CN111488974A - 基于深度学习神经网络的海洋风能降尺度方法 - Google Patents
基于深度学习神经网络的海洋风能降尺度方法 Download PDFInfo
- Publication number
- CN111488974A CN111488974A CN202010291146.1A CN202010291146A CN111488974A CN 111488974 A CN111488974 A CN 111488974A CN 202010291146 A CN202010291146 A CN 202010291146A CN 111488974 A CN111488974 A CN 111488974A
- Authority
- CN
- China
- Prior art keywords
- data
- resolution
- neural network
- sea surface
- deep learning
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于深度学习神经网络的海洋风能降尺度方法,即:采集一段时期,0.2~0.3°高分辨率再分析数据中逐日海面100m风场数据,1~3°低分辨率再分析数据中逐日海面10m风场和海平面气压场数据,1~3°低分辨率全球气候模式数据中逐日海面10m风场和海平面气压场数据;将采集的数据进行归一化处理;训练深度学习神经网络模型;应用深度学习神经网络模型,得到目标区域降尺度后的0.2~0.3°高分辨率的逐日海面100m风场数据。本发明通过深度学习神经网络,提取数据蕴含的内在特征和本质规律,减小降尺度误差,使得海洋风能的预测更准确。
Description
技术领域
本发明涉及一种降尺度方法,具体地说,本发明涉及一种基于深度学习神经网络的海洋风能降尺度方法。本发明属于海洋风能预测技术领域。
背景技术
我国海洋风能资源极其丰富,适宜大规模开发利用。由于风能资源属于气候资源的一种,气候变化对风能资源的影响显著。研究发现中国多数地区在过去几十年的地表风速表现为减小趋势,导致部分地区风电场的发电量减少幅度达15~17%,给已投资建成的风电场带来较大的经济损失。因此,有必要对未来气候变化对海洋风能的影响进行科学预测,为风电场的投资建设提供可行性参考。
全球气候模式是研究和预测未来气候变化的主要工具。由于客观条件限制,全球气候模式的空间分辨率较低,其空间分辨率为经纬度1~3°,空间距离为100~300km,因此,全球气候模式擅长于大范围、大尺度的模拟。而,海上风电场尺度大小仅有经纬度0.2~0.3°,空间距离约20~30km,故,使用全球气候模式无法满足气候对海洋风能影响分析所需要的高分辨率,需要降尺度,将全球气候模式反映的信息转换到高分辨率网格上。
目前,国内外已有较多降尺度方法,例如多元线性回归法、主成分分析法、浅层神经网络法等,其共同存在的问题是:已有的降尺度方法在计算海洋风能上的平均误差一般都在50W/m2以上,误差大、降尺度效果还不尽如人意。加快开展降尺度方法的研究步伐,尽快研制出适合海洋风能的、误差小的降尺度方法的意义重大。
发明内容
鉴于现有技术降尺度误差大的问题,本发明的目的是提供一种基于深度学习神经网络的适合海洋风能的降尺度方法,以减小降尺度的误差。
为实现上述目的,本发明采用以下技术方法:一种基于深度学习神经网络的海洋风能降尺度方法,其包括以下步骤:
S1、采集一段时期,0.2~0.3°高分辨率再分析数据中逐日海面100m风场数据,1~3°低分辨率再分析数据中逐日海面10m风场和海平面气压场数据,1~3°低分辨率全球气候模式数据中逐日海面10m风场和海平面气压场数据;
S2、将步骤S1采集的数据进行归一化处理;
S2.1、将1~3°低分辨率全球气候模式数据的分辨率统一到与1~3°低分辨率再分析数据相同的分辨率;
S2.2、对0.2~0.3°高分辨率再分析数据和1~3°低分辨率再分析数据、1~3°低分辨率全球气候模式数据的海陆分布数据进行处理,只保留目标区域的海面数据;
S2.3、将保留的目标区域的海面数据的数值归一化到0~1之间;
S2.4、采用经验正交函数对归一化后的1~3°低分辨率再分析数据的逐日海面10m风场和海平面气压场数据,以及归一化后的1~3°低分辨率全球气候模式数据的逐日海面10m风场和海平面气压场数据分别进行空间模态分离,提取出各自的主成分,然后保留各自前32个主成分;
S3、训练深度学习神经网络模型;
