專利名稱：風(fēng)速校正方法和裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及風(fēng)力發(fā)電技術(shù)，尤其涉及一種風(fēng)速校正方法和裝置。
背景技術(shù)：
風(fēng)電場輸出功率具有波動性和間歇性的特點，因此大量風(fēng)電場集中并網(wǎng)會影響電網(wǎng)的安全穩(wěn)定運行。對風(fēng)電場輸出功率進(jìn)行預(yù)測被認(rèn)為是增加風(fēng)電接入容量、提高電力系統(tǒng)運行安全性與經(jīng)濟(jì)性的有效手段。在預(yù)測發(fā)電功率時，最重要的是對風(fēng)速進(jìn)行預(yù)測，風(fēng)電場風(fēng)速預(yù)測的準(zhǔn)確性對接入風(fēng)電場的電力系統(tǒng)運行有重要意義。 目前,采用數(shù)值天氣預(yù)報(numerical weather prediction,簡稱NWP)模型對風(fēng)速進(jìn)行預(yù)測。采用NWP模型，在一定的初值和邊值條件下，通過大型計算機(jī)作數(shù)值計算，求解描寫天氣演變過程的流體力學(xué)和熱力學(xué)的方程組，預(yù)測未來一定時段的大氣運動狀態(tài)和天氣現(xiàn)象，得到風(fēng)速的預(yù)測值。由于NWP模型處理次網(wǎng)格現(xiàn)象的能力不足，物理參數(shù)初始化也存在缺點，因此現(xiàn)有的NWP模型在預(yù)測近地面氣象參數(shù)時會產(chǎn)生較大的系統(tǒng)誤差，風(fēng)速預(yù)測的準(zhǔn)確性差。

發(fā)明內(nèi)容
本發(fā)明的第一個方面是提供一種風(fēng)速校正方法，用以解決現(xiàn)有技術(shù)中的缺陷，提高預(yù)測風(fēng)速的準(zhǔn)確性。本發(fā)明的另一個方面是提供一種風(fēng)速校正裝置，用以解決現(xiàn)有技術(shù)中的缺陷，提高預(yù)測風(fēng)速的準(zhǔn)確性。本發(fā)明的第一個方面是提供一種風(fēng)速校正方法，包括采用數(shù)值天氣預(yù)報NWP模型獲取預(yù)設(shè)時間內(nèi)的氣象預(yù)測數(shù)據(jù)；將所述氣象預(yù)測數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)；根據(jù)所述訓(xùn)練數(shù)據(jù)和所述預(yù)設(shè)時間內(nèi)的實際風(fēng)速數(shù)據(jù)，將前饋BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練至預(yù)設(shè)的精度要求；向所述BP神經(jīng)網(wǎng)絡(luò)模型輸入所述測試數(shù)據(jù)，獲取校正的風(fēng)速值。如上所述的方法，其中，所述根據(jù)所述訓(xùn)練數(shù)據(jù)和所述預(yù)設(shè)時間內(nèi)的實際風(fēng)速數(shù)據(jù)，將BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練至預(yù)設(shè)的精度要求包括向所述BP神經(jīng)網(wǎng)絡(luò)模型輸入所述訓(xùn)練數(shù)據(jù)，獲取風(fēng)速初步校正數(shù)據(jù)；根據(jù)所述風(fēng)速初步校正數(shù)據(jù)和所述預(yù)設(shè)時間內(nèi)的實際風(fēng)速數(shù)據(jù)，獲取所述BP神經(jīng)網(wǎng)絡(luò)模型的精度；當(dāng)所述BP神經(jīng)網(wǎng)絡(luò)模型的精度不符合預(yù)設(shè)的精度要求時，調(diào)整所述BP神經(jīng)網(wǎng)絡(luò)模型，并返回向所述BP神經(jīng)網(wǎng)絡(luò)模型輸入所述訓(xùn)練數(shù)據(jù)和所述預(yù)設(shè)時間內(nèi)的實際風(fēng)速數(shù)據(jù)，獲取所述BP神經(jīng)網(wǎng)絡(luò)模型的精度的步驟；當(dāng)所述BP神經(jīng)網(wǎng)絡(luò)模型的精度符合預(yù)設(shè)的精度要求時，執(zhí)行所述向所述BP神經(jīng)網(wǎng)絡(luò)模型輸入所述測試數(shù)據(jù)，獲取校正的風(fēng)速值的步驟。
