CN110929963A - 风速预测方法、装置以及存储介质 - Google Patents
风速预测方法、装置以及存储介质 Download PDFInfo
- Publication number
- CN110929963A CN110929963A CN201911294610.6A CN201911294610A CN110929963A CN 110929963 A CN110929963 A CN 110929963A CN 201911294610 A CN201911294610 A CN 201911294610A CN 110929963 A CN110929963 A CN 110929963A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- data
- long
- observation data
- term memory
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000015654 memory Effects 0.000 claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 28
- 230000007787 long-term memory Effects 0.000 claims abstract description 28
- 230000006403 short-term memory Effects 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000002085 persistent effect Effects 0.000 claims description 4
- 230000001052 transient effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007634 remodeling Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种风速预测方法,用于对区域的短期未来风速进行预测。本申请实施例方法包括:获取当前气象观测数据,所述当前气象观测数据包括:当前风速数据以及至少一种当前其他气象数据;获取预训练的风速预测模型,所述风速预测模型包括三维卷积神经网络和长短期记忆网络,所述长短期记忆网络由历史气象观测数据训练得到,所述历史气象观测数据包括:历史风速数据和至少一种历史其他气象数据;使用所述三维卷积神经网络提取所述当前气象观测数据的特征参数;使用所述长短期记忆网络根据所述特征参数进行拟合运算,输出预测的风速数据。
Description
技术领域
本申请实施例涉及气象领域,具体涉及一种风速预测方法、装置以及存储介质。
背景技术
风能作为一种清洁、无污染的新能源,已经受到世界各国的广泛关注。风是没有公害的能源之一,而且取之不尽,用之不竭,对于缺水、缺燃料和交通不便的沿海岛屿、草原牧区、山区和高原地带,因地制宜地利用风力发电,非常适合,大有可为。
但是风电的发电功率与风电场的风速密切相关,风速的不确定性和间歇性对风力发电也有很大影响,因此,准确预测风速对风电场运行和规划至关重要。准确的风速预测,有利于电力调度部门充分利用风电场装机容量、降低风电成本并提高风电效率。因此,目前需要一种技术方案,实现对风速的准确预测。
发明内容
本申请实施例提供了风速预测方法和装置,可以对短期的风速进行较为准确的预测,帮助风电场进行功率预测和并网。
本申请实施例第一方面提供了一种风速预测方法,本方法结合了三维卷积神经网络和长短期预测网络,可以对区域风速进行短期预测,包括:
获取当前气象观测数据,所述当前气象观测数据包括:当前风速数据以及至少一种当前其他气象数据;
获取预训练的风速预测模型,所述风速预测模型包括三维卷积神经网络和长短期记忆网络,所述长短期记忆网络由历史气象观测数据训练得到,所述历史气象观测数据包括:历史风速数据和至少一种历史其他气象数据;
使用所述三维卷积神经网络提取所述当前气象观测数据的特征参数;
使用所述长短期记忆网络根据所述特征参数进行拟合运算,输出预测的风速数据。
基于前述的风速预测方法,所述方法还包括:对所述长短期记忆网络进行训练;其中所述对长短期记忆网络进行训练,包括:
获取按照时间先后顺序采集的多组历史气象观测数据;
使用所述三维卷积神经网络提取每一组所述历史气象观测数据的特征参数;
按照所述时间先后顺序将每一组所述历史气象观测数据的特征参数输入长短期记忆网络,以训练所述长短期记忆网络。
基于前述的风速预测方法,所述方法还包括:
初始化所述三维卷积网络的卷积核参数。
基于前述的风速预测方法,所述方法还包括:
确定目标时间点;其中所述目标时间点与当前气象观测数据的采集时间点之间间隔的时间长度为,用于训练所述长短期记忆网络的多组历史气象观测数据的采集时间间隔;
将预测的风速数据确定为所述目标时间点的风速数据。
基于前述的风速预测方法,所述方法还包括:
获取所述预测的风速数据对应的真实风速数据;
根据所述预测的风速数据和所述真实风速数据,计算所述长短期记忆网络的损失函数;
