风速订正模型的训练方法、风电场的风速订正方法和装置与流程

1.本公开总体说来涉及风力发电技术领域，更具体地讲，涉及一种针对风电场的各个风机点位所在区域的风速订正模型的训练方法、风电场的风速订正方法和装置。


背景技术：

2.由于大风灾害天气对风电场的在运风机会造成扫塔和叶片损伤等质量风险，所以对于有大风灾害风险的风电场而言，需要进行准确的大风预警，从而在出现大风预警时，提前通知现场人员对机组进行相应处理以规避风险。
3.然而，相关技术中，大多是对所有风速进行整体订正，不会对大风进行特殊处理和看待。由于大风和全风速的分布特点不完全一样，所以将所有风速进行整体订正虽然会让整体的系统性偏差降低，但是不能提高大风的订正效果。


技术实现要素：

4.本公开提供一种风速订正模型的训练方法、风电场的风速订正方法和装置，从而能够在风电场的各个风机点位有针对性地对模型进行训练或者有针对性地对风速进行订正。
5.在一个总的方面，提供一种风速订正模型的训练方法，所述训练方法包括：获取训练样本，所述训练样本包括目标风机点位的历史气象数据和历史风速数据，所述目标风机点位是风电场多个风机点位中的任意一个；对所述训练样本进行预处理，得到第一数据序列；将所述第一数据序列分别输入多个预设风速订正模型，其中，每个预设风速订正模型具有多个预设参数组合；获取每个预设风速订正模型在每个预设参数组合下输出的第一预测风速序列；基于所述第一预测风速序列，针对每个预设风速订正模型的每个预设参数组合进行性能评价；将性能评价结果符合预设要求的预设参数组合所对应的预设风速订正模型确定为该风机点位的风速订正模型。
6.可选地，对所述训练样本进行预处理，得到第一数据序列的步骤包括：通过对所述历史风速数据进行第一数据聚合，将所述历史风速数据中的瞬时数据聚合为小时数据，得到第一风速序列，通过对所述第一风速序列和所述历史气象数据中时间相同的数据进行拼接，得到第二数据序列；将所述第二数据序列中的任一小时的数据和该小时之前的第一数量个小时的数据进行第二数据聚合，并基于每个小时的第二数据聚合后的数据，得到所述第一数据序列。
7.可选地，通过对所述历史风速数据进行第一数据聚合，将所述历史风速数据中的瞬时数据聚合为小时数据，得到第一风速序列的步骤包括：通过对所述历史风速数据进行数据清洗，得到第二风速序列，其中，所述数据清洗包括异常值处理或缺失值处理；通过对所述第二风速序列进行数据缩放，得到第三风速序列，其中，所述数据缩放包括标准化或归一化；通过将所述第三风速序列中的瞬时数据聚合为小时数据，得到所述第一风速序列。
8.可选地，性能评价的结果包括第一评分和第二评分，其中，基于所述第一预测风速
序列，针对每个预设风速订正模型的每个预设参数组合进行性能评价的步骤包括：基于所述第一预测风速序列中的预测值和所述第一数据序列中的实测值，对每个预设风速订正模型的每个预设参数组合进行第一评分，并且获取大风事件，其中，所述大风事件包括通过预测值获取的预测大风事件或通过实测值获取的实测大风事件，其中，所述预测大风事件和所述实测大风事件包括第一大风事件或第二大风事件，其中，所述第一大风事件表示在预设时间段内风速的预测值/实测值大于第一预设阈值的累计时长超过第一时长，所述第二大风事件表示在预设时间段内风速的预测值/实测值大于第二预设阈值的累计时长超过第二时长；基于所述预测大风事件的第二数量和所述实测大风事件的第三数量，对每个预设风速订正模型的每个预设参数组合进行第二评分。
9.可选地，基于所述第一预测风速序列中的预测值和所述第一数据序列中的实测值，对每个预设风速订正模型的每个预设参数组合进行第一评分的步骤包括：计算每个大于第三预设阈值的实测值和相应的预测值之间的绝对误差率；将所述绝对误差率的平均值作为所述第一评分的分数。
10.可选地，基于所述预测大风事件的第二数量和所述实测大风事件的第三数量，对每个预设风速订正模型的每个预设参数组合进行第二评分的步骤包括：基于所述预测大风事件的第二数量和所述实测大风事件的第三数量，获取每个预设风速订正模型在每个预设参数组合下的召回率和精确率；基于所述召回率和精确率以及预设参数，对每个预设风速订正模型的每个预设参数组合进行第二评分，其中，所述预设参数与所述召回率的权重相关联。
11.可选地，基于所述预测大风事件的第二数量和所述实测大风事件的第三数量，对每个预设风速订正模型的每个预设参数组合进行第二评分的步骤包括：基于所述预测大风事件的第一大风事件和所述实测大风事件的第一大风事件，对每个预设风速订正模型的每个预设参数组合进行第二评分，以获取第一分数，以及基于所述预测大风事件的第二大风事件和所述实测大风事件的第二大风事件，对每个预设风速订正模型的每个预设参数组合进行第二评分，以获取第二分数；当所述实测大风事件中的第一大风事件的第四数量为0时，将0作为所述第二评分的分数；当所述第四数量大于0并且小于或等于第四预设阈值时，将第一比例的第一分数与第二比例的第二分数的和值作为所述第二评分的分数，其中，所述第一比例为第四数量和第四预设阈值的比值，所述第一比例与第二比例的和值为1；当所述第四数量大于第四预设阈值时，将所述第一分数作为所述第二评分的分数。
12.可选地，基于所述第一预测风速序列，针对每个预设风速订正模型的每个预设参数组合进行性能评价的步骤还包括：当所述第四数量为0，或者所述第四数量大于0并且所述第一评分的分数小于或等于第五预设阈值时，将所述第一评分的分数作为性能评价的结果；当所述第四数量大于0并且所述第一评分的分数大于第五预设阈值时，将所述第二评分的分数作为性能评价的结果。
13.在另一总的方面，提供一种风电场的风速订正方法，所述风速订正方法包括：获取风电场的各个风机点位的实时气象数据；分别将各个风机点位的实时气象数据输入到与各个风机点位对应的如上所述的训练方法得到的风速订正模型，得到各个风机点位的第二预测风速序列，并将各个风机点位的第二预测风速序列作为各个风机点位的订正的风速序列。
14.可选地，所述风速订正方法还包括：基于各个风机点位的订正的风速序列，判断各个风机点位是否存在大风事件；响应于任意一个风机点位存在大风事件，发布该风机点位的大风预警。
