CN112231979A - 基于计算流体力学和机器学习的山区瞬时风况预报方法 - Google Patents

基于计算流体力学和机器学习的山区瞬时风况预报方法 Download PDF

Info

Publication number
CN112231979A
CN112231979A CN202011109226.7A CN202011109226A CN112231979A CN 112231979 A CN112231979 A CN 112231979A CN 202011109226 A CN202011109226 A CN 202011109226A CN 112231979 A CN112231979 A CN 112231979A
Authority
CN
China
Prior art keywords
wind
mountainous area
wind condition
data
forecasting
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
Application number
CN202011109226.7A
Other languages
English (en)
Other versions
CN112231979B (zh
Inventor
莫蕊瑜
文茂诗
张会阳
张日葵
杨微
丁可琦
毛峰
陈淘利
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CSIC Haizhuang Windpower Co Ltd
Original Assignee
CSIC Haizhuang Windpower Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CSIC Haizhuang Windpower Co Ltd filed Critical CSIC Haizhuang Windpower Co Ltd
Priority to CN202011109226.7A priority Critical patent/CN112231979B/zh
Publication of CN112231979A publication Critical patent/CN112231979A/zh
Application granted granted Critical
Publication of CN112231979B publication Critical patent/CN112231979B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
    • G01M9/08—Aerodynamic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • 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
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Geometry (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Computer Hardware Design (AREA)
  • Development Economics (AREA)
  • Fluid Mechanics (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Educational Administration (AREA)
  • Mathematical Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于计算流体力学和机器学习的山区瞬时风况预报方法，包括以下步骤：采集山区风场实测点实时风况数据；代入实时瞬态风况数据预报模型；生成待预报点的实时瞬态风况预报数据。实时瞬态风况数据预报模型通过以下步骤建立：建立待预报山区风场的数字化几何模型；使用计算流体力学方法，对山区风场的数字化几何模型进行全风向、全风速数值计算，建立山区风场的风环境仿真数据库；提取实测点与待预报点的仿真风况数据；通过机器学习建立实时瞬态风况数据预报模型。上述技术方案利用了计算流体力学仿真技术对三维空间复杂风况环境的精细捕捉能力、机器学习算法对高维数据矩阵的重构能力；具有更精细的空间预报能力、更准确的预报精度。

