CN115905997B - 基于预测偏差优化的风电机组气象灾害预警方法及系统 - Google Patents

Abstract

本发明公开了基于预测偏差优化的风电机组气象灾害预警方法及系统，该方法包括获取风电机组测量点气象数据；训练第一风速分析模型；基于训练完成的第一风速分析模型获取风速的第一预测数据；获取当前测量点和邻域测量点的风速数据；分析当前测量点和邻域测量点的风速的相关性特征；基于所述相关性特征和邻域测量点的风速的未来预测数据，获取当前测量点的风速的第二预测数据；基于所述第一预测数据和第二预测数据融合作为风电机组的风速优化预测数据。本发明有效提高风电机组风速预测的准确性，规避气象灾害对风电设备产生的风险，提升机组运行效率和使用寿命。

Description

基于预测偏差优化的风电机组气象灾害预警方法及系统

技术领域

本发明涉及风电机组安全管控技术领域，具体涉及一种基于预测偏差优化的风电机组气象灾害预警方法及系统。

背景技术

随着全球气候变暖趋势加快，极端天气造成的风电场运行故障也越来越频发。而与此同时，风电机组降本带来的冗余空间缩小和大叶轮大容量新型机组发展，对风电机组的气象灾害预警也就成为风电行业必须重视的环节。本发明主要是针对由大风等气象环境所引发的风电场灾害天气预警技术。现有技术中，多是基于单一风机的历史风速数据预测该风机的未来风速数据，输入特征较为单一，而由于风机所处风场会收到地形、相邻风场、环境等多因素影响，导致基于单一输入特征得到的风机未来风速数据预测精度不理想。

发明内容

针对上述现有技术存在的问题，本发明提供了一种基于预测偏差优化的风电机组气象灾害预警方法及系统，通过考虑相关气象因子对于风速的影响以及邻域测量点对当前测量点风速的影响，对风速预测数据进行修正，提高风电机组风速预测的准确性，规避风电机组气象风险。

