CN115983104A - 风速预测方法、装置、存储介质和电子设备 - Google Patents
风速预测方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN115983104A CN115983104A CN202211594431.6A CN202211594431A CN115983104A CN 115983104 A CN115983104 A CN 115983104A CN 202211594431 A CN202211594431 A CN 202211594431A CN 115983104 A CN115983104 A CN 115983104A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- target
- target area
- prediction
- speed prediction
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种风速预测方法、装置、存储介质和电子设备，该方法包括：响应于风速预测指令，确定待预测的目标区域以及目标时间；获取所述目标区域在所述目标时间的气象预测参数；将所述气象预测参数输入到预先建立的风速预测模型，获得所述风速预测模型输出的风速预测结果；所述风速预测结果包括所述目标区域的预设高度在所述目标时间的预测风速数据。应用本发明实施例提供的方法，通过风速预测模型基于气象预测参数获得预设高度的风速预测结果，能够节约计算资源和计算时间，有效地提高了风速预测的时效性和准确性。
Description
技术领域
本发明涉及人工智能技术领域，特别涉及一种风速预测方法、装置、存储介质和电子设备。
背景技术
风速是气候学研究的主要参数之一，大气中风速的测量对于风力发电、全球气候变化研究、航天事业以及军事应用等方面都具有重要作用和意义。然而，常规的风速预测数据来源于中尺度数值天气预报模型，因此常规的风速预测数据的精度较低，风速预测存在较大的误差。
发明内容
本发明所要解决的技术问题是提供一种风速预测方法、装置、存储介质及电子设备，能够有效地提升风速预测结果的精度。具体方案如下：
一种风速预测方法，包括：
响应于风速预测指令，确定待预测的目标区域以及目标时间；
获取所述目标区域在所述目标时间的气象预测参数；
将所述气象预测参数输入到预先建立的风速预测模型，获得所述风速预测模型输出的风速预测结果；所述风速预测结果包括所述目标区域的预设高度在所述目标时间的预测风速数据。
上述的方法，可选的，所述获取所述目标区域在所述目标时间的气象预测参数，包括：
利用预设的天气预报模型获取所述目标区域在所述目标时间的气象预测参数，所述气象预测参数包括风速预测参数、温度预测参数、湿度预测参数、压强预测参数和风向预测参数中的至少一种。
上述的方法，可选的，建立所述风速预测模型的过程，包括：
获取训练样本集以及待训练的初始神经网络模型；所述训练样本集包括多个训练样本以及每个训练样本的样本标签；每个所述训练样本包括所述目标区域在目标历史时间的第一气象参数，每个所述训练样本的样本标签包括所述目标区域的预设高度在所述目标历史时间的风速数据；
利用所述训练样本集训练所述初始神经网络模型；
将训练好的所述初始神经网络模型作为风速预测模型。
上述的方法，可选的，获取训练样本集的过程，包括：
在预设的历史时段内选取出多个目标历史时间；
获取所述目标区域在每个所述目标历史时间的第一气象参数和第二气象参数；所述第一气象参数包括风速参数、温度参数、湿度参数、压强参数和风向参数中的至少一种；所述第二气象参数包括预设高度的风速数据，所述第二气象参数的水平分辨率高于所述第一气象参数的水平分辨率；
对于每个所述目标历史时间，将所述目标区域在所述目标历史时间的第一气象参数作为训练样本，将所述目标区域的预设高度在所述目标历史时间的风速数据作为所述训练样本的样本标签；
由每个所述训练样本和每个所述训练样本的样本标签组成训练样本集。
上述的方法，可选的，所述在预设的历史时段内选取出多个目标历史时间，包括：
确定所述目标区域在预设的历史时段内出现的各种天气类型；
在所述历史时段内选取出至少一种所述天气类型在所述目标区域的出现时间，作为目标历史时间。
上述的方法，可选的，所述在所述历史时段内选取出至少一种所述天气类型在所述目标区域的出现时间，作为目标历史时间，包括：
获取所述目标区域的环境监测仪在所述历史时段内采集到的风向信息和风速信息；
根据采集到的所述风向信息和所述风速信息，在所述历史时段内选取出至少一种所述天气类型在所述目标区域的出现时间，作为目标历史时间。
上述的方法，可选的，所述获得所述风速预测模型输出的风速预测结果之后，还包括：
根据所述风速预测结果确定所述目标区域中的风机在所述目标时间的预测发电功率。
一种风速预测装置，包括：
确定单元，用于响应于风速预测指令，确定待预测的目标区域以及目标时间；
获取单元，用于获取所述目标区域在所述目标时间的气象预测参数；
预测单元，用于将所述气象预测参数输入到预先建立的风速预测模型，获得所述风速预测模型输出的风速预测结果；所述风速预测结果包括所述目标区域的预设高度在所述目标时间的预测风速数据。
一种存储介质，所述存储介质包括存储指令，其中，在所述指令运行时控制所述存储介质所在的设备执行如上述的风速预测方法。
一种电子设备，包括存储器，以及一个或者一个以上的指令，其中一个或一个以上指令存储于存储器中，且经配置以由一个或者一个以上处理器执行如上述的风速预测方法。
与现有技术相比，本发明实施例包括以下优点：
本发明实施例提供了一种风速预测方法、装置、存储介质及电子设备，可以响应于风速预测指令，确定待预测的目标区域以及目标时间；获取所述目标区域在所述目标时间的气象预测参数；将所述气象预测参数输入到预先建立的风速预测模型，获得所述风速预测模型输出的风速预测结果；所述风速预测结果包括所述目标区域的预设高度在所述目标时间的预测风速数据。应用本发明实施例提供的方法，通过风速预测模型基于气象预测参数获得预设高度的风速预测结果，能够节约计算资源和计算时间，有效地提高了风速预测的时效性和准确性。
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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种风速预测方法的方法流程图；
图2为本发明实施例提供的一种建立风速预测模型的过程的流程图；
图3为本发明实施例提供的一种获取训练样本集的过程的流程图；
图4为本发明实施例提供的一种风速预测装置的结构示意图；
图5为本发明实施例提供的一种电子设备的结构示意图；
图6为本发明实施例提供的一种风速预测过程的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本申请中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
目前，通常采用中尺度数值的天气预报模型获得风速预测数据，导致获得的风速预测数据的精度较低，风速预测存在较大的误差。为了提高风速预测的精度，在一些可行的方式中，是将中尺度天气预测模型与大涡模拟LES模型进行耦合，对中尺度的风速预测数据降尺度，这种方式可以获得较为准确的近地面风速分布，但大涡模拟的计算代价巨大，需要耗费大量的计算资源和计算时间。
基于此，本发明实施例提供了一种风速预测方法，该方法可以应用于电子设备，该电子设备可以是计算机、手机、平板或智能可穿戴设备等设备，所述方法的方法流程图如图1所示，具体包括：
S101：响应于风速预测指令，确定待预测的目标区域以及目标时间。
在本实施例中，风速预测指令可以用于指示预测目标区域在目标时间的风速。风速预测指令可以是用户点击预设的按键或虚拟控件触发的指令，也可以是与电子设备连接的设备发送的指令，也可以是一些应用程序在运行过程中自动触发的指令。
可选的，目标区域可以是风速预测指令指定的任意类型、任意大小、任意位置的区域，例如可以是风电场，也可以是风机点位；风电场可以包括至少一个风机；目标时间可以是风速预测指令指定的时间，目标时间可以是未来的任意时间，例如，未来的第五个小时等。目标区域和目标时间的数量均可以为一个或多个。
S102：获取所述目标区域在所述目标时间的气象预测参数。
在本实施例中，所述气象预测参数包括预测风速参数、温度预测参数、湿度预测参数、压强预测参数和风向预测参数等其中的至少一种。
可选的，气象预测参数可以是第一尺度的参数，该第一尺度可以是中尺度或者是全球尺度，例如，可以是水平分辨率为13km以上尺度的参数。
S103：将所述气象预测参数输入到预先建立的风速预测模型，获得所述风速预测模型输出的风速预测结果；所述风速预测结果包括所述目标区域的预设高度在所述目标时间的预测风速数据。
在本实施例中，风速预测模型可以是卷积神经网络、循环神经网络、递归神经网络等以上至少一种网络组成的模型，风速预测模型可以根据目标区域在历史时段中的气象参数训练得到。
可选的，风速预测结果可以是预设高度上的数据，也即，风速预测结果相对于气象预测参数中的预测风速参数而言更加的精确，风速预测结果的精度大于气象预测参数中的预测风速参数的精度。
在本实施例中，风速预测模型与目标区域相对应，若存在多个目标区域，则将每个目标区域的气象预测参数输入到每个目标区域各自对应的风速预测模型中，以获得每个风速预测模型输出的风速预测结果。目标区域的预设高度可以是目标区域中的风机轮毂高度，具体可以根据实际需求进行设定。
在本实施例中，可以通过风速预测模型基于气象预测参数获得预设高度的风速预测结果，能够节约计算资源和计算时间，有效地提高了风速预测的时效性和准确性。
