CN109902863A

CN109902863A - 一种基于多因素时空相关性的风速预测方法及装置

Info

Publication number: CN109902863A
Application number: CN201910115704.6A
Authority: CN
Inventors: 张帅; 张文宇; 陈勇; 彭娟娟; 裘一蕾
Original assignee: Zhejiang University of Finance and Economics
Current assignee: Zhejiang University of Finance and Economics
Priority date: 2019-02-15
Filing date: 2019-02-15
Publication date: 2019-06-18
Anticipated expiration: 2039-02-15
Also published as: CN109902863B

Abstract

本发明公开了一种基于多因素时空相关性的风速预测方法及装置，通过获取目标站点及其邻近站点的所有气象因素在多个时间点的值，构建三维矩阵，将构建的三维矩阵输入到预先训练好的组合预测模型，输出目标站点的风速预测结果。其中所述组合预测模型包括卷积神经网络和长短期记忆神经网络。本发明利用卷积神经网络提取各站点气象因素之间的空间特征关系。同时，将CNN在每个时间点上得到的抽象空间特征关系向量作为长短期记忆网络的输入。这种基于深度学习的CNN‑LSTM组合模型不仅能够自动地提取深度的时空特征，而且能够有效解决不同站点的复杂地理特征获取困难的问题，预测结果准确。

Description

一种基于多因素时空相关性的风速预测方法及装置

技术领域

本发明属于风速预测技术领域，尤其涉及一种基于多因素时空相关性的风速预测方法及装置。

背景技术

近年来，环境污染、能源消耗等问题阻碍了经济发展和社会进步。为了缓解能源危机，取之不尽、用之不竭的可再生清洁能源在世界范围内受到了广泛关注。风能被认为是潮汐能、太阳能、生物能等可再生能源中最具开发利用前景的能源。然而，作为风能发电的核心因素，风所具有的间歇性和随机性特点给风能的转化与管理带来了巨大的挑战。不精确的风速预测会影响电力系统调度决策，进而增加运行成本、降低能源效率和电网的可靠性。

精确的风速预测对风能转化和电力调度起着至关重要的作用，相关研究表明，如果风速预测的精确度提高10％，风能发电量将比预期增加约30％。因此，降低风速预测误差，提高风能转换效率，已成为世界各国能源发展战略的一项重要举措。

近几十年来，为了提高风速预测的性能，人们提出并改进了各种预测模型。这些模型可分为以下几种类别：物理模型、统计学模型、机器学习模型、深度学习模型、组合模型等。这些方法可以在一定程度上提高风速的预测性能，但仍存在一些有待改进之处，例如：

温度、风速、风向等多种气象因素之间存在紧密的耦合关系，现有的技术方案忽略了气象因素在时空上对风速的影响。

现有的时空相关性模型提取空间相关性需要大量的先验知识和专业背景，无法直接有效地获取隐藏的抽象特征关系，且忽略了气象因素随时间和空间的变化过程中对风速造成的影响。

发明内容

本发明的目的是提供一种基于多因素时空相关性的风速预测方法及装置，同时考虑时间、站点和气象因素之间的多种时空相关性，提高了风速预测的可靠性。

为了实现上述目的，本发明技术方案如下：

一种基于多因素时空相关性的风速预测方法，包括：

获取目标站点及其邻近站点的所有气象因素在多个时间点的值，构建三维矩阵；

将构建的三维矩阵输入到预先训练好的组合预测模型，输出目标站点的风速预测结果；

所述组合预测模型包括卷积神经网络和长短期记忆神经网络。

进一步地，所述气象因素包括风速及至少一种其他气象因素。

进一步地，所述其他气象因素包括但不限于风向、温度、露点温度、阵风、高度表拨正和相对湿度。

进一步地，所述卷积神经网络包括：卷积层、池化层、卷积层和第一全连接层；所述卷积神经网络的输出输入到长短期记忆神经网络的记忆块，所述长短期记忆神经网络的输出连接了一个第二全连接层，将第二全连接层中的所有神经元连接到输出层输出预测结果。

本发明还提出了一种基于多因素时空相关性的风速预测装置，包括：

数据重构模块，用于获取目标站点及其邻近站点的所有气象因素在多个时间点的值，构建三维矩阵；

组合预测模块，用于将构建的三维矩阵输入到预先训练好的组合预测模型，输出目标站点的风速预测结果；所述组合预测模型包括卷积神经网络和长短期记忆神经网络。

本发明提出的一种基于多因素时空相关性的风速预测方法及装置，利用卷积神经网络CNN(convolutional neural network)提取各站点气象因素之间的空间特征关系。同时，将CNN在每个时间点上得到的抽象空间特征关系向量作为长短期记忆网络LSTM(longshort-term memory network)的输入。这种基于深度学习的CNN-LSTM组合模型不仅能够自动地提取深度的时空特征，而且能够有效解决不同站点的复杂地理特征获取困难的问题，预测结果准确。

