【技术实现步骤摘要】
同时处理风速时空信息的多点风速预测模型及方法
[0001]本专利技术属于风速预测
,具体的为一种同时处理风速时空信息的多点风速预测模型及方法。
技术介绍
[0002]准确的预测短期风速(分钟~小时)对于提高风电的利用率、风电的供能稳定等方面尤为重要。随着国内陆上风电场选址越来越趋向于山地区域,而由于地形变化等因素的影响,山地区域容易产生尾流效应并出现流动分离再附、剪切流等复杂的流动现象。与此同时,风速本身还存在着较强的随机性与波动性,这种复杂的风场变化对风电场的安全平稳运行带来了巨大的挑战。在风电大规模并入电网系统的背景下,这种不稳定的供能会对电网造成一定的冲击,降低风电的经济效益,甚至出现“弃风”现象。因此,发展准确的预测短期风速的方法至关重要。
[0003]因描述流体运动的控制方程在时空两个维度均具有连续性,这表明流体不仅具有时间上的相关性,同时还具有空间上的相关性。风作为一种流体,具有相同的物理属性。传统的单点短期风速预测方法往往基于空间单一位置处的风速信号开展预测,忽略了不同测点之间的风速相关性,一定程度上制约了短期风速预测精度的提升。随着风速测量设备的不断更新发展以及风电场规模的扩大,对风速的测量也不再局限于单一位置,已可以实现对三维风场的实时探测,因此空间多点同步的风速测量数据得到了有效的收集与扩充。考虑到空间风速分布是受地形、风向、气温等多变量共同影响的结果,不同位置的风速信息在时间和空间上都具有一定的相关性。因此,挖掘多点位风速信息之间的时空联系是行之有效的提高风速预测精度的途径,此类方 ...
【技术保护点】
【技术特征摘要】
1.一种同时处理风速时空信息的多点风速预测模型,其特征在于:包括依次连接的:模块A:包括输入层和1
×
1卷积的3DCNN层Ⅰ,所述输入层用于输入形式为(J,X,Y,F
I
)的四维数据;所述3DCNN层Ⅰ的卷积核为(1,1,1)并用于实现特征通道F
I
的扩展;其中,J表示时间维度;X和Y表示空间维度上两个方向的尺寸;F
I
表示特征通道;模块B:包括依次连接的两个ResNet
‑
ConvLSTM模块,每个ResNet
‑
ConvLSTM模块包括两个ConvLSTM层和一个残差连接块,用于捕捉数据中心蕴含的非线性时空信息;模块C:包括两个permute/reshape层,两个permute/reshape层之间设有两个1DCNN层;与模块B相连的permute/reshape层用于调换模块B输出数据中的时间维度与特征通道维度,并将数据变形为(X
×
Y
×
F
f
,J),其中,F
f
表示上一层神经网络所使用的卷积核个数;两个1DCNN层依次用于对时间维度升维和降维,使时间步长符合预测步数K;K为任意正整数;另一个permute/reshape层用于数据调换为原始顺序;模块D:包括1
×
1卷积的3DCNN层Ⅱ和输出层,所述3DCNN层Ⅱ的卷积核个数为所需输出特征通道的个数F
O
,并通过输出层输出最终的时空风速预测结果。2.根据权利要求1所述同时处理风速时空信息的多点风速预测模型,其特征在于:所述ConvLSTM层的原理为:f
t
=σ(W
xf
*x
t
+W
hf
*h
t
‑1+b
f
)g
t
=tanh(W
xg
*x
t
+W
hg
*h
t
‑1+b
g
)i
t
=σ(W
xi
*x
t
+W
hi
*h
t
‑1+b
i
)c
t
=f
t
⊙
c
t
‑1+i
t
⊙
g
t
o
t
=σ(W
xo
*x
t
+W
ho
*h
t
‑1+b
o
)y
t
=h
t
=o
t
⊙
tanh(c
t
)其中,t和t
‑
1分别是当前和先前时刻;f
t
、g
t
、i
t
和o
t
分别表示遗忘门的控制器、LSTM网络的中间输出、输入门的控制器、输出门的控制器;其中x
【专利技术属性】
技术研发人员:闫渤文,申瑞芳,舒臻孺,李珂,杨庆山,周绪红,王振国,
申请(专利权)人:中南大学,
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。