CN115345076B

CN115345076B - 一种风速订正处理方法及装置

Info

Publication number: CN115345076B
Application number: CN202210997101.5A
Authority: CN
Inventors: 夏馨; 罗勇; 许文卿; 常蕊
Original assignee: Tsinghua University
Current assignee: Tsinghua University
Priority date: 2022-08-19
Filing date: 2022-08-19
Publication date: 2023-09-12
Anticipated expiration: 2042-08-19
Also published as: CN115345076A

Abstract

本发明提供一种风速订正处理方法及装置，涉及风力发电技术领域。所述方法包括：获取中尺度天气预报数据，并对所述中尺度天气预报数据进行数据预处理，得到气象矩阵；基于预设风速订正处理模型对所述气象矩阵进行订正处理，得到风速订正处理结果；其中，所述预设风速订正处理模型根据风速订正样本数据训练包含有注意力机制的LSTM模型得到。所述装置执行上述方法。本发明实施例提供的风速订正处理方法及装置，不仅可以进一步提高短期风速预报的准确性，而且还可以提高模型在各地区的普适性。

Description

一种风速订正处理方法及装置

技术领域

本发明涉及风力发电技术领域，具体涉及一种风速订正处理方法及装置。

背景技术

在碳中和的背景下，大规模开发利用可再生能源成了经济社会可持续发展的关键问题之一。在当前开发利用的可再生能源中，风能是技术较为成熟，具有大规模应用前景的可再生能源。过去十几年来，风力发电经历了高速成长的过程，风电装机容量逐年递增。风力发电在经历高速发展的同时，也面临着一系列的问题，受限于现有电网设备的电力输送以及储电的限制，风力发电的并网输电严重依赖于风速等气象条件的变化，气象变量的不确定性导致了风电并网的波动，从而降低电网的整体稳定性。

风电功率的不确定性会在一定程度上影响风电设备的运行，因此风电功率的预报是大规模发展风电的关键技术。根据风电的功率输出计算方法可知，风机的发电量跟风速大小直接相关，近地面层风速的预报是风电发电量预报的基础。

从目前已有方法和相关研究可以看出，风电场短期风速预报的方法有以数值天气预报模式为主的物理方法，包含时间序列模型和人工智能神经网络模型的统计方法，以及数值预报与统计方法相结合的综合方法等。其中出现较早，使用较多的短期风速预报方法是直接采用中尺度数值天气预报模式预报风速，如WRF、RAMS等模式。对于模式预报能力的优化，通常以调整模式的参数化方案、模式参数的选择和调优、加入资料同化部分等方面进行。

然而近地面层风速受地形、地表粗糙度、稳定度、湍流交换等诸多边界层因素影响较大，中尺度模式本身对边界层近地面层风速的模拟能力、参数化方案的刻画能力均存在较大局限性。除此外，中尺度模式预报结果水平方向存在于各个格点与实际观测点位置不能完全对应，只能通过插值的方法将近邻格点结果插值到目标位置；在垂直方向根据垂直分辨率的设置数据会分布在不同高度，再加上地形影响，不会直接得到目标高度风速，同样需要结合上下多层插值获得。基于中尺度数值天气预报给出的某一特定位置、近地面层特定高度处的风速会存在不可避免的系统误差和随机误差，故风速预报从模式角度优化的能力存在上限。

随着风电的迅速发展，风功率预测需要更高精度、准确的风速预报，期间更多方法得到发展。对数值天气预报采用动力、统计方法或机器学习的后处理订正，是提高预报准确率的有效方法也是目前的主流技术。统计方法的发展历史较为久远，最早的统计方法是采用MOS(Model Output Statistics)方法，MOS方法的使用流程简单，早期应用广泛；之后一些研究还通过分析数值模型的系统误差来进行与误差校正。例如将中尺度模型的网格点数据与观测数据进行了比较，获得了模型的系统偏差，从模型结果中减去平均系统偏差进行校正；而后卡尔曼滤波被广泛用于数值天气模型的后处理订正。

