CN115081677B - 一种风速预测方法、装置、电子设备及可读存储介质 - Google Patents

Abstract

本发明公开了一种风速预测方法、装置、电子设备及可读存储介质，其中该方法包括：获取固定点历史值；基于固定点历史值，通过纳维斯托克斯方程构建物理驱动模型；获取固定点实时值和移动点实时值；将固定点实时值、移动点实时值、固定点历史值和权重因子进行归一化处理得到数据驱动模型；根据物理驱动模型和数据驱动模型进行训练过程，确定目标损失函数，进而根据目标损失函数训练得到目标模型；根据目标模型对任意一点的风速进行预测，得到预测风速。本发明通过提出一种风速预测方法、装置、电子设备及可读存储介质，以提高风速预测的速度和精准度，本发明可广泛应用于风速预测领域。

Description

一种风速预测方法、装置、电子设备及可读存储介质

技术领域

本发明涉及风速预测领域，尤其是一种风速预测方法、装置、电子设备及可读存储介质。

背景技术

目前，常用的预测风速的方法还是数据统计模型方法和物理大气模型方法。数据统计模型预测方法在风速信息的时间预测方面均表现出了比较好的效果。但是由于风速的测量数据来自于风电场内布置的风速传感器，其布置在空间上是稀疏离散的，不能实现风场内风速信息的空间预测。物理预测模型虽然可在一定程度上保证结果的可靠性，但是在保证高准确率的同时对计算机的内存要求很高，如果需要采集大量的物理信息，在计算过程中会涉及大量的数值计算，应用在需要快速响应得到风速预测值的实时风速预测中时也会遇到一些困难。而现有的数据-物理信息并驱的预测模型的预测精度比较又低，因此，对于如何精准、快速预测风速还是一大难题。

发明内容

有鉴于此，本发明实施例提供一种风速预测方法、装置、电子设备及可读存储介质。以实现风速在时空上的准确、快速的预测。

本发明的第一方面提供了一种风速预测方法，包括：获取固定点历史值，其中所述固定点历史值包括历史传感时间、历史传感位置、历史风速；基于所述固定点历史值，通过纳维斯托克斯方程构建物理驱动模型；获取固定点实时值和移动点实时值，其中所述固定点实时值包括实时固定点传感位置、实时固定点风速，所述移动点实时值包括实时移动点传感位置、实时移动点风速；将所述固定点实时值、所述移动点实时值、所述固定点历史值和权重因子进行归一化处理得到数据驱动模型，其中所述权重因子根据选取的传感器的类型而改变，所述传感器用于获取风的相关数值；根据所述物理驱动模型和所述数据驱动模型进行训练过程，确定目标损失函数，进而根据所述目标损失函数训练得到目标模型；根据所述目标模型对任意一点的风速进行预测，得到预测风速。

根据本发明的一些实施例，所述基于所述固定点历史值，通过纳维斯托克斯方程构建物理驱动模型，包括：通过求解纳维斯托克斯方程构建风场，其中，所述风场用于表征任意点的瞬间风速；根据所述风场获取任意点的风速与目标属性的拓扑关系，利用拓扑关系将风速与目标属性进行拓扑耦合得到物理驱动模型，其中，所述目标属性包括压强、温度。

根据本发明的一些实施例，求解纳维斯托克斯方程的方法包括：通过有限元分析法求解纳维斯托克斯方程，利用纳维斯托克斯方程的解获取所述任意点的风速。

根据本发明的一些实施例，所述根据所述物理驱动模型和所述数据驱动模型进行训练过程，确定目标损失函数，进而根据所述目标损失函数训练得到目标模型，包括：对所述物理驱动模型进行训练得到第一损失函数，其中，所述物理驱动模型的训练过程满足纳维斯托克斯方程中的剩余项约束；对所述数据驱动模型进行训练得到第二损失函数，其中,所述数据驱动模型的训练过程同时拟合所有所述传感器当中的实测数据；将所述第一损失函数和所述第二损失函数通过神经网络模型进行结合得到目标损失函数。