通过反向传播算法最小化所述损失函数,以优化所述长短期记忆网络。
对应于上述风速预测方法,本申请实施例第二方面中还提供了一种风速预测装置,包括:
第一获取单元,用于获取当前气象观测数据,所述当前气象观测数据包括:当前风速数据以及至少一种当前其他气象数据;
第二获取单元,用于获取预训练的风速预测模型,所述风速预测模型包括三维卷积神经网络和长短期记忆网络,所述长短期记忆网络由历史气象观测数据训练得到,所述历史气象观测数据包括:历史风速数据和至少一种历史其他气象数据;
提取单元,用于使用所述三维卷积神经网络提取所述当前气象观测数据的特征参数;
拟合单元,用于使用所述长短期记忆网络根据所述特征参数进行拟合运算,输出预测的风速数据。
优选的,所述提取单元还用于使用所述三维卷积神经网络提取每一组所述历史气象观测数据的特征参数,所述风速预测装置还包括:
第三获取单元,用于获取按照时间先后顺序采集的多组历史气象观测数据;
训练单元,用于按照所述时间先后顺序将每一组所述历史气象观测数据的特征参数输入长短期记忆网络,以训练所述长短期记忆网络。
优选的,所述风速预测装置还包括:
第四获取单元,用于获取所述预测的风速数据对应的真实风速数据;
计算单元,用于根据所述预测的风速数据和所述真实风速数据,计算所述长短期记忆网络的损失函数;
本申请第三方面提供了所述风速预测装置的另一种结构,包括:中央处理器,存储器,所述存储器为短暂存储存储器或持久存储存储器;所述中央处理器配置为与所述存储器通信,在所述风速预测装置上执行所述存储器中的指令操作以执行第一方面中的任一项风速预测方法。
本申请第四方面提供了一种存储介质,包括指令,当所述指令在计算机上运行时,使得计算机执行第一方面中的任意一项方法。本发明综合了三维卷积神经网络和长短期记忆网络优势,提供了一种新的风速预测方法,主要用于短期的风速预测。通过采集自动站检测的周边的历史风速数据、历史气象观测数据,以及当前气象站的观测数据,建立了区域内风速与气象观测数据在空间与时间上的联系,在短时区域风速预测中能有着更高的准确度。
附图说明
图1为本申请实施例提供的风速预测方法的一个流程示意图;
图2为本申请实施例提供的风速预测模型的一个结构示意图;
图3为本申请实施例提供的风速预测装置的一个结构示意图。
图4为本申请实施例提供的风速预测装置的一个结构示意图
图5为本申请实施例提供的风速预测装置的一个结构示意图
图6为本申请实施例提供的风速预测装置的一个结构示意图
具体实施方式
本申请实施例提供了风速预测方法和装置,用于对区域进行短期的风速预测。
精准的区域风速预报,在气象服务领域一直是非常关键的问题。短期风速预报的目标一般是对未来1至6小时内当地区域的风速风向进行实时精确的预测。气象站结合短期风资源数据和观测的天气预报气象数据,通过短期风速风向的预测,发布未来气象信息,为风电场管理提供有效的数据支撑。风电功率的短期预测作为风电产业发展的关键技术,在公共服务领域应用前景广泛。尤其在风电场的灾害预测、高效的电场发电规划等方面具有重大社会价值。
请参阅图1,本申请提供的风速预测方法的一个实施例包括:
101、获取当前气象观测数据,所述当前气象观测数据包括:当前风速数据以及至少一种当前其他气象数据;
获取当前的气象观测数据具体来说是获取当前时刻能够采集到的区域气象气象观测数据,不仅包括风速参数,还可以包括雷达测量的多个高度下的大气凝结核浓度、温度、湿度或其他气象信息,可以理解的是,大部分与风速有关的气象参数,都可以用于本申请实施例的预测方法中,具体效果也略有差别,优选的方案是采用气象站连续观测的雷达图,作为风速预测的主要训练样本。
102、获取预训练的风速预测模型,所述风速预测模型包括三维卷积神经网络和长短期记忆网络,所述长短期记忆网络由历史气象观测数据训练得到,所述历史气象观测数据包括:历史风速数据和至少一种历史其他气象数据;
获取预训练的风速预测模型,该预测模型包括三维卷积神经网络和长短期记忆网络。训练该风速模型的历史气象观测数据与步骤101中输入的参数种类相同,以使得训练和使用过程的参数都一一对应。
具体的训练过程是,先收集一定时期内历史气象观测数据进行预处理。进一步地具体操作是,通过采集自动站检测的周边历年风资源数据,以及气象站观测的区域上空不同高度的多普勒雷达回波外推图,其中气象站的观测数据以固定时间间隔进行存储,分作多组历史气象观测数据样本。例如,采集前12天的历史气象观测数据标注在地图中,每10分钟记录一次,共计6912次样本。并采用四小时前的雷达数据,雷达数据高度层为6层,采集数据的间隔为10分钟,共计240次样本。这样总数为7152次样本,将其中的前5720组为训练集,后1432组为测试样本,进行模型的构建。其中,设定三维卷积神经网络的卷积核参数,使用该卷积核按顺序对历史气象观测数据进行卷积运算,以尺寸为50x50x15x4雷达图为例,按照4小时为固定时间间隔排列,使用三维卷积神经网络通过卷积池化运算,提取不同时间点上的风速空间特征。将提取到的风速空间特征输入长短期记忆网络的输入层,该长短期以及网络的输入层连接多个长短期记忆单元,在输入层对三维卷积神经网络输出的4阶张量进行特征重塑,经过特征重塑后,每个重塑后的风速空间特征都在长短期记忆单元的输入门、遗忘门、输出门的信息节点循环计算中,对每个长短期记忆网络单元信息进行遗忘和选择,学习基于时序的空间特征,越是接近当前时间点的样本,对长短期记忆网络的参数修正做出的贡献越大。长短期记忆网络根据每次的输入,预测下一次的输入信息,并且在之后根据与预测风速信息对应的实际气象特征参数,计算损失函数,并通过反向传播算法,不断最小化损失函数来修改长短期记忆网络的参数,对长短期记忆网络进行优化。