15.在另一总的方面，提供一种风电场的风速订正装置，所述风速订正装置包括：数据获取单元，被配置为：获取风电场的各个风机点位的实时气象数据；风速订正单元，被配置为：分别将各个风机点位的实时气象数据输入到与各个风机点位对应的如上所述的训练方法得到的风速订正模型，得到各个风机点位的第二预测风速序列，并将各个风机点位的第二预测风速序列作为各个风机点位的订正的风速序列。
16.可选地，所述风速订正装置还包括：大风预警单元，被配置为：基于各个风机点位的订正的风速序列，判断各个风机点位是否存在大风事件；响应于任意一个风机点位存在大风事件，发布该风机点位的大风预警。
17.在另一总的方面，提供一种存储有计算机程序的计算机可读存储介质，其特征在于，当所述计算机程序被处理器执行时，实现如上所述的风速订正模型的训练方法或者风电场的风速订正方法。
18.在另一总的方面，提供一种计算装置，所述计算装置包括：处理器；和存储器，存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的风速订正模型的训练方法或者风电场的风速订正方法。
19.根据本公开的实施例的风速订正模型的训练方法、风电场的风速订正方法和装置，通过结合风机位点的实测风速数据和风机位点所在区域的气象数据进行有针对性地模型训练，能够得到每一个风机位点的风速订正模型，并且一方面在各个风机点位使用多个预设模型进行组合训练，能够充分利用各个预设模型的优点，将每一个风机位点的风速订正模型的效果发挥到最大，另一方面通过自定义损失函数对模型进行性能评价，能够提升大风数据在计算模型损失时的权重，从而提高模型对于大风的预测准确性，以降低风机在大风灾害天气的风险。
20.将在接下来的描述中部分阐述本公开总体构思另外的方面和/或优点，还有一部分通过描述将是清楚的，或者可以经过本公开总体构思的实施而得知。
附图说明
21.通过下面结合示出实施例的附图进行的描述，本公开的实施例的上述和其他目的和特点将会变得更加清楚，其中：
22.图1是示出根据本公开的实施例的风速订正模型的训练方法的流程图；
23.图2是示出根据本公开的实施例的图1的步骤s102的流程图；
24.图3是示出根据本公开的实施例的图2的步骤s201的流程图；
25.图4是示出根据本公开的实施例的图1的步骤s105的流程图；
26.图5是示出根据本公开的实施例的风电场的风速订正方法的流程图；
27.图6是示出根据本公开的实施例的模型训练和应用流程的示意图；
28.图7是示出根据本公开的实施例的训练数据预处理流程的示意图；
29.图8是示出根据本公开的实施例的模型训练架构的示意图；
30.图9是示出根据本公开的实施例的图2的步骤s201的另一流程图；
31.图10是示出根据本公开的实施例的模型训练架构的另一示意图；
32.图11是示出根据本公开的实施例的模型训练和应用流程的另一示意图；
33.图12是示出根据本公开的实施例的风电场的风速订正装置的框图；
34.图13是示出根据本公开的实施例的计算装置的框图。
具体实施方式
35.提供下面的具体实施方式以帮助读者获得对在此描述的方法、设备和/或系统的全面理解。然而，在理解本技术的公开之后，在此描述的方法、设备和/或系统的各种改变、修改和等同物将是清楚的。例如，在此描述的操作的顺序仅是示例，并且不限于在此阐述的那些顺序，而是除了必须以特定的顺序发生的操作之外，可如在理解本技术的公开之后将是清楚的那样被改变。此外，为了更加清楚和简明，本领域已知的特征的描述可被省略。
36.在此描述的特征可以以不同的形式来实现，而不应被解释为限于在此描述的示例。相反，已提供在此描述的示例，以仅示出实现在此描述的方法、设备和/或系统的许多可行方式中的一些可行方式，所述许多可行方式在理解本技术的公开之后将是清楚的。
37.如在此使用的，术语“和/或”包括相关联的所列项中的任何一个以及任何两个或更多个的任何组合。
38.尽管在此可使用诸如“第一”、“第二”和“第三”的术语来描述各种构件、组件、区域、层或部分，但是这些构件、组件、区域、层或部分不应被这些术语所限制。相反，这些术语仅用于将一个构件、组件、区域、层或部分与另一构件、组件、区域、层或部分进行区分。因此，在不脱离示例的教导的情况下，在此描述的示例中所称的第一构件、第一组件、第一区域、第一层或第一部分也可被称为第二构件、第二组件、第二区域、第二层或第二部分。
39.在说明书中，当元件(诸如，层、区域或基底)被描述为“在”另一元件上、“连接到”或“结合到”另一元件时，该元件可直接“在”另一元件上、直接“连接到”或“结合到”另一元件，或者可存在介于其间的一个或多个其他元件。相反，当元件被描述为“直接在”另一元件上、“直接连接到”或“直接结合到”另一元件时，可不存在介于其间的其他元件。
40.在此使用的术语仅用于描述各种示例，并不将用于限制公开。除非上下文另外清楚地指示，否则单数形式也意在包括复数形式。术语“包含”、“包括”和“具有”说明存在叙述的特征、数量、操作、构件、元件和/或它们的组合，但不排除存在或添加一个或多个其他特征、数量、操作、构件、元件和/或它们的组合。
41.除非另有定义，否则在此使用的所有术语(包括技术术语和科学术语)具有与由本公开所属领域的普通技术人员在理解本公开之后通常理解的含义相同的含义。除非在此明确地如此定义，否则术语(诸如，在通用词典中定义的术语)应被解释为具有与它们在相关领域的上下文和本公开中的含义一致的含义，并且不应被理想化或过于形式化地解释。
42.此外，在示例的描述中，当认为公知的相关结构或功能的详细描述将引起对本公开的模糊解释时，将省略这样的详细描述。
43.对于风电场的风速预测，目前常用的手段是在气象数据的基础上进行偏差订正，气象数据通常有多种数据源，常用的有国家气象局制作的短期预报数据和欧洲中心制作的短期预报数据等。但是传统的订正手段一般都比较简单，具体而言，传统的订正手段大多直接使用现有的某种机器学习模型，例如神经网络等，利用风机的scada数据对气象数据进行
订正。然而，机器学习模型有多种并且各有其优缺点，再加上风电场的不同风机点位的风况分布和变化趋势也不尽相同，因此对于不同的风机点位而言，最适合的模型可能不同。如果对所有风机点位都使用同一种模型，则不能将每一个风机位点的风速订正效果发挥到最大。
44.根据本公开的实施例的风速订正模型的训练方法、风电场的风速订正方法和装置，能够结合风机位点的实测风速数据和风机位点所在区域的气象数据进行有针对性地模型训练，从而得到每一个风机位点的风速订正模型，并且在此基础上进行有针对性地风速订正。
