一种基于流体动力学的风能资源预测系统与方法与流程

1.本发明涉及风能预测技术领域，尤其涉及一种基于流体动力学的风能资源预测系统与方法。


背景技术：

2.目前用于风能预测的机器学习算法主要有人工神经网络、决策树、支持向量机回归等。由于风能预测问题本身就是一个“依据特征预测数值”的问题，与一般的机器学习方法具有很好的可结合性，使得大多数常用的机器学习方法包括：随机森林、神经网络、以及各类回归算法等能够很容易的迁移应用到这一领域。
3.但是，目前对于风能预测的技术也存在缺点。首先，单一模型只能满足特定环境下的预测，不能满足一般条件的风电预测，无法进行精确预测风能的需求。


技术实现要素：

4.基于背景技术存在的技术问题，本发明提出了一种基于流体动力学的风能资源预测系统与方法。
5.本发明提出的一种基于流体动力学的风能资源预测方法，包括如下步骤：
6.s1获取第一数据和第二数据，其中，第一数据包括历史风速数据，第二数据包括与第一数据相应的历史风能数据；
7.s2基于第一数据和第二数据进行风向预测，建立预测模型，得出目标区域的主流风向；
8.s3收集目标区域处历史风速风向数据作为sahde算法的训练样本；
9.s4通过对样本数据集的训练，获取预测模型的最优参数；
10.s5获取实时的数据，将获取的实时数据输入到经过训练的预测模型中，来获得预测的风能数据。
11.优选的，所述第一数据包括第一时间范围内的具有第一时间间隔的多条数据，第二数据包括第二时间范围内的具有第二时间间隔的多条数据。
12.优选的，所述第一数据还包括历史温度数据、历史风向数据和历史湿度数据中的至少一个。
13.优选的，所述第一数据和第二数据是来自在线监测控制和数据采集系统的历史数据。
14.优选的，所述步骤s2从第一数据和第二数据中提取数据特征，通过基于噪声数据检测方法对数据特征进行预处理，对预处理后的特征进行特征的方差属性分析，基于分析的结果训练预测模型。
15.优选的，所述风能数据包括以下项中的至少一项：风速、风向、气压、气温、以及湿度。
16.优选的，所述步骤s4采用随机粒子算法优化预测模型的隶属函数的参量，将预测
模型的隶属函数的参量设置为随机粒子算法的变量，计算均方误差的函数用作随机粒子算法中的成本函数，进行优化处理使随机粒子算法中的成本函数达到最小值，循环执行该步骤，直到预测误差达到预设值。
17.优选的，所述历史风速数据和历史风能数据分别是通过在线监测控制与数据采集scada系统记录的历史风速数据和历史风能数据。
18.一种基于流体动力学的风能资源预测系统，包括数据获取模块、预测模型建立模块、样本训练模块和风能数据预测模块，且数据获取模块、预测模型建立模块、样本训练模块和风能数据预测模块依次连接。
19.本发明中，所述一种基于流体动力学的风能资源预测系统与方法，可预测更长时间范围的风能数据，并且预测的结果可具有更高的鲁棒性和准确性，同时，降低预测错误率，保证了风能预测误差满足预设值，并且，在一定程度上减小了计算量，提高计算效率，保证风电场风能预测的实时性。
附图说明
20.图1为本发明提出的一种基于流体动力学的风能资源预测方法的流程图；
21.图2为本发明提出的一种基于流体动力学的风能资源预测系统的框图。
具体实施方式
22.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
23.参照图1-2，一种基于流体动力学的风能资源预测方法，包括如下步骤：
24.s1获取第一数据和第二数据，其中，第一数据包括历史风速数据，第二数据包括与第一数据相应的历史风能数据；
25.s2基于第一数据和第二数据进行风向预测，建立预测模型，得出目标区域的主流风向；
26.s3收集目标区域处历史风速风向数据作为sahde算法的训练样本；
27.s4通过对样本数据集的训练，获取预测模型的最优参数；
28.s5获取实时的数据，将获取的实时数据输入到经过训练的预测模型中，来获得预测的风能数据。
29.本发明中，第一数据包括第一时间范围内的具有第一时间间隔的多条数据，第二数据包括第二时间范围内的具有第二时间间隔的多条数据。
30.本发明中，第一数据还包括历史温度数据、历史风向数据和历史湿度数据中的至少一个。
31.本发明中，第一数据和第二数据是来自在线监测控制和数据采集系统的历史数据。
32.本发明中，步骤s2从第一数据和第二数据中提取数据特征，通过基于噪声数据检测方法对数据特征进行预处理，对预处理后的特征进行特征的方差属性分析，基于分析的结果训练预测模型。
33.本发明中，风能数据包括以下项中的至少一项：风速、风向、气压、气温、以及湿度。
34.本发明中，步骤s4采用随机粒子算法优化预测模型的隶属函数的参量，将预测模型的隶属函数的参量设置为随机粒子算法的变量，计算均方误差的函数用作随机粒子算法中的成本函数，进行优化处理使随机粒子算法中的成本函数达到最小值，循环执行该步骤，直到预测误差达到预设值。
35.本发明中，历史风速数据和历史风能数据分别是通过在线监测控制与数据采集scada系统记录的历史风速数据和历史风能数据。
36.一种基于流体动力学的风能资源预测系统，包括数据获取模块、预测模型建立模块、样本训练模块和风能数据预测模块，且数据获取模块、预测模型建立模块、样本训练模块和风能数据预测模块依次连接。
37.本发明：获取第一数据和第二数据，其中，第一数据包括历史风速数据，第二数据包括与第一数据相应的历史风能数据；基于第一数据和第二数据进行风向预测，建立预测模型，得出目标区域的主流风向；收集目标区域处历史风速风向数据作为sahde算法的训练样本；通过对样本数据集的训练，获取预测模型的最优参数；获取实时的数据，将获取的实时数据输入到经过训练的预测模型中，来获得预测的风能数据。
38.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。


技术特征：
1.一种基于流体动力学的风能资源预测方法，其特征在于，包括如下步骤：s1获取第一数据和第二数据，其中，第一数据包括历史风速数据，第二数据包括与第一数据相应的历史风能数据；s2基于第一数据和第二数据进行风向预测，建立预测模型，得出目标区域的主流风向；s3收集目标区域处历史风速风向数据作为sahde算法的训练样本；s4通过对样本数据集的训练，获取预测模型的最优参数；s5获取实时的数据，将获取的实时数据输入到经过训练的预测模型中，来获得预测的风能数据。2.根据权利要求1所述的一种基于流体动力学的风能资源预测方法，其特征在于，所述第一数据包括第一时间范围内的具有第一时间间隔的多条数据，第二数据包括第二时间范围内的具有第二时间间隔的多条数据。3.根据权利要求1所述的一种基于流体动力学的风能资源预测方法，其特征在于，所述第一数据还包括历史温度数据、历史风向数据和历史湿度数据中的至少一个。4.根据权利要求1所述的一种基于流体动力学的风能资源预测方法，其特征在于，所述第一数据和第二数据是来自在线监测控制和数据采集系统的历史数据。5.根据权利要求1所述的一种基于流体动力学的风能资源预测方法，其特征在于，所述步骤s2从第一数据和第二数据中提取数据特征，通过基于噪声数据检测方法对数据特征进行预处理，对预处理后的特征进行特征的方差属性分析，基于分析的结果训练预测模型。6.根据权利要求1所述的一种基于流体动力学的风能资源预测方法，其特征在于，所述风能数据包括以下项中的至少一项：风速、风向、气压、气温、以及湿度。7.根据权利要求1所述的一种基于流体动力学的风能资源预测方法，其特征在于，所述步骤s4采用随机粒子算法优化预测模型的隶属函数的参量，将预测模型的隶属函数的参量设置为随机粒子算法的变量，计算均方误差的函数用作随机粒子算法中的成本函数，进行优化处理使随机粒子算法中的成本函数达到最小值，循环执行该步骤，直到预测误差达到预设值。8.根据权利要求1所述的一种基于流体动力学的风能资源预测方法，其特征在于，所述历史风速数据和历史风能数据分别是通过在线监测控制与数据采集scada系统记录的历史风速数据和历史风能数据。9.一种基于流体动力学的风能资源预测系统，其特征在于，包括数据获取模块、预测模型建立模块、样本训练模块和风能数据预测模块，且数据获取模块、预测模型建立模块、样本训练模块和风能数据预测模块依次连接。

技术总结
本发明公开了一种基于流体动力学的风能资源预测系统与方法，其中，一种基于流体动力学的风能资源预测方法，包括如下步骤：获取第一数据和第二数据，其中，第一数据包括历史风速数据，第二数据包括与第一数据相应的历史风能数据；基于第一数据和第二数据进行风向预测，建立预测模型，得出目标区域的主流风向；收集目标区域处历史风速风向数据作为SAHDE算法的训练样本；通过对样本数据集的训练，获取预测模型的最优参数。本发明可预测更长时间范围的风能数据，并且预测的结果可具有更高的鲁棒性和准确性，同时，降低预测错误率，保证了风能预测误差满足预设值，并且，在一定程度上减小了计算量，提高计算效率，保证风电场风能预测的实时性。的实时性。的实时性。


技术研发人员：任南琪 王爱杰 王旭 路璐 冯骁驰
受保护的技术使用者：澜途集思生态科技集团有限公司
技术研发日：2022.03.21
技术公布日：2022/6/10