短期风速预测方法及系统

技术领域

本发明涉及一种短期风速预测方法及系统。

背景技术

近年来的能源危机引起了多方面的关注，而风能是世界上增长最快的可再生能源之一。准确的长期和短期风速预测对于风能转换系统的运行和管理以及风力发电系统的效率至关重要。然而，由于风速的间歇性、随机性和波动性很难准确地预测风速和风向。

风速的预测主要可以分为数值模拟方法、统计模型方法、机器学习方法。数值模拟方法通过收集到的气象资料求解物理方程，然后输出短期或长期的风速预报。但是数值模拟方法需要消耗大量的计算资源，并且运行时间长。统计模型的方法则是以一定长度的历史数据作为输入进行建模来预测未来的风速，其缺点是预测误差较大。机器学习方法主要学习输入输出间的相关关系，其对非线性关系有比较强的表现能力，应用范围较广。

目前多采用自回归滑动平均模型进行风速预测，自回归滑动平均模型是一种统计模型。自回归滑动平均模型基于自回归模型和移动平均模型实现。

自回归模型，一种处理时间序列的统计模型，从回归分析中的线性回归发展而来。自回归模型用同一变量例如x的之前各时间点的值，即x

其中，c为常数项，

移动平均模型一种常见的对单一变量时间序列进行建模的方法。移动平均模型描述的是自回归部分的累计误差，q阶的移动平均模型通常写为：

其中μ是输入的时间序列的均值，θ

自回归滑动平均模型包含了p个自回归项和q个移动平均项，模型可以表示为：

但是，现有统计模型的方法至少存在以下几个缺点：(1)在利用自回归滑动平均模型对时间序列进行建模时，需要输入的时间序列是平稳随机序列；(2)只考虑了风速时序上的自相关性，没有考虑与风速存在相关性可能影响风速的其他特征；(3)预测的结果与真实观测结果存在的误差较大。

发明内容

有鉴于此，有必要提供一种短期风速预测方法及系统，其对输入的数据没有平稳随机序列的要求，并且能够充分考虑对风速变化造成影响的各方面因素，进而减小预测值与真实值之间的误差。

本发明提供一种短期风速预测方法，该方法包括如下步骤：a.对原始数据进行数据筛选；b.对经过筛选的原始数据进行特征选择，得到与风速存在相关性的气象特征和风速的局地特征；c.生成包含所述气象特征和所述局地特征的时间序列样本；d.对生成的上述时间序列样本进行数据预处理；e.利用经过数据预处理的时间序列样本训练长短期记忆网络模型，得到所述长短期记忆网络模型的最佳超参数；f.使用采用所述最佳超参数的最优长短期记忆网络模型，进行风速预测。

其中，所述的步骤b包括：

采用主成分分析的方法对观测数据进行降维，所述气象特征来源于观测站的观测数据：

输入：样本集D＝{x

低维空间维度d′；

过程：

对所有样本进行中心化：

计算样本的协方差矩阵XX

对协方差矩阵XX

取最大的d′个特征值所对应的特征向量w

输出：投影矩阵w*＝(w

所述的步骤c包括：使用前5个时间节点的数据作为一个时间序列，每个时间节点都包含了步骤b中选择的特征，最后生成的训练数据和测试数据的形状为一个三维数组，每一个维度的长度为：[样本数量，时间序列长度、特征个数]。

所述的步骤d具体包括：对数据进行归一化处理，将所述时间序列样本缩放到[0,1]范围内：

其中，x为预处理前的数据，x′为预处理后的数据，x

所述的长短期记忆网络模型包含两层长短期记忆网络、两层全连接层和一个线性激活层。

本发明提供一种短期风速预测系统，该系统包括筛选模块、特征选择模块、样本生成模块、预处理模块、网络模型模块以及风速预测模块，其中：所述筛选模块用于对原始数据进行数据筛选；所述特征选择模块用于对经过筛选的原始数据进行特征选择，得到与风速存在相关性的气象特征和风速的局地特征；所述样本生成模块用于生成包含所述气象特征和所述局地特征的时间序列样本；所述预处理模块用于对生成的上述时间序列样本进行数据预处理；所述网络模型模块用于利用经过数据预处理的时间序列样本训练长短期记忆网络模型，得到所述长短期记忆网络模型的最佳超参数；所述风速预测模块用于使用采用所述最佳超参数的最优长短期记忆网络模型，进行风速预测。

其中，所述的特征选择模块用于：

采用主成分分析的方法对观测数据进行降维，所述气象特征来源于观测站的观测数据：

输入：样本集D＝{x

低维空间维度d′；

过程：

对所有样本进行中心化：

计算样本的协方差矩阵XX

对协方差矩阵XX

取最大的d′个特征值所对应的特征向量w

输出：投影矩阵w*＝(w

所述的样本生成模块具体用于：

使用前5个时间节点的数据作为一个时间序列，每个时间节点都包含了步骤b中选择的特征，最后生成的训练数据和测试数据的形状为一个三维数组，每一个维度的长度为：[样本数量，时间序列长度、特征个数]。