45.下面将参照图1至图13对根据本公开的实施例的风速订正模型的训练方法、风电场的风速订正方法和装置进行详细描述。
46.图1是示出根据本公开的实施例的风速订正模型的训练方法的流程图。
47.参照图1，在步骤s101中，可获取训练样本。这里，训练样本可包括目标风机点位的历史气象数据和历史风速数据，目标风机点位可以是风电场多个风机点位中的任意一个。进一步地，历史气象数据可包括温度、气压、风速和风向等参数，历史风速数据可包括机组scada数据中的实测风速数据。
48.接下来，在步骤s102中，可对训练样本进行预处理，得到第一数据序列。下面参照图2详细描述根据本公开的实施例的图1的步骤s102。
49.图2是示出根据本公开的实施例的图1的步骤s102的流程图。
50.参照图2，在步骤s201中，可通过按照小时对历史风速数据进行第一数据聚合，将历史风速数据中的瞬时数据聚合为小时数据，得到第一风速序列，从而能够将历史风速数据在形式上与历史气象数据中的小时数据结合起来处理。下面参照图3详细描述根据本公开的实施例的图2的步骤s201。
51.图3是示出根据本公开的实施例的图2的步骤s201的流程图。
52.参照图3，在步骤s301中，可通过对历史风速数据进行数据清洗，得到第二风速序列。这里，数据清洗可包括异常值处理或缺失值处理。进一步地，通过数据清洗，可以去除历史风速数据中的异常值、缺失值或者机组在非正常发电状态时的风速数据等。
53.接下来，在步骤s302中，可通过对第二风速序列进行数据缩放，得到第三风速序列。这里，数据缩放可包括标准化或归一化。进一步地，标准化可表示通过求标准分数(z-score)的方法，将数据转换为标准正态分布，使数据的数值平均变为0，标准差变为1；归一化可表示将数据转换到同一量纲下，并把数据映射到[0,1]或者[-1,1]区间内。更进一步地，通过数据缩放，可以消除第二风速序列中不同数量级或者不同量纲的风速数据之间的差异，使序列中的各个风速值能够按照统一标准进行后续处理。
[0054]
接下来，在步骤s303中，可通过按照小时将第三风速序列中的瞬时数据聚合为小时数据，得到第一风速序列。这里，可通过求平均值或者70％～90％分位数等方式将瞬时数据聚合为小时数据，但不限于此。
[0055]
返回参照图2，在步骤s202中，可通过对第一风速序列和历史气象数据中时间相同的数据进行拼接，得到第二数据序列。这里，作为示例，可以将第一风速序列和历史气象数据中时间相同的数据分别组合为预设维度的向量，例如向量[a1，a2，a3，
…
，an]，然后基于各个时间点的向量，得到第二数据序列，然而本公开不限于此。
[0056]
接下来，在步骤s203中，可将第二数据序列中的任一小时的数据和该小时之前的第一数量个小时的数据进行第二数据聚合，并基于每个小时的第二数据聚合后的数据，得到第一数据序列。这里，可通过求平均值或者70％～90％分位数等方式将任一小时的数据和该小时之前的多个小时的数据进行聚合，作为示例，可将第二数据序列中的任一小时的经过上述处理的历史风速数据和该小时之前的多个小时的历史气象数据进行聚合，但不限于此；以及第一数量的数值可由本领域技术人员根据实际情况来设置。
[0057]
返回参照图1，在步骤s103中，可将第一数据序列分别输入多个预设风速订正模型。这里，每个预设风速订正模型具有多个预设参数组合。
[0058]
根据本公开的实施例，作为示例，上述多个预设风速订正模型可包括gru(gate recurrent unit，门控循环单元)模型和xgboost(extreme gradient boosting，极端梯度提升)模型，上述两个模型在时序数据预测适应性、非线性回归性能和运行效率等方面各有优势。这里，gru模型和xgboost模型的多个预设参数组合可通过如下所示的表1中的各个参数可选值分别进行组合来得到。
[0059]
表1：gru模型和xgboost模型的参数汇总表
[0060][0061][0062]
作为示例，对于上述gru模型，为有效抓取气象数据的时序特征与空间特征，可使用两输入-单输出的深度学习模型结构。进一步地，第一路输入可包括上述第一数据序列(含温度、气压、风速、风向等参数)，用于挖掘各参数之间的空间特征，然后将第一数据序列传递至nn(neural network，神经网络)层，nn层的激活函数可选取如表1中所示的sigmoid、tanh或relu等，隐层节点的个数可选取如表1中所示的6、12、24和48等数值。同时，第二路输入可包括上述历史气象数据中的风速序列，用于挖掘风速的时序特征，然后将风速序列传
递至单层gru以及单层nn，并且nn层的激活函数可选取如表1中所示的sigmoid、tanh或relu等，隐层节点的个数可选取如表1中所示的6、12、24和48等数值，以及结合dropout层防止nn层过拟合。基于上述两路输入，最后可利用单层nn汇总两路结果，最终输出预测的风速序列。另外，gru模型可采用adam算法进行优化，以提升训练的效率，同时可基于模拟退火思路或指数lr策略等对模型的学习率(如表1中所示的0.0001、0.001、0.01、0.1和0.15等数值)进行动态调整，以兼顾效率与准确性，避免训练过程陷入局部最优，并且可在模型的回调过程采用modelcheckpoint或earlystopping等方法进行回调，以降低过拟合概率。
[0063]
作为示例，对于上述xgboost模型，由于其不具备循环预测能力，因此只输入上述第一数据序列，以使模型能够挖掘时序特征，同时可考虑输入数据的时长对预测精度的影响。另外，在xgboost模型训练过程中可采用贪心算法，每次尝试分裂一个叶节点，并计算分裂后的增益，再根据最大增益确定最优分裂特征与最优分裂位置。
[0064]
接下来，在步骤s104中，可获取每个预设风速订正模型在每个预设参数组合下输出的第一预测风速序列。这里，可利用网格搜索(grid search)遍历选择所有预设参数组合，以获取每个预设风速订正模型在每个预设参数组合下输出的第一预测风速序列。
[0065]
