一种混合CFD和深度学习的极端大风风速预测方法及系统技术方案

本发明专利技术公开了一种混合CFD和深度学习的极端大风风速预测方法及系统，基于风速测试样本和风向测试样本模拟目标区域大气流场，从而计算各子区域各网格划分方式的响应时间和模拟误差以及各内部测风装置的多个模拟风速序列；基于相应的模拟风速序列和风速测试样本训练风速转换模型，并基于风速测试样本训练风速预测模型；从而在对目标预测地点进行实时预测时，根据目标预测地点与最近内部测风装置之间的距离关系，智能匹配风速转换模型与风速预测模型的输出值，输出目标预测地点的最适风速预测值。本发明专利技术线下训练深度学习模型，提高预测的实时性，同时融合CFD方法，模拟目标地点大气流场，匹配最适深度学习模型，提升预测系统的泛化能力。

A Hybrid CFD and Deep Learning Method and System for Extreme Wind Speed Prediction

【技术实现步骤摘要】
一种混合CFD和深度学习的极端大风风速预测方法及系统
本专利技术属于风速预测领域，具体涉及一种混合CFD和深度学习的极端大风风速预测方法及系统。
技术介绍
大风是常见的极端天气之一。大风影响列车正常行车，当列车运行至曲线和丘陵等特殊轨段，在大风的作用下极易发生脱轨倾覆事故，威胁运输安全。突发大风会改变桥梁周围的风场特性，大风在时间和空间上随机性影响桥梁的稳定性，降低通过车辆的舒适性，阻碍甚至阻断交通。突发大风会影响风电场的输出功率，加剧风电功率的波动性，降低电能质量，对接入电网的安全和稳定运行带来阻碍。风速预测可以对极端风速进行超前预测，能够有效降低和预防突发大风带来的危害和损失。目前常用的风速预测方法多为统计学方法，普遍存在计算时间长和无法保证泛化能力的缺点。
技术实现思路
为了克服统计学方法的缺点，本专利技术提出一种混合CFD和深度学习的极端大风风速预测方法及系统，线下训练深度学习模型，提高预测的实时性，同时融合CFD方法，模拟目标地点大气流场，匹配最适深度学习模型，提升预测系统的泛化能力。为实现上述技术目的，本专利技术采用如下技术方案：一种混合CFD和深度学习的极端大风风速预测方法，包括以下步骤：步骤1，针对目标区域的每个测风点，按预设规则建立预设数量个测风装置，并从中选择1个测风装置作为与测风点对应的聚类测风装置；每两个测风点之间的距离为Dist1；步骤2，将目标区域划分为num4个子区域；步骤2.1，针对每个聚类测风装置，均获取在第一历史时间段内的历史风速数据，构建风速分类样本；步骤2.2，利用风速分类样本，采用聚类方法将目标区域划分为num4个子区域；其中位于子区域边界上的测风装置为边界测风装置，位于子区域内部的测风装置为内部测风装置；步骤3，对各子区域进行网格划分；获取每个子区域的地形数据，对每个子区域均采用num5种网格划分方式进行网格划分，每个子区域得到num5个msh文件，且msh文件与网格划分方式相对应；步骤4，根据每个子区域的每个msh文件，均生成相应的待模拟的大气流场的地形条件，并采用CFD方法计算，在相应地形条件下进行风速模拟的数据；步骤4.1针对每个内部测风装置，均获取在第二历史时间段内的历史风速数据，构建风速测试样本；针对每个边界测风装置，均获取在第二历史时间段内的历史风速数据构建风速测试样本，均获在第二历史时间段内的历史风向数据构建风向测试样本；所述风速分类样本、风速测试样本，均是由相应历史时间段内全部样本时刻的实测风速值所组成的风速时间序列，所述风向测试样本是由相应历史时间段内全部样本时刻的实测风向值所组成的风向时间序列；步骤4.2，针对每个子区域在每种网格划分方式，将相应的msh文件输入Fluent平台，生成待模拟的大气流场的地形条件；根据当前子区域所有边界测风装置的风速测试样本和风向测试样本以及内部测风装置的风速测试样本，采用CFD方法计算当前子区域在当前网格划分方式的地形条件下进行风速模拟的各数据：响应时间、模拟误差以及每个内部测风装置各num6个模拟风速序列；步骤5，建立基于卷积神经网络的风速转换