所述的预处理模块具体用于：

对数据进行归一化处理，将所述时间序列样本缩放到[0,1]范围内：

其中，x为预处理前的数据，x′为预处理后的数据，x

所述的长短期记忆网络模型包含两层长短期记忆网络、两层全连接层和一个线性激活层。

本申请提供了一种短期风速预测方法及系统，输入的数据不需要满足平稳随机的前提条件，充分考虑了对风速的变化造成影响的气象因素和局地变化因素，能够有效降低预测风速值和真实值之间存在的误差。

附图说明

图1为本发明短期风速预测方法的流程图；

图2是本发明实施例长短期记忆网络模型的结构示意图；

图3是本发明实施例长短期记忆网络的内部结构示意图；

图4为本发明短期风速预测系统的硬件架构图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步详细的说明。

参阅图1所示，是本发明短期风速预测方法较佳实施例的作业流程图。

步骤S1，对原始数据进行数据筛选。具体而言：

由于原始数据可能存在数据缺失或数据异常，故首先需要进行数据筛选。数据筛选的方法是：统计每个站点每月的数据缺失情况，若某一站点存在每月的缺失数据超过50条，则不使用该站点的数据。

步骤S2，对经过筛选的原始数据进行特征选择，得到与风速存在相关性的气象特征和风速的局地特征：

首先通过先验经验选取两类特征：与风速存在相关性的气象特征和风速的局地特征；采用主成分分析的方法对气象特征进行降维，通过提炼大气运动基本方程得到风速的局地特征。

具体而言：

本实施例选取的特征主要分为两类：气象特征和局地特征。气象特征来源于观测站的观测数据，局地特征与大气运动基本方程组相关。

所述气象特征包括：风速、风向、温度、相对湿度、露点温度、气压、海平面气压。原始数据的数据维度较大时，可能会存在一些冗余信息。所述冗余信息不仅会消耗大量的计算资源，还会造成模型的预测误差增大，因此需要对数据进行降维处理。本实施例采用主成分分析的方法对气象数据进行降维，过程如下:

输入：样本集D＝{x

低维空间维度d′；

过程：

1：对所有样本进行中心化：

2：计算样本的协方差矩阵XX

3：对协方差矩阵XX

4：取最大的d′个特征值所对应的特征向量w

输出：投影矩阵w*＝(w

使用物理建模的方法对风环境进行预测和分析时，大气运动基本方程组是必不可少的。为了提高预测精度，本实施例中大气运动基本方程组的部分项作为输入特征。基于局地直角坐标的大气运动基本方程组表示如下：

p＝ρRT#(6)

其中，c

从大气运动基本方程组可知，风速在不同方向上的局部变化对风速有重要影响。因此，本实施例将这种局部变化提炼为较简单的形式：

其中：i、j分别表示x和y方向上的第i和第j个站点，t

步骤S3，生成包含所述气象特征和所述局地特征的时间序列样本。

具体而言：

长短期记忆网络的一个特点就是能对输入的时间序列进行学习，因此本实施例在生成样本时使用前5个时间节点的数据作为一个时间序列，每个时间节点都包含了特征选择步骤中选择的特征。最后生成的训练数据和测试数据的形状为一个三维数组，每一个维度的长度为：[样本数量，时间序列长度、特征个数]。

步骤S4，对生成的上述时间序列样本进行数据预处理。

本实施例的数据预处理主要是对数据进行归一化处理，将所述时间序列样本缩放到[0,1]范围内。

其中，x为预处理前的数据，x′为预处理后的数据，x

步骤S5：利用经过数据预处理的时间序列样本训练长短期记忆网络模型，得到所述长短期记忆网络模型的最佳超参数。具体包括：

本实施例采用一个叠加了双层长短期记忆网络模型，其包含两层长短期记忆网络、两层全连接层和一个线性激活层。所述长短期记忆网络模型的结构如图2所示，所述长短期记忆网络的内部结构如图3所示。

所述长短期记忆网络模型的学习过程如下：

首先，初始化长短期记忆网络的各偏置值和权重，然后，输入时间序列X

所述遗忘门由σ(x)函数组成，用来学习遗忘存储单元C

f

所述传入门接受当前时刻的输入x

i

所述输出门决定当前时刻的输出值，所述输出门同样由σ(x)函数和tanh(x)函数组成，公式如下：

o

h

本实施例采用均方误差(MSE)作为误差函数，公式如下：

当得到最后一个时刻长短期记忆网络的输出后计算累计误差，通过时间反向传播算法计算梯度，并使用Adam算法更新参数，直到误差达到阈值或者不再变化。

所述长短期记忆网络模型的最佳超参数由网格搜索的方法获取，网格搜索是一种有效的超参数搜索方法。首先，确定需要寻找最优值的超参数；其次，列出所述超参数的可能取值，并进行排列组合，每一个可能的排列组合就是网格中的一个节点；最后，沿着网络进行训练并用预测误差进行评估，误差最小的节点的参数值即为寻找的最优参数值。

