一种风光资源的预警方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术涉及风光资源预测技术领域，公开了一种风光资源的预警方法、装置、计算机设备及存储介质，该方法包括：将预获取的机器学习模型与地球系统模式进行耦合，得到预测模型；当在目标区域内首次监测到预设预警信号时，获取监测到预设预警信号时目标区域对应的环境数据；利用环境数据驱动预测模型，对目标区域在第一时间段的环境数据进行预测，得到预测数据，第一时间段是以首次监测到预设预警信号的时刻为起始的时间段；从预测数据中获取目标变量对应的目标数据，并基于目标数据确定风光资源的预警时刻；通过将预训练的机器学习模型与地球系统模式进行耦合，实现对各环境参量进行准确预测，从而使预警结果更准确。从而使预警结果更准确。从而使预警结果更准确。

【技术实现步骤摘要】
一种风光资源的预警方法、装置、计算机设备及存储介质


[0001]本专利技术涉及风光资源预测
，具体涉及一种风光资源的预警方法、装置、计算机设备及存储介质。

技术介绍

[0002]风光资源是可再生能源的重要组成部分，其在电力生产中发挥着极其重要的作用。通过对风光资源进行异常预警，可以及时掌握资源波动和异常情况，以便提前计划应对措施，有助于稳定能源供应，避免电力供应中断，保障新型电力系统的正常运转，更好地规划和调整能源生产和使用，最大程度地提高经济效益。
[0003]当前对风光资源的预报大多以地球系统模式的数模仿真结果为准，但当前的地球系统模式中对某些变量采用人为经验所定的参数化方案，从而使得预测结果与实际情况存在较大的差别，进而导致预警结果不准确。
[0004]那么，如何对风光资源进行预测，从而得到准确的预警结果成为目前需要解决的问题。

