CN109978275A - 一种混合cfd和深度学习的极端大风风速预测方法及系统 - Google Patents

Abstract

本发明公开了一种混合CFD和深度学习的极端大风风速预测方法及系统，基于风速测试样本和风向测试样本模拟目标区域大气流场，从而计算各子区域各网格划分方式的响应时间和模拟误差以及各内部测风装置的多个模拟风速序列；基于相应的模拟风速序列和风速测试样本训练风速转换模型，并基于风速测试样本训练风速预测模型；从而在对目标预测地点进行实时预测时，根据目标预测地点与最近内部测风装置之间的距离关系，智能匹配风速转换模型与风速预测模型的输出值，输出目标预测地点的最适风速预测值。本发明线下训练深度学习模型，提高预测的实时性，同时融合CFD方法，模拟目标地点大气流场，匹配最适深度学习模型，提升预测系统的泛化能力。

Description

一种混合CFD和深度学习的极端大风风速预测方法及系统

技术领域

本发明属于风速预测领域，具体涉及一种混合CFD和深度学习的极端大风风速预测方法及系统。

背景技术

大风是常见的极端天气之一。大风影响列车正常行车，当列车运行至曲线和丘陵等特殊轨段，在大风的作用下极易发生脱轨倾覆事故，威胁运输安全。突发大风会改变桥梁周围的风场特性，大风在时间和空间上随机性影响桥梁的稳定性，降低通过车辆的舒适性，阻碍甚至阻断交通。突发大风会影响风电场的输出功率，加剧风电功率的波动性，降低电能质量，对接入电网的安全和稳定运行带来阻碍。

风速预测可以对极端风速进行超前预测，能够有效降低和预防突发大风带来的危害和损失。目前常用的风速预测方法多为统计学方法，普遍存在计算时间长和无法保证泛化能力的缺点。

发明内容

为了克服统计学方法的缺点，本发明提出一种混合CFD和深度学习的极端大风风速预测方法及系统，线下训练深度学习模型，提高预测的实时性，同时融合CFD方法，模拟目标地点大气流场，匹配最适深度学习模型，提升预测系统的泛化能力。

为实现上述技术目的，本发明采用如下技术方案：

一种混合CFD和深度学习的极端大风风速预测方法，包括以下步骤：

步骤1，针对目标区域的每个测风点，按预设规则建立预设数量个测风装置，并从中选择1个测风装置作为与测风点对应的聚类测风装置；每两个测风点之间的距离为Dist₁；

步骤2，将目标区域划分为num₄个子区域；

步骤2.1，针对每个聚类测风装置，均获取在第一历史时间段内的历史风速数据，构建风速分类样本；

步骤2.2，利用风速分类样本，采用聚类方法将目标区域划分为num₄个子区域；其中位于子区域边界上的测风装置为边界测风装置，位于子区域内部的测风装置为内部测风装置；

步骤3，对各子区域进行网格划分；

获取每个子区域的地形数据，对每个子区域均采用num₅种网格划分方式进行网格划分，每个子区域得到num₅个msh文件，且msh文件与网格划分方式相对应；

步骤4，根据每个子区域的每个msh文件，均生成相应的待模拟的大气流场的地形条件，并采用CFD方法计算，在相应地形条件下进行风速模拟的数据；

步骤4.1针对每个内部测风装置，均获取在第二历史时间段内的历史风速数据，构建风速测试样本；针对每个边界测风装置，均获取在第二历史时间段内的历史风速数据构建风速测试样本，均获在第二历史时间段内的历史风向数据构建风向测试样本；

所述风速分类样本、风速测试样本，均是由相应历史时间段内全部样本时刻的实测风速值所组成的风速时间序列，所述风向测试样本是由相应历史时间段内全部样本时刻的实测风向值所组成的风向时间序列；

步骤4.2，针对每个子区域在每种网格划分方式，将相应的msh文件输入Fluent平台，生成待模拟的大气流场的地形条件；根据当前子区域所有边界测风装置的风速测试样本和风向测试样本以及内部测风装置的风速测试样本，采用CFD方法计算当前子区域在当前网格划分方式的地形条件下进行风速模拟的各数据：响应时间、模拟误差以及每个内部测风装置各num₆个模拟风速序列；

步骤5，建立基于卷积神经网络的风速转换模型和基于卷积神经网络的风速预测模型；

步骤5.1，针对每个子区域在每种网格划分方式下的每个内部测风装置，均选择当前内部测风装置的风速测试样本和num₆个模拟风速序列，以任意模拟风速序列中任意3个连续时刻t₂、t₂+1和t₂+2的模拟风速值作为基于卷积神经网络的风速转换模型的输入数据，以风速测试样本中t₂时刻的实测风速值作为输出数据，训练得到当前内部测风装置的基于卷积神经网络的风速转换模型；

步骤5.2，针对每个子区域的每个内部测风装置，均选择当前内部测风装置的风速测试样本，以风速测试样本中任意3个连续时刻t₃-2、t₃-1和t₃的实测风速值作为基于卷积神经网络的风速预测模型的输入数据，以风速测试样本中t₃+1时刻的实测风速值作为输出数据，训练当前内部测风装置的基于卷积神经网络的风速预测模型；

步骤6，对目标预测地点的风速进行实时预测；

步骤6.1，确定目标预测地点所属子区域为a₂子区域，确定离目标预测地点最近的内部测风装置为c₂内部测风装置，其中c₂内部测风装置与目标预测地点的距离为Dist₄；

