一种基于人工神经网络的风速预报订正方法技术

本发明专利技术涉及一种基于人工神经网络的风速预报订正方法，属于人工智能领域，包括以下步骤：S1：整理目标区域内10米风场历史预报格点数据和对应的实况数据，并进行数据预处理；S2：使用聚类算法对数据进行聚类分析，生成类别特征；S3：采用时间序列预测方法对10米风场数据进行数据特点分析，生成特征向量，再将步骤S2产生的类别特征，以及样本的预报时效添加到特征向量中，采用滑动窗口方法，对历史数据进行处理生成序列样本；S4：设计与训练基于LSTM的风速预报订正模型；S5：使用训练后的基于LSTM的风速预报订正模型对风速预报进行订正。的风速预报订正模型对风速预报进行订正。的风速预报订正模型对风速预报进行订正。

【技术实现步骤摘要】
一种基于人工神经网络的风速预报订正方法


[0001]本专利技术属于人工智能领域，涉及一种基于人工神经网络的风速预报订正方法。

技术介绍

[0002]随着传统能源消耗的加剧，清洁可再生能源的研究和开发越发紧迫和重要。其中风能绿色环保可再生，吸引越来越多的国家投资建立风力发电厂。而风速是影响风力发电持续稳定的关键因素，这就对风速预报提出了更高的要求。
[0003]近几十年来，随着数值天气预报(NWP)的飞速发展，风速预报的过程由传统的预报员分析天气图进行主观预报转变为主观与客观相结合的模式，即“经验预报+NWP结果”模式。虽然数值天气预报(NWP)是客观的定量计算，但其计算是基于网络格点进行的，代表的意义是一个矩形区域内天气要素的平均值，而不能针对一个气象台所在的观测站点直接做出要素预报，这就需要预报员“从格点到站点”进行人工经验订正。当遇到复杂天气形势时，预报员还要通过多人会商的方式来确定最终的天气要素预报结果，因此不可避免地在很大程度上带有主观性，引入不易量化的人为误差。
[0004]目前适合用于风速预报订正的方法有很多，广泛应用的方法可分为两大类：物理模型和统计模型。其中数值天气预报(NWP)系统是一个常用的物理模型，用于天气预报以及风速预报，然而这个物理模型是基于庞大、复杂且具有实验性的气象系统，需要大量气象信息和物理机制，这使得其应用和建模变得复杂。统计模型需要风速和时间戳等历史数据来进行预测，各种统计学习算法也应用于风速预报行业，例如整合移动平均自回归模型(ARIMA)模型、人工神经网络(ANN)等，此外还有一些混合方法。然而这些基于统计模型的风速预报，在短期预测中可以实现良好的精度，但由于误差累积问题，在长期预测中具有较差的性能。NWP等物理模型虽然可以实现大时间尺度预测，但预测结果粗糙且精度低。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提供一种基于人工神经网络的风速预报订正方法。该方法使用历史数值天气预报结果和实况观测值，训练出一个人工神经网络模型，再将该模型应用于每日实时发布的数值天气预报结果中，得到台站级别的风速预报订正结果，达到更好地利用现有的预报产品，继承过往预报经验，并彻底排除人为主观干预带来的不确定性。该模型能够实现最大限度地减少预测误差，在风速预报中提供一种高精度、纯客观、实时风速预报后处理方法。
[0006]为达到上述目的，本专利技术提供如下技术方案：
[0007]一种基于人工神经网络的风速预报订正方法，包括以下步骤：
[0008]S1：整理目标区域内10米风场历史预报格点数据和对应的实况数据，并进行数据预处理；
[0009]S2：使用聚类算法对数据进行聚类分析，生成类别特征；
[0010]S3：采用时间序列预测方法对10米风场数据进行数据特点分析，生成特征向量，再
将步骤S2产生的类别特征，以及样本的预报时效添加到特征向量中，采用滑动窗口方法，对历史数据进行处理生成序列样本；
[0011]S4：设计与训练基于LSTM的风速预报订正模型；
[0012]S5：使用训练后的基于LSTM的风速预报订正模型对风速预报进行订正。
[0013]进一步，步骤S1中，对目标区域内包含10米风场数据的历史预报格点数据进行整理，并收集与之对应的格点实况数据，历史数据跨度为一年以上，包括每天UTC 00:00和UTC12:00起报的逐小时预报，预报时效为48小时，对整理的风场数据进行数据解析，然后通过MongoDB数据库对解析和处理后的数据进行存储。
[0014]进一步，步骤S2中，对S1预处理后的数据使用K
‑
means聚类算法进行聚类分析，生成类别特征，作为下一步使用的特征之一；特征包括统计特征和位置特征，所述统计特征是表示历史NWP风速误差和附加相关信息的一般特征，所述位置特征是由使用地理位置数据的K
‑
means无监督学习算法聚类的组。
[0015]进一步，步骤S3中，生成包括ori_diff、Max、Min、mean、median、Q_25、Q_75、std共8个特征向量；生成的每个序列长度为30，特征数为8个，间隔12小时，跨度为15天，即每个样本的形状为30*8，每个样本对应的标签为该序列的下一个ori_diff。
[0016]进一步，步骤S3中，将风速预测过程定义为其中是预测的10米风速，f(.)是数值预报模型；当收集实际测量值时，预测误差e
t
为：
[0017][0018]式中，为t时刻的NWP风速，v
t
是在时间t测量的10米风速；
[0019]所述采用时间序列预测(TSP)方法对风场数据进行分析，具体包括：通过基于先前数据开发模型并将其应用于进行预测一段时间内的未来值，对历史误差进行学习和建模，以预测未来误差，预测误差后，通过添加预测误差来订正NWP风速，公式如下：
[0020][0021][0022]其中是时间t的预测误差，是修正后的NWP风速。
[0023]进一步，步骤S4中，训练以位置模式和预测周期作为输入特征的广义模型，具体包括：
[0024]利用长短期记忆人工神经网络LSTM对具有循环结构的时间序列数据进行建模，对输入特征之间的函数关系进行建模最近的过去到未来的目标变量，所述LSTM中导入了一个单元状态c和三个gate，gate由一个sigmoid神经网络层和一个逐点乘法运算组成，input gate对当前输入x
t
和之前的输出h
t
‑1进行加权：
[0025]i
t
＝σ(W
i
·
[h
t
‑1,x
t
]+b
i
)
[0026]其中W
i
和b
i
分别是input gate的权重矩阵和偏置向量，σ()是输出范围为(0，1)的sigmoid函数，当接近1时，倾向于选择单元状态中的所有信息，而当接近0时，倾向于丢弃输入信息；
[0027]然后通过将信息选择与输入向量相乘：
[0028][0029]其中W
c
和b
c
分别是输入层的权重矩阵和偏置向量；
[0030]选择的信息表示为：
[0031][0032]其中
⊙
是逐元素乘法，是当前输入和先前输出组合而成的输入信息，是将存储在单元状态中的输入层的选定信息；
[0033]forget gate决定存储在单元状态中的信息的哪一部分应该被遗忘，如下式所示：
[0034][0035]其中W
f
和b
f
分别是forget gate的权重矩阵和偏置向量；
[0036]新的单元状态是：
[0037][0038]output gate决定应该输出哪一部分信息，即
[0039]o
n
＝σ本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工神经网络的风速预报订正方法，其特征在于：包括以下步骤：S1：整理目标区域内10米风场历史预报格点数据和对应的实况数据，并进行数据预处理；S2：使用聚类算法对数据进行聚类分析，生成类别特征；S3：采用时间序列预测方法对10米风场数据进行数据特点分析，生成特征向量，再将步骤S2产生的类别特征，以及样本的预报时效添加到特征向量中，采用滑动窗口方法，对历史数据进行处理生成序列样本；S4：设计与训练基于LSTM的风速预报订正模型；S5：使用训练后的基于LSTM的风速预报订正模型对风速预报进行订正。2.根据权利要求1所述的基于人工神经网络的风速预报订正方法，其特征在于：步骤S1中，对目标区域内包含10米风场数据的历史预报格点数据进行整理，并收集与之对应的格点实况数据，历史数据跨度为一年以上，包括每天UTC 00:00和UTC 12:00起报的逐小时预报，预报时效为48小时，对整理的风场数据进行数据解析，然后通过MongoDB数据库对解析和处理后的数据进行存储。3.根据权利要求1所述的基于人工神经网络的风速预报订正方法，其特征在于：步骤S2中，对S1预处理后的数据使用K
‑
means聚类算法进行聚类分析，生成类别特征，作为下一步使用的特征之一；特征包括统计特征和位置特征，所述统计特征是表示历史NWP风速误差和附加相关信息的一般特征，所述位置特征是由使用地理位置数据的K
‑
means无监督学习算法聚类的组。4.根据权利要求1所述的基于人工神经网络的风速预报订正方法，其特征在于：步骤S3中，生成包括ori_diff、Max、Min、mean、median、Q_25、Q_75、std共8个特征向量；生成的每个序列长度为30，特征数为8个，间隔12小时，跨度为15天，即每个样本的形状为30*8，每个样本对应的标签为该序列的下一个ori_diff。5.根据权利要求1所述的基于人工神经网络的风速预报订正方法，其特征在于：步骤S3中，将风速预测过程定义为其中是预测的10米风速，f(.)是数值预报模型；当收集实际测量值时，预测误差e
t
为：式中，为t时刻的NWP风速，v
t
是在时间t测量的10米风速；所述采用时间序列预测方法对风场数据进行分析，具体包括：通过基于先前数据开发模型并将其应用于进行预测一段时间内的未来值，对历史误差进行学习和建模，以预测未来误差，预测误差后，通过添加预测误差来订正NWP风速，公式如下：公式如下：其中是时间t的预测误差，是修正后的NWP风速。6.根据权利要求1所述的基于人工神经网络的风速预报订正方法，其特征在于：步骤S4中，训练以位置模式和预测周期作为输入特征的广义模型，具体包括：利用长短期记忆人工神经网络LSTM对具有循环结构的时间序列数据进行建模，对输入特征之间的函数关系进行建模最近的过去到未来的目标变...

【专利技术属性】
技术研发人员：赵学良，袁欣，张渝淋，孙启龙，
申请(专利权)人：中国科学院重庆绿色智能技术研究院，
类型：发明
国别省市：