基于所述第一平均数量和所述第二平均数量，计算所述时间序列的样本熵。
[0016]为达上述目的，本公开第二方面实施例提出了一种风力发电机功率预测模型训练装置，包括：获取模块，用于获取风力发电机的多组历史运行数据和初始风力发电机功率预测模型；计算模块，用于计算所述多组历史运行数据的复杂度；生成模块，用于基于所述复杂度，对所述多组历史运行数据进行重新组合，生成至少一组目标训练数据；训练模块，用于基于所述目标训练数据对所述初始风力发电机功率预测模型进行训练，直至训练结束生成目标风力发电机功率预测模型。
[0017]为达上述目的，本公开第三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力发电机功率预测模型训练方法。
[0018]为达上述目的，本公开第四方面实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于实现如本公开第一方面实施例所述的风力发电机功率预测模型训练方法。
[0019]为达上述目的，本公开第五方面实施例提出了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时用于实现如本公开第一方面实施例所述的风力发电机功率预测模型训练方法。
[0020]通过计算多组历史运行数据的复杂度，并重新进行排列生成目标训练数据，然后对模型进行训练，可以降低由于多组历史运行数据的偏差对最终生成的目标风力发电机功率预测模型精度影响，提升后续风力发电机功率预测效果。
附图说明
[0021]图1是本公开一个实施方式的一种风力发电机功率预测模型训练方法的示意图；
[0022]图2是本公开一个实施方式的另一种风力发电机功率预测模型训练方法的示意图；
[0023]图3是本公开一个实施方式的另一种风力发电机功率预测模型训练方法的示意图；
[0024]图4是本公开一个实施方式的一种风力发电机功率预测模型训练装置的示意图；
[0025]图5是本公开一个实施方式的一种电子设备的示意图。
具体实施方式
[0026]下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本公开，而不能理解为对本公开的限制。
[0027]图1为本公开提出的一种风力发电机功率预测模型训练方法的一种示例性实施方式的示意图，如图1所示，该风力发电机功率预测模型训练方法包括以下步骤：
[0028]S101，获取风力发电机的多组历史运行数据和初始风力发电机功率本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种风力发电机功率预测模型训练方法，其特征在于，包括：获取风力发电机的多组历史运行数据和初始风力发电机功率预测模型；计算所述多组历史运行数据的复杂度；基于所述复杂度，对所述多组历史运行数据进行重新组合，生成至少一组目标训练数据；基于所述目标训练数据对所述初始风力发电机功率预测模型进行训练，直至训练结束生成目标风力发电机功率预测模型。2.根据权利要求1所述的方法，其特征在于，所述计算所述多组历史运行数据的复杂度，包括：针对所述多组历史运行数据中的任一一组历史运行数据，对所述历史运行数据进行分解，以获时间序列；计算所述时间序列的样本熵；基于所述样本熵计算所述历史运行数据的复杂度。3.根据权利要求2所述的方法，其特征在于，所述计算所述时间序列的样本熵，包括：将所述时间序列分解为多个m维的第一时间数列和多个m+1维的第二时间数列，其中，m为正整数；获取任意两个所述第一时间数列的第一序列距离，以及获取任意两个所述第二时间数列的第二序列距离；确定所述第一序列距离小于距离阈值的第一时间数列的第一数量，以及确定所述第二序列距离小于所述距离阈值的第二时间数列的第二数量；基于所述第一数量和所述第二数量，计算所述时间序列的样本熵。4.根据权利要求3所述的方法，其特征在于，所述获取任意两个所述第一时间数列的第一序列距离，以及获取任意两个所述第二时间数列的第二序列距离，包括：获取任意两个所述第一时间数列中所有对应元素的第一元素距离，以及获取任意两个所述第二时间数列中所有对应元素的第二元素距离；从所有所述第一元素距离中选取最大值作为所述第一序列距离，以及从所有所述第二元素距离中选取最大值作为所述第二序列距离。5.根据权利要求4所述的方法，其特征在于，所述基于所述第一数量和所述第二数量，计算所述时间序列的样本熵，包括：基于所述第一时间数列中所有元素的第一数...
【专利技术属性】
技术研发人员：郝健强，申旭辉，孙财新，王辉，潘霄峰，沈聪，关何格格，任飞，王德志，孙培英，任晓馗，王春林，王鸿策，
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华能海上风电科学技术研究有限公司，
类型：发明
国别省市：
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。