根据步骤S2获得的数据,搭建深度学习神经网络模型,以归一化后的1~3°低分辨率再分析数据的逐日海面10m风场和海平面气压场的主成分作为输入,以归一化后的0.2~0.3°高分辨率再分析数据的逐日海面100m风场作为输出,采用前向传播算法和反向传播算法训练模型;直至深度学习神经网络模型的输出结果和实际归一化后的0.2~0.3°高分辨率逐日海面100m风场数据的误差小于一定阈值ε时,模型训练完成;
S4、应用深度学习神经网络模型,得到目标区域降尺度后的0.2~0.3°高分辨率的逐日海面100m风场数据;
根据步骤S3获得的深度学习神经网络模型,将步骤S2.4获得的归一化后的1~3°低分辨率全球气候模式数据的逐日海面10m风场和海平面气压场的主成分作为输入,应用深度学习神经网络模型进行预测,然后进行反归一化,得到目标区域的0.2~0.3°高分辨率的逐日海面100m风场结果;
S5、计算降尺度后的海洋风能;
根据步骤S4获得的数据,计算降尺度后的海洋风能,采用的表达式为:
其中WPD为风能,vi为风速v的第i时刻数据,n是统计时段的总时刻数,ρ为空气密度,取海平面的标准空气密度1.225kg·m-3。
进一步,所述步骤S2.1中,通过插值的方法将1~3°低分辨率全球气候模式数据的分辨率统一到与1~3°低分辨率再分析数据相同的分辨率,具体方法为:
其中,x是经度;y是纬度;V(x,y)是经度x、纬度y处变量;V(x1,y1)是经度x1、纬度y1处变量;V(x1,y2)是经度x1、纬度y2处变量;V(x2,y1)是经度x2、纬度y1处变量;V(x2,y2)是经度x2、纬度y2处变量。
可优选的是,所述步骤S2.3中,将保留的目标区域的海面数据数值归一化到0~1之间的方法为:
其中,Vi是变量V的第i时刻数据;Vi′是Vi归一化后的数据;n是统计时段的总时刻数;median是中位值;mean是平均值;sqrt是平方根。
进一步,所述神经网络为3层的BiLSTM神经网络;3层的BiLSTM神经网络的神经元个数依次为256、128和64个,3层的循环激活函数均取sigmoid;
所述BiLSTM神经网络隐藏层的函数为Y=f(WiX);其中X为输入矩阵,Wi为输入层到隐藏层的权值,Y为隐藏层神经元的输出矩阵,函数f取激活函数tanh。
进一步,所述步骤S3训练深度学习神经网络模型时选取的代价函数取mse,优化器取adam;训练阈值ε为0.0001。
本发明通过深度学习神经网络,提取数据蕴含的内在特征和本质规律,减小了降尺度的误差,使得海洋风能的预测更准确。本发明具有较强的容错性,操作性强,训练效率高,适合海洋风能的强非线性特征以及前后关联性的特点。本发明对于改进降尺度方法,提高未来气候变化和海洋风能影响的预测准确度具有重要意义和价值。
附图说明
图1是本发明公开的基于深度学习神经网络的海洋风能降尺度方法流程图;
图2是本发明实施例深度学习神经网络BiLSTM训练的示意图;
图3是本发明实施例基于深度学习神经网络计算得到的2011—2030年时间段海洋风能降尺度结果的示意图。
图4是本发明实施例基于深度学习神经网络计算得到的2011—2019年时间段海洋风能降尺度结果进行检验得到的误差大小的示意图。
具体实施方式
下面将结合附图和具体实施例对本发明作进一步详细说明。
本发明公开了一种基于深度学习神经网络的海洋风能降尺度方法,它包括以下步骤:
S1、采集一段时期,0.2~0.3°高分辨率再分析数据中逐日海面100m风场数据,1~3°低分辨率再分析数据中逐日海面10m风场和海平面气压场数据,1~3°低分辨率全球气候模式数据中逐日海面10m风场和海平面气压场数据。
S2、将步骤S1采集的数据进行归一化处理。
S2.1、通过插值表达式将1~3°低分辨率全球气候模式数据的分辨率统一到与1~3°低分辨率再分析数据相同的分辨率,所述插值表达式为:
其中,x是经度;y是纬度;V(x,y)是经度x、纬度y处变量(如风速变量、气压变量等);V(x1,y1)是经度x1、纬度y1处变量;V(x1,y2)是经度x1、纬度y2处变量;V(x2,y1)是经度x2、纬度y1处变量;V(x2,y2)是经度x2、纬度y2处变量;
S2.2、对0.2~0.3°高分辨率再分析数据和1~3°低分辨率再分析数据、1~3°低分辨率全球气候模式数据的海陆分布数据进行处理,只保留目标区域的海面数据;
S2.3、将保留的目标区域的海面数据的数值归一化到0~1之间,具体方法为:
其中,Vi是变量V的第i时刻数据;Vi′是Vi归一化后的数据;n是统计时段的总时刻数;median是中位值;mean是平均值;sqrt是平方根;
S2.4、采用经验正交函数对归一化后的1~3°低分辨率再分析数据的逐日海面10m风场和海平面气压场数据,以及归一化后的1~3°低分辨率全球气候模式数据的逐日海面10m风场和海平面气压场数据分别进行空间模态分离,提取出各自的主成分,然后保留各自前32个主成分。
S3、训练深度学习神经网络模型。
根据步骤S2获得的数据,搭建深度学习神经网络模型,以归一化后的1~3°低分辨率再分析数据的逐日海面10m风场和海平面气压场的主成分作为输入,以归一化后的0.2~0.3°高分辨率再分析数据的逐日海面100m风场作为输出,采用前向传播算法和反向传播算法来训练模型。
其中,深度学习神经网络隐藏层的函数为Y=f(WiX),其中X为输入矩阵,Y为隐藏层神经元的输出矩阵,函数f是可选的激活函数,Wi为输入层到隐藏层的权值,通过训练模型得到,具体如下:(1)训练初始时,每个权值由随机数产生,(2)训练过程中,由神经网络根据所输出的结果和实际归一化后的0.2~0.3°高分辨率逐日海面100m风场数据的误差来自动调整权值Wi,(3)当误差小于一定阈值ε时,模型训练完成,可得到权值Wi的最终数值,通常阈值ε为0.0001。
S4、应用深度学习神经网络模型,得到目标区域降尺度后的0.2~0.3°高分辨率的逐日海面100m风场数据。
根据步骤S3获得的深度学习神经网络模型,将步骤S2获得的归一化后的1~3°低分辨率全球气候模式数据的逐日海面10m风场和海平面气压场的主成分作为输入,应用深度学习神经网络模型进行预测,然后进行反归一化,得到目标区域的0.2~0.3°高分辨率的逐日海面100m风场结果。
S5、计算降尺度后的海洋风能。
根据步骤S4获得的数据,计算降尺度后的海洋风能,采用的表达式为:
其中WPD为风能,vi为风速v的第i时刻数据,n是统计时段的总时刻数,ρ为空气密度,取海平面的标准空气密度1.225kg·m-3。
在本发明具体实施例中,采用的神经网络是BiLSTM神经网络模型,它是基于3层的非线性映射的网络。BiLSTM神经网络模型是双向长短期记忆网络,适合于处理和预测时间序列方面的数据和事件,由于BiLSTM神经网络模型不能直接输入空间的数据和事件,所以,本领域技术人员难以想到将其应用于海洋风能降尺度,即将空间分辨率从1~3°的低分辨率降尺度到0.2~0.3°的高分辨率,处理和预测空间方面的数据和事件。
本发明通过步骤S2将1~3°低分辨率数据的空间模态进行分离,保留前32个主成分,目的是将空间方面的数据和事件转化为时间方面的数据和事件,然后将步骤S2获得的数据作为BiLSTM网络模型的输入,解决BiLSTM不能直接输入空间的数据和事件这一技术问题。
如图1、图2所示,本发明具体实施例基于深度学习神经网络的海洋风能降尺度方法包括五个步骤:
S1、采集一段时期,0.2~0.3°高分辨率再分析数据中逐日海面100m风场数据,1~3°低分辨率再分析数据中逐日海面10m风场和海平面气压场数据,1~3°低分辨率全球气候模式数据中逐日海面10m风场和海平面气压场数据。
在本发明具体实施例中,首先,下载欧洲中期天气预报中心发布的0.25°高分辨率再分析资料ERA5逐日海面100m高度风场数据。
下载欧洲中期天气预报中心发布的1.5°低分辨率再分析资料ERA-Interim的逐日海面10m高度风场和海平面气压场数据。
下载国际耦合模式比较计划第六阶段发布的1.875°低分辨率全球气候模式MPI-ESM1-2-LR的逐日海面10m风场和海平面气压场数据。
然后,分别选取0.25°高分辨率再分析数据和1.5°低分辨率再分析数据的20年时间段数据,具体是1991—2010年时间段;此外选取2011—2019年时间段数据用作误差检验。选取1.875°低分辨率全球气候模式数据的20年时间段,具体是2011—2030年。
S2、将步骤S1采集的数据进行归一化处理,即:
S2.1、通过插值表达式将1.875°低分辨率全球气候模式MPI-ESM1-2-LR数据的分辨率统一到与1.5°低分辨率再分析资料ERA-Interim数据相同的分辨率,具体本实施例为统一到为1.5°分辨率,
其中,x是经度;y是纬度;V(x,y)是经度x、纬度y处变量(例如风速、气压等);V(x1,y1)是经度x1、纬度y1处变量;V(x1,y2)是经度x1、纬度y2处变量;V(x2,y1)是经度x2、纬度y1处变量;V(x2,y2)是经度x2、纬度y2处变量。
