风速预测方法、系统及计算机存储介质技术方案

本申请提供一种风速预测方法、装置及计算机存储介质，包括采集目标区域在当前时段的风速数据；根据目标区域在当前时段的风速数据，执行分别执行线性预测和非线性预测，获得目标区域在预测时段的线性特征预测结果和非线性特征预测结果，其中，预测时段接续所述当前时段；根据目标区域在预测时段的线性特征预测结果、非线性特征预测结果，获得目标区域在预测时段的风速预测结果。据此，本申请通过非线性和线性的多维度预测方式，可有效提高风速预测结果的准确性。结果的准确性。结果的准确性。

【技术实现步骤摘要】
风速预测方法、系统及计算机存储介质


[0001]本申请实施例涉及模型预测
，特别涉及一种风速预测方法、装置及计算机存储介质。

技术介绍

[0002]风能作为一种无污染、可再生的能源，已成为代替传统化石燃料的重要选择，风力发电也越来越受人们的重视。
[0003]风速是风力发电的重要因素，但风能具有间歇性、不稳定性等特点，这些特点将会严重影响风电并网，因此，对风速的变化进行有效预测，设计出更加准确的风速预测模型，对风力发电的发展至关重要。

技术实现思路

[0004]鉴于上述问题，本申请提供一种风速预测方法、装置及计算机存储介质，可提高风速预测结果的准确性。
[0005]本申请第一方面提供一种风速预测方法，包括：采集目标区域在当前时段的风速数据；根据所述目标区域在当前时段的风速数据，执行分别执行线性预测和非线性预测，获得所述目标区域在预测时段的线性特征预测结果和非线性特征预测结果，其中，所述预测时段接续所述当前时段；根据所述目标区域在所述预测时段的线性特征预测结果、非线性特征预测结果，获得所述目标区域在所述预测时段的风速预测结果。
[0006]本申请第二方面提供一种风速预测装置，包括：采集模块，用于采集目标区域在当前时段的风速数据；预测模块，用于根据所述目标区域在当前时段的风速数据，执行分别执行线性预测和非线性预测，获得所述目标区域在预测时段的线性特征预测结果和非线性特征预测结果，并根据所述目标区域在所述预测时段的线性特征预测结果、非线性特征预测结果，获得所述目标区域在所述预测时段的风速预测结果；其中，所述预测时段接续所述当前时段。
[0007]综上所述，本申请各实施例提供的风速预测方法、装置及计算机存储介质，可基于线性和非线性两个维度执行风速预测，以提高风速预测结果的准确性。
附图说明
[0008]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
[0009]图1为本申请示例性实施例的风速预测方法的处理流程图。
[0010]图2为本申请另一示例性实施例的风速预测方法的处理流程图。
[0011]图3为本申请示例性实施例的滑窗处理示意图。
[0012]图4为本申请另一示例性实施例的风速预测方法的处理流程图。
[0013]图5为本申请示例性实施例的风速预测装置的结构框图。
具体实施方式
[0014]为了使本领域的人员更好地理解本申请实施例中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于本申请实施例保护的范围。
[0015]近几十年来，学者们提出了多种基于历史风速时间序列的预测方法，一般来说，这些模型大致可以分为四种类型：物理模型、统计模型、智能学习模型和混合预测模型。
[0016]针对物理模型，考虑到准确、完整的区域气候信息，以及地形和障碍物等因素使得模型构件较为复杂。
[0017]针对统计模型，如自回归综合移动平均(ARIMA)模型、季节性ARIMA(SARIMA)、广义自回归条件异方差(GARCH)模型和蒙特卡罗模拟，在线性假设的前提下，具有较高的预测准确度。
[0018]针对智能学习模型，如支持向量回归(SVR)、决策树回归(DTR)、多元线性回归(MLR)、人工神经网络(ANN)等具有较好非线性拟合能力，然而关键参数主要依赖人工选择。
[0019]针对混合预测模型，其为集合了各种不同模型的优势的一种集成方法，该方法能有效的处理非线性和线性问题，预测精度能更进一步，但这混合模型的搭建更为复杂，模型训练也需投入更多成本。
[0020]针对上述现有技术中存在的问题，本申请设计了一种基于自优化神经网络模型的风速预测方法，可无需考虑较为复杂多元的地理环境因素，使用线性拟合与非线性拟合相结合的智能学习方法，提高风速预测结果的准确性。
[0021]以下将结合各附图详细描述本申请的各具体实施例。
[0022]图1为本申请示例性实施例的风速预测方法的处理流程图。如图所示，本实施例主要包括以下步骤：
[0023]步骤S102，采集目标区域在当前时段的风速数据。
[0024]可选地，可通过预设在目标区域的检测器(例如风速计)，采集目标区域在当前时段的风速数据。
[0025]步骤S104，根据目标区域在当前时段的风速数据，执行分别执行线性预测和非线性预测，获得目标区域在预测时段的线性特征预测结果和非线性特征预测结果。
[0026]于本实施例中，预测时段为接续当前时段的一个时段。
[0027]例如，若当前时段为9至11点，预测时段为12点。
[0028]于本实施例中，预测时段的时长一般不超过当前时段的时长，预测时段、当前时段各自的时长可根据实际检测需求而定，本申请对此不作限制。
[0029]可选地，可利用包括线性预测模型和非线性预测模型的风速预测网络执行预测。
[0030]于本实施例中，可利用线性预测模型，根据目标区域在当前时段的风速数据执行线性预测，获得目标区域在所述预测时段的线性特征预测结果；利用非线性预测模型，根据线性特征预测结果执行非线性预测，获得目标区域在预测时段的非线性特征预测结果。
[0031]可选地，线性预测模型可包括ARIMA模型。
[0032]可选地，可利用Auto ARIMA模型确定ARIMA模型的最优超参数。
[0033]可选地，非线性预测模型可包括双向LSTM模型。
[0034]可选地，可利用贝叶斯优化确定所述双向LSTM(Bi_LSTM)模型的最优超参数。
[0035]可选地，可针对目标区域在当前时段的风速数据，执行归一化处理，获得目标区域在当前时段的风速特征，并根据目标区域在当前时段的风速特征，执行分别执行线性预测和非线性预测。
[0036]步骤S106，根据目标区域在预测时段的线性特征预测结果、非线性特征预测结果，获得目标区域在预测时段的风速预测结果。
[0037]可选地，可融合目标区域在预测时段的线性风速预测结果、非线性风速预测结果，获得目标区域在预测时段的风速预测结果。
[0038]综上所述，本实施例的风速预测方法，使用线性和非线性的混合模式方式执行预测，能有效提升风速预测结果的准确性。
[0039]图2为本申请另一示例性实施例的风速预测方法的处理流程图。本实施例示出了执行上述步骤S104中的线性预测处理的线性预测模型的训练方式。如图所示，本实施例主要包括以下步骤：
[0040]步骤S202，采集目标区域对应于各时间值的各风速实测值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风速预测方法，包括：采集目标区域在当前时段的风速数据；根据所述目标区域在当前时段的风速数据，执行分别执行线性预测和非线性预测，获得所述目标区域在预测时段的线性特征预测结果和非线性特征预测结果，其中，所述预测时段接续所述当前时段；根据所述目标区域在所述预测时段的线性特征预测结果、非线性特征预测结果，获得所述目标区域在所述预测时段的风速预测结果。2.根据权利要求1所述的方法，其中，所述方法还包括：针对所述目标区域在当前时段的风速数据，执行归一化处理，获得所述目标区域在当前时段的风速特征。3.根据权利要求1或2所述的方法，其中，所述根据所述目标区域在当前时段的风速数据，执行分别执行线性预测和非线性预测，获得所述目标区域在预测时段的线性特征预测结果和非线性特征预测结果，包括：获取包括线性预测模型和非线性预测模型的风速预测网络；利用所述线性预测模型，根据所述目标区域在当前时段的风速数据执行线性预测，获得所述目标区域在所述预测时段的线性特征预测结果；利用所述非线性预测模型，根据所述线性特征预测结果执行非线性预测，获得所述目标区域在所述预测时段的非线性特征预测结果。4.根据权利要求3所述的方法，其中，所述线性预测模型通过以下方式训练：采集所述目标区域对应于各时间值的各风速实测值，根据各时间值顺序排列各风速实测值，获取所述目标区域的风速实测序列；利用具有预设长度的滑动窗口，针对所述风速实测序列执行滑窗处理，确定所述风速实测序列的多个线性分割时段以及接续每一个线性分割时段的预测时段；利用所述线性预测模型，根据每一个线性分割时段中的各风速实测值，针对接续每一个线性分割时段的预测时段执行线性风速预测，获得线性风速预测序列。5.根据权利要求4所述的方法，其中，所述方法还包括：根据每一个线性分割时段所包含的各时间值对应的各风速实测值，获得每一个线性分割时段的线性风速特征，并根据接续每一个线性分割时段的预测时段所包含的各时间值对应的各风速实测值，确定接续每一个线性分割时段的预测时段的线性标签特征；且其中，所述利用所述线性预测模型，根据每一个线性分割时段中的各风速实测值，针对接续每一个线性分割时段的预测时段执行线性风速预测，获得线性风速预测序列，包括：预测步骤，利用所述线性预测模型，根据每一个线性分割时段中的各风速实测值执行预测，获得接续每一个线性分割时段的预测时段的线性风速预测值；根据接续每一个线性分割时段的预测时段的线性风速预测值、线性标签特征执行比对，获得所述线性预测模型的第一损失函数；根据所述第一损失函数更新所述线性预测模型，并返回执行所述预测步骤，直至所述第一损失函数满足第一收敛条件。6.根据权利要求4所述的方法，其中，所述利用所述非线性预测...

【专利技术属性】
技术研发人员：王泽平，
申请(专利权)人：云从科技集团股份有限公司，
类型：发明
国别省市：