风电功率预测方法、装置、电子设备及存储介质与流程

1.本发明涉及电力工程技术领域，尤其涉及一种风电功率预测方法、装置、电子设备及存储介质。


背景技术：

2.随着化石能源、天然气能源等一次能源的逐渐枯竭，并且，化石能源开采、利用等过程带来的环境污染问题越来越严重，世界各国都在逐渐推进新能源的开采与使用。风能作为清洁能源之一，被广泛应用于发电领域。风电功率的准确预测在充分利用风能、制定合理的风电调度计划以及加强电力系统吸收风电等方面均发挥了积极的作用。
3.目前，风电功率的预测方法主要由物理方法、统计方法和人工智能方法。但是，由于自然风存在严重的不确定性和非稳定性，使得风力发电机采集到的数据波动性很大，从而导致风电功率的预测比较困难。


技术实现要素：

4.本发明提供了一种风电功率预测方法、装置、电子设备及存储介质，以解决不同工况下风电机组的风电功率的预测问题。
5.根据本发明的一方面，提供了一种风电功率预测方法，该方法包括：
6.获取训练风电机组的样本运行数据和待预测风电机组的原始运行数据；
7.基于迁移成分分析算法对样本运行数据和原始运行数据进行处理，得到待预测风电机组的目标运行数据；
8.将目标运行数据输入至预先训练完成的风电功率预测模型中，得到待预测风电机组的风电功率预测结果，其中，风电功率预测模型是基于样本运行数据以及与样本运行数据对应的标签数据训练得到。
9.根据本发明的另一方面，提供了一种风电功率预测装置，该装置包括：
10.数据获取模块，用于获取训练风电机组的样本运行数据和待预测风电机组的原始运行数据；
11.数据处理模块，用于基于迁移成分分析算法对样本运行数据和原始运行数据进行处理，得到待预测风电机组的目标运行数据；
12.预测结果确定模块，用于将目标运行数据输入至预先训练完成的风电功率预测模型中，得到待预测风电机组的风电功率预测结果，其中，风电功率预测模型是基于样本运行数据以及与样本运行数据对应的标签数据训练得到。
13.根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
14.至少一个处理器；以及
15.与所述至少一个处理器通信连接的存储器；其中，
16.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的
风电功率预测方法。
17.根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的风电功率预测方法。
18.本发明实施例的技术方案，通过获取训练风电机组的样本运行数据和待预测风电机组的原始运行数据，然后，基于迁移成分分析算法对样本运行数据和原始运行数据进行处理，以使两者之间的概率分布相似，得到待预测风电机组的目标运行数据；最后，将目标运行数据输入至预先训练完成的风电功率预测模型中，得到待预测风电机组的风电功率预测结果，解决了现有技术中由于风电机组的运行工况不同，致使采集到的数据的概率分布相差较大，从而导致风电功率预测困难的问题，通过采用迁移成分分析算法不仅能够缩小运行数据之间的分布差异，提高风电功率预测模型的迁移能力和泛化能力，而且进一步达到了提高模型预测准确度的效果。
19.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
20.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
21.图1是根据本发明实施例一提供的一种风电功率预测方法的流程图；
22.图2是根据本发明实施例一提供的数据清洗前后的风速-功率示意图；
23.图3是根据本发明实施例一提供的数据清洗前后的风速-功率示意图；
24.图4是根据本发明实施例二提供的一种风电功率预测方法的流程图；
25.图5是根据本发明实施例三提供的一种风电功率预测方法的流程图；
26.图6是根据本发明实施例三提供的一种风电功率预测方法的风电功率预测结果图；
27.图7是根据本发明实施例三提供的一种风电功率预测方法的风电功率预测结果图；
28.图8是根据本发明实施例四提供的一种风电功率预测装置的结构示意图；
29.图9是实现本发明实施例的风电功率预测方法的电子设备的结构示意图。
具体实施方式
30.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
31.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第
二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
32.实施例一
33.图1为本发明实施例一提供了一种风电功率预测方法的流程图，本实施例可适用于对不同工况下风电机组的风电功率进行预测的情况，该方法可以由风电功率预测装置来执行，该风电功率预测装置可以采用硬件和/或软件的形式实现，该风电功率预测装置可配置于终端和/或服务器中。
34.如图1所示，该方法包括：
35.s110、获取训练风电机组的样本运行数据和待预测风电机组的原始运行数据。
36.在本实施例中，训练风电机组可以为在若干台风电机组中作为参照对象的风电机组。相应的，样本运行数据可以为用于作为样本的风电机组在预设时间段内的历史运行数据。示例性的，样本运行数据可以为风电机组在过去半年内的运行数据，数据特征可以包括风速、偏航角、转速、偏航对风误差以及风向等，本实施例对此不作限定。待预测风电机组可以为需要进行风电功率预测的风电机组。原始运行数据可以为该待预测风电机组的在预设时间段内的历史运行数据。
37.需要说明的是，样本运行数据和原始运行数据可以是从风电机组运行数据采集系统获取，也可以是从本地数据库中获取，还可以是通过其他数据获取方式获取，本实施例对此不作限定。例如，可以通过数据采集与监视控制(supervisory control and data acquisition，scada)系统获取风电机组的历史运行数据。
38.还需说明的是，为了对待预测风电机组的风电功率进行预测，在获取训练风电机组的样本运行数据时，同时获取该训练风电机组的风电功率。
39.具体的，在对待预测风电机组的风电功率进行预测时，首先，获取训练风电机组在预设时间段内的样本运行数据，并同时获取该训练风电机组的风电功率，进一步的，获取待预测风电机组在同一时间段内的原始运行数据，以使待预测风电机组可以根据训练风电机组实现风电功率的预测。
40.s120、基于迁移成分分析算法对样本运行数据和原始运行数据进行处理，得到待预测风电机组的目标运行数据。
41.其中，迁移成分分析算法(transfer component analysis，tca)为一种边缘分布自适应方法，是把一个领域(即源领域)的知识，迁移待另外一个领域(即目标领域)，使得目标领域能够取得更好的学习效果的算法。迁移成分分析算法的本质是使源域与目标域之间距离最小化，以使源域和目标域之间概率分布更加相似。在本实施例中，样本运行数据可以为源域数据，原始运行数据可以为目标域数据。目标运行数据可以为原始运行数据经过迁移成分分析算法处理后得到的新的目标域数据。
42.具体的，在获取训练风电机组的样本运行数据和待预测风电机组的原始运行数据之后，根据迁移成分分析算法对获取到的运行数据进行处理，将样本运行数据作为源域数
据，将原始运行数据作为目标域数据，使得处理后的源域数据和目标域数据之间的距离最小并最大程度的保留其内部特性，并将处理后的目标域数据作为待预测风电机组的目标运行数据。这样设置的好处在于：通过迁移成分分析算法可以使样本运行数据与原始运行数据之间的分布差异变小，有利于提高后续风电功率预测模型的迁移能力，能够充分提取两者之间的相似性特征并匹配数据的概率分布。
43.s130、将目标运行数据输入至预先训练完成的风电功率预测模型中，得到待预测风电机组的风电功率预测结果。
44.在本实施例中，风电功率预测模型可以为用于对风电机组的风电功率进行预测的神经网络模型。示例性的，风电功率预测模型可以是由卷积神经网络、循环神经网络或者深度神经网络中的至少一个构成，本实施例对此不作限定。
45.可选的，风电功率预测模型是基于样本运行数据以及与样本运行数据对应的标签数据训练得到。其中，标签数据为与训练风电机组的样本运行数据对应的风电功率数据。
46.具体的，将目标运行数据输入至预先训练完成的风电功率预测模型中，以使风电功率预测模型可以根据目标运行数据对待预测风电机组的风电功率进行预测，得到风电功率预测结果。
47.在上述技术方案的基础上，在基于迁移成分分析算法对样本运行数据和原始运行数据处理之前，还包括：根据预设数据处理方式对样本运行数据和原始运行数据进行数据处理，得到处理后的样本运行数据和原始运行数据。
48.其中，预设数据处理方式可以为预先设置的，用于对风电运行数据进行数据清洗的数据处理方式。可选的，预设数据处理方式可以包括异常数据清洗和离异数据清洗等。在本实施例中，异常数据可以为历史运行数据中因维护、故障等风电机组停机期间的运行数据、历史运行数据中切入风速以下或者切出风速以上的运行数据或者历史运行数据中功率值异常记录的运行数据等，例如，功率为负值或者超出最大功率所对应的运行数据。离异数据可以为数据采集系统中的传感器出现异常时所采集的运行数据。
49.具体的，在采用迁移成分分析算法对样本运行数据和原始运行数据进行处理之前，还需要根据预先设置的数据处理方式对获取到的运行数据进行数据清洗处理。这样设置的好处在于：为了避免风电机组运行过程中记录的异常数据或者离异数据对模型分析结果产生负面影响，从而实现风电功率的准确预测。
50.为了更加清楚的验证预设数据处理方式对风电机组的运行数据的处理结果，可以通过具体的例子来说明，例如，以1号风电机组在2021年5月1日至10月31日的历史运行数据作为样本运行数据，以10号风电机组在2021年5月1日至10月31日的历史运行数据作为原始运行数据，采样时间间隔均为1分钟，每个运行数据中的数据特征维数均为5，分别是风速、偏航角、转速、偏航对风误差以及风向，两台风电机组的切入风速均为2.5米/秒，切出风速均为20米/秒。图2为1号风电机组的运行数据经过数据处理之前(图左)和数据处理之后(图右)的风速-功率示意图，图3为10号风电机组的运行数据经过数据处理之前(图左)和数据处理之后(图右)的风速-功率示意图。
51.本发明实施例的技术方案，通过获取训练风电机组的样本运行数据和待预测风电机组的原始运行数据，然后，基于迁移成分分析算法对样本运行数据和原始运行数据进行处理，以使两者之间的概率分布相似，得到待预测风电机组的目标运行数据；最后，将目标
运行数据输入至预先训练完成的风电功率预测模型中，得到待预测风电机组的风电功率预测结果，解决了现有技术中由于风电机组的运行工况不同，致使采集到的数据的概率分布相差较大，从而导致风电功率预测困难的问题，通过采用迁移成分分析算法不仅能够缩小运行数据之间的分布差异，提高风电功率预测模型的迁移能力和泛化能力，而且进一步达到了提高模型预测准确度的效果。
52.实施例二
53.图4为本发明实施例二提供的一种风电功率预测方法的流程图，本实施例是对上述实施例中s120的细化。如图4所示，该方法包括：
54.s210、获取训练风电机组的样本运行数据和待预测风电机组的原始运行数据。
55.s220、确定样本运行数据与原始运行数据之间的分布距离。
56.在本实施例中，分布距离可以为样本运行数据和原始运行数据在特征映射空间内的边缘分布距离。
57.可选的，确定样本运行数据与原始运行数据之间的分布距离，包括：根据最大均值差异确定样本运行数据和原始运行数据之间的分布距离。
58.其中，最大均值差异(maximum mean discrepancy，mmd)为迁移学习，尤其是域适应中使用最广泛的一种距离度量方式，主要可以用来度量两个不同但相关的分布的距离。
59.示例性的，采用最大均值差异确定样本运行数据和原始运行数据之间的具体过程可以为：假设存在一个特征映射使得样本运行数据和原始运行数据之间的概率分布相似，即，其中，为样本运行数据，为原始运行数据，则使用最大均值差异计算分布距离的公式为：
[0060][0061]
其中，h表示该分布距离是由特征映射将样本运行数据和原始运行数据映射到再生希尔伯特空间中进行度量的。
[0062]
需要说明的是，根据最大均值差异对样本运行数据与原始运行数据进行处理的好处在于：找到一个合适的特征映射作为一个映射变换函数，使得变换后的样本运行数据与原始运行数据之间的分布距离最小。然而，最大均值差异也存在一些局限性，如果仅通过将上述距离公式最小化来确定后续的计算结果，很有可能会导致出现局部极小值的情况，并最终导致后续的风电功率预测结果不准确，因此，还需要引用其他方法来对上述分布距离公式进行求解。
[0063]
s230、基于预设核函数和分布距离确定待预测风电机组的目标运行数据。
[0064]
其中，预设核函数可以为预先设置的，用于对非线性变换的映射函数进行求解的函数。示例性的，预设核函数可以包括但不限于线性核函数、多项式核函数或者高斯核函数等，在本实施例中，预设核函数可以为高斯核函数。引入预设核函数可以将上述分布距离公式中涉及到特征映射函数求解问题转换成核函数的求解问题，大大的减小了运算量。
[0065]
示例性的，基于预设核函数和分布距离确定待预测风电机组的目标运行数据可以
通过如下公式进行确定：
[0066]
引入一个核矩阵k和一个mmd系数矩阵l，将上述mmd分布距离公式转化为：
[0067]
mmd＝tr(kl)-λtr(k)
