背景技術：

1、風力發(fā)電場(wind?farm)可以包括被配置為生成電力(electric?power)的多個風力渦輪機。風力發(fā)電場的功率生成可以取決于包括風速的天氣條件而變化。期望準確地預測將由風力發(fā)電場在將來時間生成的功率量。

技術實現思路

1、一種機器學習(ml)模型可以被配置為輔助確定風力發(fā)電場的預期將來功率產生。風力發(fā)電場的功率曲線可以將風力發(fā)電場的功率輸出表示為風速的函數。不同風力發(fā)電場的功率曲線可以取決于這些風力發(fā)電場的各種屬性而變化。因此，功率曲線可以表示風力發(fā)電場的這些各種屬性，所述這些各種屬性中的一些可能是無法直接測量的。風力發(fā)電場的功率曲線可以被轉換為圖像，并且圖像因此可以將風力發(fā)電場的屬性表示為視覺模式。圖像可以由ml模型處理以生成指示風力發(fā)電場的屬性的潛在表示。潛在表示可以與預期將來天氣數據一起用于確定風力發(fā)電場的預期將來功率產生。

2、在第一示例實施例中，一種方法可以包括確定包括多個像素的功率曲線圖像，所述功率曲線圖像將風力發(fā)電場的多個風力渦輪機的功率產生表示為風速的函數。所述方法還可以包括由ml編碼器模型基于由ml編碼器模型處理功率曲線圖像來確定風力發(fā)電場的屬性的潛在表示。所述方法可以附加地包括獲得與將來時間相對應的預期天氣數據。所述方法還可以包括基于潛在表示和預期天氣數據來確定風力發(fā)電場在將來時間的預期功率產生。所述方法又另外可以包括生成包括所述預期功率產生的輸出。

3、在第二示例實施例中，一種方法可以包括確定包括多個像素的訓練功率曲線圖像，所述訓練功率曲線圖像將訓練風力發(fā)電場的多個訓練風力渦輪機的功率產生表示為風速的函數。所述方法還可以包括由機器學習(ml)編碼器模型基于由ml編碼器模型處理訓練功率曲線圖像來確定訓練風力發(fā)電場的屬性的訓練潛在表示。所述方法可以附加地包括由ml解碼器模型基于由ml解碼器模型處理訓練潛在表示來確定訓練功率曲線圖像的重建。所述方法還可以包括基于將(i)訓練功率曲線圖像的重建與(ii)訓練功率曲線圖像進行比較來確定損失值。所述方法又另外可以包括基于損失值來調整ml編碼器模型的一個或多個參數。

4、在第三示例實施例中，一種系統(tǒng)可以包括處理器和非暫時性計算機可讀介質，所述非暫時性計算機可讀介質具有存儲在其上的指令，所述指令在由處理器執(zhí)行時使所述處理器執(zhí)行根據第一示例實施例和/或第二示例實施例的操作。

5、在第四示例實施例中，一種非暫時性計算機可讀介質可以具有存儲在其上的指令，所述指令在由計算裝置執(zhí)行時使所述計算裝置執(zhí)行根據第一示例實施例和/或第二示例實施例的操作。

6、在第五示例實施例中，一種系統(tǒng)可以包括用于執(zhí)行第一示例實施例和/或第二示例實施例的操作中的每一個的各種構件。

7、通過閱讀以下詳細描述并適當地參考附圖，這些以及其他實施例、方面、優(yōu)點和替代方案對本領域普通技術人員來說將變得顯而易見。另外，本
技術實現要素：
以及本文提供的其他描述和附圖僅意圖舉例說明實施例，并且因此，可能存在眾多變化。例如，結構元素和過程步驟可以重布置、組合、分配、消除或以其他方式改變，同時仍在所要求保護的實施例的范圍內。

技術特征：

1.一種計算機實現的方法，包括：

2.如權利要求1所述的計算機實現的方法，其中所述ml編碼器模型已經被訓練成基于所述功率曲線圖像并獨立于所述風力發(fā)電場的所述屬性的直接測量來確定所述風力發(fā)電場的所述屬性。

3.如權利要求1至2中任一項所述的計算機實現的方法，其中所述功率曲線圖像的所述多個像素表示圖，所述圖沿著其第一軸指示由所述多個風力渦輪機產生的功率量并且沿著其第二軸指示所述風速。

4.如權利要求1至3中任一項所述的計算機實現的方法，其中確定所述功率曲線圖像包括：

5.如權利要求4所述的計算機實現的方法，其中選擇所述預定數量的樣本包括：

6.如權利要求4至5中任一項所述的計算機實現的方法，其中生成所述功率曲線圖像包括：

7.如權利要求1至6中任一項所述的計算機實現的方法，其中確定所述功率曲線圖像包括：

8.如權利要求1至7中任一項所述的計算機實現的方法，其中確定所述功率曲線圖像包括：

9.如權利要求8所述的計算機實現的方法，其中生成所述功率曲線圖像的所述經下采樣版本包括：

10.如權利要求1至9中任一項所述的計算機實現的方法，其中所述預期天氣數據包括與所述將來時間相對應的預期風速。

11.如權利要求1至10中任一項所述的計算機實現的方法，其中確定所述風力發(fā)電場的所述預期功率產生包括：

12.一種計算機實現的方法，包括：

13.如權利要求12所述的計算機實現的方法，其中所述訓練功率曲線圖像的所述多個像素表示圖，所述圖沿著其第一軸指示由所述多個訓練風力渦輪機產生的功率量并且沿著其第二軸指示所述風速。

14.如權利要求12至13中任一項所述的計算機實現的方法，其中確定所述訓練功率曲線圖像包括：

15.如權利要求14所述的計算機實現的方法，其中選擇所述預定數量的訓練樣本包括：

16.如權利要求12至15中任一項所述的計算機實現的方法，其中生成所述訓練功率曲線圖像包括：

17.如權利要求12至16中任一項所述的計算機實現的方法，其中確定所述訓練功率曲線圖像包括：

18.如權利要求12至17中任一項所述的計算機實現的方法，還包括：

19.一種系統(tǒng)，包括：

20.一種非暫時性計算機可讀介質，所述非暫時性計算機可讀介質具有存儲在其上的指令，所述指令在由計算裝置執(zhí)行時使所述計算裝置執(zhí)行根據權利要求1至18中任一項所述的操作。

技術總結
一種方法包括確定包括多個像素的功率曲線圖像，所述功率曲線圖像將風力發(fā)電場的多個風力渦輪機的功率產生表示為風速的函數。所述方法還包括由機器學習(ML)編碼器模型基于由ML編碼器模型處理功率曲線圖像來確定風力發(fā)電場的屬性的潛在表示。所述方法附加地包括獲得與將來時間相對應的預期天氣數據。所述方法還包括：基于潛在表示和預期天氣數據來確定風力發(fā)電場在將來時間的預期功率產生；以及生成包括所述預期功率產生的輸出。

技術研發(fā)人員：K·喬杜里,S·沙瑪
受保護的技術使用者：谷歌有限責任公司
技術研發(fā)日：
技術公布日：2025/5/22