一种风电功率预测方法及装置与流程

1.本发明属于风电功率预测技术领域，具体涉及一种风电功率预测方法及装置。


背景技术：

2.在新能源电力背景下，为实现电能的供需平衡需同时考虑电网可调度性、能源及其储备以及相对于传统火电的发电成本。风力发电具有经济性高、技术发展较为成熟和环境友好性等优势，因此被视为现代电力系统中最有前景的可再生能源之一。而风电作为一种间歇性电源，为实现其在全球范围内长足发展，需探索将其接入电网的最佳方式以确保电网的安全稳定运行。为此，需基于高质量的风力发电数据集辨识得到气象等因素与机组输出功率间的关系模型，然后基于该模型对风电功率进行预测，进而为电网调度运行提供参考以提高其稳定性。
3.为提高风力发电功率预测的准确性和鲁棒性，国内外专家学者已做出了不懈的努力。主要从两个方面出发，即预测的时间范围和所采用的方法。根据所使用技术的不同，风电功率预测模型可分为物理模型、数学模型、智能模型和混合模型，且在风电功率预测过程中往往涉及气象预报信息。为避免建模过程中复杂的机理分析过程，传统神经网络、极限学习机、径向神经网络和模糊逻辑控制等方法大量应用于风电功率预测中。上述方法虽不依赖于预设的预测模型，但所得残差几乎为常数。与此同时，考虑到残差并不总是可预测的，其不可预测性的存在会降低功率预测结果的准确性。因此，深度学习的引入对解决这一问题至关重要。与广义模型不同，深度学习模型对不同数据集中的演化模式做出响应，并根据输入的时间序列数据生成优化结果。在风电等新能源发电预测方面，深度学习网络的性能优于传统预测模型。考虑到残差的非平稳和非线性特性，将深度学习方法和神经分解网络应用于从属方法可进一步提高深度网络的校正效率。


技术实现要素：

4.本发明旨在至少解决现有技术中存在的技术问题之一，提供一种风电功率预测方法及装置。
5.本发明的一方面，提供一种风电功率预测方法，所述方法包括：
6.风电机组运行数据的采集；
7.基于卡尔曼滤波的数据预处理；
8.增广深度stsr-lstm网络的构建；
9.基于飞蛾火焰算法的增广深度stsr-lstm网络的参数优化；
10.所提出的中长期风电功率预测方法的性能验证。
11.在一些实施方式中，所述风电机组运行数据的采集，包括：
12.设风电机组输出功率为唯一的输出变量y，通过主元法得到地势、海拔、气温、风速、风向等输入变量进行筛选得到n个输入变量作为最终的神经网络模型输入变量{u1,u2,
…
,un}；
13.基于所得的各输入输出变量，以采样间隔t获取风电机组的n组实际运行数据，为保证所得预测模型的普适性和泛化能力，采样数据需充分覆盖机组在不同环境条件下的宽负荷范围运行工况。
14.在一些实施方式中，所述基于卡尔曼滤波的数据预处理，包括：
15.设风电机组的离散模型为：
[0016][0017]
其中：x(k)为系统状态变量，u(k)为k时刻的输入变量，y(k)为k时刻的输出变量，a、b、h分别为系统的状态矩阵、输入矩阵和输出矩阵；ξ(k)和η(k)分别为系统过程噪声和测量噪声；且设上述两种噪声引起的误差协方差矩阵分别为q和r；
[0018]
考虑系统的预测值和检测值，卡尔曼滤波对系统状态估计的协方差矩阵进行实时更新，并通过计算卡尔曼增益实现对下一时刻输出的估计；卡尔曼滤波器的时间更新公式为：
[0019][0020]
其中：为k时刻的系统先验状态估计，为k-1时刻的系统最优状态估计，为k时刻的系统先验状态估计的协方差矩阵；
[0021]
状态更新公式为：
[0022][0023]
其中：k(k)表示卡尔曼滤波增益，p(k)为k时刻后验状态估计协方差矩阵；
[0024]
基于上一步估计预测值和当前检测值估计下一时刻输出，且检测输出和预测输出间的残差为：
[0025][0026]
在一些实施方式中，所述增广深度stsr-lstm网络具有四层结构，分别是序列输入层、全连接层、回归输出层和深度lstm层；
[0027]
所述增广深度stsr-lstm网络的构建，包括：
[0028]
设每一层的可学习权重是输入权重x、回归权重s和偏差c；且矩阵x、s和c还表示组件的输入和回归权重以及偏差；定义如下矩阵：
[0029][0030]
其中g、j、p和h分别代表遗忘门、输出门、输入门和单元候选门；
[0031]