根据本发明的一些实施例，所述将所述第一损失函数和所述第二损失函数通过神经网络模型进行结合得到目标损失函数，包括：调整所述剩余项约束和所述实测数据，使得损失函数最小化作为目标损失函数。

根据本发明的一些实施例，所述根据所述目标模型对任意一点的风速进行预测，得到预测风速，包括：根据所述目标模型预测任意点的风速，获取得到风速的损失值；确定所述损失值小于或等于第一阈值，则确定风速为预测风速，其中所述第一阈值为允许误差的最大值。

本发明的第二方面提供了一种风速预测装置，包括：第一模块，用于获取固定点历史值，其中所述固定点历史值包括历史传感时间、历史传感位置、历史风速；第二模块，用于基于所述固定点历史值，通过纳维斯托克斯方程构建物理驱动模型；第三模块，用于获取固定点实时值和移动点实时值，其中所述固定点实时值包括实时固定点传感位置、实时固定点风速，所述移动点实时值包括实时移动点传感位置、实时移动点风速；第四模块，用于将所述固定点实时值、所述移动点实时值和权重因子进行归一化处理得到数据驱动模型，其中所述权重因子根据选取的传感器的类型而改变，所述传感器用于获取风的相关数值，包括所述固定点历史值、所述固定点实时值和所述移动点实时值；第五模块，用于根据所述物理驱动模型和所述数据驱动模型进行训练过程，确定目标损失函数，进而根据所述目标损失函数训练得到目标模型；第六模块，用于根据所述目标模型对任意一点的风速进行预测，得到预测风速。

本发明的第三方面提供了一种电子设备，包括处理器以及存储器；所述存储器用于存储程序；所述处理器执行所述程序实现如上所述的任一项所述的风速预测方法。

根据本发明实施例的电子设备，至少具有与上述的风速预测方法同样的有益效果。

本发明的第四方面提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如上所述的任一项所述的风速预测方法。

根据本发明实施例的计算机可读存储介质，至少具有与上述的风速预测方法同样的有益效果。

本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。

本发明的实施例通过获取固定点历史值，结合纳维斯托克斯方程构建物理驱动模型，并通过对固定点实时值、移动点实时值和权重因子进行归一化处理构建数据驱动模型，通过对物理驱动模型和数据驱动模型不断训练得到损失函数，利用损失函数得到目标模型，通过目标模型对任意一点的风速进行预测得到预测风速。通过物理驱动模型和数据驱动模型快速预测得到时间和空间上任意一点的风速，同时，结合损失函数对风速的误差进行判断，进而减小了误差的概率，提高了风速预测的精准度。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的风速测试方法的步骤流程图；

图2是本发明实施例提供的风速测试方法中步骤S500的步骤流程图；

图3是本发明实施例提供的风速测试系统的示意框图；

图4是本发明实施例的设备的示意框图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

目前，随着风电装机容量规模不断增加，风力发电发展仍面临着很严重的弃风限电现象。尽管风力发电并网存在巨大的优势，但由于风力发电的不确定性和间歇性，风电装机容量的不断攀升给电力系统的规划和运行带来巨大的挑战。为了解决这个问题，我们采用的方法通常是提高风速预测准确性和功率准确性，准确的风速预测是实现风电并网准确调度的前提，不仅可以帮助电力调度人员做出最准确有效的决策，以减轻风力发电可能会对整个电网造成的不良影响，还将大大降低风力发电成本，为电力市场带来巨大的经济效益。但是，目前针对风速预测常用的方法更多的是单一地从时间或空间角度进行预测，比如数据统计模型方法和物理大气模型方法，其中数据统计模型无法实现空间上的风速预测，而物理大气模型无法实现时间上的快速预测。此外，数据统计模型预测速度快，但准确性对样本数据的数量依赖性很大，前期的数据计算量较大，如果预测情况中先验概率分布复杂时，特别是参数的维数较高的时候，数理预测的计算速度就会大大下降；风速信息的空间预测通常采用物理大气模型预测方法，物理大气模型预测方法需要采集大量的物理信息，在计算过程中会涉及大量的数值计算，应用在需要快速响应得到风速预测值的实时风速预测中时会遇到困难。现有的数据-物理信息并驱的预测模型采用的是空间过程提前离线计算出结果，而且物理模型进行了简化，不能达到常规时间预测中的实时性从而进行实时预测，预测精度会收到了一定的影响。

