CN112100922A - 一种基于wrf和cnn卷积神经网络的风资源预测方法 - Google Patents
一种基于wrf和cnn卷积神经网络的风资源预测方法 Download PDFInfo
- Publication number
- CN112100922A CN112100922A CN202010976788.5A CN202010976788A CN112100922A CN 112100922 A CN112100922 A CN 112100922A CN 202010976788 A CN202010976788 A CN 202010976788A CN 112100922 A CN112100922 A CN 112100922A
- Authority
- CN
- China
- Prior art keywords
- wrf
- data
- wind speed
- cnn
- neural network
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004088 simulation Methods 0.000 claims abstract description 15
- 238000011160 research Methods 0.000 claims abstract description 12
- 238000005259 measurement Methods 0.000 claims abstract description 9
- 238000012935 Averaging Methods 0.000 claims abstract description 4
- 230000002093 peripheral effect Effects 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000007634 remodeling Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 6
- 241001522296 Erithacus rubecula Species 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于WRF和CNN卷积神经网络的风资源预测方法，包括以下步骤：下载GFS气象数据；运行WRF模拟目标区域风场得到研究区域网格气象数据；获得测风塔风速实测数据；获得测风塔处WRF中尺度运行结果；通过CNN卷积神经网络与周边测风塔风速实测进行CNN模型建模；得到风机站点处WRF模拟风速结果；将风机站点处WRF中尺度数据线性插值的结果与CNN模拟预测的风速结果求和取平均得到更为精准的预测风速。本发明通过CNN卷积神经网络与WRF相结合，提供一种新的风资源计算方法，通过CNN卷积神经网络模型，极大地降低风资源计算中的误差，可以在较小的计算资源下，达到很好的降尺度效果。
Description
技术领域
本发明涉及风速预测方法，尤其涉及一种基于WRF和CNN卷积神经网络相结合的风资源预测方法。
背景技术
目前的风资源计算方法主要采用动力降尺度，其中应用较多的是WRF与CFD模型相耦合的方式，通过动力降尺度来获得研究区域的风场结果。然而，WRF得到的模拟气象场分辨率较低，不能满足评估需求。CFD在对大的研究区域以及长时间序列的气象模拟时需要耗费大量的计算资源，在实际的风场评估中受到限制。因此，亟需提供一种可以在较小的计算资源下，达到很好的降尺度效果的风资源预测方法。
发明内容
为了解决上述技术所存在的不足之处，本发明提供了一种基于WRF和CNN卷积神经网络的风资源预测方法。
为了解决以上技术问题，本发明采用的技术方案是：一种基于WRF和CNN卷积神经网络的风资源预测方法，包括以下步骤：
步骤一：下载GFS气象数据，分辨率为0.25°×0.25°，时间分辨率为每小时；
步骤二：在目标区域运行WRF，网格分辨率为3km×3km，模拟得到研究区域3km粗分辨率网格气象数据；
步骤三：搜集研究区域周边测风塔数据，获得测风塔风速实测数据；
步骤四：将WRF运行数据插值到测风塔处，获得测风塔处WRF中尺度运行结果；
步骤五：结合插值后的WRF的多个气象指标数据源,通过CNN卷积神经网络与周边测风塔风速实测进行CNN模型建模；
步骤六：将WRF中尺度数据插值到风机站点处，得到风机站点处WRF模拟风速结果；
步骤七：利用建立的CNN模型预测的风速结果，将风机站点处WRF中尺度数据线性插值的结果与CNN模拟预测的风速结果求和取平均得到更为精准的预测风速。
进一步地，步骤二中，WRF模拟包括如下五个步骤：
1)geogrid.exe：定义模型运行空间，以及嵌套区域；
2)ungrib.exe：进行数据重投影，转坐标；
3)metgrid.exe：对地表参数、气象数据进行时空插值；
4)real.exe：初始化程序，生成为初始时刻的状态和模拟时刻的侧边界状态；