第一方面，本发明提供了一种基于预测偏差优化的风电机组气象灾害预警方法，包括：

获取风电机组测量点气象数据的历史实际数据、历史预测数据和未来预测数据，所述气象数据包括风速和与风速变化相关的第一预设个类型的相关气象因子；

基于风速和相关气象因子的历史预测数据作为输入，以风速的历史实际数据作为输出，训练第一风速分析模型；

基于风速和相关气象因子的未来预测数据作为第一风速分析模型的输入，获取风速的第一预测数据；

基于当前风机组风速数据的测量点确定预设个邻域测量点，获取当前测量点和邻域测量点的风速的历史实际数据、历史预测数据和未来预测数据；

基于当前测量点和邻域测量点的风速的历史实际数据分析当前测量点和邻域测量点的风速的相关性特征；

基于所述相关性特征和邻域测量点的风速的未来预测数据，获取当前测量点的风速的第二预测数据；

基于所述第一预测数据和第二预测数据融合作为风电机组的风速优化预测数据。

在一种实施方式中，所述与风速变化相关的第一预设个类型的相关气象因子的获取方法包括：

基于风速和气象因子的N1个时刻数据计算历史时序数据中风速与所述气象因子的第一相关性系数，所述第一相关性系数R(k)为

其中x₀(k)是第k时刻的风速数据；x_i(k)是第k时刻气象因子的数据，d(i,k)＝|x₀(k)-x_i(k)|，α为调节系数；

基于与风速的第一相关性系数大小获取与第一预设个类型的相关气象因子。

在一种实施方式中，所述基于风速和相关气象因子的历史预测数据作为输入，以风速的历史实际数据作为输出，训练第一风速分析模型；

所述第一风速分析模型基于卷积神经网络实现，所述第一风速分析模型对于输入数据进行数据处理的过程，包括：

基于同一时刻的风速和相关气象因子的历史预测数据进行特征融合，获得三维特征信息；

基于历史时间段的三维特征信息转换为W*H矩阵形式的三维特征信息，记为第一输入数据图；

基于第一输入数据图经过卷积层网络进行特征提取，并经过池化层网络进行特征融合；

所述卷积层网络进行特征提取的过程包括：

基于第一输入数据图，获取以位置A为中心的目标区域，并基于所述目标区域位置获取以位置B为中心的邻域区域；

基于邻域区域与所述目标区域像素分布的相似性作为所述邻域区域的权重，基于所述邻域区域像素与所述邻域区域的权重，更新所述目标区域的像素值。

在一种实施方式中，所述基于当前测量点和邻域测量点的风速的历史实际数据分析当前测量点和邻域测量点的风速的相关性特征，包括：

基于当前测量点和邻域测量点的风速的历史实际数据以时间间隔t1进行划分后获得M个数据段，分析当前测量点的历史风速数据的M个数据段和邻域测量点的历史风速数据的M个数据段的第二相关性系数；

更新时间间隔t1，并更新所述第二相关性系数以获得第二相关性系数最大时的时间间隔作为目标时间间隔；

以所述目标时间间隔作为当前测量点和邻域测量点的风速的相关性特征。

在一种实施方式中，所述第二相关性系数ρ为：

其中，v_a为当前测量点的风速，/>

为第j个邻域测量点的风速，N为参与相关性系数ρ计算的样本个数。

在一种实施方式中，所述基于当前测量点和邻域测量点的风速的历史实际数据分析当前测量点和邻域测量点的风速的相关性特征，包括：

基于当前测量点和邻域测量点的风速的历史实际数据中第一时间段数据为输入，基于预设卷积网络提取当前测量点和邻域测量点的风速的相关性特征，以当前测量点的历史实际数据中第二时间段数据为输出，训练第二风速分析模型；

所述基于所述相关性特征和邻域测量点的风速的未来预测数据，获取当前测量点的风速的第二预测数据，包括：

以当前测量点和邻域测量点的风速的历史实际数据中第三时间段数据为训练完成的第二风速分析模型的输入；

基于第二风速分析模型的输出获取当前测量点的第四时间段数据作为第二预测数据，所述第四时间段为未来时间段，所述第三时间段数据为与未来时间段相邻的历史时间段。

在一种实施方式中，所述基于预设卷积网络提取当前测量点和邻域测量点的风速的相关性特征，包括：

基于上一卷积层的每个卷积核输出的特征图与当前卷积层第i个卷积核进行卷积计算后经过激活函数处理得到当前卷积层第i个卷积核输出的特征图，其中预设卷积网络的最后一层卷积层输出的所有特征图表征所述当前测量点和邻域测量点的风速的相关性特征。

第二方面，本发明提供了一种基于预测偏差优化的风电机组气象灾害预警系统，该系统包括：

第一数据获取单元，用于获取风电机组测量点气象数据的历史实际数据、历史预测数据和未来预测数据，所述气象数据包括风速和与风速变化相关的第一预设个类型的相关气象因子；

第一模型训练单元，用于基于风速和相关气象因子的历史预测数据作为输入，以风速的历史实际数据作为输出，训练第一风速分析模型；

第一预测单元，用于基于风速和相关气象因子的未来预测数据作为第一风速分析模型的输入，获取风速的第一预测数据；

第二数据获取单元，用于基于当前风机组风速数据的测量点确定预设个邻域测量点，获取当前测量点和邻域测量点的风速的历史实际数据、历史预测数据和未来预测数据；

特征提取单元，用于基于当前测量点和邻域测量点的风速的历史实际数据分析当前测量点和邻域测量点的风速的相关性特征；

第二预测单元，用于基于所述相关性特征和邻域测量点的风速的未来预测数据，获取当前测量点的风速的第二预测数据；

第三预测单元，用于基于所述第一预测数据和第二预测数据融合作为风电机组的风速优化预测数据。

第三方面，本发明提供了一种电子设备，所述电子设备包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器通过运行所述可执行指令以实现如第一方面所述的基于预测偏差优化的风电机组气象灾害预警方法。

第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机指令，所述指令被处理器执行时实现如第一方面所述的基于预测偏差优化的风电机组气象灾害预警方法的步骤。

