【技术实现步骤摘要】
本专利技术涉及气象数据和新能源功率预测，具体涉及一种基于神经网络与数值模式融合的超短期风速订正预报方法、装置及存储介质。
技术介绍
1、近年来，随着新能源发电规模不断加大，对于新能源功率的预测模型也在快速发展，对于风电功率的预测离不开风速的预测，目前很少有气象预测模型可以完全精确的捕捉到大气运动的所有复杂细节和实时变化，尤其是那些受当地地形、气象条件突变或小尺度效应影响较大的情况。风速订正过程通过结合最新观测数据、实地测量反馈以及机器学习算法，来调整预测值，从而提高预测的准确性和实用性，为风电运营、电网调度等领域提供更加可靠和及时的风速信息支持，最终达到优化决策制定和资源管理的目的。
2、目前，对气象数据的预测主要是通过传统数值模式如wrf（weather research andforecasting model），wrf模式的初始场数据质量对预测精度有较大影响并且无法精确反应小尺度区域的气象变化，未经过数据订正的风速预报往往因无法精确考虑局部环境因素、实时气象变化及模型固有偏差，而导致预测结果与实际情况存在较大偏差，错误估计发电量造成能源调配失衡，增加电网调度难度，直接影响风电场的运营效率。
3、综上所述，急需一种基于神经网络与数值模式融合的超短期风速订正预报方法、装置及存储介质以解决现有技术中存在的问题。
技术实现思路
1、本专利技术目的在于提供一种基于神经网络与数值模式融合的超短期风速订正预报方法，旨在解决由于局部环境因素、实时气象变化及模型固有偏差
2、一种基于神经网络与数值模式融合的超短期风速订正预报方法，包括：
3、利用历史的风速预测偏差对神经网络模型进行训练；
4、将当前时刻的风速预测偏差输入训练好的神经网络模型，预测获得下一时刻的风速偏差；
5、将wrf模型输出的当前时刻风速预报结果与当前时刻的风速观测值进行数据同化操作，利用数据同化操作后的wrf模型预测得到下一时刻的风速预测结果；
6、利用预测获得的下一时刻的风速偏差订正下一时刻的风速预测结果，得到下一时刻的风速预报结果；
7、其中，还包括对神经网络模型进行周期性更新，具体是：
8、每间隔 t时间计算神经网络模型预测的风速偏差与对应时刻的风速预测偏差之间的损失，使用梯度下降法更新神经网络模型的参数；在梯度下降过程中引入动量向量和动态动量因子，其中，为静态动量因子，为突变天气噪声；假设神经网络模型当前参数为，学习率为，梯度为，根据公式（6）更新动量向量，根据公式（7）更新参数，根据公式（8）计算突变天气噪声：
9、 （6），
10、 （7），
11、 （8），
12、其中，表示时刻的天气数据与时刻的天气数据之间的相似距离；表示时刻的天气数据，表示时刻的天气数据。
13、以上技术方案中优选的，利用历史的风速预测偏差对神经网络模型进行训练，具体是：
14、根据相似距离寻找与当前天气工况相似的历史天气数据；
15、根据历史天气数据的风速观测值和wrf模型输出的风速预报结果，得到历史的风速预测偏差；
16、将历史的风速预测偏差输入神经网络模型，完成神经网络模型的训练。
17、以上技术方案中优选的，所述相似距离的计算方式为：
18、 （1），
19、其中：为当前时刻的天气数据，为历史时刻的天气数据，为相似因子在时间窗内时刻的天气数据，为相似因子在时间窗内时刻的天气数据，为有效影响时间窗的一半，为相似因子的权重，为相似因子的数目，为历史天气数据中相似因子的时间序列标准差。
20、根据公式（1）计算相似距离后，取与当前天气工况相似度靠前的 k个历史样本用于神经网络模型训练， k为大于等于1000的整数。
21、以上技术方案中优选的，所述风速预测偏差根据公式（2）计算得到：
22、 （2），
23、其中，是风速观测值，是wrf模型输出的风速预报结果，是风速预测偏差。
24、以上技术方案中优选的，所述神经网络模型利用过去 n个时间步长的风速预测偏差来预测获得未来 m个时间步长的风速偏差，对历史的风速预测偏差数据集采用交叉验证法，则该预测过程表示为：
25、 （3），
26、其中：表示时刻的风速偏差，代表模型映射关系，表示时刻的风速预测偏差， k表示预测的时间步长个数，，其中 n为大于等于12的整数， m为大于等于4的整数。
27、以上技术方案中优选的，间隔时间 t= n× m， m为大于等于1的自然数。
28、以上技术方案中优选的，利用预测获得的下一时刻的风速偏差订正下一时刻的风速预测结果，得到下一时刻的风速预报结果，具体是：
29、 （5），
30、其中，是wrf模型的风速预测结果，是神经网络模型预测的风速偏差，是订正后的风速预报结果。
31、本专利技术还提供了一种基于神经网络与数值模式融合的超短期风速订正预报装置，所述装置采用所述的基于神经网络与数值模式融合的超短期风速订正预报方法，所述装置包括：
32、样本获取模块：获取用于训练神经网络模型的风速预测偏差；
33、样本训练模块：用于完成神经网络模型的训练；
34、偏差预测及更新模块：利用训练好的神经网络模型预测下一时刻的风速偏差；同时，周期性对神经网络模型进行参数更新；
35、风速预测模块：将wrf模型输出的当前时刻风速预报结果与当前时刻的风速观测值进行数据同化操作，利用数据同化操作后的wrf模型预测得到下一时刻的风速预测结果；
36、风速订正模块：利用预测获得的下一时刻的风速偏差订正下一时刻的风速预测结果，得到下一时刻的风速预报结果。
37、本专利技术还提供了一种基于神经网络与数值模式融合的超短期风速订正预报装置，所述装置包括存储器和处理器，其中存储器存储有所述基于神经网络与数值模式融合的超短期风速订正预报方法，所述处理器本文档来自技高网...
