一种海上风电场风速预测方法、装置、存储介质及设备与流程

1.本技术涉及风速预测技术领域，特别是涉及一种海上风电场风速预测方法、装置、存储介质及电力设备。


背景技术：

2.近年来台风等极端天气愈发频繁，台风对海上风电场的运行已经不可忽视。一方面，台风期间风速较高，风电场的发电量会高于日常的发电量，为风电场带来经济效益；而另一方面，台风条件下风速高，变化剧烈，短时间内可造成风电机组切机，对电网安全运行造成极大的威胁。台风期间的风速以风速高、波动剧烈为主要特点，其风速序列较平常而言具有更强的非平稳性，针对日常情况的风电场风速预测已经不再适用，亟需新的研究新的针对台风条件下的风速预测技术。


技术实现要素：

3.基于此，有必要针对上述技术问题，提供一种能够在台风条件下，提高海上风电场风速预测精度的海上风电场风速预测方法、装置、存储介质及电力设备。
4.本发明实施例提供了一种海上风电场风速预测方法，所述方法包括以下步骤：
5.获取海上风电场在台风条件下的风速时间序列，并对所述风速时间序列进行平稳化的预处理，得到多个风速子序列；
6.构建风速预测模型，将各个风速子序列输入所述风速预测模型进行训练学习与重构后，得到原始风速预测值；
7.构建台风风场模型，根据所述台风风场模型对所述原始风速预测值进行修正。
8.进一步地，对所述风速时间序列进行平稳化的预处理，得到多个风速子序列，具体包括：
9.获取所述风速时间序列的信号频谱，对所述风速时间序列的信号频谱进行自适应划分，得到多个频率区间；
10.根据所述频率区间及meyer小波，构造滤波器函数；其中，所述滤波器函数包括经验小波函数和经验尺度函数；
11.根据所述经验小波函数和经验尺度函数，对各个所述频率区间进行经验小波变换，得到对所述风速时间序列分解后的各个风速子序列。
12.进一步地，构建风速预测模型，具体包括：
13.创建长短期记忆网络模型，并向所述长短期记忆网络模型中添加注意力机制，将添加有注意力机制的所述长短期记忆网络模型作为风速预测模型。
14.进一步地，向所述长短期记忆网络模型中添加注意力机制，具体包括：
15.获取所述长短期记忆网络模型隐藏层的输出矩阵，并根据所述输出矩阵的行向量与当前时间步状态，得到各个行向量的权重值，
16.将各个行向量与各自的权重值相乘再求和，得到上下文向量；
17.根据所述上下文向量与当前时间步状态的连接关系，得到添加注意力机制的长短期记忆网络模型。
18.进一步地，构建台风风场模型，根据所述台风风场模型对所述原始风速预测值进行修正，具体包括：
19.创建气压场模型及梯度风模型，通过所述气压场模型和梯度风模型描绘台风附近风场信息，并根据台风附近风场信息对所述原始风速预测值进行修正；其中，所述台风附近风场信息包括风电场内风机轮毂高度处风速。
20.进一步地，所述气压场模型为：
[0021][0022]
式中，p(r)为台风的气压场函数，p0为台风中心处的气压，p
∞
为距离台风中心无限远处的气压，b为经验系数，r
max
为台风的最大风速半径；
[0023]
所述梯度风模型为
[0024][0025]
式中，ρ为大气的平均空气密度，f为地球自转的科里奥利力，p为气压，r为点到台风中心距离。
[0026]
进一步地，所风电场内风机轮毂高度处风速计算模型为：
[0027]
vz＝v
10
(z/z
10
)a[0028]
式中，vz为任意高度z处的风速，v
10
为10m高度处的风速，z为任意高度，z
10
为10m高度，a为地面的粗糙度参数。
[0029]
本发明的另一实施例提出一种海上风电场风速预测装置，所述装置包括：
[0030]
风速序列分解模块，用于获取海上风电场在台风条件下的风速时间序列，并对所述风速时间序列进行平稳化的预处理，得到多个风速子序列；
[0031]
原始风速预测模块，用于构建风速预测模型，将各个风速子序列输入所述风速预测模型进行训练学习与重构后，得到原始风速预测值；
[0032]
预测风速修正模块，用于构建台风风场模型，根据所述台风风场模型对所述原始风速预测值进行修正。
[0033]
本发明的另一个实施例还提出一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上所述的海上风电场风速预测方法。
[0034]
本发明的另一个实施例还提出一种电力设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上所述的海上风电场风速预测方法。
[0035]