5)wrf.exe：主程序运行，得到模型输出目标区域气象场数据。
进一步地，步骤五中，CNN模型的建模步骤为：
1)选择最靠近具有实测站点的前k个WRF降尺度后的经纬坐标点；
2)挑选该k个点的对应的二维的地形数组以及对应的气象指标数组；
3)将二维地形数组重塑为三维的数组并分别与每个WRF降尺度后的气象指标做点乘形成一个新的气象指标三维数组；
4)对每个新生成的气象指标三维数组分别做两层滤波数量为10，滤波器大小为2*2的卷积操作以及池化层大小为(1,3)的池化操作。最后再加上滤波数量为1，滤波器大小为(1,1)的卷积层进行复原，并将其拉平为一维的数组；
5)聚合每一个气象指标数组，并叠加两层全连接层且最后一层的维度为一；
6)结合WRF数据和实测的风速数据进行训练，得到WRF关于实测风速的CNN模型。
本发明公开了一种基于WRF和CNN卷积神经网络的风资源预测方法，利用WRF中尺度气象模型与CNN卷积神经网络模型相结合，获得风场中特定机位点的风速风向等风资源数据。WRF模型是一种广泛使用的气象模型，可以模拟1-10km分辨率的天气现象，但无法进行百米级的精细模拟。本发明通过CNN卷积神经网络与WRF相结合，将WRF模拟出来的结果通过多数据源的CNN卷积神经网络模型进行校正，得到风场中逐机位点的风速数据。通过对实测站点的误差分析，CNN模型校正后机位点的风速误差大大降低。
附图说明
图1为本发明的整体流程示意图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明公开了一种基于WRF和CNN卷积神经网络的风资源预测方法，通过将动力降尺度(WRF)与统计降尺度(CNN卷积神经网络模型)相结合的方式，提供一种新的风资源计算方法，通过CNN卷积神经网络模型，极大地降低风资源计算中的误差。其整体的方法过程如图1所示，包括如下步骤：
步骤一：下载GFS气象数据，分辨率为0.25°×0.25°，时间分辨率为每小时；
全球预报系统(GFS)是由美国国家环境预测中心(NCEP)制作的天气预报模型。通过该数据集可以获得数十种大气和土地土壤变量，从温度、风和降水到土壤湿度和大气臭氧浓度。GFS覆盖了整个地球，网格点之间的基本水平分辨率为18英里(28公里)，供运营预报员使用，他们预测未来16天的天气。在一周到两周之间的预测中，水平分辨率下降到网格点之间的44英里(70公里)。GFS数据集为开源数据集，可从NOAA网站上免费下载。
步骤二：在目标区域运行WRF，网格分辨率为3km×3km，模拟得到研究区域3km粗分辨率网格气象数据；
WRF模型是为大气研究和预测设计的新一代中尺度数值天气预报系统。该模型可用于数千米到数千公里范围内的广泛气象应用。开发WRF的工作始于1990年代后期，是美国环境预测中心(NCEP)，美国国家大气研究中心(NCAR)等美国的科研机构为中心开发的一种统一的气象模式。
WRF模拟是一种通用的技术，主要包括如下五个步骤：
1)geogrid.exe：定义模型运行空间，以及嵌套区域；
2)ungrib.exe：进行数据重投影，转坐标；
3)metgrid.exe：对地表参数、气象数据进行时空插值；
4)real.exe：初始化程序，生成为初始时刻的状态和模拟时刻的侧边界状态；
5)wrf.exe：主程序运行，得到模型输出目标区域气象场数据。
步骤三：搜集研究区域周边测风塔数据，获得测风塔风速实测数据；
步骤四：将WRF运行数据插值到测风塔处，获得测风塔处WRF中尺度运行结果；
步骤五：结合插值后的WRF的多个气象指标数据源，通过CNN卷积神经网络与周边测风塔风速实测进行CNN模型建模，即CNN卷积神经网络模型训练得到测风塔实测数据与WRF插值高度层的气象数据的模块；
其中，气象指标数据源为温度、压强、湿度、风速等气象参数指标，当WRF模型运行后，其结果文件中包含温度、压强、湿度、风速等多个气象参数指标，以此作为CNN建模基础数据；
CNN模型具体建模步骤为:
1)选择最靠近具有实测站点的前k(默认为9)个WRF降尺度后的经纬坐标点；
2)挑选该k(默认为9)个点的对应的二维的地形数组以及对应的气象指标数组；
3)将二维地形数组重塑为三维的数组并分别与每个WRF降尺度后的气象指标做点乘形成一个新的气象指标三维数组；
4)对每个新生成的气象指标三维数组分别做两层滤波数量为10，滤波器大小为2*2的卷积操作以及池化层大小为(1,3)的池化操作。最后再加上滤波数量为1，滤波器大小为(1,1)的卷积层进行复原，并将其拉平为一维的数组；
5)聚合每一个气象指标数组，并叠加两层全连接层且最后一层的维度为一；
6)结合WRF数据和实测的风速数据进行训练，得到WRF关于实测风速的模型。
该过程模拟测风塔实测数据与WRF中尺度数据复杂的非线性函数关系，实现在输入WRF数据和给定的经纬坐标后能得到该经纬坐标的模拟的预测风速的结果。
步骤六：将WRF中尺度数据插值到风机站点处，得到风机站点处WRF模拟风速结果；此处风机站点指研究区域风场中风机所在位置；