近年来，在人工智能的快速发展下，机器学习算法被用来对模式数据进行后处理订正，取得了相比统计和动力方法改进较好的表现，故目前使用机器学习方法进行订正的趋势明显。由于人工智能算法的飞速发展，机器学习方法有诸多算法被应用于此，如聚类算法、时序模型、树模型、神经网络、时间记忆网络等。其中支持向量机、BP神经网络等能够较好捕捉非线性关系的模型被广泛使用，也相较于其它机器学习模型有较好的表现。但是这些模型仍然存在算法上的缺陷，譬如传统机器学习算法对于特征维度过大的数据处理能力存在局限性；对处理较长时间序列类的数据难以捕捉其时间上的相关性，模型效果欠佳、不稳定、普适性较差等。

随着专门处理时间序列的循环神经网络类算法的出现，长时间序列问题逐步得到改进，其中长短时间记忆网络(Long-Short Term Memory，LSTM)是较为成熟、常用、有效的循环神经网络结构，但是一旦输入模型的数据长度过长、数据复杂度较大时，LSTM也无法传递有效的“记忆”。然而近地面的实际大气情况非常复杂，边界层内影响风速的因素较多，除去这些气象因素外，还存在像风机下垫面这类特殊下垫面的各因素影响。各个风电场及其测风塔或气象观测站点均散点式分布于各区域，大多订正方法采用逐点建模，所以也存在区域改进效果不一致，模型通用性差的情况。故对于短期预报风速的后处理订正方法仍需探索改进，不仅可以进一步提高短期风速预报的准确性，而且还可以提高模型在各地区的普适性。

发明内容

针对现有技术中的问题，本发明实施例提供一种风速订正处理方法及装置，能够至少部分地解决现有技术中存在的问题。

一方面，本发明提出一种风速订正处理方法，包括：

获取中尺度天气预报数据，并对所述中尺度天气预报数据进行数据预处理，得到气象矩阵；

基于预设风速订正处理模型对所述气象矩阵进行订正处理，得到风速订正处理结果；

其中，所述预设风速订正处理模型根据风速订正样本数据训练包含有注意力机制的LSTM模型得到。

其中，所述中尺度天气预报数据包括月份、小时和风向；相应的，所述对所述中尺度天气预报数据进行数据预处理，包括：

对所述月份、所述小时和所述风向进行独热编码处理，得到季节信息、昼夜信息和区间风向信息。

其中，所述中尺度天气预报数据包括不同高度风速；相应的，所述对所述中尺度天气预报数据进行数据预处理，包括：

对所述不同高度风速进行归一化处理。

其中，所述中尺度天气预报数据包括不同高度气温和不同高度气压；相应的，所述对所述中尺度天气预报数据进行数据预处理，包括：

对所述不同高度气温和所述不同高度气压进行标准化处理。

其中，所述包含有注意力机制的LSTM模型为依次相连的Attention主层结构和LSTM主层结构；相应的，所述基于预设风速订正处理模型对所述气象矩阵进行订正处理，得到风速订正处理结果，包括：

基于所述Attention主层结构对所述气象矩阵进行处理，得到注意力特征矩阵；

基于所述LSTM主层结构对所述注意力特征矩阵进行处理，得到所述风速订正处理结果。

其中，通过数据集获取所述风速订正样本数据；相应的，所述风速订正处理方法还包括：

若确定数据观测时间长度大于或等于1年，则按照预设固定时间间隔抽取数据，得到所述数据集；

若确定数据观测时间长度小于1年，则按照比例随机时间间隔抽取数据，得到所述数据集。

一方面，本发明提出一种风速订正处理装置，包括：

获取单元，用于获取中尺度天气预报数据，并对所述中尺度天气预报数据进行数据预处理，得到气象矩阵；

订正单元，用于基于预设风速订正处理模型对所述气象矩阵进行订正处理，得到风速订正处理结果；

再一方面，本发明实施例提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下方法：

本发明实施例提供一种计算机可读存储介质，包括：

所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如下方法：

本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如下方法：

本发明实施例提供的风速订正处理方法及装置，获取中尺度天气预报数据，并对所述中尺度天气预报数据进行数据预处理，得到气象矩阵；基于预设风速订正处理模型对所述气象矩阵进行订正处理，得到风速订正处理结果；其中，所述预设风速订正处理模型根据风速订正样本数据训练包含有注意力机制的LSTM模型得到，不仅可以进一步提高短期风速预报的准确性，而且还可以提高模型在各地区的普适性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，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。在附图中：