上述海上风电场风速预测方法，获取海上风电场在台风条件下的风速时间序列，并对所述风速时间序列进行平稳化的预处理，得到多个风速子序列；构建风速预测模型，将各个风速子序列输入所述风速预测模型进行训练学习与重构后，得到原始风速预测值；构建台风风场模型，根据所述台风风场模型对所述原始风速预测值进行修正。相比现有技术，本发明采用经验小波变换对台风期间风速时间序列进行分解，得到用于预测的较为平稳的
风速子序列，进而提高预测精度；根据台风固有结构特性，以气压场模型和梯度风模型描绘台风附近风场信息，根据台风附近风场信息对原始风速预测值进行修正，得到最终的风速预测值，提高了预测精度，满足了实际应用需求。
附图说明
[0036]
图1为本发明实施例提供的海上风电场风速预测方法的一种流程示意图；
[0037]
图2为本发明实施例提供的含时序模式注意力机制的长短期记忆网络的结构示意图；
[0038]
图3为本发明实施例提供的海上风电场风速预测装置的结构框图；
[0039]
图4为本发明实施例提供的电力设备的结构图。
具体实施方式
[0040]
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。基于本发明中的实施例，本技术领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0041]
需要说明的是，文中的步骤编号，仅为了方便具体实施例的解释，不作为限定步骤执行先后顺序的作用。本实施例提供的方法可以由相关的服务器执行，且下文均以服务器作为执行主体为例进行说明。
[0042]
如图1至图2所示，本发明实施例提供的海上风电场风速预测方法，所述方法包括步骤s11至步骤s13：
[0043]
步骤s11，获取海上风电场在台风条件下的风速时间序列，并对所述风速时间序列进行平稳化的预处理，得到多个风速子序列。
[0044]
需要说明的是，台风期间风速的非平稳性较强，波动性更大，这使得风速预测的预测精度降低，难度变大，因此本发明通过对台风期间的风速时间序列进行平稳化的预处理，将台风条件下的风速时间序列预分解为多个风速子序列，其中哥等速子序列为所述风速时间序列的平稳分量，然后对各个风速子序列进行训练学习后再重构，能够有效提高预测精度。其中，对风速时间序列预分解为多个风速子序列的思想是，对信号频谱进行划分，然后使用彼此正交的小波滤波器作为坐标系，将信号频谱(原信号)映射到个坐标轴函数上，从而将信号频谱(原信号)分解为多个具有不同频率幅值的风速子序列(特征模态)，即：
[0045][0046]
对所述风速时间序列进行平稳化的预处理，得到多个风速子序列，具体包括：
[0047]
首先，获取所述风速时间序列的信号频谱，对所述风速时间序列的信号频谱进行自适应划分，得到多个频率区间。
[0048]
具体的，对所述信号频谱进行自适应划分。将信号频谱的边界定义为[0,π]，假设需要分解出n个分量，则需要在(0,π)范围内找出n-1条频率分割线，这样就能将[0,π]划分为n个小区间，每一个小区间代表一个频率分量。为此采用极值法进行划分，在信号频谱中找出n个局部最大值，并按照对应的幅值大小降序排列，相邻两个局部最大值的横坐标(频率)中点即为分界线ω＝ωn，这样信号频谱的n的频率区间为：
[0049]
λn＝[ω
n-1
,ωn],n＝1,2,
…
,n
[0050]
其次，根据所述频率区间及meyer小波，构造滤波器函数；其中，所述滤波器函数包括经验小波函数和经验尺度函数。
[0051]
具体的，在对信号频谱划分得到频率区间集合λn之后，构造滤波器函数，包括经验小波函数和经验尺度函数具体公式如下：
[0052][0053][0054]
式中，β(x)＝x4(35-84x 70x
2-20x3)，
[0055]
再者，根据所述经验小波函数和经验尺度函数，对各个所述频率区间进行经验小波变换，得到对所述风速时间序列分解后的各个风速子序列。
[0056]
具体的，令傅里叶变化和逆变换分别记为f[
·
]和f-1
[
·
]，分解后各分量的系数可由经验小波函数与信号内积生成，即：
[0057][0058]
经验小波变换的近似系数可由经验尺度函数和信号内积生成，即：
[0059][0060]
式中，ψn(t)为经验小波函数，ψ1(t)为尺度函数，和分别为各自时间函数的傅里叶变换。
[0061]
因此，信号频谱(原信号)f(t)可以由下式重构：
[0062][0063]
其中，*表示卷积运算，和分别是和的傅里叶变换结果。
[0064]
于是，经验小波变换的本征模态函数fk(t)，即信号频谱(原信号)分解后的各个分
量的表达式如下：
[0065][0066]
