【技术实现步骤摘要】
本申请涉及风速预测领域，具体而言，涉及一种风速随机分布参数的确定方法和装置、存储介质、电子装置、计算机程序产品。
技术介绍
1、随着新能源产业的快速发展，风力发电作为可再生清洁能源，其发展受到国家政策和环保要求的鼓励。风主要由空气热效应产生，受气象因素(如大气温度、湿度、气压)和地理因素(如地形、地面障碍)的影响，具有显著的不确定性。为了提高风力发电的可靠性和稳定性，需要对风速进行预测。
2、相关技术中，采用物理模型、统计模型、机器学习模型、混合预报模型等进行风速的预测。
3、然而，相关技术中的预测方式，无法兼顾预测的准确性和预测的速度。
技术实现思路
1、本申请实施例提供了一种风速随机分布参数的确定方法和装置、存储介质、电子装置、计算机程序产品。
2、根据本申请实施例的一方面，提供了一种风速随机分布参数的确定方法，所述方法包括：获取观测点的历史环境监测数据；基于所述历史环境监测数据，采用预先建立的贝叶斯网络模型估计所述观测点的第一风速随机分布参数，其中，所述贝叶斯网络模型基于风速随机分布参数建模得到，所述风速随机分布参数用于指示平均风速和湍流风速的特征；采用所述第一风速随机分布参数和所述历史环境监测数据作为训练样本，训练长短期记忆神经网络模型，得到风速随机分布参数预测模型；基于所述观测点的当前环境监测数据，采用所述风速随机分布参数预测模型，确定所述观测点的第二风速随机分布参数。
3、在一个示例性的实施例中，在所述基于所述历史环境监测
4、在一个示例性的实施例中，所述调整各节点之间的依赖关系，并确定贝叶斯网络模型的评分函数值，直到所述贝叶斯网络模型的评分函数值维持不变，包括：将所述贝叶斯网络模型的有向无环图转换为道德图，其中，所述道德图中包括所述贝叶斯网络节点，且存在依赖关系的贝叶斯网络节点在所述道德图中相连，所述道德图用于确定所述贝叶斯网络模型的联合概率分布；根据所述道德图中的节点数量和节点的似然度，确定所述贝叶斯网络模型的评分函数值，其中，所述节点数量用于指示所述贝叶斯网络模型复杂度，所述节点的似然度用于指示所述贝叶斯网络模型拟合度；调整所述道德图中的至少两个节点之间的依赖关系，并重新确定贝叶斯网络模型的评分函数值，直到所述贝叶斯网络模型的评分函数值维持不变。
5、在一个示例性的实施例中，所述调整所述道德图中的至少两个节点之间的依赖关系，并重新确定贝叶斯网络模型的评分函数值，直到所述贝叶斯网络模型的评分函数值维持不变，包括：采用多种调整方式，分别调整初始道德图中的至少两个节点之间的依赖关系，得到多个调整后的第一道德图；将所述多个调整后的第一道德图中对应的评分函数值最低的第一道德图作为第二道德图；将所述第二道德图作为新的初始道德图，并返回执行所述采用多种调整方式，分别调整初始道德图中的至少两个节点之间的依赖关系，得到多个调整后的第一道德图的步骤，直到所述第一道德图和所述第二道德图对应的评分函数值相等。
6、在一个示例性的实施例中，所述采用所述第一风速随机分布参数和所述历史环境监测数据作为训练样本，训练长短期记忆神经网络模型，得到风速随机分布参数预测模型，包括：采用所述第一风速随机分布参数和所述历史环境监测数据作为训练样本训练长短期记忆神经网络模型；调整所述长短期记忆神经网络模型的参数，直到所述长短期记忆神经网络模型满足优化目标，其中，所述长短期记忆神经网络模型的参数包括遗忘门的权重矩阵、输入门的权重矩阵、单元状态的权重矩阵、输出门的权重矩阵、输出层的权重矩阵、遗忘门的偏差向量、输入门的偏差向量、单元状态的偏差向量、输出门的偏差向量、输出层的偏差向量，所述优化目标为代价函数小于预设值；将满足所述优化目标的长短期记忆神经网络模型作为所述风速随机分布参数预测模型。
7、在一个示例性的实施例中，所述基于所述历史环境监测数据，采用预先建立的贝叶斯网络模型估计所述观测点的第一风速随机分布参数，包括：采用所述历史环境监测数据作为贝叶斯网络模型中的观测数据；基于所述贝叶斯网络模型中各节点之间的依赖关系、所述观测数据，确定所述观测点的风速随机分布参数的后验概率；根据所述观测点的风速随机分布参数的后验概率，确定所述第一风速随机分布参数。
8、根据本申请实施例的另一方面，还提供了一种风速随机分布参数的确定装置，所述装置包括：
9、数据获取模块，用于获取观测点的历史环境监测数据；
10、参数估计模块，用于基于所述历史环境监测数据，采用预先建立的贝叶斯网络模型估计所述观测点的第一风速随机分布参数，其中，所述贝叶斯网络模型基于风速随机分布参数建模得到，所述风速随机分布参数用于指示平均风速和湍流风速的特征；