综合该三维卷积网络和长短期以及网络,即为所需的风速预测模型。可以理解的是,上述实施例中作为训练样本历史气象观测数据的具体参数类型、采集间隔以及样本数量等仅用于帮助本领域技术人员理解本方案,在实际应用中,作为训练样本的历史气象观测数据也可以是包括风速、温度、湿度或其他气象参数,但是应当与风速有所关联。提取空间特征的三维卷积神经网络参数也可以根据具体使用情况进行调整,修改三维卷积神经网络的卷积核参数,以适应不同的训练样本。
103、使用三维卷积神经网络提取所述当前气象观测数据的特征参数;
将当前用来预测短期风速的气象观测数据输入到经过训练的风速预测模型的三维卷积神经网络中,进行类似于模型训练过程中提取训练样本的空间特征提取操作,使用相同的三维卷积神经网络,按照预设的卷积核参数,提取当前气象观测数据的特征参数,其形式与训练样本的形式类似,输入对应尺寸的图像,经过各层卷积池化操作,获取到特征向量
104、使用所述长短期记忆网络根据所述特征参数进行拟合运算,输出预测的风速数据。
将步骤104中提取的当前气象观测数据的特征参数输入到长短期记忆网络中,长短期记忆网络的参数已按照历史气象观测数据进行训练和修改,按照当前气象观测数据的特征参数输入到长短期记忆网络的输入层,进行逻辑回归预测未来短时间内的风速信息,并计算出具体的风速和风向。可以理解的是,由于作为训练样本的历史气象观测数据按照固定时间间隔采集和整理,因此在使用该风速预测模型时,长短期记忆网络输出的预测的风速数据,也应当作为当前气象观测数据在经历与训练样本采集间隔相同时间后的特征参数,根据这些特征参数,可以直接计算出固定时间间隔后的风速信息。此外,在每次预测后,还可以根据预测出的结果与实际结果比较,计算损失函数并通过最小化该损失函数的过程,对模型的参数进行修正和更新,使得模型在使用中能不断迭代更新,在下次预测中更加精确。可以理解的是,具体的风速预测过程中,也可以直接根据上一次预测出的结果作为输入,使用风速预测模型再次进行预测,计算经过两个或更多个固定间隔后,未来的风速信息情况。
在本申请实施例中使用的风速预测模型具体架构请参阅图2,该风速预测模型在使用时输入与风速P(X)相关的其他气象参数Xc,经过3D-CNN提取风速的空间特征,进行特征重塑后在LSTM单元中进行计算处理,输出预测的风速相关信息。其中,3D-CNN代表三维卷积神经网络,LSTM单元代表一个包含了遗忘门、输入门和输出门的LSTM存储单元,3种门限由sigmoid激活函数和逐点乘法运算组成。可以理解的是,上述结构仅为风速预测模型的一个示意图,用于帮助本领域技术人员理解本发明,具体的实施方式中,长短期记忆网络的结构和参数可以略有不同,例如激活函数也可以采用tanh函数。
相应地,本申请实施例中还提供了一种风速预测装置,对应于上述方法,该风速预测装置包括:
第一获取单元301,用于获取当前气象观测数据,当前气象观测数据包括:当前风速数据以及至少一种当前其他气象数据;
第二获取单元302,用于获取预训练的风速预测模型,风速预测模型包括三维卷积神经网络和长短期记忆网络,长短期记忆网络由历史气象观测数据训练得到,历史气象观测数据包括:历史风速数据和至少一种历史其他气象数据;
提取单元303,用于使用三维卷积神经网络提取当前气象观测数据的特征参数;
拟合单元304,用于使用长短期记忆网络根据特征参数进行拟合运算,输出预测的风速数据。
第一获取单元301,用于获取当前气象观测数据,当前气象观测数据包括:当前风速数据以及至少一种当前其他气象数据;
第二获取单元302,用于获取预训练的风速预测模型,风速预测模型包括三维卷积神经网络和长短期记忆网络,长短期记忆网络由历史气象观测数据训练得到,历史气象观测数据包括:历史风速数据和至少一种历史其他气象数据;
提取单元303,用于使用三维卷积神经网络提取当前气象观测数据的特征参数;
拟合单元304,用于使用长短期记忆网络根据特征参数进行拟合运算,输出预测的风速数据。
可选的,在本发明的一些实施例中,基于图3,如图4所示,所述提取单元303还用于使用三维卷积神经网络提取每一组历史气象观测数据的特征参数;
风速预测装置还可以包括:
第三获取单元305,用于获取按照时间先后顺序采集的多组历史气象观测数据;
训练单元306,用于按照时间先后顺序将每一组历史气象观测数据的特征参数输入长短期记忆网络,以训练长短期记忆网络。
可选的,在本发明的一些实施例中,基于图3,如图5所示,风速预测装置还包括:
第四获取单元307,用于获取预测的风速数据对应的真实风速数据;
计算单元308,用于根据预测的风速数据和真实风速数据,计算长短期记忆网络的损失函数;
本申请第三方面提供了风速预测装置的另一种结构,包括:中央处理器,存储器,存储器为短暂存储存储器或持久存储存储器;中央处理器配置为与存储器通信,在风速预测装置上执行存储器中的指令操作以执行第一方面中的任一项风速预测方法。