第k步的单元位置由以下等式确定：
[0032]dk
＝gk⊙dk-1
jk⊙hk
ꢀꢀꢀ
(6)
[0033]
其中：
⊙
代表hadamard积，用于计算增广深度stsr-lstm网络的向量相乘；隐藏状态的时间步估计为：
[0034]
ik＝pk⊙
σd(dk)
ꢀꢀꢀ
(7)
[0035]
式中：σd为激活函数；采用双曲正切函数测量扩展深度stsr-lstm层中激活函数的状态，时间步如下：
[0036]
输入门：
[0037]jk
＝σh(xjyk sji
k-1
cj)
ꢀꢀꢀ
(8)
[0038]
遗忘门：
[0039]gk
＝σh(xgyk sgi
k-1
cg)
ꢀꢀꢀ
(9)
[0040]
单元候选门：
[0041]hk
＝σh(xhyk shi
k-1
ch)
ꢀꢀꢀ
(10)
[0042]
输出门：
[0043]
pk＝σh(x
pyu
s
pik-1
c
p
)
ꢀꢀꢀ
(11)
[0044]
基于adam函数的加速收敛过程；在算法收敛过程中采用自适应矩估计函数adam，该函数保持了先前平方梯度wu的指数衰减平均值；此外，adam函数还可测量第二梯度nu的平均值；wu和nu分别为非中心方差和平均值，具有如下表达式：
[0045][0046]
其中：β1,β2∈[0,1]；进一步，采用下式更新上述两个移动平均函数的学习衰减率：
[0047][0048]
然后通过增广深度stsr-lstm公式进行参数更新：
[0049][0050]
训练和测试结果的数据划分；用户侧和并网侧必须平衡15分钟的平均风力发电量和需求，因此可将其分为多个子集；电力系统供需平衡的管理基于前一天所交付和计算的能源生产计划，一般使用15分钟的时间间隔进行每月、季节和年度风电预测；
[0051]
基于采样数据的未来时间步长预测和状态网络更新；采用增广深度stsr-lstm网络和状态更新函数预测给定时间序列数据中的未来时间步长值，并改变未来每个预测步的网络状态，以便对未来多个时间步长值进行预测。
[0052]
在一些实施方式中，所述基于飞蛾火焰算法的增广深度stsr-lstm网络的参数优化，包括：
[0053]
算法初始化：
[0054]
参数设置及种群初始化；假设飞蛾种群规模为nm，待寻优的变量个数为d，与此同时，设火焰数目为nf，最大迭代次数为m；飞蛾种群中个体的位置向量初始化为：
[0055]mi,j
＝(ub
j-lbj)
·
rand(0,1) lb
j (i＝1,2,
…
,nm；j＝1,2,
…
,d)
ꢀꢀꢀ
(15)
[0056]
其中：m
i,j
是第i个飞蛾在第j个搜索维度中的位置；ubj和lbj表示第j维搜索空间的上下界；
[0057]
进一步，整个飞蛾种群可表示为：
[0058][0059]
其中：k为当前迭代步，且此处取1；
[0060]
根据实际优化需求定义适应度函数fm；飞蛾种群的初始适应度向量为：
[0061][0062]
火焰位置：
[0063]
火焰数自适应计算、蛾类种群适应度排序和火焰位置确定；
[0064]
在飞蛾火焰算法的搜索过程中，飞蛾作为搜索主体，火焰作为当前最优飞蛾位置的集合，其初始数量nf等于飞蛾种群大小；由于蛾类位置的更新朝向相应的火焰，若nf一直保持较高值将导致开采能力的下降，因此引入下式所示的自适应火焰数；
[0065][0066]
然后，对飞蛾的适应度值进行升序排序，选择第一个nf(k)成员生成火焰的适应度向量ff(k)；此外，相应的飞蛾位置被视为火焰的位置f(k)；
[0067][0068][0069]
其中：ffi(i＝1,2,
…
,nf)为第i个飞蛾的适应度；
[0070]
飞蛾位置更新：
[0071]
基于对数螺旋的重新定位和适应度计算；
[0072]
mi(k 1)＝|mi(k)-fj(k)|
·ebλ
·
cos(2πλ) fj(k) (i＝1,2,
…
,nm；j＝1,2,
…
,nf)
ꢀꢀ
(21)
[0073]
其中：|mi–fj
|为第i个飞蛾到第j个火焰的距离，λ为[r,1]之间的常数，r的表达式如下：
[0074][0075]
飞蛾位置更新后，得到新的适应度向量fm(k 1)；
[0076]
火焰位置更新：
[0077]
适应度排名和精英保留；
[0078]
