一种风场风速预测方法、装置及存储介质与流程

1.本发明涉及气象预测技术领域，具体而言，涉及一种风场风速预测方法、装置及存储介质。


背景技术：

2.风电是电网电力平衡的重要影响因素，对风场的风电功率进行预测是缓解电力系统压力和改善电能质量，提高风电使用效率的有效手段。其中，风场的风速预测时风电功率预测的关键环节。
3.风速预测方法主要包括物理方法、传统的统计方法和人工智能方法。物理方法是通过观测到的风速、风向、气压、气温等气象要素数值，结合气象学的理论和物理中力学的方法，对未来一段时间的风速进行预报。传统的统计方法是采用时间序列和回归分析的数值模型等挖掘风速时间序列的趋势性，以预测未来一段时间的风速。常用的人工智能预测模型有支持向量机、深度神经网络等，其通过大量气象数据的训练与学习，捕捉气象数据中隐含的规律，用以预测未来一段时间的风速。
4.但是，物理方法要求对大气的物理特性有准确的数学描述，建立的数学方程很难准确地求解，导致预测准确性较低，且计算量极大。统计方法无需建立具体的数学模型，而是从数据中学习规律，计算速度快，但需要大量历史数据，预测准确性较低。统计学模型可以有效地解决预测延迟的问题，但长期预测的准确性较低。


技术实现要素：

5.本发明解决的问题是如何提高风场风速的预测准确性。
6.为解决上述问题，本发明提供了一种风场风速预测方法、装置及存储介质。
7.第一方面，本发明提供了一种风场风速预测方法，基于风场风速预测模型，所述风场风速预测模型包括偏微分神经网络模块、动力源分离模块和数据驱动模块，所述风场风速预测方法包括：获取风场的历史气象要素数据，从所述历史气象要素数据中分离出满足物理约束的数据，所述历史气象要素数据包括多等压面的多个气象要素变量的历史数据；将所述满足物理约束的数据输入所述偏微分神经网络模块，提取各个所述气象要素变量的多阶偏导数，并对下一时间步的风场风速进行预测，获得第一预测风速；将各个所述气象要素变量的多阶偏导数输入所述动力源分离模块，结合大气运动方程组计算所述风场中大气气团的受热数据和受力数据；将所述受热数据、所述受力数据和所述历史气象要素数据输入所述数据驱动模块，对下一时间步的风场风速进行预测，获得第二预测风速；根据所述第一预测风速和所述第二预测风速确定所述风场的最终预测风速。
8.可选地，所述偏微分神经网络模块包括多个神经网络，每个神经网络包括多个分别完成独立卷积的卷积核，所述神经网络的数量与所述气象要素变量的数量相对应，每个
所述卷积核用于模拟气象要素变量函数的泰勒展开式中的一个偏微分算子。
9.可选地，所述将所述满足物理约束的数据输入偏微分神经网络模块，提取各个所述气象要素变量的多阶偏导数包括：在卷积核约束下，采用所述卷积核从所述满足物理约束的数据中提取各个所述气象要素变量的多阶偏导数，利用泰勒展开式将所述气象要素变量的所有所述多阶偏导数进行组合，获得所述第一预测风速。
10.可选地，所述满足物理约束的数据为符合所述大气运动方程组的显式方程的所述历史气象要素数据。
11.可选地，所述动力源分离模块包括模拟大气运动方程组的预测方程的计算子模块，所述将各个所述气象要素变量的多阶偏导数输入所述动力源分离模块，结合大气运动方程组计算所述风场中大气气团的受热数据和受力数据包括：将各个所述气象要素变量的多阶偏导数输入所述计算子模块，通过大气运动方程组的预测方程计算所述风场中大气气团的受热数据和受力数据。
12.可选地，所述数据驱动模块包括多层卷积循环神经网络，所述将所述受热数据、所述受力数据和所述历史气象要素数据输入所述数据驱动模块，对下一时间步的风场风速进行预测，获得第二预测风速包括：将所述受热数据、所述受力数据与所述历史气象要素数据在通道维度进行拼接，通过多层卷积循环神经网络将拼接后的数据投影到隐空间，结合上一时间步所述数据驱动模块的隐藏信息对下一时间步的风场风速进行预测，获得所述第二预测风速。
13.可选地，所述根据所述第一预测风速和所述第二预测风速确定所述风场的最终预测风速包括：将所述第一预测风速与所述第二预测风速相加，确定所述风场的所述最终预测风速。
14.第二方面，本发明提供了一种风场风速预测装置，用于实现如第一方面任一项所述的风场风速预测方法，所述装置包括：获取单元，用于获取风场的历史气象要素数据，从所述历史气象要素数据中分离出满足物理约束的数据，所述历史气象要素数据包括多等压面的多个气象要素变量的历史数据；物理部分预测单元，用于将所述满足物理约束的数据输入偏微分神经网络模块，提取各个所述气象要素变量的多阶偏导数，并对下一时间步的风场风速进行预测，获得第一预测风速；数据提取单元，用于将各个所述气象要素变量的多阶偏导数输入动力源分离模块，结合大气运动方程组计算所述风场中大气气团的受热数据和受力数据；补充预测单元，用于将所述受热数据、所述受力数据和所述历史气象要素数据输入数据驱动模块，对下一时间步的风场风速进行预测，获得第二预测风速；综合预测单元，用于根据所述第一预测风速和所述第二预测风速确定所述风场的最终预测风速。
15.第三方面，本发明提供了一种电子设备，包括存储器和处理器；所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现如第一方面任一项所述的风场风速预测方法。
16.第四方面，本发明提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如第一方面任一项所述的风场风速预测方法。
17.本发明的风场风速预测方法、装置及存储介质的有益效果是：获取风场的历史气象要素数据，从历史气象要素数据中分离出满足物理约束的数据，满足物理约束的数据就是大气运动方程组的显式方程的历史气象要素数据，历史气象要素数据包括多等压面的多个气象要素变量的历史数据，便于从多个维度的历史数据进行风速预测，以提高风速预测的准确性。将满足物理约束的数据输入偏微分神经网络模块，能够对物理约束内下一时间步的风速进行预测，得到第一预测风速。并且提取各个气象要素变量的多阶偏导数，传输至动力源分离模块，动力源分离模块采用大气运动方程组计算风场的大气气团的受热数据和受力数据，引入大气运动方程组的物理先验知识，能够提高对于动态的风场风速的预测准确性。数据驱动模块根据受热数据、受力数据和历史气象要素数据捕捉物理约束之外的大气运动动态信息，以进行下一时间步风场风速的预测，得到第二预测风速。将在物理约束内得到的第一预测风速与物理约束外得到的第二预测风速相结合，从历史气象要素数据的各个维度预测得到的最终预测风速，有效提高了预测得到的风速的准确性。
附图说明
18.图1为本发明实施例的一种风场风速预测方法的流程示意图；图2为本发明实施例的风场风速预测模型的结构示意图；图3为本发明实施例的一种风场风速预测装置的结构示意图。
具体实施方式
19.为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。虽然附图中显示了本发明的某些实施例，然而应当理解的是，本发明可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是，本发明的附图及实施例仅用于示例性作用，并非用于限制本发明的保护范围。
20.应当理解，本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
21.本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”；术语“可选地”表示“可选的实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
22.需要注意，本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域
技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
23.本发明实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
24.如图1所示，本发明实施例提供的一种风场风速预测方法，基于风场风速预测模型，所述风场风速预测模型包括偏微分神经网络模块、动力源分离模块和数据驱动模块。