本申请第四方面提供了一种存储介质,包括指令,当指令在计算机上运行时,使得计算机执行第一方面中的任意一项方法。
下面对本申请实施例提供的风速预测装置进行具体描述,请参阅图6。该风速预测装置600可以包括一个或一个以上中央处理器(central processing units,CPU)601和存储器605,该存储器605中存储有一个或一个以上的应用程序或数据。其中,存储器605可以是易失性存储或持久存储。存储在存储器605的程序可以包括一个或一个以上模块,每个模块可以包括对风速预测装置中的一系列指令操作。更进一步地,中央处理器601可以设置为与存储器605通信,风速预测装置600上执行存储器605中的一系列指令操作。风速预测装置600还可以包括一个或一个以上电源602,一个或一个以上有线或无线网络接口603,一个或一个以上输入输出接口604,和/或,一个或一个以上操作系统,例如Windows ServerTM,MacOS XTM,UnixTM,LinuxTM,FreeBSDTM等。该中央处理器601可以执行前述图2至图5所示实施例中的对应操作,具体此处不再赘述。
本申请实施例还提供了一种存储介质,该存储介质中存储有指令,当该指令在计算机上运行时,使得计算机执行如前述图1所示的风速预测方法,包括:
获取当前气象观测数据,当前气象观测数据包括:当前风速数据以及至少一种当前其他气象数据;
获取预训练的风速预测模型,风速预测模型包括三维卷积神经网络和长短期记忆网络,长短期记忆网络由历史气象观测数据训练得到,历史气象观测数据包括:历史风速数据和至少一种历史其他气象数据;
使用三维卷积神经网络提取当前气象观测数据的特征参数;
使用长短期记忆网络根据特征参数进行拟合运算,输出预测的风速数据。
基于前述的风速预测方法,方法还包括:对长短期记忆网络进行训练;其中对长短期记忆网络进行训练,包括:
获取按照时间先后顺序采集的多组历史气象观测数据;
使用三维卷积神经网络提取每一组历史气象观测数据的特征参数;
按照时间先后顺序将每一组历史气象观测数据的特征参数输入长短期记忆网络,以训练长短期记忆网络。
基于前述的风速预测方法,方法还包括:
初始化三维卷积网络的卷积核参数。
在本发明的一些实施例中,计算机可读存储介质存储的计算机程序被处理器执行时,还可以实现如下步骤:
确定目标时间点;其中目标时间点与当前气象观测数据的采集时间点之间间隔的时间长度为,用于训练长短期记忆网络的多组历史气象观测数据的采集时间间隔;
将预测的风速数据确定为目标时间点的风速数据。
在本发明的一些实施例中,计算机可读存储介质存储的计算机程序被处理器执行时,还可以实现如下步骤:
获取预测的风速数据对应的真实风速数据;
根据预测的风速数据和真实风速数据,计算长短期记忆网络的损失函数;
通过反向传播算法最小化损失函数,以优化长短期记忆网络。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
通过实验,该方法能够对区域上空未来短期的风速进行准确的预测,在不同维度的训练集和不同网络结构下进行分析对比实验,对短期风速的预测值与观测值的均方根误差达到了以下。该训练模型在气象站整年的数据中预测稳定性较好,对于天气不可控的随机性因素的鲁棒性也表现良好,是一种可靠的风速预测方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,read-onlymemory)、随机存取存储器(RAM,random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种风速预测方法,其特征在于,包括:
获取当前气象观测数据,所述当前气象观测数据包括:当前风速数据以及至少一种当前其他气象数据;
获取预训练的风速预测模型,所述风速预测模型包括三维卷积神经网络和长短期记忆网络,所述长短期记忆网络由历史气象观测数据训练得到,所述历史气象观测数据包括:历史风速数据和至少一种历史其他气象数据;
使用所述三维卷积神经网络提取所述当前气象观测数据的特征参数;
使用所述长短期记忆网络根据所述特征参数进行拟合运算,输出预测的风速数据。
2.根据权利要求1所述的风速预测方法,其特征在于,所述方法还包括:对所述长短期记忆网络进行训练;其中所述对长短期记忆网络进行训练,包括:
获取按照时间先后顺序采集的多组历史气象观测数据;
使用所述三维卷积神经网络提取每一组所述历史气象观测数据的特征参数;
按照所述时间先后顺序将每一组所述历史气象观测数据的特征参数输入长短期记忆网络,以训练所述长短期记忆网络。
3.根据权利要求1所述的风速预测方法,其特征在于,所述方法还包括:
初始化所述三维卷积网络的卷积核参数。
4.根据权利要求1所述的风速预测方法,其特征在于,还包括:
确定目标时间点;其中所述目标时间点与当前气象观测数据的采集时间点之间间隔的时间长度为,用于训练所述长短期记忆网络的多组历史气象观测数据的采集时间间隔;
将预测的风速数据确定为所述目标时间点的风速数据。
5.根据权利要求1所述的风速预测方法,其特征在于,所述方法还包括:
获取所述预测的风速数据对应的真实风速数据;
根据所述预测的风速数据和所述真实风速数据,计算所述长短期记忆网络的损失函数;