将包含重新定位的飞蛾和当前火焰的适应度值的混合适应度函数向量排序并命名为fm
new
：
[0079]
fm
new
＝sort[fm(k 1),ff(k)]
ꢀꢀꢀ
(23)
[0080]
将fm
new
中的第一个项nf(k)视为精英，并更新火焰位置向量ff(k 1)；此外，飞蛾种群m(k 1)及其适应度向量fm(k 1)也由新排序向量的第一个nm项更新；
[0081]
过程判断：
[0082]
终止条件设置及判断；
[0083]
将当前迭代达到最大迭代次数或可接受的搜索精度作为终止条件；因此，若这两个条件中的任何一个得到满足，整个搜索过程结束；否则，k＝k 1，返回上述步骤进行进一步优化。
[0084]
在一些实施方式中，所述所提出的中长期风电功率预测方法的性能验证，包括：
[0085]
基于matlab、demola、python、c/c 软件平台实现所提出算法的代码编写并进行仿真测试；
[0086]
设置风电功率预测中相关的性能指标，通过定量统计和定性分析验证风电功率预测方法的可行性和有效性。
[0087]
本发明的另一方面，提供一种风电功率预测装置，所述装置包括：
[0088]
采集模块，用于风电机组运行数据的采集；
[0089]
预处理模块，用于基于卡尔曼滤波的数据预处理；
[0090]
构建模块，用于增广深度stsr-lstm网络的构建；
[0091]
优化模块，用于基于飞蛾火焰算法的增广深度stsr-lstm网络的参数优化；
[0092]
验证模块，用于所提出的中长期风电功率预测方法的性能验证。
[0093]
在一些实施方式中，所述采集模块具体还用于：
[0094]
设风电机组输出功率为唯一的输出变量y，通过主元法得到地势、海拔、气温、风速、风向等输入变量进行筛选得到n个输入变量作为最终的神经网络模型输入变量{u1,u2,
…
,un}；
[0095]
基于所得的各输入输出变量，以采样间隔t获取风电机组的n组实际运行数据，为保证所得预测模型的普适性和泛化能力，采样数据需充分覆盖机组在不同环境条件下的宽负荷范围运行工况。
[0096]
本发明的另一方面，提供一种电子设备，包括：
[0097]
一个或多个处理器；
[0098]
存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现根据前文记载的所述的方法。
[0099]
本发明的另一方面，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能实现根据前文记载的所述的方法。
[0100]
本发明的风电功率预测方法及装置，立足于我国新型电力系统的新能源消纳需求，为提高风电接入下电网的稳定性，提供了一种基于飞蛾火焰算法优化选通递归神经网络深度学习的风电功率预测方法以实现风机功率的精准预测。本发明考虑到目前中长期风电功率预测相关研究不足的问题，聚焦于中长期风电功率预测，提出了增广的深度序列到序列长短期记忆回归(stsr-lstm)网络模型来提高预测性能，可有效提高风电功率预测精度。本发明通过飞蛾火焰算法对所用深度学习及神经网络模型中的参数进行优化，从而进一步保证算法性能。
附图说明
[0101]
图1为本发明提出的风电功率预测方法的流程图；
[0102]
图2为本发明构建的增广深度stsr-lstm网络原理框图；
[0103]
图3为本发明提出的风电功率预测装置的结构示意图。
具体实施方式
[0104]
为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。
[0105]
本实施例的一方面，如图1所示，涉及一种风电功率预测方法，所述方法包括：
[0106]
s1：风电机组运行数据的采集。
[0107]
s2：基于卡尔曼滤波的数据预处理。
[0108]
s3：增广深度stsr-lstm网络的构建。
[0109]
s4：基于飞蛾火焰算法的增广深度stsr-lstm网络的参数优化。
[0110]
s5：所提出的中长期风电功率预测方法的性能验证。
[0111]
由于本发明所提出的方法本质为数据驱动的建模方法。因此，步骤s1可具体化为：
[0112]