此外，近年来新兴的激光测速设备LI DAR，利用多普勒效应计算测量点的风速，将LI DAR安装在风力发电机上，可以测量风力发电机前方一定距离的风速。该信息可以作为前馈，纳入风力发电机的控制系统。但是对于连续形激光LI DAR设备，在不同距离上的空间分辨率不一致，距离越远，风速测量的空间分辨率越低。风力发电厂覆盖的区域较大，采用大量LI DAR设备在实际安装过程和经济层面均存在一定困难。当前技术也难以快速确定风场中大量位置点的风速。

可以看出，目前对于在时空上实现对风速快速、精准的预测还是有很大困难的。因此本申请的目的就是能快速、精准地预测风速，可以应用在海上风场三维矢量信息的时空预测，或其他利用到风的相关场景中。

参照图1，本发明的实施例的方法包括：

步骤S100，获取固定点历史值，其中固定点历史值包括历史传感时间、历史传感位置、历史风速。

具体地，通过固定传感器获取在固定点上的历史值，其中固定点历史值包括：历史进行传感的时间、历史进行传感的位置、历史传感得到的风速，要说明的是，除此之外，传感器还可以获取得到历史进行传感时风的密度、温度、压强等等相关的数值。可以理解的是，得到的速度信息是矢量，风速均包括速度大小和方向两个值。

步骤S200，基于固定点历史值，通过纳维斯托克斯方程构建物理驱动模型。

具体地，纳维斯托克斯方程在直角坐标系中的表现形式可以为：其中，Δ是拉普拉斯算子；ρ是流体密度；p是压力；u，v，w是流体在t时刻，在点(x,y,z)处的速度分量。X，Y，Z是外力的分量；常数μ是动力粘性系数，纳维斯托克斯方程概括了粘性不可压缩流体流动的普遍规律，其中，风就是属于粘性不可压缩流体。可以理解的是，通过传感器得到的固定点历史值中，包括纳维斯托克斯方程所需要用到的数值。通过求解纳维斯托克斯方程，构建得到物理驱动模型。

在另一实施例中，在步骤S200中，还包括以下步骤：

通过求解纳维斯托克斯方程构建风场，其中，风场用于表征任意点的瞬间风速；

根据风场获取任意点的风速与目标属性的拓扑关系，利用拓扑关系将风速与目标属性进行拓扑耦合得到物理驱动模型，其中，目标属性包括压强、温度。

具体地，纳维斯托克斯方程能表示风流动的普遍规律，因此求解纳维斯托克斯方程得到空间内任意点的瞬间风速，这个空间就是风场，风场为速度场，即，风场表征在该空间内任意一点的风速。根据风场获取在风场中任意一点的风速，获取风速和目标属性的拓扑关系，利用拓扑关系将风速和目标属性进行拓扑耦合得到物理驱动模型，因此，可以理解的是，通过物理驱动模型可以得知在风场中任意一点的瞬间风速，还可以得知风速与目标属性之间的拓扑关系。

在另一实施例中，求解纳维斯托克斯方程的方法包括：通过有限元分析法求解纳维斯托克斯方程，利用纳维斯托克斯方程的解获取任意点的风速。

具体地，纳维斯托克斯方程属于偏微分方程，而偏微分方程的正问题和反问题的求解是非常困难的，因此利用有限元分析法去求解纳维斯托克斯方程得到它对应的正问题和反问题的解。当求解出纳维斯托克斯方程，可以得知风的运动规律，即获取得到任意点的风速。