步骤S6：使用采用所述最佳超参数的最优长短期记忆网络模型，进行风速预测。

本实施例采用平均绝对误差(MAE)、均方误差(MSE)、均方根误差(RMSE)对预测结果进行评估。平均绝对误差、根方误差的公式如下：

参阅图4所示，是本发明短期风速预测系统10的硬件架构图。该系统包括：筛选模块101、特征选择模块102、样本生成模块103、预处理模块104、网络模型模块105以及风速预测模块106。

所述筛选模块101用于对原始数据进行数据筛选。具体而言：

由于原始数据可能存在数据缺失或数据异常，故首先需要进行数据筛选。数据筛选的方法是：统计每个站点每月的数据缺失情况，若某一站点存在每月的缺失数据超过50条，则不使用该站点的数据。

所述特征选择模块102用于对经过筛选的原始数据进行特征选择，得到与风速存在相关性的气象特征和风速的局地特征：

首先通过先验经验选取两类特征：与风速存在相关性的气象特征和风速的局地特征；采用主成分分析的方法对气象特征进行降维，通过提炼大气运动基本方程得到风速的局地特征。

具体而言：

本实施例选取的特征主要分为两类：气象特征和局地特征。气象特征来源于观测站的观测数据，局地特征与大气运动基本方程组相关。

所述气象特征包括：风速、风向、温度、相对湿度、露点温度、气压、海平面气压。原始数据的数据维度较大时，可能会存在一些冗余信息。所述冗余信息不仅会消耗大量的计算资源，还会造成模型的预测误差增大，因此需要对数据进行降维处理。本实施例采用主成分分析的方法对气象数据进行降维，过程如下:

输入：样本集D＝{x

低维空间维度d′；

过程：

1：对所有样本进行中心化：

2：计算样本的协方差矩阵XX

3：对协方差矩阵XX

4：取最大的d′个特征值所对应的特征向量w

输出：投影矩阵w*＝(w

使用物理建模的方法对风环境进行预测和分析时，大气运动基本方程组是必不可少的。为了提高预测精度，本实施例中大气运动基本方程组的部分项作为输入特征。基于局地直角坐标的大气运动基本方程组表示如下：

p＝ρRT#(27)

其中，c

从大气运动基本方程组可知，风速在不同方向上的局部变化对风速有重要影响。因此，本实施例将这种局部变化提炼为较简单的形式：

其中：i、j分别表示x和y方向上的第i和第j个站点，t

所述样本生成模块103用于生成包含所述气象特征和所述局地特征的时间序列样本。具体而言：

长短期记忆网络的一个特点就是能对输入的时间序列进行学习，因此本实施例在生成样本时使用前5个时间节点的数据作为一个时间序列，每个时间节点都包含了特征选择步骤中选择的特征。最后生成的训练数据和测试数据的形状为一个三维数组，每一个维度的长度为：[样本数量，时间序列长度、特征个数]。

所述预处理模块104用于对生成的上述时间序列样本进行数据预处理：

本实施例的数据预处理主要是对数据进行归一化处理，将所述时间序列样本缩放到[0,1]范围内。

其中，x为预处理前的数据，x′为预处理后的数据，x

所述网络模型模块105用于利用经过数据预处理的时间序列样本训练长短期记忆网络模型，得到所述长短期记忆网络模型的最佳超参数。

具体包括：

本实施例采用一个叠加了双层长短期记忆网络的模型，其包含两层长短期记忆网络、两层全连接层和一个线性激活层。所述长短期记忆网络模型的结构如图2所示，所述长短期记忆网络的内部结构如图3所示。

所述长短期记忆网络模型的学习过程如下：

首先，初始化长短期记忆网络的各偏置值和权重，然后，输入时间序列X

所述遗忘门由σ(x)函数组成，用来学习遗忘存储单元C

f

所述传入门接受当前时刻的输入x

i

所述输出门决定当前时刻的输出值，所述输出门同样由σ(x)函数和tanh(x)函数组成，公式如下：

o

h

本实施例采用均方误差(MSE)作为误差函数，公式如下：

当得到最后一个时刻长短期记忆网络的输出后计算累计误差，通过时间反向传播算法计算梯度，并使用Adam算法更新参数，直到误差达到阈值或者不再变化。

所述长短期记忆网络模型的最佳超参数由网格搜索的方法获取，网格搜索是一种有效的超参数搜索方法。首先，确定需要寻找最优值的超参数；其次，列出所述超参数的可能取值，并进行排列组合，每一个可能的排列组合就是网格中的一个节点；最后，沿着网络进行训练并用预测误差进行评估，误差最小的节点的参数值即为寻找的最优参数值。

所述风速预测模块106用于使用采用所述最佳超参数的最优长短期记忆网络模型，进行风速预测。

本实施例采用平均绝对误差(MAE)、均方误差(MSE)、均方根误差(RMSE)对预测结果进行评估。平均绝对误差、根方误差的公式如下：

虽然本发明参照当前的较佳实施方式进行了描述，但本领域的技术人员应能理解，上述较佳实施方式仅用来说明本发明，并非用来限定本发明的保护范围，任何在本发明的精神和原则范围之内，所做的任何修饰、等效替换、改进等，均应包含在本发明的权利保护范围之内。