一种基于物理信息耦合的工程风速短时预测方法及系统技术方案

本发明专利技术公开了一种基于物理信息耦合的工程风速短时预测方法及系统，采用CFD方法模拟目标区域大气流场，从而计算各子区域各网格划分方式进行风速模拟的响应时间和模拟误差以及各内部测风装置的多个模拟风速序列，并根据模拟误差筛选优势网格划分方式；从而针对各内部测风装置，基于前述融合CFD方法得到的模拟风速序列以线下深度学习得到风速转换模型；另外基于风速测试样本线下深度学习得到风速预测模型；最终通过目标预测地点与最近内部测风装置的空间关系，智能匹配风速转换模型与风速预测模型的输出值，输出最适风速预测值。本发明专利技术减少了线下模型训练的计算和存储成本，在保证风速预测的实时性和泛化能力的同时，提高风速预测的精度。

A Short-term Prediction Method and System of Engineering Wind Velocity Based on Physical Information Coupling

【技术实现步骤摘要】
一种基于物理信息耦合的工程风速短时预测方法及系统
本专利技术属于风速预测领域，具体涉及一种基于物理信息耦合的工程风速短时预测方法及系统。
技术介绍
突发大风是常见的自然灾害之一。突发大风会迅速破坏桥梁沿线稳定的风场，造成桥面震荡颠簸，降低来往车辆的舒适性和安全性，阻断交通运输。突发大风影响列车运行安全，大风会损坏车窗等行车设备，降低乘客舒适度，阻碍列车运行，甚至吹翻列车，造成重大安全事故。突发大风会加剧风电场输出功率的波动性和不稳定性，污染电能，降低电能质量，阻碍接入电网的安全稳定运行。风速预测是应对突发大风的有效方法之一。通过风速预测可以提前得知大风可能发生的时间和地点，快速、高精度的风速预测能够有效降低和预防大风带来的危害和损失。目前常用的风速预测方法多为统计学方法，普遍存在计算成本大、泛化能力差和易陷入局部最优解的缺点。
技术实现思路
为了克服统计学方法的缺点，本专利技术提供一种基于物理信息耦合的工程风速短时预测方法及系统，通过提前选择优势网格划分方式，以减少线下训练风速转换模型的数量，减小风速预测的计算和存储成本，并在保证风速预测的实时性和泛化能力的同时，提高风速预测的精度。为实现上述技术目的，本专利技术采用如下技术方案：一种基于物理信息耦合的工程风速短时预测方法，包括以下步骤：步骤1，针对目标区域的每个测风点，按预设规则建立预设数量个测风装置，并从中选择1个测风装置作为与测风点对应的聚类测风装置；每两个测风点之间的距离为Dist1；步骤2，将目标区域划分为num4个区域；步骤2.1，针对每个聚类测风装置，均获取在第一历史时间段内的历史风速数据，构建风速分类样本；步骤2.2，利用风速分类样本，采用聚类方法将目标区域划分为num4个子区域；步骤2.3，若子区域的边界上设有测风装置，则将位于子区域边界上的测风装置作为边界测风装置，位于子区域内部的测风装置作为内部测风装置；否则，将位于子区域内部的测风装置作为内部测风装置，并在子区域的边界上等间距建立测风装置作为边界测风装置；步骤3，对各子区域进行网格划分；获取每个子区域的地形数据，对每个子区域均采用num5种网格划分方式进行网格划分，每个子区域得到num5个msh文件，且msh文件与网格划分方式相对应；步骤4，基于msh文件，选择子区域的优势网格划分方式；步骤4.1针对每个内部测风装置，均获取在第二历史时间段内的历史风速数据，构建风速测试样本；针对每个边界测风装置，均获取在第二历史时间段内的历史风速数据构建风速测试样本，均获在第二历史时间段内的历史风向数据构建风向测试样本；所述风速分类样本、风速测试样本，均是由相应历史时间段内全部样本时刻的实测风速值所组成的风速时间序列，所述风向测试样本是由相应历史时间段内全部样本时刻的实测风向值所组成的风向时间序列；步骤4.2，针对每个子区域在每种网格划分方式，将相应的msh文件输入Fluent平台，生成待模拟的大气流场的地形条件；根据当前子区域所有边界测风装置的风速测试样本和风向测试样本以及内部测风装置的风速测试样本，采用CFD