步骤七：利用建立的CNN模型预测的风速结果，将风机站点处WRF中尺度数据线性插值的结果与CNN模拟预测的风速结果求和取平均得到更为精准的预测风速。
本发明所公开的基于WRF和CNN卷积神经网络的风资源预测方法，采用CNN卷积神经网络模型的方法,结合本次的场景数据具有空间结构和局部特征的特性,通过CNN网络对WRF插值后的数据进行应用,实现其对WRF空间结构数据关系的推导，以达到与实测风速数据较小的误差。在实现上主要基于python的深度学习和机器学习库进行模型训练，耗费资源少，运算效率高，且经评估获得的风资源结果误差较小。
上述实施方式并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换，也均属于本发明的保护范围。
Claims (3)
1.一种基于WRF和CNN卷积神经网络的风资源预测方法，其特征在于：所述风速预测方法包括以下步骤：
步骤一：下载GFS气象数据，分辨率为0.25°×0.25°，时间分辨率为每小时；
步骤二：在目标区域运行WRF，网格分辨率为3km×3km，模拟得到研究区域3km粗分辨率网格气象数据；
步骤三：搜集研究区域周边测风塔数据，获得测风塔风速实测数据；
步骤四：将WRF运行数据插值到测风塔处，获得测风塔处WRF中尺度运行结果；
步骤五：结合插值后的WRF的多个气象指标数据源，通过CNN卷积神经网络与周边测风塔风速实测进行CNN模型建模；
步骤六：将WRF中尺度数据插值到风机站点处，得到风机站点处WRF模拟风速结果；
步骤七：利用建立的CNN模型预测的风速结果，将风机站点处WRF中尺度数据线性插值的结果与CNN模拟预测的风速结果求和取平均得到更为精准的预测风速。
2.根据权利1所述的基于WRF和CNN卷积神经网络的风资源预测方法，其特征在于：步骤二中，WRF模拟包括如下五个步骤：
1)geogrid.exe：定义模型运行空间，以及嵌套区域；
2)ungrib.exe：进行数据重投影，转坐标；
3)metgrid.exe：对地表参数、气象数据进行时空插值；
4)real.exe：初始化程序，生成为初始时刻的状态和模拟时刻的侧边界状态；
5)wrf.exe：主程序运行，得到模型输出目标区域气象场数据。
3.根据权利2所述的基于WRF和CNN卷积神经网络的风资源预测方法，其特征在于：步骤五中，CNN模型的建模步骤为：
1)选择最靠近具有实测站点的前k个WRF降尺度后的经纬坐标点；
2)挑选该k个点的对应的二维的地形数组以及对应的气象指标数组；
3)将二维地形数组重塑为三维的数组并分别与每个WRF降尺度后的气象指标做点乘形成一个新的气象指标三维数组；
4)对每个新生成的气象指标三维数组分别做两层滤波数量为10，滤波器大小为2*2的卷积操作以及池化层大小为(1，3)的池化操作。最后再加上滤波数量为1，滤波器大小为(1，1)的卷积层进行复原，并将其拉平为一维的数组；
5)聚合每一个气象指标数组，并叠加两层全连接层且最后一层的维度为一；
6)结合WRF数据和实测的风速数据进行训练，得到WRF关于实测风速的CNN模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010976788.5A CN112100922A (zh) | 2020-09-16 | 2020-09-16 | 一种基于wrf和cnn卷积神经网络的风资源预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010976788.5A CN112100922A (zh) | 2020-09-16 | 2020-09-16 | 一种基于wrf和cnn卷积神经网络的风资源预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112100922A true CN112100922A (zh) | 2020-12-18 |
Family
ID=73758762
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010976788.5A Pending CN112100922A (zh) | 2020-09-16 | 2020-09-16 | 一种基于wrf和cnn卷积神经网络的风资源预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112100922A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112784477A (zh) * | 2021-01-06 | 2021-05-11 | 平衡机器科技(深圳)有限公司 | 一种基于WRF-LES和BP-PSO-Bagging相结合的风功率预测方法 |
| CN113344252A (zh) * | 2021-05-18 | 2021-09-03 | 平衡机器科技(深圳)有限公司 | 一种基于虚拟气象技术的风功率预测方法 |