模型和基于卷积神经网络的风速预测模型；步骤5.1，针对每个子区域在每种网格划分方式下的每个内部测风装置，均选择当前内部测风装置的风速测试样本和num6个模拟风速序列，以任意模拟风速序列中任意3个连续时刻t2、t2+1和t2+2的模拟风速值作为基于卷积神经网络的风速转换模型的输入数据，以风速测试样本中t2时刻的实测风速值作为输出数据，训练得到当前内部测风装置的基于卷积神经网络的风速转换模型；步骤5.2，针对每个子区域的每个内部测风装置，均选择当前内部测风装置的风速测试样本，以风速测试样本中任意3个连续时刻t3-2、t3-1和t3的实测风速值作为基于卷积神经网络的风速预测模型的输入数据，以风速测试样本中t3+1时刻的实测风速值作为输出数据，训练当前内部测风装置的基于卷积神经网络的风速预测模型；步骤6，对目标预测地点的风速进行实时预测；步骤6.1，确定目标预测地点所属子区域为a2子区域，确定离目标预测地点最近的内部测风装置为c2内部测风装置，其中c2内部测风装置与目标预测地点的距离为Dist4；步骤6.2，基于响应时间和模拟误差，选择a2子区域的一种网格划分方式，记为a2子区域的b2网格划分方式，获取a2子区域的b2网格划分方式的msh文件以及a2子区域所有边界测风装置当前时刻tnow的风速数据和风向数据，一同输入Fluent平台，启动CFD计算，获得目标预测地点在tpre、tpre+1、tpre+2这3个时刻的模拟风速值；步骤6.3，将目标预测地点在tpre、tpre+1、tpre+2这3个时刻的模拟风速值，输入到a2子区域b2网格划分方式c2内部测风装置的基于卷积神经网络的风速转换模型中，得到目标预测地点在tpre时刻的风速转换值；步骤6.4，判断c2内部测风装置与目标预测地点的距离Dist4是否大于阈值σ，若是，将目标预测地点在tpre时刻的风速转换值作为目标预测地点在tpre时刻的最适风速预测值，结束风速预测，否则执行步骤6.5；步骤6.5，获取c2内部测风装置在tnow、tnow-1、tnow-2这三个连续时刻的实测风速值，并输入到a2子区域c2内部测风装置的基于卷积神经网络的风速预测模型中，得到c2内部测风装置在tnow+1时刻的风速预测值，滚动预测，直到获得c2内部测风装置在tpre时刻的风速预测值；将c2内部测风装置在tpre时刻的风速预测值和目标预测地点在tpre时刻的风速转换值的平均值，作为目标预测地点在tpre时刻的最适风速预测值。本方案中，风速预测模型和风速转换模型是由卷积神经网络线下深度学习得到，保证线上实时风速预测的实时性；同时风速转换模型还融合CFD方法预模拟目标地点大气流场，可与风速转换模型综合根据目标预测地点的空间位置，智能输出最适风速预测值，保证预测系统的泛化能力，提高风速预测精度。进一步地，步骤4.2中计算当前子区域当前网格划分方式进行风速模拟的响应时间的具体过程为：步骤A1，选择任意样本时刻t1，将该子区域所有边界测风装置的风速测试样本和风向测试样本在t1时刻的风速值和风向值作为大气流场的初始条件，启动CFD计算，进行大气流场状态的模拟；步骤A2，记录Fluent平台从启动CFD计算到获得子区域中各点下一个样本时刻模拟风速值之间的时间，作为当前子区域当前网格划分方式进行风速模拟的响应时间；步骤4.2中计算各子区域各网格划分方式进行风速模拟的模拟误差的具体过程为：步骤B1，随机选择num6个互不相同的样本时刻，记为timi，i＝1,2,3…,num6；timi均不属于风速测试样本的最后num7个样本时刻；步骤B2，依次选择样本时刻timi，i＝1,2,3…,num6，将相应子区域所有边界测风装置风速测试样本和风向测试样本在timi时刻的风速值以及风向值作为流场的初始条件，启动CFD计算，进行大气流场运动状态的模拟，获得当前子区域中各内部测风装置下一个样本时刻的模拟风速值，滚动计算，直到获得各内部测风装置未来num7个样本时刻的模拟风速值，构成相应子区域相应网格划分方式各内部测风装置的1个模拟风速序列；步骤B3，依次计算各子区域各网格划分本文档来自技高网...

【技术保护点】
1.一种混合CFD和深度学习的极端大风风速预测方法，其特征在于，包括以下步骤：步骤1，针对目标区域的每个测风点，按预设规则建立预设数量个测风装置，并从中选择1个测风装置作为与测风点对应的聚类测风装置；每两个测风点之间的距离为Dist1；步骤2，将目标区域划分为num4个子区域；步骤2.1，针对每个聚类测风装置，均获取在第一历史时间段内的历史风速数据，构建风速分类样本；步骤2.2，利用风速分类样本，采用聚类方法将目标区域划分为num4个子区域；其中位于子区域边界上的测风装置为边界测风装置，位于子区域内部的测风装置为内部测风装置；步骤3，对各子区域进行网格划分；获取每个子区域的地形数据，对每个子区域均采用num5种网格划分方式进行网格划分，每个子区域得到num5个msh文件，且msh文件与网格划分方式相对应；步骤4，根据每个子区域的每个msh文件，均生成相应的待模拟的大气流场的地形条件，并采用CFD方法计算，在相应地形条件下进行风速模拟的数据；步骤4.1针对每个内部测风装置，均获取在第二历史时间段内的历史风速数据，构建风速测试样本；针对每个边界测风装置，均获取在第二历史时间段内的历史风速数据构建风速测试样本，均获在第二历史时间段内的历史风向数据构建风向测试样本；所述风速分类样本、风速测试样本，均是由相应历史时间段内全部样本时刻的实测风速值所组成的风速时间序列，所述风向测试样本是由相应历史时间段内全部样本时刻的实测风向值所组成的风向时间序列；步骤4.2，针对每个子区域在每种网格划分方式，将相应的msh文件输入Fluent平台，生成待模拟的大气流场的地形条件；根据当前子区域所有边界测风装置的风速测试样本和风向测试样本以及内部测风装置的风速测试样本，采用CFD方法计算当前子区域在当前网格划分方式的地形条件下进行风速模拟的各数据：响应时间、模拟误差以及每个内部测风装置各num6个模拟风速序列；步骤5，建立基于卷积神经网络的风速转换模型和基于卷积神经网络的风速预测模型；步骤5.1，针对每个子区域在每种网格划分方式下的每个内部测风装置，均选择当前内部测风装置的风速测试样本和num6个模拟风速序列，以任意模拟风速序列中任意3个连续时刻t2、t2+1和t2+2的模拟风速值作为基于卷积神经网络的风速转换模型的输入数据，以风速测试样本中t2时刻的实测风速值作为输出数据，训练得到当前内部测风装置的基于卷积神经网络的风速转换模型；步骤5.2，针对每个子区域的每个内部测风装置，均选择当前内部测风装置的风速测试样本，以风速测试样本中任意3个连续时刻t3‑2、t3‑1和t3的实测风速值作为基于卷积神经网络的风速预测模型的输入数据，以风速测试样本中t3+1时刻的实测风速值作为输出数据，训练当前内部测风装置的基于卷积神经网络的风速预测模型；步骤6，对目标预测地点的风速进行实时预测；步骤6.1，确定目标预测地点所属子区域为a2子区域，确定离目标预测地点最近的内部测风装置为c2内部测风装置，其中c2内部测风装置与目标预测地点的距离为Dist4；步骤6.2，基于响应时间和模拟误差，选择a2子区域的一种网格划分方式，记为a2子区域的b2网格划分方式，获取a2子区域的b2网格划分方式的msh文件以及a2子区域所有边界测风装置当前时刻tnow的风速数据和风向数据，一同输入Fluent平台，启动CFD计算，获得目标预测地点在tpre、tpre+1、tpre+2这3个时刻的模拟风速值；步骤6.3，将目标预测地点在tpre、tpre+1、tpre+2这3个时刻的模拟风速值，输入到a2子区域b2网格划分方式c2内部测风装置的基于卷积神经网络的风速转换模型中，得到目标预测地点在tpre时刻的风速转换值；步骤6.4，判断c2内部测风装置与目标预测地点的距离Dist4是否大于阈值σ，若是，将目标预测地点在tpre时刻的风速转换值作为目标预测地点在tpre时刻的最适风速预测值，结束风速预测，否则执行步骤6.5；步骤6.5，获取c2内部测风装置在tnow、tnow‑1、tnow‑2这三个连续时刻的实测风速值，并输入到a2子区域c2内部测风装置的基于卷积神经网络的风速预测模型中，得到c2内部测风装置在tnow+1时刻的风速预测值，滚动预测，直到获得c2内部测风装置在tpre时刻的风速预测值；将c2内部测风装置在tpre时刻的风速预测值和目标预测地点在tpre时刻的风速转换值的平均值，作为目标预测地点在tpre时刻的最适风速预测值。...

【技术特征摘要】
1.一种混合CFD和深度学习的极端大风风速预测方法，其特征在于，包括以下步骤：步骤1，针对目标区域的每个测风点，按预设规则建立预设数量个测风装置，并从中选择1个测风装置作为与测风点对应的聚类测风装置；每两个测风点之间的距离为Dist1；步骤2，将目标区域划分为num4个子区域；步骤2.1，针对每个聚类测风装置，均获取在第一历史时间段内的历史风速数据，构建风速分类样本；步骤2.2，利用风速分类样本，采用聚类方法将目标区域划分为num4个子区域；其中位于子区域边界上的测风装置为边界测风装置，位于子区域内部的测风装置为内部测风装置；步骤3，对各子区域进行网格划分；获取每个子区域的地形数据，对每个子区域均采用num5种网格划分方式进行网格划分，每个子区域得到num5个msh文件，且msh文件与网格划分方式相对应；步骤4，根据每个子区域的每个msh文件，均生成相应的待模拟的大气流场的地形条件，并采用CFD方法计算，在相应地形条件下进行风速模拟的数据；步骤4.1针对每个内部测风装置，均获取在第二历史时间段内的历史风速数据，构建风速测试样本；针对每个边界测风装置，均获取在第二历史时间段内的历史风速数据构建风速测试样本，均获在第二历史时间段内的历史风向数据构建风向测试样本；所述风速分类样本、风速测试样本，均是由相应历史时间段内全部样本时刻的实测风速值所组成的风速时间序列，所述风向测试样本是由相应历史时间段内全部样本时刻的实测风向值所组成的风向时间序列；步骤4.2，针对每个子区域在每种网格划分方式，将相应的msh文件输入Fluent平台，生成待模拟的大气流场的地形条件；根据当前子区域所有边界测风装置的风速测试样本和风向测试样本以及内部测风装置的风速测试样本，采用CFD方法计算当前子区域在当前网格划分方式的地形条件下进行风速模拟的各数据：响应时间、模拟误差以及每个内部测风装置各num6个模拟风速序列；步骤5，建立基于卷积神经网络的风速转换模型和基于卷积神经网络的风速预测模型；步骤5.1，针对每个子区域在每种网格划分方式下的每个内部测风装置，均选择当前内部测风装置的风速测试样本和num6个模拟风速序列，以任意模拟风速序列中任