s1.1：设风电机组输出功率为唯一的输出变量y，通过主元法得到地势、海拔、气温、风速、风向等输入变量进行筛选得到n个输入变量作为最终的神经网络模型输入变量{u1,u2,
…
,un}。
[0113]
s1.2：基于s1.1所得的各输入输出变量，以采样间隔t＝15min获取风电机组的n＝10000组实际运行数据，为保证所得预测模型的普适性和泛化能力，采样数据需充分覆盖机组在不同环境条件下的宽负荷范围运行工况。
[0114]
基于s1中的风电机组采样数据，利用卡尔曼滤波方法进行预处理实现数据去噪。卡尔曼滤波通过系统的测量值和预测值对系统的当前状态进行最优估计，可有效减缓过程噪声和测量噪声的不利影响，基于此，步骤s2可具体化为
[0115]
s2.1：设风电机组的离散模型为：
[0116][0117]
其中：x(k)为系统状态变量，u(k)为k时刻的输入变量，y(k)为k时刻的输出变量，a、b、h分别为系统的状态矩阵、输入矩阵和输出矩阵；ξ(k)和η(k)分别为系统过程噪声和测量噪声；且设上述两种噪声引起的误差协方差矩阵分别为q和r；
[0118]
s2.2：考虑系统的预测值和检测值，卡尔曼滤波对系统状态估计的协方差矩阵进行实时更新，并通过计算卡尔曼增益实现对下一时刻输出的估计；卡尔曼滤波器的时间更新公式为：
[0119][0120]
其中：为k时刻的系统先验状态估计，为k-1时刻的系统最优状态估计，为k时刻的系统先验状态估计的协方差矩阵；
[0121]
状态更新公式为：
[0122][0123]
其中：k(k)表示卡尔曼滤波增益，p(k)为k时刻后验状态估计协方差矩阵。
[0124]
s2.3：基于上一步估计预测值和当前检测值估计下一时刻输出，且检测输出和预测输出间的残差为：
[0125][0126]
基于s2的去噪数据，在s3中构建图2所示增广深度stsr-lstm网络模型。该模型具有四层结构，分别是：序列输入层、全连接层、回归输出层和深度lstm层。且为了提高衍生特征和预期性能的可靠性，引入了统计学习技术。
[0127]
s3.1：增广深度stsr-lstm网络是一种递归神经网络，可以在实际和预测的读取序列数据步骤之间建立长期依赖关系。层序输入层(sil)和stsr-lstm层是增广深度stsr-lstm网络的两个主要组成部分。sil提供网络序列和时间序列数据。stsr-lstm层学习数据序列步之间的长期可靠性。设每一层的可学习权重是输入权重x、回归权重s和偏差c；且矩阵x、s和c还表示组件的输入和回归权重以及偏差；定义如下矩阵：
[0128][0129]
其中g、j、p和h分别代表遗忘门、输出门、输入门和单元候选门；
[0130]
第k步的单元位置由以下等式确定：
[0131]dk
＝gk⊙dk-1
jk⊙hk
ꢀꢀꢀ
(6)
[0132]
其中：
⊙
代表hadamard积，用于计算增广深度stsr-lstm网络的向量相乘；隐藏状态的时间步估计为：
[0133]
ik＝pk⊙
σd(dk)
ꢀꢀꢀ
(7)
[0134]
式中：σd为激活函数；采用双曲正切函数测量扩展深度stsr-lstm层中激活函数的状态，时间步如下：
[0135]
输入门：
[0136]jk
＝σh(xjyk sji
k-1
cj)
ꢀꢀꢀ
(8)
[0137]
遗忘门：
[0138]gk
＝σh(xgyk sgi
k-1
cg)
ꢀꢀꢀ
(9)
[0139]
单元候选门：
[0140]hk
＝σh(xhyk shi
k-1
ch)
ꢀꢀꢀ
(10)
[0141]
输出门：
[0142]
pk＝σh(x
pyu
s
pik-1
c
p
)
ꢀꢀꢀ
(11)
[0143]
s3.2：基于adam函数的加速收敛过程；在算法收敛过程中采用自适应矩估计函数adam，该函数保持了先前平方梯度wu的指数衰减平均值；此外，adam函数还可测量第二梯度nu的平均值；wu和nu分别为非中心方差和平均值，具有如下表达式：
[0144][0145]
其中：β1,β2∈[0,1](本实施例中取β1＝0.6,β2＝0.4)；进一步，采用下式更新上述两个移动平均函数的学习衰减率：
[0146][0147]
然后通过增广深度stsr-lstm公式进行参数更新：
[0148][0149]
