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。
背景技术:
1、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
1、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。
2、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:
3、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;
4、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;
5、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;
6、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;
7、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。
8、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:
9、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;
10、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;
11、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;
12、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;
13、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。
14、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。
15、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。
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:
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:
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:
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:
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;
6.根据权利要求1至5任一项所述的风电功率预测误差修正方法,其特征在于,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包括:
7.根据权利要求6所述的风电功率预测误差修正方法,其特征在于,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包括:
8.一种基于人工智能的风电功率预测误差修正装置,其特征在于,所述风电功率预测误差修正装置包括:
9.根据权利要求8所述的风电功率预测误差修正装置,其特征在于,所述权重修正模块包括:
10.一种计算机设备,其特征在于,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权利要求1至7任一项所述的风电功率预测误差修正方法。