附图说明

图1为本发明基于多因素时空相关性的风速预测方法流程图；

图2为本发明三维矩阵示意图；

图3为本发明组合预测模型示意图。

具体实施方式

下面结合附图和实施例对本发明技术方案做进一步详细说明，以下实施例不构成对本发明的限定。

在风能发电系统中，目标站点与其邻近站点的风速之间存在着显著的互相关，更精确的数据显示，站点之间的相关距离至少可以达到435km。本申请提供的一种基于多因素时空相关性的风速预测方法，用来预测目标站点的风速。为了获得精确可靠的预测结果，将卷积神经网络与长短期记忆神经网络相组合，提出了一种新颖的多因素时空相关性风速预测模型，利用卷积神经网络提取各站点气象因素之间的空间特征关系，利用长短期记忆神经网络提取各时间点之间的时间特征关系，在预测精度和泛化能力方面均优于其它基准模型。

在一个实施例中，如图1所示，提供了一种基于多因素时空相关性的风速预测方法，包括：

步骤S1、获取目标站点及其邻近站点的所有气象因素在多个时间点的值，构建三维矩阵。

容易理解的是，一个区域的风速特征与其相邻区域的风速特征相似。然而，风速变化与一些气象因素密切相关，例如与温度、气压、湿度和风向有关。因此，充分利用目标站点及其邻近站点的气象信息，有助于提高风速预测的精确性和可靠性。

本实施例对目标站点及其邻近站点的所有气象因素在多个时间点的数据进行重构，将数据重构为三维矩阵。该三维矩阵包含每个站点在多个时间点的气象因素值。气象因素包括但不限于风速、风向、温度、露点温度、阵风、高度表拨正和相对湿度等测量数据，其中风速是必须的。其中，高度表拨正，其表示随着气压的变化，高度表值需要进行拨正调整，相应的取值成为高度表拨正值。

采用三维矩阵重构的核心是同时考虑站点与气象因素在时空维度上的多重相关性。这里的相关性包括三个方面：站点之间的相关性、气象因素之间的相关性、站点与气象因素之间的相关性。三维矩阵如图2所示，表示为：

SFT＝<TF,TS,FS>＝<E_sft> (1)

其中SFT表示“站点-因素-时间”的三维矩阵。TF、TS和FS分别表示“时间-因素”、“时间-站点”、“因素-站点”的二维平面集合。相应的平面分割操作如图2(II)所示。E_sft是三维矩阵中所有数据点的集合，每个数据点可以定义为e(s,f,t)，表示第s个站点处、时间点t时刻、第f个气象因素的值。与此同时，如图2(III)所示，每一个二维平面都可以由一个二维矩阵表示。其中，TF_s包含站点s处所有气象因素在T个时间点内随时间变化的值；TS_f包含每个站点的第f个气象因素在T个时间点内随时间变化的值；FS_t包含每个站点的所有气象因素在时间点t时刻的值。S、F和T分别表示站点、气象因素和时间点的数量。任意两点e₁(s,f,t)和e₂(s,f,t)之间的相关性系数可以表示为：

然后，基于各数据点之间的相关性系数，通过T个时间点的各个站点气象因素的值可以计算出目标站点下一时刻的风速。公式定义为：

其中e_g(s,f,t)为E_sft中某数据点的值，e_a(q,wind,t+1)为目标站点q在下一t+1时刻风速的预测值，为点e_a(q,wind,t+1)与点e_g(s,f,t)之间的相关性系数，ξ_ag为误差项。

步骤S2、将构建的三维矩阵输入到预先训练好的组合预测模型，输出目标站点的风速预测结果，所述组合预测模型包括卷积神经网络和长短期记忆神经网络。

CNN是一种多层前馈人工神经网络，在提取隐藏的空间特征方面具有良好的性能。CNN被广泛应用于图像识别和分类任务中。与深度信念网络等其它类型的神经网络相比，CNN具有稀疏连接和权值共享的特点，可以显著减少CNN需要学习的参数数量。

本实施例利用CNN提取目标站点与其邻近站点的气象因素之间潜在的空间关系，以减少风速预测误差。

CNN的输入是一个二维矩阵FS_t，矩阵包含了每个站点在时间点t时刻的所有气象因素的值，T个二维矩阵FS_t组成三维矩阵SFT。本实施例CNN由两个卷积层、一个最大池化层和一个全连接层(第一全连接层)组成。值得注意的是，为了防止输入矩阵边界特征的丢失，本实施例在第一个卷积层和池化层使用了全填充操作。通过CNN的特征提取，可以得到在时间点t时刻各站点的各气象因素之间抽象的相关性，该相关性用特征向量表示。然后将由CNN得到的T个特征向量作为LSTM的输入，以提取和分析时间特征关系。

LSTM作为循环神经网络(recurrent neural network,RNN)的一种特殊变体，具有自动存储和删除时间状态信息的能力。因此，它可以提取长短期时间序列中复杂的特征关系，显著缓解了RNN梯度消失的问题。LSTM有一个特殊的内置记忆块，它通过三种门结构来决定日志信息的添加和删除：输入门、遗忘门和输出门。在记忆块中有一个记忆单元(memory cell,MC)，它存储着当前和过去的时间状态信息。遗忘门决定哪些信息需要保留在前一个记忆单元中，输入门决定哪一部分的输入信息需要用于更新，输出门决定哪一部分记忆块的信息需要输出。

本实施例通过CNN的特征提取，可以得到在时间点t时刻各站点的各气象因素之间抽象的相关性，该相关性用特征向量表示。然后将由CNN得到的T个特征向量作为LSTM的输入，以提取和分析时间特征关系。将由CNN得到的T个特征向量作为LSTM的输入，每个特征向量输入到LSTM的一个记忆块。本实施例LSTM的输出是一个长度为128的特征向量，表示时间、站点和气象因素之间抽象的相关性。

本实施例为了提取更深层次的特征关系，LSTM的输出连接了一个由256个神经元组成的全连接层(第二全连接层)。最后，将第二全连接层中的所有神经元连接到输出层，得到目标站点的风速预测结果。

如图3所示，本实施例CNN包括：卷积层、池化层、卷积层和第一全连接层；在执行完第二个卷积操作后，特征图被弄平成一个特征向量，并连接到第一全连接层。所述CNN的输出输入到LSTM的记忆块，所述LSTM的输出连接了一个第二全连接层，将第二全连接层中的所有神经元连接到输出层输出预测结果。

其中，时间点数量T为12，CNN输出的特征向量长度为128，LSTM的输出也是一个长度为128的特征向量，LSTM的输出连接了一个由256个神经元组成的第二全连接层。

需要说明的是，本实施例组合预测模型，需要预先进行训练，采用目标站点及其邻近站点的所有气象因素在多个时间点的值进行训练，从而可以预测目标站点在下一时刻的风速。

应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本实施例中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

本申请还通过实验案例验证了所提出的一种基于多因素时空相关性的风速预测方法效果。每个实验均采用不同的数据集，且对多个不同目标站点进行春、夏两季风速的预测。所有的实验都在一台操作系统为64位、运行内存为32GB、处理器为英特尔酷睿i7-8700k、3.7GHz的电脑上进行，开发环境为Python 3.6，相关的深度学习算法则使用Keras深度学习包(https://keras.io/)实现。

实验数据收集自美国德克萨斯州国家风能研究所的网站(http://www.depts.ttu.edu)，共涵盖46个站点。每个站点数据集包含了从2018年1月1日至6月29日、每间隔5分钟观测的风速、风向、温度、露点温度、阵风、高度表拨正和相对湿度等测量数据。根据站点的分布和不同季节的气象模式，将原始数据集分为三个子数据集，每个子数据集包含春、夏两季的数据。每个子数据集的所有站点和目标站点的选择如表1所示。另外，春、夏两季数据集的观测点数量分别为25918个和25920个。卷积神经网络-长短期记忆神经网络模型的训练集、验证集、测试集的比例为6:2:2。

表1

在本申请中，将用三维矩阵表示每个站点在多个时间点的气象因素值的模型称为多因素时空相关性模型(multifactor spatio-temporal correlation,MFSTC)，简称为MFSTC。将采用卷积神经网络-长短期记忆神经网络组合预测的模型称为CNN-LSTM模型。本申请一种基于多因素时空相关性的风速预测方法，对应为MFSTC-CNN-LSTM模型。

在实验1中，使用子数据集1进行两个对比实验，以验证所提出模型的优越性。在对比实验1中，通过CNN、MFSTC-CNN、CNN-LSTM和MFSTC-CNN-LSTM模型性能的对比，以验证MFSTC模型的有效性。在对比实验2中，通过CNN、LSTM、MFSTC-CNN和MFSTC-CNN-LSTM模型性能的对比，以验证MFTSC模型中CNN和LSTM两者组合的有效性。另外，ARIMA和MLP模型作为基准模型也参与了模型的对比。各个模型评估指标的对比结果列于表2中。粗体表示在各个模型中每个评估指标的最优值。

实验1的详细对比结果总结如下。

(1)通过比较各模型的预测结果(即CNN与MFSTC-CNN相比、CNN-LSTM与MFSTC-CNN-LSTM相比)，可以发现MFSTC-CNN(MFSTC-CNN-LSTM)的指标评估结果优于CNN(CNN-LSTM)。例如，在表3的“THRO”站点，MFSTC-CNN和CNN的SSE(MAE)值分别为21719.4746和27973.5801(1.5266和1.6803)。

(2)通过对比表2中CNN、LSTM、MFSTC-CNN和MFSTC-CNN-LSTM模型的评估结果，可以观察到，除了“ASPE”和“THRO”站点的DA值外，MFSTC-CNN-LSTM模型的指标评估值均优于单一模型的指标评估值。例如，在表2的“ASPE”站点，MFSTC-CNN的SSE、MAE和RMSE值分别为10505.2178、1.0463和1.4240。在把CNN和LSTM相组合后，预测效果获得了进一步提高，MFSTC-CNN-LSTM模型的SSE、MAE和RMSE值分别达到10158.9609、1.0384和1.4003。

(3)此外，通过与多个基准模型对比，进一步证明了本实施例所提出的MFSTC-CNN-LSTM模型有着较好的预测性能。例如表2的“ASPE”和“THRO”站点，在夏季数据集中，MFSTC-CNN-LSTM模型预测结果均为各评估指标的最优值。

评论：通过对多个站点的评估指标的实验验证和分析，可以得知MFSTC模型和CNN-LSTM组合模型均可以有效提高风速预测的精确性。此外，模型对比结果显示，本实施例所提出的MFSTC-CNN-LSTM模型在不同的预测站点都具有良好的预测性能。

表2

实验2通过对比MFSTC-CNN-MLP、MFSTC-MLP-LSTM和MFSTC-CNN-LSTM模型的预测结果，进一步验证了所提出的CNN-LSTM组合模型优于其它常用的组合模型。此外，为了显示每个组合模型的效果，单一模型LR、MLP、CNN和LSTM也参与了比较。选取子数据集2对模型进行训练和测试，相应的性能指标评估结果如表3所示。每个评估指标的最优值用粗体表示。实验2的对比结果总结如下。

(1)通过对比组合模型和单一模型的预测结果，可以看到组合模型在大部分的数据集上优于单一模型。例如，在表3的“CLAU”站点，MFSTC-CNN-LSTM模型的预测效果最好，而CNN单一模型预测效果最差。MFSTC-CNN-LSTM模型的SSE值为33052.8164，远低于CNN模型的SSE值。

(2)在子数据集2的所有目标站点中，可以观察到MFSTC-CNN-LSTM模型的预测误差低于其它两种组合模型。如表3所示，在两个目标站点处，MFSTC-CNN-LSTM模型在春、夏两季风速数据集的SSE值分别比MFSTC-CNN-MLP模型低1586.8477、245.3218、5053.4062和3316.5547。MFSTC-CNN-LSTM模型的SSE值分别比MFSTC-MLP-LSTM模型低2658.4922、6299.2539、3048.1640和5527.9961。

(3)从残差直方图中还可以看出，所提出的MFSTC-CNN-LSTM模型在具有不同波动程度的风速的目标站点下均比其它基准模型拥有更好的预测质量。

评论：在MFSTC-CNN-LSTM模型与其它常用的组合模型和单一模型对比中，MFSTC-CNN-LSTM模型在各目标站点均取得了满意的效果。即，基于MFSTC模型，本实施例所提出的CNN-LSTM组合模型在减少预测误差方面优于其它组合模型。

表3

实验3选取了子数据集3和9个预测模型(ARIMA,LR,SVC,ELM,MLP,CNN,LSTM,CNN-LSTM,and MFSTC-CNN)进行实验对比分析。实验涉及的对比模型包括统计学模型、机器学习模型、深度学习模型和组合模型。通过不同类型模型的性能对比，可以验证本实施例所提出的MFSTC-CNN-LSTM模型的优越性和精确性。表4和表5中列出了详细的比较结果。每个评估指标的最优值用粗体表示。

可以得到与实验1和实验2类似的结论。除了表4中“RALL”站点的DA值外，观察每个站点的指标评估结果，MFSTC-CNN-LSTM模型的所有指标评估值均优于其它基准模型。例如，在表5的“RALL”站点，SVC模型的预测性能最差，其MAE和RMSE值分别为1.2295和1.7695。

评论：通过几种不同类型的预测模型的对比，可以看到本实施例所提出的MFSTC-CNN-LSTM模型具有较强的泛化性能和较高的预测精度。此外，该模型在不同波动程度的风速数据集下均能保持较好的预测质量和较强的预测稳定性。

表4

表5

本申请提出了一种新颖的基于多因素时空相关性和深度学习算法的组合模型。在MFSTC-CNN-LSTM模型中，考虑了多个站点和气象因素间的时空相关性，然后把CNN和LSTM相组合实现了时空相关性特征的深度提取和目标站点的风速预测。同时，为了让CNN-LSTM能够对MFSTC模型进行求解，本实施例提出了一种新的基于三维矩阵的数据重构方法。此外，为了验证本实施例所提出的MFSTC-CNN-LSTM模型的精确性和优越性，使用了来自德克萨斯州国家风能研究所的包含46个站点的数据集来进行对比实验。本实施例构建了3个对比实验，每个实验采用8个评估指标来验证对比模型的预测性能，对比模型包括统计学模型(ARIMA)、机器学习模型(LR、ELM、MLP和SVC)、深度学习模型(CNN、LSTM)和组合模型(CNN-LSTM、MFSTC-CNN、MFSTC-CNN-MLP和MFSTC-MLP-LSTM)。通过对统计检验和模型性能改进百分比进行计算，进一步验证了MFSTC-CNN-LSTM模型的有效性和优越性。实验结果表明：(a)充分考虑多个站点的气象因素之间的时空相关性，有利于提高风速预测的精确性和可靠性；(b)CNN-LSTM组合模型可以有效发挥CNN和LSTM各自单一模型的优点，能够同时深度提取时间和空间维度的相关性特征；(c)与其它基准模型相比，本实施例所提出的MFSTC-CNN-LSTM模型在不同风速波动程度下均具有较好的预测精度和泛化能力。

在一个实施例中，本申请还提供了一种基于多因素时空相关性的风速预测装置，包括：

关于基于多因素时空相关性的风速预测装置的具体限定可以参见上文中对于基于多因素时空相关性的风速预测方法的限定，在此不再赘述。上述基于多因素时空相关性的风速预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

以上实施例仅用以说明本发明的技术方案而非对其进行限制，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims

1.一种基于多因素时空相关性的风速预测方法，其特征在于，所述基于多因素时空相关性的风速预测方法，包括：

2.根据权利要求1所述的基于多因素时空相关性的风速预测方法，其特征在于，所述气象因素包括风速及至少一种其他气象因素。

3.根据权利要求2所述的基于多因素时空相关性的风速预测方法，其特征在于，所述其他气象因素包括但不限于风向、温度、露点温度、阵风、高度表拨正和相对湿度。

4.根据权利要求1所述的基于多因素时空相关性的风速预测方法，其特征在于，所述卷积神经网络包括：卷积层、池化层、卷积层和第一全连接层；所述卷积神经网络的输出输入到长短期记忆神经网络的记忆块，所述长短期记忆神经网络的输出连接了一个第二全连接层，将第二全连接层中的所有神经元连接到输出层输出预测结果。

5.一种基于多因素时空相关性的风速预测装置，其特征在于，所述基于多因素时空相关性的风速预测装置，包括：

6.根据权利要求5所述的基于多因素时空相关性的风速预测装置，其特征在于，所述气象因素包括风速及至少一种其他气象因素。

7.根据权利要求6所述的基于多因素时空相关性的风速预测装置，其特征在于，所述其他气象因素包括但不限于风向、温度、露点温度、阵风、高度表拨正和相对湿度。

8.根据权利要求5所述的基于多因素时空相关性的风速预测装置，其特征在于，所述卷积神经网络包括：卷积层、池化层、卷积层和第一全连接层；所述卷积神经网络的输出输入到长短期记忆神经网络的记忆块，所述长短期记忆神经网络的输出连接了一个第二全连接层，将第二全连接层中的所有神经元连接到输出层输出预测结果。