步骤6.2，基于响应时间和模拟误差，选择a₂子区域的一种网格划分方式，记为a₂子区域的b₂网格划分方式，获取a₂子区域的b₂网格划分方式的msh文件以及a₂子区域所有边界测风装置当前时刻t_now的风速数据和风向数据，一同输入Fluent平台，启动CFD计算，获得目标预测地点在t_pre、t_pre+1、t_pre+2这3个时刻的模拟风速值；

步骤6.3，将目标预测地点在t_pre、t_pre+1、t_pre+2这3个时刻的模拟风速值，输入到a₂子区域b₂网格划分方式c₂内部测风装置的基于卷积神经网络的风速转换模型中，得到目标预测地点在t_pre时刻的风速转换值；

步骤6.4，判断c₂内部测风装置与目标预测地点的距离Dist₄是否大于阈值σ，若是，将目标预测地点在t_pre时刻的风速转换值作为目标预测地点在t_pre时刻的最适风速预测值，结束风速预测，否则执行步骤6.5；

步骤6.5，获取c₂内部测风装置在t_now、t_now-1、t_now-2这三个连续时刻的实测风速值，并输入到a₂子区域c₂内部测风装置的基于卷积神经网络的风速预测模型中，得到c₂内部测风装置在t_now+1时刻的风速预测值，滚动预测，直到获得c₂内部测风装置在t_pre时刻的风速预测值；将c₂内部测风装置在t_pre时刻的风速预测值和目标预测地点在t_pre时刻的风速转换值的平均值，作为目标预测地点在t_pre时刻的最适风速预测值。

本方案中，风速预测模型和风速转换模型是由卷积神经网络线下深度学习得到，保证线上实时风速预测的实时性；同时风速转换模型还融合CFD方法预模拟目标地点大气流场，可与风速转换模型综合根据目标预测地点的空间位置，智能输出最适风速预测值，保证预测系统的泛化能力，提高风速预测精度。

进一步地，步骤4.2中计算当前子区域当前网格划分方式进行风速模拟的响应时间的具体过程为：

步骤A1，选择任意样本时刻t₁，将该子区域所有边界测风装置的风速测试样本和风向测试样本在t₁时刻的风速值和风向值作为大气流场的初始条件，启动CFD计算，进行大气流场状态的模拟；

步骤A2，记录Fluent平台从启动CFD计算到获得子区域中各点下一个样本时刻模拟风速值之间的时间，作为当前子区域当前网格划分方式进行风速模拟的响应时间；

步骤4.2中计算各子区域各网格划分方式进行风速模拟的模拟误差的具体过程为：

步骤B1，随机选择num₆个互不相同的样本时刻，记为tim_i，i＝1,2,3…,num₆；tim_i均不属于风速测试样本的最后num₇个样本时刻；

步骤B2，依次选择样本时刻tim_i，i＝1,2,3…,num₆，将相应子区域所有边界测风装置风速测试样本和风向测试样本在tim_i时刻的风速值以及风向值作为流场的初始条件，启动CFD计算，进行大气流场运动状态的模拟，获得当前子区域中各内部测风装置下一个样本时刻的模拟风速值，滚动计算，直到获得各内部测风装置未来num₇个样本时刻的模拟风速值，构成相应子区域相应网格划分方式各内部测风装置的1个模拟风速序列；

步骤B3，依次计算各子区域各网格划分方式各内部测风装置进行风速模拟的模拟误差，将所有内部测风装置进行风速模拟的模拟误差的平均值作为相应子区域相应网格划分方式进行风速模拟的模拟误差；

其中某一子区域某一网格划分方式下某一内部测风装置进行风速模拟的模拟误差，是该内部测风装置在步骤B2得到的num₆个模拟风速序列的模拟误差的平均值，任意模拟风速序列的模拟误差为模拟风速序列中num₇个样本时刻的模拟风速值与风速测试样本中相应的num₇个风速实测值之间的绝对平均误差。

本方案通过计算响应时间和模拟误差，从而基于其以从所有网格划分方式中选择合适的一种网格划分方式，由此得到的风速转换模型所输出的风速转换值精度更高，从而提高本发明风速预测的精度。

进一步地，步骤6.2中所述选择a₂子区域的一种网格划分方式，包括两种选择方法：最大响应时间方法和最大模拟误差方法；

最大响应时间方法为：设定最大响应时间t_max，从a₂子区域的所有网格划分方式中选择响应时间小于t_max且模拟误差最小的网格划分方式；

最大模拟误差方法为：设定最大误差ε_max，从a₂子区域的所有网格划分方式中选择模拟误差小于ε_max且响应时间最小的网格划分方式。

本方案通过提供不同的网格划分方式，可根据用户实际需求进行选择，从而提高本发明风速预测的泛化能力。

进一步地，步骤3中获取地形数据的具体过程为：

步骤C1，通过边界测风装置的GPS模块，获取所有边界测风装置的经度数据和纬度数据，根据步骤2获得的子区域划分结果，获取各子区域边界的经度数据和纬度数据；

步骤C2，利用Google earth平台，由各子区域边界的经度数据和纬度数据，分别获取相应子区域范围内的地形信息；

所述子区域范围内的地形信息包括子区域范围内地面上各点的经度数据、纬度数据和高程数据；

步骤C3，依次将各子区域范围内地面上各点的高程作为相应点的Z轴坐标，将经度数据和纬度数据转化为平面直角坐标数据，得到空间直角坐标系描述的各子区域范围内的地形数据，以txt文件的格式存储在数据存储模块中。