接下来，在步骤s105中，可基于第一预测风速序列，针对每个预设风速订正模型的每个预设参数组合进行性能评价。这里，性能评价的结果可包括第一评分和第二评分。下面参照图4详细描述根据本公开的实施例的图1的步骤s105。
[0066]
图4是示出根据本公开的实施例的图1的步骤s105的流程图。
[0067]
参照图4，在步骤s401中，可基于第一预测风速序列中的预测值和第一数据序列中的实测值，对每个预设风速订正模型的每个预设参数组合进行第一评分，并且获取大风事件。这里，第一预测风速序列中的预测值是基于上述历史气象数据中的风速得到的，第一数据序列中的实测值是基于实测的历史风速数据得到的。进一步地，大风事件可包括通过预测值获取的预测大风事件或通过实测值获取的实测大风事件；并且，预测大风事件和实测大风事件可包括第一大风事件或第二大风事件，第一大风事件可表示在预设时间段内风速的预测值/实测值大于第一预设阈值的累计时长超过第一时长，第二大风事件可表示在预设时间段内风速的预测值/实测值大于第二预设阈值的累计时长超过第二时长。作为示例，第一大风事件和第二大风事件可以是极端灾害预警事件(extreme disaster warning events)，第一大风事件可表示连续24小时内累计超过3小时的平均风速大于15m/s的事件(简称v15)，第二大风事件可表示连续24小时内累计超过6小时的平均风速大于12m/s的事件(简称v12)，但不限于此，本领域技术人员可根据实际情况对第一预设阈值、第一时长、第二预设阈值和第二时长进行设置。
[0068]
根据本公开的实施例，可计算每个大于第三预设阈值的实测值和相应的预测值之间的绝对误差率；然后，可将绝对误差率的平均值作为第一评分的分数。这里，可计算风速的实测值在12m/s以上与相应的预测值之间的绝对误差率差的平均值，即目标风机位点实测风速12m/s以上时的大风预测准确率均值(mean of high-speed-wind forecast accuracy，mhfa)，然后可将mhfa作为第一评分的分数，但不限于此，本领域技术人员可根据实际情况对第三预设阈值进行设置。进一步地，mhfa可通过如下所示的式(1)来表示：
[0069][0070]
这里，数量n可表示大于第三预设阈值的实测值的个数。
[0071]
接下来，在步骤s402中，可基于预测大风事件的第二数量和实测大风事件的第三数量，对每个预设风速订正模型的每个预设参数组合进行第二评分。这里，可基于预测大风事件的第二数量和实测大风事件的第三数量，获取每个预设风速订正模型在每个预设参数组合下的召回率(recall rate)和精确率(precision rate)。然后，可基于召回率和精确率以及预设参数(β)，对每个预设风速订正模型的每个预设参数组合进行第二评分。进一步地，预设参数与召回率的权重相关联。
[0072]
作为示例，可基于如下所示的式(2)来进行第二评分，并在此基础上得到第二评分的分数(score)：
[0073][0074]
这里，f
β
作为评价模型订正效果的量化指标，可由精确率、召回率和β参数共同决定，并且可通过改变β的取值(1，1.5或2等)调整召回率的权重，即β越大，召回率权重越高。进一步地，召回率可通过如下所示的式(3)来表示：
[0075][0076]
这里，count()可表示计数，因此，召回率可表示为实测大风事件和预测大风事件交集的次数与实测大风事件的次数的比值。
[0077]
另外，精确率可通过如下所示的式(4)来表示：
[0078][0079]
这里，精确率可表示为实测大风事件和预测大风事件交集的次数与预测大风事件的次数的比值。
[0080]
根据本公开的实施例，可基于预测大风事件的第一大风事件和实测大风事件的第一大风事件，对每个预设风速订正模型的每个预设参数组合进行第二评分，以获取第一分数(f
β
(v15))，以及基于预测大风事件的第二大风事件和实测大风事件的第二大风事件，对每个预设风速订正模型的每个预设参数组合进行第二评分，以获取第二分数(f
β
(v12))。然后，当实测大风事件中的第一大风事件的第四数量(n
15
)为0时，可将0作为所述第二评分的分数(即score＝0)；当第四数量大于0并且小于或等于第四预设阈值(例如但不限于是10)时，可将第一比例的第一分数与第二比例的第二分数的和值作为第二评分的分数，这里，第一比例为第四数量和第四预设阈值的比值，第一比例与第二比例的和值为1，此时，第二评分的分数可通过如下所示的式(5)来表示：
[0081]
score＝(n15/10)
×fβ
（v15)+(1-n15/10)
×fβ
(v12)
ꢀꢀ
(5)
[0082]
然后，当第四数量大于第四预设阈值时，可将第一分数作为第二评分的分数(即score＝f
β
(v15))。
[0083]
接下来，在步骤s403中，当第四数量为0，或者第四数量大于0并且第一评分的分数
小于或等于第五预设阈值(例如但不限于是0.8)时，可将第一评分的分数作为性能评价的结果。
[0084]
接下来，在步骤s404中，当第四数量大于0并且第一评分的分数大于第五预设阈值时，可将第二评分的分数作为性能评价的结果。
[0085]
返回参照图1，在步骤s106中，可将性能评价结果符合预设要求的预设参数组合所对应的预设风速订正模型确定为该风机点位的风速订正模型。这里，预设要求可以是作为性能评价结果的第一评分的分数或第二评分的分数的数值最大。进一步地，当第一评分的分数为空值(表示值未知)时，可不进行风速订正模型的确定。
[0086]
根据本公开的实施例的风速订正模型的训练方法，结合了风机位点的实测风速数据和风机位点所在区域的气象数据进行有针对性地模型训练，一方面在各个风机点位使用多个预设模型进行组合训练，能够充分利用各个预设模型的优点，将每一个风机位点的风速订正模型的效果发挥到最大，另一方面通过自定义损失函数对模型进行性能评价，能够考虑到训练样本中大风数据占比较低，存在较严重的样本不平衡的情况，并通过提升大风数据在计算模型损失时的权重，提高了模型对于大风的预测准确性，降低了风机在大风灾害天气的风险。
[0087]
图5是示出根据本公开的实施例的风电场的风速订正方法的流程图。
[0088]
参照图5，在步骤s501中，可获取风电场的各个风机点位的实时气象数据。
[0089]
接下来，在步骤s502中，可分别将各个风机点位的实时气象数据输入到与各个风机点位对应的如上所述的训练方法得到的风速订正模型，得到各个风机点位的第二预测风速序列，并将各个风机点位的第二预测风速序列作为各个风机点位的订正的风速序列。
[0090]
根据本公开的实施例，可基于各个风机点位的订正的风速序列，判断各个风机点位是否存在大风事件。然后，可响应于任意一个风机点位存在大风事件，发布该风机点位的大风预警。另外，根据本公开的实施例的风电场的风速订正方法不限于进行大风预警，还可用于对其他风特性进行预测或预警。
[0091]
根据本公开的实施例的风电场的风速订正方法，通过差异化配置各个风机点位的风速订正模型，能够利用各个机器学习模型的优点，适应风电场的不同风机点位的风况分布和变化趋势。
[0092]
图6是示出根据本公开的实施例的模型训练和应用流程的示意图。
[0093]
参照图6，作为示例，在模型训练部分，可利用目标风机点位的气象预报数据和scada数据(可只利用scada数据中的机组实测风速数据)，通过预先设置的数据预处理流水线得到训练样本作为模型的输入数据，然后基于xgboost和gru两条路线进行模型搭建，然后基于网格搜索(包括对模型影响因子大的超参数和自定义参数的搜索)与模型预警性能评分(基于上述v12/v15的召回率和精确率等进行性能评价)筛选最优模型作为大风订正模型。如图6所示，作为示例，在模型应用部分(即大风预警过程)，在目标风机点位可利用实时更新的气象预报数据输入已经训练好的大风订正模型得到订正后的预报数据，用来发布大风事件的预警。
[0094]
图7是示出根据本公开的实施例的训练数据预处理流程的示意图。
[0095]
参照图7，作为示例，在模型训练的数据预处理过程中，可对目标风机点位的气象预报数据和scada数据先后进行数据清洗(即异常值或缺失值处理)、数据缩放(即标准化或
归一化)、数据聚合以及气象与scada数据的同期拼接，然后得到目标点位的样本数据序列，样本数据序列可包括各个气象参数(例如温度、气压、风速和风向等)和scada数据中的风速数据。之后可进一步将样本数据序列进行训练测试集划分以及时序数据处理(即每小时将过去n个小时的数据聚合)，得到气象预测多参量(可以是如上所述的第一数据序列)，最后可将气象预测多参量输入模型中进行训练。
[0096]
图8是示出根据本公开的实施例的模型训练架构的示意图。
[0097]
参照图8，作为示例，如上所述的多个预设风速订正模型可以是gru模型与xgboost模型。如图8所示，对于gru模型，可使用两输入-单输出的深度学习模型结构。第一路输入可包括上述气象预测多参量，然后将气象预测多参量传递至dnn(deep neural networks，深度神经网络)层，并结合dropout层防止过拟合。同时，第二路输入可包括如上所述的历史气象数据中的气象预测风速，然后将气象预测风速传递至单层gru和单层dnn，并结合dropout层防止过拟合。基于上述两路输入，最后可利用单层dnn汇总两路结果，最终输出风速预测值。另外，如图8所示，对于xgboost模型，可只输入上述气象预测多参量，通过xgboost训练得到风速预测值。最后，如上所述，可基于网格搜索与模型预警性能评分筛选最优模型。
[0098]
图9是示出根据本公开的实施例的图2的步骤s201的另一流程图。
[0099]
如图9所示，在步骤s901中，可通过按照预定周期对所述历史风速数据进行第一数据聚合，将所述历史风速数据中的瞬时数据聚合为预定周期的数据，得到第一风速序列。在本公开的实施例中，可根据实际需求设置预定周期的时间长度，例如，可将预定周期设置为一小时。
[0100]
根据本公开的实施例，可利用参照图7描述的方法来对模型训练样本进行预处理，以得到第一风速序列。
[0101]
在步骤s902中，可通过对所述第一风速序列和所述历史气象数据中时间相同的数据进行拼接，得到第二数据序列。如此，可通过对第一风速序列和历史气象数据进行同期拼接，得到包括风速、气象参数的数据序列，即第二数据序列。
[0102]
在步骤s903中，可将所述第二数据序列中的每个预定周期至该每个预定周期之前的第一预定周期的数据进行第二数据聚合以得到针对每个预定周期的第一数据子序列，并将所述第一风速序列中的该每个预定周期之前的第二预定周期至第三预定周期的数据进行第三数据聚合以得到针对每个预定周期的第二数据子序列，其中，第三预定周期在第二预定周期之前。
[0103]
针对每个预定周期，在利用第二数据聚合获取的第一数据子序列的基础上，还可通过第二数据聚合所获取的第二数据子序列来从时间相对更久远的风速数据中挖掘用于预测未来风速的信息，从而进一步改善风速订正。
[0104]
针对每个预定周期，可基于如上所述的第二数据聚合获取第一数据子序列，可基于如上所述的第三数据聚合获取第二数据子序列。针对每个预定周期，第一数据子序列对应的时间段为每个预定周期至该每个预定周期之前的第一预定周期，可表示为第一预定时间段；第二数据子序列对应的时间段为第二预定周期至第三预定周期，可表示为第二预定时间段。第一预定时间段可以与第二预定时间段有部分重叠或完全不重叠。
[0105]
在本公开的一个实施例中，第一数据子序列对应的第一预定时间段可以与第二数据子序列对应的第二预定时间段相邻，且第一预定时间段在第二预定时间段之前。
[0106]
在步骤s904中，可基于所述第一数据子序列和所述第二数据子序列，得到所述第一数据序列。第一数据序列可包括所述第一数据子序列和所述第二数据子序列。
[0107]
在以预定周期为一小时的示例中，可通过按照小时对所述历史风速数据进行第一数据聚合，将所述历史风速数据中的瞬时数据聚合为小时数据，得到第一风速序列。通过对所述第一风速序列和所述历史气象数据中时间相同的数据进行拼接，得到第二数据序列。将所述第二数据序列中的每个小时(例如，t时刻对应的t小时)至该每个小时之前的第一小时(例如，(t-n)小时，n＞0)的数据进行第二数据聚合以得到针对每个小时的第一数据子序列，并将所述第一风速序列中的第二小时(例如，(t-m)小时，m＞0)至第三小时(例如，(t-m-p)小时，p＞0)的数据进行第三数据聚合以得到针对每个小时的第二数据子序列，其中，第三小时在第二小时之前。基于所述第一数据子序列和所述第二数据子序列，得到所述第一数据序列。可根据实际应用需求选取m、n、p的取值，m可以等于n，也可不等于n。
[0108]
在本公开中，仅以预定周期为一小时的实施例进行举例说明，但是本公开不限于此，还可基于不同时间长度的预定周期来处理上述训练样本以得到第一数据序列。
[0109]
在通过对训练样本进行预处理得到第一数据序列之后，可将第一数据序列分别输入多个预设风速订正模型，其中，每个预设风速订正模型具有多个预设参数组合。
[0110]
图10是示出根据本公开的实施例的模型训练架构的另一示意图。
[0111]
参照图10，作为示例，如上所述的多个预设风速订正模型可以是gru模型与xgboost模型。如图10所示，对于gru模型，可使用三输入-单输出的深度学习模型结构。
[0112]
第一路输入可包括上述气象预测多参量(例如，气象预报数据中的预报风速、预报风向、预报气压等)，从而有利于挖掘各参量间的空间关系。第一路输入可通过flatten(展平)层进行数据展平，以将多时刻数据转化为一维或1d张量后传递给dnn(deep neural networks，深度神经网络)层。可结合dropout层防止过拟合。在这个示例中，nn层的激活函数可选取为relu函数，隐层节点个数可通过网格搜索寻优。
[0113]
第二路输入可包括如上所述的历史气象数据中的气象预测风速，以用于挖掘风速时序特征。在这个实施例中，可选取单层gru+单层nn作为接收第二路输入的网络结构，nn的激活函数可选取为relu函数，隐层节点个数可通过网格搜索寻优，并引入dropout层防止nn过拟合。
[0114]
第三路输入可包括临近实测风速数据，例如，从机组scada数据获取的与第一路输入和第二路输入对应的时间段相临近的风速序列。在这个实施例中，可选取单层gru+单层nn作为接收第三路输入的网络结构，nn的激活函数可选取为relu函数，隐层节点个数可通过网格搜索寻优，并引入dropout层防止nn过拟合。
[0115]
在此以预定周期为一小时进行举例说明，但是本公开不限于此。例如，针对每个小时，第一路输入可包括每个小时(例如，t时刻对应的t小时)至该每个小时之前的第一小时(例如，(t-n)小时)的气象预测多参量，第二路输入可包括每个小时(例如，t时刻对应的t小时)至该每个小时之前的第一小时(例如，(t-n)小时)的气象预测风速，第三路输入可包括第二小时(例如，(t-m)小时)至第三小时(例如，(t-m-p)小时)的风速序列，作为临近实测风速数据。
[0116]
基于上述三路输入，最后可利用单层dnn汇总三路输出的结果，最终输出风速预测值。在这个实施例中，nn的激活函数可选取为relu函数，隐层节点个数可通过网格搜索寻
优。
[0117]
另外，如图10所示，可向xgboost模型输入如上所述的气象预测多参量和临近实测风速数据，以通过xgboost训练得到风速预测值。
[0118]
基于gru模型的输出与xgboost模型的输出，可基于网格搜索与模型预警性能评分筛选最优模型。
[0119]
在图10所述的实施例中，多个预设风速订正模型可包括gru模型和xgboost模型，上述两个模型在时序数据预测适应性、非线性回归性能和运行效率等方面各有优势。这里，gru模型和xgboost模型的多个预设参数组合可通过如下所示的表2中的各个参数可选值分别进行组合来得到。
[0120]
表2：gru模型和xgboost模型的参数汇总表
[0121][0122][0123]
可利用参照图1至图4描述的性能评价方法来针对每个预设风速订正模型的每个预设参数组合进行性能评价，在此为了简要，不再赘述。
[0124]
下面参照图11描述模型训练和应用的流程。图11是示出根据本公开的实施例的模型训练和应用流程的另一示意图。
[0125]
参照图11，作为示例，在模型训练部分，可利用目标风机点位的气象预报数据和scada数据(例如，scada数据中的实测风速数据)，通过预先设置的数据预处理流水线得到
训练样本作为模型的输入数据，然后基于xgboost和gru两条路线进行模型搭建，然后基于网格搜索(包括对模型影响因子大的超参数和自定义参数的搜索)与模型预警性能评分(基于上述v12/v15的召回率和精确率等进行性能评价)筛选最优模型作为大风订正模型。
[0126]
如图11所示，作为示例，在模型应用部分(即大风预警过程)，在目标风机点位可将实时更新的气象预报数据和实时更新的临近实测风速数据输入至已经训练好的大风订正模型，以得到订正后的预报数据作为风机预测数据，用来发布大风事件的预警。
[0127]
与图6所示的实施例相比，除了利用实时更新的气象预报数据作为模型输入，还利用实时更新的临近实测风速数据作为模型输入，可以进一步挖掘风电机组自身的实测数据以用于风速订正，而不必局限于气象预报数据。
[0128]
图12是示出根据本公开的实施例的风电场的风速订正装置的框图。根据本公开的实施例的风电场的风速订正装置可以在具有足够运算能力的计算装置中实现。
[0129]
参照图12，风电场的风速订正装置900可包括数据获取单元910、风速订正单元920。
[0130]
数据获取单元910可获取风电场的各个风机点位的实时气象数据。
[0131]
风速订正单元920分别将各个风机点位的实时气象数据输入到与各个风机点位对应的如上所述的训练方法得到的风速订正模型，得到各个风机点位的第二预测风速序列，并将各个风机点位的第二预测风速序列作为各个风机点位的订正的风速序列。
[0132]
可选择地，风速订正装置900还包括大风预警单元。大风预警单元可基于各个风机点位的订正的风速序列，判断各个风机点位是否存在大风事件；响应于任意一个风机点位存在大风事件，发布该风机点位的大风预警。
[0133]
图13是示出根据本公开的实施例的计算装置的框图。
[0134]
参照图13，根据本公开的实施例的计算装置1000可包括处理器1010和存储器1020。处理器1010可包括(但不限于)中央处理器(cpu)、数字信号处理器(dsp)、微型计算机、现场可编程门阵列(fpga)、片上系统(soc)、微处理器、专用集成电路(asic)等。存储器1020存储将由处理器1010执行的计算机程序。存储器1020包括高速随机存取存储器和/或非易失性计算机可读存储介质。当处理器1010执行存储器1020中存储的计算机程序时，可实现如上所述的风速订正模型的训练方法或者风电场的风速订正方法。