11、模型训练模块，用于采用所述第一风速随机分布参数和所述历史环境监测数据作为训练样本，训练长短期记忆神经网络模型，得到风速随机分布参数预测模型；
12、参数确定模块，用于基于所述观测点的当前环境监测数据，采用所述风速随机分布参数预测模型，确定所述观测点的第二风速随机分布参数。
13、根据本申请实施例的又一方面，还提供了一种计算机可读的存储介质，所述计算机可读的存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述风速随机分布参数的确定方法。
14、根据本申请实施例的又一方面，还提供了一种电子装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，上述处理器通过计算机程序执行上述的风速随机分布参数的确定方法。
15、根据本申请实施例的又一方面，还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现本申请各个实施例中所述方法的步骤。
16、上述风速随机分布参数的确定方法，首先获取观测点的历史环境监测数据；然后基于历史环境监测数据，采用预先建立的贝叶斯网络模型估计观测点的第一风速随机分布参数。接下来采用第一风速随机分布参数和历史环境监测数据作为训练样本，训练长短期记忆神经网络模型，得到风速随机分布参数预测模型。最后基于观测点的当前环境监测数据，采用风速随机分布参数预测模型，确定观测点的第二风速随机分布参数。由于贝叶斯网络模型能本文档来自技高网...
【技术保护点】
1.一种风速随机分布参数的确定方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，在所述基于所述历史环境监测数据，采用预先建立的贝叶斯网络模型估计所述观测点的第一风速随机分布参数之前，所述方法包括：
3.根据权利要求2所述的方法，其特征在于，所述调整各节点之间的依赖关系，并确定贝叶斯网络模型的评分函数值，直到所述贝叶斯网络模型的评分函数值维持不变，包括：
4.根据权利要求3所述的方法，其特征在于，所述调整所述道德图中的至少两个节点之间的依赖关系，并重新确定贝叶斯网络模型的评分函数值，直到所述贝叶斯网络模型的评分函数值维持不变，包括：
5.根据权利要求1所述的方法，其特征在于，所述采用所述第一风速随机分布参数和所述历史环境监测数据作为训练样本，训练长短期记忆神经网络模型，得到风速随机分布参数预测模型，包括：
6.根据权利要求1所述的方法，其特征在于，所述基于所述历史环境监测数据，采用预先建立的贝叶斯网络模型估计所述观测点的第一风速随机分布参数，包括：
7.一种风速随机分布参数的确定装置，
8.一种计算机可读的存储介质，其特征在于，所述计算机可读的存储介质包括存储的程序，其中，所述程序运行时执行权利要求1至6中任一项所述的方法。
9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行权利要求1至6中任一项所述的方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法。
...【技术特征摘要】
1.一种风速随机分布参数的确定方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，在所述基于所述历史环境监测数据，采用预先建立的贝叶斯网络模型估计所述观测点的第一风速随机分布参数之前，所述方法包括：
3.根据权利要求2所述的方法，其特征在于，所述调整各节点之间的依赖关系，并确定贝叶斯网络模型的评分函数值，直到所述贝叶斯网络模型的评分函数值维持不变，包括：
4.根据权利要求3所述的方法，其特征在于，所述调整所述道德图中的至少两个节点之间的依赖关系，并重新确定贝叶斯网络模型的评分函数值，直到所述贝叶斯网络模型的评分函数值维持不变，包括：
5.根据权利要求1所述的方法，其特征在于，所述采用所述第一风速随机分布参数和所述历史环境监测数据作为训练样本，训练长短期记忆神...
【专利技术属性】
技术研发人员：冯乐，刘鑫，闫姝，张波，姚中原，张铭，王光文，
申请(专利权)人：盛东如东海上风力发电有限责任公司，
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。