数模驱动增量深度学习的复杂地形风能资源评估方法技术

本申请涉及一种数模驱动增量深度学习的复杂地形风能资源评估方法。所述方法包括：获取目标地点的风能资源的历史观测参数和当前特征参数；将历史观测参数输入至预先训练的第一预测模型，得到历史观测参数对应的预测观测参数，对预测观测参数进行特征提取，得到目标地点的第一预测特征参数；第一预测模型包括脉冲神经网络模型；将当前特征参数输入至预先训练的第二预测模型，得到目标地点的第二预测特征参数；第二预测模型包括柔性发射网络模型；根据第一预测特征参数对第二预测特征参数进行修正处理，得到修正后的预测特征参数，根据修正后的预测特征参数，确定目标地点的风能资源评估结果。采用本方法能够提高风能资源评估结果的准确性。结果的准确性。结果的准确性。

【技术实现步骤摘要】
数模驱动增量深度学习的复杂地形风能资源评估方法


[0001]本申请涉及新能源
，特别是涉及一种数模驱动增量深度学习的复杂地形风能资源评估方法。

技术介绍

[0002]风能作为可再生清洁能源，逐渐引起人们重视，由于风力存在随机性、间歇性和不确定性等特点，容易导致风能不稳定，进而影响电网的安全稳定运行，使得风力发电的输出功率波动性较大，给风电并网带来挑战。风能资源评估可以为大规模风电并网规划提供科学依据，为风电场选址、风力发电机组选型，机组排布方案的确定和电量计算提供参考。
[0003]现有技术中，可以基于数理统计或者数值模拟来对风能资源进行评估。然而，上述方法中对宏观区域内风能资源的蕴含储量和最大可开发量的确定并不准确，风能资源评估结果也未能与电力系统规划设计和运行调度相结合，同时，对区域风能资源的评估结果通常为平均风速和风功率密度，不同高度间的风速推算也多是基于指数函数关系进行的简单折算，进一步导致对微观范围的地形地貌及不同高度层的风能资源评估结果的不准确。
[0004]因此，目前的风能资源评估数据确定技术中存在结果不准确的问题。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种较为准确的数模驱动增量深度学习的复杂地形风能资源评估方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
[0006]第一方面，本申请提供了一种数模驱动增量深度学习的复杂地形风能资源评估方法。所述方法包括：
[0007]获取目标地点的风能资源的历史观测参数和当前特征参数；
[0008]将所述历史观测参数输入至预先训练的第一预测模型，得到所述历史观测参数对应的预测观测参数，对所述预测观测参数进行特征提取，得到所述目标地点的第一预测特征参数；所述第一预测模型包括脉冲神经网络模型；
[0009]将所述当前特征参数输入至预先训练的第二预测模型，得到所述目标地点的第二预测特征参数；所述第二预测模型包括柔性发射网络模型；
[0010]根据所述第一预测特征参数对所述第二预测特征参数进行修正处理，得到修正后的预测特征参数，根据所述修正后的预测特征参数，确定所述目标地点的风能资源评估结果。
[0011]第二方面，本申请还提供了一种数模驱动增量深度学习的复杂地形风能资源评估装置。所述装置包括：
[0012]参数获取模块，用于获取目标地点的风能资源的历史观测参数和当前特征参数；
[0013]第一预测模块，用于将所述历史观测参数输入至预先训练的第一预测模型，得到所述历史观测参数对应的预测观测参数，对所述预测观测参数进行特征提取，得到所述目
标地点的第一预测特征参数；所述第一预测模型包括脉冲神经网络模型；
[0014]第二预测模块，用于将所述当前特征参数输入至预先训练的第二预测模型，得到所述目标地点的第二预测特征参数；所述第二预测模型包括柔性发射网络模型；
[0015]结果输出模块，用于根据所述第一预测特征参数对所述第二预测特征参数进行修正处理，得到修正后的预测特征参数，根据所述修正后的预测特征参数，确定所述目标地点的风能资源评估结果。
[0016]第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0017]获取目标地点的风能资源的历史观测参数和当前特征参数；
[0018]将所述历史观测参数输入至预先训练的第一预测模型，得到所述历史观测参数对应的预测观测参数，对所述预测观测参数进行特征提取，得到所述目标地点的第一预测特征参数；所述第一预测模型包括脉冲神经网络模型；
[0019]将所述当前特征参数输入至预先训练的第二预测模型，得到所述目标地点的第二预测特征参数；所述第二预测模型包括柔性发射网络模型；
[0020]根据所述第一预测特征参数对所述第二预测特征参数进行修正处理，得到修正后的预测特征参数，根据所述修正后的预测特征参数，确定所述目标地点的风能资源评估结果。
[0021]第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0022]获取目标地点的风能资源的历史观测参数和当前特征参数；
[0023]将所述历史观测参数输入至预先训练的第一预测模型，得到所述历史观测参数对应的预测观测参数，对所述预测观测参数进行特征提取，得到所述目标地点的第一预测特征参数；所述第一预测模型包括脉冲神经网络模型；
[0024]将所述当前特征参数输入至预先训练的第二预测模型，得到所述目标地点的第二预测特征参数；所述第二预测模型包括柔性发射网络模型；
[0025]根据所述第一预测特征参数对所述第二预测特征参数进行修正处理，得到修正后的预测特征参数，根据所述修正后的预测特征参数，确定所述目标地点的风能资源评估结果。
[0026]第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
[0027]获取目标地点的风能资源的历史观测参数和当前特征参数；
[0028]将所述历史观测参数输入至预先训练的第一预测模型，得到所述历史观测参数对应的预测观测参数，对所述预测观测参数进行特征提取，得到所述目标地点的第一预测特征参数；所述第一预测模型包括脉冲神经网络模型；
[0029]将所述当前特征参数输入至预先训练的第二预测模型，得到所述目标地点的第二预测特征参数；所述第二预测模型包括柔性发射网络模型；
[0030]根据所述第一预测特征参数对所述第二预测特征参数进行修正处理，得到修正后的预测特征参数，根据所述修正后的预测特征参数，确定所述目标地点的风能资源评估结果。
[0031]上述数模驱动增量深度学习的复杂地形风能资源评估方法、装置、计算机设备、存储介质和计算机程序产品，通过获取目标地点的风能资源的历史观测参数和当前特征参数；将历史观测参数输入至预先训练的第一预测模型，得到历史观测参数对应的预测观测参数，对预测观测参数进行特征提取，得到目标地点的第一预测特征参数；第一预测模型包括脉冲神经网络模型；将当前特征参数输入至预先训练的第二预测模型，得到目标地点的第二预测特征参数；第二预测模型包括柔性发射网络模型；根据第一预测特征参数对第二预测特征参数进行修正处理，得到修正后的预测特征参数，根据修正后的预测特征参数，确定目标地点的风能资源评估结果；可以分别基于历史观测参数和当前特征参数进行预测，得到第一预测特征参数和第二预测特征参数，使用第一预测特征参数对第二预测特征参数进行修正，使得最终的预测特征参数具有较高的准确性，进而提高了风能资源评估结果的准确性。
附图说明
[0032]图1为一个实施例中数模驱动增量深度学习的复杂地形风能资源评估方法的流程示意图；
[0033]图2为一个实施例中脉冲神经网络预测模型的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数模驱动增量深度学习的复杂地形风能资源评估方法，其特征在于，所述方法包括：获取目标地点的风能资源的历史观测参数和当前特征参数；将所述历史观测参数输入至预先训练的第一预测模型，得到所述历史观测参数对应的预测观测参数，对所述预测观测参数进行特征提取，得到所述目标地点的第一预测特征参数；所述第一预测模型包括脉冲神经网络模型；将所述当前特征参数输入至预先训练的第二预测模型，得到所述目标地点的第二预测特征参数；所述第二预测模型包括柔性发射网络模型；根据所述第一预测特征参数对所述第二预测特征参数进行修正处理，得到修正后的预测特征参数，根据所述修正后的预测特征参数，确定所述目标地点的风能资源评估结果。2.根据权利要求1所述的方法，其特征在于，所述根据所述第一预测特征参数对所述第二预测特征参数进行修正处理，得到修正后的预测特征参数，根据所述修正后的预测特征参数，确定所述目标地点的风能资源评估结果，包括：将所述第一预测特征参数和所述第二预测特征参数输入至预先确定的梯度提升模型，得到所述梯度提升模型输出的所述修正后的预测特征参数；所述修正后的预测特征参数包括预测风速、预测风功率、预测风能和预测供能时长；根据所述预测风速、所述预测风功率、所述预测风能和所述预测供能时长，确定所述目标地点的所述风能资源评估结果；所述风能资源评估结果包括所述目标地点的风电场选址结果、风力发电机组类型和风力发电机组排布。3.根据权利要求1所述的方法，其特征在于，所述获取目标地点的风能资源的历史观测参数和当前特征参数，包括：获取所述目标地点的地形参数和当前观测参数；所述当前观测参数包括当前气象观测参数和当前风能观测参数；确定与所述地形参数、所述当前气象观测参数和所述当前风能观测参数相匹配的风速统计概率分布模型；根据所述风速统计概率分布模型，得到所述目标地点的风能资源的所述当前特征参数。4.根据权利要求3所述的方法，其特征在于，所述确定与所述地形参数、所述当前气象观测参数和所述当前风能观测参数相匹配的风速统计概率分布模型，包括：确定与所述地形参数、所述当前气象观测参数和所述当前风能观测参数相匹配的形状参数和尺度参数；根据所述形状参数和所述尺度参数，得到所述风速统计概率分布模...

【专利技术属性】
技术研发人员：黎嘉明，黎立丰，蒙文川，饶志，席云华，孙思扬，李爽，杨雄平，杨再敏，
申请(专利权)人：南方电网能源发展研究院有限责任公司，
类型：发明
国别省市：