【技术实现步骤摘要】
一种基于CNN
‑
LSTM的多时间范围风速预测方法
[0001]本专利技术属于新能源发电领域，尤其涉及各地区未来风速预测问题。
技术介绍
[0002]近年来，随着可再生能源发电技术的不断成熟，可再生能源领域的短期预测变得越来越重要。由于天气预报与新能源发电具有较强的不确定性，使得能源供应商在管理和平衡能量方面承受了很大的压力。并且，数字孪生电网的建设要求传感器具有更高的精度与更快的采样频率，因此也意味着传感器将消耗更多的电能。精准的风速预测技术能为自供电高性能无线传感器能量管理策略提供重要数据支持，当预计未来能量充沛时，传感器可提高采样精度与时间频率，提前消耗电池电量，提高传感器高性能状态的工作时间，提升全网传感器数据质量。因此，在[1，48]小时的时间范围内进行准确的预测，无论是对于有效地平衡能源网的供需，还是提高全网数据质量，都至关重要。
[0003]目前，对地区风速等天气信息的预测多采用数值天气预报技术，通过非线性偏微分方程组来描述已知旋转状态下的地球大气运动中的物理规律，基于给定初始条件，用...
【技术保护点】
【技术特征摘要】
1.一种基于CNN
‑
LSTM的多时间范围风速预测方法，其特征在于：所述风速预测方法包括如下步骤：S1、获取某地区需要预测的风速日期之前M天气象传感器采集的风速、温度、气压等气象数据与传统天气预报记录的风速日期之前M天的风速、温度、气压等气象数据；S2、对步骤S1中得到的气象数据进行数据预处理及标准化，然后按时间对其进行分割，将需要预测日期前N天的风速等气象数据作为训练集与验证集，其余气象数据作为测试集；S3、构建CNN
‑
LSTM混合神经网络模型，并使用训练集对其进行训练，使用验证集评估其训练过程中的精度变化情况，最后将测试集输入到训练好的混合神经网络模型，评估其最终训练效果；S4、利用模型对未来不同时间段的风速差值进行预测，并对数据进行反向标准化得到真实风速值；其中，所述步骤S1及S4中，M与N均为自然数，且90≤M，0≤N≤3。2.根据权利要求1所述的一种基于CNN
‑
LSTM的多时间范围风速预测方法，其特征在于：步骤S1中用于获取数据的气象传感器需要部署在同一位置，且采样间隔均相等。3.根据权利要求1所述的一种基于CNN
‑
LSTM的多时间范围风速预测方法，其特征在于：步骤S2中进行的数据预处理如下：删去同一地点、同一时间点不同传感器采集到的气象数据中的重复值，同一时间点只保留一个有效值；使用sklearn StandardScale进行标准化，避免一些特征主导步骤S3中CNN
‑
LSTM混合神经网络训练学习过程。4.根据权利要求1所述的一种基于CNN
‑
LSTM的多时间范围风速预测方法，其特征在于：步骤S3中CNN
‑
LSTM混合神经网络的构建使用Keras(版本2+)和TensorFlow；混合神经网络中的LSTM采用Keras中的无状态配置，这允许LSTM学习时间窗口中帧之间的状态和时间的依赖关系，Keras将自动重置每个训练窗口之间的状态；这意味着在窗口外对训练数据...
【专利技术属性】
技术研发人员：王守相，郭陆阳，赵倩宇，杨爱超，范亚军，邓礼敏，朱亮，刘明，裴茂林，
申请(专利权)人：国网江西省电力有限公司供电服务管理中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。