【技术实现步骤摘要】
本专利技术涉及气象监测，尤其涉及一种基于ai技术的风能预测系统、方法及电子设备。
技术介绍
1、风能是一种重要的可再生能源资源，具有广泛的应用前景。然而，由于风速的不稳定性和不可预测性，风能的利用受到一定的限制。传统的风能预报方法通常基于统计模型或物理模型，通过分析历史数据和环境因素来预测风速和风向的变化，这些方法往往受到模型精度、数据采集限制和计算复杂性等问题的制约，预测结果存在一定的误差。
2、人工智能(ai)技术在数据分析和模式识别方面具备较为明显的优势，其具备处理大量数据和复杂模式的能力，所以将ai技术应用于风能预报中具有很大的潜力。
3、因此，本专利技术提出一种将ai技术应用于风能预测的技术方案，以达到更佳的预测效果。
技术实现思路
1、针对现有技术中的技术问题，本专利技术提供一种基于ai技术的风能预测系统、方法及电子设备。
2、本专利技术包括一种基于ai技术的风能预测系统，所述系统包括数据采集模块、ai模型训练模块、风能预测模块，其中：
3、所述数据采集模块，与所述ai模型训练模块、风能预测模块相连接；所述数据采集模块用于获取环境数据；所述环境数据至少包括风速数据以及风向数据；
4、所述ai模型训练模块，与所述数据采集模块、风能预测模块相连接；所述ai模型训练模块用于获取若干历史环境数据，根据历史环境数据对预设的多模型融合框架进行训练，得到用于预测的ai模型；以及，根据预设的修正模型对历史环境数据进行修正，将修
5、所述风能预测模块，与所述数据采集模块、ai模型训练模块相连接；所述风能预测模块用于获取所述ai模型，以及获取实时的所述环境数据，并通过所述ai模型和实时的所述环境数据对未来设定时段内的环境数据进行预测，生成风能预测结果；
6、所述ai模型训练模块还用于将所述风能预测结果与新获取的环境数据进行比较分析，对所述ai模型进行迭代修正。
7、进一步的，所述ai模型训练模块根据历史环境数据对预设的多模型融合框架进行训练，得到用于预测的ai模型，包括：
8、根据历史环境数据生成数据集d，将所述数据集d划分为训练集和测试集；其中，d＝{(x1，y1)，(x2，y2)，…(xm，ym)}，x为风速数据，y为风向数据，m为环境数据的个数；
9、将训练集划为k等份；
10、基于预先创建的第一层的若干个初级学习器，每个初级学习器每次将其中一份作为验证集，其余k-1份作为训练集，记录每次验证集和测试集的预测结果；
11、基于预先创建的第二层的次级学习器，将每个初级学习器对应的验证集的预测结果拼接作为次级学习器的训练集，将测试集的预测结果作为次级学习器的测试集，对次级学习器进行训练，得到所述ai模型。
12、进一步的，所述ai模型训练模块根据预设的修正模型对历史环境数据进行修正，包括：
13、所述ai模型训练模块根据gru-attention模型对历史环境数据进行修正。
14、进一步的，所述ai模型训练模块根据预测结果以及预设的模型评估策略对所述ai模型的性能进行评估，包括：
15、根据修正后的历史环境数据对应的预测结果以及未修正的历史环境数据对应的预测结果计算均方根误差。
16、进一步的，所述初级学习器为xgboost、lstm、svr、lasso中的一种或多种。
17、进一步的，所述次级学习器为xgboost。
18、进一步的，所述系统还包括显示模块，所述显示模块与所述风能预测模块相连接；所述显示模块根据所述风能预测结果生成可视化界面进行显示，所述可视化界面中包含地图、风速曲线、风向标注图。
19、本专利技术还包括一种基于ai技术的风能预测方法，所述方法包括：
20、获取若干历史环境数据，并根据历史环境数据对预设的多模型融合框架进行训练，得到用于预测的ai模型；
21、根据预设的修正模型对历史环境数据进行修正，将修正后的历史环境数据输入到所述ai模型中进行预测，根据预测结果以及预设的模型评估策略对所述ai模型的性能进行评估；
22、获取实时的所述环境数据，并通过所述ai模型和实时的所述环境数据对未来设定时段内的环境数据进行预测，生成风能预测结果；
23、根据所述风能预测结果生成可视化界面进行显示；
24、将所述风能预测结果与新获取的环境数据进行比较分析，对所述ai模型进行迭代修正；
25、其中，所述环境数据至少包括风速数据以及风向数据。
26、进一步的，所述根据历史环境数据对预设的多模型融合框架进行训练，得到用于预测的ai模型，包括：