S2.2、对0.25°高分辨率再分析资料ERA5逐日海面100m高度风场数据、1.5°低分辨率再分析资料ERA-Interim的逐日海面10m高度风场和海平面气压场数据、1.5°低分辨率全球气候模式MPI-ESM1-2-LR的逐日海面10m风场和海平面气压场数据的海陆分布数据进行处理,只保留目标区域的海面数据,具体本实施例只保留中国近海(15~45°N,105~130°E)的海面数据。
S2.3、将保留的目标区域的海面数据的数值统一归一化到0~1之间,
其中,Vi是变量V的第i时刻数据;Vi′是Vi归一化后的数据;n是统计时段的总时刻数;median是中位值;mean是平均值;sqrt是平方根。
S2.4、采用经验正交函数对归一化后的1.5°低分辨率再分析资料ERA-Interim的逐日海面10m风场和海平面气压场数据,以及归一化后的1.5°低分辨率全球气候模式MPI-ESM1-2-LR的逐日海面10m风场和海平面气压场数据分别进行空间模态分类,提取出各自的主成分,然后保留各自前32个主成分。
S3、训练深度学习神经网络模型。
根据步骤S2获得的数据,搭建深度学习BiLSTM神经网络模型。如图2所示,在本实施例中BiLSTM神经网络模型是一种有监督的学习算法,同时使用了时间上的前向和后向两个隐藏量,即隐藏量和分别与每个输入场X和每个输出场Y连接起来,可对当前时刻t的输入场和输出场,及之前时刻t-1和之后时刻t+1的输入场和输出场同时进行学习和训练,更好适应了近海风场的强非线性和前后关联性等复杂特性;在本实施例中BiLSTM神经网络模型选择3层网络(当然,也可以选择更多层),3层神经元个数依次为256、128和64个,3层的循环激活函数均取sigmoid。
以归一化后的1~3°低分辨率再分析数据的逐日海面10m风场和海平面气压场的主成分作为输入,以归一化后的0.2~0.3°高分辨率再分析数据的逐日海面100m风场作为输出,采用前向传播算法和反向传播算法来训练模型。在本实施例中,以归一化后的1991—2010年时间段1.5°低分辨率再分析资料ERA-Interim对的逐日海面10m风场和海平面气压场的主成分为输入,以归一化后的1991—2010年时间段0.25°高分辨率再分析资料ERA5逐日海面100m高度风场作为输出;然后,采用前向传播算法和反向传播算法来训练模型,训练的代价函数取mse,优化器取adam。
其中,深度学习神经网络隐藏层的函数为Y=f(WiX);其中X为输入矩阵,Y为隐藏层神经元的输出矩阵,函数f取激活函数tanh,Wi为输入层到隐藏层的权值,通过训练模型得到,具体如下:(1)训练初始时,每个权值由随机数产生,(2)训练过程中,由神经网络根据所输出的结果和实际归一化后的0.2~0.3°高分辨率逐日海面100m风场数据的误差来自动调整权值Wi,(3)当误差小于一定阈值ε时,模型训练完成,可得到权值Wi的最终数值。在本实施例中,阈值ε为0.0001。
S4、应用深度学习神经网络模型,得到目标区域降尺度后的0.2~0.3°高分辨率的逐日海面100m风场数据。
根据步骤S3获得的深度学习神经网络BiLSTM模型,将步骤S2获得的归一化后的2011—2030年时间段1.5°分辨率全球气候模式MPI-ESM1-2-LR的逐日海面10m风场和海平面气压场的主成分为输入,应用深度学习神经网络BiLSTM模型进行预测,然后进行反归一化,得到目标区域的0.2~0.3°高分辨率的逐日海面100m风场结果,具体是目标区域中国近海(15~45°N,105~130°E,)的2011—2030年时间段0.25°高分辨率的逐日海面100m风场结果。
S5、计算降尺度后的海洋风能。
根据步骤S4获得的数据,计算降尺度后的海洋风能,采用的表达式为:
其中WPD为风能,vi为风速v的第i时刻数据,n是统计时段的总时刻数,ρ为空气密度,取海平面的标准空气密度1.225kg·m-3。
如图3所示,在本发明实施例中,根据本发明公开的基于深度学习神经网络的海洋风能降尺度方法计算得到的目标区域中国近海(15~45°N,105~130°E,)的2011—2030年时间段平均海洋风能为503W/m2,其中2011-2019年时间段平均海洋风能为501W/m2。而2011-2019年时间段平均海洋风能的真值是536W/m2,故,通过本发明公开的方法计算降尺度后的海洋风能与真值之间的误差为536-501=35W/m2(如图4所示),远远小于传统降尺度方法计算得到的海洋风能。
本发明通过深度学习神经网络、提取数据蕴含的内在特征和本质规律,减小了降尺度的误差,使得海洋风能的预测更准确。本发明具有较强的容错性,操作性强,训练效率高,适合海洋风能的强非线性特征以及前后关联性的特点。本发明对于改进降尺度方法、提高未来气候变化和海洋风能影响的预测准确度具有重要意义和价值。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (5)
1.一种基于深度学习神经网络的海洋风能降尺度方法,其特征在于:其包括以下步骤:
S1、采集一段时期,0.2~0.3°高分辨率再分析数据中逐日海面100m风场数据,1~3°低分辨率再分析数据中逐日海面10m风场和海平面气压场数据,1~3°低分辨率全球气候模式数据中逐日海面10m风场和海平面气压场数据;
S2、将所述步骤S1采集的数据进行归一化处理,具体包括以下步骤:
S2.1、将1~3°低分辨率全球气候模式数据的分辨率统一到与1~3°低分辨率再分析数据相同的分辨率;
S2.2、对0.2~0.3°高分辨率再分析数据和1~3°低分辨率再分析数据、1~3°低分辨率全球气候模式数据的海陆分布数据进行处理,只保留目标区域的海面数据;
S2.3、将保留的目标区域的海面数据的数值归一化到0~1之间;
S2.4、采用经验正交函数对归一化后的1~3°低分辨率再分析数据的逐日海面10m风场和海平面气压场数据,以及归一化后的1~3°低分辨率全球气候模式数据的逐日海面10m风场和海平面气压场数据分别进行空间模态分离,提取出各自的主成分,然后保留各自前32个主成分;
S3、训练深度学习神经网络模型;
根据步骤S2获得的数据,搭建深度学习神经网络模型,以归一化后的1~3°低分辨率再分析数据的逐日海面10m风场和海平面气压场的主成分作为输入,以归一化后的0.2~0.3°高分辨率再分析数据的逐日海面100m风场作为输出,采用前向传播算法和反向传播算法训练模型;直至深度学习神经网络模型的输出结果和实际归一化后的0.2~0.3°高分辨率逐日海面100m风场数据的误差小于一定阈值ε时,模型训练完成;
S4、应用深度学习神经网络模型,得到目标区域降尺度后的0.2~0.3°高分辨率的逐日海面100m风场数据;
根据步骤S3获得的深度学习神经网络模型,将步骤S2.4获得的归一化后的1~3°低分辨率全球气候模式数据的逐日海面10m风场和海平面气压场的主成分作为输入,应用深度学习神经网络模型进行预测,然后进行反归一化,得到目标区域的0.2~0.3°高分辨率的逐日海面100m风场结果;
S5、计算降尺度后的海洋风能;
根据步骤S4获得的数据,计算降尺度后的海洋风能,采用的表达式为:
其中WPD为风能,vi为风速v的第i时刻数据,n是统计时段的总时刻数,ρ为空气密度,取海平面的标准空气密度1.225kg·m-3。
4.根据权利要求3所述的基于深度学习神经网络的海洋风能降尺度方法,其特征在于:所述神经网络为3层的BiLSTM神经网络;3层的BiLSTM神经网络的神经元个数依次为256、128和64个,3层的循环激活函数均取sigmoid;
所述BiLSTM神经网络隐藏层的函数为Y=f(WiX);其中X为输入矩阵,Wi为输入层到隐藏层的权值,Y为隐藏层神经元的输出矩阵,函数f取激活函数tanh。
5.根据权利要求4所述的基于深度学习神经网络的海洋风能降尺度方法,其特征在于:所述步骤S3训练深度学习神经网络模型时选取的代价函数取mse,优化器取adam;训练阈值ε为0.0001。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010291146.1A CN111488974B (zh) | 2020-04-14 | 2020-04-14 | 基于深度学习神经网络的海洋风能降尺度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010291146.1A CN111488974B (zh) | 2020-04-14 | 2020-04-14 | 基于深度学习神经网络的海洋风能降尺度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111488974A true CN111488974A (zh) | 2020-08-04 |
CN111488974B CN111488974B (zh) | 2023-05-02 |
Family