图1是本发明一实施例提供的风速订正处理方法的流程示意图。

图2是本发明一实施例提供的风速订正处理方法的说明示意图。

图3是本发明另一实施例提供的风速订正处理方法的流程示意图。

图4是本发明实施例提供的风速订正处理方法中划分数据集的说明示意图。

图5是本发明另一实施例提供系统说明示意图。

图6是本发明另一实施例提供的风速订正处理方法的流程示意图。

图7是本发明一实施例提供的风速订正处理装置的结构示意图。

图8为本发明实施例提供的计算机设备实体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。

图1是本发明一实施例提供的风速订正处理方法的流程示意图，如图2所示，本发明实施例提供的风速订正处理方法，包括：

步骤R1：获取中尺度天气预报数据，并对所述中尺度天气预报数据进行数据预处理，得到气象矩阵。

步骤R2：基于预设风速订正处理模型对所述气象矩阵进行订正处理，得到风速订正处理结果；

在上述步骤R1中，装置获取中尺度天气预报数据，并对所述中尺度天气预报数据进行数据预处理，得到气象矩阵。装置可以是执行该方法的计算机设备等，例如为服务器。本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。

所述中尺度天气预报数据包括月份、小时和风向；相应的，所述对所述中尺度天气预报数据进行数据预处理，包括：

其中，风向可以按照45°角度进行区间划分，得到N、S、E、W、NW、NE、SW和SE这8个方向的风向，再对8个风向进行独热编码处理，小时可分为24个种类的类别变量、月份可分为12个种类的类别变量，分别进行独热编码处理。

所述中尺度天气预报数据可以包括风速、风向、气温、气压、位势高度、绝对涡度、位势涡度等共205个变量，其中，有24个为小时特征、12个为月份特征、8个为方向特征，季节信息和昼夜信息即可体现在上述变量中，即得到具体是哪一个月份以及昼夜具体时刻的风速、风向、气温等变量。

独热编码处理为本领域成熟方法，不再赘述。

所述中尺度天气预报数据还包括不同高度风速；相应的，所述对所述中尺度天气预报数据进行数据预处理，包括：

对所述不同高度风速进行归一化处理。归一化处理后的数据为0～1之间的数据，具体归一化处理方法为本领域成熟方法，不再赘述。

所述中尺度天气预报数据还包括不同高度气温和不同高度气压；相应的，所述对所述中尺度天气预报数据进行数据预处理，包括：

对所述不同高度气温和所述不同高度气压进行标准化处理。不同变量标准化处理可以不同，标准化处理为本领域成熟方法，不再赘述。

如图2所示，气象矩阵可以为72×205的矩阵，表示的是气象时序数据。

在上述步骤R2中，装置基于预设风速订正处理模型对所述气象矩阵进行订正处理，得到风速订正处理结果；将气象矩阵输入至预设风速订正处理模型，将预设风速订正处理模型的输出结果作为风速订正处理结果。

其中，所述预设风速订正处理模型根据风速订正样本数据训练包含有注意力机制的LSTM模型得到。如图2所示，所述包含有注意力机制的LSTM模型为依次相连的Attention主层结构和LSTM主层结构，此网络结构由一个Attention主层+LSTM主层实现，Attention主层中包含多头注意力层和一个全连接层用来进行注意力汇聚，然后残差连接一个前馈神经网络和一个全连接层；LSTM主层包含了LSTM结构和一个全连接层。

如图2所示，所述基于预设风速订正处理模型对所述气象矩阵进行订正处理，得到风速订正处理结果，包括：

基于所述LSTM主层结构对所述注意力特征矩阵进行处理，得到所述风速订正处理结果。长短时间记忆网络(LSTM)是循环神经网络的一种。LSTM网络在普通循环神经网络的基础上加入了门控制，得以改进网络结构，使得时间相关信息可以得到更好的记忆。然而，LSTM的结构决定了LSTM依旧存在大小有限、方向单向、误差累积等缺陷。为解决此问题，本发明将注意力机制加在LSTM神经网络结构之前，先对气象矩阵进行一遍注意力计算转变为注意力特征矩阵，从而捕捉不同时间的相互关联的特征，再将注意力矩阵放入LSTM网络中最终得到风速订正处理结果。此神经网络设计弥补了单纯的LSTM网络的不足。