进一步地，步骤3中采用num₅种网格划分方式对当前子区域进行网格划分的方法为：将当前子区域的地形数据输入到ICEM平台，选择立方体网格划分方法，选择网格距离为Dist₃进行网格划分，Dist₃的取值依次遍历以500米为初始值，500米为步长，Dist₁/5为终止值之间的所有值，将每个网格划分方式的结果保存为msh格式的文件。

进一步地，步骤2.2中基于K-means均值聚类算法将目标区域划分为num₄个子区域，具体步骤为：

步骤D1，将各聚类测风装置分别作为待聚类的元素，将风速分类样本作为元素坐标，随机选择Num₂个元素作为聚类中心，每个聚类中心代表1个聚类簇；

步骤D2，随机选取某一元素，计算其同各聚类中心的距离，并且将该元素分配至与之距离最近的聚类中心所代表的聚类簇，立即将元素增加的聚类簇的聚类中心更新为聚类簇中所有元素的平均坐标，随机选取下一个元素，重复步骤D2，直到完成所有元素的分配；

步骤D3，将空间上连续并且属于相同聚类簇的聚类测风装置所对应的测风点划分在同一子区域。

进一步地，在步骤D1为聚类中心的数量Num₂设置初始值，在执行步骤D3之前还设置步骤D2.5：

判断当前的Num₂个聚类簇是否均为稳态聚类簇，若是则聚类完成，否则令Num₂＝Num₂+1，并重复D1-步骤D2.5；其中，稳态聚类簇是指，聚类簇中各元素与聚类中心之间的距离的最大值不超过各元素与聚类中心之间的距离的中值的30％。

进一步地，所述目标区域为铁路轨道或桥梁的沿线扩展区域，所述测风点位于铁路轨道或桥梁的沿线上，步骤1中按预设规则建立预设数量个测风装置的具体过程为：

依次对于每一个测风点，在铁路轨道或桥梁的沿线两侧、且铁路轨道或桥梁在测风点处切线的垂直方向上，距离铁路轨道或桥梁的沿线Dist₁/2处分别建立1个边界测风装置，距离铁路轨道或桥梁500米处分别建立1个内部测风装置；将铁路轨道或桥梁的沿线任一侧所有边界测风装置作为聚类测风装置；

或者，

所述目标区域为风电场，步骤1的具体过程为：

步骤1.1，以长和宽均为Dist₁整数倍的长方形，覆盖风电场区域，并以边长为Dist₁正方形网络划分所述长方形，每个网格中心作为1个测风点；

步骤1.2，依次对于每一个网格，在测风点处建立1个内部测风装置，在网格的4个顶点分别建立1个内部测风装置，若顶点处已存在内部测风装置，则不再建立；

步骤1.3，将所有测风点处的内部测风装置作为聚类测风装置。

进一步地，所述测风装置包括风速杆、GPS模块、温度传感器、压力传感器和通信模块，用于测量所在位置的温度、气压、风速、三维风向、经度和纬度6种物理信息。

本发明一种混合CFD和深度学习的极端大风风速预测系统，包括内部测风装置、边界测风装置、存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的极端大风风速预测程序，所述极端大风风速预测程序被所述处理器执行时实现上述方法的步骤。

有益效果

本发明方案中，风速预测模型是由卷积神经网络基于风速测试样本进行线下深度学习得到，风速转换模型则是融合CFD方法模拟目标区域大气流场和卷积神经网络基于风速测试样本线下深度学习得到，综合其输出的风速预测值和风速转换值以得到目标预测地点的最适风速预测值，在保证极端大风风速预测的实时性和精度的同时提升风速预测的泛化能力。

附图说明

图1为本发明中目标区域为铁路轨道时的测风装置分布示意图；

图2为本发明中目标区域为桥梁时的测风装置分布示意图；

图3为本发明中目标区域为风电场时的测风装置分布示意图；

图4为本发明所述方法的风速实时预测流程图；

图5为本发明中目标区域为铁路轨道或桥梁时的风速测量模块及数据存储模块示意图；

图6为本发明中目标区域为风电场时的风速测量模块及数据存储模块示意图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例以本发明的技术方案为依据开展，给出了详细的实施方式和具体的操作过程，对本发明的技术方案作进一步解释说明。

实施例一

本实施例提供的一种混合CFD(Computational Fluid Dynamics，即计算流体动力学)和深度学习的极端大风风速预测方法，用于在目标区域为铁路轨道时对极端大风进行风速预测，如图5所示，具体步骤为：

步骤1，建立测风装置，构造风速测量模块；

如图1所示，以铁路首发站为起点，沿铁路轨道，每距离长度间隔Dist₁记为1个测风点，记测风点的总数为Num₁。依次对于每一个测风点，在铁路轨道两侧，垂直于铁路轨道在测风点处切线的方向，距离铁路轨道Dist₁/2处分别建立1个边界测风装置，距离铁路轨道500米处分别建立1个内部测风装置；将铁路轨道任一侧所有边界测风装置作为聚类测风装置。记边界测风装置的数量为num₁，内部测风装置的数量为num₂，聚类测风装置的数量为num₃；

其中，内部测风装置数量可以根据实际情况进行增加，但距离铁路轨道的距离不得超过Dist₁/2。1个测风点对应2个边界测风装置和至少2个内部测风装置，每个测风点对应的测风装置共线且连线垂直于铁路轨道。

边界测风装置和内部测风装置至少包括风速杆、GPS模块、温度传感器、压力传感器和通信模块，可以测量温度、气压、风速、三维风向、经度和纬度6种物理信息；所有边界测风装置和内部测风装置均可以测量不同高度位置的物理信息；所有边界测风装置和内部测风装置构成风速测量模块。

