CN110009037A - 一种基于物理信息耦合的工程风速短时预测方法及*** - Google Patents
一种基于物理信息耦合的工程风速短时预测方法及*** Download PDFInfo
- Publication number
- CN110009037A CN110009037A CN201910267082.9A CN201910267082A CN110009037A CN 110009037 A CN110009037 A CN 110009037A CN 201910267082 A CN201910267082 A CN 201910267082A CN 110009037 A CN110009037 A CN 110009037A
- Authority
- CN
- China
- Prior art keywords
- wind
- measuring device
- wind speed
- subregion
- simulation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本发明公开了一种基于物理信息耦合的工程风速短时预测方法及***,采用CFD方法模拟目标区域大气流场,从而计算各子区域各网格划分方式进行风速模拟的响应时间和模拟误差以及各内部测风装置的多个模拟风速序列,并根据模拟误差筛选优势网格划分方式;从而针对各内部测风装置,基于前述融合CFD方法得到的模拟风速序列以线下深度学习得到风速转换模型;另外基于风速测试样本线下深度学习得到风速预测模型;最终通过目标预测地点与最近内部测风装置的空间关系,智能匹配风速转换模型与风速预测模型的输出值,输出最适风速预测值。本发明减少了线下模型训练的计算和存储成本,在保证风速预测的实时性和泛化能力的同时,提高风速预测的精度。
Description
技术领域
本发明属于风速预测领域,具体涉及一种基于物理信息耦合的工程风速短时预测方法及***。
背景技术
突发大风是常见的自然灾害之一。突发大风会迅速破坏桥梁沿线稳定的风场,造成桥面震荡颠簸,降低来往车辆的舒适性和安全性,阻断交通运输。突发大风影响列车运行安全,大风会损坏车窗等行车设备,降低乘客舒适度,阻碍列车运行,甚至吹翻列车,造成重大安全事故。突发大风会加剧风电场输出功率的波动性和不稳定性,污染电能,降低电能质量,阻碍接入电网的安全稳定运行。
风速预测是应对突发大风的有效方法之一。通过风速预测可以提前得知大风可能发生的时间和地点,快速、高精度的风速预测能够有效降低和预防大风带来的危害和损失。目前常用的风速预测方法多为统计学方法,普遍存在计算成本大、泛化能力差和易陷入局部最优解的缺点。
发明内容
为了克服统计学方法的缺点,本发明提供一种基于物理信息耦合的工程风速短时预测方法及***,通过提前选择优势网格划分方式,以减少线下训练风速转换模型的数量,减小风速预测的计算和存储成本,并在保证风速预测的实时性和泛化能力的同时,提高风速预测的精度。
为实现上述技术目的,本发明采用如下技术方案:
一种基于物理信息耦合的工程风速短时预测方法,包括以下步骤:
步骤1,针对目标区域的每个测风点,按预设规则建立预设数量个测风装置,并从中选择1个测风装置作为与测风点对应的聚类测风装置;每两个测风点之间的距离为Dist1;
步骤2,将目标区域划分为num4个区域;
步骤2.1,针对每个聚类测风装置,均获取在第一历史时间段内的历史风速数据,构建风速分类样本;
步骤2.2,利用风速分类样本,采用聚类方法将目标区域划分为num4个子区域;
步骤2.3,若子区域的边界上设有测风装置,则将位于子区域边界上的测风装置作为边界测风装置,位于子区域内部的测风装置作为内部测风装置;否则,将位于子区域内部的测风装置作为内部测风装置,并在子区域的边界上等间距建立测风装置作为边界测风装置;
步骤3,对各子区域进行网格划分;
获取每个子区域的地形数据,对每个子区域均采用num5种网格划分方式进行网格划分,每个子区域得到num5个msh文件,且msh文件与网格划分方式相对应;
步骤4,基于msh文件,选择子区域的优势网格划分方式;
步骤4.1针对每个内部测风装置,均获取在第二历史时间段内的历史风速数据,构建风速测试样本;针对每个边界测风装置,均获取在第二历史时间段内的历史风速数据构建风速测试样本,均获在第二历史时间段内的历史风向数据构建风向测试样本;
所述风速分类样本、风速测试样本,均是由相应历史时间段内全部样本时刻的实测风速值所组成的风速时间序列,所述风向测试样本是由相应历史时间段内全部样本时刻的实测风向值所组成的风向时间序列;
步骤4.2,针对每个子区域在每种网格划分方式,将相应的msh文件输入Fluent平台,生成待模拟的大气流场的地形条件;根据当前子区域所有边界测风装置的风速测试样本和风向测试样本以及内部测风装置的风速测试样本,采用CFD方法计算当前子区域在当前网格划分方式的地形条件下进行风速模拟的各数据:响应时间、模拟误差以及每个内部测风装置各num6个模拟风速序列;
步骤4.3,将每个子区域中,模拟误差小于经验阈值α所对应的网格划分方式,作为当前子区域的优势网格划分方式;