获取风速订正样本数据，包括：

确定预报风速订正场景及预报风速时效，然后收集获取目标位置长期观测数据；获得与观测时间对应的中尺度天气预报数据。

收集需要将预报风速进行订正处理的观测站或者测风塔的ID信息、经纬度等能够与其它位置区分的辅助信息。

再将收集的观测数据进行数据清洗、质量控制等预处理，将中尺度天气预报数据进行插值提取等预处理且与观测数据相匹配。

可以应用此方法进行预报风速订正的场景有风电场内测风塔观测位置、风电场内及周围存在单点风速观测位置、某一具体位置或气象观测站有长期风速观测资料的场景，其中将有观测的具体位置作为进行订正的目标位置；将目标位置处垂直方向有风速观测的高度作为订正的目标高度。预报风速时效与本发明中的预报风速订正时效一致，短期风速预报时效一般取0～72h、0～96h等。中尺度天气预报数据的中尺度数值模式是包含WRF模式在内的所有中尺度数值天气预报模式均可。

确定进行预报风速订正的场景后，收集目标位置、高度的长期风速观测数据，进而对观测数据进行预处理，观测数据预处理包括根据行业标准进行数据清洗和质量控制、确定观测数据时间间隔。模式数据不仅限于模式各层风速，中尺度模式各变量均需插值到目标位置，且中尺度模式在近地面层垂直方向包括目标高度处加密插值得到各层变量，提取该目标位置的所有变量。然后再筛选出与预处理后的观测数据时间、时间间隔均对应的中尺度模式所有变量。

对模型训练说明如下：

人工智能模型的输入数据为目标位置的中尺度天气预报各变量，在输入神经网络模型前需要针对变量本身特性选择不同的数据处理方法，经上述步骤后将气象矩阵输入Attention-LSTM神经网络，并以RMSE为损失函数进行训练，通过参数调优取得最优参数，并保存模型。

如图3所示，通过数据集获取所述风速订正样本数据；相应的，所述风速订正处理方法还包括：

数据集的划分方法根据输入建模数据的长度可以分别使用两种，一种是以固定间隔抽取划分数据集的方法；另一种是按照比例随机划分数据集的传统方法。由于大气连续的特性，不使用传统机器学习按比例随机划分训练集和测试集的方法，使用以“天”为单位，固定间隔抽取测试集的方法进行数据集划分。针对数据长度超过一年的情况选用以固定间隔抽取划分数据集的方式更为合理。数据处理方法中根据不同变量选择“标准化”、“归一化”、“独热编码”的方法。

如图4所示，为按照上述两种方法得到的数据集。

如图5所示，本发明实施例方法可以基于模块化来实现，具体包括：

数据模块，包括建模的数据和订正实际应用的数据两部分，以及一个数据预处理单元。分别将建模和订正应用所需数据存储在此单元。

计算模块，包括人工智能建模单元、模型存储单元以及数据处理单元和风速订正单元。

人工智能建模单元是为每个目标位置目标高度建立对应模型的，其中建模的人工智能算法为本发明提出的Attention-LSTM神经网络，建模的具体流程参照上述说明。

模型存储单元是不同目标位置通过人工智能建模后将训练好的带有参数的完整模型以及每个目标位置对应的数据处理方法都以每个目标位置的其它辅助信息进行区分命名存储(如：ID+经纬度的命名方式)。

数据处理单元是将实时中尺度天气预报数据进行所需的“标准化”、“归一化”、“独热编码”处理以便实际订正方法应用。

风速订正单元则是将具体的目标位置建好的模型结合处理好的输入的实时中尺度天气预报数据给出最终订正出来的风速结果。

数据库模块，将订正出来的风速结果传输至此模块，按时间顺序排列以每个目标位置为区分进行保存，形成完整的数据库。同时也可以按需从数据库中以csv或txt等多种文件格式提取所需数据。

诸多备用模块，在以上模块的基础上，可以根据实际需求再添加其他模块，此处称为备用模块。例如滚动更新模块，为满足某些领域对风速预报的高频、滚动更新的需求即可添加以发挥功能。

