风电场功率数据预测方法及装置、电子设备与流程

本公开涉及数据处理，具体而言，涉及一种风电场功率数据预测方法、风电场功率数据预测装置、电子设备以及计算机可读存储介质。

背景技术：

1、随着风力发电技术日臻成熟，风电单机容量和并网型风电场不断扩大，风电占电力系统发电总量的比例也逐年增加。风电场穿透功率不断加大，给电力系统带来的一系列问题日益突出，严重威胁电力系统安全、稳定、经济、可靠运行。对风电功率进行及时准确的预测，可以显著增强电力系统的安全性、稳定性、经济性和可控性。

2、现有技术中，预测模型严重依赖已有的单一风电场的少量数据量，且不能针对每个风电场进行个性化处理，预测效果不佳。

技术实现思路

1、本公开实施例的目的在于提供一种风电场功率数据预测方法、风电场功率数据预测装置、电子设备以及计算机可读存储介质，从而在一定程度上解决了相关技术中预测模型严重依赖已有的单一风电场的少量数据量，且不能针对每个风电场进行个性化处理，预测效果不佳等问题。

2、根据本公开的第一方面，提供一种风电场功率数据预测方法，包括：获取目标区域中多个风电场的历史运行数据及预测数据，并基于所述多个风电场的所述历史运行数据及所述预测数据调整网络参数，得到预训练大模型；基于所述预训练大模型构建目标小模型，基于待预测的目标风电场的所述历史运行数据及所述预测数据对所述目标小模型进行微调；基于微调后的所述目标小模型预测所述目标风电场的功率数值。

3、在本公开的一种示例性实施例中，在所述获取目标区域中多个风电场的历史运行数据及预测数据之后，所述方法还包括：对所述多个风电场的历史运行数据及预测数据进行数据预处理。

4、在本公开的一种示例性实施例中，在所述基于所述多个风电场的所述历史运行数据及所述预测数据调整网络参数，得到预训练大模型之前，所述方法包括：基于多头注意力机制，前馈神经网络及求和与归一化层构造编码器，并由多个所述编码器组成多编码器模块；以串联或并联的方式基于多个所述多编码器模块构建所述预训练大模型。

5、在本公开的一种示例性实施例中，所述基于所述预训练大模型构建目标小模型，包括：在所述预训练大模型的基础上添加多个门控循环单元结构，构建所述目标小模型。

6、在本公开的一种示例性实施例中，所述历史运行数据包括历史实际功率，历史实际风速，所述预测数据为对目标时间段的预测风速数据；所述基于待预测的目标风电场的所述历史运行数据及所述预测数据对所述目标小模型进行微调，包括：

7、将所述目标风电场的所述历史实际功率、所述历史实际风速以及所述预测风速数据输入所述目标小模型，进行前向迭代运算，并通过反向传播更新所述目标小模型的网络参数，直至所述目标小模型收敛。

8、根据本公开的第二方面，提供一种风电场功率数据预测装置，包括：大模型训练模块，用于获取目标区域中多个风电场的历史运行数据及预测数据，并基于所述多个风电场的所述历史运行数据及所述预测数据调整网络参数，得到预训练大模型；小模型微调模块，用于基于所述预训练大模型构建目标小模型，基于待预测的目标风电场的所述历史运行数据及所述预测数据对所述目标小模型进行微调；预测模块，用于基于微调后的所述目标小模型预测所述目标风电场的功率数值。

9、在本公开的一种示例性实施例中，所述大模型训练模块具体用于：基于多头注意力机制，前馈神经网络及求和与归一化层构造编码器，并由多个所述编码器组成多编码器模块；以串联或并联的方式基于多个所述多编码器模块构建所述预训练大模型。

10、在本公开的一种示例性实施例中，所述小模型微调模块具体用于：在所述预训练大模型的基础上添加多个门控循环单元结构，构建所述目标小模型。

11、根据本公开的第三方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的方法。

12、根据本公开的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的方法。

13、本公开示例性实施例可以具有以下部分或全部有益效果：

14、在本公开示例实施方式所提供的风电场功率数据预测方法中，获取目标区域中多个风电场的历史运行数据及预测数据，并基于上述多个风电场的历史运行数据及预测数据调整网络参数，得到预训练大模型；基于预训练大模型构建目标小模型，基于待预测的目标风电场的所述历史运行数据及所述预测数据对所述目标小模型进行微调；基于微调后的所述目标小模型预测所述目标风电场的功率数值。本公开实施例使用多个风电场的大量数据基于预训练大模型用来捕获特征间的关联，获取普适性，再使用单一风电场使用小模型在预训练大模型的基础上做微调，包容风电场的个性化，去捕获不同时间序列之间的关系，通过将预训练大模型与小模型两者结合起来，改善了预测效果。

15、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

技术特征：

1.一种风电场功率数据预测方法，其特征在于，包括：

2.根据权利要求1所述的风电场功率数据预测方法，其特征在于，在所述获取目标区域中多个风电场的历史运行数据及预测数据之后，所述方法还包括：

3.根据权利要求1所述的风电场功率数据预测方法，其特征在于，在所述基于所述多个风电场的所述历史运行数据及所述预测数据调整网络参数，得到预训练大模型之前，所述方法包括：

4.根据权利要求3所述的风电场功率数据预测方法，其特征在于，所述基于所述预训练大模型构建目标小模型，包括：

5.根据权利要求4所述的风电场功率数据预测方法，其特征在于，所述历史运行数据包括历史实际功率，历史实际风速，所述预测数据为对目标时间段的预测风速数据；所述基于待预测的目标风电场的所述历史运行数据及所述预测数据对所述目标小模型进行微调，包括：

6.一种风电场功率数据预测装置，其特征在于，包括：

7.根据权利要求6所述的风电场功率数据预测装置，其特征在于，所述大模型训练模块具体用于：

8.根据权利要求7所述的风电场功率数据预测装置，其特征在于，所述小模型微调模块具体用于：

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-5任一项所述的方法。

10.一种电子设备，其特征在于，包括：

技术总结
本公开提供一种风电场功率数据预测方法、装置、电子设备及计算机可读存储介质，涉及数据处理技术领域。所述方法包括：获取目标区域中多个风电场的历史运行数据及预测数据，并基于所述多个风电场的所述历史运行数据及所述预测数据调整网络参数，得到预训练大模型；基于所述预训练大模型构建目标小模型，基于待预测的目标风电场的所述历史运行数据及所述预测数据对所述目标小模型进行微调；基于微调后的所述目标小模型预测所述目标风电场的功率数值。本公开既可以通过预训练大模型获取普适性，又通过小模型微调包容了风电场的个性化，提高了预测的准确性。

技术研发人员：袁宗涛,吴海峰,张井坡,李小东
受保护的技术使用者：北京瑞科同创能源科技有限公司
技术研发日：
技术公布日：2024/2/19