ID=71810965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010291146.1A Active CN111488974B (zh) | 2020-04-14 | 2020-04-14 | 基于深度学习神经网络的海洋风能降尺度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111488974B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112149365A (zh) * | 2020-09-29 | 2020-12-29 | 华能新能源股份有限公司 | 一种微尺度风模型系统及方法 |
CN112749429A (zh) * | 2020-12-01 | 2021-05-04 | 重庆大学 | 一种基于多元插值的海上风电固定式基础结构设计方法 |
CN118366046A (zh) * | 2024-06-20 | 2024-07-19 | 南京信息工程大学 | 一种基于深度学习并结合地形的风场降尺度方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740991A (zh) * | 2016-02-26 | 2016-07-06 | 河海大学 | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统 |
WO2018014658A1 (zh) * | 2016-07-22 | 2018-01-25 | 上海海洋大学 | 一种柔鱼类的中心渔场预测方法 |
CN108133283A (zh) * | 2017-12-11 | 2018-06-08 | 中国水利水电科学研究院 | 城市水系统和能源系统应对气候变化的联合响应调控方法 |
CN110347671A (zh) * | 2019-04-09 | 2019-10-18 | 清华大学深圳研究生院 | 构建海上风能数据资料库及海上风能发电量数据库的方法 |
CN110618473A (zh) * | 2019-10-09 | 2019-12-27 | 北京北科融智云计算科技有限公司 | 一种即时气象情报保障方法 |
CN110874630A (zh) * | 2019-10-23 | 2020-03-10 | 中国人民解放军空军研究院战场环境研究所 | 一种基于深度学习的数值模式产品降尺度精细化方法 |
-
2020
- 2020-04-14 CN CN202010291146.1A patent/CN111488974B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740991A (zh) * | 2016-02-26 | 2016-07-06 | 河海大学 | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统 |
WO2018014658A1 (zh) * | 2016-07-22 | 2018-01-25 | 上海海洋大学 | 一种柔鱼类的中心渔场预测方法 |
CN108133283A (zh) * | 2017-12-11 | 2018-06-08 | 中国水利水电科学研究院 | 城市水系统和能源系统应对气候变化的联合响应调控方法 |
CN110347671A (zh) * | 2019-04-09 | 2019-10-18 | 清华大学深圳研究生院 | 构建海上风能数据资料库及海上风能发电量数据库的方法 |
CN110618473A (zh) * | 2019-10-09 | 2019-12-27 | 北京北科融智云计算科技有限公司 | 一种即时气象情报保障方法 |
CN110874630A (zh) * | 2019-10-23 | 2020-03-10 | 中国人民解放军空军研究院战场环境研究所 | 一种基于深度学习的数值模式产品降尺度精细化方法 |
Non-Patent Citations (3)
Title |
---|
武杨等: "深圳地区日极值气温的降尺度研究", 《集成技术》 * |
汤剑平等: "IPCC-A2情景下我国21世纪风能变化的统计降尺度方法研究", 《太阳能学报》 * |
