System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及新能源发电,尤其涉及一种海上风能预测方法及系统。
技术介绍
1、随着全球对环境保护和气候变化的关注日益增强,传统化石能源的使用受到限制,可再生能源的开发利用成为全球能源结构转型的重要方向。风能作为一种清洁、可再生的能源,在能源结构转型中扮演着重要角色。海上风能作为风能的重要组成部分,具有资源丰富、利用效率高、环境友好等优势,成为未来风电产业的主力军。
2、准确的海上风能预测有助于推动能源结构的转型,减少对化石能源的依赖,实现绿色低碳发展。然而,海上风能资源具有复杂多变的特性,风速、风向、气温、湿度等不同因素都会对最终的风能预测带来影响。目前,海上风能资源测量及评估方面的研究及规范较少,且其测量环境与陆地差异较大,导致测量和评估有一定难度。
技术实现思路
1、本专利技术旨在提供一种海上风能预测方法及系统方法,以解决如何对海上风能资源进行预测的技术问题。
2、为了解决上述技术问题,本专利技术实施例提供了一种海上风能预测方法,包括:
3、获取目标海域优化后的历史气象数据;
4、对所述目标海域的历史图像数据进行大数据分析,根据分析结果构建所述目标海域的历史海洋数据集;
5、基于互信息熵的相关性分析方法对所述历史气象数据和所述历史海洋数据集进行相关性分析,确定反映风能预测的数据类型和与所述数据类型对应的训练数据集;
6、构建基于遗传算法优化lstm神经网络的混合风能预测模型,以所述训练数据集对所述混合风能预
7、分析湍流效应对所述目标海域的风能影响,基于分析结果构建物理气象模型,其中,所述湍流效应在分析过程中被等效为涡旋嵌套结构,且所述涡旋嵌套结构中的目标涡旋由与其相邻的其他涡旋进行映射表示;
8、分别将获取到的所述数据类型对应的实时数据输入至所述风能预测模型和所述物理气象模型中,并将输出的第一风能预测数据和第二风能预测数据进行融合;
9、将满足预设的风能界限条件的融合后的数据,确定为所述目标海域预设时间段内的风能数据。
10、作为其中一种优选方案,所述对所述目标海域的历史图像数据进行大数据分析,根据分析结果构建所述目标海域的历史海洋数据集,包括:
11、对所述历史图像数据进行预处理;
12、利用卷积神经网络对预处理后的历史图像数据进行特征提取;
13、通过海洋轮廓分析算法对提取出的图像特征进行解析,得到海洋数据,并通过实地测量的数据对所述海洋数据进行校准;
14、根据校准后的结果构建所述历史海洋数据集。
15、作为其中一种优选方案,所述通过互信息熵的相关性分析方法对预处理后的历史气象数据和所述历史海洋数据进行相关性分析,得到与风能预测相关的输入变量数据,包括:
16、基于所述历史气象数据和历史海洋数据选取风能预测变量;
17、通过基于互信息熵的相关性分析方法分别计算各个所述风能预测变量和风能的相关系数;
18、对所述相关系数的计算结果进行分析,基于对应的分析结果确定所述输入变量数据。
19、作为其中一种优选方案,所述基于互信息熵的相关性分析方法对所述历史气象数据和所述历史海洋数据集进行相关性分析,确定反映风能预测的数据类型和与所述数据类型对应的训练数据集,包括:
20、基于所述历史气象数据和历史海洋数据集选取若干个风能预测变量;
21、根据互信息熵的相关性分析方法分别计算各个所述风能预测变量和风能的相关系数;
22、对所述相关系数的计算结果进行分析,基于对应的分析结果确定所述数据类型和与所述数据类型对应的训练数据集。
23、作为其中一种优选方案,所述构建基于遗传算法优化lstm神经网络的混合风能预测模型,以所述训练数据集对所述混合风能预测模型进行训练,得到风能预测模型,包括:
24、确定所述混合风能预测模型的初始连接权重;
25、对所述初始连接权重的适应度进行评价;
26、基于评价结果在遗传算法个体代代相传的过程中对所述初始连接权重进行寻优,将所述混合风能预测模型的权重训练为满足预设条件的最优解,以得到所述风能预测模型。
27、作为其中一种优选方案,所述分析湍流效应对所述目标海域的风能影响,基于分析结果构建物理气象模型,包括:
28、获取所述目标海域的典型日数据,所述典型日数据至少包括湍流数据、风速数据和风能数据;
29、基于雷诺平均数值模拟算法,对所述湍流数据进行分解,并根据分解结果模拟湍流轨迹;
30、将所述湍流轨迹等效映射为由不同的涡旋相互嵌套组成的涡旋嵌套结构;