本发明的基于预测偏差优化的风电机组气象灾害预警方法及系统，具备如下有益效果：通过第一风速分析模型，考虑相关气象因子对于风速的影响，综合相关气象因子和风速对风速的未来预测数据进行修正，得到风速的第一预测数据，通过分析当前测量点和邻域测量点的风速的相关性特征，基于邻域测量点和当前测量点的风速的未来预测数据，对当前测量点的风速的未来预测数据进行修正，得到风速的第二预测数据，并基于第一预测数据和第二预测数据融合，有效提高风电机组风速预测的准确性，进而可根据气象灾害对风电设备产生的破坏性影响进行预测预警，通过风机采取相应的系统控制策略，规避风险，消除或降低重大事故发生，减少故障发生率，提升机组运行效率和使用寿命。

附图说明

图1是本申请实施例中一种基于预测偏差优化的风电机组气象灾害预警方法的流程示意图；

图2是本申请实施例中第一预设个类型的相关气象因子的获取方法流程示意图；

图3是本申请实施例中第一风速分析模型对于输入数据进行数据处理的过程示意图；

图4是本申请实施例中一种基于预测偏差优化的风电机组气象灾害预警系统结构示意图。

具体实施方式

本申请实施例提供了一种基于预测偏差优化的风电机组气象灾害预警方法，包括：

步骤1，获取风电机组测量点气象数据的历史实际数据、历史预测数据和未来预测数据，所述气象数据包括风速和与风速变化相关的第一预设个类型的相关气象因子；

步骤2，基于风速和相关气象因子的历史预测数据作为输入，以风速的历史实际数据作为输出，训练第一风速分析模型；

步骤3，基于风速和相关气象因子的未来预测数据作为训练完成的第一风速分析模型的输入，获取风速的第一预测数据；

步骤4，基于当前风机组风速数据的测量点确定预设个邻域测量点，获取当前测量点和邻域测量点的风速的历史实际数据、历史预测数据和未来预测数据；

步骤5，基于当前测量点和邻域测量点的风速的历史实际数据分析当前测量点和邻域测量点的风速的相关性特征；

步骤6，基于所述相关性特征和邻域测量点的风速的未来预测数据，获取当前测量点的风速的第二预测数据；

步骤7，基于所述第一预测数据和第二预测数据融合作为风电机组的风速优化预测数据。

本申请实施例中，通过第一风速分析模型，考虑相关气象因子对于风速的影响，综合相关气象因子和风速对风速的未来预测数据进行修正，得到风速的第一预测数据，通过分析当前测量点和邻域测量点的风速的相关性特征，基于邻域测量点和当前测量点的风速的未来预测数据，对当前测量点的风速的未来预测数据进行修正，得到风速的第二预测数据，并基于第一预测数据和第二预测数据融合，有效提高风力速度预测的准确性，进而可根据气象灾害对风电设备产生的破坏性影响进行预测预警，通过风机采取相应的系统控制策略，规避风险，消除或降低重大事故发生，减少故障发生率，提升机组运行效率和使用寿命。

可以理解，其中步骤4中基于当前风机组风速数据的测量点确定预设个邻域测量点，可以是以当前测量点为中心的多个邻域测量点，优选的，为了便于计算，当前测量点和多个邻域测量点位置呈矩阵阵列分布。

进一步的，上述步骤1中，与风速变化相关的第一预设个类型的相关气象因子的获取方法包括：

步骤11，基于风速和气象因子的N1个时刻数据计算历史时序数据中风速与所述气象因子的第一相关性系数，所述第一相关性系数R(k)为

其中x₀(k)是第k时刻的风速数据；x_i(k)是第k时刻气象因子的数据，d(i,k)＝|x₀(k)-x_i(k)|，α为调节系数，取值范围为0到1之间，R(k)为k时刻风速数据和气象因子数据的相关性系数；

