一种风速预测方法、装置及存储介质
本发明涉及一种风速预测方法、装置及存储介质，属于风速预测。
背景技术：
1、随着全球对可再生能源需求的日益增长，风能作为一种清洁的可再生能源在能源结构调整和环境保护中发挥着重要作用。然而，由于风速变化的随机性和波动性较强，精确预测风速对提升风电场运行效率和电网稳定性至关重要。传统的风速预测方法主要包括统计方法、物理方法和基于机器学习的方法。
2、统计方法如自回归移动平均模型和季节性自回归综合移动平均模型在处理线性和周期性数据时表现良好，但对于风速数据中的非线性特征和突变情况处理效果不佳。物理方法通过模拟大气物理过程来进行风速预测，虽然具有较高的理论精度，但对计算资源要求较高，且在短时间尺度上的预测效果有限。
3、近年来，基于机器学习的预测方法受到了广泛关注和研究。这些方法通过学习历史数据中的复杂模式和特征进行预测，能够较好地处理数据中的非线性特征。然而，现有的机器学习方法在处理风速数据的非平稳性和多尺度特征时仍存在一定的局限性。传统方法在单一时间维度或空间维度上的特征提取各有优势，但往往难以同时兼顾这两者的复杂性。因此，单一的时序特征提取方法可能忽略空间动态，而单一的空间特征提取方法则可能忽视时间依赖关系；综上所述，现有技术对风速的预测仍存在准确性和稳定性低的问题。
技术实现思路
1、本发明的目的在于提供一种风速预测方法、装置及存储介质，解决现有技术中存在的风速预测中的准确性和稳定性低的问题。
2、为实现以上目的，本发明是采用下述技术方案实现的：
3、第一方面，本发明提供了一种风速预测方法，包括：
4、获取去噪后的气象数据，所述气象数据包括多个气象要素在预设历史时间内的测量值；
5、将所述去噪后的气象数据输入到训练好的风速预测模型中，得到预设未来时刻的风速，完成风速预测；
6、在所述风速预测模型中，对所述去噪后的气象数据进行以下处理：
7、将所述去噪后的气象数据输入到图卷积模块中构建气象站时空图矩阵；
8、将所述气象站时空图矩阵输入到连续残差时空模块中提取空间特征，将所述气象站时空图矩阵输入到informer编码器中提取时序特征；
9、将所述空间特征和所述时序特征进行特征融合，得到融合特征；
10、将所述融合特征输入到informer解码器中进行风速预测，得到预设未来时刻的风速。
11、进一步的，所述去噪后的气象数据通过以下方法得到：
12、对采集到的气象数据进行最大最小归一化，以将采集到的气象数据缩放到0和1之间，得到归一化气象数据；
13、对所述归一化气象数据进行连续小波变换去除高频噪声，完成去噪，得到去噪后的气象数据。
14、进一步的，所述最大最小归一化通过以下公式进行：
15、；
16、其中， x是缩放前的气象数据， min( x)是采集到的最小气象数据， max( x)是采集到的最大气象数据， x norm是缩放后的气象数据；
17、所述连续小波变换通过以下公式进行：
18、；
19、其中， s是缩放因子， τ是平移因子， x( t)是 t时刻处的气象数据，ψ(•)是morlet小波函数，ψ*(•)是ψ(•)的复共轭， t是时间步长，cwt( s, τ)是连续小波变换后的气象数据。
20、进一步的，所述图卷积模块的表达式为：
21、；
22、其中， x out是气象站时空图矩阵， x in是去噪后的气象数据，是邻接矩阵，是的度矩阵。
23、进一步的，所述连续残差时空模块进行空间特征提取的表达式为：
24、；
25、；
26、其中， x out是气象站时空图矩阵， f(•)是空间卷积操作， g(•)是时间卷积操作， bn(•)是 bn函数， relu(•)是 relu激活函数，是经过一层残差时空模块后输出的中间结果， y out是经过两层残差时空模块后输出的空间特征。
27、进一步的，所述特征融合的表达式为：
28、；
29、其中， x in,1是时序特征， y out是经过两层残差时空模块后输出的空间特征， m(•)是多尺度通道注意力模块，⊕表示加权融合，表示每个元素相乘， z是融合特征。
30、进一步的，所述informer解码器进行风速预测的表达式为：
31、；
32、；
33、；
34、；
35、；
36、其中，是嵌入后的informer解码器的输入序列， x dec是informer解码器的输入序列， x mark_dec是目标序列的时间标记， concat(•)表示嵌入操作， dec_ out1是第一中间输出， dec_ out2是第二中间输出， dec_ out是第三中间输出， layernorm表示残差连接操作， mask dec是一个用于防止信息泄露的掩码， mask cross是一个用于交叉注意力机制的掩码， maskedmultiheadselfattention表示掩码多头注意力机制， z是融合特征， multiheadattention表示多头注意力机制， feedforward表示前馈神经网络， linear表示线性层，是 t时刻的风速预测模型预测值。
37、进一步的，所述风速预测模型在训练时采用核损失函数作为损失函数，在每个训练周期中，将训练数据输入到风速预测模型中，计算核损失函数，根据核损失函数和以下公式更新风速预测模型的参数：
38、；
39、其中， θ( k)是第 k轮训练周期的参数， θ( k-1)是第 k-1轮训练周期的参数， α是学习率，是参数的梯度；
40、所述核损失函数的表达式为：
41、；
42、其中， l kmse是核损失函数， n是总时间，参数， y t是 t时刻的风速预测模型真实值，是 t时刻的风速预测模型预测值。
43、第二方面，本发明提供了一种风速预测装置，包括：
44、数据获取模块，被配置为：获取去噪后的气象数据，所述气象数据包括多个气象要素在预设历史时间内的测量值；
45、风速预测模块，被配置为：将所述去噪后的气象数据输入到训练好的风速预测模型中，得到预设未来时刻的风速，完成风速预测；
46、在所述风速预测模型中，对所述去噪后的气象数据进行以下处理：
47、将所述去噪后的气象数据输入到图卷积模块中构建气象站时空图矩阵；
48、将所述气象站时空图矩阵输入到连续残差时空模块中提取空间特征，将所述气象站时空图矩阵输入到informer编码器中提取时序特征；
49、将所述空间特征和所述时序特征进行特征融合，得到融合特征；
50、将所述融合特征输入到informer解码器中进行风速预测，得到预设未来时刻的风速。
51、第三方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时，实现第一方面中任一项所述的风速预测方法的步骤。
52、与现有技术相比，本发明所达到的有益效果是：
53、本发明提供的一种风速预测方法、装置及存储介质，通过设置连续残差时空模块，利用残差结构使输入信息减少流失，并有效缓解梯度消失问题，增强了训练的稳定性和效率，提升风速预测模型在捕捉长距离依赖关系和细微特征时的表现，从而有效提高风速预测的准确性和稳定性，特别是在长时间依赖关系的捕捉和时空特征的融合方面表现出优异的性能。
技术特征：
1.一种风速预测方法，其特征在于，包括：
2.根据权利要求1所述的风速预测方法，其特征在于，所述去噪后的气象数据通过以下方法得到：
3.根据权利要求2所述的风速预测方法，其特征在于，所述最大最小归一化通过以下公式进行：
4.根据权利要求1所述的风速预测方法，其特征在于，所述图卷积模块的表达式为：
5.根据权利要求1所述的风速预测方法，其特征在于，所述连续残差时空模块进行空间特征提取的表达式为：
6.根据权利要求1所述的风速预测方法，其特征在于，所述特征融合的表达式为：
7.根据权利要求1所述的风速预测方法，其特征在于，所述informer解码器进行风速预测的表达式为：
8.根据权利要求1所述的风速预测方法，其特征在于，所述风速预测模型在训练时采用核损失函数作为损失函数，在每个训练周期中，将训练数据输入到风速预测模型中，计算核损失函数，根据核损失函数和以下公式更新风速预测模型的参数：
9.一种风速预测装置，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时，实现权利要求1至8中任一项所述的风速预测方法的步骤。
技术总结
本发明公开了一种风速预测方法、装置及存储介质，属于风速预测技术领域，方法包括获取去噪后的气象数据；将气象数据输入到训练好的风速预测模型中，得到预设未来时刻的风速，完成风速预测；在风速预测模型中，对气象数据进行以下处理：将气象数据输入到图卷积模块中构建气象站时空图矩阵；将气象站时空图矩阵输入到连续残差时空模块中提取空间特征，将气象站时空图矩阵输入到Informer编码器中提取时序特征；将空间特征和所述时序特征进行特征融合，得到融合特征；将融合特征输入到Informer解码器中进行风速预测，得到预设未来时刻的风速；本发明能够提高风速预测的准确性和稳定性。
技术研发人员：陆振宇,于彪
受保护的技术使用者：南京信息工程大学
技术研发日：
技术公布日：2024/9/23