Description

基于计算流体力学和机器学习的山区瞬时风况预报方法
技术领域
本发明涉及风力发电技术领域，具体涉及一种基于计算流体力学和机器学习的山区瞬时风况预报方法。
背景技术
风力发电系统将风能转换为电能时，其所在位置的风能状态与演化规律，将直接决定风力发电系统的风能转化效率、发电量及风力发电系统的使用寿命等基本参数。因此，风场的风环境精细预报技术对于风电场规划设计、精细化运营来说意义重大。
目前广泛采用的风场风资源预报技术主要是中尺度气象预报，以测风塔或者SCADA(数据采集与监视控制系统)对预报结果进行实测。中尺度气象预报的预报精度、时效性和频率都离风电场精细设计与运营的技术需求相差很远，仅能作为风电场设计前期宏观选址的参考数据。测风塔能够较为准确的测量塔架所在位置的风况数据，但无法覆盖全风场；其不仅存在占用风场地表面积大、造价高等限制因素，而且过多的设置测风塔也将影响风力发电系统上、下游的风资源分布。安装在风电机组顶部的SCADA仅仅可以监测风机塔架处的风速、风向。
现有技术中CN109726802A公开了一种铁路和风电场环境风速机器学习预测方法，该方法选择多种神经网络模型，建立多种风速预测特征预选模型各100个，通过均方误差分析和相关性分析，选取性能好以及特征独立性强的模型各10个，然后建立多个风速预测集成模型，对风速预测特征进行集成处理，最后建立风速预测归一模型，对风速集成值进行归一处理，并计算预测风速向量与训练样本的风速向量之间的相关性，利用相关性强的对应时刻的风速噪声还原预测风速值。上述技术方案完全根据风场实测数据并采用机器学习方法进行预报，但该技术方案的机器学习的样本空间完全依赖于风场实测设备的分布密度和实际测量的时长，只要其中一个因素不够充分，就会导致机器学习的样本空间对于整个风场来说不具有统计意义的完备性，则预报结果的适用性和准确性都将出现重大缺陷。
对于山区风场风况的预报，因为山区局部风环境除受风场外部环境的影响，更受风场内部地形、地貌特征作用，因此山区风场内部的气流异常复杂，湍流及风切变等非定常、不均匀分布特征突出，更需要对山区风场风况进行精细预报。而受地理条件限制，在山区风场中布置测风塔的难度和成本会显著增加，如果采用传统的方法布设数量较多的测风塔来实现对山区复杂地形风场的风环境进行精细预报，是难于操作的。所以对于山区风场风况的预报，采用CN109726802A公开的技术方案，其预报结果的适用性和准确性是不高的。
发明内容
针对现有技术存在的不足，本发明提出一种基于计算流体力学和机器学习的山区瞬时风况预报方法，以解决现有技术中存在的对于山区风场风况的预报，预报精细度和准确性不够高的技术问题。
本发明采用的技术方案如下：
第一方面，提供了一种基于计算流体力学和机器学习的山区瞬时风况预报方法，包括以下步骤：
采集山区风场实测点实时风况数据；
将实时风况数据代入实时瞬态风况数据预报模型；
生成待预报点的实时瞬态风况预报数据。
进一步的，实时瞬态风况数据预报模型通过以下步骤建立：
建立待预报山区风场的数字化几何模型；
使用计算流体力学方法，对山区风场的数字化几何模型进行全风向、全风速数值计算，建立山区风场的风环境仿真数据库；
从风环境仿真数据库中提取实测点与待预报点的仿真风况数据；
根据实测点与待预报点的仿真风况数据，通过机器学习建立实时瞬态风况数据预报模型。
进一步的，建立待预报山区风场的数字化几何模型，具体按以下步骤进行：
根据地形地貌数据，绘制待预报山区风场的地表几何模型；
将山区风场的地表几何模型竖直向上拉伸预设的高度值，构成风场数值仿真计算域；
将风场数值仿真计算域沿长、宽、高三个方向进行离散，采用唯一网格单元编号对计算域内任意空间位置进行标记，建立关于山区风场及风场所在地理空间的数字化几何模型。
进一步的，使用计算流体力学方法，对山区风场的数字化几何模型进行全风向、全风速数值计算，建立山区风场的风环境仿真数据库，具体按以下步骤进行：
山区风场外部环境的风速范围等分为N个区间，将风向在水平面内等分为M个区间，得到N×M个风况组成的风况序列；
使用计算流体力学方法，计算数字化几何模型在风况序列中各风况作用下的流场，建立山区风场的风环境仿真数据库。
进一步的，从山区风场的风环境仿真数据库中提取实测点与待预报点的仿真风况数据时，当实测点与待预报点都不是数字化几何模型的网格节点或单元中心时，通过相邻的网格节点或单元中心的数据进行插值处理，得到实测点和待预报点的风环境仿真数据。
进一步的，根据实测点与待预报点的仿真风况数据，通过机器学习建立实时瞬态风况数据预报模型，具体按以下步骤进行：
4a.将实测点风环境仿真数据定义为输入数据，将待预报点风环境仿真数据定义为目标函数；
4b.随机划分训练集和测试集；
4c.定义全连接神经网络的参数和损失函数；
4d.将训练集代入全连接神经网络，采用随机梯度下降法算法，优化全连接神经网络的参数；
4e.将测试集代入优化后的全连接神经网络，计算损失函数；
4f.修改神经网络层数和每层网络的神经元个数等参数，重复步骤4d和4e，使损失函数值为最小。
第二方面，提供了一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现第一方面提供的基于计算流体力学和机器学习的山区瞬时风况预报方法。
第三方面，提供了一种存储有计算机程序的计算机可读存储介质，计算机程序程序被处理器执行时实现第一方面提供的基于计算流体力学和机器学习的山区瞬时风况预报方法。
由上述技术方案可知，本发明的有益技术效果如下：
1.针对山区风场建立三维计算模型，采用计算流体力学软件山区风场的外部风环境进行数值仿真，得到关于该风场内部气流环境的仿真数据库；根据仿真数据库中的仿真数据序列，采用全连接神经网络通过机器学习的方法，可以构造山区空间中任意两点或多点之间关于多个物理参数(集)的映射关系，得到瞬态风况数据预报模型。充分利用了计算流体力学仿真技术对三维空间复杂风况环境的精细捕捉能力、机器学习算法对高维数据矩阵的重构能力
2.使用该模型预报的风况数据，经实测验证，10min(分钟)平均值误差均小于5％；相对于传统预报方法，具有更精细的空间预报能力、更准确的预报精度。
3.当预测模型根据实测点数据来生成待预报点的预报数据时，是直接调用的风环境仿真数据库里计算好了仿真数据，根据实测点的仿真数据来反演待预报点的仿真数据，将待预报点的仿真数据作为预报数据，不需要对仿真数据进行实时计算，这样减少了实时计算需求，整个预报过程效率较高。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为本发明实施例1的方法流程图；
图2为本发明实施例1的预测模型建模流程图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
实施例1
本实施例提供了一种基于计算流体力学和机器学习的山区瞬时风况预报方法，包括以下步骤：
采集山区风场实测点实时风况数据；
将实时风况数据代入实时瞬态风况数据预报模型；
生成待预报点的实时瞬态风况预报数据。
实时瞬态风况数据预报模型通过以下步骤建立：
建立待预报山区风场的数字化几何模型；
使用计算流体力学方法，对山区风场的数字化几何模型进行全风向、全风速数值计算，建立山区风场的风环境仿真数据库；
从风环境仿真数据库中提取实测点与待预报点的仿真风况数据；
根据实测点与待预报点的仿真风况数据，通过机器学习建立实时瞬态风况数据预报模型。
图1本实施例的方法流程图。下面结合附图，详细阐述本发明的实施过程。
步骤1.建立待预报山区风场的数字化几何模型。该步骤细分如下：
步骤1a.根据地形地貌数据，绘制待预报山区风场的地表几何模型。在本实施中绘制地表几何模型时，地表几何模型的长、宽均设为2000m(米)。
步骤1b.将山区风场的地表几何模型竖直向上拉伸预设的高度值，构成风场数值仿真计算域。预设的高度值为1000m～2000m，在本实施例中优选为1000m。
步骤1c.将风场数值仿真计算域沿长、宽、高三个方向进行离散，采用唯一网格单元编号对该计算域内任意空间位置进行标记，建立关于该山区风场及风场所在地理空间的数字化几何模型。在本实施例中，计算域的长、宽均为2000m，也即该风场面积为4平方公里，沿长、宽方向各均分为400个网格，每个网格单元长、宽均为5m，该风场地表共计160000个面网格；计算域由地表至顶面细分为100个网格，高度方向的网格尺度满足幂次律分布规律，近地面网格尺度小、分布稠密，高空网格尺度大、分布稀疏。该计算域内任意空间位置均具有唯一的网格单元编号，此模型即为该山区风场及风场所在地理空间的数字化几何模型。
步骤2.采用计算流体力学软件，对山区风场的数字化几何模型进行全风向、全风速数值计算，得到山区风场的风环境仿真数据库。该步骤细分如下：
步骤2a.将山区风场外部环境的风速范围等分为N个区间，将风向在水平面内等分为M个区间，得到N×M个风况组成的风况序列。
山区风场外部环境的风速范围一般为(0～30m/s)。在本实施例中，具体的，将风速范围等分为6个区间，则相邻两个风速区间递增5m/s。将山区风场外部环境的风向在水平面内等分为18个区间，则相邻两个风向区间递增20°。据此，将该风场的外部风环境表示为由18×6＝108个风况组成的风况序列。
步骤2b.使用计算流体力学方法，计算数字化几何模型在风况序列中各风况作用下的流场，建立山区风场的风环境仿真数据库
采用计算流体力学软件，计算出通过步骤1c建立的山区风场及风场所在地理空间的数字化几何模型在风况序列中单个风况(如风速5m/s、风向60°)作用下的流场。具体的，对计算域内气流环境进行数值仿真计算，得到计算域内任意网格单元或节点(x，y，z)处的风环境参数f(x，y，z)，以及该环境参数随时间t变化的数据序列f(x，y，z；t)。风环境参数包括当地的风速、风向、压力、密度等。在本实施例中，仿真模拟的物理时间t不低于600秒，优选t＝600秒，时间步长Δt一般不超过0.1秒，优选Δt＝0.1秒，以便获得足够长的数据统计样本。
遍历风况序列中的每一个风况进行计算，得到一系列计算结果。根据这些计算结果即可建立在当前风场全风向、全风速等外部风况作用下的风环境仿真数据库。该数据库包含了数字化几何模型中任意空间位置的风环境参数及其充分演化的时间序列。
在本步骤建立的风环境仿真数据库，可以将历年来该山区地域所有实际观测到的数据囊括在内。
步骤3.从山区风场的风环境仿真数据库中，提取实测点与待预报点的仿真风况数据
在本实施例中，实测风况数据的机位点为3个，每个点位可测量风速、风向(含两个向量值)共计3个参数。定义实测点(或点集)为A(i,j)，i＝1,2,…I，j＝1,2,3；I表示实测点个数、J表示实测点所测量的参数维度(如风速、风向等)。待预报空间位置的机位点为7个，每个点位的参数为3个：风速、风向(含两个向量值)。定义待预报点(或点集)为B(r,j),r＝1,2,…R，j＝1,2,…J。R表示待预报点个数、J表示待预报点所预报的参数维度(如风速、风向等)。从步骤2建立的风环境仿真数据库中，提取实测点(集)A(i,j)所在空间位置的风环境仿真数据，记为f(A_ij；t)；提取待预报点(集)B(r,j)所在空间位置的风环境仿真数据，记为f(B_rj；t)。
当实测点A(i,j)、待预报点B(r,j)都不是步骤1c建立的数字化几何模型的网格节点或单元中心时，可通过与其相邻的网格节点或单元中心的数据进行插值处理，得到当前实测点和待预报点的风环境仿真数据。在本实施例中，上述方法建立的数据序列f(A_ij；t)、f(B_rj；t)的长度，即样本个数为N×M×t÷Δt＝648000。
步骤4.根据实测点与待预报点的仿真风况数据，通过机器学习，建立实时瞬态风况数据预报模型。该步骤细分如下：
步骤4a.将步骤3提取的实测点风环境仿真数据序列f(A_ij；t)定义为输入数据，将待预报点风环境仿真数据序列f(B_rj；t)定义为目标函数。
步骤4b.随机划分训练集和测试集
针对f(A_ij；t)和f(B_rj；t)，将其N×M×t÷Δt个数据样本随机划分并标记，形成训练集和验证集。在本实施例中，数据样本为648000个，随机选取其中384000个样本标记为训练集，剩下300000个样本标记为测试集，分别记为f(A_ij；t)Train、f(B_rj；t)Test。
步骤4c.定义神经网络的参数和损失函数
在本实施中，选用全连接神经网络进行机器学习。建立层级规模为10层的全连接神经网络，定义损失函数
Figure BDA0002728021350000081
其中，
Figure BDA0002728021350000082
表示目标函数x2与由x1和神经网络预报的函数值
Figure BDA0002728021350000083
的均方根误差。
步骤4d.将训练集f(A_ij；t)Train代入全连接神经网络，采用随机梯度下降法算法，优化全连接神经网络的参数。
步骤4e.将测试集f(B_rj；t)Test代入优化后的全连接神经网络，计算损失函数；损失函数即测试误差。
步骤4f.修改神经网络层数和每层网络的神经元个数等参数，重复上述步骤4d和4e，使得损失函数即测试误差的值最小。将测试误差最小的全连接神经网络作为最终采用的实时瞬态风况数据预报模型，即F:f(A_ij；t)→f(B_rj；t)。
通过本步骤的技术方案，可以建立实测点与待预报点的风况数据关联函数，即实时瞬态风况数据预报模型。
步骤5.根据实测点的实时风况数据，通过实时瞬态风况数据预报模型生成待预报点的实时瞬态风况预报数据。该步骤细分如下：
步骤5a.将通过风场实测或其他途径采集的实测点(集)A(i,j)的实时风况数据(集)定义为f′(A_ij；t1)。
步骤5b.将实时风况数据f′(A_ij；t1)作为输入参数，代入实时瞬态风况数据预报模型，则该模型的输出数据f′(B_rj；t1)就是待预报点B(r,j)在t1时刻的实时瞬态风况预报数据。
步骤5c.重复上述步骤5a和5b，可以由实测点(集)A(i,j)反演生成待预报点(集)B(r,j)由当前时刻t持续演化至未来任意时刻的实时瞬态风况预报数据。
在本步骤中，当预测模型根据实测点数据来生成待预报点的预报数据时，是直接调用的风环境仿真数据库里计算好了仿真数据，根据实测点的仿真数据来反演待预报点的仿真数据，将待预报点的仿真数据作为预报数据，不需要对仿真数据进行实时计算，这样减少了实时计算需求，整个预报过程效率较高。
本实施例的技术方案，充分利用了计算流体力学仿真技术对三维空间复杂风况环境的精细捕捉能力、机器学习算法对高维数据矩阵的重构能力。经实测，采用本实施例技术方案，在7个预报点生成的预报风速与在该7点处实际测量的风速进行比较，其10min(分钟)平均值误差均小于5％。相对于传统预报方法，本实施例的技术方案具有更精细的空间预报能力、更准确的预报精度。
实施例2
在本实施例中，提供了一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现实施例1提供的基于计算流体力学和机器学习的山区瞬时风况预报方法。
实施例3
提供了一种存储有计算机程序的计算机可读存储介质，计算机程序程序被处理器执行时实现实施例1提供的基于计算流体力学和机器学习的山区瞬时风况预报方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (8)

1.一种基于计算流体力学和机器学习的山区瞬时风况预报方法，其特征在于，包括以下步骤：
采集山区风场实测点实时风况数据；
将所述实时风况数据代入实时瞬态风况数据预报模型；
生成待预报点的实时瞬态风况预报数据。
2.根据权利要求1所述的一种基于计算流体力学和机器学习的山区瞬时风况预报方法，其特征在于，所述实时瞬态风况数据预报模型通过以下步骤建立：
建立待预报山区风场的数字化几何模型；
使用计算流体力学方法，对山区风场的数字化几何模型进行全风向、全风速数值计算，建立山区风场的风环境仿真数据库；
从所述风环境仿真数据库中提取实测点与待预报点的仿真风况数据；
根据实测点与待预报点的仿真风况数据，通过机器学习建立实时瞬态风况数据预报模型。
3.根据权利要求2所述的一种基于计算流体力学和机器学习的山区瞬时风况预报方法，其特征在于：建立待预报山区风场的数字化几何模型，具体按以下步骤进行：
根据地形地貌数据，绘制待预报山区风场的地表几何模型；
将山区风场的地表几何模型竖直向上拉伸预设的高度值，构成风场数值仿真计算域；
将风场数值仿真计算域沿长、宽、高三个方向进行离散，采用唯一网格单元编号对所述计算域内任意空间位置进行标记，建立关于山区风场及风场所在地理空间的数字化几何模型。
4.根据权利要求2所述的一种基于计算流体力学和机器学习的山区瞬时风况预报方法，其特征在于：使用计算流体力学方法，对山区风场的数字化几何模型进行全风向、全风速数值计算，建立山区风场的风环境仿真数据库，具体按以下步骤进行：
山区风场外部环境的风速范围等分为N个区间，将风向在水平面内等分为M个区间，得到N×M个风况组成的风况序列；
使用计算流体力学方法，计算数字化几何模型在风况序列中各风况作用下的流场，建立山区风场的风环境仿真数据库。
5.根据权利要求2所述的一种基于计算流体力学和机器学习的山区瞬时风况预报方法，其特征在于：从山区风场的风环境仿真数据库中提取实测点与待预报点的仿真风况数据时，当实测点与待预报点都不是所述数字化几何模型的网格节点或单元中心时，通过相邻的网格节点或单元中心的数据进行插值处理，得到实测点和待预报点的风环境仿真数据。
6.根据权利要求2所述的一种基于计算流体力学和机器学习的山区瞬时风况预报方法，其特征在于：根据实测点与待预报点的仿真风况数据，通过机器学习建立实时瞬态风况数据预报模型，具体按以下步骤进行：
4a.将实测点风环境仿真数据定义为输入数据，将待预报点风环境仿真数据定义为目标函数；
4b.随机划分训练集和测试集；
4c.定义全连接神经网络的参数和损失函数；
4d.将训练集代入全连接神经网络，采用随机梯度下降法算法，优化全连接神经网络的参数；
4e.将测试集代入优化后的全连接神经网络，计算损失函数；
4f.修改神经网络层数和每层网络的神经元个数等参数，重复步骤4d和4e，使损失函数值为最小。
7.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现权利要求1或2所述的基于计算流体力学和机器学习的山区瞬时风况预报方法。
8.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序被处理器执行时实现权利要求1或2所述的基于计算流体力学和机器学习的山区瞬时风况预报方法。
CN202011109226.7A 2020-10-16 2020-10-16 基于计算流体力学和机器学习的山区瞬时风况预报方法 Active CN112231979B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011109226.7A CN112231979B (zh) 2020-10-16 2020-10-16 基于计算流体力学和机器学习的山区瞬时风况预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011109226.7A CN112231979B (zh) 2020-10-16 2020-10-16 基于计算流体力学和机器学习的山区瞬时风况预报方法

Publications (2)

Publication Number Publication Date
CN112231979A true CN112231979A (zh) 2021-01-15
CN112231979B CN112231979B (zh) 2022-06-24

Family

ID=74117685

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011109226.7A Active CN112231979B (zh) 2020-10-16 2020-10-16 基于计算流体力学和机器学习的山区瞬时风况预报方法

Country Status (1)

Country Link
CN (1) CN112231979B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113189366A (zh) * 2021-05-06 2021-07-30 上海航天测控通信研究所 基于机器学习的星载gnss-r风向探测装置及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160092610A1 (en) * 2014-09-25 2016-03-31 International Business Machines Corporation Domain decomposition for transport trajectories in advection diffusion processes
CN108983320A (zh) * 2018-04-08 2018-12-11 浙江大学 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
CN109902885A (zh) * 2019-04-09 2019-06-18 中国人民解放军国防科技大学 基于深度学习混合cnn-lstm模型的台风预测方法
CN110598955A (zh) * 2019-09-25 2019-12-20 东南大学 一种用于高速列车的最大瞬时风速概率预测方法
CN110991690A (zh) * 2019-10-17 2020-04-10 宁波大学 一种基于深度卷积神经网络的多时次风速预测方法
CN110991721A (zh) * 2019-11-26 2020-04-10 国网山东省电力公司电力科学研究院 基于改进经验模态分解和支持向量机的短期风速预测方法
CN111753469A (zh) * 2020-06-29 2020-10-09 苏州科技大学 台风风暴潮情景模拟方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160092610A1 (en) * 2014-09-25 2016-03-31 International Business Machines Corporation Domain decomposition for transport trajectories in advection diffusion processes
CN108983320A (zh) * 2018-04-08 2018-12-11 浙江大学 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
CN109902885A (zh) * 2019-04-09 2019-06-18 中国人民解放军国防科技大学 基于深度学习混合cnn-lstm模型的台风预测方法
CN110598955A (zh) * 2019-09-25 2019-12-20 东南大学 一种用于高速列车的最大瞬时风速概率预测方法
CN110991690A (zh) * 2019-10-17 2020-04-10 宁波大学 一种基于深度卷积神经网络的多时次风速预测方法
CN110991721A (zh) * 2019-11-26 2020-04-10 国网山东省电力公司电力科学研究院 基于改进经验模态分解和支持向量机的短期风速预测方法
CN111753469A (zh) * 2020-06-29 2020-10-09 苏州科技大学 台风风暴潮情景模拟方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PEI DU: ""A novel hybrid model for short-term wind power forecasting"", 《APPLIED SOFT COMPUTING》 *
凡航: ""基于时空神经网络的风电场超短期风速预测模型"", 《电力系统自动化》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113189366A (zh) * 2021-05-06 2021-07-30 上海航天测控通信研究所 基于机器学习的星载gnss-r风向探测装置及方法
CN113189366B (zh) * 2021-05-06 2022-08-12 上海航天测控通信研究所 基于机器学习的星载gnss-r风向探测装置及方法

Also Published As

Publication number Publication date
CN112231979B (zh) 2022-06-24

Similar Documents

Publication Publication Date Title
Lee et al. Evaluation of the wind farm parameterization in the Weather Research and Forecasting model (version 3.8. 1) with meteorological and turbine power data
Amirinia et al. Wind and wave energy potential in southern Caspian Sea using uncertainty analysis
Liu et al. Wind power plant prediction by using neural networks
CN112348292B (zh) 一种基于深度学习网络的短期风电功率预测方法和系统
CN107507097A (zh) 一种风电功率短期预测方法
CN111753893A (zh) 一种基于聚类和深度学习的风电机组功率集群预测方法
CN101794996A (zh) 风电场出力实时预测方法
CN105930900B (zh) 一种混合风力发电的预测方法及系统
CN106650977A (zh) 应用于新建风电场的短期功率预测方法
CN104520861A (zh) 风功率密度预测方法
Dimitrov et al. From SCADA to lifetime assessment and performance optimization: how to use models and machine learning to extract useful insights from limited data
CN108629056A (zh) 一种风电功率预测方法及系统
Barthelmie et al. The role of atmospheric stability/turbulence on wakes at the Egmond aan Zee offshore wind farm
CN108269197A (zh) 风电机组功率特性评估方法及装置
CN112231979B (zh) 基于计算流体力学和机器学习的山区瞬时风况预报方法
CN109636019B (zh) 基于神经网络算法的测风塔布置方案确定方法
CN108062722A (zh) 基于风速变异系数的山地风电场模型风机机械功率计算方法
KR101313822B1 (ko) 신경망 분석 기법을 이용한 풍력 밀도 예측 방법
Patidar et al. Comparative evaluation of optimal Weibull parameters for wind power predictions using numerical and metaheuristic optimization methods for different Indian terrains
CN109494716A (zh) 基于Bootstrap的风电输出功率置信区间预测方法
Yan et al. Adaptabilities of three mainstream short-term wind power forecasting methods
CN115204712B (zh) 一种海上和沿海风电场选址评估方法
CN116307282A (zh) 一种基于机理模型和数据驱动的风电功率预测方法及系统
Patidar et al. Comparative analysis of wind potential and characteristics using metaheuristic optimization algorithms at different places in India
CN115912334A (zh) 风电场出力保证率的预测模型创建方法及预测方法

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