步骤5,建立基于循环神经网络的风速转换模型和基于循环神经网络的风速预测模型;
步骤5.1,针对每个子区域在每种优势网格划分方式下的每个内部测风装置,均选择当前内部测风装置的风速测试样本和num6个模拟风速序列,以任意模拟风速序列中任意3个连续时刻t2、t2+1和t2+2的模拟风速值作为基于循环神经网络的风速转换模型的输入数据,以风速测试样本中t2时刻的实测风速值作为输出数据,训练得到当前内部测风装置的基于循环神经网络的风速转换模型;
步骤5.2,针对每个子区域的每个内部测风装置,均选择当前内部测风装置的风速测试样本,以风速测试样本中任意3个连续时刻t3-2、t3-1和t3的实测风速值作为基于循环神经网络的风速预测模型的输入数据,以风速测试样本中t3+1时刻的实测风速值作为输出数据,训练得到当前内部测风装置的基于循环神经网络的风速预测模型;
步骤6,对目标预测地点的风速进行实时预测;
步骤6.1,确定目标预测地点所属子区域为a2子区域,确定离目标预测地点最近的内部测风装置为c2内部测风装置,其中c2内部测风装置与目标预测地点的距离为Dist4;
步骤6.2,基于响应时间和模拟误差,选择a2子区域的一种优势网格划分方式,记为a2子区域的b2优势网格划分方式,获取a2子区域的b2优势网格划分方式的msh文件以及a2子区域所有边界测风装置当前时刻tnow的风速数据和风向数据,一同输入Fluent平台,启动CFD计算,获得目标预测地点在tpre、tpre+1、tpre+2这3个时刻的模拟风速值;
步骤6.3,将目标预测地点在tpre、tpre+1、tpre+2这3个时刻的模拟风速值,输入到a2子区域b2优势网格划分方式c2内部测风装置的基于循环神经网络的风速转换模型中,得到目标预测地点在tpre时刻的风速转换值;
步骤6.4,判断c2内部测风装置与目标预测地点的距离Dist4是否大于距离阈值d,若是,将目标预测地点在tpre时刻的风速转换值作为目标预测地点在tpre时刻的最适风速预测值,结束风速预测,否则执行步骤6.5;
步骤6.5,获取c2内部测风装置在tnow、tnow-1、tnow-2这三个连续时刻的实测风速值,并输入到a2子区域c2内部测风装置的基于循环神经网络的风速预测模型中,得到c2内部测风装置在tnow+1时刻的风速预测值,滚动预测,直到获得c2内部测风装置在tpre时刻的风速预测值;将c2内部测风装置在tpre时刻的风速预测值和目标预测地点在tpre时刻的风速转换值的平均值,作为目标预测地点在tpre时刻的最适风速预测值。
本发明中的风速预测模型和风速转换模型是由循环神经网络线下深度学习得到,保证线上实时风速预测的实时性;同时风速转换模型还融合CFD方法预模拟目标地点大气流场,可与风速转换模型综合根据目标预测地点的空间位置,智能输出最适风速预测值,保证预测***的泛化能力,提高风速预测精度。
根据各子区域各网格划分方式进行风速模拟的模拟误差,提前筛选较优的优势网格划分方式,进一步减少线下训练风速转换模型的数量,从而减小风速预测的计算成本和存储成本。
另外,本发明对工程风速短速预测是基于多种物理信息耦合(风速物理信息、风向物理信息以及根据地形数据进行CFD计算的风速模拟过程)进行预测计算得到的,考虑因素更全面,从而提高风速预测的准确性。
进一步地,采用FCM聚类算法将目标区域划分为num4个子区域,具体步骤为:
步骤A1,将各聚类测风装置的风速分类样本分别作为待聚类元素的坐标xj,j=1,2,3,…,Num1;设置聚类中心的个数为Num2,记聚类中心为ci,i=1,2,3,…Num2,每个聚类中心代表1个聚类簇;
步骤A2,用取值在0和1之间的随机数初始化隶属度矩阵U,U={uij|i=1,2,3,…,Num2,j=1,2,3,…,Num1},使隶属度矩阵U满足下式:
式中,uij表示第j个待聚类元素对第i个聚类中心的隶属度;
步骤A3,按以下公式计算聚类中心ci:
式中,m∈[1,∞)表示隶属度uij的加权指数;
步骤A4,计算价值函数J,判断此次价值函数对于上一次价值函数的改变量是否小于阈值ρ,若是,算法停止,每个聚类元素属于隶属度最高的2个聚类簇,进入步骤A6,若否,进入步骤A5;其中价值函数J的公式为:
式中,dij表示第i个聚类中心与第j个待聚类元素的欧几里得距离;
步骤A5,按以下公式更新隶属度矩阵U,返回步骤A3:
步骤A6,根据聚类测风装置聚类结果对目标区域进行子区域划分;
将空间上连续且属于相同聚类簇的聚类测风装置所对应的测风点划分在同一子区域;若存在测风点满足同时被划分在2个子区域中的条件,则按隶属度最高的聚类簇对该测风点划分子区域。
本方案中,通过聚类测风装置对于每个聚类中心都产生一个隶属度,根据隶属度,可以将聚类测风装置划分给一个或多个聚类中心,这样做可以提高聚类结果的科学性和鲁棒性。因为实际存在对两个或者更多聚类中心都相似的聚类测风装置,将其划分给任一聚类中心都存在较大误差。
进一步地,步骤4.2中计算当前子区域当前网格划分方式进行风速模拟的响应时间的具体过程为:
步骤B1,选择任意样本时刻t1,将该子区域所有边界测风装置的风速测试样本和风向测试样本在t1时刻的风速值和风向值作为大气流场的初始条件,启动CFD计算,进行大气流场状态的模拟;
步骤B2,记录Fluent平台从启动CFD计算到获得子区域中各点下一个样本时刻模拟风速值之间的时间,作为当前子区域当前网格划分方式进行风速模拟的响应时间;
步骤4.2中计算各子区域各网格划分方式进行风速模拟的模拟误差的具体过程为:
步骤C1,随机选择num6个互不相同的样本时刻,记为timi,i=1,2,3…,num6;timi均不属于风速测试样本的最后num7个样本时刻;
步骤C2,依次选择样本时刻timi,i=1,2,3…,num6,将相应子区域所有边界测风装置风速测试样本和风向测试样本在timi时刻的风速值以及风向值作为流场的初始条件,启动CFD计算,进行大气流场运动状态的模拟,获得当前子区域中各内部测风装置下一个样本时刻的模拟风速值,滚动计算,直到获得各内部测风装置未来num7个样本时刻的模拟风速值,构成相应子区域相应网格划分方式各内部测风装置的1个模拟风速序列;
步骤C3,依次计算各子区域各网格划分方式各内部测风装置进行风速模拟的模拟误差,将所有内部测风装置进行风速模拟的模拟误差的平均值作为相应子区域相应网格划分方式进行风速模拟的模拟误差;
其中某一子区域某一网格划分方式下某一内部测风装置进行风速模拟的模拟误差,是该内部测风装置在步骤C2得到的num6个模拟风速序列的模拟误差的平均值,任意模拟风速序列的模拟误差为模拟风速序列中num7个样本时刻的模拟风速值与风速测试样本中相应的num7个风速实测值之间的绝对平均误差。
通过计算进行风速模拟的响应时间和模拟误差,从而基于其以从所有网格划分方式中选择合适的一种网格划分方式,由此得到的风速转换模型所输出的风速转换值精度更高,从而提高本发明风速预测的精度。
进一步地,步骤6.2中所述选择a2子区域的一种优势网格划分方式,包括两种选择方法:最大响应时间方法和最大模拟误差方法;
最大响应时间方法为:设定最大响应时间tmax,从a2子区域的所有优势网格划分方式中选择响应时间小于tmax且模拟误差最小的优势网格划分方式;
最大模拟误差方法为:设定最大误差εmax,从a2子区域的所有优势网格划分方式中选择模拟误差小于最大误差εmax且响应时间最小的优势网格划分方式。
通过提供不同的优势网格划分方式选择方法,可根据用户实际需求进行选择,从而提高本发明风速预测的泛化能力。
进一步地,步骤3中获取地形数据的具体过程为:
步骤3.1,通过边界测风装置的GPS模块,获取所有边界测风装置的经度数据和纬度数据,根据步骤2获得的子区域划分结果,获取各子区域边界的经度数据和纬度数据;
步骤3.2,利用Google earth平台,由各子区域边界的经度数据和纬度数据,分别获取相应子区域范围内的地形信息;
所述子区域范围内的地形信息包括子区域范围内地面上各点的经度数据、纬度数据和高程数据;
步骤3.3,依次将各子区域范围内地面上各点的高程作为相应点的Z轴坐标,将经度数据和纬度数据转化为平面直角坐标数据,得到空间直角坐标系描述的各子区域范围内的地形数据,以txt文件的格式存储在数据存储模块中。
进一步地,其特征在于,步骤3中采用num5种网格划分方式对当前子区域进行网格划分的方法为:将当前子区域的地形数据输入到ICEM平台,选择立方体网格划分方法,选择网格距离为Dist3进行网格划分,Dist3的取值依次遍历以500米为初始值,500米为步长,Dist1/5为终止值之间的所有值,将每个网格划分方式的结果保存为msh格式的文件。
进一步地,所述目标区域为铁路轨道或桥梁的沿线扩展区域,所述测风点位于铁路轨道或桥梁的沿线上,步骤1中按预设规则建立预设数量个测风装置的具体过程为:依次对于每一个测风点,在铁路轨道或桥梁的沿线两侧、且铁路轨道或桥梁的沿线在测风点处切线的垂直方向上,距离铁路轨道或桥梁500米处分别建立1个测风装置;将铁路轨道或桥梁的沿线任一侧距离铁路轨道500米的所有测风装置,作为与所有测风点分别对应的聚类测风装置;
步骤2.2划分子区域时,子区域边界的定义为:长和宽均为Dist1整数倍的长方形,并且该长方形覆盖一段目标区域,所述子区域的两个端点分别位于,子区域内两个端点测风点沿铁路轨道或桥梁沿线向外部移动Dist1/2的位置;其中,在得到的各子区域的边界上没有测风装置;
在步骤2.3时,将位于子区域内部的测风装置作为内部测风装置,并在子区域的边界上等间距建立测风装置作为边界测风装置。
进一步地,所述目标区域为风电场,步骤1的具体过程为:
步骤1.1,以长和宽均为Dist1整数倍的长方形,覆盖风电场,并以边长为Dist1正方形网络划分所述长方形,每个网格中心作为1个测风点;
步骤1.2,依次对于每一个网格,在测风点处建立1个测风装置,在网格的4个顶点分别建立1个测风装置,若顶点处已存在测风装置,则不再建立;
步骤1.3,将所有测风点处的测风装置作为聚类测风装置;
在步骤2.2划分子区域时,子区域边界的定义为:子区域内最外层网格的外边界;
在步骤2.3时,将位于子区域边界上的测风装置作为边界测风装置,位于子区域内部的测风装置作为内部测风装置。
进一步地,所述测风装置包括风速杆、GPS模块、温度传感器、压力传感器和通信模块,用于测量所在位置的温度、气压、风速、三维风向、经度和纬度6种物理信息。
本发明另外还提供一种基于物理信息耦合的工程风速短时预测***,包括内部测风装置、边界测风装置、存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的工程风速短时预测程序,所述工程风速短时预测程序被所述处理器执行时实现上述方法的步骤。
有益效果
本发明提供的一种基于物理信息耦合的工程风速短时预测方法及***,采用CFD方法模拟目标区域大气流场,从而计算各子区域各网格划分方式进行风速模拟的响应时间和模拟误差以及各内部测风装置的多个模拟风速序列,并根据模拟误差筛选优势网格划分方式;从而针对各子区域各优势网格划分方式的各内部测风装置,基于前述融合CFD方法得到的模拟风速序列以线下深度学习得到风速转换模型;另外基于风速测试样本线下深度学习得到风速预测模型;最终通过目标预测地点与最近内部测风装置的空间关系,智能匹配风速转换模型与风速预测模型的输出值,输出最适风速预测值。
由于风速预测模型和风速转换模型是由循环神经网络线下深度学习得到,保证线上实时风速预测的实时性;同时风速转换模型还融合CFD方法预模拟目标地点大气流场,可与风速转换模型综合根据目标预测地点的空间位置,智能输出最适风速预测值,保证预测***的泛化能力,提高风速预测精度。根据各子区域各网格划分方式的模拟误差,提前筛选较优的优势网格划分方式,进一步减少线下训练风速转换模型的数量,从而减小风速预测的计算成本和存储成本实时风速预测的计算成本。
附图说明
图1为本发明中目标区域为铁路轨道时的测风装置分布示意图;
图2为本发明中目标区域为桥梁时的测风装置分布示意图;
图3为本发明中目标区域为风电场时的测风装置分布示意图;
图4为本发明所述方法的风速实时预测流程图;
图5为本发明中风速测量模块及数据存储模块示意图。
具体实施方式
下面对本发明的实施例作详细说明,本实施例以本发明的技术方案为依据开展,给出了详细的实施方式和具体的操作过程,对本发明的技术方案作进一步解释说明。
实施例一
本实施例提供的一种基于物理信息耦合的工程风速短时预测方法,应用于对目标区域为轨道铁路时对工程风速进行短时预测,如图5所示,包括以下步骤:
步骤1,建立内部测风装置
如图1所示,以铁路首发站为起点,沿铁路轨道,每距离长度间隔Dist1记为1个测风点,记测风点的总数为Num1;依次对于每一个测风点,在铁路轨道两侧,垂直于铁路轨道在测风点处切线的方向,距离铁路轨道500米处分别建立1个内部测风装置;将铁路轨道任一侧距离铁路轨道500米的所有内部测风装置作为聚类测风装置。
其中,内部测风装置数量可以根据实际情况进行增加,但距离铁路轨道的距离不得超过Dist1/2,不得低于500米。1个测风点对应至少2个内部测风装置,2个内部测风装置共线且连线垂直于铁路轨道。
内部测风装置至少包括风速杆、GPS模块、温度传感器、压力传感器和通信模块,可以测量温度、气压、风速、三维风向、经度和纬度6个物理信息,且所有内部测风装置均可以测量不同高度位置的物理信息。
在本实施例中Dist1取值为10公里。
步骤2,根据聚类测风装置,将铁路轨道沿线进行子区域划分,构造风速测量模块;
步骤2.1,以相同采样频率采集相同的第一历史时间段内,所有聚类测风装置的风速数据;依次将第一历史时间段内各聚类测风装置的历史风速数据,以时间间隔T内的风速最大值作为样本时刻风速,获得所有聚类测风装置的风速分类样本;
本实施例中采样频率为3秒采样1次,T的取值为1分钟。
步骤2.2,采用FCM聚类算法,将铁路轨道沿线区域划分为num4个子区域;
步骤A1,将各聚类测风装置的风速分类样本分别作为待聚类元素的坐标xj,j=1,2,3,…,Num1;设置聚类中心的个数为Num2,记聚类中心为ci,i=1,2,3,…Num2,每个聚类中心代表1个聚类簇;在本实施例中取Num2=6;
步骤A2,用取值在0和1之间的随机数初始化隶属度矩阵U,U={uij|i=1,2,3,…,Num2,j=1,2,3,…,Num1},使隶属度矩阵U满足下式:
式中,uij表示第j个待聚类元素对第i个聚类中心的隶属度;
步骤A3,按以下公式计算聚类中心ci:
式中,m∈[1,∞)表示隶属度uij的加权指数,在本实施例中取m=2;
步骤A4,计算价值函数J,判断此次价值函数对于上一次价值函数的改变量是否小于阈值ρ,若是,算法停止,每个聚类元素属于隶属度最高的2个聚类簇,进入步骤A6,若否,进入步骤A5;其中价值函数J的公式为
式中,dij表示第i个聚类中心与第j个待聚类元素的欧几里得距离;
在本实施例中取ρ=1%;
步骤A5,按以下公式更新隶属度矩阵U,返回步骤A3:
步骤A6,根据聚类测风装置聚类结果进行铁路轨道沿线区域划分;
将空间上连续且属于相同聚类簇的聚类测风装置所对应的测风点划分在同一子区域,记共得到num4个子区域;若干个测风点属于相同聚类簇的定义为,存在一个聚类簇使得上述测风点均属于该聚类簇,若存在测风点满足同时被划分在2个子区域中的条件,则根据该测风点隶属度最高的聚类簇将其划分子区域。
其中,子区域的边界为长和宽均为Dist1整数倍的长方形,并且该长方形覆盖一段铁路轨道,且铁路轨道的两个端点分别位于,子区域内两个端点测风点沿铁路轨道向子区域外部移动Dist1/2的位置;
因此,按上述聚类方法可得,1个测风点同时属于2个聚类簇,但经步骤A6根据聚类结果划分子区域可得,1个测风点只存在于1个子区域中。
步骤2.3,根据铁路轨道沿线子区域划分结果,构造风速测量模块;
依次以每个子区域边界上的任意一个顶点为起点,沿子区域边界,每间隔Dist1距离建立一个边界测风装置,直到回到该顶点,相同的位置不重复建立边界测风装置;所有子区域的所有边界测风装置和内部测风装置构成风速测量模块。
记边界测风装置的数量为num1,内部测风装置的数量为num2,聚类测风装置的数量为num3,记测风装置的数量为num8。
边界测风装置至少包括风速杆、GPS模块、温度传感器、压力传感器和通信模块,可以测量温度、气压、风速、三维风向、经度和纬度6个物理信息,且所有边界测风装置均可以测量不同高度位置的物理信息。
步骤3,获取各子区域内的地形数据,依次进行网格划分并将划分结果存储在数据存储模块;
步骤3.1,通过边界测风装置的GPS模块,获取所有边界测风装置的经纬度数据,根据步骤2获得的子区域划分结果,获取各子区域边界的经纬度数据;
步骤3.2,利用Google earth平台,依次获得各子区域范围内的地形信息;
一个子区域范围内的地形信息包括子区域范围内地面上各点的经度数据、纬度数据和高程数据;此处,地面上点的高程指该点沿垂线方向到海平面的距离,即海拔高度。
步骤3.3,利用Coord 4.0平台,依次获得各子区域地形的txt文件;
依次将各子区域范围内地面上各点的高程作为相应点的Z轴坐标,将经纬度数据利用Coord 4.0平台转化为平面直角坐标数据,得到空间直角坐标系描述的各子区域范围内的地形信息,以txt文件的格式存储在数据存储模块中。子区域范围内地面上的点包括子区域范围内所有测风装置的所在位置。
步骤3.4,依次将所有子区域地形信息的txt文件输入到ICEM平台,选择立方体网格划分方法,选择网格距离为Dist3进行网格划分,Dist3的取值依次遍历以500米为初始值,500米为步长,Dist1/5为终止值之间的所有值,网格划分结果以msh格式的文件输出,并将获得的各子区域各网格划分方式的msh文件存储在数据存储模块中;各子区域均采用了num5次网格划分方式。不同的网格划分方式,即是网格距离不同,网格距离越小则网格越密集,使得后续进行CFD计算的点就越多,导致计算花费的时间越多。
步骤4,依次计算各子区域所有网格划分方式进行风速模拟的响应时间和模拟误差,择优存储在数据存储模块中;
步骤4.1,以相同采样频率采集第二历史时间段内,所有边界测风装置和内部测风装置的风速数据和所有边界测风装置的风向数据;
依次将第二历史时间段内各边界测风装置和内部测风装置的历史风速数据,以时间间隔T内的风速最大值作为样本时刻风速,获得各边界测风装置和内部测风装置的风速测试样本;依次将上述历史时间段内各边界测风装置的历史风向数据,以时间间隔T内的风向中值作为样本时刻风向,获得各边界测风装置的风向测试样本;其中本实施例中此次采样频率同样为3秒采样1次。
步骤4.2,针对每个子区域在每种网格划分方式,将相应的msh文件输入Fluent平台,生成待模拟的大气流场的地形条件,选择任意样本时刻,记为t1,将相应子区域所有边界测风装置风速测试样本和风向测试样本在t1时刻的风速值以及风向值作为流场的初始条件,启动CFD计算,进行大气流场运动状态的模拟;记录Fluent平台从启动CFD计算到获得子区域中各点下一个样本时刻模拟风速值之间的时间,作为当前子区域当前网格划分方式进行风速模拟的响应时间;
随机选择num6个互不相同的样本时刻,记为timi,i=1,2,3…,num6;timi均不属于风速测试样本的最后num7个样本时刻;在本实施例中,取num6=50,num7=100;
依次将各子区域各网格划分方式的msh文件输入Fluent平台,生成待模拟的大气流场的地形条件,依次选择样本时刻timi,i=1,2,3…,num6,将相应子区域所有边界测风装置风速测试样本和风向测试样本在timi时刻的风速值以及风向值作为流场的初始条件,启动CFD计算,进行大气流场运动状态的模拟,获得当前子区域中各内部测风装置下一个样本时刻的模拟风速值,滚动计算,直到获得各内部测风装置未来num7个样本时刻的模拟风速值,作为相应子区域相应网格划分方式各内部测风装置的模拟风速序列;每一个子区域每一种网格划分方式下每个内部测风装置均得到num6个长度为num7的模拟风速序列;
依次计算各子区域各网格划分方式各内部测风装置进行风速模拟的模拟误差,将所有内部测风装置进行风速模拟的模拟误差的平均值作为相应子区域相应网格划分方式进行风速模拟的模拟误差;
其中,某一子区域某一网格划分方式下某一内部测风装置进行风速模拟的模拟误差,是该内部测风装置的num6个模拟风速序列的模拟误差的平均值,任意模拟风速序列的模拟误差为模拟风速序列中num7个样本时刻的模拟风速值与风速测试样本中相应的num7个风速实测值之间的绝对平均误差。