通过反向传播算法最小化所述损失函数,以优化所述长短期记忆网络。
6.一种风速预测装置,其特征在于,包括:
第一获取单元,用于获取当前气象观测数据,所述当前气象观测数据包括:当前风速数据以及至少一种当前其他气象数据;
第二获取单元,用于获取预训练的风速预测模型,所述风速预测模型包括三维卷积神经网络和长短期记忆网络,所述长短期记忆网络由历史气象观测数据训练得到,所述历史气象观测数据包括:历史风速数据和至少一种历史其他气象数据;
提取单元,用于使用所述三维卷积神经网络提取所述当前气象观测数据的特征参数;
拟合单元,用于使用所述长短期记忆网络根据所述特征参数进行拟合运算,输出预测的风速数据。
7.根据权利要求6所述的风速预测装置,其特征在于,还包括:
第三获取单元,用于获取按照时间先后顺序采集的多组历史气象观测数据;
提取单元,用于使用所述三维卷积神经网络提取每一组所述历史气象观测数据的特征参数;
训练单元,用于按照所述时间先后顺序将每一组所述历史气象观测数据的特征参数输入长短期记忆网络,以训练所述长短期记忆网络。
8.根据权利要求6所述的风速预测装置,其特征在于,还包括:
第四获取单元,用于获取所述预测的风速数据对应的真实风速数据;
计算单元,用于根据所述预测的风速数据和所述真实风速数据,计算所述长短期记忆网络的损失函数;
优化单元,用于通过反向传播算法最小化所述损失函数,以优化所述长短期记忆网络。
9.一种风速预测装置,其特征在于,包括:中央处理器,存储器,所述存储器为短暂存储存储器或持久存储存储器;所述中央处理器配置为与所述存储器通信,在所述风速预测装置上执行所述存储器中的指令操作以执行权利要求1至5中任一项所述的方法。
10.一种存储介质,包括指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1至5中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911294610.6A CN110929963A (zh) | 2019-12-16 | 2019-12-16 | 风速预测方法、装置以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911294610.6A CN110929963A (zh) | 2019-12-16 | 2019-12-16 | 风速预测方法、装置以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110929963A true CN110929963A (zh) | 2020-03-27 |
Family
ID=69863943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911294610.6A Pending CN110929963A (zh) | 2019-12-16 | 2019-12-16 | 风速预测方法、装置以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110929963A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652435A (zh) * | 2020-06-03 | 2020-09-11 | 上海眼控科技股份有限公司 | 风切变预测方法、装置、计算机设备及可读存储介质 |
CN112101626A (zh) * | 2020-08-14 | 2020-12-18 | 安徽继远软件有限公司 | 一种分布式光伏发电功率预测方法及系统 |
CN113011645A (zh) * | 2021-03-15 | 2021-06-22 | 国网河南省电力公司电力科学研究院 | 一种基于深度学习的电网大风灾害预警方法及装置 |
CN113011637A (zh) * | 2021-02-25 | 2021-06-22 | 上海眼控科技股份有限公司 | 空气质量的预测方法、装置、设备及存储介质 |
CN113177187A (zh) * | 2021-03-04 | 2021-07-27 | 明阳智慧能源集团股份公司 | 基于长短期记忆神经网络的等效激光雷达风速计算方法 |
CN113689026A (zh) * | 2021-07-13 | 2021-11-23 | 上海眼控科技股份有限公司 | 一种气象数据预测方法、设备及存储介质 |
CN115081677A (zh) * | 2022-05-12 | 2022-09-20 | 暨南大学 | 一种风速预测方法、装置、电子设备及可读存储介质 |
WO2022197238A1 (en) * | 2021-03-16 | 2022-09-22 | Envision Digital International Pte. Ltd. | System and method for optimizing composition of ensemble member outputs to generate a series of short period local wind speed forecasts |
