一种基于WRF和CNN卷积神经网络的风资源预测方法技术

本发明专利技术公开了一种基于WRF和CNN卷积神经网络的风资源预测方法，包括以下步骤：下载GFS气象数据；运行WRF模拟目标区域风场得到研究区域网格气象数据；获得测风塔风速实测数据；获得测风塔处WRF中尺度运行结果；通过CNN卷积神经网络与周边测风塔风速实测进行CNN模型建模；得到风机站点处WRF模拟风速结果；将风机站点处WRF中尺度数据线性插值的结果与CNN模拟预测的风速结果求和取平均得到更为精准的预测风速。本发明专利技术通过CNN卷积神经网络与WRF相结合，提供一种新的风资源计算方法，通过CNN卷积神经网络模型，极大地降低风资源计算中的误差，可以在较小的计算资源下，达到很好的降尺度效果。

【技术实现步骤摘要】
一种基于WRF和CNN卷积神经网络的风资源预测方法
本专利技术涉及风速预测方法，尤其涉及一种基于WRF和CNN卷积神经网络相结合的风资源预测方法。
技术介绍
目前的风资源计算方法主要采用动力降尺度，其中应用较多的是WRF与CFD模型相耦合的方式，通过动力降尺度来获得研究区域的风场结果。然而，WRF得到的模拟气象场分辨率较低，不能满足评估需求。CFD在对大的研究区域以及长时间序列的气象模拟时需要耗费大量的计算资源，在实际的风场评估中受到限制。因此，亟需提供一种可以在较小的计算资源下，达到很好的降尺度效果的风资源预测方法。
技术实现思路
为了解决上述技术所存在的不足之处，本专利技术提供了一种基于WRF和CNN卷积神经网络的风资源预测方法。为了解决以上技术问题，本专利技术采用的技术方案是：一种基于WRF和CNN卷积神经网络的风资源预测方法，包括以下步骤：步骤一：下载GFS气象数据，分辨率为0.25°×0.25°，时间分辨率为每小时；步骤二：在目标区域运行WRF，网格分辨率为3km×3km，模拟得到研究区域3本文档来自技高网...

【技术保护点】
1.一种基于WRF和CNN卷积神经网络的风资源预测方法，其特征在于：所述风速预测方法包括以下步骤：/n步骤一：下载GFS气象数据，分辨率为0.25°×0.25°，时间分辨率为每小时；/n步骤二：在目标区域运行WRF，网格分辨率为3km×3km，模拟得到研究区域3km粗分辨率网格气象数据；/n步骤三：搜集研究区域周边测风塔数据，获得测风塔风速实测数据；/n步骤四：将WRF运行数据插值到测风塔处，获得测风塔处WRF中尺度运行结果；/n步骤五：结合插值后的WRF的多个气象指标数据源，通过CNN卷积神经网络与周边测风塔风速实测进行CNN模型建模；/n步骤六：将WRF中尺度数据插值到风机站点处，得到风机...

【技术特征摘要】
1.一种基于WRF和CNN卷积神经网络的风资源预测方法，其特征在于：所述风速预测方法包括以下步骤：
步骤一：下载GFS气象数据，分辨率为0.25°×0.25°，时间分辨率为每小时；
步骤二：在目标区域运行WRF，网格分辨率为3km×3km，模拟得到研究区域3km粗分辨率网格气象数据；
步骤三：搜集研究区域周边测风塔数据，获得测风塔风速实测数据；
步骤四：将WRF运行数据插值到测风塔处，获得测风塔处WRF中尺度运行结果；
步骤五：结合插值后的WRF的多个气象指标数据源，通过CNN卷积神经网络与周边测风塔风速实测进行CNN模型建模；
步骤六：将WRF中尺度数据插值到风机站点处，得到风机站点处WRF模拟风速结果；
步骤七：利用建立的CNN模型预测的风速结果，将风机站点处WRF中尺度数据线性插值的结果与CNN模拟预测的风速结果求和取平均得到更为精准的预测风速。


2.根据权利1所述的基于WRF和CNN卷积神经网络的风资源预测方法，其特征在于：步骤二中，WRF模拟包括如下五个步骤：
1)geogrid.exe：定义模型运行空间，以及嵌套区域；
2)ungrib...

【专利技术属性】
技术研发人员：李君，吕新杰，魏爱萍，罗培韬，王玲霞，
申请(专利权)人：平衡机器科技深圳有限公司，
类型：发明
国别省市：广东;44