31、提取目标涡旋上的轮廓特征点,基于所述轮廓特征点与相邻涡旋之间的线性权重对所述目标旋涡进行等效表示;
32、对等效表示后的所述涡旋嵌套结构进行量化分析,根据分析结果对所述风速数据进行修正;
33、以修正后的所述风速数据和所述风能数据,构建训练后的所述物理气象预测模型。
34、作为其中一种优选方案,所述基于雷诺平均数值模拟算法,对所述湍流数据进行分解,包括:
35、基于雷诺平均数值模拟算法将所述湍流数据分解为时均部分和脉动部分,表示为:
36、,
37、其中,是所述湍流数据的时均部分,定义为:,其中t是预设的时间段;是所述湍流数据的脉动部分,定义为瞬时速度与平均速度之差:。
38、作为其中一种优选方案,所述以修正后的所述风速数据和所述风能数据,构建训练后的所述物理气象预测模型,包括:
39、基于大气物理和气象理论对所述目标海域进行三维建模,建立所述目标海域的三维模型;
40、以所述修正后的风速数据和风能数据配置仿真条件对应的参数,并将配置好的所述仿真条件施加到所述三维模型中;
41、根据所述三维模型的反馈结果,生成所述物理气象模型。
42、作为其中一种优选方案,所述将输出的第一风能预测数据和第二风能预测数据进行融合,包括:
43、根据所述风能预测模型和所述物理气象模型对应的泛化能力,确定所述风能预测模型和所述物理气象模型对应的权重;
44、基于所述权重计算所述第一风能预测数据和第二风能预测数据的加权平均值,将计算结果作为融合后的结果。
45、作为其中一种优选方案,所述数据的类型包括风速和风向;
46、若检测到所述风速或所述风向位于对应的阈值范围区间内时,则判断所述预设的风能界限条件得到满足。
47、本专利技术另一实施例提供了一种海上风能预测系统,包括:
48、获取模块,用于获取目标海域优化后的历史气象数据;
49、大数据分析模块,用于对所述目标海域的历史图像数据进行大数据分析,根据分析结果构建所述目标海域的历史海洋数据集;
50本文档来自技高网...
【技术保护点】
1.一种海上风能预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的海上风能预测方法,其特征在于,所述对所述目标海域的历史图像数据进行大数据分析,根据分析结果构建所述目标海域的历史海洋数据集,包括:
3.根据权利要求1所述的海上风能预测方法,其特征在于,所述基于互信息熵的相关性分析方法对所述历史气象数据和所述历史海洋数据集进行相关性分析,确定反映风能预测的数据类型和与所述数据类型对应的训练数据集,包括:
4.根据权利要求1所述的海上风能预测方法,其特征在于,所述构建基于遗传算法优化LSTM神经网络的混合风能预测模型,以所述训练数据集对所述混合风能预测模型进行训练,得到风能预测模型,包括:
5.根据权利要求1所述的海上风能预测方法,其特征在于,所述分析湍流效应对所述目标海域的风能影响,基于分析结果构建物理气象模型,包括:
6.根据权利要求5所述的方法,其特征在于,所述基于雷诺平均数值模拟算法,对所述湍流数据进行分解,包括:
7.根据权利要求5所述的海上风能预测方法,其特征在于,所述以修正后的所述风速数
8.根据权利要求1所述的海上风能预测方法,其特征在于,所述将输出的第一风能预测数据和第二风能预测数据进行融合,包括:
9.根据权利要求1所述的海上风能预测方法,其特征在于,所述数据的类型包括风速和风向;
10.一种海上风能预测系统,其特征在于,包括:
...【技术特征摘要】
1.一种海上风能预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的海上风能预测方法,其特征在于,所述对所述目标海域的历史图像数据进行大数据分析,根据分析结果构建所述目标海域的历史海洋数据集,包括:
3.根据权利要求1所述的海上风能预测方法,其特征在于,所述基于互信息熵的相关性分析方法对所述历史气象数据和所述历史海洋数据集进行相关性分析,确定反映风能预测的数据类型和与所述数据类型对应的训练数据集,包括:
4.根据权利要求1所述的海上风能预测方法,其特征在于,所述构建基于遗传算法优化lstm神经网络的混合风能预测模型,以所述训练数据集对所述混合风能预测模型进行训练,得到风能预测模型,包括:
5.根据权利要求...
【专利技术属性】
技术研发人员:王哲,栗树朋,林子健,叶建聪,马梓博,
申请(专利权)人:广东海洋大学,
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。