基于多任务学习的来流风况联合预测方法、装置及设备

本公开涉及新能源发电，尤其涉及一种基于多任务学习的来流风况联合预测方法、装置及设备。

背景技术：

1、在风电发展领域，高时间分辨率的未来风况数据至关重要，它可以为风电机组控制和风电场控制提供关键支持，从而提升发电量以及电网稳定性等。

2、相关技术中，当前的风况预测技术主要集中在风速的预测上，而对于风向的预测研究则相对匮乏，其中大多数研究仅单独针对风速或风向进行预测，未能捕捉未来风况的整体动态。此外，目前大多数预测技术的时间分辨率通常为15分钟或更长，而风电机组来流风况变化频率快、幅度大，此种时间分辨率无法满足风电场控制的需求。因此，上述风况预测技术存在无法捕捉未来风况的整体动态、时间分辨率过低等问题。

技术实现思路

1、为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种基于多任务学习的来流风况联合预测方法、装置及设备。

2、第一方面，本公开实施例提供一种基于多任务学习的来流风况联合预测方法，所述方法包括：

3、基于来流风况实测数据构建输入数据集合和输出数据集合；

4、搭建来流风况联合预测模型，所述来流风况联合预测模型包括来流风速预测任务和来流风向预测任务；

5、对所述来流风况联合预测模型进行训练以及超参数寻优，得到目标来流风况联合预测模型；

6、通过目标来流风况联合预测模型对来流风况进行预测，得到秒级的来流风况预测数据，所述来流风况预测数据包括来流风速预测数据以及来流风向预测数据。

7、在一些实施例中，所述基于来流风况实测数据构建输入数据集合和输出数据集合，包括：

8、对来流风况实测数据进行预处理，得到预处理后的来流风况实测数据；

9、基于预处理后的来流风况实测数据通过滑动时间窗口算法，构建输入数据集合和输出数据集合；

10、其中，所述输入数据集合为秒级的历史风况数据集合，所述输出数据集合为秒级的未来风况数据集合。

11、在一些实施例中，所述搭建来流风况联合预测模型，包括：

12、设计所述来流风况联合预测模型的模型架构；

13、对所述来流风况联合预测模型中的来流风速预测任务和来流风向预测任务，采用硬参数共享机制；

14、基于来流风速预测任务以及来流风向预测任务各自对应的权重，定制所述来流风况联合预测模型的损失函数。

15、在一些实施例中，所述设计所述来流风况联合预测模型的模型架构，包括：

16、将长短时记忆网络和全连接网络作为所述来流风况联合预测模型的核心结构；

17、其中，所述长短时记忆网络用于捕捉风速与风向在时间序列上的相关性特征，所述全连接网络用于基于相关性特征对来流风况进行预测。

18、在一些实施例中，所述对所述来流风况联合预测模型进行训练以及超参数寻优，得到目标来流风况联合预测模型，包括：

19、基于输入数据集合和输出数据集合，制作训练集、验证集以及测试集；

20、将所述来流风况联合预测模型的模型参数初始化，并设定超参数搜索空间；

21、对于所述超参数搜索空间中的各个超参数组合，利用所述训练集分别对各个超参数组合对应的来流风况联合预测模型进行训练直至所述各个超参数组合对应的来流风况联合预测模型均收敛；

22、利用测试集分别对所述各个超参数组合对应的来流风况联合预测模型进行测试，得到各个超参数组合对应的来流风况联合预测模型的预测结果；

23、利用模型评价指标分别对所述各个超参数组合对应的来流风况联合预测模型的预测结果进行评估，得到各个超参数组合对应的来流风况联合预测模型的评估值；

24、基于所述模型评价指标从各个超参数组合对应的来流风况联合预测模型的评估值中确定出最佳评估值，将与最佳评估值相匹配的超参数组合对应的来流风况联合预测模型，确定为目标来流风况联合预测模型。

25、在一些实施例中，所述基于输入数据集合和输出数据集合，制作训练集、验证集以及测试集，包括：

26、对输入数据集合和输出数据集合进行归一化处理，得到归一化输入数据集合以及归一化输出数据集合；

27、将归一化输入数据集合以及归一化输出数据集合，按预设比例划分为训练集、验证集以及测试集。

28、在一些实施例中，所述通过目标来流风况联合预测模型对来流风况进行预测，得到秒级的来流风况预测数据，包括：

29、获取来流风况实时测量数据；

30、将所述来流风况实时测量数据输入到所述目标来流风况联合预测模型中，通过所述目标来流风况联合预测模型输出秒级的来流风况预测数据。

31、第二方面，本公开实施例提供一种基于多任务学习的来流风况联合预测装置，所述装置包括：

32、数据集构建模块，用于基于来流风况实测数据构建输入数据集合和输出数据集合；

33、模型搭建模块，用于搭建来流风况联合预测模型，所述来流风况联合预测模型包括来流风速预测任务和来流风向预测任务；

34、模型训练模块，用于对所述来流风况联合预测模型进行训练以及超参数寻优，得到目标来流风况联合预测模型；

35、模型应用模块，用于通过目标来流风况联合预测模型对来流风况进行预测，得到秒级的来流风况预测数据。

36、第三方面，本公开实施例提供一种电子设备，包括：

37、存储器；

38、处理器；以及

39、计算机程序；

40、其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如第一方面所述的方法。

41、第四方面，本公开实施例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以实现如第一方面所述的方法。

42、第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括计算机程序或指令，该计算机程序或指令被处理器执行时实现如第一方面所述的方法。

43、本公开实施例提供的基于多任务学习的来流风况联合预测方法、装置及设备，基于来流风况实测数据构建输入数据集合和输出数据集合，搭建来流风况联合预测模型，所述来流风况联合预测模型包括来流风速预测任务和来流风向预测任务，对所述来流风况联合预测模型进行训练以及超参数寻优，得到目标来流风况联合预测模型，通过目标来流风况联合预测模型对来流风况进行预测，得到秒级的来流风况预测数据，所述来流风况预测数据包括来流风速预测数据以及来流风向预测数据。相较于现有技术，本公开实施例通过搭建并训练来流风况联合预测模型，通过目标来流风况联合预测模型可以有效捕捉未来风况的整体动态，从而实现秒级风速与风向的高精度预测。这不仅有助于风电机组和风电场的控制，也为提高发电量、延长设备寿命和增强电网稳定性等提供关键支持。

技术特征：

1.一种基于多任务学习的来流风况联合预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述基于来流风况实测数据构建输入数据集合和输出数据集合，包括：

3.根据权利要求1所述的方法，其特征在于，所述搭建来流风况联合预测模型，包括：

4.根据权利要求3所述的方法，其特征在于，所述设计所述来流风况联合预测模型的模型架构，包括：

5.根据权利要求1所述的方法，其特征在于，所述对所述来流风况联合预测模型进行训练以及超参数寻优，得到目标来流风况联合预测模型，包括：

6.根据权利要求5所述的方法，其特征在于，所述基于输入数据集合和输出数据集合，制作训练集、验证集以及测试集，包括：

7.根据权利要求1所述的方法，其特征在于，所述通过目标来流风况联合预测模型对来流风况进行预测，得到秒级的来流风况预测数据，包括：

8.一种基于多任务学习的来流风况联合预测装置，其特征在于，包括：

9.一种电子设备，其特征在于，包括：

10.一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如权利要求1-7中任一项所述的方法。

技术总结
本公开涉及一种基于多任务学习的来流风况联合预测方法、装置及设备。基于来流风况实测数据构建输入数据集合和输出数据集合，搭建来流风况联合预测模型，对来流风况联合预测模型进行训练以及超参数寻优，得到目标来流风况联合预测模型，通过目标来流风况联合预测模型对来流风况进行预测，得到秒级的来流风况预测数据，来流风况预测数据包括来流风速预测数据以及来流风向预测数据。相较于现有技术，本公开实施例通过搭建并训练来流风况联合预测模型，可以有效捕捉未来风况的整体动态，从而实现秒级风速与风向的高精度预测。这不仅有助于风电机组和风电场的控制，也为提高发电量、延长设备寿命和增强电网稳定性等提供关键支持。

技术研发人员：阎洁,何书凯,刘永前,韩爽,李莉,李运舟
受保护的技术使用者：华北电力大学
技术研发日：
技术公布日：2025/2/5