[0135]
根据本公开的实施例的风速订正模型的训练方法或者风电场的风速订正方法可被编写为计算机程序并被存储在计算机可读存储介质上。当所述计算机程序被处理器执行时，可实现如上所述的风速订正模型的训练方法或者风电场的风速订正方法。计算机可读存储介质的示例包括：只读存储器(rom)、随机存取可编程只读存储器(prom)、电可擦除可编程只读存储器(eeprom)、随机存取存储器(ram)、动态随机存取存储器(dram)、静态随机存取存储器(sram)、闪存、非易失性存储器、cd-rom、cd-r、cd+r、cd-rw、cd+rw、dvd-rom、dvd-r、dvd+r、dvd-rw、dvd+rw、dvd-ram、bd-rom、bd-r、bd-r lth、bd-re、蓝光或光盘存储器、硬盘驱动器(hdd)、固态硬盘(ssd)、卡式存储器(诸如，多媒体卡、安全数字(sd)卡或极速数字(xd)卡)、磁带、软盘、磁光数据存储装置、光学数据存储装置、硬盘、固态盘以及任何其他装置，所述任何其他装置被配置为以非暂时性方式存储计算机程序以及任何相关联的数据、数据文件和数据结构并将所述计算机程序以及任何相关联的数据、数据文件和数据结构提供给处理器或计算机使得处理器或计算机能执行所述计算机程序。在一个示例中，
计算机程序以及任何相关联的数据、数据文件和数据结构分布在联网的计算机系统上，使得计算机程序以及任何相关联的数据、数据文件和数据结构通过一个或多个处理器或计算机以分布式方式存储、访问和执行。
[0136]
根据本公开的实施例的风速订正模型的训练方法、风电场的风速订正方法和装置，通过结合风机位点的实测风速数据和风机位点所在区域的气象数据进行有针对性地模型训练，能够得到每一个风机位点的风速订正模型，并且一方面在各个风机点位使用多个预设模型进行组合训练，能够充分利用各个预设模型的优点，将每一个风机位点的风速订正模型的效果发挥到最大，另一方面通过自定义损失函数对模型进行性能评价，能够提升大风数据在计算模型损失时的权重，从而提高模型对于大风的预测准确性，以降低风机在大风灾害天气的风险。
[0137]
根据本公开的实施例的风速订正模型的训练方法，一方面融合了多个机器学习模型进行组合训练，以挖掘气象数据的风速、风向和气压等参数与目标风机点位大风事件的时空关联规律，有效提升了大风预警精确率与泛化能力；一方面搭建了融合数据清洗、数据缩放、数据聚合、数据多属性组合和时序数据处理的气象数据自动化预处理流水线，大幅提升了数据加工与处理效率，确保了训练样本的数据标准化；另一方面提出了融合大风mhfa、精确率/召回率和f
β
的模型性能评价标准，能够综合评估风速预测性能和大风预警效果，更全面准确的反映了模型的预测性能，保证筛选出的模型能够有效响应项目目标与需求；此外，还可进一步挖掘风电机组自身的实测数据，以进一步改善风速订正，而不受限于气象预报数据。
[0138]
虽然已表示和描述了本公开的一些实施例，但本领域技术人员应该理解，在不脱离由权利要求及其等同物限定其范围的本公开的原理和精神的情况下，可以对这些实施例进行修改。

技术特征：
1.一种风速订正模型的训练方法，其特征在于，所述训练方法包括：获取训练样本，所述训练样本包括目标风机点位的历史气象数据和历史风速数据，所述目标风机点位是风电场多个风机点位中的任意一个；对所述训练样本进行预处理，得到第一数据序列；将所述第一数据序列分别输入多个预设风速订正模型，其中，每个预设风速订正模型具有多个预设参数组合；获取每个预设风速订正模型在每个预设参数组合下输出的第一预测风速序列；基于所述第一预测风速序列，针对每个预设风速订正模型的每个预设参数组合进行性能评价；将性能评价结果符合预设要求的预设参数组合所对应的预设风速订正模型确定为该风机点位的风速订正模型。2.如权利要求1所述的训练方法，其特征在于，对所述训练样本进行预处理，得到第一数据序列的步骤包括：通过对所述历史风速数据进行第一数据聚合，将所述历史风速数据中的瞬时数据聚合为小时数据，得到第一风速序列；通过对所述第一风速序列和所述历史气象数据中时间相同的数据进行拼接，得到第二数据序列；将所述第二数据序列中的任一小时的数据和该小时之前的第一数量个小时的数据进行第二数据聚合，并基于针对每个小时的第二数据聚合后的数据，得到所述第一数据序列。3.如权利要求1所述的训练方法，其特征在于，对所述训练样本进行预处理，得到第一数据序列的步骤包括：通过按照预定周期对所述历史风速数据进行第一数据聚合，将所述历史风速数据中的瞬时数据聚合为预定周期的数据，得到第一风速序列；通过对所述第一风速序列和所述历史气象数据中时间相同的数据进行拼接，得到第二数据序列；将所述第二数据序列中的每个预定周期至该每个预定周期之前的第一预定周期的数据进行第二数据聚合以得到针对每个预定周期的第一数据子序列，并将所述第一风速序列中的该每个预定周期之前的第二预定周期至第三预定周期的数据进行第三数据聚合以得到针对每个预定周期的第二数据子序列，其中，第三预定周期在第二预定周期之前；基于所述第一数据子序列和所述第二数据子序列，得到所述第一数据序列。4.如权利要求3所述的训练方法，其特征在于，对所述训练样本进行预处理，得到第一数据序列的步骤包括：通过对所述历史风速数据进行第一数据聚合，将所述历史风速数据中的瞬时数据聚合为小时数据，得到第一风速序列；通过对所述第一风速序列和所述历史气象数据中时间相同的数据进行拼接，得到第二数据序列；将所述第二数据序列中的每个小时至该每个小时之前的第一小时的数据进行第二数据聚合以得到针对每个小时的第一数据子序列，并将所述第一风速序列中的该每个小时之前的第二小时至第三小时的数据进行第三数据聚合以得到针对每个小时的第二数据子序
