[发明专利]风功率预测模型训练方法、风功率预测方法、装置及介质

说明书

本发明提供了一种风功率预测模型训练方法、风功率预测方法、装置及介质，训练方法包括：获取风机的时序风机数据和所述风机所在风场的气象数值数据，所述气象数值数据表示所述风场的气象数据，所述时序风机数据表示按照时间排序的风机数据；基于自注意力机制对所述时序风机数据进行特征提取，获得第一特征数据，并基于交叉注意力机制对所述气象数值数据进行特征提取，获得第二特征数据；融合所述第一特征数据和所述第二特征数据，获得训练数据；采用所述训练数据训练预先构建的深度神经网络，获得风功率预测模型。本发明的技术方案提高了风功率预测的准确性。

技术领域

本发明涉及风能发电技术领域，具体而言，涉及一种风功率预测模型训练方法、风功率预测方法、装置及介质。

背景技术

随着社会用电量和化石燃料成本的逐年增长，社会对新能源发电的需求越来越高。其中，风力发电作为主要的新能源发电方式，因其具有清洁、无公害、可再生和蕴能大的特点，受到越来越多的关注。然而风力发电受到风功率波动的影响，存在输出功率不稳定的问题，导致风力发电的电价定价困难，风功率指风机的风力发电功率。并且，若发生风功率突变，由于风机控制系统存在滞后性，容易导致风机的载荷突然增大，可能会造成风机损坏。

为了优化风电定价策略和保护风机安全，目前常通过采集的风机数据训练深度学习模型，使用训练好的深度学习模型预测风功率，根据预测的风功率及时优化风电定价和对风机进行自适应控制。但是这种方法仅考虑了风机数据，未考虑其它因素对风功率的影响，准确性较差。

发明内容

本发明解决的问题是如何提高风功率预测的准确性。

为解决上述问题，本发明提供一种风功率预测模型训练方法、风功率预测方法、装置及介质。

第一方面，本发明提供了一种风功率预测模型训练方法，包括：

获取风机的时序风机数据和所述风机所在风场的气象数值数据，所述气象数值数据表示所述风场的气象数据，所述时序风机数据表示按照时间排序的风机数据；

基于自注意力机制对所述时序风机数据进行特征提取，获得第一特征数据，并基于交叉注意力机制对所述气象数值数据进行特征提取，获得第二特征数据；

融合所述第一特征数据和所述第二特征数据，获得训练数据；

采用所述训练数据训练预先构建的深度神经网络，获得风功率预测模型。

可选地，所述风机数据包括平均风速、风轮转速和风机状态中的至少一种，所述气象数值数据包括横纵向风速、温度和湿度中的至少一种；

所述获取风机的时序风机数据和所述风机所在风场的气象数值数据包括：获取不同时间所述风机的带标签的风机数据，以及以所述风场为中心的N*N网格内的所述气象数值数据，根据各个时间的所述带标签的风机数据生成带标签的所述时序风机数据，其中，所述标签为风功率，N大于或等于1。

可选地，所述基于自注意力机制对所述时序风机数据进行特征提取之前，还包括：

根据预设的时间跨度依次对所述时序风机数据进行划分，获得多个风机数据序列；

确定每个所述风机数据序列中的所述风机数据的平均值，依次组合每个所述风机数据序列对应的所述平均值，获得处理后的时序风机数据。

可选地，所述基于自注意力机制对所述时序风机数据进行特征提取包括：

获取各个所述风机数据在所述时序风机数据中的相对位置、各个所述风机数据的时间信息和不同时间的风机状态信息；

根据所述相对位置确定各个所述风机数据的位置编码，根据所述时间信息确定各个所述风机数据的时序编码，根据所述风机状态信息确定各个所述风机数据对应的状态编码；