步骤s12，构建风速预测模型，将各个风速子序列输入所述风速预测模型进行训练学习与重构后，得到原始风速预测值。
[0067]
具体的，创建长短期记忆网络模型，并向所述长短期记忆网络模型中添加注意力机制，将添加有注意力机制的所述长短期记忆网络模型作为风速预测模型，将各个风速子序列输入所述风速预测模型进行训练学习后得到各风速子序列的预测值，将各风速子序列的预测值相加可得到原始风速预测值。向所述长短期记忆网络模型中添加注意力机制时，首先获取所述长短期记忆网络模型隐藏层的输出矩阵，并根据所述输出矩阵的行向量与当前时间步状态，得到各个行向量的权重值，将各个行向量与各自的权重值相乘再求和，得到上下文向量；根据所述上下文向量与当前时间步状态的连接关系，得到添加注意力机制的长短期记忆网络模型。
[0068]
其中，所述长短期记忆网络模型的神经元中，输入包括t时间步的输入数据x
t
、上一神经元的状态值c
t-1
、上一神经元的输出h
t-1
。输出包括本神经元的状态值c
t
、本神经元的输出h
t
。为状态更新值，f
t
为遗忘门，对前一神经元状态值c
t-1
中的部分信息进行保留，控制记忆的遗忘程度；i
t
为输入门，利用状态更新值生成本神经元状态值c
t
，控制实时数据的保留程度，o
t
为输出门，利用本神经元状态值c
t
生成输出h
t
。具体的计算公式为：
[0069][0070]ft
＝σ(wf·
[h
t-1
,x
t
] bf)
[0071]it
＝σ(wi·
[h
t-1
,x
t
] bi)
[0072][0073]ot
＝σ(wo·
[h
t-1
,x
t
] bo)
[0074]ht
＝o
t
×
tanh(c
t
)
[0075]
式中，w为权重向量，b为偏置向量，σ为sigmoid激活函数，tanh为tanh激活函数，其表达分别为：
[0076][0077][0078]
可以理解的，由于门机制的存在，使得跨多个时间步的信息得以保留下来，同时每个神经元的记忆保留程度不同，即权重矩阵不同，因而避免了梯度消失和梯度爆炸的问题。
[0079]
进一步地，虽然对记忆的保留和遗忘通过激活函数计算得到控制量，但保留的信息与当前时间步的信息可能无关，甚至产生干扰，当预测步数增加时，这种误差会不断积累，影响预测精度。因此，本发明引入了注意力机制，通过捕捉记忆中与当前时间步有关的
信息，能够强化重要信息，弱化无关信息及噪声，提高预测的准确性。
[0080]
该过程中，h＝{h1,h2,
…
,h
t-1
}为lstm模型隐藏层中各个神经元的t-1个时间步的输出，每步输出为m维向量，h矩阵的行向量{g1,g2,
…
,gm}与t时刻输出h
t
结合得到各个行向量的权重值ai，ai反映了不同特征在当前时间步信息的重要性，然后各个行向量与各自的权重值相乘再求和，得到上下文向量v
t
。因此v
t
是包含跨越多个时间步信息的行向量的加权和，因此集合了不同特征在多个时间步中的重要信息，与当前时间步状态h
t
结合后形成最终的预测结果h
′
t
。具体的计算公式为：
[0081][0082][0083][0084]h′
t
＝whh
t
wvv
t
[0085]
式中，为打分函数，用于计算输入向量之间与当前时间步状态的相关性；为h矩阵的第i行向量，w为线性全连接矩阵。
[0086]
步骤s13，构建台风风场模型，根据所述台风风场模型对所述原始风速预测值进行修正。
[0087]
具体的，根据台风固有结构特性，创建气压场模型及梯度风模型，通过所述气压场模型和梯度风模型描绘台风附近风场信息，并根据台风附近风场信息对所述原始风速预测值进行修正。其中，所述气压场模型为计算点到台风中心距离的模型，是通过台风中心处的气压、距离台风中心无限远处的气压及台风的最大风速半径与点到台风中心距离之间关系得到。所述梯度风模型为气压差与梯度风速的关系模型。所述台风附近风场信息包括风电场内风机轮毂高度处风速。可以理解的，通过风电场内风机轮毂高度处风速对所述原始风速预测值进行修正，即直接替换，进一步提升了对风电场风速预测的准确性。
[0088]
进一步地，由于台风中心气压小，外界气压大，风速随气压的变化呈现出一定的规律，通过对台风气压数据进行分析，建立台风的气压场模型为：
[0089][0090]
式中，p(r)为台风的气压场函数，是关于计算点到台风中心距离r的函数；p0为台风中心处的气压；p
∞
为距离台风中心无限远处的气压，即大气不受台风影响时的气压，取1013.3hpa；b为经验系数。
[0091]
式中，r
max
为台风的最大风速半径，即台风中心到其风速最高的风带之间的距离，其计算公式如下：