方法计算当前子区域在当前网格划分方式的地形条件下进行风速模拟的各数据：响应时间、模拟误差以及每个内部测风装置各num6个模拟风速序列；步骤4.3，将每个子区域中，模拟误差小于经验阈值α所对应的网格划分方式，作为当前子区域的优势网格划分方式；步骤5，建立基于循环神经网络的风速转换模型和基于循环神经网络的风速预测模型；步骤5.1，针对每个子区域在每种优势网格划分方式下的每个内部测风装置，均选择当前内部测风装置的风速测试样本和num6个模拟风速序列，以任意模拟风速序列中任意3个连续时刻t2、t2+1和t2+2的模拟风速值作为基于循环神经网络的风速转换模型的输入数据，以风速测试样本中t2时刻的实测风速值作为输出数据，训练得到当前内部测风装置的基于循环神经网络的风速转换模型；步骤5.2，针对每个子区域的每个内部测风装置，均选择当前内部测风装置的风速测试样本，以风速测试样本中任意3个连续时刻t3-2、t3-1和t3的实测风速值作为基于循环神经网络的风速预测模型的输入数据，以风速测试样本中t3+1时刻的实测风速值作为输出数据，训练得到当前内部测风装置的基于循环神经网络的风速预测模型；步骤6，对目标预测地点的风速进行实时预测；步骤6.1，确定目标预测地点所属子区域为a2子区域，确定离目标预测地点最近的内部测风装置为c2内部测风装置，其中c2内部测风装置与目标预测地点的距离为Dist4；步骤6.2，基于响应时间和模拟误差，选择a2子区域的一种优势网格划分方式，记为a2子区域的b2优势网格划分方式，获取a2子区域的b2优势网格划分方式的msh文件以及a2子区域所有边界测风装置当前时刻tnow的风速数据和风向数据，一同输入Fluent平台，启动CFD计算，获得目标预测地点在tpre、tpre+1、tpre+2这3个时刻的模拟风速值；步骤6.3，将目标预测地点在tpre、tpre+1、tpre+2这3个时刻的模拟风速值，输入到a2子区域b2优势网格划分方式c2内部测风装置的基于循环神经网络的风速转换模型中，得到目标预测地点在tpre时刻的风速转换值；步骤6.4，判断c2内部测风装置与目标预测地点的距离Dist4是否大于距离阈值d，若是，将目标预测地点在tpre时刻的风速转换值作为目标预测地点在tpre时刻的最适风速预测值，结束风速预测，否则执行步骤6.5；步骤6.5，获取c2内部测风装置在tnow、tnow-1、tnow-2这三个连续时刻的实测风速值，并输入到a2子区域c2内部测风装置的基于循环神经网络的风速预测模型中，得到c2内部测风装置在tnow+1时刻的风速预测值，滚动预测，直到获得c2内部测风装置在tpre时刻的风速预测值；将c2内部测风装置在tpre时刻的风速预测值和目标预测地点在tpre时刻的风速转换值的平均值，作为目标预测地点在tpre时刻的最适风速预测值。本专利技术中的风速预测模型和风速转换模型是由循环神经网络线下深度学习得到，保证线上实时风速预测的实时性；同时风速转换模型还融合CFD方法预模拟目标地点大气流场，可与风速转换模型综合根据目标预测地点的空间位置，智能输出最适风速预测值，保证预测系统的泛化能力，提高风速预测精度。根据各子区域各网格划分方式进行风速模拟的模拟误差，提前筛选较优的优势网格划分方式，进一步减少线下训练风速转换模型的数量，从而减小风速预测的计算成本和存储成本。另外，本专利技术对工程风速短速预测是基于多种物理信息耦合(风速物理信息、风向物理信息以及根据地形数据进行CFD计算的风速模拟过程)进行预测计算得到的，考虑因素更全面，从而提高风速预测的准确性。进一步地，采用FCM聚类算法将目标区域划分为num4个子区域，具体步骤为：步骤A1，将各聚类测风装置的风速分类样本分别作为待聚类元素的坐标xj,j＝1,2,3,…,Num1；设置聚类中心的个数为Num2，记聚类中心为ci，i＝1,2,3,…Num2，每个聚类中心代表1个聚类簇；步骤A2，用取值在0和1之间的随机数初始化隶属度矩阵U，U＝{uij|i＝1,2,3,…,Num2,j＝1,2,3,…,Num1}，使隶属度矩阵U满足下式：式中，uij本文档来自技高网...