步骤12，基于与风速的第一相关性系数大小获取与第一预设个类型的相关气象因子。

可以理解，上述所有气象因子包括风速和其它例如风向、温湿度、气压等不同类型的候选气象因子，本申请实施例中，基于所有气象因子的时序序列进行第一相似性系数分析，选择相似性系数较大的候选气象因子作为相关气象因子，形成第一风速分析模型的训练和分析数据。基于R(k)获取N1个时刻中每个时刻k时风速数据和气象因子数据的第一相关性系数，进而基于N1个时刻的R(k)融合可以得到风速数据和气象因子数据的第一相关性系数，基于该步骤可以分别得到风速数据和不同候选气象因子的第一相关性系数，进而获取多个候选气象因子中的第一预设个相关气象因子。可以理解，在上述基于N1个时刻的R(k)融合中，可以是指取N1个时刻的R(k)的平均值等方法进行融合，也可以是其他融合方法。

进一步的，上述步骤2中，第一风速分析模型基于卷积神经网络实现，该第一风速分析模型对于输入数据进行数据处理的过程，包括：

步骤21，基于同一时刻的风速和相关气象因子的历史预测数据进行特征融合，获得三维特征信息；

步骤22，基于历史时间段的三维特征信息转换为W*H矩阵形式的三维特征信息，记为第一输入数据图；

步骤23，基于第一输入数据图经过卷积层网络进行特征提取，并经过池化层网络进行特征融合；

所述卷积层网络进行特征提取的过程包括：

步骤231，基于第一输入数据图，获取以位置A为中心的目标区域，并基于所述目标区域位置获取以位置B为中心的邻域区域；

步骤232，基于邻域区域与所述目标区域像素分布的相似性作为所述邻域区域的权重，基于所述邻域区域像素与所述邻域区域的权重，更新所述目标区域的像素值。

步骤233，基于所有目标区域像素值更新后的图像作为初步特征提取结果，进一步的，本申请实施例中还可以继续采用其他卷积层网络进行特征提取优化等处理，也可以直接将初步特征提取结果输入到池化层进行特征融合处理。

本申请中，基于基于风速和相关气象因子数据作为第一风速分析模型，该第一风速分析模型实现提取风速和相关气象因子数据之间的相关性特征，即相关气象因子数据对风速数据的影响，输出修正后的风速数据，本申请中利用卷积神经网络对特征提取的优势，基于卷积神经网络构建第一风速分析模型，进一步的，本申请中，在将风速和相关气象因子的数据作为第一风速分析模型的输入时(包括第一风速分析模型的训练过程和训练完成后实际用于分析的过程)，将风速和相关气象因子的数据转换为类似于三通道图像结构的数据，具体来说，包括：

(1)先获取时间长度为L＝W*H的风速和相关气象因子的时序数据段；

(2)然后将基于同一时刻的风速和相关气象因子数据进行特征融合，将同一时刻的融合转换为三维数据，该步骤中对于同一时刻的风速和相关气象因子数据进行特征融合可以基于对每个时序数据小波分解后，基于分解后的多个分量提取其中三个分量数据形成三维数据；

(3)将L＝W*H时间长度的三维数据按照时间顺序转换为W行H列的矩阵形式的三维数据。

可以理解，一般卷积神经网络对输入数据的处理过程包括卷积层、池化层、全连接层，其中卷积层主要用于特征提取，池化层主要用于特征融合降维，进一步的，第一风速分析模型对输入数据即三维的第一输入数据图进行特征提取时，采用以位置B为中心的邻域区域的像素分布情况更新目标区域的像素值，实现对第一输入数据图中非关键性数据的过滤和关键性数据的特征提取。其中，邻域区域与所述目标区域像素分布的相似性可以基于邻域区域图像和目标区域图像的余弦相似度获取。

进一步的，上述步骤5中，基于当前测量点和邻域测量点的风速的历史实际数据分析当前测量点和邻域测量点的风速的相关性特征，包括：

步骤511，基于当前测量点和邻域测量点的风速的历史实际数据以时间间隔t1进行划分后获得M个数据段，分析当前测量点的历史风速数据的M个数据段和邻域测量点的历史风速数据的M个数据段的第二相关性系数；