25.具体地，如图2所示，所述偏微分神经网络模块的输出端与动力源分离模块的输入端连接，所述动力源分离模块的第一输出端与所述数据驱动模块的输入端连接，所述动力源分离模块的第二输出端与所述数据驱动模块的输出端连接。
26.所述风场风速预测方法包括：步骤s100，获取风场的历史气象要素数据，从所述历史气象要素数据中分离出满足物理约束的数据，所述历史气象要素数据包括多等压面的多个气象要素变量的历史数据。
27.具体地，采集风场过去一段时间的历史气象要素数据，历史气象要素数据在等压面坐标系下采集，等压面坐标系的三维空间长的垂直方向以等压面的高度层而非实际地理高度层划分。其中，风场内单等压面下一个气象要素变量的历史数据可以网格形式表示，m*n的网格数据可视为大小为m*n的像素图像，像素图像中每个像素点的值为该气象要素变量在对应位置的数值。若不同等压面的气象要素变量的总数为s，则历史时刻t的气象要素数据（即观测数据）可采用表示，其中，表示s个气象要素变量在单等压面的m*n网格数据的集合。因此，风场风速的预测问题可以表示为：以历史i个时刻的气象要素数据作为输入，确定未来p个时刻的风场风速预测值。
28.步骤s200，将所述满足物理约束的数据输入所述偏微分神经网络模块，提取各个所述气象要素变量的多阶偏导数，并对下一时间步的风场风速进行预测，获得第一预测风速。
29.可选地，所述满足物理约束的数据为符合所述大气运动方程组的显式方程的所述历史气象要素数据，显示方程就是大气运动方程组的预测方程。
30.步骤s300，将各个所述气象要素变量的多阶偏导数输入所述动力源分离模块，结合大气运动方程组计算所述风场中大气气团的受热数据和受力数据。
31.具体地，动力源分离模块能够借助显式大气运动方程组中的三个预测方程分离出外部源动力，即计算风场中大气气团的受热数据和受力数据。同时，还可利用大气运动方程组中的两个诊断方程对动力源分离模块的输出进行物理约束。
32.步骤s400，将所述受热数据、所述受力数据和所述历史气象要素数据输入所述数据驱动模块，对下一时间步的风场风速进行预测，获得第二预测风速。
33.具体地，数据驱动模块利用受热数据、受力数据和历史气象要素数据实现风场风速的补充预测，能够捕捉物理约束以外的大气运动动态信息，进而提高风速预测的准确性，数据驱动模块将隐空间内的高维动态信息存储在记忆单元中传递至下一时间步。
34.步骤s500，根据所述第一预测风速和所述第二预测风速确定所述风场的最终预测风速。
35.本实施例中，获取风场的历史气象要素数据，从历史气象要素数据中分离出满足物理约束的数据，满足物理约束的数据就是大气运动方程组的显式方程的历史气象要素数据，历史气象要素数据包括多等压面的多个气象要素变量的历史数据，便于从多个维度的历史数据进行风速预测，以提高风速预测的准确性。将满足物理约束的数据输入偏微分神经网络模块，能够对物理约束内下一时间步的风速进行预测，得到第一预测风速。并且提取各个气象要素变量的多阶偏导数，传输至动力源分离模块，动力源分离模块采用大气运动方程组计算风场的大气气团的受热数据和受力数据，引入大气运动方程组的物理先验知识，能够提高对于动态的风场风速的预测准确性。数据驱动模块根据受热数据、受力数据和历史气象要素数据捕捉物理约束之外的大气运动动态信息，以进行下一时间步风场风速的预测，得到第二预测风速。将在物理约束内得到的第一预测风速与物理约束外得到的第二预测风速相结合，从历史气象要素数据的各个维度预测得到的最终预测风速，有效提高了预测得到的风速的准确性。
36.可选地，所述偏微分神经网络模块包括多个神经网络，每个神经网络包括多个分别完成独立卷积的卷积核，所述神经网络的数量与所述气象要素变量的数量相对应，每个所述卷积核用于模拟气象要素变量函数的泰勒展开式中的一个偏微分算子。
37.具体地，偏微分神经网络模块包括n个神经网络，n与气象要素变量的数量一致，每个气象要素变量对应一个卷积神经网络。每个神经网络包括个卷积核，k值可优选为3、5、7等，可预先对卷积核进行训练。偏微分神经网络模块的具体结构和数据处理过程为现有技术，在此不再赘述。