s3.3：训练和测试结果的数据划分；用户侧和并网侧必须平衡15分钟的平均风力发电量和需求，因此可将其分为多个子集；电力系统供需平衡的管理基于前一天所交付和计算的能源生产计划，一般使用15分钟的时间间隔进行每月、季节和年度风电预测。
[0150]
s3.4：基于采样数据的未来时间步长预测和状态网络更新；采用增广深度stsr-lstm网络和状态更新函数预测给定时间序列数据中的未来时间步长值，并改变未来每个预测步的网络状态，以便对未来多个时间步长值进行预测。训练数据参数用于标准化测试数据。在访问预测值之间的实际时间相位值后，使用测量值而不是预测值更新深度stsr-lstm网络状态。此外，对网络状态进行重置或调整以防止以前的预测值影响新的数据预测。
[0151]
s3中构建的增广深度stsr-lstm网络模型的参数选择是风电功率预测效率和精度的关键影响因素。因此，在步骤s4中通过飞蛾火焰算法对所构建增广深度stsr-lstm网络模型的参数进行优化。
[0152]
飞蛾火焰算法启发于飞蛾的趋光性，蛾群中的每个成员都以固定角度飞向光源。飞蛾与光源之间的距离对飞蛾的运动轨迹影响很大。以月亮光和人造光为例(如火焰)，由于月亮足够远，飞蛾可以沿着直线行进。然而，当面向人造光源时，飞蛾的固定角度导航会导致螺旋飞行路径，这一过程非常类似于将光源位置视为最优解的优化问题。
[0153]
s4.1：算法初始化：参数设置及种群初始化；假设飞蛾种群规模为nm(本实施例选取nm＝50)。待寻优的变量个数为d(本实施例中d＝5)，与此同时，设火焰数目为nf初始值为50。最大迭代次数为m＝30；飞蛾种群中个体的位置向量初始化为：
[0154]mi,j
＝(ub
j-lbj)
·
rand(0,1) lb
j (i＝1,2,
…
,nm；j＝1,2,
…
,d)
ꢀꢀꢀ
(15)
[0155]
其中：m
i,j
是第i个飞蛾在第j个搜索维度中的位置；ubj和lbj表示第j维搜索空间的上下界，本实施例中取ub1＝
…
＝ubj＝1，lb1＝
…
＝lbj＝-1。
[0156]
进一步，整个飞蛾种群可表示为：
[0157][0158]
其中：k为当前迭代步，且此处取1；
[0159]
根据实际优化需求定义适应度函数fm；飞蛾种群的初始适应度向量为：
[0160][0161]
s4.2：火焰位置：火焰数自适应计算、蛾类种群适应度排序和火焰位置确定。
[0162]
在飞蛾火焰算法的搜索过程中，飞蛾作为搜索主体，火焰作为当前最优飞蛾位置的集合，其初始数量nf等于飞蛾种群大小；由于蛾类位置的更新朝向相应的火焰，若nf一直保持较高值将导致开采能力的下降，因此引入下式所示的自适应火焰数；
[0163][0164]
然后，对飞蛾的适应度值进行升序排序，选择第一个nf(k)成员生成火焰的适应度向量ff(k)；此外，相应的飞蛾位置被视为火焰的位置f(k)；
[0165][0166][0167]
其中：ffi(i＝1,2,
…
,nf)为第i个飞蛾的适应度。
[0168]
s4.3：飞蛾位置更新：基于对数螺旋的重新定位和适应度计算。
[0169]
mi(k 1)＝|mi(k)-fj(k)|
·ebλ
·
cos(2πλ) fj(k) (i＝1,2,
…
,nm；j＝1,2,
…
,nf)
ꢀꢀ
(21)
[0170]
其中：|m
i-fj|为第i个飞蛾到第j个火焰的距离，λ为[r,1]之间的常数，r的表达式如下：
[0171][0172]
飞蛾位置更新后，得到新的适应度向量fm(k 1)。
[0173]
s4.4：火焰位置更新：适应度排名和精英保留。
[0174]
将包含重新定位的飞蛾和当前火焰的适应度值的混合适应度函数向量排序并命名为fm
new
：
[0175]
fm
new
＝sort[fm(k 1),ff(k)]
ꢀꢀꢀ
(23)
[0176]
将fm
new
中的第一个项nf(k)视为精英，并更新火焰位置向量ff(k 1)；此外，飞蛾种群m(k 1)及其适应度向量fm(k 1)也由新排序向量的第一个nm项更新；
[0177]
s4.5：过程判断：终止条件设置及判断。
[0178]
将当前迭代达到最大迭代次数或可接受的搜索精度作为终止条件；因此，若这两个条件中的任何一个得到满足，整个搜索过程结束；否则，k＝k 1，返回步骤4.2进行进一步优化。
[0179]
为验证上述基于飞蛾火焰算法优化选通递归神经网络深度学习的风电功率预测方法的有效性，依托matlab仿真平台进行数值测试。基于此，s5可具体化为：
[0180]
s5.1：基于matlab等软件平台实现所提出算法的代码编写并进行仿真测试。
[0181]
s5.2：设置风电功率预测精度和速度相关的性能指标，即建模速度ts、模型输出均
方差mse和拟合度η。通过定量统计和定性分析验证本发明设计的风电功率预测方法的可行性和有效性。
[0182]
本发明的风电功率预测方法，立足于我国新型电力系统的新能源消纳需求，为提高风电接入下电网的稳定性，提供了一种基于飞蛾火焰算法优化选通递归神经网络深度学习的风电功率预测方法以实现风机功率的精准预测。本发明考虑到目前中长期风电功率预测相关研究不足的问题，聚焦于中长期风电功率预测，提出了增广的深度序列到序列长短期记忆回归(stsr-lstm)网络模型来提高预测性能，可有效提高风电功率预测精度。本发明通过飞蛾火焰算法对所用深度学习及神经网络模型中的参数进行优化，从而进一步保证算法性能。
[0183]
本发明的另一方面，如图3所示，提供一种风电功率预测装置100，该装置100适用于前文记载的方法。所述装置100包括：
[0184]
采集模块110，用于风电机组运行数据的采集；
[0185]
预处理模块120，用于基于卡尔曼滤波的数据预处理；
[0186]
构建模块130，用于增广深度stsr-lstm网络的构建；
[0187]
优化模块140，用于基于飞蛾火焰算法的增广深度stsr-lstm网络的参数优化；
[0188]
验证模块150，用于所提出的中长期风电功率预测方法的性能验证。
[0189]
本发明的风电功率预测装置，立足于我国新型电力系统的新能源消纳需求，为提高风电接入下电网的稳定性，提供了一种基于飞蛾火焰算法优化选通递归神经网络深度学习的风电功率预测装置以实现风机功率的精准预测。本发明考虑到目前中长期风电功率预测相关研究不足的问题，聚焦于中长期风电功率预测，提出了增广的深度序列到序列长短期记忆回归(stsr-lstm)网络模型来提高预测性能，可有效提高风电功率预测精度。本发明通过飞蛾火焰算法对所用深度学习及神经网络模型中的参数进行优化，从而进一步保证算法性能。
[0190]
在一些实施方式中，所述采集模块110具体还用于：
[0191]
设风电机组输出功率为唯一的输出变量y，通过主元法得到地势、海拔、气温、风速、风向等输入变量进行筛选得到n个输入变量作为最终的神经网络模型输入变量{u1,u2,
…
,un}；
[0192]
基于所得的各输入输出变量，以采样间隔t获取风电机组的n组实际运行数据，为保证所得预测模型的普适性和泛化能力，采样数据需充分覆盖机组在不同环境条件下的宽负荷范围运行工况。
[0193]
本发明的另一方面，提供一种电子设备，包括：
[0194]
一个或多个处理器；
[0195]
存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现根据前文记载的所述的方法。
[0196]
本发明的另一方面，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能实现根据前文记载的所述的方法。
[0197]
其中，计算机可读介质可以是本发明的装置、设备、系统中所包含的，也可以是单独存在。
[0198]
其中，计算机可读存储介质可是任何包含或存储程序的有形介质，其可以是电、
磁、光、电磁、红外线、半导体的系统、装置、设备，更具体的例子包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、光纤、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件，或它们任意合适的组合。
[0199]
其中，计算机可读存储介质也可包括在基带中或作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码，其具体的例子包括但不限于电磁信号、光信号，或它们任意合适的组合。
[0200]
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。