CN114358398A - 一种基于深度神经网络的数值天气预报风速修正方法 - Google Patents
一种基于深度神经网络的数值天气预报风速修正方法 Download PDFInfo
- Publication number
- CN114358398A CN114358398A CN202111556802.7A CN202111556802A CN114358398A CN 114358398 A CN114358398 A CN 114358398A CN 202111556802 A CN202111556802 A CN 202111556802A CN 114358398 A CN114358398 A CN 114358398A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- model
- speed data
- weather forecast
- current
- 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
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
- G06N3/045—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (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)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提出一种基于深度神经网络的数值天气预报风速修正方法,属于数值天气预报风速修正领域。该方法首先采集风电场历史数值天气预报风速数据和历史实测风速数据以构建风速数据集;构建基于长短时记忆深度神经网络的数值天气预报风速修正模型;通过离线训练,确定模型输入和输出的最优时间长度;通过在线训练,确定模型的最优更新频率;根据模型输入和输出的最优时间长度对未来数值天气预报风速数据进行在线修正,按照模型的最优更新频率对模型进行在线更新,以实现对数值天气预报风速数据的动态修正。本发明通过建立动态修正策略弥补数据量少造成的数据特征提取不充分问题,降低数值天气预报风速预测误差,减小该误差对风电功率预测的影响。
Description
技术领域
本发明涉及数值天气预报(NWP)风速修正领域,具体涉及一种基于深度神经网络的数值天气预报风速修正方法。
背景技术
随着风力发电技术日臻成熟,风电单机容量和并网型风电场规模不断扩大,风电占电力系统发电总量的比例也逐年增加。风电场穿透功率不断加大,给电力系统带来的一系列问题日益突出,严重威肋电力系统正常运行。对风电功率进行及时准确的预测,可以显著增强电力系统的安全性、稳定性、经济性和可控性。
数值天气预报NWP中的风速数据是风电功率预测模型的关键输入,但由于初始场误差,以及中尺度气象模式有限的计算分辨率(地形等局地因素无法在中尺度模式准确描述)等因素影响,NWP数据可能会与各气象要素实测数值产生较大偏差,使之成为风电功率预测误差的最主要来源。因此,数值天气预报中风速数据的有效修正,对于提高风电功率预测精度,增强高比例新能源电力系统运行的安全性、稳定性和经济性具有重要意义。
现有数值天气预报风速修正方法主要是基于历史数据对NWP历史误差的统计进行整体性订正,或者采用人工智能算法,基于历史NWP风速数据和历史实测风速数据间的映射关系,建立数值天气预报风速修正模型。但是现有NWP修正模型存在着两方面问题:第一是模型训练所用的训练样本规模小、维度少和未经严格清洗等;第二是模型的内部算法结构过于简单,多呈线性化结构,此外模型的数据层数与数据深度严重不足。现有模型由于存在上述问题,导致其学习能力较弱、无法对较为复杂情况下的风电场风速进行建模,因此现阶段所使用的数值天气预报风速修正模型极大地限制了风速预测的精确度。同时,这些模型对于缺少足够历史数据的新建风电场适用性较差。
发明内容
本发明的目的是为克服现有技术的不足之处,提供一种基于深度神经网络的数值天气预报风速修正方法。本发明可通过建立动态修正的策略弥补数据量少造成的数据特征提取不充分等问题,降低NWP风速预测值的误差,进而降低NWP风速数据的误差对风电功率预测结果的影响,有很高的实用价值。
本发明实施例提出一种基于深度神经网络的数值天气预报风速修正方法,包括:
采集风电场历史数值天气预报NWP风速数据和历史实测风速数据,建立风速数据集;
构建数值天气预报风速修正模型,所述数值天气预报风速修正模型采用长短时记忆深度神经网络;
利用所述风速数据集对所述数值天气预报风速修正模型进行离线训练,确定所述模型输入和输出的最优时间长度;
根据所述模型输入和输出的最优时间长度,利用所述风速数据集对所述数值天气预报风速修正模型进行在线训练,确定所述模型的最优更新频率;
根据所述模型输入和输出的最优时间长度,对所述风电场未来数值天气预报风速数据进行在线修正,按照所述模型的最优更新频率对所述数值天气预报风速修正模型进行在线更新,以实现对所述风电场数值天气预报风速数据的动态修正。
在本发明的一个具体实施例中,所述利用所述风速数据集对所述数值天气预报风速修正模型进行离线训练,确定所述模型输入和输出的最优时间长度,包括:
1)将风速数据集划分为离线训练阶段的训练集和测试集;其中,所述风速数据集中的样本包括对应采样时刻的历史NWP风速数据和历史实测风速数据;
2)将所述训练集中的样本按照设定的时间长度分别对历史NWP风速数据和对应历史实测风速数据进行组合;
3)以所述训练集中设定时间长度的历史NWP风速数据为输入,以对应时间长度的历史实测风速数据为输出,对所述数值天气预报风速修正模型进行离线训练,得到训练完毕的对应所述时间长度的数值天气预报风速修正模型;
4)根据所述训练集样本的组合长度对所述测试集样本进行相应划分,将划分后的所述测试集输入所述训练完毕的对应所述时间长度的数值天气预报风速修正模型进行测试,以均方根误差作为模型评价指标;其中,对应不同时间长度的数值天气预报风速修正模型均测试完毕后,均方根误差最小值对应的模型即为离线训练得到的数值天气预报风速修正模型,该模型对应的输入和输出的时间长度即为最优时间长度。
在本发明的一个具体实施例中,所述根据所述模型输入和输出的最优时间长度,利用所述风速数据集对所述数值天气预报风速修正模型进行在线训练,确定所述模型的最优更新频率,包括:
1)设定模型更新频率为f,从风速数据集中第n+1天的第一个时刻开始,以该时刻为当前0点时刻,其中n为在线训练的训练集天数;
2)从风速数据集中选取当前0点时刻的前n天内所有采样时刻的样本组成当前0点时刻的训练集,选取当前0点时刻起1天内所有采样时刻的样本组成当前0点时刻的测试集;其中,所述风速数据集中的样本包括对应采样时刻的历史NWP风速数据和历史实测风速数据;
3)根据模型输入和输出的最优时间长度,对当前0点时刻的训练集中的样本进行滑动组合,以最优时间长度的历史NWP风速数据作为输入,以对应输入时间跨度的历史实测风速数据作为输出,利用当前0点时刻的训练集对当前数值天气预报风速修正模型进行训练,得到训练完毕的当前模型;
其中,在每个模型更新频率下,第一次模型训练开始时的当前模型为离线训练得到的数值天气预报风速修正模型;
4)根据模型输入和输出的最优时间长度,对当前0点时刻的测试集中的样本进行滑动组合,利用当前测试集对训练完毕的当前模型进行测试;其中将测试集每个样本的历史NWP风速数据按照最优时间长度滑动输入对应训练完毕的当前模型,模型输出对应长度的修正后的历史NWP风速数据;
5)将当前0点时刻向后移动时长f,得到更新后的当前0点时刻,然后重新返回步骤2),直至风速数据集中所有样本遍历完成后,当前模型更新频率下的数值天气预报风速修正模型训练完成;
6)根据当前模型更新频率对应的所有测试集输出的结果,通过修正后的历史NWP风速数据与对应历史实测风速数据的差值计算当前模型更新频率下的模型均方根误差;
7)重复步骤1)-6),得到每个设定的模型更新频率下的模型均方根误差;
8)将均方根误差最小值对应的模型作为在线训练得到的数值天气预报风速修正模型,将该模型对应的更新频率作为数值天气预报风速修正模型的最优更新频率。
在本发明的一个具体实施例中,所述根据所述模型输入和输出的最优时间长度,对所述风电场未来数值天气预报风速数据进行在线修正,按照所述模型的最优更新频率对所述数值天气预报风速修正模型进行在线更新,以实现对所述风电场数值天气预报风速数据的动态修正,包括:
1)以设定的采样频率获取待预测风电场内每个采样时刻的NWP风速数据;
2)将当前时刻作为当前0点时刻;
3)将当前0点时刻的前n天内每个采样时刻的NWP风速数据和实测风速数据组成样本,所有样本组成当前0点时刻的训练集;其中n为在线训练的训练集天数;
4)根据模型输入和输出的最优时间长度,对当前0点时刻的训练集中的样本进行滑动组合,以最优时间长度的NWP风速数据作为输入,以对应输入时间跨度的实测风速数据作为输出,利用当前0点时刻的训练集对当前数值天气预报风速修正模型进行训练,训练完毕,得到更新后的当前数值天气预报风速修正模型;
5)将从当前0点时刻开始的每个采样时刻的NWP风速数据按照最优时间长度滑动输入更新后的当前数值天气预报风速修正模型,模型输出对应输入时刻的NWP风速修正值;
6)当新的当前时刻距离当前0点时刻到达模型最优更新频率时,将新的当前时刻作为更新后的当前0点时刻,然后重新返回步骤3)。
在本发明的一个具体实施例中,所述在线训练的训练集天数为3天。
在本发明的一个具体实施例中,所述方法还包括:
对设定时间范围内的NWP风速数据进行修正时,将所述时间范围内每个采样时刻的NWP风速修正结果进行拼接以得到所述时间范围内的NWP风速数据修正结果,其中,所述每个采样时刻的NWP风速修正结果为该采样时刻NWP风速数据最近一次通过当前数值天气预报风速修正模型输出的修正值。
本发明的特点及有益效果在于:
本发明提出的一种基于深度神经网络的数值天气预报风速修正方法,使用较短时间内的历史数据建基于LSTM深度神经网络的数值天气预报风速修正模型,通过离线训练获取模型输入和输出的最优时间长度,通过在线训练获取模型的最优更新频率,训练完成的模型即可实现对NWP中的风速数据进行修正。本发明的模型可实现通过动态修正弥补数据量少造成的数据特征提取不充分等问题,降低NWP风速预测值的误差,进而降低NWP风速数据的误差对风电功率预测结果的影响。本发明所提方法通用性强,能够有效地修正大量NWP风速预测值。
附图说明
图1为本发明实施例中一种基于深度神经网络的数值天气预报风速修正方法的整体流程图。
具体实施方式
本发明提出一种基于深度神经网络的数值天气预报风速修正方法,下面结合附图和具体实施例对本发明进一步详细说明。
本发明实施例提出一种基于深度神经网络的数值天气预报风速修正方法,整体流程如图1所示,包括以下步骤:
(1)采集风电场历史NWP风速数据以及历史实测风速数据,建立风速数据集;
本实施例中,采集选取的风电场在设定历史时段的完整的历史NWP风速数据和对应时刻的历史实测风速数据,其中,实测风速数据和NWP风速数据的时间分辨率通常为15min,历史数据的量越多越好,通常至少需要四个月的历史数据。在本发明的一个具体实施例中,获取北方某风电场2011年5-8月的历史NWP风速数据及对应时刻的历史实测风速数据,数据的时间分辨率为15min;
将每个时刻的历史NWP风速数据和对应历史实测风速数据组成一个样本,所有样本构成风速数据集。本公开一个具体实施例中,北方某风电场2011年5-8月的历史数据共组成11808个样本。
(2)构建基于长短时记忆深度神经网络(lstm)的数值天气预报风速修正模型。
所述数值天气预报风速修正模型模型由输入层、隐藏层和输出层组成。训练时,该模型以历史NWP风速数据作为输入,以对应时刻的历史实测风速数据作为输出。
本实施例中,采用lstm神经网络的seq2seq模型,采用一层隐藏层,每层为16个神经元
(3)将风速数据集划分为离线训练阶段的训练集和测试集,对步骤(2)建立的数值天气预报风速修正模型进行离线训练,确定该模型输入和输出的最优时间长度;具体方法为:
(3-1)将风速数据集划分为离线训练阶段的训练集和测试集;
本发明实施例中,将风速数据集中前75%-85%的样本组成离线阶段的训练集,剩余样本组成离线阶段的测试集。
本发明的一个具体实施例中,以北方某风电场2011年5-8月的历史数据组成的风速数据集为例,将该数据集前10000个样本组成离线阶段训练集,后1808个样本组成离线阶段测试集。
(3-2)将步骤(3-1)得到的训练集中的样本按照设定不同的时间长度对历史NWP风速数据和对应历史实测风速数据进行组合。然后,以训练集中设定的时间长度的历史NWP风速数据为输入,以对应时间长度的历史实测风速为输出,对步骤(2)建立的进行数值天气预报风速修正模型进行离线训练。当达到设定的训练结束条件时(本实施例为达到迭代次数上限),设定时间长度下的数值天气预报风速修正模型训练完毕。
其中,时间长度的设定没有特殊要求,可根据实际情况自行设定,本实施例中因为数据的时间分辨率是15min,即每个小时获取的数据长度为4,因此除1外还设定其余数据长度均为4的整倍数,以获得时间长度分别为15min,1h,2h,4h,8h。在每个设定的时间长度下,第一次模型训练开始时的当前模型为步骤(2)建立的数值天气预报风速修正模型;
本发明实施例中以时间长度4小时为例,4小时对应的数据长度为16,则模型训练时,将训练集的样本按照序号1-16,17-32,…进行组合,然后将组合后的样本依次输入模型完成训练。
需要说明的是,每次在不同时间长度组合的训练时,第一步设置初始化网络的权重和偏置,设置迭代次数、学习速率、时间步长第二步网络向前传播,计算网络隐含层、输出层的输出;第三步网络进行反向传播,计算隐含层、输出层的误差并对其求偏导;第四步利用反向传播求出的偏导更新网络权重及偏置;返回第二步进行反复迭代,直至达到最大迭代次数时结束训练;
(3-3)每次训练结束后,通过(3-1)得到的测试集对当前训练完毕的模型进行检验,其中,测试集样本需要根据设定的训练集样本的组合长度进行相同划分,然后将划分后的测试集输入对应训练完毕的模型,以均方根误差为模型评价指标;对所有离线阶段训练完毕的模型对应的均方根误差值进行比较后,均方根误差值最小的模型即为离线训练得到的数值天气预报风速修正模型模型,将该模型对应的输入和输出的时间长度作为最优时间长度,以供之后在线训练使用;
本发明一个具体实施例中,以华北某风电场的历史NWP风速数据和历史实测风速数据对数值天气预报风速修正模型进行离线训练,训练完毕后,将测试集中不同输入输出时间长度的历史NWP风速数据输入对应训练完毕的模型,模型输出对应长度的修正后的历史NWP风速数据;然后比较不同输入输出时间长度修正后的历史NWP风速数据与对应长度历史实测风速数据的差值,以得到当前训练完毕模型的均方根误差;利用均方根误差即可确定模型输入和输出的最优时间长度。本公开一个具体实施例中,数值天气预报风速修正模型的离线训练的具体参数设置如表1所示,其中,inputlen表示模型输入NWP数据长度;
outputlen表示模型输出修正数据长度;datamax,datamin分别表示整个数据集的最大最小值;validation_split表示测试集的比例,取值为0-1;batch_size表示批次大小;HIDDEN_DIM表示网络隐层数;lr表示学习率,一般小于0.01;epochs表示传播中所有批次的单次训练迭代次数;
表1本发明实施例中数值天气预报风速修正模型离线训练参数表
本发明的具体实施例中,通过对比不同时间长度修正后的历史NWP风速数据与历史实测风速数据的差值,可以确定模型输入和输出的最优时间长度为4小时,该时间长度对应的最优数据输入输出长度为16。(4)对经过步骤(3)训练完毕的数值天气预报风速修正模型进行在线训练,确定模型的最优更新频率:
NWP修正模型进行在线训练时,以步骤(4)确定的最优时间长度的历史NWP风速数据为输入,以最优时间长度的历史实测风速数据作为输出,并且以不同的时间频率对模型进行更新。
利用步骤(1)获取的风速数据集进行在线训练;在线训练时,在任一设定的模型更新频率下,从风速数据集中第4天的第一个时刻开始,以该时刻为当前0点时刻,以该0点时刻的前3天内所有时刻对应样本组成当前0点时刻的训练集,以该0点时刻起1天内所有时刻对应样本组成当前0点时刻的测试集。在本发明的一个具体实施例中,如果以风速数据集中5月4日00:00作为当前0点时刻,那么当前0点时刻的训练集为风速数据集中5月1日00:00-1月3日23:45对应的所有样本,当前0点时刻的测试集为5月4日00:00-5月4日23:45对应的所有样本。其中,当前0点时刻的训练集包含96*3个样本,当前0点时刻的测试集包含96个样本,输入输出数据的长度为16,在线训练时以滑动的方式进行输入输出数据的选取,可以弥补数据量少的缺陷。
利用当前0点时刻的训练集对当前数值天气预报风速修正模型,训练时模型的输入为最优时间长度的历史NWP风速数据,输出为对应输入时间跨度的历史实测风速数据(其中,在线训练阶段,在每个模型更新频率下,第一次模型训练时的当前数值天气预报风速修正模型为离线阶段训练得到的数值天气预报风速修正模型)进行训练,当达到设定的训练结束条件时(本实施例为达到迭代次数上限),当前模型训练完毕,利用当前0点时刻的测试集对训练完毕的模型进行测试,将该测试集每个样本的历史NWP风速数据按照最优时间长度输入对应训练完毕的当前模型,模型输出对应长度的修正后的历史NWP风速数据;
之后按照设定的模型更新频率f时,将当前0点时刻向后移动f对应的时长,得到更新后的0点时刻,并相应更新当前0点时刻的训练集和测试集;利用更新后的训练集和测试集,对当前模型进行新的训练和测试。本发明通过建立动态修正的策略使模型具有更高的精度且更具备普适性。在本发明的一个具体实施例中,假如模型更新频率为12小时,更新后的0点时刻为5月4日12:00,更新后后的当前0点时刻的训练集为5月1日12:00-5月4日11:45对应的所有样本,当前0点时刻的测试集为5月4日12:00-1月5日11:45对应的所有样本。
当风速数据集的所有样本遍历完成后,根据当前更新频率下对应的所有测试集输出的结果,通过修正后的历史NWP风速数据与对应历史实测风速数据的差值计算均方根误差,以评价当前更新频率。
通过对比不同更新频率对应的模型的均方根误差,将均方根误差最小值对应的模型作为在线训练得到的训练完毕的模型,将该模型对应的更新频率作为数值天气预报风速修正模型的最优更新频率。本公开一个具体实施例中,数值天气预报风速修正模型在线训练阶段的具体参数设置如表2所示。
表2本发明实施例中数值天气预报风速修正模型在线训练参数表
本发明的一个具体实施例中,当模型更新频率为12小时时,模型的相对修正效果最佳。
(5)利用训练完毕的数值天气预报风速修正模型进行在线修正。
(5-1)以设定的采样频率获取待预测风电场内每个采样时刻的NWP风速数据;
(5-2)将当前时刻作为当前0点时刻,;
(5-3)获取当前0点时刻的训练集,其中训练集的获取方法与在线训练阶段一致。
本发明实施例中,以当前0点时刻的前3天内所有采样时刻的NWP风速数据和实测风速数据构成的样本组成当前0点时刻的训练集。
(5-4)利用步骤(5-3)得到的训练集,按照最优时间长度对训练集的样本进行滑动选取,对当前数值天气预报风速修正模型进行训练,当达到训练结束的条件时,训练完成,得到更新后的当前数值天气预报风速修正模型。
(5-5)将从当前0点时刻开始每个采样时刻的NWP风速数据按照最优时间长度输入更新后的当前数值天气预报风速修正模型,模型输出每个采样时刻对应的NWP风速修正值;
(5-6)当新的当前时刻距离上一个0点时刻到达模型最优更新频率时,将新的当前时刻作为当前0点时刻,重新返回步骤(5-3)。
本发明的一个具体实施例中,如果当前时刻是1月4日的00:00,需要对1月4日一整天的NWP风速数据进行修正,那么以1月1日00:00-1月3日23:45的NWP风速数据(模型的输入)和对应实测风速数据(模型的输出)进行训练,把过去3天(1月1日00:00-1月3日23:45数据共288个数据作为当前0点时刻的训练集来训练模型,具体操作为将训练集中第1-16个时刻的历史nwp数据作为输入,第1-16个时刻的历史实测风速数据作为输出,再将第2-17个时刻的历史NWP数据作为输入,第2-17个时刻的历史实测风速数据作为输出,再将第3-18个时刻的历史NWP风速数据作为输入,第3-18个时刻的历史实测风速数据作为输出…直到将这3天中最后16个时刻的历史NWP风速数据作为输入,对应该16个时刻的历史实测风速数据作为输出,完成模型训练。训练完成后然后再以1月4日00:00-23:45的NWP风速数据输入训练完毕的模型,模型输出的就是1月4日00:00-23:45的NWP风速修正结果。其中,对未来1天(共96个点)的NWP风速数据进行修正时,将这1天第1-16个时刻的NWP风速数据作为输入训练完毕的模型,模型将产生对应该16个时刻的NWP风速修正数据,再将这一天第2-17个时刻的NWP风速数据作为输入,模型将产生第二组共16个对应该16个时刻的NWP风速修正数据,以此类推。当达到模型更新频率时(以12小时为例),例如在1月4日00:00时,当前训练集是1月1日00:00-1月3日23:45的数据,过了12小时之后,1月4日00:00-11:45的实测风速数据也为已知了,此时重新划分训练集,以1月1日12:00-1月4日11:45作为新的当前训练集,此时训练完毕的模型可以修正后面一天的NWP风速数据,也就是1月4日12:00-1月5日11:45的NWP风速数据。
最后对这1天内模型产生的所有NWP风速修正数据进行拼接,每个时刻的NWP风速修正数据均取为该时刻最近一次通过当前数值天气预报风速修正模型输出的修正值,拼接后的数据即为模型预测的1月10号16:00之后未来1天的NWP风速修正数据。本发明实施例中,将1月4日00:00-11:45的修正结果和模型更新一次后的1月4日12:00-23:45的修正结果进行拼接,即为1月4日全天NWP风速的最终修正结果。
Claims (6)
1.一种基于深度神经网络的数值天气预报风速修正方法,其特征在于,包括:
采集风电场历史数值天气预报NWP风速数据和历史实测风速数据,建立风速数据集;
构建数值天气预报风速修正模型,所述数值天气预报风速修正模型采用长短时记忆深度神经网络;
利用所述风速数据集对所述数值天气预报风速修正模型进行离线训练,确定所述模型输入和输出的最优时间长度;
根据所述模型输入和输出的最优时间长度,利用所述风速数据集对所述数值天气预报风速修正模型进行在线训练,确定所述模型的最优更新频率;
根据所述模型输入和输出的最优时间长度,对所述风电场未来数值天气预报风速数据进行在线修正,按照所述模型的最优更新频率对所述数值天气预报风速修正模型进行在线更新,以实现对所述风电场数值天气预报风速数据的动态修正。
2.根据权利要求1所述的方法,其特征在于,所述利用所述风速数据集对所述数值天气预报风速修正模型进行离线训练,确定所述模型输入和输出的最优时间长度,包括:
1)将风速数据集划分为离线训练阶段的训练集和测试集;其中,所述风速数据集中的样本包括对应采样时刻的历史NWP风速数据和历史实测风速数据;
2)将所述训练集中的样本按照设定的时间长度分别对历史NWP风速数据和对应历史实测风速数据进行组合;
3)以所述训练集中设定时间长度的历史NWP风速数据为输入,以对应时间长度的历史实测风速数据为输出,对所述数值天气预报风速修正模型进行离线训练,得到训练完毕的对应所述时间长度的数值天气预报风速修正模型;
4)根据所述训练集样本的组合长度对所述测试集样本进行相应划分,将划分后的所述测试集输入所述训练完毕的对应所述时间长度的数值天气预报风速修正模型进行测试,以均方根误差作为模型评价指标;其中,对应不同时间长度的数值天气预报风速修正模型均测试完毕后,均方根误差最小值对应的模型即为离线训练得到的数值天气预报风速修正模型,该模型对应的输入和输出的时间长度即为最优时间长度。
3.根据权利要求1所述的方法,其特征在于,所述根据所述模型输入和输出的最优时间长度,利用所述风速数据集对所述数值天气预报风速修正模型进行在线训练,确定所述模型的最优更新频率,包括:
1)设定模型更新频率为f,从风速数据集中第n+1天的第一个时刻开始,以该时刻为当前0点时刻,其中n为在线训练的训练集天数;
2)从风速数据集中选取当前0点时刻的前n天内所有采样时刻的样本组成当前0点时刻的训练集,选取当前0点时刻起1天内所有采样时刻的样本组成当前0点时刻的测试集;其中,所述风速数据集中的样本包括对应采样时刻的历史NWP风速数据和历史实测风速数据;
3)根据模型输入和输出的最优时间长度,对当前0点时刻的训练集中的样本进行滑动组合,以最优时间长度的历史NWP风速数据作为输入,以对应输入时间跨度的历史实测风速数据作为输出,利用当前0点时刻的训练集对当前数值天气预报风速修正模型进行训练,得到训练完毕的当前模型;
其中,在每个模型更新频率下,第一次模型训练开始时的当前模型为离线训练得到的数值天气预报风速修正模型;
4)根据模型输入和输出的最优时间长度,对当前0点时刻的测试集中的样本进行滑动组合,利用当前测试集对训练完毕的当前模型进行测试;其中将测试集每个样本的历史NWP风速数据按照最优时间长度滑动输入对应训练完毕的当前模型,模型输出对应长度的修正后的历史NWP风速数据;
5)将当前0点时刻向后移动时长f,得到更新后的当前0点时刻,然后重新返回步骤2),直至风速数据集中所有样本遍历完成后,当前模型更新频率下的数值天气预报风速修正模型训练完成;
6)根据当前模型更新频率对应的所有测试集输出的结果,通过修正后的历史NWP风速数据与对应历史实测风速数据的差值计算当前模型更新频率下的模型均方根误差;
7)重复步骤1)-6),得到每个设定的模型更新频率下的模型均方根误差;
8)将均方根误差最小值对应的模型作为在线训练得到的数值天气预报风速修正模型,将该模型对应的更新频率作为数值天气预报风速修正模型的最优更新频率。
4.根据权利要求1所述的方法,其特征在于,所述根据所述模型输入和输出的最优时间长度,对所述风电场未来数值天气预报风速数据进行在线修正,按照所述模型的最优更新频率对所述数值天气预报风速修正模型进行在线更新,以实现对所述风电场数值天气预报风速数据的动态修正,包括:
1)以设定的采样频率获取待预测风电场内每个采样时刻的NWP风速数据;
2)将当前时刻作为当前0点时刻;
3)将当前0点时刻的前n天内每个采样时刻的NWP风速数据和实测风速数据组成样本,所有样本组成当前0点时刻的训练集;其中n为在线训练的训练集天数;
4)根据模型输入和输出的最优时间长度,对当前0点时刻的训练集中的样本进行滑动组合,以最优时间长度的NWP风速数据作为输入,以对应输入时间跨度的实测风速数据作为输出,利用当前0点时刻的训练集对当前数值天气预报风速修正模型进行训练,训练完毕,得到更新后的当前数值天气预报风速修正模型;
5)将从当前0点时刻开始的每个采样时刻的NWP风速数据按照最优时间长度滑动输入更新后的当前数值天气预报风速修正模型,模型输出对应输入时刻的NWP风速修正值;
6)当新的当前时刻距离当前0点时刻到达模型最优更新频率时,将新的当前时刻作为更新后的当前0点时刻,然后重新返回步骤3)。
5.根据权利要求3和4任一项所述的方法,其特征在于,所述在线训练的训练集天数为3天。
6.根据权利要求4所述的方法,其特征在于,所述方法还包括:
对设定时间范围内的NWP风速数据进行修正时,将所述时间范围内每个采样时刻的NWP风速修正结果进行拼接以得到所述时间范围内的NWP风速数据修正结果,其中,所述每个采样时刻的NWP风速修正结果为该采样时刻NWP风速数据最近一次通过当前数值天气预报风速修正模型输出的修正值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111556802.7A CN114358398A (zh) | 2021-12-17 | 2021-12-17 | 一种基于深度神经网络的数值天气预报风速修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111556802.7A CN114358398A (zh) | 2021-12-17 | 2021-12-17 | 一种基于深度神经网络的数值天气预报风速修正方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114358398A true CN114358398A (zh) | 2022-04-15 |
Family
ID=81099439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111556802.7A Pending CN114358398A (zh) | 2021-12-17 | 2021-12-17 | 一种基于深度神经网络的数值天气预报风速修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114358398A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116187540A (zh) * | 2023-01-03 | 2023-05-30 | 国网江西省电力有限公司电力科学研究院 | 一种基于时空偏差修正的风电场站超短期功率预测方法 |
CN116388184A (zh) * | 2023-06-05 | 2023-07-04 | 南京信息工程大学 | 一种基于风速日波动特征的超短期风速修订方法、系统 |
-
2021
- 2021-12-17 CN CN202111556802.7A patent/CN114358398A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116187540A (zh) * | 2023-01-03 | 2023-05-30 | 国网江西省电力有限公司电力科学研究院 | 一种基于时空偏差修正的风电场站超短期功率预测方法 |
CN116187540B (zh) * | 2023-01-03 | 2023-09-12 | 国网江西省电力有限公司电力科学研究院 | 一种基于时空偏差修正的风电场站超短期功率预测方法 |
CN116388184A (zh) * | 2023-06-05 | 2023-07-04 | 南京信息工程大学 | 一种基于风速日波动特征的超短期风速修订方法、系统 |
CN116388184B (zh) * | 2023-06-05 | 2023-08-15 | 南京信息工程大学 | 一种基于风速日波动特征的超短期风速修订方法、系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114358398A (zh) | 一种基于深度神经网络的数值天气预报风速修正方法 | |
CN104134095B (zh) | 一种基于尺度转换和数据同化的农作物产量估测方法 | |
CN111475909B (zh) | 一种基于长短期记忆网络的风电机组出力相关性映射建模方法 | |
CN109933873A (zh) | 一种荒漠化地区土壤有机碳密度高空间遥感估测的方法 | |
CN114970377B (zh) | 基于新安江与深度学习耦合模型的场次洪水预报方法和系统 | |
CN113657662B (zh) | 一种基于数据融合的降尺度风电功率预测方法 | |
CN112669168B (zh) | 一种风电功率短期预测方法 | |
CN109800921A (zh) | 一种基于遥感物候同化和粒子群优化算法的区域冬小麦估产方法 | |
CN113379142B (zh) | 一种基于风速修正和融合模型的短期风电功率预测方法 | |
CN109711662B (zh) | 一种基于多源数据融合的电网抗差状态估计方法 | |
CN114692981A (zh) | 基于Seq2Seq模型的中长期径流预报方法和系统 | |
CN115689055A (zh) | 一种短期太阳辐照度预测方法及装置 | |
CN114357737A (zh) | 针对大尺度水文模型时变参数的代理优化率定方法 | |
CN107944466B (zh) | 一种基于分段思想的降雨偏差纠正方法 | |
CN109614763B (zh) | 一种基于多源信息分步校正作物模型的区域作物估产方法 | |
CN109766871A (zh) | 一种基于空间差异同化遥感数据与作物模型的区域农作物估产方法 | |
CN114564697A (zh) | 一种利用观测风速数据校正中尺度模拟风速数据的方法及系统 | |
CN106934094A (zh) | 一种基于二十四节气的风电功率预测方法 | |
CN112070319B (zh) | 一种基于时序动态回归的超短期光伏发电功率预测方法 | |
CN117851764A (zh) | 一种适用于复杂山地风电场孤立观测风数据插补方法 | |
CN114493004B (zh) | 一种基于机器学习的单点风速短临风速外推方法 | |
CN117744898B (zh) | 一种大田粮食作物产量年际预测模型构建方法 | |
CN115860285B (zh) | 一种烟草最适移栽期的预测方法及装置 | |
CN116028834B (zh) | 一种基于XGBoost算法的小麦赤霉病预测方法 | |
CN113761756B (zh) | 一种表面温度高温和低温数据集重构方法 |
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 |