[发明专利]一种基于大气扰动的风速预测方法及系统

说明书

本发明公开一种基于大气扰动的风速预测方法及系统。所述预测方法包括：获取训练好的基于长短时记忆网络的风速预测模型；根据所述风速预测模型获得风速的初步预测序列，所述初步预测序列中每一时刻对应一个风速初步预测值；获取洛伦兹方程的初始条件和参数；根据所述初始条件和所述参数获得风速扰动序列，所述风速扰动序列为所述洛伦兹方程的数值解，所述风速扰动序列包括每一时刻对应的风速扰动值；根据所述风速扰动序列对所述初步预测序列进行修正，得到风速的最终预测序列。采用本发明的风速预测方法或系统，预测结果更接近真实的风速序列，而且具有更小的预测误差。

技术领域

本发明涉及风速预测领域，特别是涉及一种基于大气扰动的风速预测方法及系统。

背景技术

自二十世纪末以来，世界能源消耗的不断增加导致全球气候持续变暖，同时进一步破坏了自然生态系统的平衡，威胁人类的食物供应和居住环境。据2018年3月22日国际能源署发布的数据显示，2017年全球碳排放量高达325亿吨，比2016年增长1.4％(净增长4.6亿吨)，创历史新高，导致这种现状的主要原因是全球能源需求强劲。目前，开发利用可再生能源已成为国际上大多数国家的战略选择，许多国家把发展可再生能源作为缓解能源供应矛盾、应对气候变化的重要措施。其中风力发电作为一种没有燃料消耗且运行成本较低的发电方式成为各个国家争相研究的对象。由于风能在数小时内可能发生十分显著的变化，所以风力发电最大的问题就在于其对风能波动性的依赖，这种依赖进一步导致风电的波动性，不利于风电的并网利用。因此，精确的风速预测是大规模开发利用风能资源的关键，但同时也是十分不易控制的环节。

近年来，国内外的研究学者对风速预测进行了较深入的研究，提出了各种不同的风速预测方法，例如基于气象数据的风速预测方法，基于最小二乘法的风速预测方法，基于统计回归分析和神经网络的预测方法，基于人工智能算法的风速预测方法等，但它们几乎全部停留在对算法的改进上，而忽略了风能在大气动力系统中的非线性特征。因此，传统的风速预测方法中，普遍预测的精度不高。

发明内容

本发明的目的是提供一种基于大气扰动的风速预测方法及系统，以提高风速预测的精度。

为实现上述目的，本发明提供了如下方案：

一种基于大气扰动的风速预测方法，所述预测方法包括：

获取训练好的基于长短时记忆网络的风速预测模型；

根据所述风速预测模型获得风速的初步预测序列，所述初步预测序列中每一时刻对应一个风速初步预测值；

获取洛伦兹方程的初始条件和参数；

根据所述初始条件和所述参数获得风速扰动序列，所述风速扰动序列为所述洛伦兹方程的数值解，所述风速扰动序列包括每一时刻对应的风速扰动值；

根据所述风速扰动序列对所述初步预测序列进行修正，得到风速的最终预测序列。

可选的，所述获取训练好的基于长短时记忆网络的风速预测模型，之前还包括：

获取基于长短时记忆网络的风速预测模型；

将800个风速数据作为网络训练集的输入，将100个风速预测值作为网络训练集的输出，对所述风速预测模型进行训练。

可选的，所述洛伦兹方程的初始条件为：(x,y,z)的初值h＝(1.1,1,1)；x表示对流运动的振幅，y表示对流时上升与下降流体的水平方向温差，z表示对流引起的垂直方向温差对线性情况的偏离；

所述洛伦兹方程的参数为：σ＝10，b＝8/3，r＝8，其中σ为普朗特数、和、r为瑞利数，b为与容器大小形状有关的参数。

可选的，所述根据所述初始条件和所述参数获得所述洛伦兹方程的数值解，所述数值解为每一时刻风速扰动值组成的风速扰动序列，之后还包括：