WO2022197239A1 (en) * | 2021-03-16 | 2022-09-22 | Envision Digital International Pte. Ltd. | System and method for generating a series of short period local wind speed forecasts employing k-means clustering and stacked machine learning analysis |
CN115877345A (zh) * | 2023-02-28 | 2023-03-31 | 航天宏图信息技术股份有限公司 | 一种风廓线雷达缺测数据的补齐方法和装置 |
CN115905997A (zh) * | 2022-10-28 | 2023-04-04 | 安徽省国家电投和新电力技术研究有限公司 | 基于预测偏差优化的风电机组气象灾害预警方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107703564A (zh) * | 2017-10-13 | 2018-02-16 | 中国科学院深圳先进技术研究院 | 一种降雨预测方法、系统及电子设备 |
US20190012581A1 (en) * | 2017-07-06 | 2019-01-10 | Nokia Technologies Oy | Method and an apparatus for evaluating generative machine learning model |
CN109902863A (zh) * | 2019-02-15 | 2019-06-18 | 浙江财经大学 | 一种基于多因素时空相关性的风速预测方法及装置 |
-
2019
- 2019-12-16 CN CN201911294610.6A patent/CN110929963A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190012581A1 (en) * | 2017-07-06 | 2019-01-10 | Nokia Technologies Oy | Method and an apparatus for evaluating generative machine learning model |
CN107703564A (zh) * | 2017-10-13 | 2018-02-16 | 中国科学院深圳先进技术研究院 | 一种降雨预测方法、系统及电子设备 |
CN109902863A (zh) * | 2019-02-15 | 2019-06-18 | 浙江财经大学 | 一种基于多因素时空相关性的风速预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
黄睿等: "计及湍流强度的风电功率短期预测", 《电网技术》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652435A (zh) * | 2020-06-03 | 2020-09-11 | 上海眼控科技股份有限公司 | 风切变预测方法、装置、计算机设备及可读存储介质 |
CN112101626A (zh) * | 2020-08-14 | 2020-12-18 | 安徽继远软件有限公司 | 一种分布式光伏发电功率预测方法及系统 |
CN113011637A (zh) * | 2021-02-25 | 2021-06-22 | 上海眼控科技股份有限公司 | 空气质量的预测方法、装置、设备及存储介质 |
CN113177187A (zh) * | 2021-03-04 | 2021-07-27 | 明阳智慧能源集团股份公司 | 基于长短期记忆神经网络的等效激光雷达风速计算方法 |
CN113011645A (zh) * | 2021-03-15 | 2021-06-22 | 国网河南省电力公司电力科学研究院 | 一种基于深度学习的电网大风灾害预警方法及装置 |
WO2022197238A1 (en) * | 2021-03-16 | 2022-09-22 | Envision Digital International Pte. Ltd. | System and method for optimizing composition of ensemble member outputs to generate a series of short period local wind speed forecasts |
WO2022197239A1 (en) * | 2021-03-16 | 2022-09-22 | Envision Digital International Pte. Ltd. | System and method for generating a series of short period local wind speed forecasts employing k-means clustering and stacked machine learning analysis |