因此，通过有限元分析法求解纳维斯托克斯方程，得到风场，获取得到在风场中任意点的风速，获取风速和目标属性，例如压强、温度的拓扑关系，通过将风速和目标属性进行拓扑耦合构建得到物理驱动模型。物理驱动模型实现了在空间上获取得到瞬间的风速，现有基于数据-物理信息并驱的包含时空双重尺度的三维风速场重建算法中，采用的是空间过程提前离线计算出结果，而且物理模型进行了简化，不能达到常规时间预测中的实时性，进行实时预测。而本申请中物理驱动模型不单利用有限元分析法求解纳维斯托克斯方程，同时还通过获取速度跟目标属性的拓扑关系，从而利用拓扑关系实时获取得到风速，拓扑关系的构建是快速的，实时的；因此，将有限元分析法求解和构建拓扑关系结合起来，最终得到的物理驱动模型结合了离线与实时的计算，实现了获取风场上任意一点的瞬间风速的效果。

步骤S300，获取固定点实时值和移动点实时值，其中固定点实时值包括实时固定点传感位置、实时固定点风速，移动点实时值包括实时移动点传感位置、实时移动点风速。

具体地，通过固定传感器和移动传感器得到固定点实时值和移动点实时值，其中，固定点实时值包括实时固定点传感位置、实时固定点风速，移动点实时值包括实时移动点传感位置、实时移动点风速，要说明的是，除此之外，传感器还可以获取得到历史进行传感时风的密度、温度、压强等等相关的数值。

步骤S400，将固定点实时值、移动点实时值、固定点历史值和权重因子进行归一化处理得到数据驱动模型，其中权重因子根据选取的传感器的类型而改变，传感器用于获取风的相关数值。

具体地，将固定点实时值、移动点实时值、固定点历史值和权重因子进行归一化处理得到数据驱动模型，其中固定传感器和移动传感器都属于传感器，传感器用于获取风的相关数值，相关数值包括固定点历史值、固定点实时值和移动点实时值，传感器的权重因子根据对应传感器的类型进行改变。构建出多机理传感器分布的归一化数学模型，提出普适性实测数据网络方案。多传感器融合的归一化数学驱动模型反映了时空坐标与风的速度、压力、方向等可移动传感器的补充实时测信息之间的映射关系。实现了在时间这个维度上预测得到对应的风速。

步骤S500，根据物理驱动模型和数据驱动模型进行训练过程，确定目标损失函数，进而根据目标损失函数训练得到目标模型。

在一实施例中，参照图2，步骤S500还包括以下步骤：

步骤S510，对物理驱动模型进行训练得到第一损失函数，其中物理驱动模型的训练过程满足纳维斯托克斯方程中的剩余项约束。

步骤S520，对数据驱动模型进行训练得到第二损失函数，其中数据驱动模型的训练过程同时拟合所有传感器当中的实测数据。

步骤S530，将第一损失函数和第二损失函数通过神经网络模型进行结合得到目标损失函数。

在一实施例中，步骤S530还包括以下步骤：

调整剩余项约束和实测数据，使得损失函数最小化作为目标损失函数。

具体地，通过物理驱动模型和数据驱动模型确定损失函数，对损失函数进行训练过程，不断拟合损失函数，进而得到目标损失函数。构建模型满足目标损失函数要求，进而完成模型训练得到目标模型。其中，对物理驱动模型训练得到第一损失函数，损失过程满足纳维斯托克斯方程中的剩余项约束，对数据驱动模型训练得到第二损失函数，损失过程不断拟合所有传感器中实测数据，实测数据即为通过传感器获取到的实时的数据。可选地，本申请实施例中第一损失函数和第二损失函数可以为0-1损失函数、平方损失函数、绝对值损失函数、对数损失函数、指数损失函数、铰链损失函数等等类型，根据实际情况进行具体选取。可以理解的是，通过更新训练变量，使损失函数最小化，损失函数最小化能够降低误差，提升风速预测的精准度，因此，需要在不断的拟合过程中调整剩余项约束和实测数据。