技术实现思路

[0005]有鉴于此，本专利技术提供了一种风光资源的预警方法、装置、计算机设备及存储介质，以解决风光资源预警不准确的问题。
[0006]第一方面，本专利技术提供了一种风光资源的预警方法，方法包括：获取预训练的机器学习模型；将机器学习模型与地球系统模式进行耦合，得到预测模型；当在目标区域内首次监测到预设预警信号时，获取监测到预设预警信号时目标区域对应的环境数据；利用环境数据驱动预测模型，对目标区域在第一时间段的环境数据进行预测，得到预测数据，第一时间段是以首次监测到预设预警信号的时刻为起始的时间段；从预测数据中获取目标变量对应的目标数据，并基于目标数据确定风光资源的预警时刻。
[0007]本实施例提供的风光资源的预警方法，将机器学习模型与地球系统模式进行耦合，得到预测模型。利用预测模型中的机器学习模型对地球系统模式预测较差的变量进行预测，利用地球系统模式对其余变量进行预测，从而提高预测数据准确性，进而使基于预测数据得到的预警时刻更加准确。通过本方案可为能源供应商提供针对预警情况的辅助决策，提高经济利益，同时保障能源供应，避免能源紧缺和电力供应中断等民生问题。
[0008]在一种可选的实施方式中，预设预警信号的确定方式，包括：获取目标变量在第二时间段中各时刻对应的实际值和目标变量在预设时刻对应的平均值，第二时间段在第一时间段之前，第二时间段包括多个子时间段，平均值基于目标变量在各子时间段预设时刻的实际值得到；基于实际值和平均值，确定目标变量在各时刻对应的偏差值，并从所有偏差值中确定出异常偏差值；对异常偏差值进行聚类，得到任一聚类簇中异常偏差值对应的异常时刻；获取第三时间段对应的环境数据，并对第三时间段对应的环境数据进行聚类训练，得到与聚类簇对应的预设预警信号，第三时间段是以异常时
刻为终止时刻的时间段。
[0009]在一种可选的实施方式中，对环境数据进行聚类训练还得到与预设预警信号对应的预警特征。
[0010]在一种可选的实施方式中，从所有偏差值中确定出异常偏差值，包括：对子时间段中各时刻对应的偏差值进行标准化处理，得到与子时间段对应的标准差；基于各时刻对应的实际值和时刻所属子时间段对应的标准差，确定异常偏差值。
[0011]本实施例通过自组织映射聚类算法，对处于预警范围的异常偏差值进行聚类，确定出具备相同异常原因的异常偏差值以及各异常偏差值对应的异常时刻。再对异常时刻前一时间段的环境数据进行特征学习和聚类训练，提取出造成风光资源异常的预警信号，以便出现预警信号时，可提早基于预警信号做出预案，从而减小风光资源异常对发电效益的损失，提高业主收益率。
[0012]在一种可选的实施方式中，利用环境数据驱动预测模型，对目标区域在第一时间段的环境数据进行预测，得到预测数据，包括：将环境数据输入至预测模型中，利用机器学习模型对预设异常变量进行预测，得到第一预测数据，环境数据为各环境变量分别对应的数据；利用地球系统模式对除预设异常变量之外的其余环境变量进行预测，得到第二预测数据；预测数据包括第一预测数据和第二预测数据。
[0013]本实施例通过定位地球系统模式中模拟结果较差的异常变量，利用全连接神经网络或双向长短时记忆循环神经网络对该变量构建机器学习模型，并通过搭建地球系统耦合模式与机器学习模型之间的耦合器完成对原本效果较差的参数化方案的替代，提升地球系统耦合模式对变量的数模仿真结果的精度，也提高了最终预测结果的准确性。
[0014]在一种可选的实施方式中，预设异常变量的确定方式，包括：获取第四时间段对应的环境数据，第四时间段为与第三时间段相邻且在第三时间段之后的一段时间；利用第三时间段对应的环境数据驱动地球系统模式，对第四时间段的环境数据进行预测，得到第三预测数据；基于第三预测数据和第四时间段对应的环境数据，确定各环境变量分别对应的相关系数；将相关系数与预设相关阈值进行比较，基于比较结果从环境变量中确定预设异常变量。
[0015]在一种可选的实施方式中，机器学习模型基于第三时间段对应的历史环境数据、第四时间段对应的历史环境数据和预警特征训练得到。
[0016]第二方面，本专利技术提供了一种风光资源的预警装置，装置包括：第一获取模块，用于获取预训练的机器学习模型；耦合模块，用于将机器学习模型与地球系统模式进行耦合，得到预测模型；第二获取模块，用于当在目标区域内首次监测到预设预警信号时，获取监测到预设预警信号时目标区域对应的环境数据；预测模块，用于利用环境数据驱动预测模型，对目标区域在第一时间段的环境数据进行预测 ，得到预测数据，第一时间段是以首次监测到预设预警信号的时刻为起始的时间段；确定模块，用于从预测数据中获取目标变量对应的目标数据，并基于目标数据确定风光资源的预警时刻。