CN113689026A (zh) * | 2021-07-13 | 2021-11-23 | 上海眼控科技股份有限公司 | 一种气象数据预测方法、设备及存储介质 |
CN115081677A (zh) * | 2022-05-12 | 2022-09-20 | 暨南大学 | 一种风速预测方法、装置、电子设备及可读存储介质 |
CN115905997A (zh) * | 2022-10-28 | 2023-04-04 | 安徽省国家电投和新电力技术研究有限公司 | 基于预测偏差优化的风电机组气象灾害预警方法及系统 |
CN115877345A (zh) * | 2023-02-28 | 2023-03-31 | 航天宏图信息技术股份有限公司 | 一种风廓线雷达缺测数据的补齐方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110929963A (zh) | 风速预测方法、装置以及存储介质 | |
Huang et al. | Multiple-input deep convolutional neural network model for short-term photovoltaic power forecasting | |
CN103117546B (zh) | 一种超短期风电功率滑动预测方法 | |
WO2006083943A2 (en) | System and method for enhanced measure-correlate-predict for a wind farm location | |
CN115796393B (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
CN108717579B (zh) | 一种短期风电功率区间预测方法 | |
Liu et al. | Heating load forecasting for combined heat and power plants via strand-based LSTM | |
CN114021803A (zh) | 一种基于卷积transformer架构的风功率预测方法、系统及设备 | |
Bajpai et al. | A hybrid approach of solar power forecasting using machine learning | |
Phan et al. | Short-term Solar Power Forecasting Using XGBoost with Numerical Weather Prediction | |
Dokur | Swarm decomposition technique based hybrid model for very short-term solar PV power generation forecast | |
CN115759467A (zh) | 一种误差修正的分时刻集成学习光伏预测方法 | |
CN114895380A (zh) | 一种太阳辐射预测方法、装置、设备和介质 | |
CN107194507A (zh) | 一种基于组合支持向量机的风电场短期风速预测方法 | |
CN114330110A (zh) | 模型训练方法、光伏发电功率预测方法及系统 | |
JP6937227B2 (ja) | 発電量予測装置、発電量予測システム、発電量予測方法及び発電量予測プログラム | |
Ehsan et al. | Artificial neural network predictor for grid-connected solar photovoltaic installations at atmospheric temperature | |
KR20190131808A (ko) | 태양광 발전기의 발전량 예측 장치 및 방법 | |
CN116316617B (zh) | 多场站智能融合的新能源发电功率区域预测方法和系统 | |
CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及系统 | |
Cho et al. | Application of Parallel ANN-PSO to Hourly Solar PV Estimation | |
Khalyasmaa et al. | Photovoltaic power plant production operational forecast based on its short-term forecasting model | |
Özgür | ANN-based evaluation of wind power generation: A case study in Kutahya, Turkey | |
CN117595384B (zh) | 基于人工智能的光伏电站源网荷双向预测方法及系统 | |
CN115829165B (zh) | 基于发电性能差异的分布式光伏运行情况分析方法、装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |