一种基于多因素时空相关性的风速预测方法及装置制造方法及图纸

本发明专利技术公开了一种基于多因素时空相关性的风速预测方法及装置，通过获取目标站点及其邻近站点的所有气象因素在多个时间点的值，构建三维矩阵，将构建的三维矩阵输入到预先训练好的组合预测模型，输出目标站点的风速预测结果。其中所述组合预测模型包括卷积神经网络和长短期记忆神经网络。本发明专利技术利用卷积神经网络提取各站点气象因素之间的空间特征关系。同时，将CNN在每个时间点上得到的抽象空间特征关系向量作为长短期记忆网络的输入。这种基于深度学习的CNN‑LSTM组合模型不仅能够自动地提取深度的时空特征，而且能够有效解决不同站点的复杂地理特征获取困难的问题，预测结果准确。

【技术实现步骤摘要】
一种基于多因素时空相关性的风速预测方法及装置
本专利技术属于风速预测
，尤其涉及一种基于多因素时空相关性的风速预测方法及装置。
技术介绍
近年来，环境污染、能源消耗等问题阻碍了经济发展和社会进步。为了缓解能源危机，取之不尽、用之不竭的可再生清洁能源在世界范围内受到了广泛关注。风能被认为是潮汐能、太阳能、生物能等可再生能源中最具开发利用前景的能源。然而，作为风能发电的核心因素，风所具有的间歇性和随机性特点给风能的转化与管理带来了巨大的挑战。不精确的风速预测会影响电力系统调度决策，进而增加运行成本、降低能源效率和电网的可靠性。精确的风速预测对风能转化和电力调度起着至关重要的作用，相关研究表明，如果风速预测的精确度提高10％，风能发电量将比预期增加约30％。因此，降低风速预测误差，提高风能转换效率，已成为世界各国能源发展战略的一项重要举措。近几十年来，为了提高风速预测的性能，人们提出并改进了各种预测模型。这些模型可分为以下几种类别：物理模型、统计学模型、机器学习模型、深度学习模型、组合模型等。这些方法可以在一定程度上提高风速的预测性能，但仍存在一些有待改进之处，例如：温度、风速、风向等多种气象因素之间存在紧密的耦合关系，现有的技术方案忽略了气象因素在时空上对风速的影响。现有的时空相关性模型提取空间相关性需要大量的先验知识和专业背景，无法直接有效地获取隐藏的抽象特征关系，且忽略了气象因素随时间和空间的变化过程中对风速造成的影响。
技术实现思路
本专利技术的目的是提供一种基于多因素时空相关性的风速预测方法及装置，同时考虑时间、站点和气象因素之间的多种时空相关性，提高了风速预测的可靠性。为了实现上述目的，本专利技术技术方案如下：一种基于多因素时空相关性的风速预测方法，包括：获取目标站点及其邻近站点的所有气象因素在多个时间点的值，构建三维矩阵；将构建的三维矩阵输入到预先训练好的组合预测模型，输出目标站点的风速预测结果；所述组合预测模型包括卷积神经网络和长短期记忆神经网络。进一步地，所述气象因素包括风速及至少一种其他气象因素。进一步地，所述其他气象因素包括但不限于风向、温度、露点温度、阵风、高度表拨正和相对湿度。进一步地，所述卷积神经网络包括：卷积层、池化层、卷积层和第一全连接层；所述卷积神经网络的输出输入到长短期记忆神经网络的记忆块，所述长短期记忆神经网络的输出连接了一个第二全连接层，将第二全连接层中的所有神经元连接到输出层输出预测结果。本专利技术还提出了一种基于多因素时空相关性的风速预测装置，包括：数据重构模块，用于获取目标站点及其邻近站点的所有气象因素在多个时间点的值，构建三维矩阵；组合预测模块，用于将构建的三维矩阵输入到预先训练好的组合预测模型，输出目标站点的风速预测结果；所述组合预测模型包括卷积神经网络和长短期记忆神经网络。本专利技术提出的一种基于多因素时空相关性的风速预测方法及装置，利用卷积神经网络CNN(convolutionalneuralnetwork)提取各站点气象因素之间的空间特征关系。同时，将CNN在每个时间点上得到的抽象空间特征关系向量作为长短期记忆网络LSTM(longshort-termmemorynetwork)的输入。这种基于深度学习的CNN-LSTM组合模型不仅能够自动地提取深度的时空特征，而且能够有效解决不同站点的复杂地理特征获取困难的问题，预测结果准确。附图说明图1为本专利技术基于多因素时空相关性的风速预测方法流程图；图2为本专利技术三维矩阵示意图；图3为本专利技术组合预测模型示意图。具体实施方式下面结合附图和实施例对本专利技术技术方案做进一步详细说明，以下实施例不构成对本专利技术的限定。在风能发电系统中，目标站点与其邻近站点的风速之间存在着显著的互相关，更精确的数据显示，站点之间的相关距离至少可以达到435km。本申请提供的一种基于多因素时空相关性的风速预测方法，用来预测目标站点的风速。为了获得精确可靠的预测结果，将卷积神经网络与长短期记忆神经网络相组合，提出了一种新颖的多因素时空相关性风速预测模型，利用卷积神经网络提取各站点气象因素之间的空间特征关系，利用长短期记忆神经网络提取各时间点之间的时间特征关系，在预测精度和泛化能力方面均优于其它基准模型。在一个实施例中，如图1所示，提供了一种基于多因素时空相关性的风速预测方法，包括：步骤S1、获取目标站点及其邻近站点的所有气象因素在多个时间点的值，构建三维矩阵。容易理解的是，一个区域的风速特征与其相邻区域的风速特征相似。然而，风速变化与一些气象因素密切相关，例如与温度、气压、湿度和风向有关。因此，充分利用目标站点及其邻近站点的气象信息，有助于提高风速预测的精确性和可靠性。本实施例对目标站点及其邻近站点的所有气象因素在多个时间点的数据进行重构，将数据重构为三维矩阵。该三维矩阵包含每个站点在多个时间点的气象因素值。气象因素包括但不限于风速、风向、温度、露点温度、阵风、高度表拨正和相对湿度等测量数据，其中风速是必须的。其中，高度表拨正，其表示随着气压的变化，高度表值需要进行拨正调整，相应的取值成为高度表拨正值。采用三维矩阵重构的核心是同时考虑站点与气象因素在时空维度上的多重相关性。这里的相关性包括三个方面：站点之间的相关性、气象因素之间的相关性、站点与气象因素之间的相关性。三维矩阵如图2所示，表示为：SFT＝<TF,TS,FS>＝<Esft>(1)其中SFT表示“站点-因素-时间”的三维矩阵。TF、TS和FS分别表示“时间-因素”、“时间-站点”、“因素-站点”的二维平面集合。相应的平面分割操作如图2(II)所示。Esft是三维矩阵中所有数据点的集合，每个数据点可以定义为e(s,f,t)，表示第s个站点处、时间点t时刻、第f个气象因素的值。与此同时，如图2(III)所示，每一个二维平面都可以由一个二维矩阵表示。其中，TFs包含站点s处所有气象因素在T个时间点内随时间变化的值；TSf包含每个站点的第f个气象因素在T个时间点内随时间变化的值；FSt包含每个站点的所有气象因素在时间点t时刻的值。S、F和T分别表示站点、气象因素和时间点的数量。任意两点e1(s,f,t)和e2(s,f,t)之间的相关性系数可以表示为：然后，基于各数据点之间的相关性系数，通过T个时间点的各个站点气象因素的值可以计算出目标站点下一时刻的风速。公式定义为：其中eg(s,f,t)为Esft中某数据点的值，ea(q,wind,t+1)为目标站点q在下一t+1时刻风速的预测值，为点ea(q,wind,t+1)与点eg(s,f,t)之间的相关性系数，ξag为误差项。步骤S2、将构建的三维矩阵输入到预先训练好的组合预测模型，输出目标站点的风速预测结果，所述组合预测模型包括卷积神经网络和长短期记忆神经网络。CNN是一种多层前馈人工神经网络，在提取隐藏的空间特征方面具有良好的性能。CNN被广泛应用于图像识别和分类任务中。与深度信念网络等其它类型的神经网络相比，CNN具有稀疏连接和权值共享的特点，可以显著减少CNN需要学习的参数数量。本实施例利用CNN提取目标站点与其邻近站点的气象因素之间潜在的空间关系，以减少风速预测误差。CNN的输入是一个二维矩阵FSt，矩阵包含了每个站点在时间点本文档来自技高网...

【技术保护点】
1.一种基于多因素时空相关性的风速预测方法，其特征在于，所述基于多因素时空相关性的风速预测方法，包括：获取目标站点及其邻近站点的所有气象因素在多个时间点的值，构建三维矩阵；将构建的三维矩阵输入到预先训练好的组合预测模型，输出目标站点的风速预测结果；所述组合预测模型包括卷积神经网络和长短期记忆神经网络。

【技术特征摘要】
1.一种基于多因素时空相关性的风速预测方法，其特征在于，所述基于多因素时空相关性的风速预测方法，包括：获取目标站点及其邻近站点的所有气象因素在多个时间点的值，构建三维矩阵；将构建的三维矩阵输入到预先训练好的组合预测模型，输出目标站点的风速预测结果；所述组合预测模型包括卷积神经网络和长短期记忆神经网络。2.根据权利要求1所述的基于多因素时空相关性的风速预测方法，其特征在于，所述气象因素包括风速及至少一种其他气象因素。3.根据权利要求2所述的基于多因素时空相关性的风速预测方法，其特征在于，所述其他气象因素包括但不限于风向、温度、露点温度、阵风、高度表拨正和相对湿度。4.根据权利要求1所述的基于多因素时空相关性的风速预测方法，其特征在于，所述卷积神经网络包括：卷积层、池化层、卷积层和第一全连接层；所述卷积神经网络的输出输入到长短期记忆神经网络的记忆块，所述长短期记忆神经网络的输出连接了一个第二全连接层，将第二全连接层中的所有神经元连接到输出层输出预测结果。5.一种基于多因素...

【专利技术属性】
技术研发人员：张帅，张文宇，陈勇，彭娟娟，裘一蕾，
申请(专利权)人：浙江财经大学，
类型：发明
国别省市：浙江,33