[发明专利]基于卷积神经网络的风场稳定度预测方法及系统

说明书

本发明提供了一种基于卷积神经网络的风场稳定度预测方法及系统。该方法包括：采集风场的风速时间序列及风向时间序列；对采集到的风速时间序列及风向时间序列进行矢量化，得到矢量时间序列；以预设长度的时间窗口内的平均矢量为基准，将矢量时间序列区分为稳定矢量时间序列及非稳定矢量时间序列；利用稳定矢量时间序列及非稳定矢量时间序列，训练卷积神经网络；利用训练好的卷积神经网络进行风场稳定度预测。本发明提供的基于卷积神经网络的风场稳定度预测方法及系统能够快速有效地对未来一段时间内风场的变化进行预测。

技术领域

本发明涉及风场测量技术领域，特别涉及一种基于卷积神经网络的风场稳定度预测方法及系统。

背景技术

随着冬奥会的临近，冰雪运动愈发受到人们的重视，人们对于赛场风场等气象条件也愈发关注。风速风向是风场的基本描述参量，现有描述风场的变量也多基于风速风向构建。同时，为了保证雪上运动的安全，人们也希望找到预测未来一段时间内的风场的方法。目前国内外对于风速预测的研究较为广泛，主要集中于风电场风速及功率预测、结构设计防风风速预测，铁路沿线风速预警、大风预警以及天气预报风速预测等领域，但在类似雪上项目场地这类局地极小范围的应用极少。

目前对风场进行描述常采用数理统计的方法，利用盛行风向、平均风速、小时极大风速等统计量进行描述。风玫瑰图也是统计形式的一种，风玫瑰图统计出某地不同风向出现次数，并计算出其占总次数的百分比，反映风速风向的分布。而在气象学中，对风场稳定度的描述集中于大气稳定度，指的是大气抑制空气垂直运动的能力，与实际运动中关注的风场稳定性有较大的差异。

风场特性预测方法按照不同的预测模型可分为物理模型、统计模型、人工智能模型与混合模型。物理模型方法预测风速主要是利用气象数据和一些辅助信息，如当地地形特征、温度、气压、风电场布局等因素，通过建立数学模型对风场进行预测。统计模型则是基于历史数据进行回归建模，传统的统计模型包括时间序列分析法中的自回归模型(Autoregressive Model，AR)、移动平均模型(Moving Average Model，MA)、自回归移动平均模型(Autoregressive Moving Average Model，ARMA)、差分自回归移动平均模型(Autoregressive Integrated Moving Average Model，ARIMA)。人工智能模型则是基于机器学习和神经网络思想，利用历史数据进行建模训练，对未来的风场特性进行预测。混合模型指的是为了获得更高的准确度和更广阔的预测范围，将各种预测模型的各自优越特征融合在一起的方法，包括基于权重的组合、基于信号分解的组合预测、基于空间相关法的组合等。

现有研究中，对风场的描述往往是对某地区一个长跨度时间内的风场描述，得到该地区风场年度或季度的变化规律，或以此为背景做进一步的研究。文献1(张治国,崔炜,白雪涛,李林,杨光焰,常晨.第24届冬奥会海坨山赛区近两年冬季地面风场特征[J].干旱气象,2017,35(03):433-438.)对冬奥会海坨山赛区风场特征进行了描述。研究人员基于4个气象站点位采集到的数据，将风向按16个方位进行划分，同时以3.0,5.0,8.0,10.0和15.0作为风速阈值将风速划分为不同区间，基于此进行统计分析。具体来讲，文献中对比不同点位风速风向数据得到地面风场一致性的信息，之后按季度、按月份、按小时对采集到的风速风向数据进行统计，得到不同尺度下该地区的风场变化规律。

从模型的角度来看，除大气稳定性模型外，目前很少有研究者直接针对风场稳定性进行预测，研究最广泛且最深入的是风电场风速预测，现有技术也大多针对这一应用领域实现，因而下文主要介绍风速预测模型。如物理模型需要大量当地周围气象数据和辅助信息，信息采集困难。传统的统计模型如ARMA适用于平稳时间序列的预测，应用到风场这种不平稳时间序列上精度有限。因此基于信号分解、机器学习或混合模型是目前主流的短期风速预测技术思路。