本发明的有益效果如下：

基于注意力机制和时序相关性神经网络的预报风速订正方法和系统，提高了预报准确率，具有较强的普适性。给出了包含数据模块、计算模块、数据库模块为基础以及可以添加其他需求为辅助备用模块的预报风速订正完整系统。

在使用此方法进行的试验中，0～24、24～48、48～72小时的短期风速预报订正中都取得了更好的效果，使用Attention-LSTM模型订正了的预报风速与不进行订正的预报风速在测试数据上风速的均方根误差进一步减小，一致性指数提升，相关系数的提升，综合误差减小，且多个测风塔在订正后预报结果准确度均明显提升。

如图6所示，结合具体示例对方法说明如下：

S1：确定预报风速订正场景及预报时效，获取目标位置长期观测数据；获得与观测数据对应的中尺度天气预报数据以及其它辅助信息。将上述数据进行数据预处理。

预报风速订正场景为多座测风塔0-24小时的预报风速订正，观测数据时长为1年的轮毂高度观测数据；中尺度数值天气预报为WRF模式，采用回算历史模式的方法获得对应的历史观测时期的每天0-24小时的预报，时间颗粒度为10分钟/个。每座测风塔具有ID信息、经纬度为辅助信息。此实施例中使用WRF模式回算的变量包括各层：风速、风向、气温、气压、位势高度、绝对涡度、位势涡度等超百个气象变量。

将观测数据和WRF模式数据进行数据处理。首先，观测数据依据行业标准进行数据清洗和质量控制；其次，将WRF模式等中尺度天气预报数据在水平方向上使用双线性插值，插值到目标位置处；再次，WRF模式在垂直方向近地面层加密输出且在风机高度范围有2层及以上的模式层，并根据廓线线性插值出目标高度的模式结果。

在进行订正效果的评估时，需要选取评估指标来衡量模型效果。此示例考虑从多个角度给出四个评价指标和一个综合指标，分别为均方根误差(RMSE)、一致性指数(IA)、平均绝对百分误差(MAPE)、皮尔逊相关系数(R)和综合指标DISO(distance between indicesof simulation and observation)值：

DISO值越接近0，模型与观测越接近，效果越好。此实施例中所用评估指标为DISO综合指标。

S2：搭建包含注意力机制的LSTM神经网络模型。即Attention-LSTM模型，此网络结构由一个包含多头注意力的Attention主层+LSTM主层实现。

搭建包含注意力机制的LSTM神经网络模型。将注意力机制加在LSTM神经网络结构之前，先对气象矩阵进行一遍注意力计算转变为注意力特征矩阵，从而捕捉不同时间的相互关联的特征，再将注意力矩阵放入LSTM网络中最终得到风速订正结果。

其中，多头注意力机制使用了计算效率较高的缩放点积注意力评分函数，即将输入气象矩阵线性投影出Q,K,V三个矩阵：

其中，d_k是Q,K矩阵的列数。在每次训练操作中，每个时刻有205个包含气象特征的变量，将72个时刻的连续结果作为输入。对于输入数据，每个时间点都通过多头注意力结构与其余的时间点的变量相互组合产生该时间点的注意力向量。由72个时刻×205个变量组成的气象矩阵通过Attention主层后得到72×205的注意力特征矩阵，将注意力矩阵作为输入数据，输入到LSTM结构中，通过LSTM网络得到最终的风速输出结果，最后利用已有的观测风速和风速输出结果进行对比，计算损失函数，更新整个网络结构的权重。

此实施例中LSTM部分网络层数为1、每层神经元个数为1024、训练数据Epoch为10、Batch Size为512、时间步数为72；多头注意力中多头的数目为8。

S3：将步骤S1中处理好的数据结合步骤S2搭建的基于注意力机制和时序相关性神经网络(Attention-LSTM模型)，给出进行人工智能建模的具体流程方法。如数据集的划分、输入神经网络前的数据处理、模型训练、调参、参数确定、保存模型等。