[0092][0093]
其中，为台风中心所处纬度；v
t
为台风移动速度，指台风中心的移动速度，计算公
式如下：
[0094][0095]
式中，分子即为观测点1和观测点2之间的距离公式，其中δl
lat
为两个观测点的纬度差；δl
lon
为两个观测点的经度差；lat1,lat2分别为观测点1和观测点2的纬度，t为台风中心从观测点1移动到观测点2的时间间隔。
[0096]
进一步地，气压差的存在产生了大气流动，气压差越大风速越大，因此通过建立的台风梯度风模型，对这一关系进行定量描述，其具体形式如下：
[0097][0098]
式中，ρ为大气的平均空气密度，取1.15kg/m3；f为地球自转的科里奥利力，ω为地球自转角速度，大小为7.292
×
10-5
rad/s。
[0099]
将气压p关于点到台风中心距离r求偏导，代入方程中，再忽略高阶小量可以得到：
[0100][0101]
当r＝r
max
时，得到了最大梯度风速模型v
gx
：
[0102][0103]
式中，k为经验参数，
[0104]
将梯度风速模型与台风移动速度模型拟合得到海平面10m高度处的最大风速其计算公式如下：
[0105][0106]
式中，用于表示极端风速的物理量之一，在研究风资源的时空分布时具有重要意义。
[0107]
进一步地，当台风风场结构为近似的对称圆形时，可以计算距离海平面10m处距离台风中心r处的风速v
10,r
，其计算公式如下:
[0108]
在台风最大风速半径内：
[0109][0110]
在台风最大风速半径外：
[0111][0112]
式中，λ为经验系数。
[0113]
所风电场内风机轮毂高度处风速计算模型为：
[0114]
vz＝v
10
(z/z
10
)a[0115]
式中，vz为任意高度z处的风速；v
10
为10m高度处的风速；z为任意高度；z
10
为10m高度，取值为10；a为地面的粗糙度参数，一般内陆取0.18，海岸取0.1，海面取0.09。
[0116]
上述海上风电场风速预测方法，获取海上风电场在台风条件下的风速时间序列，并对所述风速时间序列进行平稳化的预处理，得到多个风速子序列；构建风速预测模型，将各个风速子序列输入所述风速预测模型进行训练学习与重构后，得到原始风速预测值；构建台风风场模型，根据所述台风风场模型对所述原始风速预测值进行修正。相比现有技术，本发明采用经验小波变换对台风期间风速时间序列进行分解，得到用于预测的较为平稳的风速子序列，进而提高预测精度；根据台风固有结构特性，以气压场模型和梯度风模型描绘台风附近风场信息，根据台风附近风场信息对原始风速预测值进行修正，得到最终的风速预测值，提高了预测精度，满足了实际应用需求。
[0117]
应该理解的是，虽然上述流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0118]
请参阅图3，本发明提供还提供了一种海上风电场风速预测装置，所述装置包括：
[0119]
风速序列分解模块21，用于获取海上风电场在台风条件下的风速时间序列，并对所述风速时间序列进行平稳化的预处理，得到多个风速子序列。
[0120]
其中，对所述风速时间序列进行平稳化的预处理，得到多个风速子序列，具体包括：
[0121]
获取所述风速时间序列的信号频谱，对所述风速时间序列的信号频谱进行自适应划分，得到多个频率区间；
[0122]
根据所述频率区间及meyer小波，构造滤波器函数；其中，所述滤波器函数包括经验小波函数和经验尺度函数；
[0123]
根据所述经验小波函数和经验尺度函数，对各个所述频率区间进行经验小波变换，得到对所述风速时间序列分解后的各个风速子序列。
[0124]
原始风速预测模块22，用于构建风速预测模型，将各个风速子序列输入所述风速预测模型进行训练学习与重构后，得到原始风速预测值。
[0125]
其中，构建风速预测模型，具体包括：
[0126]
创建长短期记忆网络模型，并向所述长短期记忆网络模型中添加注意力机制，将添加有注意力机制的所述长短期记忆网络模型作为风速预测模型。
[0127]
进一步地，向所述长短期记忆网络模型中添加注意力机制，具体包括：
[0128]
获取所述长短期记忆网络模型隐藏层的输出矩阵，并根据所述输出矩阵的行向量与当前时间步状态，得到各个行向量的权重值，
[0129]
将各个行向量与各自的权重值相乘再求和，得到上下文向量；
[0130]
根据所述上下文向量与当前时间步状态的连接关系，得到添加注意力机制的长短
期记忆网络模型。
[0131]
预测风速修正模块23，用于构建台风风场模型，根据所述台风风场模型对所述原始风速预测值进行修正。
[0132]
其中，构建台风风场模型，根据所述台风风场模型对所述原始风速预测值进行修正，具体包括：
[0133]
创建气压场模型及梯度风模型，通过所述气压场模型和梯度风模型描绘台风附近风场信息，并根据台风附近风场信息对所述原始风速预测值进行修正；其中，所述台风附近风场信息包括风电场内风机轮毂高度处风速。
[0134]
所述气压场模型为：
[0135][0136]
式中，p(r)为台风的气压场函数，p0为台风中心处的气压，p
∞
为距离台风中心无限远处的气压，b为经验系数，r
max
为台风的最大风速半径；
[0137]
所述梯度风模型为
[0138][0139]
式中，ρ为大气的平均空气密度，f为地球自转的科里奥利力，p为气压，r为点到台风中心距离。
[0140]
所风电场内风机轮毂高度处风速计算模型为：
[0141]
vz＝v
10
(z/z
10
)a[0142]
式中，vz为任意高度z处的风速，v
10
为10m高度处的风速，z为任意高度，z
10
为10m高度，a为地面的粗糙度参数。
[0143]
本发明实施例所提供的海上风电场风速预测装置，获取海上风电场在台风条件下的风速时间序列，并对所述风速时间序列进行平稳化的预处理，得到多个风速子序列；构建风速预测模型，将各个风速子序列输入所述风速预测模型进行训练学习与重构后，得到原始风速预测值；构建台风风场模型，根据所述台风风场模型对所述原始风速预测值进行修正。相比现有技术，本发明采用经验小波变换对台风期间风速时间序列进行分解，得到用于预测的较为平稳的风速子序列，进而提高预测精度；根据台风固有结构特性，以气压场模型和梯度风模型描绘台风附近风场信息，根据台风附近风场信息对原始风速预测值进行修正，得到最终的风速预测值，提高了预测精度，满足了实际应用需求。
[0144]
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上所述的海上风电场风速预测方法。
[0145]
本发明实施例还提供了一种电力设备，参见图4所示，是本发明提供的一种电力设备的一个优选实施例的结构框图，所述电力设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上所述的海上风电场风速预测方法。
[0146]
优选地，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序1、计算机程序2、
……
)，所述一个或者多个模块/单元被存储在所述存储器20中，并由所述处理
器10执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述电力设备中的执行过程。
[0147]
所述处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器也可以是任何常规的处理器，所述处理器是所述电力设备的控制中心，利用各种接口和线路连接所述电力设备的各个部分。
[0148]
所述存储器主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡和闪存卡(flash card)等，或所述存储器20也可以是其他易失性固态存储器件。
[0149]
需要说明的是，上述电力设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，图4结构框图仅仅是电力设备的示例，并不构成对电力设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。
[0150]
综上，本发明提供的海上风电场风速预测方法、装置、存储介质及电力设备，获取海上风电场在台风条件下的风速时间序列，并对所述风速时间序列进行平稳化的预处理，得到多个风速子序列；构建风速预测模型，将各个风速子序列输入所述风速预测模型进行训练学习与重构后，得到原始风速预测值；构建台风风场模型，根据所述台风风场模型对所述原始风速预测值进行修正。相比现有技术，本发明采用经验小波变换对台风期间风速时间序列进行分解，得到用于预测的较为平稳的风速子序列，进而提高预测精度；根据台风固有结构特性，以气压场模型和梯度风模型描绘台风附近风场信息，根据台风附近风场信息对原始风速预测值进行修正，得到最终的风速预测值，提高了预测精度，满足了实际应用需求。
[0151]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。