本发明涉及新能源，具体涉及一种功率预测模型的训练方法和功率预测方法。
背景技术：
1、风功率受多种气象因素的影响，如大气环流、季风系统等，这些因素在不同季节会发生变化，从而导致风功率呈现明显的季节性特点。
2、由于风功率存在明显的季节性变化，因此在进行风功率预测时，不考虑这一特点将会导致预测模型无法捕捉到风功率的周期性变化规律；这种情况下，预测结果容易存在较大误差，无法为风电场运营提供有效的决策支持。例如，如果未考虑季节性变化而进行风功率预测，可能会低估夏季的风功率，从而无法准确规划风电场的运营策略，影响电网调度和经济效益。
技术实现思路
1、有鉴于此，本发明提供了一种功率预测模型的训练方法和功率预测方法，以解决未考虑风功率季节性变化导致的功率预测不准确的问题。
2、第一方面，本发明提供一种功率预测模型的训练方法，所述功率预测模型的训练方法包括：获取目标风电场的历史时间数据和所述历史时间数据对应的历史功率数据；基于所述历史时间数据构建历史多维时间特征集合；其中，所述历史多维时间特征集合包括多个不同时间尺度的子历史时间特征和用于描述所述子历史时间特征的属性的子属性特征；基于所述历史多维时间特征集合和所述历史功率数据构建训练数据集；基于所述训练数据集对预先构建好的功率预测模型进行模型训练，得到所述功率预测模型；在模型训练过程中，学习所述历史多维时间特征集合中的各所述子历史时间特征、所述子属性特征与所述历史功率数据的时序对应关系。
3、作为示例性的实施例，所述基于所述历史时间数据构建历史多维时间特征集合，包括：基于不同时间尺度对所述历史时间数据进行第一提取，得到不同时间尺度下的多个子历史时间特征；其中，所述时间尺度至少包括月、天、小时、分钟；对时间尺度为小时的第一子历史时间特征进行第一周期性转换，将所述子历史时间特征分别映射至正弦曲线和余弦曲线，得到所述第一子历史时间特征的第一历史周期属性特征；对时间尺度为分钟的第二子历史时间特征进行第二周期性转换，得到所述第二子历史时间特征的第二历史周期属性特征；基于各所述子历史时间特征及其所对应的所述第一历史周期属性特征、所述第二历史周期属性特征构建所述历史多维时间特征集合。
4、作为示例性的实施例，所述基于所述历史时间数据构建多维时间特征，还包括：对各所述子历史时间特征进行第二提取，得到用于描述各所述子历史时间特征所属的季节的历史季节属性特征；对各所述子历史时间特征进行第三提取，得到用于描述各所述子历史时间特征所属的历史工作属性特征；基于所述历史季节属性特征和所述历史工作属性特征构建所述历史多维时间特征集合。
5、作为示例性的实施例，所述功率预测模型包括多个功率预测子模型和功率融合模块，各所述功率预测子模型分别用于基于所述子历史时间特征进行功率预测，得到子功率预测结果，所述功率融合模块用于基于各子功率预测结果及其对应的融合权重输出功率预测结果；所述基于所述训练数据集对预先构建好的功率预测模型进行模型训练，得到所述功率预测模型，包括：对至少一个所述功率预测子模型进行超参数调优；将所述训练数据集输入分别输入至各所述功率预测子模型中进行模型训练，在模型训练的过程中，学习所述历史多维时间特征集合与所述历史功率数据的对应关系，直至模型收敛；基于各所述功率预测子模型的预测准确率确定所述功率融合模块的融合权重。
6、第二方面，本发明提供一种功率预测方法，所述功率预测方法包括：获取目标风电场的预测时间数据；基于所述预测时间数据构建预测多维时间特征集合；其中，所述预测多维时间特征集合包括多个不同时间尺度的子预测时间特征和用于描述所述子预测时间特征的属性的子属性特征；将所述预测多维时间特征集合输入至预先训练好的功率预测模型中进行功率预测，得到功率预测结果；其中，所述功率预测模型是通过获取目标风电场的历史时间数据和所述历史时间数据对应的历史功率数据，在模型训练过程中，学习所述历史多维时间特征集合中的各所述子预测时间特征、所述子属性特征与所述历史功率数据的时序对应关系训练得到的。
7、作为示例性的实施例，所述基于所述历史时间数据构建历史多维时间特征集合，包括：基于不同时间尺度对所述预测时间数据进行第一提取，得到不同时间尺度下的多个子预测时间特征；其中，所述时间尺度至少包括月、天、小时、分钟；对时间尺度为小时的第一子预测时间特征进行第一周期性转换，将所述子预测时间特征分别映射至正弦曲线和余弦曲线，得到所述第一子预测时间特征的第一预测周期属性特征；对时间尺度为分钟的第二子预测时间特征进行第二周期性转换，得到所述第二子预测时间特征的第二预测周期属性特征；基于各所述子预测时间特征及其所对应的所述第一预测周期属性特征、所述第二预测周期属性特征构建所述预测多维时间特征集合。