将步骤S1中处理好的数据结合步骤S2搭建的基于注意力机制和时序相关性神经网络(Attention-LSTM模型)，按照AI建模的具体流程如图3所示进行建模。

将WRF模式回算的d个变量作为“特征”，观测风速为“标签”。由于大气连续的特性，且数据观测长度大于1年，故使用以“天”为单位，固定间隔抽取测试集的方法进行数据集的划分。即每个月日期为3，7，11，15，19，23和27的数据作为测试集，每个月其余日期的数据作为训练集。

对于输入神经网络的“特征”进行数据处理，根据不同数据的特征进行归一化、标准化处理。示例中将不同高度风速进行归一化处理；不同高度气温和不同高度气压数据进行标准化处理；月份、小时、风向进行独热编码处理。其中对于“风向”、“月份”、“时刻”这种类别数据进行独热编码处理，得到区间风向信息、季节信息和昼夜信息，可以将某风向区间内信息、季节信息和昼夜信息传递进入人工智能模型。

由于WRF模式输出数据变量庞大，故前期已使用机器学习方法梯度提升决策树(GBDT)进行了特征缩减，将处理后的重要特征保留至205个。将处理好的“特征”放入模型，以RMSE作为损失函数放入神经网络模型中训练，参数调优至模型收敛且测试集RMSE较小。

如图5所示，结合具体示例对系统说明如下：

系统包括：

数据模块，用于存储建模和订正应用的所有输入模型的数据，并且实现对原始气象数据进行预处理订正的功能；

计算模块，用于针对目标位置进行AI建模计算和存储模型，将实时数据输入预测模型进行风速订正计算；

数据库模块，用于存储订正后的预报风速数据；

滚动模块，作为备用模块使用，用于需要每天多次更新时进行循环调用数据和模型滚动订正。

所属数据模块包括：

用于建模的数据，第一次使用订正系统需要放入目标位置的长期风速观测数据，中尺度天气预报选择的是WRF模式，为匹配观测数据可收集历史的WRF预报数据的方法，如果没有历史数据可以采用WRF模式回算，模式数据各层、各种总量共有d个。还需地理位置、塔的身份信息等辅助信息用来为计算模块中所建模型区分命名。

应用此系统进行订正的数据，目标位置的实时WRF预报，共d个变量。以及与建模相同的辅助信息，以便准确匹配存储模型的调用。

数据预处理单元，将观测数据进行数据清洗和质量控制；将WRF模式等中尺度天气预报数据分别在在水平、垂直方向插值到对应位置；保持WRF模式数据每个时刻和时间间隔均应与观测对应。

所属计算模块包括：

AI建模单元，经过预处理后的用于建模的数据进入此单元，建模的具体流程如上述说明。将WRF模式回算的d个变量作为“特征”，观测风速为“标签”。根据观测数据时间长度进行判断，如果观测数据长度超过1年，则使用固定间隔抽取划分数据集方法，进一步使用数据处理方法，如进行“标准化”、“归一化”、“独热编码”，实现对包含季节特征的数据处理。

如果观测数据长度不足1年，则使用按照固定比例随机划分数据集方法，进一步使用数据处理方法，如进行“标准化”、“归一化”、“独热编码”方法，实现对不包含季节特征的数据处理。

将处理好的数据放入模型，以RMSE作为损失函数放入神经网络模型中训练，若训练过程中模型收敛，且测试集RMSE较小且稳定，则保存含有参数的完整模型，以#ID_lonlat.pkl(其中#ID为辅助信息中的身份信息、lonlat为经纬度)的形式存储和命名以便使用时准确匹配，同时保存对应的数据处理方法，同样以#ID_functionA/B命名，A和B用于区分使用固定间隔抽取划分数据集方法，以及使用按照固定比例随机划分数据集方法。

若模型训练结果不好，则进一步判断是否因为WRF模式输入特征过多，如果超过阈值，可进一步使用梯度提升决策树(GBDT)进行特征重要性筛选，实现特征缩减，再放入Attention-LSTM模型进行训练、判断、保存等步骤。该单元将保存好的模型#ID_lonlat.pkl和对应数据处理方法#ID_functionA/B传递至模型存储单元。

数据处理单元，其中方法A进行“标准化”、“归一化”、“独热编码”方法，进行包含季节特征的数据处理；方法B进行“标准化”、“归一化”、“独热编码”方法，进行不包含季节特征的数据处理。此单元功能为实际应用时挑选目标位置与建模匹配的数据处理方法，将实时WRF数据按所选数据处理方法A/B处理完，传递至风速订正单元。

模型存储单元，将AI建模后的带参数的完整模型传递至此单元，此单元将所有创建的模型与对应数据处理方法统一存储。实际应用时，通过实时的辅助信息输入此单元，准确匹配所存储的模型并将模型传递给风速订正单元。同时将匹配的数据处理方法传递至数据处理单元对实时WRF模式数据进行处理。

风速订正单元，由模型存储单元传递过来的模型结合数据处理单元传递过来的数据，将数据输入模型并计算出预测结果即订正后的风速结果，并将风速结果传递给数据库模块或备用模块进行更新判断。

所属数据库模块包括：

汇集并存储所有订正后的风速结果。不启用滚动模块时，从计算模块的风速订正单元计算后的风速数据直接传递到数据库中；需要滚动时，每次更新完将最新的风速结果传递至此。均按时间顺序排列并以每个目标位置ID为区分进行汇总保存，形成完整的数据库。同时也可以按需从数据库中以csv或txt等多种文件格式提取所需数据。

所属备用滚动模块，包括：

为满足某些领域需要每天多次订正预报风速，更新频率较高的需求，可以启用此模块，但一般默认为不启用此模块。若每天更新频率为n次/天，即每m个小时重新抽取数据输入模型进行订正计算，其中n×m＝24。

本发明实施例提供的风速订正处理方法，获取中尺度天气预报数据，并对所述中尺度天气预报数据进行数据预处理，得到气象矩阵；基于预设风速订正处理模型对所述气象矩阵进行订正处理，得到风速订正处理结果；其中，所述预设风速订正处理模型根据风速订正样本数据训练包含有注意力机制的LSTM模型得到，不仅可以进一步提高短期风速预报的准确性，而且还可以提高模型在各地区的普适性。

进一步地，所述中尺度天气预报数据包括月份、小时和风向；相应的，所述对所述中尺度天气预报数据进行数据预处理，包括：

对所述月份、所述小时和所述风向进行独热编码处理，得到季节信息、昼夜信息和区间风向信息。可参照上述说明，不再赘述。

进一步地，所述中尺度天气预报数据包括不同高度风速；相应的，所述对所述中尺度天气预报数据进行数据预处理，包括：

对所述不同高度风速进行归一化处理。可参照上述说明，不再赘述。

进一步地，所述中尺度天气预报数据包括不同高度气温和不同高度气压；相应的，所述对所述中尺度天气预报数据进行数据预处理，包括：

对所述不同高度气温和所述不同高度气压进行标准化处理。可参照上述说明，不再赘述。

进一步地，所述包含有注意力机制的LSTM模型为依次相连的Attention主层结构和LSTM主层结构；相应的，所述基于预设风速订正处理模型对所述气象矩阵进行订正处理，得到风速订正处理结果，包括：

基于所述Attention主层结构对所述气象矩阵进行处理，得到注意力特征矩阵；可参照上述说明，不再赘述。

基于所述LSTM主层结构对所述注意力特征矩阵进行处理，得到所述风速订正处理结果。可参照上述说明，不再赘述。

进一步地，通过数据集获取所述风速订正样本数据；相应的，所述风速订正处理方法还包括：

若确定数据观测时间长度大于或等于1年，则按照预设固定时间间隔抽取数据，得到所述数据集；可参照上述说明，不再赘述。

若确定数据观测时间长度小于1年，则按照比例随机时间间隔抽取数据，得到所述数据集。可参照上述说明，不再赘述。

图7是本发明一实施例提供的风速订正处理装置的结构示意图，如图7所示，本发明实施例提供的风速订正处理装置，包括获取单元701和订正单元702，其中：

获取单元701用于获取中尺度天气预报数据，并对所述中尺度天气预报数据进行数据预处理，得到气象矩阵；订正单元702用于基于预设风速订正处理模型对所述气象矩阵进行订正处理，得到风速订正处理结果；其中，所述预设风速订正处理模型根据风速订正样本数据训练包含有注意力机制的LSTM模型得到。