步骤512，更新时间间隔t1，并更新所述第二相关性系数以获得第二相关性系数最大时的时间间隔作为目标时间间隔；

步骤513，以所述目标时间间隔作为当前测量点和邻域测量点的风速的相关性特征。

其中，步骤511中的第二相关性系数ρ为：

其中，v_a为当前测量点的风速，/>

为第j个邻域测量点的风速，N为参与相关性系数ρ计算的样本个数。

进一步的，上述步骤6中基于所述相关性特征和邻域测量点的风速的未来预测数据，获取当前测量点的风速的第二预测数据，可以是：

步骤611，基于目标时间间隔t2确定为邻域测量点相对于当前测量点风速的延时时间，进而目标时间间隔t2和邻域测量点的风速的未来预测数据获取当前测量点的风速的第二预测数据。

在一种实施方式中，上述补助5，基于当前测量点和邻域测量点的风速的历史实际数据分析当前测量点和邻域测量点的风速的相关性特征，包括：

步骤521，基于当前测量点和邻域测量点的风速的历史实际数据中第一时间段数据为输入，基于预设卷积网络提取当前测量点和邻域测量点的风速的相关性特征，以当前测量点的历史实际数据中第二时间段数据为输出，训练第二风速分析模型；

进一步的，上述步骤6，基于所述相关性特征和邻域测量点的风速的未来预测数据，获取当前测量点的风速的第二预测数据，包括：

步骤621，以当前测量点和邻域测量点的风速的历史实际数据中第三时间段数据作为训练完成的第二风速分析模型的输入；

步骤622，基于第二风速分析模型的输出获取当前测量点的第四时间段数据作为第二预测数据，所述第四时间段为未来时间段，所述第三时间段数据为与未来时间段相邻的历史时间段。

本申请实施例中，对于当前测量点和邻域测量点的风速的相关性特征的分析基于神经网络进行提取，具体的，基于预设卷积网络提取，该预设卷积网络提取当前测量点和邻域测量点的风速的相关性特征的步骤包括：

基于上一卷积层的每个卷积核输出的特征图与当前卷积层第i个卷积核进行卷积计算后经过激活函数处理得到当前卷积层第i个卷积核输出的特征图，其中预设卷积网络的最后一层卷积层输出的所有特征图表征所述当前测量点和邻域测量点的风速的相关性特征。

基于上述基于预测偏差优化的风电机组气象灾害预警方法实施例，本申请实施例还提供了一种基于预测偏差优化的风电机组气象灾害预警系统，该系统包括：

第一数据获取单元，用于获取风电机组测量点气象数据的历史实际数据、历史预测数据和未来预测数据，所述气象数据包括风速和与风速变化相关的第一预设个类型的相关气象因子；

第一模型训练单元，用于基于风速和相关气象因子的历史预测数据作为输入，以风速的历史实际数据作为输出，训练第一风速分析模型；

第一预测单元，用于基于风速和相关气象因子的未来预测数据作为第一风速分析模型的输入，获取风速的第一预测数据；

第二数据获取单元，用于基于当前风机组风速数据的测量点确定预设个邻域测量点，获取当前测量点和邻域测量点的风速的历史实际数据、历史预测数据和未来预测数据；

特征提取单元，用于基于当前测量点和邻域测量点的风速的历史实际数据分析当前测量点和邻域测量点的风速的相关性特征；

第二预测单元，用于基于所述相关性特征和邻域测量点的风速的未来预测数据，获取当前测量点的风速的第二预测数据；

第三预测单元，用于基于所述第一预测数据和第二预测数据融合作为风电机组的风速优化预测数据。

关于基于预测偏差优化的风电机组气象灾害预警系统的具体限定可以参见上文中对于基于预测偏差优化的风电机组气象灾害预警方法的限定，在此不再赘述。上述风电机组气象灾害预警系统中的各个单元可全部或部分通过软件、硬件及其组合来实现。上述各单元可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个单元对应的操作。

本申请实施例还提供了一种电子设备，该电子设备包括：处理器和用于存储处理器可执行指令的存储器；其中，所述处理器通过运行所述可执行指令以实现上文中的基于预测偏差优化的风电机组气象灾害预警方法。

可以理解，该电子设备还可以包括总线、网络接口等，其中总线用于连接处理器、存储器和网络接口等，网络接口用于实现该电子设备与外部设备的通信。

本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述指令被处理器执行时实现上文中的基于预测偏差优化的风电机组气象灾害预警方法的步骤。

可以理解，该计算机可读存储介质可以是只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、只读光盘(compact disc read-onlymemory，CD-ROM)、磁带、软盘和光数据存储节点等。

本发明不局限于上述具体的实施方式，本领域的普通技术人员从上述构思出发，不经过创造性的劳动，所做出的种种变换，均落在本发明的保护范围之内。

Claims (7)

1.一种基于预测偏差优化的风电机组气象灾害预警方法，其特征在于，包括：

获取风电机组测量点气象数据的历史实际数据、历史预测数据和未来预测数据，所述气象数据包括风速和与风速变化相关的第一预设个类型的相关气象因子；

基于风速和相关气象因子的历史预测数据作为输入，以风速的历史实际数据作为输出，训练第一风速分析模型；

基于风速和相关气象因子的未来预测数据作为第一风速分析模型的输入，获取风速的第一预测数据；

基于当前风机组风速数据的测量点确定预设个邻域测量点，获取当前测量点和邻域测量点的风速的历史实际数据、历史预测数据和未来预测数据；

基于当前测量点和邻域测量点的风速的历史实际数据分析当前测量点和邻域测量点的风速的相关性特征；

基于所述相关性特征和邻域测量点的风速的未来预测数据，获取当前测量点的风速的第二预测数据；

基于所述第一预测数据和第二预测数据融合作为风电机组的风速优化预测数据；

所述第一风速分析模型基于卷积神经网络实现，所述第一风速分析模型对于输入数据进行数据处理的过程，包括：

基于同一时刻的风速和相关气象因子的历史预测数据进行特征融合，获得三维特征信息；

基于历史时间段的三维特征信息转换为W*H矩阵形式的三维特征信息，记为第一输入数据图；

基于第一输入数据图经过卷积层网络进行特征提取，并经过池化层网络进行特征融合；

所述卷积层网络进行特征提取的过程包括：

基于第一输入数据图，获取以位置A为中心的目标区域，并基于所述目标区域位置获取以位置B为中心的邻域区域；

基于邻域区域与所述目标区域像素分布的相似性作为所述邻域区域的权重，基于所述邻域区域像素与所述邻域区域的权重，更新所述目标区域的像素值；

基于所有目标区域像素值更新后的图像作为初步特征提取结果；

所述基于当前测量点和邻域测量点的风速的历史实际数据分析当前测量点和邻域测量点的风速的相关性特征，包括：

基于当前测量点和邻域测量点的风速的历史实际数据以时间间隔t1进行划分后获得M个数据段，分析当前测量点的历史风速数据的M个数据段和邻域测量点的历史风速数据的M个数据段的第二相关性系数；

更新时间间隔t1，并更新所述第二相关性系数以获得第二相关性系数最大时的时间间隔作为目标时间间隔；

以所述目标时间间隔作为当前测量点和邻域测量点的风速的相关性特征；

所述第二相关性系数

为：

，其中，/>

为当前测量点的风速，/>

为第j个邻域测量点的风速，/>

为参与相关性系数/>

计算的样本个数。

2.根据权利要求1所述的基于预测偏差优化的风电机组气象灾害预警方法，其特征在于，所述与风速变化相关的第一预设个类型的相关气象因子的获取方法包括：

基于风速和气象因子的N1个时刻数据计算历史时序数据中风速与所述气象因子的第一相关性系数，所述第一相关性系数

为

，其中/>

是第k时刻的风速数据；

是第k时刻气象因子的数据，/>

，/>

为调节系数；

基于与风速的第一相关性系数大小获取与第一预设个类型的相关气象因子。

3.根据权利要求1所述的基于预测偏差优化的风电机组气象灾害预警方法，其特征在于，所述基于当前测量点和邻域测量点的风速的历史实际数据分析当前测量点和邻域测量点的风速的相关性特征，包括：

基于当前测量点和邻域测量点的风速的历史实际数据中第一时间段数据为输入，基于预设卷积网络提取当前测量点和邻域测量点的风速的相关性特征，以当前测量点的历史实际数据中第二时间段数据为输出，训练第二风速分析模型；

所述基于所述相关性特征和邻域测量点的风速的未来预测数据，获取当前测量点的风速的第二预测数据，包括：

以当前测量点和邻域测量点的风速的历史实际数据中第三时间段数据为训练完成的第二风速分析模型的输入；

基于第二风速分析模型的输出获取当前测量点的第四时间段数据作为第二预测数据，所述第四时间段为未来时间段，所述第三时间段数据为与未来时间段相邻的历史时间段。

4.根据权利要求3所述的基于预测偏差优化的风电机组气象灾害预警方法，其特征在于，所述基于预设卷积网络提取当前测量点和邻域测量点的风速的相关性特征，包括：

基于上一卷积层的每个卷积核输出的特征图与当前卷积层第i个卷积核进行卷积计算后经过激活函数处理得到当前卷积层第i个卷积核输出的特征图，其中预设卷积网络的最后一层卷积层输出的所有特征图表征所述当前测量点和邻域测量点的风速的相关性特征。

5.基于预测偏差优化的风电机组气象灾害预警系统，其特征在于，包括：

第一数据获取单元，用于获取风电机组测量点气象数据的历史实际数据、历史预测数据和未来预测数据，所述气象数据包括风速和与风速变化相关的第一预设个类型的相关气象因子；

第一模型训练单元，用于基于风速和相关气象因子的历史预测数据作为输入，以风速的历史实际数据作为输出，训练第一风速分析模型；

第一预测单元，用于基于风速和相关气象因子的未来预测数据作为第一风速分析模型的输入，获取风速的第一预测数据；

第二数据获取单元，用于基于当前风机组风速数据的测量点确定预设个邻域测量点，获取当前测量点和邻域测量点的风速的历史实际数据、历史预测数据和未来预测数据；

特征提取单元，用于基于当前测量点和邻域测量点的风速的历史实际数据分析当前测量点和邻域测量点的风速的相关性特征；

第二预测单元，用于基于所述相关性特征和邻域测量点的风速的未来预测数据，获取当前测量点的风速的第二预测数据；

第三预测单元，用于基于所述第一预测数据和第二预测数据融合作为风电机组的风速优化预测数据；

所述第一模型训练单元中，所述第一风速分析模型基于卷积神经网络实现，所述第一风速分析模型对于输入数据进行数据处理的过程，包括：

基于同一时刻的风速和相关气象因子的历史预测数据进行特征融合，获得三维特征信息；

基于历史时间段的三维特征信息转换为W*H矩阵形式的三维特征信息，记为第一输入数据图；

基于第一输入数据图经过卷积层网络进行特征提取，并经过池化层网络进行特征融合；

所述卷积层网络进行特征提取的过程包括：

基于第一输入数据图，获取以位置A为中心的目标区域，并基于所述目标区域位置获取以位置B为中心的邻域区域；

基于邻域区域与所述目标区域像素分布的相似性作为所述邻域区域的权重，基于所述邻域区域像素与所述邻域区域的权重，更新所述目标区域的像素值；

基于所有目标区域像素值更新后的图像作为初步特征提取结果；

所述特征提取单元中，基于当前测量点和邻域测量点的风速的历史实际数据分析当前测量点和邻域测量点的风速的相关性特征，包括：

基于当前测量点和邻域测量点的风速的历史实际数据以时间间隔t1进行划分后获得M个数据段，分析当前测量点的历史风速数据的M个数据段和邻域测量点的历史风速数据的M个数据段的第二相关性系数；

更新时间间隔t1，并更新所述第二相关性系数以获得第二相关性系数最大时的时间间隔作为目标时间间隔；

以所述目标时间间隔作为当前测量点和邻域测量点的风速的相关性特征；

所述第二相关性系数

为：

，其中，/>

为当前测量点的风速，/>

为第j个邻域测量点的风速，/>

为参与相关性系数/>

计算的样本个数。

6.一种电子设备，其特征在于，所述电子设备包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器通过运行所述可执行指令以实现如权利要求1-4中任一项所述的方法。

7.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述指令被处理器执行时实现如权利要求1-4中任一项所述方法的步骤。

Images