[0068]
其中，表示样本运行数据，表示原始运行数据，tr表示求矩阵的迹，λ表示正则化系数。
[0069]
进一步的，可以根据上述矩阵计算公式确定经过降维处理后并且概率分布相似的样本运行数据和原始运行数据，并将处理后的原始运行数据作为待预测风电机组的目标运行数据，以便可以根据目标运行数据对风电功率进行预测。
[0070]
s240、将目标运行数据输入至预先训练完成的风电功率预测模型中，得到待预测风电机组的风电功率预测结果。
[0071]
一般情况下，在应用风电功率预测模型对风电机组的风电功率进行预测之前，还需要对该模型进行训练，因此，在上述技术方案的基础上，还包括：获取一台风电机组的第一历史运行数据，将第一历史运行数据作为训练数据，获取另一台风电机组的第二历史运行数据，将第二历史运行数据作为测试数据；基于迁移成分分析算法对训练数据和测试数据进行处理，得到目标训练数据；根据目标训练数据构建训练样本，并根据训练样本以及与训练样本对应的标签数据对待训练模型进行训练，得到风电功率预测模型。
[0072]
其中，训练样本可以为由若干个训练数据组成的，用于模型训练的样本。训练样本可以通过预设的样本划分方式进行划分。可选的，根据目标训练数据构建训练样本，包括：将目标训练数据按照时间序列进行划分，得到多个时间段的子训练数据，将每一段的子训练数据作为一个训练样本。示例性的，将目标训练数据按照时间先后顺序进行排列，从第一组数据开始向后连续取50组数据作为第一个训练样本，然后再从第51组数据开始连续取50组数据作为第二个训练样本，以此类推，共构建50个训练样本。
[0073]
可选的，待训练模型包括反向传播神经网络模型(back propagation neural network，bpnn)，反向传播神经网络模型包括输入层、隐藏层和输出层，隐藏层和输出层的激活函数为双曲正切函数。
[0074]
其中，激活函数为人工神经网络的神经元上运行的函数，负责将神经元的输入映射到输出端。引入激活函数是为了增加神经网络模型的非线性特征，以使神经网络模型的拟合性更好。
[0075]
在本实施例中，待训练模型可以为bp神经网络模型，其中，该模型由三层网络构成，分别是输入层、隐藏层和输出层，进一步的，在隐藏层和输出层的神经元上运行的激活函数为双曲正切(tanh)函数，隐藏层的神经单元个数为30个，输出层的神经单元的个数为1个。需要说明的是，隐藏层以及输出层中的神经元个数可以根据实际情况进行调整，本实施对此不作限定。
[0076]
可选的，根据训练样本以及与训练样本对应的标签数据对待训练模型进行训练，得到风电功率预测模型，包括：根据训练样本、训练样本对应的标签数据以及预先构建的模型损失函数对待训练模型的模型参数进行调整，以得到风电功率预测模型。
[0077]
其中，训练样本对应的标签数据为风电功率标注数据。预先设置的模型损失函数可以为预先设置的，用于评价模型的预测值与真实值之间不一样程度的函数。模型损失函数可以包括但不限于交叉熵损失函数、均方误差损失函数或者合页损失函数等。在本实施例中，模型损失函数为均方误差损失函数。
[0078]
可选的，根据训练样本、训练样本对应的标签数据以及预先构建的模型损失函数对待训练模型的模型参数进行调整，包括：
[0079]
通过如下公式确定待训练模型的模型参数：
[0080][0081]
其中，η表示学习率，θ表示待训练模型的模型参数，θ'表示θ经过一次迭代更新后的模型参数，表示模型损失函数的导数，
·
表示乘积。
[0082]
需要说明的是，待训练模型的训练结束条件可以为训练过程中模型损失函数趋于收敛状态，也可以为待训练模型输出的训练结果与训练样本对应的标签数据的差异达到预设阈值等，本实施例对此不作限定。
[0083]
具体的，获取任意两台风电机组的历史运行数据，将其中一台的历史运行数据作为训练数据，将另一台的历史运行数据作为测试数据，然后，基于迁移成分分析算法对训练数据和测试数据进行处理，以使处理后的训练数据和测试数据之间的概率分布相似，得到目标训练数据，进一步的，将目标训练数据按照时间序列进行划分后构建训练样本，并根据构建后的训练样本、训练样本对应的标签数据以及模型损失函数对待训练模型的模型参数进行调整，直至满足训练结束条件，得到训练完成的风电功率预测模型。
[0084]
还需说明的是，用于模型训练的训练数据和测试数据，在基于迁移成分分析算法处理之前，也需要经过异常数据清洗和离异数据清洗。
[0085]
本发明实施例的技术方案，通过获取训练风电机组的样本运行数据和待预测风电机组的原始运行数据，然后，确定样本运行数据与原始运行数据之间的分布距离，进一步的，基于预设核函数和分布距离确定待预测风电机组的目标运行数据，最后，将目标运行数据输入至预先训练完成的风电功率预测模型中，得到待预测风电机组的风电功率预测结果，解决了现有技术中由于风电机组的运行工况不同，致使采集到的数据的概率分布相差较大，从而导致风电功率预测困难的问题，通过采用迁移成分分析算法不仅能够缩小运行数据之间的分布差异，提高风电功率预测模型的迁移能力和泛化能力，而且进一步达到了提高模型预测准确度的效果。
[0086]
实施例三
[0087]
图5为本发明实施例三提供的一种风电功率预测方法的流程图。以风电功率预测模型为bp神经网络模型为例，如图5所示，该方法具体可以包括如下步骤：
[0088]
1、获取风电机组的历史运行数据；
[0089]
2、对获取后的历史运行数据进行数据清洗；
[0090]
3、将清洗后的历史运行数据划分为源域数据集和目标域数据集；
[0091]
4、基于迁移成分分析算法(tca)对源域数据集和目标域数据集进行处理；
[0092]
5、将处理后的新源域数据集作为模型训练数据，对bp神经网络模型进行训练，以得到训练完成的bp神经网络模型；
[0093]
6、将经过tca处理后的新目标域数据集输入至训练完成的bp神经网络中进行风电功率预测，得到与新目标域数据集对应的风电功率预测结果。
[0094]
为了验证本发明实施例的技术效果，可以通过具体的例子来进行说明，例如，获取两台风电机组的历史运行数据，其中一台为1号风电机组，另一台为10号风电机组，根据两台风电机组构建两个迁移任务，一个迁移任务是以1号风电机组的历史运行数据作为训练数据，进行模型训练，并根据训练完成的模型对10号风电机组的风电功率进行预测；另一个迁移任务是以10号风电机组的历史运行数据作为训练数据，进行模型训练，对1号风电机组的风电功率进行预测。图6为1号风电机组迁移到10号风电机组的风电功率预测结果图，图7为10号风电机组迁移到1号风电机组的风电功率预测结果图。从图6和图7中可以看出，在两个迁移任务中，模型的预测功率值与实际功率值较为相近，在多个数据点处的功率预测值几乎等于功率实际值，表明模型的迁移效果比较良好，能够实现较高准确度的风电功率预测。
[0095]
本发明实施例的技术方案，通过获取训练风电机组的样本运行数据和待预测风电机组的原始运行数据，然后，基于迁移成分分析算法对样本运行数据和原始运行数据进行处理，以使两者之间的概率分布相似，得到待预测风电机组的目标运行数据；最后，将目标运行数据输入至预先训练完成的风电功率预测模型中，得到待预测风电机组的风电功率预测结果，解决了现有技术中由于风电机组的运行工况不同，致使采集到的数据的概率分布相差较大，从而导致风电功率预测困难的问题，通过采用迁移成分分析算法不仅能够缩小运行数据之间的分布差异，提高风电功率预测模型的迁移能力和泛化能力，而且进一步达到了提高模型预测准确度的效果。
[0096]
实施例四
[0097]
图8为本发明实施例四提供的一种风电功率预测装置的结构示意图。如图8所示，该装置包括：数据获取模块310、数据处理模块320和预测结果确定模块330。
[0098]
其中，数据获取模块310，用于获取训练风电机组的样本运行数据和待预测风电机组的原始运行数据；数据处理模块320，用于基于迁移成分分析算法对样本运行数据和原始运行数据进行处理，得到待预测风电机组的目标运行数据；预测结果确定模块330，用于将目标运行数据输入至预先训练完成的风电功率预测模型中，得到待预测风电机组的风电功率预测结果，其中，风电功率预测模型是基于样本运行数据以及与样本运行数据对应的标签数据训练得到。
[0099]
本发明实施例的技术方案，通过获取训练风电机组的样本运行数据和待预测风电机组的原始运行数据，然后，基于迁移成分分析算法对样本运行数据和原始运行数据进行处理，以使两者之间的概率分布相似，得到待预测风电机组的目标运行数据；最后，将目标运行数据输入至预先训练完成的风电功率预测模型中，得到待预测风电机组的风电功率预测结果，解决了现有技术中由于风电机组的运行工况不同，致使采集到的数据的概率分布相差较大，从而导致风电功率预测困难的问题，通过采用迁移成分分析算法不仅能够缩小运行数据之间的分布差异，提高风电功率预测模型的迁移能力和泛化能力，而且进一步达
到了提高模型预测准确度的效果。
[0100]