具体的，装置中的获取单元701用于获取中尺度天气预报数据，并对所述中尺度天气预报数据进行数据预处理，得到气象矩阵；订正单元702用于基于预设风速订正处理模型对所述气象矩阵进行订正处理，得到风速订正处理结果；其中，所述预设风速订正处理模型根据风速订正样本数据训练包含有注意力机制的LSTM模型得到。

本发明实施例提供的风速订正处理装置，获取中尺度天气预报数据，并对所述中尺度天气预报数据进行数据预处理，得到气象矩阵；基于预设风速订正处理模型对所述气象矩阵进行订正处理，得到风速订正处理结果；其中，所述预设风速订正处理模型根据风速订正样本数据训练包含有注意力机制的LSTM模型得到，不仅可以进一步提高短期风速预报的准确性，而且还可以提高模型在各地区的普适性。

本发明实施例提供风速订正处理装置的实施例具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。

图8为本发明实施例提供的计算机设备实体结构示意图，如图8所示，所述计算机设备包括：存储器801、处理器802及存储在存储器801上并可在处理器802上运行的计算机程序，所述处理器802执行所述计算机程序时实现如下方法：

本实施例公开一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如下方法：

本实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如下方法：

本发明实施例与现有技术中的技术方案相比，获取中尺度天气预报数据，并对所述中尺度天气预报数据进行数据预处理，得到气象矩阵；基于预设风速订正处理模型对所述气象矩阵进行订正处理，得到风速订正处理结果；其中，所述预设风速订正处理模型根据风速订正样本数据训练包含有注意力机制的LSTM模型得到，不仅可以进一步提高短期风速预报的准确性，而且还可以提高模型在各地区的普适性。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在本说明书的描述中，参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“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。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，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，均应包含在本发明的保护范围之内。

Claims

1.一种风速订正处理方法，其特征在于，包括：

其中，所述预设风速订正处理模型根据风速订正样本数据训练包含有注意力机制的LSTM模型得到；

所述包含有注意力机制的LSTM模型为依次相连的Attention主层结构和LSTM主层结构；相应的，所述基于预设风速订正处理模型对所述气象矩阵进行订正处理，得到风速订正处理结果，包括：

基于所述LSTM主层结构对所述注意力特征矩阵进行处理，得到所述风速订正处理结果；

Attention主层中包含多头注意力层和一个全连接层用来进行注意力汇聚，然后残差连接一个前馈神经网络和一个全连接层；

其中，多头注意力层使用了缩放点积注意力评分函数，即将输入气象矩阵线性投影出Q,K,V三个矩阵：

；

其中，是Q,K矩阵的列数，在每次训练操作中，每个时刻有205个包含气象特征的变量，将72个时刻的连续结果作为输入，对于输入数据，每个时间点都通过多头注意力结构与其余的时间点的变量相互组合产生该时间点的注意力向量，由72个时刻×205个变量组成的气象矩阵通过Attention主层后得到72×205的注意力特征矩阵，将注意力矩阵作为输入数据，输入到LSTM结构中，通过LSTM网络得到最终的风速输出结果，最后利用已有的观测风速和风速输出结果进行对比，计算损失函数，更新整个网络结构的权重。

2.根据权利要求1所述的风速订正处理方法，其特征在于，所述中尺度天气预报数据包括月份、小时和风向；相应的，所述对所述中尺度天气预报数据进行数据预处理，包括：

3.根据权利要求1所述的风速订正处理方法，其特征在于，所述中尺度天气预报数据包括不同高度风速；相应的，所述对所述中尺度天气预报数据进行数据预处理，包括：

对所述不同高度风速进行归一化处理。

4.根据权利要求1所述的风速订正处理方法，其特征在于，所述中尺度天气预报数据包括不同高度气温和不同高度气压；相应的，所述对所述中尺度天气预报数据进行数据预处理，包括：

对所述不同高度气温和所述不同高度气压进行标准化处理。

5.根据权利要求1至4任一所述的风速订正处理方法，其特征在于，通过数据集获取所述风速订正样本数据；相应的，所述风速订正处理方法还包括：

6.一种风速订正处理装置，其特征在于，包括：

所述包含有注意力机制的LSTM模型为依次相连的Attention主层结构和LSTM主层结构；相应的，所述订正单元具体用于：

；

7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5任一所述方法。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至5任一所述方法。