38.可选地，所述将所述满足物理约束的数据输入偏微分神经网络模块，提取各个所述气象要素变量的多阶偏导数包括：在卷积核约束下，采用所述卷积核从所述满足物理约束的数据中提取各个所述气象要素变量的多阶偏导数，利用泰勒展开式将所述气象要素变量的所有所述多阶偏导数进行组合，获得所述第一预测风速。
39.具体地，历史气象要素数据中每个气象要素变量可视为一个关于时间t和坐标的函数z，卷积核在卷积核约束下提取气象要素变量的多阶偏导数，再利用泰勒展开式将所有多阶偏导数组合以进行下一时间步的风速预测，可采用如下公式表示：，其中，表示t时刻的气象要素变量函数，表示泰勒展开式，表示等压面上的坐标，z表示气象要素变量函数，表示多阶偏导数。
40.卷积核约束可由偏微分神经网络的计算公式确定，可由如下公式确定：，其中，表示卷积核约束公式，表示一个卷积核，表示目标矩阵，表示f范数，i、j表示卷积核大小，k表示卷积核的最大值，d表示通道数。
41.具体的约束公式是对一组共计个卷积核施加的物理约束，使得每个大小为的卷积核作用于数据时接近于微分，这是通过约束矩阵对卷积核进行处理后得到的，与目标矩阵进行计算损失来实现的，约束矩阵和目标矩阵的具体计算公式可由偏微分神经网络确定，其为现有技术，在此不再赘述。
42.本可选的实施例中，偏微分神经网络模块可以将大气运动方程组中的变量之间的相关性及约束引入风场风速预测模型中，提供物理先验知识辅助进行风场风速预测，提高风场风速预测的准确性。
43.风场风速预测模型中并联一个本质为卷积神经网络的偏微分神经网络，虽然其没有对数据驱动模块中多层卷积循环神经网络的结构进行改变，但相当于为数据驱动模块并联了一个高速通道（卷积神经网络的深度较浅），进而能够避免生成的风场风速预测模型出现梯度消失与过拟合问题。
44.可选地，所述动力源分离模块包括模拟大气运动方程组的预测方程的计算子模块，所述将各个所述气象要素变量的多阶偏导数输入所述动力源分离模块，结合大气运动方程组计算所述风场中大气气团的受热数据和受力数据包括：将各个所述气象要素变量的多阶偏导数输入所述计算子模块，通过大气运动方程组的预测方程计算所述风场中大气气团的受热数据和受力数据。
45.具体地，动力源分离模块接收偏微分神经网络模块的输出，依据物理方程（即大气运动方程组）分离出两个外部动力源信息，及受力数据和受热数据，同时将外部信息和方程组中的其余项作为辅助动力信息，传输至数据驱动模块。
46.动力源分离模块主要用于将大气运动方程组的物理先验知识引入风场风速预测模型中，利用偏微分神经网络模块提供的偏微分算子，将大气运动方程组中的气象要素变量的偏导项和线性项表示出来，再利用大气运动方程组中的三个预测方程，即两个运动方程和一个热力学方程，计算出初步的局部气团的受力数据和受热数据。其余两个诊断方程由于方程中各项都可视为已知项，无需进行未知项的逆向推导，所以可加入到风场风速预测模型的损失函数中作为约束。具体来说，使用的等压面坐标系下的大气运动方程公式如下所示： ，其中，表示等压面坐标系下方向的风速，表示等压面坐标系下方向的
风速，表示等压面坐标系下的垂直风速，表示时间，表示位势高度，表示温度，为受力，为受热，为气压，为气象常量，表示等压面上的坐标。
47.公式（1）、（2）和（4）为大气运动方程的预测方程，公式（3）和（5）为大气运动方程的诊断方程。
48.本可选的实施例中，动力源分离模块采用大气运动方程组计算风场的大气气团的受热数据和受力数据，引入大气运动方程组的物理先验知识，以指导风速预测，能够提高对于动态的风场风速的预测准确性。
49.可选地，所述数据驱动模块包括多层卷积循环神经网络，所述将所述受热数据、所述受力数据和所述历史气象要素数据输入所述数据驱动模块，对下一时间步的风场风速进行预测，获得第二预测风速包括：将所述受热数据、所述受力数据与所述历史气象要素数据在通道维度进行拼接，通过多层卷积循环神经网络将拼接后的数据投影到隐空间，结合上一时间步所述数据驱动模块的隐藏信息对下一时间步的风场风速进行预测，获得所述第二预测风速。
50.具体地，动力源分离模块分离出的大气气团的受热数据和受力数据并不被风场风速预测模型完全采信，连同分离出的公式中的偏导项和历史气象要素数据一起输入数据驱动模块，进一步在隐空间进行动态的捕捉和预测。
51.数据驱动模块的主要功能为模拟物理约束下无法完全表示的风速变化情况，在历史数据中提取出隐藏的风速变化规律。数据驱动模块可包括3层卷积神经网络，模块依次接收每个时间步的输入的历史气象要素数据和动力源分离模块提取的外部动力源信息，结合上一时间步数据驱动模块的隐藏信息，进行下一时间步的风场风速的预测。
52.数据驱动模块可采用如下公式表示：，其中，下标表示时刻，代表卷积操作，代表哈密尔顿乘积操作，为时刻的输入，为时刻的输入门控单元，为遗忘门控单元，为输出门控单元，为细胞状态，为隐藏状态，为对应的卷积操作的权重，即为预设权重，为对应的卷积操作的偏置项，即为预设偏置项。
53.本可选的实施例中，数据驱动模块根据受热数据、受力数据和历史气象要素数据，利用卷积循环神经网络强大的记忆能力和提取动态信息的能力，捕捉物理约束之外的大气运动动态信息，补充物理约束下无法提取到的动态信息，以进行下一时间步风场风速进行
补充预测，能够提高最终预测得到的风速的准确性。
54.可选地，所述根据所述第一预测风速和所述第二预测风速确定所述风场的最终预测风速包括：将所述第一预测风速与所述第二预测风速相加，确定所述风场的所述最终预测风速。
55.具体地，将第一预测风速和第二预测风速合并，确定风场的最终预测风速，提高了风速预测准确性。
56.如图3所示，本发明另一实施例提供的一种风场风速预测装置，用于实现如上所述的风场风速预测方法，所述装置包括：获取单元，用于获取风场的历史气象要素数据，从所述历史气象要素数据中分离出满足物理约束的数据，所述历史气象要素数据包括多等压面的多个气象要素变量的历史数据；物理部分预测单元，用于将所述满足物理约束的数据输入偏微分神经网络模块，提取各个所述气象要素变量的多阶偏导数，并对下一时间步的风场风速进行预测，获得第一预测风速；数据提取单元，用于将各个所述气象要素变量的多阶偏导数输入动力源分离模块，结合大气运动方程组计算所述风场中大气气团的受热数据和受力数据；补充预测单元，用于将所述受热数据、所述受力数据和所述历史气象要素数据输入数据驱动模块，对下一时间步的风场风速进行预测，获得第二预测风速；综合预测单元，用于根据所述第一预测风速和所述第二预测风速确定所述风场的最终预测风速。
57.本实施例的风场风速预测装置用于实现如上所述的风场风速预测方法，其相对于现有技术的优势与上述的风场风速预测方法相对于现有技术的优势相同，在此不再赘述。
58.本发明又一实施例提供的一种电子设备，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现如上所述的风场风速预测方法。
59.本发明又一实施例提供的一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的风场风速预测方法。
60.现将描述可以作为本发明的服务器或客户端的电子设备，其是可以应用于本发明的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
61.电子设备包括计算单元，其可以根据存储在只读存储器（rom）中的计算机程序或者从存储单元加载到随机访问存储器（ram）中的计算机程序，来执行各种适当的动作和处理。在ram中，还可存储设备操作所需的各种程序和数据。计算单元、rom以及ram通过总线彼此相连。输入/输出（i/o）接口也连接至总线。
62.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random access memory，ram)等。在本技术中，所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
63.虽然本发明公开披露如上，但本发明公开的保护范围并非仅限于此。本领域技术人员在不脱离本发明公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。