[發(fā)明專利]風速預測方法、系統(tǒng)、電子設備及存儲介質

有效

• 申請?zhí)枺?/td>: 202010209659.3
• 申請日: 2020-03-23
• 公開（公告）號: CN111461418B
• 公開（公告）日: 2023-07-18
• 發(fā)明（設計）人: 成驍彬;蔣勇;許王建;馬文勇;陳曉靜
• 申請（專利權）人: 上海電氣風電集團股份有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/045;G06N3/0442;G06N20/10
• 代理公司: 上海弼興律師事務所 31283
• 代理人: 薛琦;張冉

本發(fā)明公開了一種風速預測方法、系統(tǒng)、電子設備及存儲介質。其中，風速預測方法包括：獲取包括連續(xù)N個周期采集到的風速的初始風速序列；根據每個風速分別構造風速衍生序列；根據所述風速衍生序列利用基于注意力機制的LSTM模型訓練風速預測模型；根據待預測周期之前i個周期采集到的風速以及訓練得到的風速預測模型輸出待預測周期的預測風速。本發(fā)明根據初始風速序列構造風速衍生序列，能夠實現(xiàn)深度學習所需輸入參數的擴展，根據風速衍生序列利用基于注意力機制的LSTM模型訓練得到的風速預測模型具有較高的預測精度并呈現(xiàn)較佳的預測效果，有助于實現(xiàn)短時風速的精準預測，進而有助于風機控制系統(tǒng)的操控以提升風場的最大發(fā)電量。

技術領域

本發(fā)明涉及電力技術領域，尤其涉及一種風速預測方法、系統(tǒng)、電子設備及存儲介質。

背景技術

基于對風場所在環(huán)境短時風速的精準預測，有助于操作變更風機控制系統(tǒng)以調整風機在風場中的具體位置(例如方向、角度等)，從而提升風場的最大發(fā)電量，然而，當前的風速預測模型在預測效果差強人意。

發(fā)明內容

本發(fā)明要解決的技術問題是為了克服現(xiàn)有技術中風速預測模型的預測效果有待進一步提升的缺陷，提供一種風速預測方法、系統(tǒng)、電子設備及存儲介質。

本發(fā)明是通過下述技術方案來解決上述技術問題：

一種風速預測方法，包括：

獲取初始風速序列，所述初始風速序列包括連續(xù)N個周期采集到的風速；

根據所述初始風速序列中的每個風速分別構造風速衍生序列，所述風速衍生序列包括風速以及所述風速對應的衍生數據；

根據所述風速衍生序列利用基于注意力機制的LSTM(Long?Short?Term?Memory，長短期記憶網絡)模型訓練風速預測模型，所述風速預測模型用于根據第M-i個周期至第M-1個周期采集到的風速所對應的風速衍生序列輸出第M個周期的預測風速；

獲取待預測周期之前i個周期采集到的風速；

根據待預測周期之前i個周期采集到的風速以及訓練得到的風速預測模型，輸出所述待預測周期的預測風速；

其中，N≥M＞i且N、M與i均為正整數。

較佳地，所述根據所述初始風速序列中的每個風速分別構造風速衍生序列的步驟包括：

分解風速得到子風速序列，所述子風速序列包括若干子風速；

拼接風速以及所述風速對應的子風速序列以得到風速衍生序列。

較佳地，在所述分解風速得到子風速序列的步驟之后還包括：

以子風速序列為輸入、所述子風速序列對應的風速為輸出，訓練SVR(SupportVactor?Regerssion，支持向量回歸機)模型；

將子風速序列輸入訓練得到的SVR模型，以輸出所述子風速序列對應的SVR風速；

拼接風速以及所述風速對應的子風速序列以得到風速衍生序列的步驟包括：

拼接風速、所述風速對應的子風速序列以及所述子風速序列對應的SVR風速以得到風速衍生序列；

或，

在所述分解風速得到子風速序列的步驟之后還包括：

以子風速序列為輸入、所述子風速序列對應的風速為輸出，訓練RF(RandomForest，隨機森林)模型；

將子風速序列輸入訓練得到的RF模型，以輸出所述子風速序列對應的RF風速；

所述拼接風速以及所述風速對應的子風速序列以得到風速衍生序列的步驟包括：