【技术保护点】
1.一种基于物理信息耦合的工程风速短时预测方法，其特征在于，包括以下步骤：步骤1，针对目标区域的每个测风点，按预设规则建立预设数量个测风装置，并从中选择1个测风装置作为与测风点对应的聚类测风装置；每两个测风点之间的距离为Dist1；步骤2，将目标区域划分为num4个子区域；步骤2.1，针对每个聚类测风装置，均获取在第一历史时间段内的历史风速数据，构建风速分类样本；步骤2.2，利用风速分类样本，采用聚类方法将目标区域划分为num4个子区域；步骤2.3，若子区域的边界上设有测风装置，则将位于子区域边界上的测风装置作为边界测风装置，位于子区域内部的测风装置作为内部测风装置；否则，将位于子区域内部的测风装置作为内部测风装置，并在子区域的边界上等间距建立测风装置作为边界测风装置；步骤3，对各子区域进行网格划分；获取每个子区域的地形数据，对每个子区域均采用num5种网格划分方式进行网格划分，每个子区域得到num5个msh文件，且msh文件与网格划分方式相对应；步骤4，基于msh文件，选择子区域的优势网格划分方式；步骤4.1针对每个内部测风装置，均获取在第二历史时间段内的历史风速数据，构建风速测试样本；针对每个边界测风装置，均获取在第二历史时间段内的历史风速数据构建风速测试样本，均获在第二历史时间段内的历史风向数据构建风向测试样本；所述风速分类样本、风速测试样本，均是由相应历史时间段内全部样本时刻的实测风速值所组成的风速时间序列，所述风向测试样本是由相应历史时间段内全部样本时刻的实测风向值所组成的风向时间序列；步骤4.2，针对每个子区域在每种网格划分方式，将相应的msh文件输入Fluent平台，生成待模拟的大气流场的地形条件；根据当前子区域所有边界测风装置的风速测试样本和风向测试样本以及内部测风装置的风速测试样本，采用CFD方法计算当前子区域在当前网格划分方式的地形条件下进行风速模拟的各数据：响应时间、模拟误差以及每个内部测风装置各num6个模拟风速序列；步骤4.3，将每个子区域中，模拟误差小于经验阈值α所对应的网格划分方式，作为当前子区域的优势网格划分方式；步骤5，建立基于循环神经网络的风速转换模型和基于循环神经网络的风速预测模型；步骤5.1，针对每个子区域在每种优势网格划分方式下的每个内部测风装置，均选择当前内部测风装置的风速测试样本和num6个模拟风速序列，以任意模拟风速序列中任意3个连续时刻t2、t2+1和t2+2的模拟风速值作为基于循环神经网络的风速转换模型的输入数据，以风速测试样本中t2时刻的实测风速值作为输出数据，训练得到当前内部测风装置的基于循环神经网络的风速转换模型；步骤5.2，针对每个子区域的每个内部测风装置，均选择当前内部测风装置的风速测试样本，以风速测试样本中任意3个连续时刻t3‑2、t3‑1和t3的实测风速值作为基于循环神经网络的风速预测模型的输入数据，以风速测试样本中t3+1时刻的实测风速值作为输出数据，训练得到当前内部测风装置的基于循环神经网络的风速预测模型；步骤6，对目标预测地点的风速进行实时预测；步骤6.1，确定目标预测地点所属子区域为a2子区域，确定离目标预测地点最近的内部测风装置为c2内部测风装置，其中c2内部测风装置与目标预测地点的距离为Dist4；步骤6.2，基于响应时间和模拟误差，选择a2子区域的一种优势网格划分方式，记为a2子区域的b2优势网格划分方式，获取a2子区域的b2优势网格划分方式的msh文件以及a2子区域所有边界测风装置当前时刻tnow的风速数据和风向数据，一同输入Fluent平台，启动CFD计算，获得目标预测地点