步骤S600，根据目标模型对任意一点的风速进行预测，得到预测风速。

在一实施例中，步骤S600还包括以下步骤：

根据目标模型预测任意点的风速，获取得到风速的损失值；

确定损失值小于或等于第一阈值，则确定风速为预测风速，其中第一阈值为允许误差的最大值。

具体地，获取风场内任意一点的风速，通过目标模型预测风速，并得到对应的损失值，计算损失值与第一阈值的大小，可以理解的是，第一阈值可以根据先验知识或实际的需要进行选取，示例性地可以为0.2、0.3等数值。获取得到预测的风速的损失值时，如果损失值小于第一阈值，则说明预测的风速误差比较小，精准度比较高，因此作为预测点的预测风速；如果损失值大于第一阈值，则说明预测的风速误差比较大，精准度比较低，因此进行舍弃，等待下一次继续预测。要说明的是，损失函数的表现形式有多种，根据不同的损失函数表现形式，第一阈值的选取也会进行相应的改变。

因此，可以得到具体实施例如下：

通过固定传感器获取固定点历史值，将固定点历史值输入到纳维斯托克斯方程，利用有限元分析法求解纳维斯托克斯方程，从而得到风场，其中风场可以得到风场内任意一点的风速，利用风场，获取风场内任意一点的风速与目标属性的拓扑关系，例如温度、压强。将风速和目标属性进行拓扑耦合构建得到物理驱动模型。通过固定传感器获取固定点历史值和固定点实时值，通过移动传感器获取移动点实时值，将固定点固定值、固定点实时值、移动点实时值以及传感器对应的权重因子进行归一化处理得到数据驱动模型，对物理驱动模型进行训练，其中训练过程要满足纳维斯托克斯方程的剩余项约束，从而得到第一损失函数，对数据驱动模型进行训练，其中训练过程不断拟合所有传感器当中的实测数据，从而得到第二损失函数，将第一损失函数和第二损失函数通过神经网络模型进行结合，不断调整纳维斯托克斯方程的剩余项约束和实测数据，使得损失函数最小化，从而得到目标损失函数，进而将目标损失函数不断训练得到目标模型。此时目标模型对任意一点的风速进行预测，得到损失值，确定损失值小于第一阈值，则确定预测的风速为预测风速。实现风场信息的时空双重预测可以使控制系统提前得知准确的风场数据，从而采取措施减轻风力发电机的结构载荷，增强发电功率的调节功能，对风电的经济安全运行和友好并网具有重要且深远的现实意义。本发明融合，综合考虑多源传感器实测信息，在空间和时间两个维度上提升预测精度，实现对风场三维矢量信息的时空准确预测，进一步促进风电相关产业的发展。

在另一实施例中，具体实施例还可以如下：

将构建物理驱动模型的过程组成为物理驱动子框架，将构建数据驱动模型的过程组成为数据驱动子框架，物理驱动子框架构建完成后对它进行训练，数据驱动子框架构建完成后也对它进行训练，从而得到目标损失函数，利用目标损失函数构建得到基础子框架，根据基础子框架即可输出时空双重风速预测。这三个框架共同构成整体预测框架，其中基础子框架将反映了预测点的时空四维信息与双驱子模型的物理信息映射关系；数据驱动子框架反映了多传感器融合的归一化数据驱动模型中的时空坐标与风的速度、压力、方向等可移动传感器的补充实时测信息之间的映射关系；物理驱动子框架将纳入数据预处理阶段通过各个测点处的拓扑结构关系获取的基础物理信息模型，以解决风场重建过程所涉及的偏微分方程的正问题与逆问题求解。通过基础子框架的计算，就可以预测得到传感器测点位置的给定位置和给定时间的瞬时风速矢量。由于基础子框架可以传播网格，即流场计算域，同时也就将测点位置的预测扩展了整个风场区域，从而得到给定时间整个风场的瞬间风速矢量值。此外，由于物理驱动子框架模块可以从物理驱动模型的偏微分方程中学习到风场的空间相关性，空间某点的瞬间风速也可以通过计算得出，完成风电场内任意点、任意时间的瞬时风速重建，达到风速预测的目的。