8、作为示例性的实施例，所述基于所述历史时间数据构建多维时间特征，还包括：对各所述子预测时间特征进行第二提取，得到用于描述各所述子预测时间特征所属的季节的预测季节属性特征；对各所述子预测时间特征进行第三提取，得到用于描述各所述子预测时间特征所属的预测工作属性特征；基于所述预测季节属性特征和所述预测工作属性特征构建所述历史多维时间特征集合。
9、第三方面，本发明提供了一种功率预测模型的训练装置，所述功率预测模型的训练装置包括：获取模块，用于获取目标风电场的历史时间数据和所述历史时间数据对应的历史功率数据；特征构建模块，用于基于所述历史时间数据构建历史多维时间特征集合；其中，所述历史多维时间特征集合包括多个不同时间尺度的子历史时间特征和用于描述所述子历史时间特征的属性的子属性特征；数据集构建模块，用于基于所述历史多维时间特征集合和所述历史功率数据构建训练数据集；训练模块，用于基于所述训练数据集对预先构建好的功率预测模型进行模型训练，得到所述功率预测模型；在模型训练过程中，学习所述历史多维时间特征集合中的各所述子历史时间特征、所述子属性特征与所述历史功率数据的时序对应关系。
10、第四方面，本发明提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的功率预测模型的训练方法或第二方面或其对应的任一实施方式的功率预测方法。
11、第五方面，本发明提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的功率预测模型的训练方法或第二方面或其对应的任一实施方式的功率预测方法。
12、本发明实施例提供一种功率预测模型的训练方法和功率预测方法，功率预测模型的训练方法包括：获取目标风电场的历史时间数据和所述历史时间数据对应的历史功率数据；基于所述历史时间数据构建历史多维时间特征集合；其中，所述历史多维时间特征集合包括多个不同时间尺度的子历史时间特征和用于描述所述子历史时间特征的属性的子属性特征；基于所述历史多维时间特征集合和所述历史功率数据构建训练数据集；基于所述训练数据集对预先构建好的功率预测模型进行模型训练，得到所述功率预测模型；在模型训练过程中，学习所述历史多维时间特征集合中的各所述子历史时间特征、所述子属性特征与所述历史功率数据的时序对应关系；本发明的上述实施方式，历史功率数据构建训练数据集中包括预先构建的多个不同时间尺度的子历史时间特征和用于描述所述子历史时间特征的属性的子属性特征，可通过预先构建的上述特征在模型训练的过程中考虑时间特征的周期性变化、季节性变化、工作日及周末差异属性，能够更好地捕捉风力发电量随时间的周期性变化和季节性变化，从而实现适应于风速季节性变化的风功率预测。
1.一种功率预测模型的训练方法，其特征在于，所述功率预测模型的训练方法包括：
2.如权利要求1所述的功率预测模型的训练方法，其特征在于，所述基于所述历史时间数据构建历史多维时间特征集合，包括：
3.如权利要求2所述的功率预测模型的训练方法，其特征在于，所述基于所述历史时间数据构建多维时间特征，还包括：
4.如权利要求1所述的功率预测模型的训练方法，其特征在于，所述功率预测模型包括多个功率预测子模型和功率融合模块，各所述功率预测子模型分别用于基于所述子历史时间特征进行功率预测，得到子功率预测结果，所述功率融合模块用于基于各子功率预测结果及其对应的融合权重输出功率预测结果；所述基于所述训练数据集对预先构建好的功率预测模型进行模型训练，得到所述功率预测模型，包括：
5.一种功率预测方法，其特征在于，所述功率预测方法包括：
6.如权利要求5所述的功率预测方法，其特征在于，所述基于所述历史时间数据构建历史多维时间特征集合，包括：
7.如权利要求6所述的功率预测方法，其特征在于，所述基于所述历史时间数据构建多维时间特征，还包括：
8.一种功率预测模型的训练装置，其特征在于，所述功率预测模型的训练装置包括：
9.一种计算机设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行权利要求1至4中任一项的功率预测模型的训练或权利要求5至7中任一项的功率预测方法。
