CN116702610A - 一种基于gbdt和数值模式的风速预测方法及系统 - Google Patents
一种基于gbdt和数值模式的风速预测方法及系统 Download PDFInfo
- Publication number
- CN116702610A CN116702610A CN202310676102.4A CN202310676102A CN116702610A CN 116702610 A CN116702610 A CN 116702610A CN 202310676102 A CN202310676102 A CN 202310676102A CN 116702610 A CN116702610 A CN 116702610A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- gbdt
- data
- speed prediction
- meteorological
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000004088 simulation Methods 0.000 claims abstract description 14
- 230000004927 fusion Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000032683 aging Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 5
- 238000012876 topography Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000011478 gradient descent method Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 17
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能领域,尤其涉及基于回归树的GBDT模型用于预测风速的技术领域。本发明公开了一种基于GBDT和数值模式的风速预测方法及系统,方法包括:基于气象数值模式模拟地表风场气象参数的历史数据和实际测量的历史数据构建数据集;基于构建的数据集,采用梯度下降的方法训练GBDT模型;采集目标位置的气象数值模式模拟地表风场预测的气象参数,以及目标位置实际测量的气象参数,输入训练好的GBDT模型,获得风速预测结果。本发明通过融合风电场数值预报历史数据和风电场实际测量的历史数据,构建了更加完善的数据集,该数据集充分考虑是风电场地形等不可量化的且能够影响风速预测精度的因素,更加能够准确切合风电场的实际情况,提高预测精度。
Description
技术领域
本发明涉及基于人工智能模型的风速预测技术领域,尤其涉及一种基于GBDT和数值模式的风速预测方法及系统。
背景技术
发展风能等绿色能源,越来越受到企业和研究机构的重视,我国的风电装机量,风电产业的体量、先进性都达到了世界较高水平。而在实际产业应用当中,将风能等间歇性能源的电力整合到电网中是一项具有挑战性的任务。甚至,由于风速的随机性,风电并网运行会给电网的稳定性和安全性以及电能的质量带来影响,因而获得准确的风速预测是电力市场决策、规划和维护活动的需要。因此,在绿色能源的开发利用当中,对风电场进行风速预测,是减小风电对电网不良影响的重要方法。
在实际应用中,有基于WRF、MM5等模式,使用数值模式预报风速,也有使用机器学习模型,例如神经网络、支持向量机等,对风速进行预测。数值预报具有预测精度高的优点,但是对于复杂地形的风电场,风速受到的影响因素较多,导致预测效果一般。基于风电场历史数据训练的机器学习模型具有自学习、泛华能力强的优点,将数值模式和机器学习模型结合起来,能够克服风电场的地形、地貌等“个性化”因素的影响,提高预测精度。
发明内容
为解决上述问题,本发明的目的在于提供一种基于GBDT和数值模式的风速预测方法及系统。为实现以上目的,提供以下技术方案:
一种基于GBDT和数值模式的风速预测方法,其特征在于包括以下处理步骤:
构建数据集步骤S1:从数据库中获取目标位置的气象数值模式模拟地表风场气象参数的历史数据X,并获取与历史数据X时间对应的实际测量的历史数据Y,X和Y构成数据集D,其中Y中的实测风速作为输出值,数据集D用于构建梯度提升模型GBDT;
模型训练步骤S2:初始化模型,利用数据集D分离的训练集迭代训练,基于训练样本构建基于回归树的基分类器,获得叶子节点区域及对应输出,更新权重,在损失函数中引入正则项,对复杂回归树进行惩罚,采用贪心策略快速减小损失函数,当预测损失函数达到数据集D分离的测试集误差收敛条件或产生的回归树满足阈值T,迭代终止;
风速预测步骤S3:采集目标位置的气象数值模式模拟地表风场预测的气象参数,以及目标位置实际测量的气象参数,输入训练好的GBDT模型,获得风速预测结果。
优选地,从数据库中获取数据X和数据Y,X={x1,x2,…,xi,tx},Y={y1,y2,…,yj,ty},其中xi和yj为气象参数,i和j为自然数,tx和ty为时间字段。
优选地,所述X和Y构成数据集D,具体为:
判断tx与ty是否一一对应,如果是,则直接融合,D={x1,x2,…,xi,y1,y2,…,yj,tx}。
如果否,获取tx和ty的最小值和最大值组成的时间段,对时间段分成n片,获得sp1,sp2,…,spn,对每个分片内的相同的数据字段求取均值,再进行融合。
优选地,气象参数包括风速、风向、温度、湿度、高度、气压、绝对涡度、相对涡度。
优选地,所述在损失函数中引入正则项,对复杂回归树进行惩罚,具体为:
在损失函数中引入叶子节点数目的惩罚因子,降低模型的复杂度,实现模型训练过程中自动剪枝优化。
优选地,设置GBDT模型的预报多组时效参数训练多个模型,并选择最优模型用于实际风速预测。
作为本发明的另外一个方面,提供了一种基于GBDT和数值模式的风速预测系统,其特征在于,包括以下功能模块:
构建数据集模块:从数据库中获取目标位置的气象数值模式模拟地表风场气象参数的历史数据X,并获取与历史数据X时间对应的实际测量的历史数据Y,X和Y构成数据集D,其中Y中的实测风速作为输出值,数据集D用于构建梯度提升模型GBDT;
模型训练模块:初始化模型,利用数据集D分离的训练集迭代训练,基于训练样本构建基于回归树的基分类器,获得叶子节点区域及对应输出,更新权重,在损失函数中引入正则项,对复杂回归树进行惩罚,采用贪心策略快速减小损失函数,当预测损失函数达到数据集D分离的测试集误差收敛条件或产生的回归树满足阈值T,迭代终止;
风速预测模块:采集目标位置的气象数值模式模拟地表风场预测的气象参数,以及目标位置实际测量的气象参数,输入训练好的GBDT模型,获得风速预测结果。
优选地,系统模块还包括:
数据获取模块:从数据库中获取数据X和数据Y,X={x1,x2,…,xi,tx},Y={y1,y2,…,yj,ty},其中xi和yj为气象参数,i和j为自然数,tx和ty为时间字段。
优选地,系统模块还包括:
数据融合模块:判断tx与ty是否一一对应,如果是,则直接融合,D={x1,x2,…,xi,y1,y2,…,yj,tx};
如果否,获取tx和ty的最小值和最大值组成的时间段,对时间段分成n片,获得sp1,sp2,…,spn,对每个分片内的相同的数据字段求取均值,再进行融合。
本发明的有益效果为:
本发明通过融合风电场数值预报历史数据和风电场实际测量的历史数据,构建了更加完善的数据集,该数据集充分考虑是风电场地形等不可量化的且能够影响风速预测精度的因素,更加能够准确切合风电场的气象实际。
本发明采用GBDT模型预测风速,相较于神经网络、支持向量机等模型,在不损失预测精度的前提下,使用训练样本数量相对较少。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定。
图1是本发明的一种基于GBDT和数值模式的风速预测方法的流程图。
图2是本发明的用于模型训练的数据集的融合流程图。
图3是本发明的一种基于GBDT和数值模式的风速预测方法的系统结构图。
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,下面将结合本发明实施例中附图,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
实施例1
图1是本发明的一种基于GBDT和数值模式的风速预测方法的流程图,包括以下处理步骤:
步骤S1,基于气象数值模式模拟地表风场气象参数的历史数据和实际测量的历史数据构建数据集。
从数据库中获取目标位置的气象数值模式模拟地表风场气象参数的历史数据X,并获取与历史数据X时间对应的实际测量的历史数据Y,X和Y构成数据集D,其中Y中的实测风速作为输出值,数据集D用于构建梯度提升模型GBDT。数据集D的构建过程是一个数据融合的过程,参见图2。
本发明采用WRF(Weather Research and Forecasting Model)模式获取风电场气象参数数据。对于WRF模式,在小型机或大型机上安装并运行WRF,设置好数值模式的初始场和边界参数,通过对风电场风速进行较长时间的数值模拟,积累目标位置的气象数值模式模拟地表风场气象参数的历史数据库。
通过风电场测风仪器或测风设备获取风电场的实测数据,累积风电场实际测量的历史数据库。对实测的数据进行处理,如果数据中有缺失值,采用线性插值的方式进行补充。测量的气象参数包括温度、湿度、风速、风向、压强等,包括在不同高度进行测量,例如10m,30m,50m等。
优选地,从数据库中获取数据X和数据Y,X={x1,x2,…,xi,tx},Y={y1,y2,…,yj,ty},其中xi和yj为气象参数,i和j为自然数,tx和ty为时间字段。数据X从宏观上反映了风电场区域的气象情况,相对于数据X,数据Y较为微观,刻画了风电场实际的气象情况。将上述两种数据结合起来,更加准确地描述了风电场的气象情况,为训练模型打好了数据基础。
优选地,所述X和Y构成数据集D,具体为:
判断tx与ty是否一一对应,如果是,则直接融合,D={x1,x2,…,xi,y1,y2,…,yj,tx}。如果时间字段一致,可以直接拼接两种数据。
如果否,获取tx和ty的最小值和最大值组成的时间段,对时间段分成n片,获得sp1,sp2,…,spn,对每个分片内的相同的数据字段求取均值,再直接融合。例如,将一天的时间分成24片,对每个小时内的数据X的数值字段求取均值,使数据在时间上能够对齐,然后再将两种数据进行拼接。
优选地,气象参数包括风速、风向、温度、湿度、高度、气压、绝对涡度、相对涡度。
步骤S2,基于构建的数据集,采用梯度下降的方法训练GBDT模型。
初始化模型,设置迭代次数,基于训练样本构建基于回归树的基分类器,获得叶子节点区域及对应输出,更新权重,在损失函数中引入正则项,对复杂回归树进行惩罚,采用贪心策略快速减小损失函数,当预测损失函数达到数据集D分离的测试集误差收敛条件或产生的回归树满足阈值T,迭代终止。
优选地,所述在损失函数中引入正则项,对复杂回归树进行惩罚,具体为:
在损失函数中引入叶子节点数目的惩罚因子,降低模型的复杂度,实现模型训练过程中自动剪枝优化。传统的GBDT模型的训练过程中没有正则化,训练的过程指定M棵回归树,新的回归树不断拟合之前的残差,然而,在训练集上,训练误差可能逐渐为0,即模型出现了过拟合现象。因而,在损失函数中引入正则项,能够降低GBDT模型在训练过程中对训练数据过拟合的现象。当然,根据实际需要,也可以对回归树的高度、树的节点数目添加惩罚因子。
优选地,设置GBDT模型的预报多组时效参数训练多个模型,并选择最优模型用于实际风速预测。可以设定不同的预报时效,例如半小时、一个小时、两个小时等,训练若干GBDT模型,使用实际数据检验,选择最优模型用于实际风速预测。
步骤S3,采集目标位置的气象数值模式模拟地表风场预测的气象参数,以及目标位置实际测量的气象参数,输入训练好的GBDT模型,获得风速预测结果。
实施例2
图3是本发明还提供的一种基于GBDT和数值模式的风速预测系统,其特征在于,包括以下系统模块:
构建数据集模块:从数据库中获取目标位置的气象数值模式模拟地表风场气象参数的历史数据X,并获取与历史数据X时间对应的实际测量的历史数据Y,X和Y构成数据集D,其中Y中的实测风速作为输出值,数据集D用于构建梯度提升模型GBDT;
模型训练模块:初始化模型,利用数据集D分离的训练集迭代训练,基于训练样本构建基于回归树的基分类器,获得叶子节点区域及对应输出,更新权重,在损失函数中引入正则项,对复杂回归树进行惩罚,采用贪心策略快速减小损失函数,当预测损失函数达到数据集D分离的测试集误差收敛条件或产生的回归树满足阈值T,迭代终止;
风速预测模块:采集目标位置的气象数值模式模拟地表风场预测的气象参数,以及目标位置实际测量的气象参数,输入训练好的GBDT模型,获得风速预测结果。
优选地,系统模块还包括数据获取模块:从数据库中获取数据X和数据Y,X={x1,x2,…,xi,tx},Y={y1,y2,…,yj,ty},其中xi和yj为气象参数,i和j为自然数,tx和ty为时间字段。
优选地,系统模块还包括数据融合模块:判断tx与ty是否一一对应,如果是,则直接融合,D={x1,x2,…,xi,y1,y2,…,yj,tx};
如果否,获取tx和ty的最小值和最大值组成的时间段,对时间段分成n片,获得sp1,sp2,…,spn,对每个分片内的相同的数据字段求取均值,再直接融合。
上述根据本申请实施例的方法可在硬件、固件中实现,或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码,或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码,从而在此描述的装置可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如,RAM、ROM、闪存等),当所述软件或计算机代码被计算机、处理器或硬件访问且执行时,实现在此描述的装置。此外,当通用计算机访问用于实现在此示出的装置的代码时,代码的执行将通用计算机转换为用于执行在此示出的装置的专用计算机。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及装置步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同装置来实现所描述的功能,但是这种实现不应认为超出本申请实施例的范围。
以上实施方式仅用于说明本申请实施例,而并非对本申请实施例的限制,有关技术领域的普通技术人员,在不脱离本申请实施例的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本申请实施例的范畴,本申请实施例的专利保护范围应由权利要求限定。
Claims (10)
1.一种基于GBDT和数值模式的风速预测方法,其特征在于包括以下步骤:
构建数据集步骤S1:从数据库中获取目标位置的气象数值模式模拟地表风场气象参数的历史数据X,并获取与历史数据X时间对应的实际测量的历史数据Y,X和Y构成数据集D,其中Y中的实测风速作为输出值,数据集D用于构建梯度提升模型GBDT;
模型训练步骤S2:初始化模型,利用数据集D分离的训练集迭代训练,基于训练样本构建基于回归树的基分类器,获得叶子节点区域及对应输出,更新权重,在损失函数中引入正则项,对复杂回归树进行惩罚,采用贪心策略快速减小损失函数,当预测损失函数达到数据集D分离的测试集误差收敛条件或产生的回归树满足阈值T,迭代终止;
风速预测步骤S3:采集目标位置的气象数值模式模拟地表风场预测的气象参数,以及目标位置实际测量的气象参数,输入训练好的GBDT模型,获得风速预测结果。
2.根据权利要求1所述的基于GBDT和数值模式的风速预测方法,其特征在于,
从数据库中获取数据X和数据Y,X={x1,x2,…,xi,tx},Y={y1,y2,…,yj,ty},其中xi和yj为气象参数,i和j为自然数,tx和ty为时间字段。
3.根据权利要求2所述的基于GBDT和数值模式的风速预测方法,其特征在于,所述X和Y构成数据集D,具体为:
判断tx与ty是否一一对应,如果判断结果为是,则直接融合,D={x1,x2,…,xi,y1,y2,…,yj,tx}。
4.根据权利要求3所述的基于GBDT和数值模式的风速预测方法,其特征在于,所述X和Y构成数据集D,具体为:
如果判断结果为否,获取tx和ty的最小值和最大值组成的时间段,对时间段分成n片,获得sp1,sp2,…,spn,对每个分片内的相同的数据字段求取均值,再进行融合。
5.根据权利要求2所述的基于GBDT和数值模式的风速预测方法,其特征在于,
气象参数包括风速、风向、温度、湿度、高度、气压、绝对涡度、相对涡度。
6.根据权利要求1所述的基于GBDT和数值模式的风速预测方法,其特征在于,所述在损失函数中引入正则项,对复杂回归树进行惩罚,具体为:
在损失函数中引入叶子节点数目的惩罚因子,降低模型的复杂度,实现模型训练过程中自动剪枝优化。
7.根据权利要求1所述的基于GBDT和数值模式的风速预测方法,其特征在于,
设置GBDT模型的预报多组时效参数训练多个模型,并选择最优模型用于实际风速预测。
8.一种基于GBDT和数值模式的风速预测系统,其特征在于,包括以下功能模块:
构建数据集模块:从数据库中获取目标位置的气象数值模式模拟地表风场气象参数的历史数据X,并获取与历史数据X时间对应的实际测量的历史数据Y,X和Y构成数据集D,其中Y中的实测风速作为输出值,数据集D用于构建梯度提升模型GBDT;
模型训练模块:初始化模型,利用数据集D分离的训练集迭代训练,基于训练样本构建基于回归树的基分类器,获得叶子节点区域及对应输出,更新权重,在损失函数中引入正则项,对复杂回归树进行惩罚,采用贪心策略快速减小损失函数,当预测损失函数达到数据集D分离的测试集误差收敛条件或产生的回归树满足阈值T,迭代终止;
风速预测模块:采集目标位置的气象数值模式模拟地表风场预测的气象参数,以及目标位置实际测量的气象参数,输入训练好的GBDT模型,获得风速预测结果。
9.根据权利要求8所述的一种基于GBDT和数值模式的风速预测系统,其特征在于,系统模块还包括:
数据获取模块:从数据库中获取数据X和数据Y,X={x1,x2,…,xi,tx},Y={y1,y2,…,yj,ty},其中xi和yj为气象参数,i和j为自然数,tx和ty为时间字段。
10.根据权利要求9所述的一种基于GBDT和数值模式的风速预测系统,其特征在于,系统模块还包括:
数据融合模块:判断tx与ty是否一一对应,如果是,则直接融合,D={x1,x2,…,xi,y1,y2,…,yj,tx};
如果否,获取tx和ty的最小值和最大值组成的时间段,对时间段分成n片,获得sp1,sp2,…,spn,对每个分片内的相同的数据字段求取均值,再进行融合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310676102.4A CN116702610B (zh) | 2023-06-08 | 2023-06-08 | 一种基于gbdt和数值模式的风速预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310676102.4A CN116702610B (zh) | 2023-06-08 | 2023-06-08 | 一种基于gbdt和数值模式的风速预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116702610A true CN116702610A (zh) | 2023-09-05 |
CN116702610B CN116702610B (zh) | 2024-03-29 |
Family
ID=87836873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310676102.4A Active CN116702610B (zh) | 2023-06-08 | 2023-06-08 | 一种基于gbdt和数值模式的风速预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116702610B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210062389A (ko) * | 2019-11-21 | 2021-05-31 | (주)에코브레인 | 실시간 위성자료와 수치모델자료를 이용한 머신러닝기반 태양광 발전량 예측시스템 |
CN113344252A (zh) * | 2021-05-18 | 2021-09-03 | 平衡机器科技(深圳)有限公司 | 一种基于虚拟气象技术的风功率预测方法 |
CN113869604A (zh) * | 2021-10-25 | 2021-12-31 | 山东大学 | 基于wrf风速预测的风电功率预测方法及系统 |
CN114280696A (zh) * | 2021-12-23 | 2022-04-05 | 无锡九方科技有限公司 | 一种海雾等级智能预报方法及系统 |
CN115345076A (zh) * | 2022-08-19 | 2022-11-15 | 清华大学 | 一种风速订正处理方法及装置 |
-
2023
- 2023-06-08 CN CN202310676102.4A patent/CN116702610B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210062389A (ko) * | 2019-11-21 | 2021-05-31 | (주)에코브레인 | 실시간 위성자료와 수치모델자료를 이용한 머신러닝기반 태양광 발전량 예측시스템 |
CN113344252A (zh) * | 2021-05-18 | 2021-09-03 | 平衡机器科技(深圳)有限公司 | 一种基于虚拟气象技术的风功率预测方法 |
CN113869604A (zh) * | 2021-10-25 | 2021-12-31 | 山东大学 | 基于wrf风速预测的风电功率预测方法及系统 |
CN114280696A (zh) * | 2021-12-23 | 2022-04-05 | 无锡九方科技有限公司 | 一种海雾等级智能预报方法及系统 |
CN115345076A (zh) * | 2022-08-19 | 2022-11-15 | 清华大学 | 一种风速订正处理方法及装置 |
Non-Patent Citations (1)
Title |
---|
WENQING XU 等: "Wind Speed Forecast Based on Post-Processing of NumericalWeather Predictions Using a Gradient Boosting Decision Tree Algorithm", ATMOSPHERE, vol. 11, no. 7, pages 1 - 38 * |
Also Published As
Publication number | Publication date |
---|---|
CN116702610B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348292B (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 | |
CN109376960A (zh) | 基于lstm神经网络的电网负荷预测方法 | |
CN105701572B (zh) | 一种基于改进高斯过程回归的光伏短期出力预测方法 | |
CN103268366A (zh) | 一种适用于分散式风电场的组合风电功率预测方法 | |
CN112036658B (zh) | 一种基于随差遗忘长短期记忆的风电功率实时预测方法 | |
CN102183621A (zh) | 水产养殖溶解氧浓度在线预测方法及系统 | |
CN113762603B (zh) | 基于改进麻雀算法优化的光伏基站短期光伏功率预测方法 | |
CN110516840A (zh) | 基于改进随机森林方法的风光发电出力的短期预测方法 | |
CN103942736B (zh) | 一种风电场多机等值建模方法 | |
CN115345076B (zh) | 一种风速订正处理方法及装置 | |
CN109242200B (zh) | 一种贝叶斯网络预测模型的风电功率区间预测方法 | |
CN111833202A (zh) | 考虑作物系数动态变化与降雨的农田蒸散量短期预测方法 | |
CN110070228A (zh) | 一种神经元分支进化的bp神经网络风速预测方法 | |
CN115018022B (zh) | 网格化环境监测数据的质量控制方法、装置、设备及介质 | |
CN114169434A (zh) | 一种负荷预测方法 | |
CN113052386A (zh) | 基于随机森林算法的分布式光伏日发电量预测方法和装置 | |
Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
CN116976227B (zh) | 一种基于lstm机器学习的风暴增水预报方法及系统 | |
CN116702610B (zh) | 一种基于gbdt和数值模式的风速预测方法及系统 | |
Teng et al. | Prediction of particulate matter concentration in Chengdu based on improved differential evolution algorithm and BP neural network model | |
CN110765420A (zh) | 一种基于pso-fi的地面自动气象站气温观测资料质量控制方法 | |
CN115912334A (zh) | 风电场出力保证率的预测模型创建方法及预测方法 | |
CN115563848A (zh) | 一种基于深度学习的分布式光伏总辐射预测方法及系统 | |
CN113723670A (zh) | 变时间窗口的光伏发电功率短期预测方法 | |
CN114372615A (zh) | 一种考虑空间相关性的短期光伏功率预测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |