本發(fā)明涉及氣象數(shù)據(jù)和新能源功率預(yù)測，具體涉及一種基于神經(jīng)網(wǎng)絡(luò)與數(shù)值模式融合的超短期風(fēng)速訂正預(yù)報方法、裝置及存儲介質(zhì)。

背景技術(shù)：

1、近年來，隨著新能源發(fā)電規(guī)模不斷加大，對于新能源功率的預(yù)測模型也在快速發(fā)展，對于風(fēng)電功率的預(yù)測離不開風(fēng)速的預(yù)測，目前很少有氣象預(yù)測模型可以完全精確的捕捉到大氣運動的所有復(fù)雜細節(jié)和實時變化，尤其是那些受當(dāng)?shù)氐匦巍庀髼l件突變或小尺度效應(yīng)影響較大的情況。風(fēng)速訂正過程通過結(jié)合最新觀測數(shù)據(jù)、實地測量反饋以及機器學(xué)習(xí)算法，來調(diào)整預(yù)測值，從而提高預(yù)測的準(zhǔn)確性和實用性，為風(fēng)電運營、電網(wǎng)調(diào)度等領(lǐng)域提供更加可靠和及時的風(fēng)速信息支持，最終達到優(yōu)化決策制定和資源管理的目的。

2、目前，對氣象數(shù)據(jù)的預(yù)測主要是通過傳統(tǒng)數(shù)值模式如wrf（weather?research?andforecasting?model），wrf模式的初始場數(shù)據(jù)質(zhì)量對預(yù)測精度有較大影響并且無法精確反應(yīng)小尺度區(qū)域的氣象變化，未經(jīng)過數(shù)據(jù)訂正的風(fēng)速預(yù)報往往因無法精確考慮局部環(huán)境因素、實時氣象變化及模型固有偏差，而導(dǎo)致預(yù)測結(jié)果與實際情況存在較大偏差，錯誤估計發(fā)電量造成能源調(diào)配失衡，增加電網(wǎng)調(diào)度難度，直接影響風(fēng)電場的運營效率。

3、綜上所述，急需一種基于神經(jīng)網(wǎng)絡(luò)與數(shù)值模式融合的超短期風(fēng)速訂正預(yù)報方法、裝置及存儲介質(zhì)以解決現(xiàn)有技術(shù)中存在的問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明目的在于提供一種基于神經(jīng)網(wǎng)絡(luò)與數(shù)值模式融合的超短期風(fēng)速訂正預(yù)報方法，旨在解決由于局部環(huán)境因素、實時氣象變化及模型固有偏差導(dǎo)致風(fēng)速預(yù)測結(jié)果與實際情況存在較大偏差的問題，具體技術(shù)方案如下：

2、一種基于神經(jīng)網(wǎng)絡(luò)與數(shù)值模式融合的超短期風(fēng)速訂正預(yù)報方法，包括：

3、利用歷史的風(fēng)速預(yù)測偏差對神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練；

4、將當(dāng)前時刻的風(fēng)速預(yù)測偏差輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型，預(yù)測獲得下一時刻的風(fēng)速偏差；

5、將wrf模型輸出的當(dāng)前時刻風(fēng)速預(yù)報結(jié)果與當(dāng)前時刻的風(fēng)速觀測值進行數(shù)據(jù)同化操作，利用數(shù)據(jù)同化操作后的wrf模型預(yù)測得到下一時刻的風(fēng)速預(yù)測結(jié)果；

6、利用預(yù)測獲得的下一時刻的風(fēng)速偏差訂正下一時刻的風(fēng)速預(yù)測結(jié)果，得到下一時刻的風(fēng)速預(yù)報結(jié)果；

7、其中，還包括對神經(jīng)網(wǎng)絡(luò)模型進行周期性更新，具體是：

8、每間隔 t時間計算神經(jīng)網(wǎng)絡(luò)模型預(yù)測的風(fēng)速偏差與對應(yīng)時刻的風(fēng)速預(yù)測偏差之間的損失，使用梯度下降法更新神經(jīng)網(wǎng)絡(luò)模型的參數(shù)；在梯度下降過程中引入動量向量和動態(tài)動量因子，其中，為靜態(tài)動量因子，為突變天氣噪聲；假設(shè)神經(jīng)網(wǎng)絡(luò)模型當(dāng)前參數(shù)為，學(xué)習(xí)率為，梯度為，根據(jù)公式（6）更新動量向量，根據(jù)公式（7）更新參數(shù)，根據(jù)公式（8）計算突變天氣噪聲：

9、?????????????????????（6），

10、??????????????????????????（7），

11、?????????????????????????（8），

12、其中，表示時刻的天氣數(shù)據(jù)與時刻的天氣數(shù)據(jù)之間的相似距離；表示時刻的天氣數(shù)據(jù)，表示時刻的天氣數(shù)據(jù)。

13、以上技術(shù)方案中優(yōu)選的，利用歷史的風(fēng)速預(yù)測偏差對神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，具體是：

14、根據(jù)相似距離尋找與當(dāng)前天氣工況相似的歷史天氣數(shù)據(jù)；

15、根據(jù)歷史天氣數(shù)據(jù)的風(fēng)速觀測值和wrf模型輸出的風(fēng)速預(yù)報結(jié)果，得到歷史的風(fēng)速預(yù)測偏差；

16、將歷史的風(fēng)速預(yù)測偏差輸入神經(jīng)網(wǎng)絡(luò)模型，完成神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練。

17、以上技術(shù)方案中優(yōu)選的，所述相似距離的計算方式為：

18、??????????（1），

19、其中：為當(dāng)前時刻的天氣數(shù)據(jù)，為歷史時刻的天氣數(shù)據(jù)，為相似因子在時間窗內(nèi)時刻的天氣數(shù)據(jù)，為相似因子在時間窗內(nèi)時刻的天氣數(shù)據(jù)，為有效影響時間窗的一半，為相似因子的權(quán)重，為相似因子的數(shù)目，為歷史天氣數(shù)據(jù)中相似因子的時間序列標(biāo)準(zhǔn)差。

20、根據(jù)公式（1）計算相似距離后，取與當(dāng)前天氣工況相似度靠前的 k個歷史樣本用于神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練， k為大于等于1000的整數(shù)。

21、以上技術(shù)方案中優(yōu)選的，所述風(fēng)速預(yù)測偏差根據(jù)公式（2）計算得到：

22、??????????????????（2），

23、其中，是風(fēng)速觀測值，是wrf模型輸出的風(fēng)速預(yù)報結(jié)果，是風(fēng)速預(yù)測偏差。

24、以上技術(shù)方案中優(yōu)選的，所述神經(jīng)網(wǎng)絡(luò)模型利用過去 n個時間步長的風(fēng)速預(yù)測偏差來預(yù)測獲得未來 m個時間步長的風(fēng)速偏差，對歷史的風(fēng)速預(yù)測偏差數(shù)據(jù)集采用交叉驗證法，則該預(yù)測過程表示為：

25、????????????（3），

26、其中：表示時刻的風(fēng)速偏差，代表模型映射關(guān)系，表示時刻的風(fēng)速預(yù)測偏差， k表示預(yù)測的時間步長個數(shù)，，其中 n為大于等于12的整數(shù)， m為大于等于4的整數(shù)。

27、以上技術(shù)方案中優(yōu)選的，間隔時間 t= n× m， m為大于等于1的自然數(shù)。

28、以上技術(shù)方案中優(yōu)選的，利用預(yù)測獲得的下一時刻的風(fēng)速偏差訂正下一時刻的風(fēng)速預(yù)測結(jié)果，得到下一時刻的風(fēng)速預(yù)報結(jié)果，具體是：

29、?????????????????????（5），

30、其中，是wrf模型的風(fēng)速預(yù)測結(jié)果，是神經(jīng)網(wǎng)絡(luò)模型預(yù)測的風(fēng)速偏差，是訂正后的風(fēng)速預(yù)報結(jié)果。

31、本發(fā)明還提供了一種基于神經(jīng)網(wǎng)絡(luò)與數(shù)值模式融合的超短期風(fēng)速訂正預(yù)報裝置，所述裝置采用所述的基于神經(jīng)網(wǎng)絡(luò)與數(shù)值模式融合的超短期風(fēng)速訂正預(yù)報方法，所述裝置包括：

32、樣本獲取模塊：獲取用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的風(fēng)速預(yù)測偏差；

33、樣本訓(xùn)練模塊：用于完成神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練；

34、偏差預(yù)測及更新模塊：利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型預(yù)測下一時刻的風(fēng)速偏差；同時，周期性對神經(jīng)網(wǎng)絡(luò)模型進行參數(shù)更新；

35、風(fēng)速預(yù)測模塊：將wrf模型輸出的當(dāng)前時刻風(fēng)速預(yù)報結(jié)果與當(dāng)前時刻的風(fēng)速觀測值進行數(shù)據(jù)同化操作，利用數(shù)據(jù)同化操作后的wrf模型預(yù)測得到下一時刻的風(fēng)速預(yù)測結(jié)果；

36、風(fēng)速訂正模塊：利用預(yù)測獲得的下一時刻的風(fēng)速偏差訂正下一時刻的風(fēng)速預(yù)測結(jié)果，得到下一時刻的風(fēng)速預(yù)報結(jié)果。

37、本發(fā)明還提供了一種基于神經(jīng)網(wǎng)絡(luò)與數(shù)值模式融合的超短期風(fēng)速訂正預(yù)報裝置，所述裝置包括存儲器和處理器，其中存儲器存儲有所述基于神經(jīng)網(wǎng)絡(luò)與數(shù)值模式融合的超短期風(fēng)速訂正預(yù)報方法，所述處理器用于加載并執(zhí)行所述基于神經(jīng)網(wǎng)絡(luò)與數(shù)值模式融合的超短期風(fēng)速訂正預(yù)報方法。

38、本發(fā)明還提供了一種存儲介質(zhì)，所述存儲介質(zhì)中存儲有所述基于神經(jīng)網(wǎng)絡(luò)與數(shù)值模式融合的超短期風(fēng)速訂正預(yù)報方法。

39、應(yīng)用本發(fā)明的技術(shù)方案，具有以下有益效果：

40、本發(fā)明在風(fēng)速訂正的過程中通過結(jié)合最新風(fēng)速觀測數(shù)據(jù)、實地測量反饋以及機器學(xué)習(xí)算法參數(shù)更新來不斷調(diào)整預(yù)測值，旨在分析歷史預(yù)報誤差特征的同時，捕捉模型未充分考慮的當(dāng)前氣象效應(yīng)和實時觀測變化，從而提升預(yù)測精度，對提高風(fēng)電場超短期預(yù)報風(fēng)速準(zhǔn)確率具有客觀的效果。

41、本發(fā)明利用相似天氣情況下的歷史風(fēng)速預(yù)測偏差進行神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，通過訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型預(yù)測下一時刻的風(fēng)速偏差，能實現(xiàn)分析歷史預(yù)報誤差特征；通過數(shù)據(jù)同化和周期性更新神經(jīng)網(wǎng)絡(luò)模型的參數(shù)，定期捕捉模型未充分考慮的局部氣象效應(yīng)和瞬時變化，實現(xiàn)了對wrf模型和神經(jīng)網(wǎng)絡(luò)模型的修正更新，保證模型預(yù)測數(shù)據(jù)的準(zhǔn)確性，為風(fēng)速訂正提供準(zhǔn)確的數(shù)據(jù)基礎(chǔ)，從而提升預(yù)測精度，確保風(fēng)能的有效管理和電網(wǎng)調(diào)度的穩(wěn)定性。

42、除了上面所描述的目的、特征和優(yōu)點之外，本發(fā)明還有其它的目的、特征和優(yōu)點。下面將參照圖，對本發(fā)明作進一步詳細的說明。