在tpre、tpre+1、tpre+2这3个时刻的模拟风速值；步骤6.3，将目标预测地点在tpre、tpre+1、tpre+2这3个时刻的模拟风速值，输入到a2子区域b2优势网格划分方式c2内部测风装置的基于循环神经网络的风速转换模型中，得到目标预测地点在tpre时刻的风速转换值；步骤6.4，判断c2内部测风装置与目标预测地点的距离Dist4是否大于距离阈值d，若是，将目标预测地点在tpre时刻的风速转换值作为目标预测地点在tpre时刻的最适风速预测值，结束风速预测，否则执行步骤6.5；步骤6.5，获取c2内部测风装置在tnow、tnow‑1、tnow‑2这三个连续时刻的实测风速值，并输入到a2子区域c2内部测风装置的基于循环神经网络的风速预测模型中，得到c2内部测风装置在tnow+1时刻的风速预测值，滚动预测，直到获得c2内部测风装置在tpre时刻的风速预测值；将c2内部测风装置在tpre时刻的风速预测值和目标预测地点在tpre时刻的风速转换值的平均值，作为目标预测地点在tpre时刻的最适风速预测值。...

【技术特征摘要】
1.一种基于物理信息耦合的工程风速短时预测方法，其特征在于，包括以下步骤：步骤1，针对目标区域的每个测风点，按预设规则建立预设数量个测风装置，并从中选择1个测风装置作为与测风点对应的聚类测风装置；每两个测风点之间的距离为Dist1；步骤2，将目标区域划分为num4个子区域；步骤2.1，针对每个聚类测风装置，均获取在第一历史时间段内的历史风速数据，构建风速分类样本；步骤2.2，利用风速分类样本，采用聚类方法将目标区域划分为num4个子区域；步骤2.3，若子区域的边界上设有测风装置，则将位于子区域边界上的测风装置作为边界测风装置，位于子区域内部的测风装置作为内部测风装置；否则，将位于子区域内部的测风装置作为内部测风装置，并在子区域的边界上等间距建立测风装置作为边界测风装置；步骤3，对各子区域进行网格划分；获取每个子区域的地形数据，对每个子区域均采用num5种网格划分方式进行网格划分，每个子区域得到num5个msh文件，且msh文件与网格划分方式相对应；步骤4，基于msh文件，选择子区域的优势网格划分方式；步骤4.1针对每个内部测风装置，均获取在第二历史时间段内的历史风速数据，构建风速测试样本；针对每个边界测风装置，均获取在第二历史时间段内的历史风速数据构建风速测试样本，均获在第二历史时间段内的历史风向数据构建风向测试样本；所述风速分类样本、风速测试样本，均是由相应历史时间段内全部样本时刻的实测风速值所组成的风速时间序列，所述风向测试样本是由相应历史时间段内全部样本时刻的实测风向值所组成的风向时间序列；步骤4.2，针对每个子区域在每种网格划分方式，将相应的msh文件输入Fluent平台，生成待模拟的大气流场的地形条件；根据当前子区域所有边界测风装置的风速测试样本和风向测试样本以及内部测风装置的风速测试样本，采用CFD方法计算当前子区域在当前网格划分方式的地形条件下进行风速模拟的各数据：响应时间、模拟误差以及每个内部测风装置各num6个模拟风速序列；步骤4.3，将每个子区域中，模拟误差小于经验阈值α所对应的网格划分方式，作为当前子区域的优势网格划分方式；步骤5，建立基于循环神经网络的风速转换模型和基于循环神经网络的风速预测模型；步骤5.1，针对每个子区域在每种优势网格划分方式下的每个内部测风装置，均选择当前内部测风装置的风速测试样本和num6个模拟风速序列，以任意模拟风速序列中任意3个连续时刻t2、t2+1和t2+2的模拟风速值作为基于循环神经网络的风速转