意3个连续时刻t2、t2+1和t2+2的模拟风速值作为基于卷积神经网络的风速转换模型的输入数据，以风速测试样本中t2时刻的实测风速值作为输出数据，训练得到当前内部测风装置的基于卷积神经网络的风速转换模型；步骤5.2，针对每个子区域的每个内部测风装置，均选择当前内部测风装置的风速测试样本，以风速测试样本中任意3个连续时刻t3-2、t3-1和t3的实测风速值作为基于卷积神经网络的风速预测模型的输入数据，以风速测试样本中t3+1时刻的实测风速值作为输出数据，训练当前内部测风装置的基于卷积神经网络的风速预测模型；步骤6，对目标预测地点的风速进行实时预测；步骤6.1，确定目标预测地点所属子区域为a2子区域，确定离目标预测地点最近的内部测风装置为c2内部测风装置，其中c2内部测风装置与目标预测地点的距离为Dist4；步骤6.2，基于响应时间和模拟误差，选择a2子区域的一种网格划分方式，记为a2子区域的b2网格划分方式，获取a2子区域的b2网格划分方式的msh文件以及a2子区域所有边界测风装置当前时刻tnow的风速数据和风向数据，一同输入Fluent平台，启动CFD计算，获得目标预测地点在tpre、tpre+1、tpre+2这3个时刻的模拟风速值；步骤6.3，将目标预测地点在tpre、tpre+1、tpre+2这3个时刻的模拟风速值，输入到a2子区域b2网格划分方式c2内部测风装置的基于卷积神经网络的风速转换模型中，得到目标预测地点在tpre时刻的风速转换值；步骤6.4，判断c2内部测风装置与目标预测地点的距离Dist4是否大于阈值σ，若是，将目标预测地点在tpre时刻的风速转换值作为目标预测地点在tpre时刻的最适风速预测值，结束风速预测，否则执行步骤6.5；步骤6.5，获取c2内部测风装置在tnow、tnow-1、tnow-2这三个连续时刻的实测风速值，并输入到a2子区域c2内部测风装置的基于卷积神经网络的风速预测模型中，得到c2内部测风装置在tnow+1时刻的风速预测值，滚动预测，直到获得c2内部测风装置在tpre时刻的风速预测值；将c2内部测风装置在tpre时刻的风速预测值和目标预测地点在tpre时刻的风速转换值的平均值，作为目标预测地点在tpre时刻的最适风速预测值。2.根据权利要求1所述的方法，其特征在于，步骤4.2中计算当前子区域当前网格划分方式进行风速模拟的响应时间的具体过程为：步骤A1，选择任意样本时刻t1，将该子区域所有边界测风装置的风速测试样本和风向测试样本在t1时刻的风速值和风向值作为大气流场的初始条件，启动CFD计算，进行大气流场状态的模拟；步骤A2，记录Fluent平台从启动CFD计算到获得子区域中各点下一个样本时刻模拟风速值之间的时间，作为当前子区域当前网格划分方式进行风速模拟的响应时间；步骤4.2中计算各子区域各网格划分方式进行风速模拟的模拟误差的具体过程为：步骤B1，随机选择num6个互不相同的样本时刻，记为timi，i＝1,2,3…,num6；timi均不属于风速测试样本的最后num7个样本时刻；步骤B2，依次选择样本时刻timi，i＝1,2,...

【专利技术属性】
技术研发人员：刘辉，陈浩林，李周欣，尹恒鑫，张馨雨，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南,43