在本发明提供的一实施例中，基于上述的实施过程，具体的，所述获取所述目标区域在所述目标时间的气象预测参数的一种可行的方式，包括：
利用预设的天气预报模型获取所述目标区域在所述目标时间的气象预测参数，所述气象预测参数包括风速预测参数、温度预测参数、湿度预测参数、压强预测参数和风向预测参数中的至少一种，所述风速预测参数的精度低于所述预测风速数据。
在本实施例中，天气预测模型可以是各类用于天气预测的中尺度模型。
在一些实施例中，获取目标区域在目标时间的气象预测参数的方式还可以为：在全球气象预报系统GFS输出的所述目标时间的天气预报模型数据中获得所述目标区域的气象预测参数。
可选的，在目标区域为风机点位的情况下，可以采用双线性插值或者最邻近插值法从所述目标时间的天气预报模型数据中获得目标区域的气象预测参数；在目标区域为风电场的情况下，可以从所述目标时间的天气预报模型数据中获得与所述目标区域相对应的格点数据，作为气象预测参数。
在本发明提供的一实施例中，基于上述的实施过程，具体的，建立所述风速预测模型的过程，如图2所示，包括：
S201：获取训练样本集以及待训练的初始神经网络模型；所述训练样本集包括多个训练样本以及每个训练样本的样本标签；每个所述训练样本包括所述目标区域在目标历史时间的第一气象参数，每个所述训练样本的样本标签包括所述目标区域的预设高度在所述目标历史时间的风速数据。
在本实施例中，初始神经网络模型可以是卷积神经网络、循环神经网络、递归神经网络等以上至少一种网络组成的模型。
S202：利用所述训练样本集训练所述初始神经网络模型。
在本实施例中，可以在训练样本集中的选取出当前待输入的目标训练样本，将目标训练样本输入初始神经网络模型，获得初始神经网络模型的输出结果，根据输出结果与所述目标训练样本的样本标签计算得到损失函数值，根据损失函数值调整初始神经网络模型的网络参数，确定初始神经网络模型是否满足训练条件，若否，则返回执行在训练样本集中的选取出当前待输入的目标训练样本的步骤；若是，则确定初始神经网络模型已完成训练。
S203：将训练好的所述初始神经网络模型作为风速预测模型。
在本实施例中，风速预测模型表示如下公式：
w＝f(tempt,humt,presst，wdt，wst)
其中，w为模型的输出量，即目标区域的预设高度在目标时间t的预测风速数据；tempt为目标时间t的温度预测参数，humt为目标时间t的湿度预测参数，presst为目标时间t的压强预测参数，wdt为目标时间t的风向预测参数，wst为目标时间t的风速预测参数。
在本发明提供的一实施例中，基于上述的实施过程，具体的，获取训练样本集的过程，如图3所示，包括：
S301：在预设的历史时段内选取出多个目标历史时间。
在本实施例中，历史时段可以是当前时间以前的时段，例如，可以是当前时段的前一时段，可以是前一个月、前一季度、前一年等等。
可选的，目标历史时间可以是历史时段中的子时段，子时段的时长可以为一天、三天或五天等等，目标历史时间可以是具有代表性的目标天气类型的出现时间。
S302：获取所述目标区域在每个所述目标历史时间的第一气象参数和第二气象参数；所述第一气象参数包括风速参数、温度参数、湿度参数、压强参数和风向参数中的至少一种；所述第二气象参数包括预设高度的风速数据，所述第二气象参数的水平分辨率高于所述第一气象参数的水平分辨率。
在本实施例中，第一气象参数可以是第一尺度的数据，第二气象参数可以是第二尺度的数据，该第二尺度可以是微尺度，例如，可以是水平分辨率为百米级别尺度的数据，第二尺度小于第一尺度，也即第二气象参数中的风速数据的水平分辨率高于第一气象参数中的风速参数的水平分辨率，第二气象参数相较于第一气象参数精确度更高。
在本实施例中，可以通过全球气象预报系统GFS输出的所述目标历史时间的天气预报模型数据中获得所述目标区域的第一气象参数，也可以通过各类用于天气预测的中尺度模型获得所述目标区域在每个所述目标历史时间的第一气象参数。
可选的，通过预设的气象模型基于所述目标区域的气象模拟配置参数进行气象模拟，获得所述目标区域的预设高度在每个所述目标历史时间的第二气象参数，该高度可以根据实际需求设置。气象模型可以是与大涡模拟耦合的天气研究和预报模型WRF_LES；气象模拟配置参数可以是WRF_LES模型嵌套网格。
S303：对于每个所述目标历史时间，将所述目标区域在所述目标历史时间的第一气象参数作为训练样本，将所述目标区域的预设高度在所述目标历史时间的风速数据作为所述训练样本的样本标签。
S304：由每个所述训练样本和每个所述训练样本的样本标签组成训练样本集。
在本发明提供的一实施例中，基于上述的实施过程，具体的，所述在预设的历史时段内选取出多个目标历史时间，包括：
确定所述目标区域在预设的历史时段内出现的各种天气类型；
在所述历史时段内选取出至少一种所述天气类型在所述目标区域的出现时间，作为目标历史时间。
在本实施例中，可以获取历史时段的天气形式图，对天气形式图进行分析，确定在目标区域在历史时段内出现的各种天气类型。
可选的，先在各个天气类型中确定出至少一个目标天气类型，然后将历史时段中目标天气类型的出现时间作为目标历史时间，目标天气类型可以包括冷风过境、副热带高压笼罩、台风影响等多种天气类型。
在本发明提供的一实施例中，基于上述的实施过程，具体的，所述在所述历史时段内选取出至少一种所述天气类型在所述目标区域的出现时间，作为目标历史时间，包括：
获取所述目标区域的环境监测仪在所述历史时段内采集到的风向信息和风速信息；
根据采集到的所述风向信息和所述风速信息，在所述历史时段内选取出至少一种所述天气类型在所述目标区域的出现时间，作为目标历史时间。
在本实施例中，可以根据采集到的风向信息和风速信息确定出各个天气类型中的目标天气类型在目标区域的出现时间，将目标天气类型在目标区域的出现时间作为目标历史时间；所述目标历史时间的风向信息表征的风向与所述目标历史时间的前一时间的风向数据表征的风向不一致，和/或所述目标历史时间的风速信息与所述目标历史时间的前一时间的风速信息之间的风速差值大于预设的差值阈值。
在本发明提供的一实施例中，基于上述的实施过程，具体的，获得所述风速预测模型输出的风速预测结果之后，还包括：
根据所述风速预测结果确定所述目标区域中的风机在所述目标时间的预测发电功率。
在本实施例中，可以根据风机的配置参数和风速预测结果计算出风机在目标时间的预测发电功率。
与图1所述的方法相对应，本发明实施例还提供了一种风速预测装置，用于对图1中方法的具体实现，本发明实施例提供的风速预测装置可以应用于电子设备中，其结构示意图如图4所示，具体包括：
确定单元401，用于响应于风速预测指令，确定待预测的目标区域以及目标时间；
获取单元402，用于获取所述目标区域在所述目标时间的气象预测参数；
预测单元403，用于将所述气象预测参数输入到预先建立的风速预测模型，获得所述风速预测模型输出的风速预测结果；所述风速预测结果包括所述目标区域的预设高度在所述目标时间的预测风速数据。
在本发明提供的一实施例中，基于上述的方案，可选的，所述获取单元，包括：
第一获取子单元，用于利用预设的天气预报模型获取所述目标区域在所述目标时间的气象预测参数，所述气象预测参数包括风速预测参数、温度预测参数、湿度预测参数、压强预测参数和风向预测参数中的至少一种，所述风速预测参数的精度低于所述预测风速数据。
在本发明提供的一实施例中，基于上述的方案，可选的，预测单元403，包括：
第二获取子单元，用于获取训练样本集以及待训练的初始神经网络模型；所述训练样本集包括多个训练样本以及每个训练样本的样本标签；每个所述训练样本包括所述目标区域在目标历史时间的第一气象参数，每个所述训练样本的样本标签包括所述目标区域的预设高度在所述目标历史时间的风速数据；
训练子单元，用于利用所述训练样本集训练所述初始神经网络模型；
执行子单元，用于将训练好的所述初始神经网络模型作为风速预测模型。
在本发明提供的一实施例中，基于上述的方案，可选的，所述第二获取子单元，包括：
选取模块，用于在预设的历史时段内选取出多个目标历史时间；
获取模块，用于获取所述目标区域在每个所述目标历史时间的第一气象参数和第二气象参数；所述第一气象参数包括风速参数、温度参数、湿度参数、压强参数和风向参数中的至少一种；所述第二气象参数包括预设高度的风速数据，所述第二气象参数的水平分辨率高于所述第一气象参数的水平分辨率；
第一执行模块，用于对于每个所述目标历史时间，将所述目标区域在所述目标历史时间的第一气象参数作为训练样本，将所述目标区域的预设高度在所述目标历史时间的风速数据作为所述训练样本的样本标签；
第二执行模块，用于由每个所述训练样本和每个所述训练样本的样本标签组成训练样本集。
在本发明提供的一实施例中，基于上述的方案，可选的，所述选取模块，包括：
确定子模块，用于确定所述目标区域在预设的历史时段内出现的各种天气类型；
选取子模块，用于在所述历史时段内选取出至少一种所述天气类型在所述目标区域的出现时间，作为目标历史时间。
在本发明提供的一实施例中，基于上述的方案，可选的，所述选取子模块，被配置为：
获取所述目标区域的环境监测仪在所述历史时段内采集到的风向信息和风速信息；
根据采集到的所述风向信息和所述风速信息，在所述历史时段内选取出至少一种所述天气类型在所述目标区域的出现时间，作为目标历史时间。
在本发明提供的一实施例中，基于上述的方案，可选的，风速预测装置还包括：
执行单元，用于根据所述风速预测结果确定所述目标区域中的风机在所述目标时间的预测发电功率。
上述本发明实施例公开的风速预测装置中的各个单元和模块具体的原理和执行过程，与上述本发明实施例公开的风速预测方法相同，可参见上述本发明实施例提供的风速预测方法中相应的部分，这里不再进行赘述。
本发明实施例还提供了一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行上述风速预测方法。
本发明实施例还提供了一种电子设备，其结构示意图如图5所示，具体包括存储器501，以及一个或者一个以上的指令502，其中一个或者一个以上指令502存储于存储器501中，且经配置以由一个或者一个以上处理器503执行所述一个或者一个以上指令502进行以下操作：
响应于风速预测指令，确定待预测的目标区域以及目标时间；
获取所述目标区域在所述目标时间的气象预测参数；
将所述气象预测参数输入到预先建立的风速预测模型，获得所述风速预测模型输出的风速预测结果；所述风速预测结果包括所述目标区域的预设高度在所述目标时间的预测风速数据。
本发明实施例提供的风速预测方法可以应用于多种领域之中，例如，可以应用于风机发电领域，可以通过预测风速来进行风机的发电功率预测，具体的风速预测过程，如图6所示，具体包括：
步骤一：筛选典型日，其中，典型日也即上述的目标历史时间，选取过去年一年作为典型选取年份，下载目标区域模拟年份的天气形势图，分析区域范围内的天气形态，也即天气类型；可结合风电场环境监测仪风向风速数据，挑选出具有代表性的天气过程，每个过程为五天，具体可根据实际情况调节，每个季节选取三至五个个例。天气类型的变化通常伴随着风速或风向的突变，以南方某一复杂山地为例，可筛选出冷风过境、副热带高压笼罩、台风影响等多种天气型态。
步骤二：获取筛选典型日的全球数值天气预报模型数据。以全球气象预报系统GFS为例，该系统水平分辨率为0.25°(约25公里)，时间分辨率为1小时。
步骤三：设置目标区域WRF_LES模型嵌套网格，使用6层嵌套网格，具体如表1所示：
表1
其中，最高分辨率可以为111m，PBL代表行星边界层；K代表参数化方案，此处的参数化方案可以是现有公开使用的，因此不再展开描述。
步骤四：根据WRF_LES模型嵌套网格运行WRF_LES模型，以进行气象模拟。
步骤五：提取风机点位或整个风电场区域的全球数值天气预报模型的预测风速、温度、湿度、压强、风向等多个气象参数指标，即第一气象参数。以及提取风机点位或整个风电场区域的WRF_LES模型的预测风速，也即第二气象参数，风速的高度可依据风机的轮毂高度设定，如100米。
步骤六：将提取的第一气象参数和第二气象参数作为深度学习建模的基础数据，以全球数值天气预报模型的风速、风向度、湿度、压强等参数作为深度学习模型输入量，以WRF_LES模型的预测风速作为输出量进行模型训练。深度学习算法可以为卷积神经网络、循环神经网络、递归神经网络等任一深度学习框架。
步骤七：训练完成的模型即为由全球模式数据到微尺度的降尺度模型，将全球尺度的气象预测数据输入该模型，即可得到微尺度的预测结果，减少预测偏差。
与现有技术相比，本发明实施例通过筛选典型日将全球尺度预报数据降尺度至百米级别尺度，获得不同天气型态下的微观流场信息，通过深度学习网络构建不同天气型态下全球尺度的风场与微观尺度的对应关系，充分考虑大气复杂的物理过程，无需实时运行大涡模拟模型，避免由微尺度模型的巨大计算量引起的时效性不足问题。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。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可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，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或者实施例的某些部分所述的方法。
以上对本发明所提供的一种风速预测方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种风速预测方法，其特征在于，包括：
响应于风速预测指令，确定待预测的目标区域以及目标时间；
获取所述目标区域在所述目标时间的气象预测参数；
将所述气象预测参数输入到预先建立的风速预测模型，获得所述风速预测模型输出的风速预测结果；所述风速预测结果包括所述目标区域的预设高度在所述目标时间的预测风速数据。
2.根据权利要求1所述的方法，其特征在于，所述获取所述目标区域在所述目标时间的气象预测参数，包括：
利用预设的天气预报模型获取所述目标区域在所述目标时间的气象预测参数，所述气象预测参数包括风速预测参数、温度预测参数、湿度预测参数、压强预测参数和风向预测参数中的至少一种。
3.根据权利要求1所述的方法，其特征在于，建立所述风速预测模型的过程，包括：
获取训练样本集以及待训练的初始神经网络模型；所述训练样本集包括多个训练样本以及每个所述训练样本的样本标签；每个所述训练样本包括所述目标区域在目标历史时间的第一气象参数，每个所述训练样本的样本标签包括所述目标区域的预设高度在所述目标历史时间的风速数据；
利用所述训练样本集训练所述初始神经网络模型；
将训练好的所述初始神经网络模型作为风速预测模型。
4.根据权利要求3所述的方法，其特征在于，获取训练样本集的过程，包括：
在预设的历史时段内选取出多个目标历史时间；
获取所述目标区域在每个所述目标历史时间的第一气象参数和第二气象参数；所述第一气象参数包括风速参数、温度参数、湿度参数、压强参数和风向参数中的至少一种；所述第二气象参数包括预设高度的风速数据，所述第二气象参数的水平分辨率高于所述第一气象参数的水平分辨率；
对于每个所述目标历史时间，将所述目标区域在所述目标历史时间的第一气象参数作为训练样本，将所述目标区域的预设高度在所述目标历史时间的风速数据作为所述训练样本的样本标签；
由每个所述训练样本和每个所述训练样本的样本标签组成训练样本集。
5.根据权利要求4所述的方法，其特征在于，所述在预设的历史时段内选取出多个目标历史时间，包括：
确定所述目标区域在预设的历史时段内出现的各种天气类型；
在所述历史时段内选取出至少一种所述天气类型在所述目标区域的出现时间，作为目标历史时间。
6.根据权利要求5所述的方法，其特征在于，所述在所述历史时段内选取出至少一种所述天气类型在所述目标区域的出现时间，作为目标历史时间，包括：
获取所述目标区域的环境监测仪在所述历史时段内采集到的风向信息和风速信息；
根据采集到的所述风向信息和所述风速信息，在所述历史时段内选取出至少一种所述天气类型在所述目标区域的出现时间，作为目标历史时间。
7.根据权利要求1所述的方法，其特征在于，所述获得所述风速预测模型输出的风速预测结果之后，还包括：
根据所述风速预测结果确定所述目标区域中的风机在所述目标时间的预测发电功率。
8.一种风速预测装置，其特征在于，包括：
确定单元，用于响应于风速预测指令，确定待预测的目标区域以及目标时间；
获取单元，用于获取所述目标区域在所述目标时间的气象预测参数；
预测单元，用于将所述气象预测参数输入到预先建立的风速预测模型，获得所述风速预测模型输出的风速预测结果；所述风速预测结果包括所述目标区域的预设高度在所述目标时间的预测风速数据。
9.一种存储介质，其特征在于，所述存储介质包括存储指令，其中，在所述指令运行时控制所述存储介质所在的设备执行如权利要求1～7任意一项所述的风速预测方法。
10.一种电子设备，其特征在于，包括存储器，以及一个或者一个以上的指令，其中一个或一个以上指令存储于存储器中，且经配置以由一个或者一个以上处理器执行如权利要求1～7任意一项所述的风速预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211594431.6A CN115983104A (zh) | 2022-12-13 | 2022-12-13 | 风速预测方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211594431.6A CN115983104A (zh) | 2022-12-13 | 2022-12-13 | 风速预测方法、装置、存储介质和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115983104A true CN115983104A (zh) | 2023-04-18 |
Family
ID=85963912
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211594431.6A Pending CN115983104A (zh) | 2022-12-13 | 2022-12-13 | 风速预测方法、装置、存储介质和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115983104A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117592767A (zh) * | 2024-01-19 | 2024-02-23 | 新立讯科技股份有限公司 | 基于opc的新能源汽车工厂信息融合方法及系统 |
-
2022
- 2022-12-13 CN CN202211594431.6A patent/CN115983104A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117592767A (zh) * | 2024-01-19 | 2024-02-23 | 新立讯科技股份有限公司 | 基于opc的新能源汽车工厂信息融合方法及系统 |
| CN117592767B (zh) * | 2024-01-19 | 2024-04-05 | 新立讯科技股份有限公司 | 基于opc的新能源汽车工厂信息融合方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kalyankar et al. | Data mining technique to analyse the metrological data | |
| CN110705115B (zh) | 一种基于深度置信网络的气象预报方法和系统 | |
| CN112348292A (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 | |
| Li et al. | Aggregated wind power generation probabilistic forecasting based on particle filter | |
| KR20070038058A (ko) | 비정형 격자를 통한 기상 예보 방법 및 시스템 | |
| CN115271181A (zh) | 一种基于多模态数据融合的台风概率预报智能方法及装置 | |
| CN112100922A (zh) | 一种基于wrf和cnn卷积神经网络的风资源预测方法 | |
| CN112862274A (zh) | 一种基于WRF-LES和DeepAR相结合的风功率预测方法 | |
| CN115983104A (zh) | 风速预测方法、装置、存储介质和电子设备 | |
| Dutt et al. | Artificial intelligence and technology in weather forecasting and renewable energy systems: emerging techniques and worldwide studies | |
| Zhao et al. | An objective prediction model for typhoon rainstorm using particle swarm optimization: neural network ensemble | |
| CN110442836A (zh) | 风电场短期风速预测方法及系统 | |
| JP7346356B2 (ja) | 予測装置および予測方法 | |
| CN117526274A (zh) | 极端气候下新能源功率预测方法、电子设备和存储介质 | |
| CN114418243B (zh) | 分布式新能源云端网格预测方法与系统 | |
| Stankova et al. | Hybrid approach combining model-based method with the technology of machine learning for forecasting of dangerous weather phenomena | |
| JP2020091171A (ja) | 気象予測システム、気象予測方法、および気象予測プログラム | |
| Chukwueloka et al. | Modelling and Prediction of Rainfall in the North-Central Region of Nigeria Using ARIMA and NNETAR Model | |
| Hong et al. | Forecasting experiments of a dynamical–statistical model of the sea surface temperature anomaly field based on the improved self-memorization principle | |
| Eleftheriou et al. | Micro climate prediction utilising machine learning approaches | |
| CN112784477A (zh) | 一种基于WRF-LES和BP-PSO-Bagging相结合的风功率预测方法 | |
| CN112580899A (zh) | 一种融合机器学习模型的中长期风力发电预测方法及系统 | |
| CN113887843B (zh) | 一种风电场输出功率的群体预测方法和系统 | |
| Evgeny et al. | Development of a Web Service for Analysis of the GeoGIPSAR Geoclimatic Data | |
| CN113592664B (zh) | 农作物生产空间预测模拟方法、设备、模型及存储介质 |
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 |