王国松等: "基于观测和再分析数据的LSTM深度神经网络沿海风速预报应用研究", 《海洋学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112149365A (zh) * | 2020-09-29 | 2020-12-29 | 华能新能源股份有限公司 | 一种微尺度风模型系统及方法 |
CN112149365B (zh) * | 2020-09-29 | 2023-06-30 | 华能新能源股份有限公司 | 一种微尺度风模型系统及方法 |
CN112749429A (zh) * | 2020-12-01 | 2021-05-04 | 重庆大学 | 一种基于多元插值的海上风电固定式基础结构设计方法 |
CN112749429B (zh) * | 2020-12-01 | 2023-09-01 | 重庆大学 | 一种基于多元插值的海上风电固定式基础结构设计方法 |
CN118366046A (zh) * | 2024-06-20 | 2024-07-19 | 南京信息工程大学 | 一种基于深度学习并结合地形的风场降尺度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111488974B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070226B (zh) | 基于卷积神经网络与元学习的光伏功率预测方法及系统 | |
CN103268366B (zh) | 一种适用于分散式风电场的组合风电功率预测方法 | |
CN115293415A (zh) | 计及时间演变和空间相关的多风电场短期功率预测方法 | |
CN105574615B (zh) | 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法 | |
CN111160520A (zh) | 一种基于遗传算法优化的bp神经网络风速预测方法 | |
CN108205717A (zh) | 一种光伏发电功率多时间尺度预测方法 | |
CN111488974A (zh) | 基于深度学习神经网络的海洋风能降尺度方法 | |
CN106503867A (zh) | 一种遗传算法最小二乘风电功率预测方法 | |
CN113468817B (zh) | 一种基于igoa优化elm的超短期风电功率预测方法 | |
CN114970952B (zh) | 一种考虑环境因素的光伏出力短期预测方法及系统 | |
CN114169445A (zh) | 基于cae和gan混合网络的日前光伏功率预测方法、装置与系统 | |
CN112801332B (zh) | 一种基于灰度共生矩阵的短期风速预测方法 | |
CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
CN107895202A (zh) | 基于多视角风速模式挖掘的短期风速预测方法 | |
CN112836876B (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN116187540B (zh) | 一种基于时空偏差修正的风电场站超短期功率预测方法 | |
CN116307291B (zh) | 一种基于小波分解的分布式光伏发电预测方法及预测终端 | |
CN112819189A (zh) | 一种基于历史预测值的风力出力预测方法 | |
CN114492941A (zh) | 一种基于集群划分和数据增强的整县光伏预测方法 | |
CN117748495A (zh) | 一种基于残差神经网络的光伏电站短期发电功率预测方法 | |
CN114742206A (zh) | 综合多时空尺度多普勒雷达数据的降雨强度估计方法 | |
CN114021818A (zh) | 一种考虑时空分布特征的风电功率多步预测方法 | |
CN113610285A (zh) | 一种分散式风电的功率预测方法 | |
CN115296298A (zh) | 一种风电场功率预测方法 | |
Li et al. | The application of deep neural network algorithm considering multi-dimensional meteorological feature extraction in short-term wind speed prediction |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |