首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

一种用于光热功率预测的气象数据预测方法 

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

申请/专利权人:山东电力建设第三工程有限公司

摘要:本发明属于气象数据预测领域,公开了一种用于光热功率预测的气象数据预测方法,包括如下步骤:对采集到的光热电站的历史气象数据进行清洗;然后进行时间插值和空间插值;以一特定实测气象站点数据为标准输出,以各数据源时空间插值数据为输入,构建人工神经网络融合模型,训练融合模型,然后将另一地点多数据源时空间插值后的数据输入到训练好的融合模型,再进行逆归一化处理,得到融合后的气象数据;将融合后的历史气象数据输入到中尺度数值天气预报模型中,得到未来一段时间的气象数据。本发明的方法融合了多数据源,提高了源数据的准确度和可靠性;进一步的时空间插值方法,可以计算无气象数据来源地点的不同历史时间的气象数据,准确度高。

主权项:1.一种用于光热功率预测的气象数据预测方法,其特征在于,包括如下步骤:步骤一,数据清洗:首先对采集到的光热电站的历史气象数据进行异常值和缺失值处理,然后再通过构建差值序列、滑动模板匹配、选择性中值滤波和滑动平均方法进行数据平滑处理;步骤二,数据时间插值:对清洗后的数据进行时间插值,使得不同源头和平台的数据在时间上均匀分布;步骤三,数据空间插值:以经纬度、调度为输入,气象数据为输出,构建人工神经网络插值模型,训练插值模型,然后进行数据空间插值,使得不同源头和平台的数据在空间上均匀分布;步骤四,数据融合:以一特定实测气象站点数据为标准输出,以各数据源时空间插值数据为输入,构建人工神经网络融合模型,训练融合模型,然后将另一地点多数据源时空间插值后的数据输入到训练好的融合模型,再进行逆归一化处理,得到融合后的气象数据;步骤五,气象数据预测:将融合后的历史气象数据输入到中尺度数值天气预报模型中,得到未来一段时间的气象数据;步骤三中,数据空间插值包括如下步骤:(1)归一化处理对经度、纬度、风向、高度按下式进行归一化处理: ;其中,代表经度,代表经度最大值,代表经度最小值,代表归一化后的经度值;纬度、风向、高度同样按上式处理;对于其它数据维度,如下处理: ;其中,代表以上数据中某个维度的数据序列;代表的期望值;代表的方差;是一小值;(2)构建人工神经网络插值模型构建以归一化后的经度、纬度、高度为输入数据,以第维时间插值后第个时间点经纬度高度为的数据点为目标值的多层人工神经网络,包括输入层、全连接层一、全连接层二、全连接层三和输出层,有如下计算公式: ; ; ; ;其中,、和是连接输入层归一化后的经度、纬度、高度和全连接层一的第个神经元间的权重参数,是相应的偏置参数;是全连接层一与全连接层二中两个神经元间的权重参数,是相应的偏置参数;其余两层以此类推;、、分别代表全连接层一第个神经元、全连接层二第个神经元、全连接层三第个神经元的函数值;代表人工神经网络插值模型在第维时间插值后第个时间点经纬度高度为时的输出结果,即预测值;、、和是各层的激活函数;、、分别代表人工神经网络插值模型全连接层一、全连接层二、全连接层三的神经元个数;(3)训练和测试插值模型将数据按一定比例划分为训练集和测试集,使用小批量梯度下降法在训练集上训练所构建的网络,损失函数为: ;其中,为数据点的个数,求和对这些数据点进行,这些数据点是不同的的组合,表示第维时间插值后第个时间点经纬度高度为的数据点,即当前人工神经网络插值模型的目标值,与所代表的人工神经网络插值模型的输出结果相对应;训练该模型的过程就是让预测值不断逼近目标值;训练结束后,在测试集上用上述损失函数计算平均误差,当训练误差接近测试误差时停止训练;(4)插值使用训练好的插值模型,在所需要的经纬度位置将经纬度和调度输入到对应时间的插值模型中即可计算各所需要时间的各维度数据;步骤四中,数据融合包括如下步骤:(1)构建人工神经网络融合模型以一特定实测气象站点数据为标准输出,以各数据源时空间插值数据为输入,构建三层神经网络,包括输入层、三层全连接层和输出层,具体计算公式如下: ; ; ; ;其中,是连接输入层第个数据源和第一层第个神经元间的权重参数,是相应的偏置参数;是第一层与第二层两个神经元间的权重参数,是相应的偏置参数;其余两层以此类推;、、分别代表第一层第个神经元、第二层第个神经元、第三层第个神经元的函数值;代表人工神经网络融合模型在第个维度第个时间点的输出结果,即预测值;、、和是各层的激活函数;、分别代表人工神经网络融合模型全连接层一、全连接层二、全连接层三的神经元个数;(2)训练和测试模型将数据按一定比例划分为训练集和测试集,使用小批量梯度下降法在训练集上训练所构建的融合模型,损失函数为: ;其中,为数据点的个数,为实测站点第个维度第个时间点气象数据,即目标值;训练该模型的过程就是让预测值不断逼近目标值;训练结束后,在测试集上用上述损失函数计算平均误差,当训练误差接近测试误差时停止训练;(3)多数据源融合将多数据源时空间插值数据输入到训练好的融合模型,再进行逆归一化处理,就可以得到融合后的气象数据。

全文数据:

权利要求:

百度查询: 山东电力建设第三工程有限公司 一种用于光热功率预测的气象数据预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。