可选的，数据处理模块320包括距离确定单元和数据确定单元；其中，距离确定单元，用于确定样本运行数据与原始运行数据之间的分布距离；数据确定单元，用于基于预设核函数和分布距离确定待预测风电机组的目标运行数据。
[0101]
可选的，距离确定单元，还用于根据最大均值差异确定样本运行数据和原始运行数据之间的分布距离。
[0102]
可选的，所述装置还包括：运行数据获取模块、训练数据确定模块和模型训练模块。其中，运行数据获取模块，用于获取一台风电机组的第一历史运行数据，将第一历史运行数据作为训练数据，获取另一台风电机组的第二历史运行数据，将第二历史运行数据作为测试数据；训练数据确定模块，用于基于迁移成分分析算法对训练数据和测试数据进行处理，得到目标训练数据；模型训练模块，用于根据目标训练数据构建训练样本，并根据训练样本以及与训练样本对应的标签数据对待训练模型进行训练，得到风电功率预测模型。
[0103]
可选的，模型训练模块，还用于将目标训练数据按照时间序列进行划分，得到多个时间段的子训练数据，将每一段的子训练数据作为一个训练样本。
[0104]
可选的，模型训练模块，还用于根据训练样本、训练样本对应的标签数据以及预先构建的模型损失函数对待训练模型的模型参数进行调整，以得到风电功率预测模型。
[0105]
可选的，模型训练模块，还用于通过如下公式确定待训练模型的模型参数：
[0106][0107]
其中，η表示学习率，θ表示待训练模型的模型参数，θ'表示θ经过一次迭代更新后的模型参数，表示模型损失函数的导数，
·
表示乘积。
[0108]
可选的，所述待训练模型包括反向传播神经网络模型，所述反向传播神经网络模型包括输入层、隐藏层和输出层，隐藏层和输出层的激活函数为双曲正切函数。
[0109]
可选的，所述装置还包括：数据处理模块，用于根据预设数据处理方式对样本运行数据和原始运行数据进行数据处理，得到处理后的样本运行数据和原始运行数据，其中，预设数据处理方式包括异常数据清洗和离异数据清洗。
[0110]
本发明实施例所提供的风电功率预测装置可执行本发明任意实施例所提供的风电功率预测方法，具备执行风电功率预测方法相应的功能模块和有益效果。
[0111]
实施例五
[0112]
图9示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
[0113]
如图9所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种
适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
[0114]
电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0115]
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如风电功率预测方法。
[0116]
在一些实施例中，风电功率预测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的风电功率预测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行风电功率预测方法。
[0117]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0118]
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0119]
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0120]
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子
设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0121]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
[0122]
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
[0123]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
[0124]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。