大气风速预测模型训练和预测方法及装置制造方法及图纸

本公开提出了一种大气风速预测模型训练和预测方法及装置，包括：获取候选辅助气象因子、历史气象数据和初始大气风速预测模型；基于历史气象数据从候选辅助气象因子中确定正向相关辅助气象因子和负向相关辅助气象因子；基于正向相关辅助气象因子、负向相关辅助气象因子和历史气象数据生成训练样本集和测试样本集；对初始大气风速预测模型进行训练，以生成目标大气风速预测模型。通过对历史气象数据进行分析，以确定影响目标区域的正向相关辅助气象因子和负向相关辅助气象因子，为后续建立训练样本集和测试样本集提供数据基础，同时可以提升模型的训练效果，使得训练好的目标大气风速预测模型更加适配于目标区域，从而提升风速预测的效果。

【技术实现步骤摘要】

本公开涉及气象预测，尤其涉及一种大气风速预测模型训练和预测方法及装置。

技术介绍

1、随着全球不可再生能源储量的减少和可持续发展战略的提出，可再生能源的开发和利用越来越受到人们的关注，由于风能相较于核能具有更高的可靠性，这使风力发电行业获得了各界的认可和支持。但风速的间歇性、随机性将直接导致风电功率的波动，对电力系统维持动态平衡造成困难。对风速进行精准的预测是解决这些问题的有效手段，同时可以提高电力系统运转的稳定性。精准的风速预测是一个复杂的时间序列预测问题。风速预测方法大致可以归纳为物理模型、统计模型、智能模型和混合模型4类。数据驱动的机器学习模型是目前预测风速的主要方法，但浅层学习算法很难挖掘数据的深层隐含特征，最终影响模型精度。深度学习模型具备深度学习复杂特征的表示能力，处理时间序列的中长期依赖关系，将深度学习应用在复杂时间序列问题中十分必要。本专利技术从特征提取的角度出发，利用不同深度网络模型的优势应用在风速时间序列预测的建模之中。

技术实现思路

1、本公开旨在至少在一定程度上解决相关技术中的技术问题本文档来自技高网...

【技术保护点】

1.一种大气风速预测模型训练方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述对多个所述候选辅助气象因子进行与风速的相关性分析，基于相关性分析结果从所述候选辅助气象因子中确定正向相关辅助气象因子和负向相关辅助气象因子，包括：

3.根据权利要求2所述的方法，其特征在于，所述基于所述相关性系数确定所述候选辅助气象因子的因子种类，包括：

4.根据权利要求1所述的方法，其特征在于，所述获取待预测的目标区域的多个候选辅助气象因子，包括：

5.根据权利要求1所述的方法，其特征在于，获取历史气象数据后，还包括：</p>

6.根据...

【技术特征摘要】

1.一种大气风速预测模型训练方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述对多个所述候选辅助气象因子进行与风速的相关性分析，基于相关性分析结果从所述候选辅助气象因子中确定正向相关辅助气象因子和负向相关辅助气象因子，包括：

3.根据权利要求2所述的方法，其特征在于，所述基于所述相关性系数确定所述候选辅助气象因子的因子种类，包括：

4.根据权利要求1所述的方法，其特征在于，所述获取待预测的目标区域的...

【专利技术属性】
技术研发人员：袁宗涛，
申请(专利权)人：北京爱特瑞科软件开发有限责任公司，
类型：发明
国别省市：