27、根据历史环境数据生成数据集d，将所述数据集d划分为训练集和测试集；其中，d＝{(x1，y1)，(x2，y2)，…(xm，ym)}，x为风速数据，y为风向数据，m为环境数据的个数；
28、将训练集划为k等份；
29、基于预先创建的第一层的若干个初级学习器，每个初级学习器每次将其中一份作为验证集，其余k-1份作为训练集，记录每次验证集和测试集的预测结果；
30、基于预先创建的第二层的次级学习器，将每个初级学习器对应的验证集的预测结果拼接作为次级学习器的训练集，将测试集的预测结果作为次级学习器的测试集，对次级学习器进行训练，得到所述ai模型。
31、本专利技术还包括一种电子设备，包括存储器和处理器，其中，存储器，存储有计算机指令；处理器，配置为运行计算机指令以使计算机设备执行上述的方法。
32、本专利技术的基于ai技术的风能预测系统、方法及电子设备，包括数据采集模块、ai模型训练模块、风能预测模块，数据采集模块用于获取环境数据，环境数据至少包括风速数据以及风向数据；ai模型训练模块用于获取若干历史环境数据，根据历史环境数据对预设的多模型融合框架进行训练，得到用于预测的ai模型，根据修正模型对历史环境数据进行修正，将修正后的历史环境数据输入到ai模型中进行预测，根据预测结果以及预设的模型评估策略对ai模型的性能进行评估；风能预测模块用于获取ai模型，以及获取实时的环境数据，并通过ai模型和实时的环境数据对未来设定时段内的环境数据进行预测，生成风能预测结果；本专利技术将ai技术应用于风能预报中，提高了对风速和风向的预测准确性，也进一步提高风能发电的效率和可靠性，克服传统方法的局限性，在行业内具有很大的推广价值。
本文档来自技高网...【技术保护点】
1.一种基于AI技术的风能预测系统，其特征在于，所述系统包括数据采集模块、AI模型训练模块、风能预测模块，其中：
2.如权利要求1所述的一种基于AI技术的风能预测系统，其特征在于，所述AI模型训练模块根据历史环境数据对预设的多模型融合框架进行训练，得到用于预测的AI模型，包括：
3.如权利要求2所述的一种基于AI技术的风能预测系统，其特征在于，所述AI模型训练模块根据预设的修正模型对历史环境数据进行修正，包括：
4.如权利要求3所述的一种基于AI技术的风能预测系统，其特征在于，所述AI模型训练模块根据预测结果以及预设的模型评估策略对所述AI模型的性能进行评估，包括：
5.如权利要求4所述的一种基于AI技术的风能预测系统，其特征在于，所述初级学习器为XGBoost、LSTM、SVR、LASSO中的一种或多种。
6.如权利要求4所述的一种基于AI技术的风能预测系统，其特征在于，所述次级学习器为XGBoost。
7.如权利要求4所述的一种基于AI技术的风能预测系统，其特征在于，所述系统还包括显示模块，所述显示模块与
8.一种基于AI技术的风能预测方法，其特征在于，所述方法包括：
9.如权利要求8所述的一种基于AI技术的风能预测方法，其特征在于，所述根据历史环境数据对预设的多模型融合框架进行训练，得到用于预测的AI模型，包括：
10.一种电子设备，其特征在于，包括存储器和处理器，其中，存储器，存储有计算机指令；处理器，配置为运行计算机指令以使计算机设备执行权利要求8-9任一项所述的方法。
...【技术特征摘要】
1.一种基于ai技术的风能预测系统，其特征在于，所述系统包括数据采集模块、ai模型训练模块、风能预测模块，其中：
2.如权利要求1所述的一种基于ai技术的风能预测系统，其特征在于，所述ai模型训练模块根据历史环境数据对预设的多模型融合框架进行训练，得到用于预测的ai模型，包括：
3.如权利要求2所述的一种基于ai技术的风能预测系统，其特征在于，所述ai模型训练模块根据预设的修正模型对历史环境数据进行修正，包括：
4.如权利要求3所述的一种基于ai技术的风能预测系统，其特征在于，所述ai模型训练模块根据预测结果以及预设的模型评估策略对所述ai模型的性能进行评估，包括：
5.如权利要求4所述的一种基于ai技术的风能预测系统，其特征在于，所述初级学习器为xgboost、lstm、svr、lasso中的一种或多种。
【专利技术属性】
技术研发人员：徐菲菲，郑涵，刘晓东，曹胜利，朱德明，张学源，陈海涛，
申请(专利权)人：广东华电惠州能源有限公司，
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。