一方面，参照图3，本实施例提供一种风速预测装置，至少包括：第一模块710，第二模块720，第三模块730，第四模块740，第五模块750以及第六模块760。

具体地，第一模块710获取固定点历史值并输入到第二模块720，第二模块720结合固定点历史值和纳维斯托克斯方程构建得到物理驱动模型；第三模块730获取固定点实时值、移动点实时值并输入到第四模块740，第四模块740与第一模块710、第三模块730相连，将固定点实时值、移动点实时值、固定点历史值以及传感器的权重因子进行归一化处理得到数据驱动模型；第五模块750同时第二模块720、第四模块740相连，将物理驱动模型和数据驱动模型进行训练得到目标损失函数，并利用目标损失函数得到目标模型；第六模块760根据目标模型对任意点的风速进行预测，得到预测风速。

参照图4，本实施例提供一种电子设备，包括处理器810以及与处理器810耦接的存储器820，存储器820存储有可被处理器810执行的程序指令，处理器810执行存储器820存储的程序指令时实现上述的风速测试方法。其中，处理器810还可以称为CPU(CentralProcessing Unit，中央处理单元)。处理器810可能是一种集成电路芯片，具有信号的处理能力。处理器810还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器，或者，通用处理器还可以是任何常规的处理器等。存储器820可包括各种组件(例如，机器可读介质)，包括但不限于随机存取存储器组件、只读组件及其任意组合。存储器820还可包括：(例如，存储于一个或多个机器可读介质的)指令(例如，软件)；该指令实现上述实施例中的风速测试方法。该电子设备具有搭载并运行本发明实施例提供的风速测试的软件系统的功能，例如，个人计算机(Personal Computer，PC)、手机、智能手机、个人数字助手(Personal Digital Assistant，PDA)、可穿戴设备、掌上电脑PPC(Pocket PC)、平板电脑等。

本实施例提供一种计算机可读存储介质，该存储介质存储有程序，该程序被处理器执行实现上述的风速测试方法。

本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。

在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。

此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。

所述功能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，本发明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)执行本发明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-Only Memory)、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。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (8)

1.一种风速预测方法，其特征在于，包括：

获取固定点历史值，其中所述固定点历史值包括历史传感时间、历史传感位置、历史风速；

基于所述固定点历史值，通过纳维斯托克斯方程构建物理驱动模型；

获取固定点实时值和移动点实时值，其中所述固定点实时值包括实时固定点传感位置、实时固定点风速，所述移动点实时值包括实时移动点传感位置、实时移动点风速；

将所述固定点实时值、所述移动点实时值、所述固定点历史值和权重因子进行归一化处理得到数据驱动模型，其中所述权重因子根据选取的传感器的类型而改变，所述传感器用于获取风的相关数值；

根据所述物理驱动模型和所述数据驱动模型进行训练过程，确定目标损失函数，进而根据所述目标损失函数训练得到目标模型；

根据所述目标模型对任意一点的风速进行预测，得到预测风速；

其中，基于所述固定点历史值，通过纳维斯托克斯方程构建物理驱动模型，包括：

通过求解纳维斯托克斯方程构建风场，其中，风场用于表征任意点的瞬间风速；根据风场获取任意点的风速与目标属性的拓扑关系，利用拓扑关系将风速与目标属性进行拓扑耦合得到物理驱动模型；

其中，所述根据所述物理驱动模型和所述数据驱动模型进行训练过程，确定目标损失函数，进而根据所述目标损失函数训练得到目标模型，包括：

对所述物理驱动模型进行训练得到第一损失函数，其中，所述物理驱动模型的训练过程满足纳维斯托克斯方程中的剩余项约束；对所述数据驱动模型进行训练得到第二损失函数，其中,所述数据驱动模型的训练过程同时拟合所有所述传感器当中的实测数据；将所述第一损失函数和所述第二损失函数通过神经网络模型进行结合得到目标损失函数。

2.根据权利要求1所述的风速预测方法，其特征在于，所述基于所述固定点历史值，通过纳维斯托克斯方程构建物理驱动模型，包括：

通过求解纳维斯托克斯方程构建风场，其中，所述风场用于表征任意点的瞬间风速；

根据所述风场获取任意点的风速与目标属性的拓扑关系，利用拓扑关系将风速与目标属性进行拓扑耦合得到物理驱动模型，其中，所述目标属性包括压强、温度。

3.根据权利要求2所述的风速预测方法，其特征在于，求解纳维斯托克斯方程的方法包括：

通过有限元分析法求解纳维斯托克斯方程，利用纳维斯托克斯方程的解获取所述任意点的风速。

4.根据权利要求1所述的风速预测方法，其特征在于，所述将所述第一损失函数和所述第二损失函数通过神经网络模型进行结合得到目标损失函数，包括：

调整所述剩余项约束和所述实测数据，使得损失函数最小化作为目标损失函数。

5.根据权利要求1所述的风速预测方法，其特征在于，所述根据所述目标模型对任意一点的风速进行预测，得到预测风速，包括：

根据所述目标模型预测任意点的风速，获取得到风速的损失值；

确定所述损失值小于或等于第一阈值，则确定风速为预测风速，其中所述第一阈值为允许误差的最大值。

6.一种风速预测装置，其特征在于，包括：

第一模块，用于获取固定点历史值，其中所述固定点历史值包括历史传感时间、历史传感位置、历史风速；

第二模块，用于基于所述固定点历史值，通过纳维斯托克斯方程构建物理驱动模型；其中，基于所述固定点历史值，通过纳维斯托克斯方程构建物理驱动模型，包括：通过求解纳维斯托克斯方程构建风场，其中，风场用于表征任意点的瞬间风速；根据风场获取任意点的风速与目标属性的拓扑关系，利用拓扑关系将风速与目标属性进行拓扑耦合得到物理驱动模型；

第三模块，用于获取固定点实时值和移动点实时值，其中所述固定点实时值包括实时固定点传感位置、实时固定点风速，所述移动点实时值包括实时移动点传感位置、实时移动点风速；

第四模块，用于将所述固定点实时值、所述移动点实时值和权重因子进行归一化处理得到数据驱动模型，其中所述权重因子根据选取的传感器的类型而改变，所述传感器用于获取风的相关数值，包括所述固定点历史值、所述固定点实时值和所述移动点实时值；

第五模块，用于根据所述物理驱动模型和所述数据驱动模型进行训练过程，确定目标损失函数，进而根据所述目标损失函数训练得到目标模型；其中，所述根据所述物理驱动模型和所述数据驱动模型进行训练过程，确定目标损失函数，进而根据所述目标损失函数训练得到目标模型，包括：对所述物理驱动模型进行训练得到第一损失函数，其中，所述物理驱动模型的训练过程满足纳维斯托克斯方程中的剩余项约束；对所述数据驱动模型进行训练得到第二损失函数，其中,所述数据驱动模型的训练过程同时拟合所有所述传感器当中的实测数据；将所述第一损失函数和所述第二损失函数通过神经网络模型进行结合得到目标损失函数；

第六模块，用于根据所述目标模型对任意一点的风速进行预测，得到预测风速。

7.一种电子设备，其特征在于，包括处理器以及存储器；

所述存储器用于存储程序；

所述处理器执行所述程序实现如权利要求1至5中任一项所述的方法。

8.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至5中任一项所述的方法。