如上所述的方法，其中，所述調(diào)整所述BP神經(jīng)網(wǎng)絡(luò)包括調(diào)整所述BP神經(jīng)網(wǎng)絡(luò)的隱層節(jié)點數(shù)、層數(shù)、迭代次數(shù)和學(xué)習(xí)函數(shù)中的一項或多項的組合。如上所述的方法，其中，在所述采用NWP模型獲取預(yù)設(shè)時間內(nèi)的氣象預(yù)測數(shù)據(jù)之后，在所述將所述氣象預(yù)測數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)之前，還包括對所述氣象預(yù)測數(shù)據(jù)進(jìn)行主成分分析，獲取綜合變量數(shù)據(jù)；所述將所述氣象預(yù)測數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)包括將所述綜合變量數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)。如上所述的方法，其中，所述采用數(shù)值天氣預(yù)報NWP模型獲取預(yù)設(shè)時間內(nèi)的氣象
預(yù)測數(shù)據(jù)之前，還包括根據(jù)獲取的實際風(fēng)速數(shù)據(jù)和預(yù)設(shè)的風(fēng)速區(qū)間，確定所述預(yù)設(shè)時間。本發(fā)明的另一個方面是提供一種風(fēng)速校正裝置，包括數(shù)值天氣預(yù)報NWP單元，用于采用NWP模型獲取預(yù)設(shè)時間內(nèi)的氣象預(yù)測數(shù)據(jù)；數(shù)據(jù)劃分單元，用于將所述氣象預(yù)測數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)；校正單元，用于根據(jù)所述訓(xùn)練數(shù)據(jù)和所述預(yù)設(shè)時間內(nèi)的實際風(fēng)速數(shù)據(jù)，將前饋BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練至預(yù)設(shè)的精度要求，并向所述BP神經(jīng)網(wǎng)絡(luò)模型輸入所述測試數(shù)據(jù)，獲取校正的風(fēng)速值。如上所述的裝置，其中，所述校正單元具體用于向所述BP神經(jīng)網(wǎng)絡(luò)模型輸入所述訓(xùn)練數(shù)據(jù)，獲取風(fēng)速初步校正數(shù)據(jù)，根據(jù)所述風(fēng)速初步校正數(shù)據(jù)和所述預(yù)設(shè)時間內(nèi)的實際風(fēng)速數(shù)據(jù)，獲取所述BP神經(jīng)網(wǎng)絡(luò)模型的精度，當(dāng)所述BP神經(jīng)網(wǎng)絡(luò)模型的精度不符合預(yù)設(shè)的精度要求時，調(diào)整所述BP神經(jīng)網(wǎng)絡(luò)模型，再次向所述BP神經(jīng)網(wǎng)絡(luò)模型輸入所述訓(xùn)練數(shù)據(jù)和所述預(yù)設(shè)時間內(nèi)的實際風(fēng)速數(shù)據(jù)，獲取所述BP神經(jīng)網(wǎng)絡(luò)模型的精度，當(dāng)所述BP神經(jīng)網(wǎng)絡(luò)模型的精度符合預(yù)設(shè)的精度要求時，向所述BP神經(jīng)網(wǎng)絡(luò)模型輸入所述測試數(shù)據(jù)，獲取校正的風(fēng)速值。如上所述的裝置，其中，所述校正單元具體用于調(diào)整所述BP神經(jīng)網(wǎng)絡(luò)的隱層節(jié)點數(shù)、層數(shù)、迭代次數(shù)和學(xué)習(xí)函數(shù)中的一項或多項的組合。如上所述的裝置，其中， 還包括主成分分析單元，用于接收所述NWP單元采用NWP模型獲取的預(yù)設(shè)時間內(nèi)的氣象預(yù)測數(shù)據(jù)，對所述氣象預(yù)測數(shù)據(jù)進(jìn)行主成分分析，獲取綜合變量數(shù)據(jù)并發(fā)送給所述數(shù)據(jù)劃分單元；所述數(shù)據(jù)劃分單元具體用于將所述綜合變量數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)。如上所述的裝置，其中，還包括預(yù)處理單元，用于根據(jù)獲取的實際風(fēng)速數(shù)據(jù)和預(yù)設(shè)的風(fēng)速區(qū)間，確定所述預(yù)設(shè)時間并發(fā)送給所述NWP單元。由上述發(fā)明內(nèi)容可見，在采用NWP模型獲取氣象預(yù)測數(shù)據(jù)之后，先將NWP模型獲取的氣象預(yù)測數(shù)據(jù)中的一部分作為訓(xùn)練數(shù)據(jù)，采用訓(xùn)練數(shù)據(jù)和與訓(xùn)練數(shù)據(jù)同期的實際風(fēng)速數(shù)據(jù)對BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，使該BP神經(jīng)網(wǎng)絡(luò)模型達(dá)到預(yù)設(shè)精度，再將NWP模型獲取的氣象預(yù)測數(shù)據(jù)中的其它部分作為測試數(shù)據(jù)輸入到該BP神經(jīng)網(wǎng)絡(luò)模型中，獲取校正的風(fēng)速值，從而采用BP神經(jīng)網(wǎng)絡(luò)對NWP模型獲取的氣象預(yù)測數(shù)據(jù)進(jìn)行校正，最終得到符合預(yù)設(shè)精度要求的風(fēng)速值，因而提高了預(yù)測風(fēng)速的準(zhǔn)確性。


圖I為本發(fā)明實施例一的風(fēng)速校正方法的流程圖；圖2為本發(fā)明實施例二的風(fēng)速校正方法的流程圖；圖3為本發(fā)明實施例三的風(fēng)速校正裝置的結(jié)構(gòu)示意圖；圖4為本發(fā)明實施例四的風(fēng)速校正裝置的結(jié)構(gòu)示意圖。
具體實施例方式圖I為本發(fā)明實施例一的風(fēng)速校正方法的流程圖。如圖I所示，該方法包括如下過程。步驟101 :采用NWP模型獲取預(yù)設(shè)時間內(nèi)的氣象預(yù)測數(shù)據(jù)。步驟102 :將氣象預(yù)測數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)。步驟103 :根據(jù)訓(xùn)練數(shù)據(jù)和預(yù)設(shè)時間內(nèi)的實際風(fēng)速數(shù)據(jù)，將前饋(BackPropagation,簡稱BP)神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練至預(yù)設(shè)的精度要求。步驟104 向BP神經(jīng)網(wǎng)絡(luò)模型輸入測試數(shù)據(jù)，獲取校正的風(fēng)速值。在本發(fā)明實施例一中，在采用NWP模型獲取氣象預(yù)測數(shù)據(jù)之后，先將NWP模型獲取的氣象預(yù)測數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)，采用訓(xùn)練數(shù)據(jù)和與訓(xùn)練數(shù)據(jù)同期的實際風(fēng)速數(shù)據(jù)對BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，使該BP神經(jīng)網(wǎng)絡(luò)模型達(dá)到預(yù)設(shè)精度，再將測試數(shù)據(jù)輸入到該BP神經(jīng)網(wǎng)絡(luò)模型中，獲取校正的風(fēng)速值，通過采用訓(xùn)練到預(yù)設(shè)精度要求的BP神經(jīng)網(wǎng)絡(luò)對NWP模型獲取的氣象預(yù)測數(shù)據(jù)進(jìn)行校正，最終得到符合預(yù)設(shè)精度要求的風(fēng)速值，因而提高了風(fēng)速的準(zhǔn)確性。圖2為本發(fā)明實施例二的風(fēng)速校正方法的流程圖。如圖2所示，該方法包括如下過程。步驟201 :根據(jù)獲取的實際風(fēng)速數(shù)據(jù)和預(yù)設(shè)的風(fēng)速區(qū)間，確定預(yù)設(shè)時間。在本步驟中，通過測風(fēng)塔進(jìn)行測量來獲取實際風(fēng)速數(shù)據(jù)。首先，獲得測風(fēng)塔的原始數(shù)據(jù)，其中，該原始數(shù)據(jù)中包括多個測量獲得的實際風(fēng)速值。然后，可以檢驗該原始數(shù)據(jù)的完整性。具體地，完整性檢驗可以包括兩部分。第一部分對數(shù)量進(jìn)行檢驗。具體地，要求該原始數(shù)據(jù)的數(shù)據(jù)數(shù)量應(yīng)等于預(yù)期記錄的數(shù)據(jù)數(shù)量。第二部分對時間順序進(jìn)行檢驗。具體地，要求該原始數(shù)據(jù)的時間順序應(yīng)符合預(yù)期的開始、結(jié)束時間、中間應(yīng)連續(xù)。再然后，可以對該原始數(shù)據(jù)進(jìn)行合理性檢驗，即檢驗該原始數(shù)據(jù)是否屬于預(yù)設(shè)的風(fēng)速區(qū)間，例如，檢驗該原始數(shù)據(jù)是否屬于以下區(qū)間0 <小時平均風(fēng)速< 40米/秒。檢驗后對不合理數(shù)據(jù)再次進(jìn)行判別，保留符合實際情況的有效數(shù)據(jù)，剔除掉無效數(shù)據(jù)，整理出連續(xù)一年的分辨率為15分鐘的風(fēng)速數(shù)據(jù)。步驟202 :采用NWP模型獲取預(yù)設(shè)時間內(nèi)的氣象預(yù)測數(shù)據(jù)。在本步驟中，具體可以采用NWP模型的天氣研究與預(yù)報(Weather Research andForecast Modeling System,簡稱WRF)模式,在一種具體實現(xiàn)方式中,NWP模型的參數(shù)配置如下采用三層嵌套，最外層粗網(wǎng)格格點數(shù)100 X 100，水平格距27千米，中間層網(wǎng)格格點數(shù)85 X 85，水平格距9千米，最內(nèi)層格點數(shù)82 X 82，水平格距3千米，即計算區(qū)域最小分辨率為3千米，該區(qū)域的中心經(jīng)緯度為風(fēng)電場附近。基于上述參數(shù)，采用NWP模型，對測風(fēng)塔處進(jìn)行同期的氣象資料模擬，獲取預(yù)設(shè)時間內(nèi)的氣象預(yù)測數(shù)據(jù)，其中，時間分辨率為15分鐘。步驟203 :對氣象預(yù)測數(shù)據(jù)進(jìn)行主成分分析，獲取綜合變量數(shù)據(jù)。由于在步驟202中獲得的氣象預(yù)測數(shù)據(jù)中包括風(fēng)速、風(fēng)向、溫度、氣壓、相對濕度等多個變量，不利于BP神經(jīng)網(wǎng)絡(luò)模型運算，因此，在輸入BP神經(jīng)網(wǎng)絡(luò)模型輸入之前，先對氣象預(yù)測數(shù)據(jù)進(jìn)行降維處理，對氣象預(yù)測數(shù)據(jù)中的變量進(jìn)行整合，減少變量個數(shù)。具體地，可以采用主成分分析的方式，對NWP預(yù)測獲得的氣象預(yù)測數(shù)據(jù)的多個變量進(jìn)行降維處理。例如，氣象預(yù)測數(shù)據(jù)中的NWP氣象參數(shù)包括風(fēng)速、風(fēng)向、溫度、氣壓和相對濕度5個變量，經(jīng)主成分分析，生成2個包含主成分的綜合變量，降維后的上述2個變量包含原有5個變量的95%以上的信息。通過進(jìn)行主成分分析，能夠提高BP神經(jīng)網(wǎng)絡(luò)模型的精度和建模速度。步驟203為可選步驟，對于不包括步驟203的情況，在執(zhí)行步驟202之后，直接執(zhí)
行步驟204，在步驟204中，將步驟202中獲得的氣象預(yù)測數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)。步驟204 :將綜合變量數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)。在本步驟中，對綜合變量數(shù)據(jù)進(jìn)行樣本劃分，將全部綜合變量數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)。一種具體實現(xiàn)方式是，訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)的比例為4:1。例如，以整年的有效數(shù)據(jù)作為全部樣本，從中隨機(jī)抽取1/5樣本作為測試樣本,測試樣本用于對建立的BP神經(jīng)網(wǎng)絡(luò)模型的校正性能進(jìn)行測試，測試樣本對應(yīng)的數(shù)據(jù)為測試數(shù)據(jù)，其余4/5樣本作為訓(xùn)練樣本，訓(xùn)練樣本對應(yīng)的數(shù)據(jù)為訓(xùn)練數(shù)據(jù)。在步驟204之后，根據(jù)訓(xùn)練數(shù)據(jù)和預(yù)設(shè)時間內(nèi)的實際風(fēng)速數(shù)據(jù)，將BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練至預(yù)設(shè)的精度要求。具體地，該過程包括以下步驟205至步驟208。步驟205 :向BP神經(jīng)網(wǎng)絡(luò)模型輸入訓(xùn)練數(shù)據(jù)，獲取風(fēng)速初步校正數(shù)據(jù)。在本步驟中，向BP神經(jīng)網(wǎng)絡(luò)模型輸入訓(xùn)練數(shù)據(jù)。具體地，該BP神經(jīng)網(wǎng)絡(luò)可以采用Matlab2010B實驗平臺，其中，BP神經(jīng)網(wǎng)絡(luò)函數(shù)采用newff函數(shù)，訓(xùn)練算法采用梯度下降法(簡稱traingd)。初步確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為2_5_1，即輸入層有2個節(jié)點，隱含層有5個節(jié)點，輸出層有I個節(jié)點。向具有上述參數(shù)特征的BP神經(jīng)網(wǎng)絡(luò)模型中輸入訓(xùn)練數(shù)據(jù)，獲取風(fēng)速初步校正數(shù)據(jù)。步驟206 :根據(jù)風(fēng)速初步校正數(shù)據(jù)和預(yù)設(shè)時間內(nèi)的實際風(fēng)速數(shù)據(jù)，獲取BP神經(jīng)網(wǎng)絡(luò)模型的精度。步驟207 :判斷BP神經(jīng)網(wǎng)絡(luò)模型的精度是否符合預(yù)設(shè)的精度要求。如果是，執(zhí)行步驟209。否則執(zhí)行步驟208。步驟208 :調(diào)整BP神經(jīng)網(wǎng)絡(luò)模型。在本步驟中，在BP神經(jīng)網(wǎng)絡(luò)模型的精度不符合預(yù)設(shè)的精度要求時，調(diào)整BP神經(jīng)網(wǎng)絡(luò)模型。調(diào)整BP神經(jīng)網(wǎng)絡(luò)模型的具體方法可以為調(diào)整BP神經(jīng)網(wǎng)絡(luò)的隱層節(jié)點數(shù)、層數(shù)、迭代次數(shù)和學(xué)習(xí)函數(shù)中的一項或多項的組合。在步驟208之后，返回步驟205，并再次依次執(zhí)行步驟205至步驟207。步驟209 向BP神經(jīng)網(wǎng)絡(luò)模型輸入測試數(shù)據(jù)，獲取校正的風(fēng)速值。在本步驟中，在BP神經(jīng)網(wǎng)絡(luò)模型的精度符合預(yù)設(shè)的精度要求時，保存網(wǎng)絡(luò)的權(quán)值和閾值，結(jié)束訓(xùn)練過程。例如，上述初步確定為2-5-1的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，經(jīng)過調(diào)試，最終確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為2-8-1。在訓(xùn)練過程結(jié)束后，向BP神經(jīng)網(wǎng)絡(luò)模型輸入測試數(shù)據(jù)，獲取校正后的風(fēng)速值。在本發(fā)明實施例二中，先采用NWP模型獲取的氣象預(yù)測數(shù)據(jù)中的一部分以及同期的實際風(fēng)速數(shù)據(jù)對BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，當(dāng)BP神經(jīng)網(wǎng)絡(luò)模型沒有達(dá)到預(yù)設(shè)精度時，調(diào)整BP神經(jīng)網(wǎng)絡(luò)的隱層節(jié)點數(shù)、層數(shù)、迭代次數(shù)和學(xué)習(xí)函數(shù)中的一項或多項的組合，經(jīng)過多次調(diào)整，使得該BP神經(jīng)網(wǎng)絡(luò)模型達(dá)到預(yù)設(shè)精度，再將NWP模型獲取的氣象預(yù)測數(shù)據(jù)中的其它部分作為測試數(shù)據(jù)輸入到該BP神經(jīng)網(wǎng)絡(luò)模型中，獲取校正的風(fēng)速值，從而采用BP神經(jīng)網(wǎng)絡(luò)對NWP模型獲取的氣象預(yù)測數(shù)據(jù)進(jìn)行校正，最終得到符合預(yù)設(shè)精度要求的風(fēng)速值，因而提高了預(yù)測風(fēng)速的準(zhǔn)確性。并且，在將NWP模型獲取的氣象預(yù)測數(shù)據(jù)輸入到BP神經(jīng)網(wǎng)絡(luò)模型之前，還可以先對該氣象預(yù)測數(shù)據(jù)進(jìn)行主成分分析，從而對氣象預(yù)測數(shù)據(jù)的多個變量進(jìn)行降維，因而能夠減少BP神經(jīng)網(wǎng)絡(luò)模型的運算量，提高運算效率。圖3為本發(fā)明實施例三的風(fēng)速校正裝置的結(jié)構(gòu)示意圖。如圖3所示，該裝置至少
包括NWP單元31、數(shù)據(jù)劃分單元32、校正單元33。其中，NWP單元31用于采用NWP模型獲取預(yù)設(shè)時間內(nèi)的氣象預(yù)測數(shù)據(jù)。數(shù)據(jù)劃分單元32用于將氣象預(yù)測數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)。校正單元33用于根據(jù)訓(xùn)練數(shù)據(jù)和預(yù)設(shè)時間內(nèi)的實際風(fēng)速數(shù)據(jù)，將BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練至預(yù)設(shè)的精度要求，并向BP神經(jīng)網(wǎng)絡(luò)模型輸入測試數(shù)據(jù)，獲取校正的風(fēng)速值。在本發(fā)明實施例三中，數(shù)據(jù)劃分單元將NWP單元獲取的氣象預(yù)測數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)，校正單元先采用訓(xùn)練數(shù)據(jù)和與訓(xùn)練數(shù)據(jù)同期的實際風(fēng)速數(shù)據(jù)對BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，使該BP神經(jīng)網(wǎng)絡(luò)模型達(dá)到預(yù)設(shè)精度，再將NWP模型獲取的氣象預(yù)測數(shù)據(jù)中的其它部分作為測試數(shù)據(jù)輸入到該BP神經(jīng)網(wǎng)絡(luò)模型中，獲取校正的風(fēng)速值，從而采用BP神經(jīng)網(wǎng)絡(luò)對NWP模型獲取的氣象預(yù)測數(shù)據(jù)進(jìn)行校正，最終得到符合預(yù)設(shè)精度要求的風(fēng)速值，因而提高了預(yù)測風(fēng)速的準(zhǔn)確性。圖4為本發(fā)明實施例四的風(fēng)速校正裝置的結(jié)構(gòu)示意圖。如圖4所示，該裝置不僅包括NWP單元31、數(shù)據(jù)劃分單元32、校正單元33,進(jìn)一步地,還可以包括主成分分析單元34和預(yù)處理單元35。其中，預(yù)處理單元35。預(yù)處理單元35用于根據(jù)獲取的實際風(fēng)速數(shù)據(jù)和預(yù)設(shè)的風(fēng)速區(qū)間，確定預(yù)設(shè)時間并發(fā)送給NWP單元31。NWP單元31用于采用NWP模型獲取預(yù)設(shè)時間內(nèi)的氣象預(yù)測數(shù)據(jù)。主成分分析單元34用于接收NWP單元31采用NWP模型獲取的預(yù)設(shè)時間內(nèi)的氣象預(yù)測數(shù)據(jù)，對氣象預(yù)測數(shù)據(jù)進(jìn)行主成分分析，獲取綜合變量數(shù)據(jù)并發(fā)送給數(shù)據(jù)劃分單元32。數(shù)據(jù)劃分單元32用于將氣象預(yù)測數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)。具體地，數(shù)據(jù)劃分單元32具體用于將綜合變量數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)。校正單元33用于根據(jù)訓(xùn)練數(shù)據(jù)和預(yù)設(shè)時間內(nèi)的實際風(fēng)速數(shù)據(jù)，將BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練至預(yù)設(shè)的精度要求，并向BP神經(jīng)網(wǎng)絡(luò)模型輸入測試數(shù)據(jù)，獲取校正的風(fēng)速值。具體地，校正單元33具體用于向BP神經(jīng)網(wǎng)絡(luò)模型輸入訓(xùn)練數(shù)據(jù)，獲取風(fēng)速初步校正數(shù)據(jù)，根據(jù)風(fēng)速初步校正數(shù)據(jù)和預(yù)設(shè)時間內(nèi)的實際風(fēng)速數(shù)據(jù)，獲取BP神經(jīng)網(wǎng)絡(luò)模型的精度，當(dāng)BP神經(jīng)網(wǎng)絡(luò)模型的精度不符合預(yù)設(shè)的精度要求時，調(diào)整BP神經(jīng)網(wǎng)絡(luò)模型，再次向BP神經(jīng)網(wǎng)絡(luò)模型輸入訓(xùn)練數(shù)據(jù)和預(yù)設(shè)時間內(nèi)的實際風(fēng)速數(shù)據(jù)，獲取BP神經(jīng)網(wǎng)絡(luò)模型的精度，當(dāng)BP神經(jīng)網(wǎng)絡(luò)模型的精度符合預(yù)設(shè)的精度要求時，向BP神經(jīng)網(wǎng)絡(luò)模型輸入測試數(shù)據(jù)，獲取校正的風(fēng)速值。校正單元33具體用于調(diào)整BP神經(jīng)網(wǎng)絡(luò)的隱層節(jié)點數(shù)、層數(shù)、迭代次數(shù)和學(xué)習(xí)函數(shù)中的一項或多項的組合，以調(diào)整BP神經(jīng)網(wǎng)絡(luò)模型。在本發(fā)明實施例四中，數(shù)據(jù)劃分單元將NWP單元獲取的氣象預(yù)測數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)，校正單元先采用訓(xùn)練數(shù)據(jù)和與訓(xùn)練數(shù)據(jù)同期的實際風(fēng)速數(shù)據(jù)對BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，使該BP神經(jīng)網(wǎng)絡(luò)模型達(dá)到預(yù)設(shè)精度，再將NWP模型獲取的氣象預(yù)測數(shù)據(jù)中的其它部分作為測試數(shù)據(jù)輸入到該BP神經(jīng)網(wǎng)絡(luò)模型中，獲取校正的風(fēng)速值，從而采用BP神經(jīng)網(wǎng)絡(luò)對NWP模型獲取的氣象預(yù)測數(shù)據(jù)進(jìn)行校正，最終得到符合預(yù)設(shè)精度要求的風(fēng)速值，因而提高了預(yù)測風(fēng)速的準(zhǔn)確性。并且，在將NWP模型獲取的氣象預(yù)測數(shù)據(jù)輸入到BP神經(jīng)網(wǎng)絡(luò)模型之前，還可以先經(jīng)過主成分分析單元對該氣象預(yù)測數(shù)據(jù)進(jìn)行主成分分析，從而對氣象預(yù)測數(shù)據(jù)的多個變量進(jìn)行降維，因而能夠減少BP神經(jīng)網(wǎng)絡(luò)模 型的運算量，提高運算效率。本領(lǐng)域普通技術(shù)人員可以理解實現(xiàn)上述各方法實施例的全部或部分步驟可以通過程序指令相關(guān)的硬件來完成。前述的程序可以存儲于一計算機(jī)可讀取存儲介質(zhì)中。該程序在執(zhí)行時，執(zhí)行包括上述各方法實施例的步驟；而前述的存儲介質(zhì)包括R0M、RAM、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。最后應(yīng)說明的是以上各實施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制；盡管參照前述各實施例對本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解其依然可以對前述各實施例所記載的技術(shù)方案進(jìn)行修改，或者對其中部分或者全部技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實施例技術(shù)方案的范圍。
權(quán)利要求
1.一種風(fēng)速校正方法，其特征在于，包括 采用數(shù)值天氣預(yù)報NWP模型獲取預(yù)設(shè)時間內(nèi)的氣象預(yù)測數(shù)據(jù)； 將所述氣象預(yù)測數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)； 根據(jù)所述訓(xùn)練數(shù)據(jù)和所述預(yù)設(shè)時間內(nèi)的實際風(fēng)速數(shù)據(jù)，將前饋BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練至預(yù)設(shè)的精度要求； 向所述BP神經(jīng)網(wǎng)絡(luò)模型輸入所述測試數(shù)據(jù)，獲取校正的風(fēng)速值。
2.根據(jù)權(quán)利要求I所述的方法，其特征在于，所述根據(jù)所述訓(xùn)練數(shù)據(jù)和所述預(yù)設(shè)時間內(nèi)的實際風(fēng)速數(shù)據(jù)，將BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練至預(yù)設(shè)的精度要求包括 向所述BP神經(jīng)網(wǎng)絡(luò)模型輸入所述訓(xùn)練數(shù)據(jù)，獲取風(fēng)速初步校正數(shù)據(jù)； 根據(jù)所述風(fēng)速初步校正數(shù)據(jù)和所述預(yù)設(shè)時間內(nèi)的實際風(fēng)速數(shù)據(jù)，獲取所述BP神經(jīng)網(wǎng)絡(luò)模型的精度； 當(dāng)所述BP神經(jīng)網(wǎng)絡(luò)模型的精度不符合預(yù)設(shè)的精度要求時，調(diào)整所述BP神經(jīng)網(wǎng)絡(luò)模型，并返回向所述BP神經(jīng)網(wǎng)絡(luò)模型輸入所述訓(xùn)練數(shù)據(jù)和所述預(yù)設(shè)時間內(nèi)的實際風(fēng)速數(shù)據(jù)，獲取所述BP神經(jīng)網(wǎng)絡(luò)模型的精度的步驟； 當(dāng)所述BP神經(jīng)網(wǎng)絡(luò)模型的精度符合預(yù)設(shè)的精度要求時，執(zhí)行所述向所述BP神經(jīng)網(wǎng)絡(luò)模型輸入所述測試數(shù)據(jù)，獲取校正的風(fēng)速值的步驟。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述調(diào)整所述BP神經(jīng)網(wǎng)絡(luò)包括 調(diào)整所述BP神經(jīng)網(wǎng)絡(luò)的隱層節(jié)點數(shù)、層數(shù)、迭代次數(shù)和學(xué)習(xí)函數(shù)中的一項或多項的組八口 ο
4.根據(jù)權(quán)利要求I至3中任意一項所述的方法，其特征在于， 在所述采用NWP模型獲取預(yù)設(shè)時間內(nèi)的氣象預(yù)測數(shù)據(jù)之后，在所述將所述氣象預(yù)測數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)之前，還包括對所述氣象預(yù)測數(shù)據(jù)進(jìn)行主成分分析，獲取綜合變量數(shù)據(jù)； 所述將所述氣象預(yù)測數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)包括將所述綜合變量數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)。
5.根據(jù)權(quán)利要求I至4中任意一項所述的方法，其特征在于，所述采用數(shù)值天氣預(yù)報NWP模型獲取預(yù)設(shè)時間內(nèi)的氣象預(yù)測數(shù)據(jù)之前，還包括 根據(jù)獲取的實際風(fēng)速數(shù)據(jù)和預(yù)設(shè)的風(fēng)速區(qū)間，確定所述預(yù)設(shè)時間。
6.一種風(fēng)速校正裝置，其特征在于，包括 數(shù)值天氣預(yù)報NWP單元，用于采用NWP模型獲取預(yù)設(shè)時間內(nèi)的氣象預(yù)測數(shù)據(jù)； 數(shù)據(jù)劃分單元，用于將所述氣象預(yù)測數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)； 校正單元，用于根據(jù)所述訓(xùn)練數(shù)據(jù)和所述預(yù)設(shè)時間內(nèi)的實際風(fēng)速數(shù)據(jù)，將前饋BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練至預(yù)設(shè)的精度要求，并向所述BP神經(jīng)網(wǎng)絡(luò)模型輸入所述測試數(shù)據(jù)，獲取校正的風(fēng)速值。
7.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述校正單元具體用于向所述BP神經(jīng)網(wǎng)絡(luò)模型輸入所述訓(xùn)練數(shù)據(jù)，獲取風(fēng)速初步校正數(shù)據(jù)，根據(jù)所述風(fēng)速初步校正數(shù)據(jù)和所述預(yù)設(shè)時間內(nèi)的實際風(fēng)速數(shù)據(jù)，獲取所述BP神經(jīng)網(wǎng)絡(luò)模型的精度，當(dāng)所述BP神經(jīng)網(wǎng)絡(luò)模型的精度不符合預(yù)設(shè)的精度要求時，調(diào)整所述BP神經(jīng)網(wǎng)絡(luò)模型，再次向所述BP神經(jīng)網(wǎng)絡(luò)模型輸入所述訓(xùn)練數(shù)據(jù)和所述預(yù)設(shè)時間內(nèi)的實際風(fēng)速數(shù)據(jù)，獲取所述BP神經(jīng)網(wǎng)絡(luò)模型的精度，當(dāng)所述BP神經(jīng)網(wǎng)絡(luò)模型的精度符合預(yù)設(shè)的精度要求時，向所述BP神經(jīng)網(wǎng)絡(luò)模型輸入所述測試數(shù)據(jù)，獲取校正的風(fēng)速值。
8.根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述校正單元具體用于調(diào)整所述BP神經(jīng)網(wǎng)絡(luò)的隱層節(jié)點數(shù)、層數(shù)、迭代次數(shù)和學(xué)習(xí)函數(shù)中的一項或多項的組合。
9.根據(jù)權(quán)利要求6至8中任意一項所述的裝置，其特征在于， 還包括主成分分析單元，用于接收所述NWP單元采用NWP模型獲取的預(yù)設(shè)時間內(nèi)的氣象預(yù)測數(shù)據(jù)，對所述氣象預(yù)測數(shù)據(jù)進(jìn)行主成分分析，獲取綜合變量數(shù)據(jù)并發(fā)送給所述數(shù)據(jù)劃分單元； 所述數(shù)據(jù)劃分單元具體用于將所述綜合變量數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)。
10.根據(jù)權(quán)利要求6至9中任意一項所述的裝置，其特征在于，還包括 預(yù)處理單元，用于根據(jù)獲取的實際風(fēng)速數(shù)據(jù)和預(yù)設(shè)的風(fēng)速區(qū)間，確定所述預(yù)設(shè)時間并發(fā)送給所述NWP單元。
全文摘要
本發(fā)明提供一種風(fēng)速校正方法和裝置。采用NWP模型獲取預(yù)設(shè)時間內(nèi)的氣象預(yù)測數(shù)據(jù)，將所述氣象預(yù)測數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)，根據(jù)所述訓(xùn)練數(shù)據(jù)和所述預(yù)設(shè)時間內(nèi)的實際風(fēng)速數(shù)據(jù)，將前饋BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練至預(yù)設(shè)的精度要求，向所述BP神經(jīng)網(wǎng)絡(luò)模型輸入所述測試數(shù)據(jù)，即可獲取校正后的風(fēng)速值。采用本發(fā)明提供的風(fēng)速校正方法和裝置，能夠提高風(fēng)速的準(zhǔn)確性。
文檔編號G06N3/08GK102880907SQ20121030546
公開日2013年1月16日 申請日期2012年8月24日 優(yōu)先權(quán)日2012年8月24日
發(fā)明者樸金姬, 王穎, 葉紅, 甘家飛, 汪鋒 申請人:華銳風(fēng)電科技(集團(tuán))股份有限公司