【技术保护点】
1.一种基于神经网络与数值模式融合的超短期风速订正预报方法，其特征在于，包括：
2.根据权利要求1所述的基于神经网络与数值模式融合的超短期风速订正预报方法，其特征在于，利用历史的风速预测偏差对神经网络模型进行训练，具体是：
3.根据权利要求2所述的基于神经网络与数值模式融合的超短期风速订正预报方法，其特征在于，所述相似距离的计算方式为：
4.根据权利要求2所述的基于神经网络与数值模式融合的超短期风速订正预报方法，其特征在于，所述风速预测偏差根据公式（2）计算得到：
5.根据权利要求1所述的基于神经网络与数值模式融合的超短期风速订正预报方法，其特征在于，所述神经网络模型利用过去n个时间步长的风速预测偏差来预测获得未来m个时间步长的风速偏差，对历史的风速预测偏差数据集采用交叉验证法，则该预测过程表示为：
6.根据权利要求5所述的基于神经网络与数值模式融合的超短期风速订正预报方法，其特征在于，间隔时间T=n×M，M为大于等于1的自然数。
7.根据权利要求1所述的基于神经网络与数值模式融合的超短期风速订正预报方法，其
8.一种基于神经网络与数值模式融合的超短期风速订正预报装置，其特征在于，所述装置采用如权利要求1-7任意一项所述的基于神经网络与数值模式融合的超短期风速订正预报方法，所述装置包括：
9.一种基于神经网络与数值模式融合的超短期风速订正预报装置，其特征在于，所述装置包括存储器和处理器，其中存储器存储有如权利要求1-7任意一项所述基于神经网络与数值模式融合的超短期风速订正预报方法，所述处理器用于加载并执行如权利要求1-7任意一项所述基于神经网络与数值模式融合的超短期风速订正预报方法。
10.一种存储介质，其特征在于，所述存储介质中存储有如权利要求1-7任意一项所述基于神经网络与数值模式融合的超短期风速订正预报方法。
...【技术特征摘要】
1.一种基于神经网络与数值模式融合的超短期风速订正预报方法，其特征在于，包括：
2.根据权利要求1所述的基于神经网络与数值模式融合的超短期风速订正预报方法，其特征在于，利用历史的风速预测偏差对神经网络模型进行训练，具体是：
3.根据权利要求2所述的基于神经网络与数值模式融合的超短期风速订正预报方法，其特征在于，所述相似距离的计算方式为：
4.根据权利要求2所述的基于神经网络与数值模式融合的超短期风速订正预报方法，其特征在于，所述风速预测偏差根据公式（2）计算得到：
5.根据权利要求1所述的基于神经网络与数值模式融合的超短期风速订正预报方法，其特征在于，所述神经网络模型利用过去n个时间步长的风速预测偏差来预测获得未来m个时间步长的风速偏差，对历史的风速预测偏差数据集采用交叉验证法，则该预测过程表示为：
6.根据权利要求5所述的基于神经网络与数值模式融合的超短期风速订正预报方法，其特征在于，间隔时间t=n×m，...
【专利技术属性】
技术研发人员：张文静，肖剑，蔡宇翔，陈卓，彭双剑，高成德，单楚栋，刘帅，徐先勇，张可人，乔宏，黄志鸿，龙彦伯，左沅君，
申请(专利权)人：国网湖南省电力有限公司电力科学研究院，
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。