在本实施例中Dist₁取值为10公里。

步骤2，根据聚类测风装置，将铁路轨道沿线进行子区域划分；

步骤2.1，以相同采样频率采集相同的第一历史时间段内，所有聚类测风装置的风速数据；依次将第一历史时间段内各聚类测风装置的历史风速数据，以时间间隔T内的风速最大值作为样本时刻风速，获得所有聚类测风装置的风速分类样本；

本实例中采样频率为3秒采样1次，T的取值为1分钟。

步骤2.2，基于K-means均值聚类算法，将铁路轨道沿线的聚类测风装置聚类，根据聚类结果将铁路轨道沿线划分为num₄个子区域；

步骤D1，各聚类测风装置分别作为待聚类的元素，将风速分类样本作为元素坐标，随机选择Num₂个元素作为聚类中心，每个聚类中心代表1个聚类簇；并设置聚类中心的数量的初始值为Num₂＝3；

步骤D2，随机选取某一元素，计算其同各聚类中心的距离，并且将该元素分配至与之距离最近的聚类中心所代表的聚类簇，立即将元素增加的聚类簇的聚类中心更新为聚类簇中所有元素的平均坐标，随机选取下一个元素，重复步骤D2，直到完成所有元素的分配；

其中，采用欧几里德距离度量元素同各个聚类中心的距离，公式如下：

式中，Dist₂(p_i,q_j)表示元素p_i同聚类中心q_j的距离，i＝1,2,3…,j＝1,2,3,…，表示第i个元素的第n个坐标，表示第j个聚类中心的第n个坐标，N表示各聚类测风装置风速分类样本中样本时刻的数量；

步骤D2.5，判断当前的Num₂个聚类簇是否均为稳态聚类簇，若是则聚类完成，否则令Num₂＝Num₂+1，并重复D1-步骤D2.5；其中，稳态聚类簇是指，聚类簇中各元素与聚类中心之间的距离的最大值不超过各元素与聚类中心之间的距离的中值的30％。

步骤D3，将空间上连续并且属于相同聚类簇的聚类测风装置所对应的测风点划分在同一子区域，共得到num₄个子区域。因此，1个测风点只存在于1个子区域中；属于同一聚类簇但空间上不连续的聚类测风装置所对应的测风点划分至不同子区域。

其中，子区域的边界由在铁路轨道两侧，距离铁路轨道Dist₁/2处的2条包络线以及2条包络线的垂线构成，2条垂线分别位于，子区域内两个端点测风点沿铁路轨道向子区域外部移动Dist₁/2的位置。铁路轨道两侧的边界测风装置分别在距离铁路轨道Dist₁/2的铁路轨道包络线中。

步骤3，获取各子区域内的地形数据，依次进行网格划分并将划分结果存储在数据存储模块；

步骤3.1，通过边界测风装置的GPS模块，获取所有边界测风装置的经纬度数据，根据步骤2获得的子区域划分结果，获取各子区域边界的经纬度数据；

步骤3.2，利用Google earth平台，依次获得各子区域范围内的地形信息；

一个子区域范围内的地形信息包括子区域范围内地面上各点的经度数据、纬度数据和高程数据；此处，地面上点的高程指该点沿垂线方向到海平面的距离，即海拔高度。

步骤3.3，利用Coord 4.0平台，依次获得各子区域地形的txt文件；

依次将各子区域范围内地面上各点的高程作为相应点的Z轴坐标，将经纬度数据利用Coord 4.0平台转化为平面直角坐标数据，得到空间直角坐标系描述的各子区域范围内的地形信息，以txt文件的格式存储在数据存储模块中。子区域范围内地面上的点包括子区域范围内所有测风装置的所在位置。

步骤3.4，依次将所有子区域地形信息的txt文件输入到ICEM平台，选择立方体网格划分方法，选择网格距离为Dist₃进行网格划分，Dist₃的取值依次遍历以500米为初始值，500米为步长，Dist₁/5为终止值之间的所有值，网格划分结果以msh格式的文件输出，并将获得的各子区域各网格划分方式的msh文件存储在数据存储模块中；各子区域均采用了num₅次网格划分方式。不同的网格划分方式，即是网格距离不同，网格距离越小则网格越密集，使得后续进行CFD计算的点就越多，导致计算花费的时间越多。

步骤4，依次计算各子区域所有网格划分方式进行风速模拟的响应时间和模拟误差，存储在数据存储模块中；

步骤4.1，以相同采样频率采集第二历史时间段内，所有边界测风装置和内部测风装置的风速数据和所有边界测风装置的风向数据；

依次将第二历史时间段内各边界测风装置和内部测风装置的历史风速数据，以时间间隔T内的风速最大值作为样本时刻风速，获得各边界测风装置和内部测风装置的风速测试样本；依次将上述历史时间段内各边界测风装置的历史风向数据，以时间间隔T内的风向中值作为样本时刻风向，获得各边界测风装置的风向测试样本；其中本实施例中此次采样频率同样为3秒采样1次。

步骤4.2，依次将各子区域各网格划分方式的msh文件输入Fluent平台，生成待模拟的大气流场的地形条件，选择任意样本时刻，记为t₁，将相应子区域所有边界测风装置风速测试样本和风向测试样本在t₁时刻的风速值以及风向值作为流场的初始条件，启动CFD计算，进行大气流场运动状态的模拟；记录Fluent平台从启动CFD计算到获得子区域中各点下一个样本时刻模拟风速值之间的时间，作为当前子区域当前网格划分方式进行风速模拟的响应时间；并将各子区域各种网格划分方式进行风速模拟的响应时间存储在数据存储模块中；

步骤4.3，随机选择num₆个互不相同的样本时刻，记为tim_i，i＝1,2,3…,num₆；tim_i均不属于风速测试样本的最后num₇个样本时刻；在本实施例中，取num₆＝50，num₇＝100；

依次将各子区域各网格划分方式的msh文件输入Fluent平台，生成待模拟的大气流场的地形条件，依次选择样本时刻tim_i，i＝1,2,3…,num₆，将相应子区域所有边界测风装置风速测试样本和风向测试样本在tim_i时刻的风速值以及风向值作为流场的初始条件，启动CFD计算，进行大气流场运动状态的模拟，获得当前子区域中各内部测风装置下一个样本时刻的模拟风速值，滚动计算，直到获得各内部测风装置未来num₇个样本时刻的模拟风速值，作为相应子区域相应网格划分方式各内部测风装置的模拟风速序列；每一个子区域每一种网格划分方式下每个内部测风装置均得到num₆个长度为num₇的模拟风速序列；

依次计算各子区域各网格划分方式各内部测风装置进行风速模拟的模拟误差，将所有内部测风装置进行风速模拟的模拟误差的平均值作为相应子区域相应网格划分方式进行风速模拟的模拟误差，将各子区域各种网格划分方式进行风速模拟的模拟误差存储在数据存储模块中；

其中，某一子区域某一网格划分方式下某一内部测风装置进行风速模拟的模拟误差，是该内部测风装置的num₆个模拟风速序列的模拟误差的平均值，任意模拟风速序列的模拟误差为模拟风速序列中num₇个样本时刻的模拟风速值与风速测试样本中相应的num₇个风速实测值之间的绝对平均误差。

步骤5，建立基于卷积神经网络的风速转换模型和基于卷积神经网络的风速预测模型，构造风速预测模块；

步骤5.1，依次选择各子区域各网格划分方式各内部测风装置的风速测试样本和num₆个模拟风速序列，以任意模拟风速序列中任意3个连续时刻t₂、t₂+1和t₂+2的模拟风速值作为基于卷积神经网络的风速转换模型的输入数据，以风速测试样本中t₂时刻的实测风速值作为输出数据，训练得到各子区域各网格划分方式各内部测风装置的基于卷积神经网络的风速转换模型；

步骤5.2，依次选择各子区域各内部测风装置的风速测试样本，以风速测试样本中任意3个连续时刻t₃-2、t₃-1和t₃的实测风速值作为基于卷积神经网络的风速预测模型的输入数据，以风速测试样本中t₃+1时刻的实测风速值作为输出数据，训练得到各子区域各内部测风装置的基于卷积神经网络的风速预测模型；

所有子区域所有网格划分方式下所有内部测风装置的基于卷积神经网络的风速转换模型和基于卷积神经网络的风速预测模型构成风速预测模块；

步骤6，对目标预测地点的风速进行实时预测，如图4所示；

记当前时刻为t_now，目标预测时刻为t_pre；

步骤6.1，将目标预测地点的经纬度数据输入Coord 4.0平台，获得目标预测地点的平面坐标数据，提取数据存储模块中各子区域地形信息的txt文件，确定目标预测地点所属子区域，记为a₂子区域；

提取数据存储模块中各内部测风装置的平面直角坐标，利用欧几里得距离公式，获得a₂子区域距离目标预测地点最近的内部测风装置，记为c₂内部测风装置；同时获得c₂内部测风装置与目标预测地点的距离，记为Dist₄；

步骤6.2，选择a₂子区域的一种网格划分方式，记为a₂子区域的b₂网格划分方式，提取数据存储模块中a₂子区域的b₂网格划分方式的msh文件，同时通过风速测量模块和信息传输模块获取a₂子区域所有边界测风装置当前时刻t_now的风速数据和风向数据，一同输入Fluent平台，启动CFD计算，获得目标预测地点在t_pre、t_pre+1、t_pre+2这3个时刻的模拟风速值；

其中，选择a₂子区域的一种网格划分方式，包括两种选择方法：最大响应时间方法和最大模拟误差方法；最大响应时间方法为：设定最大响应时间t_max，从a₂子区域的所有网格划分方式中选择响应时间小于t_max且模拟误差最小的网格划分方式；最大模拟误差方法为：设定最大误差ε_max，从a₂子区域的所有网格划分方式中选择模拟误差小于ε_max且响应时间最小的网格划分方式。

步骤6.3，将目标预测地点在t_pre、t_pre+1、t_pre+2这3个时刻的模拟风速值，输入到a₂子区域b₂网格划分方式c₂内部测风装置的基于卷积神经网络的风速转换模型中，得到目标预测地点在目标预测时间t_pre的风速转换值；

步骤6.4，判断c₂内部测风装置与目标预测地点的距离Dist₄是否大于阈值σ，若是，将目标预测地点在t_pre时刻的风速转换值作为目标预测地点在t_pre时刻的最适风速预测值，结束风速预测，否则执行步骤6.5；

步骤6.5，通过风速测量模块和信息传输模块获取a₂子区域c₂内部测风装置的近期风速数据，按照步骤4中风速测试样本的处理方法，获得c₂内部测风装置在t_now、t_now-1、t_now-2这三个连续时刻的实测风速值，并输入到a₂子区域c₂内部测风装置的基于卷积神经网络的风速预测模型中，得到c₂内部测风装置在t_now+1时刻的风速预测值，滚动预测，直到获得c₂内部测风装置在t_pre时刻的风速预测值；将c₂内部测风装置在t_pre时刻的风速预测值和目标预测地点在t_pre时刻的风速转换值的平均值，作为目标预测地点在t_pre时刻的最适风速预测值。

本实例中，取阈值σ＝100米。当c₂内部测风装置与目标预测地点的距离Dist₄小于阈值σ，则认为目标预测地点足够接近c₂内部测风装置，采用c₂内部测风装置风速预测值对目标测风地点的风速转换值进行修正，修正后作为目标预测地点的最适风速预测值。

实施例二

本实施例提供的一种混合CFD和深度学习的极端大风风速预测方法，用于在目标区域为桥梁沿线时对极端大风进行风速预测，其各测风装置的分布如图2所示，且风速预测方法与实施例相同。

实施例三

本实施例提供的一种混合CFD和深度学习的极端大风风速预测方法，用于在目标区域为风电场时对极端大风进行风速预测，各测风装置的分布如图3所示，相对于实施例一的目标区域为铁路轨道的预测方法区别在于对步骤1和步骤2做以下调整：

步骤1，建立测风装置；

步骤1.1，如图3所示，以长和宽均为Dist₁整数倍的长方形，覆盖风电场区域，并以边长为Dist₁正方形网络划分所述长方形，记每个网格中心为1个测风点，记测风点的总数为Num₁；在本实施例中Dist₁取值为10公里。

步骤1.2，依次对于每一个网格，在测风点处建立1个测风装置，在网格的4个顶点分别建立1个测风装置，若顶点处已存在测风装置，则不再建立；其中，相邻网格之间存在共享的测风装置；另外测风装置数量可以根据实际情况进行增加，但距离相应测风点的距离不得超过Dist₁/2；

测风装置至少包括风速杆、GPS模块、温度传感器、压力传感器和通信模块，可以测量温度、气压、风速、三维风向、经度和纬度6种物理信息；所有测风装置均可测量不同高度位置的物理信息；

步骤1.3，将所有测风点处的测风装置作为聚类测风装置。

步骤2，根据聚风测风装置，将风电场进行子区域划分，构造风速测量模块；

步骤2.1，以相同采样频率采集相同的第一历史时间段内，所有聚类测风装置的风速数据；依次将第一历史时间段内各聚类测风装置的历史风速数据，以时间间隔T内的风速最大值作为样本时刻风速，获得所有聚类测风装置的风速分类样本。本实例中采样频率为3秒采样1次，T的取值为1分钟。

步骤2.2，基于K-means均值聚类算法，将风电场聚类测风装置聚类，根据聚类结果将风电场区域划分为num₄个子区域，具体步骤如下：

步骤D1，各聚类测风装置分别作为待聚类的元素，将风速分类样本作为元素坐标，随机选择Num₂个元素作为聚类中心，每个聚类中心代表1个聚类簇；并设置聚类中心的数量的初始值为Num₂＝3；

步骤D2，随机选取某一元素，计算其同各聚类中心的距离，并且将该元素分配至与之距离最近的聚类中心所代表的聚类簇，立即将元素增加的聚类簇的聚类中心更新为聚类簇中所有元素的平均坐标，随机选取下一个元素，重复步骤D2，直到完成所有元素的分配；

其中，采用欧几里德距离度量元素同各个聚类中心的距离，公式如下：

式中，Dist₂(p_i,q_j)表示元素p_i同聚类中心q_j的距离，i＝1,2,3…,j＝1,2,3,…，表示第i个元素的第n个坐标，表示第j个聚类中心的第n个坐标，N表示各聚类测风装置风速分类样本中样本时刻的数量；

步骤D2.5，判断当前的Num₂个聚类簇是否均为稳态聚类簇，若是则聚类完成，否则令Num₂＝Num₂+1，并重复D1-步骤D2.5；其中，稳态聚类簇是指，聚类簇中各元素与聚类中心之间的距离的最大值不超过各元素与聚类中心之间的距离的中值的30％。

步骤D3，将空间上连续并且属于相同聚类簇的聚类测风装置所对应的测风点划分在同一子区域，共得到num₄个子区域；

所述子区域划分方法如下，将空间上相邻并且属于相同聚类簇的聚类测风装置所对应的测风点所在的网格划分在同一子区域内，共得到num₄个子区域；子区域的边界为子区域内最外层网格的外边界，将位于子区域边界上的测风装置作为相应子区域的边界测风装置，其余测风装置作为相应子区域的内部测风装置。

其中，1个测风点只存在于1个子区域中，属于同一聚类簇但空间上不相邻的聚类测风装置所对应的测风点属于不同子区域；相邻的子区域存在共享的边界测风装置。

实施例四

本发明还提供一种混合CFD和深度学习的极端大风风速预测系统，包括内部测风装置、边界测风装置、存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的极端大风风速预测程序，所述极端大风风速预测程序被所述处理器执行时实现上述实施例一、二、三任一种极端大风风速预测方法的步骤。

以上实施例为本申请的优选实施例，本领域的普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本申请总的构思的前提下，这些变换或改进都应当属于本申请要求保护的范围之内。

Claims (10)

1.一种混合CFD和深度学习的极端大风风速预测方法，其特征在于，包括以下步骤：

步骤1，针对目标区域的每个测风点，按预设规则建立预设数量个测风装置，并从中选择1个测风装置作为与测风点对应的聚类测风装置；每两个测风点之间的距离为Dist₁；

步骤2，将目标区域划分为num₄个子区域；

步骤2.1，针对每个聚类测风装置，均获取在第一历史时间段内的历史风速数据，构建风速分类样本；

步骤2.2，利用风速分类样本，采用聚类方法将目标区域划分为num₄个子区域；其中位于子区域边界上的测风装置为边界测风装置，位于子区域内部的测风装置为内部测风装置；

步骤3，对各子区域进行网格划分；

获取每个子区域的地形数据，对每个子区域均采用num₅种网格划分方式进行网格划分，每个子区域得到num₅个msh文件，且msh文件与网格划分方式相对应；

步骤4，根据每个子区域的每个msh文件，均生成相应的待模拟的大气流场的地形条件，并采用CFD方法计算，在相应地形条件下进行风速模拟的数据；

步骤4.1针对每个内部测风装置，均获取在第二历史时间段内的历史风速数据，构建风速测试样本；针对每个边界测风装置，均获取在第二历史时间段内的历史风速数据构建风速测试样本，均获在第二历史时间段内的历史风向数据构建风向测试样本；

所述风速分类样本、风速测试样本，均是由相应历史时间段内全部样本时刻的实测风速值所组成的风速时间序列，所述风向测试样本是由相应历史时间段内全部样本时刻的实测风向值所组成的风向时间序列；

步骤4.2，针对每个子区域在每种网格划分方式，将相应的msh文件输入Fluent平台，生成待模拟的大气流场的地形条件；根据当前子区域所有边界测风装置的风速测试样本和风向测试样本以及内部测风装置的风速测试样本，采用CFD方法计算当前子区域在当前网格划分方式的地形条件下进行风速模拟的各数据：响应时间、模拟误差以及每个内部测风装置各num₆个模拟风速序列；

步骤5，建立基于卷积神经网络的风速转换模型和基于卷积神经网络的风速预测模型；

步骤5.1，针对每个子区域在每种网格划分方式下的每个内部测风装置，均选择当前内部测风装置的风速测试样本和num₆个模拟风速序列，以任意模拟风速序列中任意3个连续时刻t₂、t₂+1和t₂+2的模拟风速值作为基于卷积神经网络的风速转换模型的输入数据，以风速测试样本中t₂时刻的实测风速值作为输出数据，训练得到当前内部测风装置的基于卷积神经网络的风速转换模型；

步骤5.2，针对每个子区域的每个内部测风装置，均选择当前内部测风装置的风速测试样本，以风速测试样本中任意3个连续时刻t₃-2、t₃-1和t₃的实测风速值作为基于卷积神经网络的风速预测模型的输入数据，以风速测试样本中t₃+1时刻的实测风速值作为输出数据，训练当前内部测风装置的基于卷积神经网络的风速预测模型；

步骤6，对目标预测地点的风速进行实时预测；

步骤6.1，确定目标预测地点所属子区域为a₂子区域，确定离目标预测地点最近的内部测风装置为c₂内部测风装置，其中c₂内部测风装置与目标预测地点的距离为Dist₄；

步骤6.2，基于响应时间和模拟误差，选择a₂子区域的一种网格划分方式，记为a₂子区域的b₂网格划分方式，获取a₂子区域的b₂网格划分方式的msh文件以及a₂子区域所有边界测风装置当前时刻t_now的风速数据和风向数据，一同输入Fluent平台，启动CFD计算，获得目标预测地点在t_pre、t_pre+1、t_pre+2这3个时刻的模拟风速值；

步骤6.3，将目标预测地点在t_pre、t_pre+1、t_pre+2这3个时刻的模拟风速值，输入到a₂子区域b₂网格划分方式c₂内部测风装置的基于卷积神经网络的风速转换模型中，得到目标预测地点在t_pre时刻的风速转换值；

步骤6.4，判断c₂内部测风装置与目标预测地点的距离Dist₄是否大于阈值σ，若是，将目标预测地点在t_pre时刻的风速转换值作为目标预测地点在t_pre时刻的最适风速预测值，结束风速预测，否则执行步骤6.5；

步骤6.5，获取c₂内部测风装置在t_now、t_now-1、t_now-2这三个连续时刻的实测风速值，并输入到a₂子区域c₂内部测风装置的基于卷积神经网络的风速预测模型中，得到c₂内部测风装置在t_now+1时刻的风速预测值，滚动预测，直到获得c₂内部测风装置在t_pre时刻的风速预测值；将c₂内部测风装置在t_pre时刻的风速预测值和目标预测地点在t_pre时刻的风速转换值的平均值，作为目标预测地点在t_pre时刻的最适风速预测值。

2.根据权利要求1所述的方法，其特征在于，步骤4.2中计算当前子区域当前网格划分方式进行风速模拟的响应时间的具体过程为：

步骤A1，选择任意样本时刻t₁，将该子区域所有边界测风装置的风速测试样本和风向测试样本在t₁时刻的风速值和风向值作为大气流场的初始条件，启动CFD计算，进行大气流场状态的模拟；

步骤A2，记录Fluent平台从启动CFD计算到获得子区域中各点下一个样本时刻模拟风速值之间的时间，作为当前子区域当前网格划分方式进行风速模拟的响应时间；

步骤4.2中计算各子区域各网格划分方式进行风速模拟的模拟误差的具体过程为：

步骤B1，随机选择num₆个互不相同的样本时刻，记为tim_i，i＝1,2,3…,num₆；tim_i均不属于风速测试样本的最后num₇个样本时刻；

步骤B2，依次选择样本时刻tim_i，i＝1,2,3…,num₆，将相应子区域所有边界测风装置风速测试样本和风向测试样本在tim_i时刻的风速值以及风向值作为流场的初始条件，启动CFD计算，进行大气流场运动状态的模拟，获得当前子区域中各内部测风装置下一个样本时刻的模拟风速值，滚动计算，直到获得各内部测风装置未来num₇个样本时刻的模拟风速值，构成相应子区域相应网格划分方式各内部测风装置的1个模拟风速序列；

步骤B3，依次计算各子区域各网格划分方式各内部测风装置进行风速模拟的模拟误差，将所有内部测风装置进行风速模拟的模拟误差的平均值作为相应子区域相应网格划分方式进行风速模拟的模拟误差；

其中某一子区域某一网格划分方式下某一内部测风装置进行风速模拟的模拟误差，是该内部测风装置在步骤B2得到的num₆个模拟风速序列的模拟误差的平均值，任意模拟风速序列的模拟误差为模拟风速序列中num₇个样本时刻的模拟风速值与风速测试样本中相应的num₇个风速实测值之间的绝对平均误差。

3.根据权利要求1所述的方法，其特征在于，步骤6.2中所述选择a₂子区域的一种网格划分方式，包括两种选择方法：最大响应时间方法和最大模拟误差方法；

最大响应时间方法为：设定最大响应时间t_max，从a₂子区域的所有网格划分方式中选择响应时间小于t_max且模拟误差最小的网格划分方式；

最大模拟误差方法为：设定最大误差ε_max，从a₂子区域的所有网格划分方式中选择模拟误差小于ε_max且响应时间最小的网格划分方式。

4.根据权利要求1所述的方法，其特征在于，步骤3中获取地形数据的具体过程为：

步骤C1，通过边界测风装置的GPS模块，获取所有边界测风装置的经度数据和纬度数据，根据步骤2获得的子区域划分结果，获取各子区域边界的经度数据和纬度数据；

步骤C2，利用Google earth平台，由各子区域边界的经度数据和纬度数据，分别获取相应子区域范围内的地形信息；

所述子区域范围内的地形信息包括子区域范围内地面上各点的经度数据、纬度数据和高程数据；

步骤C3，依次将各子区域范围内地面上各点的高程作为相应点的Z轴坐标，将经度数据和纬度数据转化为平面直角坐标数据，得到空间直角坐标系描述的各子区域范围内的地形数据，以txt文件的格式存储在数据存储模块中。

5.根据权利要求1所述的方法，其特征在于，步骤3中采用num₅种网格划分方式对当前子区域进行网格划分的方法为：将当前子区域的地形数据输入到ICEM平台，选择立方体网格划分方法，选择网格距离为Dist₃进行网格划分，Dist₃的取值依次遍历以500米为初始值，500米为步长，Dist₁/5为终止值之间的所有值，将每个网格划分方式的结果保存为msh格式的文件。

6.根据权利要求1所述的方法，其特征在于，步骤2.2中基于K-means均值聚类算法将目标区域划分为num₄个子区域，具体步骤为：

步骤D1，将各聚类测风装置分别作为待聚类的元素，将风速分类样本作为元素坐标，随机选择Num₂个元素作为聚类中心，每个聚类中心代表1个聚类簇；

步骤D2，随机选取某一元素，计算其同各聚类中心的距离，并且将该元素分配至与之距离最近的聚类中心所代表的聚类簇，立即将元素增加的聚类簇的聚类中心更新为聚类簇中所有元素的平均坐标，随机选取下一个元素，重复步骤D2，直到完成所有元素的分配；

步骤D3，将空间上连续并且属于相同聚类簇的聚类测风装置所对应的测风点划分在同一子区域。

7.根据权利要求6所述的方法，其特征在于，在步骤D1为聚类中心的数量Num₂设置初始值，在执行步骤D3之前还设置步骤D2.5：

判断当前的Num₂个聚类簇是否均为稳态聚类簇，若是则聚类完成，否则令Num₂＝Num₂+1，并重复D1-步骤D2.5；其中，稳态聚类簇是指，聚类簇中各元素与聚类中心之间的距离的最大值不超过各元素与聚类中心之间的距离的中值的30％。

8.根据权利要求1所述的方法，其特征在于，所述目标区域为铁路轨道或桥梁的沿线扩展区域，所述测风点位于铁路轨道或桥梁的沿线上，步骤1中按预设规则建立预设数量个测风装置的具体过程为：

依次对于每一个测风点，在铁路轨道或桥梁的沿线两侧、且铁路轨道或桥梁在测风点处切线的垂直方向上，距离铁路轨道或桥梁的沿线Dist₁/2处分别建立1个边界测风装置，距离铁路轨道或桥梁500米处分别建立1个内部测风装置；将铁路轨道或桥梁的沿线任一侧所有边界测风装置作为聚类测风装置；

或者，

所述目标区域为风电场，步骤1的具体过程为：

步骤1.1，以长和宽均为Dist₁整数倍的长方形，覆盖风电场区域，并以边长为Dist₁正方形网络划分所述长方形，每个网格中心作为1个测风点；

步骤1.2，依次对于每一个网格，在测风点处建立1个内部测风装置，在网格的4个顶点分别建立1个内部测风装置，若顶点处已存在内部测风装置，则不再建立；

步骤1.3，将所有测风点处的内部测风装置作为聚类测风装置。

9.根据权利要求1所述的方法，其特征在于，所述测风装置包括风速杆、GPS模块、温度传感器、压力传感器和通信模块，用于测量所在位置的温度、气压、风速、三维风向、经度和纬度6种物理信息。

10.一种混合CFD和深度学习的极端大风风速预测系统，其特征在于，包括内部测风装置、边界测风装置、存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的极端大风风速预测程序，所述极端大风风速预测程序被所述处理器执行时实现如权利要求1至9中任一项所述方法的步骤。