基于人工智能的电力数据时序趋势智能预测方法及系统与流程

本技术涉及电数字数据处理领域，尤其涉及一种基于人工智能的电力数据时序趋势智能预测方法及系统。

背景技术：

1、风力发电具有随机性与间歇性特征，通过对历史风速、风向、发电功率等数据进行建模分析，有效预判未来时段的风电出力趋势与峰值波动，是缓解风电并网冲击、提升新能源消纳能力并保障电网运行稳定性的必要基础手段。

2、在相关技术中，通常采用纯数据驱动的时序深度学习架构来处理多源风电数据。即，先采集风机功率序列和气象协变量序列，用固定步长的滑动窗口对整条时间序列进行特征维度的压缩与状态表征；特征提取阶段，通常基于全局交叉注意力机制，跨越整个时间轴计算外部风速气象数据与内部功率数据之间的映射权重，并以此完成外生特征与内源特征的对齐；最终，模型将提取出的时序周期特征和趋势特征进行融合，根据历史数据的拟合规律推演出未来的风电功率预测值，并将该预测值作为阈值比对的基准，用于后续的发电异常告警。

3、然而，在复杂多变的风况调度需求下，相关技术基于全局固定步长与无差别注意力的计算架构，难以适应风电数据中高频突变与低频平稳交替的非平稳动态特征，不可避免地造成瞬态关键信号的大量丢失及平稳期的无效计算冗余，从底层机制上制约了模型整体的特征表征能力，导致最终的预测精度较低。

技术实现思路

1、本技术提供了一种基于人工智能的电力数据时序趋势智能预测方法及系统，用于提升风力发电模型的预测准确性。

2、第一方面，本技术提供了一种基于人工智能的电力数据时序趋势智能预测方法，应用于数据处理系统，该方法包括：获取风力发电机组的内源功率时序序列和外生协变量时序序列；该外生协变量时序序列至少包含风速时序数据；对内源功率时序序列和外生协变量时序序列在平稳段进行稀疏采样，在突变点进行密集采样，得到粗粒度趋势特征和细粒度波动特征；基于预设的切入爬坡区掩码、额定饱和区掩码和切出跌落区掩码，对粗粒度趋势特征和细粒度波动特征进行掩码交叉注意力计算，得到趋势分支特征和周期分支特征；对内源功率时序序列进行高通滤波，得到高频突变残差序列；从风速时序数据中提取风速突变特征，对高频突变残差序列和风速突变特征进行交叉注意力计算，得到突变分支特征；融合趋势分支特征、周期分支特征和突变分支特征，确定风电出力的时序预测结果。

3、在上述实施例中，数据处理系统通过引入粗细粒度动态采样与多分支特征解耦提取机制，能对历史数据中的长周期平稳趋势与短时高频尖峰信号进行分离表征，避免全局统一降采样导致的瞬态特征丢失，提升模型对非平稳风况的拟合精度。

4、结合第一方面的一些实施例，在一些实施例中，该对内源功率时序序列和外生协变量时序序列在平稳段进行稀疏采样，在突变点进行密集采样，得到粗粒度趋势特征和细粒度波动特征的步骤，具体包括：计算内源功率时序序列在滑动窗口内的波动特征值；根据波动特征值，将时间序列划分为平稳段和突变段；在平稳段内采用第一采样步长进行降采样，得到粗粒度趋势特征；在突变段内采用小于第一采样步长的第二采样步长进行密集采样，得到细粒度波动特征。

5、在上述实施例中，数据处理系统基于滑动窗口内的特征值波动程度自适应划分时序区段并分配差异化采样步长，能减少平稳期的无效算力冗余，同时保留突变期的完整物理波形轮廓，提升数据重构的保真度。

6、结合第一方面的一些实施例，在一些实施例中，该基于预设的切入爬坡区掩码、额定饱和区掩码和切出跌落区掩码，对粗粒度趋势特征和细粒度波动特征进行掩码交叉注意力计算，得到趋势分支特征和周期分支特征的步骤，具体包括：根据风速阈值将运行工况划分为切入爬坡区、额定饱和区和切出跌落区，并构建对应的切入爬坡区掩码、额定饱和区掩码和切出跌落区掩码；在切入爬坡区掩码下，对粗粒度趋势特征和细粒度波动特征进行交叉注意力计算，得到爬坡关联特征；在额定饱和区掩码下，对细粒度波动特征进行自注意力计算，得到饱和关联特征；在切出跌落区掩码下，对粗粒度趋势特征和细粒度波动特征进行截断注意力计算，得到跌落关联特征；对爬坡关联特征、饱和关联特征和跌落关联特征进行拼接与映射，并输入至特征解耦映射网络中分离空间表征，得到趋势分支特征和周期分支特征。

7、在上述实施例中，数据处理系统通过构建符合风机物理运行边界的三段式掩码，在注意力计算底层介入物理规则约束，能阻断大风饱和工况下的非物理映射残留，解决纯数据驱动模型易输出越限异常预测值的问题。

8、结合第一方面的一些实施例，在一些实施例中，在融合趋势分支特征、周期分支特征和突变分支特征，确定风电出力的时序预测结果的步骤之前，该方法还包括：计算突变分支特征在历史时间窗口内的拟合残差统计量；基于拟合残差统计量计算权重分配系数；结合权重分配系数对突变分支特征进行加权修正。

9、在上述实施例中，数据处理系统基于历史拟合残差构建动态权重反馈调节机制，能根据过往时间段内的突变预测可靠性自适应缩放突变分支的融合比例，防止局部高频噪声被过度放大，增强预测系统输出的稳定性。

10、结合第一方面的一些实施例，在一些实施例中，该计算突变分支特征在历史时间窗口内的拟合残差统计量的步骤，具体包括：获取风力发电机组在历史时间窗口内的实际功率序列；对突变分支特征进行映射计算，得到理论功率序列；计算实际功率序列与理论功率序列的偏差时序数据；提取偏差时序数据的统计特征，得到拟合残差统计量。

11、在上述实施例中，数据处理系统通过将单分支抽象特征逆映射为理论物理序列并与实际值做差运算，能精准量化高频分量对整体预测误差的边际贡献度，为权重修正模块提供可靠的数据支撑依据。

12、结合第一方面的一些实施例，在一些实施例中，在融合趋势分支特征、周期分支特征和突变分支特征，确定风电出力的时序预测结果的步骤之后，该方法还包括：获取风力发电机组在预测时间段内的实际出力序列；对趋势分支特征、周期分支特征和突变分支特征进行解码，得到理论趋势分量、理论周期分量和理论突变分量；计算实际出力序列与各个理论分量之间的分量级拟合残差，得到趋势残差序列、周期残差序列和突变残差序列；基于趋势残差序列、周期残差序列和突变残差序列计算分支反馈调节权重，该分支反馈调节权重用于在下一预测时间步中更新各分支的融合权重分配比例。

13、在上述实施例中，数据处理系统构建了细化至特征分量级别的后置误差反向传播回路，能针对长期趋势偏移或短期相位错位进行靶向权重更新，遏制时间推移带来的累积误差，维持长序列预测的收敛性。

14、结合第一方面的一些实施例，在一些实施例中，在计算实际出力序列与各理论分量之间的分量级拟合残差，得到趋势残差序列、周期残差序列和突变残差序列的步骤之后，该方法还包括：分别计算趋势残差序列的长期基线漂移率、周期残差序列的相位偏移度和突变残差序列的瞬态脉冲频次；结合设备劣化映射库，确定长期基线漂移率对应的趋势级异常标识；结合控制偏差映射库，确定相位偏移度对应的周期级异常标识；结合传感器故障映射库，确定瞬态脉冲频次对应的突变级异常标识；对趋势级异常标识、周期级异常标识和突变级异常标识进行组合判定，生成包含硬件物理故障状态的状态诊断结果。

15、在上述实施例中，数据处理系统将预测模型解耦出的多维残差指标复用于硬件状态分析，能实现隐性故障与渐进式劣化的早期识别，打破原有固定阈值告警的滞后性局限，达成风电预测与运维诊断的底层逻辑互通。

16、第二方面，本技术实施方式提供了一种数据处理系统，该数据处理系统包括：一个或多个处理器和存储器；该存储器与该一个或多个处理器耦合，该存储器用于存储计算机程序代码，该计算机程序代码包括计算机指令，该一个或多个处理器调用该计算机指令以使得该数据处理系统执行如第一方面以及第一方面中任一可能的实现方式描述的方法。

17、第三方面，本技术实施方式提供一种计算机可读存储介质，包括指令，当上述指令在数据处理系统上运行时，使得上述数据处理系统执行如第一方面以及第一方面中任一可能的实现方式描述的方法。

18、第四方面，本技术实施方式提供一种包含指令的计算机程序产品，当上述计算机程序产品在数据处理系统上运行时，使得上述数据处理系统执行如第一方面以及第一方面中任一可能的实现方式描述的方法。

19、可以理解地，上述第二方面提供的数据处理系统，第三方面提供的计算机存储介质和第四方面提供的计算机程序产品均用于执行本技术实施方式所提供的方法。因此，其所能达到的有益效果可参考对应方法中的有益效果，此处不再赘述。

20、本技术实施方式中提供的一个或多个技术方案，至少具有如下技术效果或优点：

21、1、由于采用了对内源和外生时序数据进行分段重采样及三分支独立提取架构，所以系统能在保留高频突变残差序列的同时抑制平稳段噪声，有效解决了现有技术中全局固定下采样尺度导致瞬态尖峰信号丢失及特征被过度平滑的问题，实现了对复杂风况下风电出力功率演变趋势的高保真表征与预测。

22、2、由于采用了基于内源序列波动特征值划分平稳段与突变段并应用差异化采样步长的机制，所以系统能在突变区间执行密集采样捕获瞬态信息，在平稳区间执行降采样，有效解决了现有技术中算力分配不均与宽幅信号冗余计算的问题，实现了特征提取阶段计算开销与信息保留率的平衡优化。

23、3、由于采用了统计历史拟合残差并对突变分支特征进行加权修正的反馈闭环，所以系统能根据历史窗口内的预测可信度动态遏制发散特征，有效解决了现有技术中突变分支在剧烈湍流工况下易引入异常干扰导致模型发散的问题，实现了模型在极端微气象变化场景下的推理稳定性。