列，其中，第三小时在第二小时之前；基于所述第一数据子序列和所述第二数据子序列，得到所述第一数据序列。5.如权利要求2或4所述的训练方法，其特征在于，通过对所述历史风速数据进行第一数据聚合，将所述历史风速数据中的瞬时数据聚合为小时数据，得到第一风速序列的步骤包括：通过对所述历史风速数据进行数据清洗，得到第二风速序列，其中，所述数据清洗包括异常值处理或缺失值处理；通过对所述第二风速序列进行数据缩放，得到第三风速序列，其中，所述数据缩放包括标准化或归一化；通过将所述第三风速序列中的瞬时数据聚合为小时数据，得到所述第一风速序列。6.如权利要求1所述的训练方法，其特征在于，性能评价的结果包括第一评分和第二评分，其中，基于所述第一预测风速序列，针对每个预设风速订正模型的每个预设参数组合进行性能评价的步骤包括：基于所述第一预测风速序列中的预测值和所述第一数据序列中的实测值，对每个预设风速订正模型的每个预设参数组合进行第一评分，并且获取大风事件，其中，所述大风事件包括通过预测值获取的预测大风事件或通过实测值获取的实测大风事件，其中，所述预测大风事件和所述实测大风事件包括第一大风事件或第二大风事件，其中，所述第一大风事件表示在预设时间段内风速的预测值/实测值大于第一预设阈值的累计时长超过第一时长，所述第二大风事件表示在预设时间段内风速的预测值/实测值大于第二预设阈值的累计时长超过第二时长；基于所述预测大风事件的第二数量和所述实测大风事件的第三数量，对每个预设风速订正模型的每个预设参数组合进行第二评分。7.如权利要求6所述的训练方法，其特征在于，基于所述第一预测风速序列中的预测值和所述第一数据序列中的实测值，对每个预设风速订正模型的每个预设参数组合进行第一评分的步骤包括：计算每个大于第三预设阈值的实测值和相应的预测值之间的绝对误差率；将所述绝对误差率的平均值作为所述第一评分的分数。8.如权利要求6所述的训练方法，其特征在于，基于所述预测大风事件的第二数量和所述实测大风事件的第三数量，对每个预设风速订正模型的每个预设参数组合进行第二评分的步骤包括：基于所述预测大风事件的第二数量和所述实测大风事件的第三数量，获取每个预设风速订正模型在每个预设参数组合下的召回率和精确率；基于所述召回率和精确率以及预设参数，对每个预设风速订正模型的每个预设参数组合进行第二评分，其中，所述预设参数与所述召回率的权重相关联。9.如权利要求8所述的训练方法，其特征在于，基于所述预测大风事件的第二数量和所述实测大风事件的第三数量，对每个预设风速订正模型的每个预设参数组合进行第二评分的步骤包括：基于所述预测大风事件的第一大风事件和所述实测大风事件的第一大风事件，对每个预设风速订正模型的每个预设参数组合进行第二评分，以获取第一分数，以及基于所述预
测大风事件的第二大风事件和所述实测大风事件的第二大风事件，对每个预设风速订正模型的每个预设参数组合进行第二评分，以获取第二分数；当所述实测大风事件中的第一大风事件的第四数量为0时，将0作为所述第二评分的分数；当所述第四数量大于0并且小于或等于第四预设阈值时，将第一比例的第一分数与第二比例的第二分数的和值作为所述第二评分的分数，其中，所述第一比例为第四数量和第四预设阈值的比值，所述第一比例与第二比例的和值为1；当所述第四数量大于第四预设阈值时，将所述第一分数作为所述第二评分的分数。10.如权利要求9所述的训练方法，其特征在于，基于所述第一预测风速序列，针对每个预设风速订正模型的每个预设参数组合进行性能评价的步骤还包括：当所述第四数量为0，或者所述第四数量大于0并且所述第一评分的分数小于或等于第五预设阈值时，将所述第一评分的分数作为性能评价的结果；当所述第四数量大于0并且所述第一评分的分数大于第五预设阈值时，将所述第二评分的分数作为性能评价的结果。11.一种风电场的风速订正方法，其特征在于，所述风速订正方法包括：获取风电场的各个风机点位的实时气象数据；分别将各个风机点位的实时气象数据输入到与各个风机点位对应的如权利要求1至10中任一项所述的训练方法得到的风速订正模型，得到各个风机点位的第二预测风速序列，并将各个风机点位的第二预测风速序列作为各个风机点位的订正的风速序列。12.如权利要求11所述的风速订正方法，其特征在于，所述风速订正方法还包括：获取风电场的各个风机点位的实时风速数据，分别将各个风机点位的实时气象数据输入到与各个风机点位对应的如权利要求1至10中任一项所述的训练方法得到的风速订正模型，得到各个风机点位的第二预测风速序列，包括：分别将各个风机点位的实时气象数据和实时风速数据输入到与各个风机点位对应的如权利要求1至10中任一项所述的训练方法得到的风速订正模型，得到各个风机点位的第二预测风速序列。13.如权利要求11或12所述的风速订正方法，其特征在于，所述风速订正方法还包括：基于各个风机点位的订正的风速序列，判断各个风机点位是否存在大风事件；响应于任意一个风机点位存在大风事件，发布该风机点位的大风预警。14.一种风电场的风速订正装置，其特征在于，所述风速订正装置包括：数据获取单元，被配置为：获取风电场的各个风机点位的实时气象数据；风速订正单元，被配置为：分别将各个风机点位的实时气象数据输入到与各个风机点位对应的如权利要求1至10中任一项所述的训练方法得到的风速订正模型，得到各个风机点位的第二预测风速序列，并将各个风机点位的第二预测风速序列作为各个风机点位的订正的风速序列。15.一种存储有计算机程序的计算机可读存储介质，其特征在于，当所述计算机程序被处理器执行时，实现如权利要求1至10中任意一项所述的风速订正模型的训练方法或者如权利要求10至13中任意一项所述的风电场的风速订正方法。
16.一种计算装置，其特征在于，所述计算装置包括：处理器；和存储器，存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1至10中任意一项所述的风速订正模型的训练方法或者如权利要求10至13中任意一项所述的风电场的风速订正方法。

技术总结
公开一种风速订正模型的训练方法、风电场的风速订正方法和装置，所述训练方法包括：获取训练样本，所述训练样本包括目标风机点位的历史气象数据和历史风速数据，所述目标风机点位是风电场多个风机点位中的任意一个；对所述训练样本进行预处理，得到第一数据序列；将所述第一数据序列分别输入多个预设风速订正模型，其中，每个预设风速订正模型具有多个预设参数组合；获取每个预设风速订正模型在每个预设参数组合下输出的第一预测风速序列；基于所述第一预测风速序列，针对每个预设风速订正模型的每个预设参数组合进行性能评价；将性能评价结果符合预设要求的预设参数组合所对应的预设风速订正模型确定为该风机点位的风速订正模型。正模型。正模型。


技术研发人员：丁滢
受保护的技术使用者：北京金风科创风电设备有限公司
技术研发日：2022.09.22
技术公布日：2023/7/22