换模型的输入数据，以风速测试样本中t2时刻的实测风速值作为输出数据，训练得到当前内部测风装置的基于循环神经网络的风速转换模型；步骤5.2，针对每个子区域的每个内部测风装置，均选择当前内部测风装置的风速测试样本，以风速测试样本中任意3个连续时刻t3-2、t3-1和t3的实测风速值作为基于循环神经网络的风速预测模型的输入数据，以风速测试样本中t3+1时刻的实测风速值作为输出数据，训练得到当前内部测风装置的基于循环神经网络的风速预测模型；步骤6，对目标预测地点的风速进行实时预测；步骤6.1，确定目标预测地点所属子区域为a2子区域，确定离目标预测地点最近的内部测风装置为c2内部测风装置，其中c2内部测风装置与目标预测地点的距离为Dist4；步骤6.2，基于响应时间和模拟误差，选择a2子区域的一种优势网格划分方式，记为a2子区域的b2优势网格划分方式，获取a2子区域的b2优势网格划分方式的msh文件以及a2子区域所有边界测风装置当前时刻tnow的风速数据和风向数据，一同输入Fluent平台，启动CFD计算，获得目标预测地点在tpre、tpre+1、tpre+2这3个时刻的模拟风速值；步骤6.3，将目标预测地点在tpre、tpre+1、tpre+2这3个时刻的模拟风速值，输入到a2子区域b2优势网格划分方式c2内部测风装置的基于循环神经网络的风速转换模型中，得到目标预测地点在tpre时刻的风速转换值；步骤6.4，判断c2内部测风装置与目标预测地点的距离Dist4是否大于距离阈值d，若是，将目标预测地点在tpre时刻的风速转换值作为目标预测地点在tpre时刻的最适风速预测值，结束风速预测，否则执行步骤6.5；步骤6.5，获取c2内部测风装置在tnow、tnow-1、tnow-2这三个连续时刻的实测风速值，并输入到a2子区域c2内部测风装置的基于循环神经网络的风速预测模型中，得到c2内部测风装置在tnow+1时刻的风速预测值，滚动预测，直到获得c2内部测风装置在tpre时刻的风速预测值；将c2内部测风装置在tpre时刻的风速预测值和目标预测地点在tpre时刻的风速转换值的平均值，作为目标预测地点在tpre时刻的最适风速预测值。2.根据权利要求1所述的方法，其特征在于，采用FCM聚类算法将目标区域划分为num4个子区域，具体步骤为：步骤A1，将各聚类测风装置的风速分类样本分别作为待聚类元素的坐标xj,j＝1,2,3,…,Num1；设置聚类中心的个数为Num2，记聚类中心为ci，i＝1,2,3,…Num2，每个聚类中心代表1个聚类簇；步骤A2，用取值在0和1之间的随机数初始化隶属度矩阵U，U＝{uij|i＝1,2,3,…,Num2,j＝1,2,3,…,Num1}，使隶属度矩阵U满足下式：式中，uij表示第j个待聚类元素对第i个聚类中心的隶属度；步骤A3，按以下公式计算聚类中心ci：式中，m∈[1,∞)表示隶属度uij的加权指数；步骤A4，计算价值函数J，判断此次价值函数对于上一次价值函数的改变量是否小于阈值ρ，若是，算法停止，每个聚类元素属于隶属度最高的2个聚类簇，进入步骤A6，若否，进入步骤A5；其中价值函数J的公式为：式中，dij表示第i个聚类中心与第j个待聚类元素的欧几里得距离；步骤A5，按以下公式更新隶属度矩阵U，返回步骤A3：步骤A6，根据聚类测风装置聚类结果对目标区域进行子区域划分；将空间上连续且属于相同聚...

【专利技术属性】
技术研发人员：刘辉，徐一楠，王子琪，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南,43