| CN116562142A (zh) * | 2023-05-11 | 2023-08-08 | 南京信息工程大学 | 一种气象要素延伸期预报方法及装置 |
| CN117829010A (zh) * | 2023-12-01 | 2024-04-05 | 华东交通大学 | 基于wrf和cfd数据耦合的中期风速预测方法 |
-
2020
- 2020-09-16 CN CN202010976788.5A patent/CN112100922A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112784477A (zh) * | 2021-01-06 | 2021-05-11 | 平衡机器科技(深圳)有限公司 | 一种基于WRF-LES和BP-PSO-Bagging相结合的风功率预测方法 |
| CN113344252A (zh) * | 2021-05-18 | 2021-09-03 | 平衡机器科技(深圳)有限公司 | 一种基于虚拟气象技术的风功率预测方法 |
| CN116562142A (zh) * | 2023-05-11 | 2023-08-08 | 南京信息工程大学 | 一种气象要素延伸期预报方法及装置 |
| CN116562142B (zh) * | 2023-05-11 | 2023-12-01 | 南京信息工程大学 | 一种气象要素延伸期预报方法及装置 |
| CN117829010A (zh) * | 2023-12-01 | 2024-04-05 | 华东交通大学 | 基于wrf和cfd数据耦合的中期风速预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113297528B (zh) | 一种基于多源大数据的no2高分辨率时空分布计算方法 | |
| CN112100922A (zh) | 一种基于wrf和cnn卷积神经网络的风资源预测方法 | |
| CN108983320B (zh) | 一种沿海台风极值风速的数值天气预报-人工智能耦合预测方法 | |
| CN111027175B (zh) | 基于耦合模型集成模拟的洪水对社会经济影响的评估方法 | |
| CN110598290B (zh) | 考虑气候变化的流域未来水电发电能力预测方法和系统 | |
| CN111401634A (zh) | 一种获取气候信息处理方法、系统、存储介质 | |
| CN113139350B (zh) | 台风作用下考虑流固耦合效应的建筑结构抗风分析方法 | |
| CN101741085A (zh) | 一种短期风电功率预报方法 | |
| CN112100921A (zh) | 一种基于wrf和随机森林获取风资源风速的方法 | |
| CN115079307B (zh) | 一种基于多模式最优集成的风电场气象预报方法和系统 | |
| CN112541654B (zh) | 一种区域风能资源精细化评估方法 | |
| CN112862274A (zh) | 一种基于WRF-LES和DeepAR相结合的风功率预测方法 | |
| CN114580310A (zh) | 一种基于palm实现wrf模拟风场降尺度处理的方法 | |
| CN112785035A (zh) | 融合多元信息的中短期水文预报方法及系统 | |
| CN115204059B (zh) | 一种基于深度学习气象场模拟仿真器 | |
| CN113392365A (zh) | 一种高分辨率气象网格数据的生成方法及系统 | |
| Prieto-Herráez et al. | Local wind speed forecasting based on WRF-HDWind coupling | |
| CN116609859A (zh) | 一种气象灾害高分辨率区域模式预报系统及方法 | |
| CN117077557A (zh) | 一种用于强风环境的城市高层建筑物火灾蔓延的多尺度模拟方法 | |
| CN115048790A (zh) | 一种风功率预测快速降尺度的方法和系统 | |
| CN117807917A (zh) | 基于场次洪涝灾害的损失函数构建方法和系统 | |
| CN116108761B (zh) | 一种耦合深度学习和hasm的区域气候模拟方法和系统 | |
| CN113344252A (zh) | 一种基于虚拟气象技术的风功率预测方法 | |
| TWI717796B (zh) | 以人工智慧估測地理位置日照量之系統、方法及儲存媒體 | |
| CN117421871A (zh) | 海上风电潜力评估方法、装置和计算机设备 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201218 |
|
| WD01 | Invention patent application deemed withdrawn after publication |