[0017]在一种可选的实施方式中，第二获取模块中确定预设预警信号的模块，包括：获取子模块，用于获取目标变量在第二时间段中各时刻对应的实际值和目标变量在预设时刻对应的平均值，第二时间段在第一时间段之前，第二时间段包括多个子时间段，
平均值基于目标变量在各子时间段预设时刻的实际值得到；第一确定子模块，用于基于实际值和平均值，确定目标变量在各时刻对应的偏差值，并从所有偏差值中确定出异常偏差值；聚类子模块，用于对异常偏差值进行聚类，得到任一聚类簇中异常偏差值对应的异常时刻；第二确定子模块，用于获取第三时间段对应的环境数据，并对第三时间段对应的环境数据进行聚类训练，得到与聚类簇对应的预设预警信号，第三时间段是以异常时刻为终止时刻的时间段。
[0018]在一种可选的实施方式中，第二获取模块中确定预设预警信号的模块，还包括：第三确定子模块，用于对环境数据进行聚类训练还得到与预设预警信号对应的预警特征。
[0019]在一种可选的实施方式中，第一确定子模块中确定异常偏差值的子模块，包括：处理单元，用于对子时间段中各时刻对应的偏差值进行标准化处理，得到与子时间段对应的标准差；第一确定单元，用于基于各时刻对应的实际值和时刻所属子时间段对应的标准差，确定异常偏差值。
[0020]在一种可选的实施方式中，预测模块，包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风光资源的预警方法，其特征在于，所述方法包括：获取预训练的机器学习模型；将所述机器学习模型与地球系统模式进行耦合，得到预测模型；当在目标区域内首次监测到预设预警信号时，获取监测到所述预设预警信号时所述目标区域对应的环境数据；利用所述环境数据驱动所述预测模型，对所述目标区域在第一时间段的环境数据进行预测，得到预测数据，所述第一时间段是以首次监测到所述预设预警信号的时刻为起始的时间段；从所述预测数据中获取目标变量对应的目标数据，并基于所述目标数据确定风光资源的预警时刻。2.根据权利要求1所述的方法，其特征在于，所述预设预警信号的确定方式，包括：获取所述目标变量在第二时间段中各时刻对应的实际值和所述目标变量在预设时刻对应的平均值，所述第二时间段在所述第一时间段之前，所述第二时间段包括多个子时间段，所述平均值基于所述目标变量在各所述子时间段预设时刻的实际值得到；基于所述实际值和所述平均值，确定所述目标变量在各时刻对应的偏差值，并从所有所述偏差值中确定出异常偏差值；对所述异常偏差值进行聚类，得到任一聚类簇中所述异常偏差值对应的异常时刻；获取第三时间段对应的环境数据，并对所述第三时间段对应的所述环境数据进行聚类训练，得到与所述聚类簇对应的所述预设预警信号，所述第三时间段是以所述异常时刻为终止时刻的时间段。3.根据权利要求2所述的方法，其特征在于，对所述环境数据进行聚类训练还得到与所述预设预警信号对应的预警特征。4.根据权利要求2或3所述的方法，其特征在于，所述从所有所述偏差值中确定出异常偏差值，包括：对所述子时间段中各时刻对应的所述偏差值进行标准化处理，得到与所述子时间段对应的标准差；基于各时刻对应的实际值和所述时刻所属子时间段对应的标准差，确定所述异常偏差值。5.根据权利要求3所述的方法，其特征在于，所述利用所述环境数据驱动所述预测模型，对所述目标区域在第一时间段的环境数据进行预测，得到预测数据，包括：将所述环境数据输入至所述预测模型中，利用所述机器学习模型对预设异常变量进行预测，得到第一预测数据，所述环境数据为各环境变量分别对应的数据；利用所述地球系统模式对除所述预设异常变量之外的其余环境变量进行预测，得到第二预测数据；所述预测数据包括所述第一预测数据和所述第二预测数据。6.根据权利要求5所述的方法，其特征在于，所述预设异常变量的确定方式，包括：获取第四时间段对应的环境数据，所述第四时间段为与所述第三时间段相邻且在所述第三时间段之后的一段时间；利用所述第三时间段对应的环境数据驱动所述地球系统模式，对所述第四时间段的环
境数据进行预测，得到第三预测数据；基于所述第三预测数据和所述第四时间段对应的环境数据，确定各环境变量分别对应的相关系数；将所述相关系数与预设相关阈值进行比较，基于比较结果从所述环境变量中确定所述预设异常变量。7.根据权利要求6所述的方法，其特征在于，所述机器学习模型基于所述第三时间段对应的历史环境数据、所述第四时间段对应的历史环境数据和所述预警特征训练得到。8.一种风光资源的预警装置，其特征在于，所述装置包括：第一获取模块，用于获取预训练的机器学习模型；耦合模块，用于将所述机器学习模型与地球系统模式进行耦合，得到预测模型；第二获取模块，用于当在目标区域内首次监测到预设预警信号时，获取监测到所述预设预警信号时所述目标区域对应的环境数据；预测模...

【专利技术属性】
技术研发人员：邓友汉，陈圣哲，蒋定国，余意，宋子达，李雨抒，陈静，
申请(专利权)人：中国长江三峡集团有限公司，
类型：发明
国别省市：