步骤4.3,将每个子区域中,模拟误差小于经验阈值α的网格划分方式,作为当前子区域的优势网格划分方式,并将各子区域在优势网格划分方式下进行风速模拟的模拟误差和响应时间存储在数据存储模块中;在本实施例中,取经验阈值α=30%。
步骤5,建立基于循环神经网络的风速转换模型和基于循环神经网络的风速预测模型,构造风速预测模块;
步骤5.1,针对每个子区域在每种优势网格划分方式下的每个内部测风装置,均选择当前内部测风装置的风速测试样本和num6个模拟风速序列,以任意模拟风速序列中任意3个连续时刻t2、t2+1和t2+2的模拟风速值作为基于循环神经网络的风速转换模型的输入数据,以风速测试样本中t2时刻的实测风速值作为输出数据,训练得到当前内部测风装置的基于循环神经网络的风速转换模型;
步骤5.2,针对每个子区域的每个内部测风装置,均选择当前内部测风装置的风速测试样本,以风速测试样本中任意3个连续时刻t3-2、t3-1和t3的实测风速值作为基于循环神经网络的风速预测模型的输入数据,以风速测试样本中t3+1时刻的实测风速值作为输出数据,训练得到当前内部测风装置的基于循环神经网络的风速预测模型;
步骤6,对目标预测地点的风速进行实时预测,如图4所示;
记当前时刻为tnow,目标预测时刻为tpre;
步骤6.1,将目标预测地点的经纬度数据输入Coord 4.0平台,获得目标预测地点的平面坐标数据,提取数据存储模块中各子区域地形信息的txt文件,确定目标预测地点所属子区域,记为a2子区域;
提取数据存储模块中各内部测风装置的平面直角坐标,利用欧几里得距离公式,获得a2子区域距离目标预测地点最近的内部测风装置,记为c2内部测风装置;同时获得c2内部测风装置与目标预测地点的距离,记为Dist4;
步骤6.2,选择a2子区域的一种优势网格划分方式,记为a2子区域的b2优势网格划分方式,提取数据存储模块中a2子区域的b2优势网格划分方式的msh文件,同时通过风速测量模块和信息传输模块获取a2子区域所有边界测风装置当前时刻tnow的风速数据和风向数据,一同输入Fluent平台,启动CFD计算,获得目标预测地点在tpre、tpre+1、tpre+2这3个时刻的模拟风速值;
其中,选择a2子区域的一种优势网格划分方式,包括两种选择方法:最大响应时间方法和最大模拟误差方法;最大响应时间方法为:设定最大响应时间tmax,从a2子区域的所有优势网格划分方式中选择响应时间小于tmax且模拟误差最小的优势网格划分方式;最大模拟误差方法为:设定最大误差εmax,从a2子区域的所有优势网格划分方式中选择模拟误差小于最大误差εmax且响应时间最小的优势网格划分方式。
步骤6.3,将目标预测地点在tpre、tpre+1、tpre+2这3个时刻的模拟风速值,输入到a2子区域b2优势网格划分方式c2内部测风装置的基于循环神经网络的风速转换模型中,得到目标预测地点在tpre时刻的风速转换值;
步骤6.4,判断c2内部测风装置与目标预测地点的距离Dist4是否大于距离阈值d,若是,将目标预测地点在tpre时刻的风速转换值作为目标预测地点在tpre时刻的最适风速预测值,结束风速预测,否则执行步骤6.5;
步骤6.5,通过风速测量模块和信息传输模块获取a2子区域c2内部测风装置的近期风速数据,按照步骤4中风速测试样本的处理方法,获得c2内部测风装置在tnow、tnow-1、tnow-2这三个连续时刻的实测风速值,并输入到a2子区域c2内部测风装置的基于循环神经网络的风速预测模型中,得到c2内部测风装置在tnow+1时刻的风速预测值,滚动预测,直到获得c2内部测风装置在tpre时刻的风速预测值;将c2内部测风装置在tpre时刻的风速预测值和目标预测地点在tpre时刻的风速转换值的平均值,作为目标预测地点在tpre时刻的最适风速预测值。
本实例中,取距离阈值d=100米。当c2内部测风装置与目标预测地点的距离Dist4小于100米时,则认为目标预测地点足够接近c2内部测风装置,采用c2内部测风装置的风速预测值对目标测风地点的风速转换值进行修正,修正后作为目标预测地点的最适风速预测值。
实施例二
本实施例提供的一种基于物理信息耦合的工程风速短时预测方法,用于在目标区域为桥梁沿线时对工程风速进行短时预测,其各测风装置的分布如图2所示,且预测方法与实施例相同。
实施例三
本实施例三提供的一种基于物理信息耦合的工程风速短时预测方法,用于在目标区域为风电场时对工程风速进行短时预测,各测风装置的分布如图3所示,相对于实施例一的目标区域为铁路轨道沿线的预测方法区别在于对步骤1和步骤2做以下调整:
步骤1,建立测风装置;
步骤1.1,如图3所示,以长和宽均为Dist1整数倍的长方形,覆盖风电场区域,并以边长为Dist1正方形网络划分所述长方形,记每个网格中心为1个测风点,记测风点的总数为Num1;在本实施例中Dist1取值为10公里。
步骤1.2,依次对于每一个网格,在测风点处建立1个测风装置,在网格的4个顶点分别建立1个测风装置,若顶点处已存在测风装置,则不再建立;其中,相邻网格之间存在共享的测风装置;另外测风装置数量可以根据实际情况进行增加,但距离相应测风点的距离不得超过Dist1/2;所有测风装置的数量为num8;
测风装置至少包括风速杆、GPS模块、温度传感器、压力传感器和通信模块,可以测量温度、气压、风速、三维风向、经度和纬度6种物理信息;所有测风装置均可测量不同高度位置的物理信息;
步骤1.3,将所有测风点处的测风装置作为聚类测风装置。
步骤2,根据聚类测风装置,将风电场进行子区域划分,构造风速测量模块;
步骤2.1,以相同采样频率采集相同的第一历史时间段内,所有聚类测风装置的风速数据;依次将第一历史时间段内各聚类测风装置的历史风速数据,以时间间隔T内的风速最大值作为样本时刻风速,获得所有聚类测风装置的风速分类样本。本实例中采样频率为3秒采样1次,T的取值为1分钟。
步骤2.2,基于K-means均值聚类算法,将风电场聚类测风装置聚类,根据聚类结果将风电场区域划分为num4个子区域;具体步骤如下:
步骤A1,将各聚类测风装置的风速分类样本分别作为待聚类元素的坐标xj,j=1,2,3,…,Num1;设置聚类中心的个数为Num2,记聚类中心为ci,i=1,2,3,…Num2,每个聚类中心代表1个聚类簇;
步骤A2,用取值在0和1之间的随机数初始化隶属度矩阵U,U={uij|i=1,2,3,…,Num2,j=1,2,3,…,Num1},使隶属度矩阵U满足下式:
式中,uij表示第j个待聚类元素对第i个聚类中心的隶属度;
步骤A3,按以下公式计算聚类中心ci:
式中,m∈[1,∞)表示隶属度uij的加权指数;
步骤A4,计算价值函数J,判断此次价值函数对于上一次价值函数的改变量是否小于阈值ρ,若是,算法停止,每个聚类元素属于隶属度最高的2个聚类簇,进入步骤A6,若否,进入步骤A5,其中价值函数J的公式为:
式中,dij表示第i个聚类中心与第j个待聚类元素的欧几里得距离;
步骤A5,按以下公式更新隶属度矩阵U,返回步骤A3:
步骤A6,根据聚类测风装置聚类结果进行铁路轨道沿线子区域划分;
将空间上相邻且属于相同聚类簇的聚类测风装置所对应的测风点所在的网格划分在同一子区域,记共得到num4个子区域;子区域的边界为子区域内最外层网格的外边界,将位于子区域边界上的测风装置作为边界测风装置,边界测风装置的数量为num1,位于子区域内部的测风装置作为内部测风装置,内部测风装置的数量为num2。同时将所有子区域的所有内部测风装置和边界测风装置构成目标区域的风速测量模块。
若干个测风点属于相同聚类簇的定义为,存在一个聚类簇使得上述测风点均属于该聚类簇,若存在测风点满足同时被划分在2个子区域中的条件,则根据该测风点隶属度最高的聚类簇将其划分子区域。
因此,按上述聚类方法可得,1个测风点同时属于2个聚类簇,但经步骤A6根据聚类结果划分子区域可得,属于同一聚类簇但空间上不相邻的聚类测风装置所对应的测风点属于不同子区域,故1个测风点只存在于1个子区域中。另外,相邻的子区域存在共享的边界测风装置。
实施例四
本发明还提供一种基于物理信息耦合的工程风速短时预测***,包括内部测风装置、边界测风装置、存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的工程风速短时预测程序,所述工程风速短时预测程序被所述处理器执行时实现上述实施例一、二、三任一种工程风速短时预测方法的步骤。
以上实施例为本申请的优选实施例,本领域的普通技术人员还可以在此基础上进行各种变换或改进,在不脱离本申请总的构思的前提下,这些变换或改进都应当属于本申请要求保护的范围之内。
Claims (10)
1.一种基于物理信息耦合的工程风速短时预测方法,其特征在于,包括以下步骤:
步骤1,针对目标区域的每个测风点,按预设规则建立预设数量个测风装置,并从中选择1个测风装置作为与测风点对应的聚类测风装置;每两个测风点之间的距离为Dist1;
步骤2,将目标区域划分为num4个子区域;
步骤2.1,针对每个聚类测风装置,均获取在第一历史时间段内的历史风速数据,构建风速分类样本;
步骤2.2,利用风速分类样本,采用聚类方法将目标区域划分为num4个子区域;
步骤2.3,若子区域的边界上设有测风装置,则将位于子区域边界上的测风装置作为边界测风装置,位于子区域内部的测风装置作为内部测风装置;否则,将位于子区域内部的测风装置作为内部测风装置,并在子区域的边界上等间距建立测风装置作为边界测风装置;
步骤3,对各子区域进行网格划分;
获取每个子区域的地形数据,对每个子区域均采用num5种网格划分方式进行网格划分,每个子区域得到num5个msh文件,且msh文件与网格划分方式相对应;
步骤4,基于msh文件,选择子区域的优势网格划分方式;
步骤4.1针对每个内部测风装置,均获取在第二历史时间段内的历史风速数据,构建风速测试样本;针对每个边界测风装置,均获取在第二历史时间段内的历史风速数据构建风速测试样本,均获在第二历史时间段内的历史风向数据构建风向测试样本;
所述风速分类样本、风速测试样本,均是由相应历史时间段内全部样本时刻的实测风速值所组成的风速时间序列,所述风向测试样本是由相应历史时间段内全部样本时刻的实测风向值所组成的风向时间序列;
步骤4.2,针对每个子区域在每种网格划分方式,将相应的msh文件输入Fluent平台,生成待模拟的大气流场的地形条件;根据当前子区域所有边界测风装置的风速测试样本和风向测试样本以及内部测风装置的风速测试样本,采用CFD方法计算当前子区域在当前网格划分方式的地形条件下进行风速模拟的各数据:响应时间、模拟误差以及每个内部测风装置各num6个模拟风速序列;
步骤4.3,将每个子区域中,模拟误差小于经验阈值α所对应的网格划分方式,作为当前子区域的优势网格划分方式;
步骤5,建立基于循环神经网络的风速转换模型和基于循环神经网络的风速预测模型;
步骤5.1,针对每个子区域在每种优势网格划分方式下的每个内部测风装置,均选择当前内部测风装置的风速测试样本和num6个模拟风速序列,以任意模拟风速序列中任意3个连续时刻t2、t2+1和t2+2的模拟风速值作为基于循环神经网络的风速转换模型的输入数据,以风速测试样本中t2时刻的实测风速值作为输出数据,训练得到当前内部测风装置的基于循环神经网络的风速转换模型;
步骤5.2,针对每个子区域的每个内部测风装置,均选择当前内部测风装置的风速测试样本,以风速测试样本中任意3个连续时刻t3-2、t3-1和t3的实测风速值作为基于循环神经网络的风速预测模型的输入数据,以风速测试样本中t3+1时刻的实测风速值作为输出数据,训练得到当前内部测风装置的基于循环神经网络的风速预测模型;
步骤6,对目标预测地点的风速进行实时预测;
步骤6.1,确定目标预测地点所属子区域为a2子区域,确定离目标预测地点最近的内部测风装置为c2内部测风装置,其中c2内部测风装置与目标预测地点的距离为Dist4;
步骤6.2,基于响应时间和模拟误差,选择a2子区域的一种优势网格划分方式,记为a2子区域的b2优势网格划分方式,获取a2子区域的b2优势网格划分方式的msh文件以及a2子区域所有边界测风装置当前时刻tnow的风速数据和风向数据,一同输入Fluent平台,启动CFD计算,获得目标预测地点在tpre、tpre+1、tpre+2这3个时刻的模拟风速值;
步骤6.3,将目标预测地点在tpre、tpre+1、tpre+2这3个时刻的模拟风速值,输入到a2子区域b2优势网格划分方式c2内部测风装置的基于循环神经网络的风速转换模型中,得到目标预测地点在tpre时刻的风速转换值;
步骤6.4,判断c2内部测风装置与目标预测地点的距离Dist4是否大于距离阈值d,若是,将目标预测地点在tpre时刻的风速转换值作为目标预测地点在tpre时刻的最适风速预测值,结束风速预测,否则执行步骤6.5;
步骤6.5,获取c2内部测风装置在tnow、tnow-1、tnow-2这三个连续时刻的实测风速值,并输入到a2子区域c2内部测风装置的基于循环神经网络的风速预测模型中,得到c2内部测风装置在tnow+1时刻的风速预测值,滚动预测,直到获得c2内部测风装置在tpre时刻的风速预测值;将c2内部测风装置在tpre时刻的风速预测值和目标预测地点在tpre时刻的风速转换值的平均值,作为目标预测地点在tpre时刻的最适风速预测值。
2.根据权利要求1所述的方法,其特征在于,采用FCM聚类算法将目标区域划分为num4个子区域,具体步骤为:
步骤A1,将各聚类测风装置的风速分类样本分别作为待聚类元素的坐标xj,j=1,2,3,…,Num1;设置聚类中心的个数为Num2,记聚类中心为ci,i=1,2,3,…Num2,每个聚类中心代表1个聚类簇;
步骤A2,用取值在0和1之间的随机数初始化隶属度矩阵U,U={uij|i=1,2,3,…,Num2,j=1,2,3,…,Num1},使隶属度矩阵U满足下式:
式中,uij表示第j个待聚类元素对第i个聚类中心的隶属度;
步骤A3,按以下公式计算聚类中心ci:
式中,m∈[1,∞)表示隶属度uij的加权指数;
步骤A4,计算价值函数J,判断此次价值函数对于上一次价值函数的改变量是否小于阈值ρ,若是,算法停止,每个聚类元素属于隶属度最高的2个聚类簇,进入步骤A6,若否,进入步骤A5;其中价值函数J的公式为:
式中,dij表示第i个聚类中心与第j个待聚类元素的欧几里得距离;
步骤A5,按以下公式更新隶属度矩阵U,返回步骤A3:
步骤A6,根据聚类测风装置聚类结果对目标区域进行子区域划分;
将空间上连续且属于相同聚类簇的聚类测风装置所对应的测风点划分在同一子区域;若存在测风点满足同时被划分在2个子区域中的条件,则按隶属度最高的聚类簇对该测风点划分子区域。
3.根据权利要求1所述的方法,其特征在于,步骤4.2中计算当前子区域当前网格划分方式进行风速模拟的响应时间的具体过程为:
步骤B1,选择任意样本时刻t1,将该子区域所有边界测风装置的风速测试样本和风向测试样本在t1时刻的风速值和风向值作为大气流场的初始条件,启动CFD计算,进行大气流场状态的模拟;
步骤B2,记录Fluent平台从启动CFD计算到获得子区域中各点下一个样本时刻模拟风速值之间的时间,作为当前子区域当前网格划分方式进行风速模拟的响应时间;
步骤4.2中计算各子区域各网格划分方式进行风速模拟的模拟误差的具体过程为:
步骤C1,随机选择num6个互不相同的样本时刻,记为timi,i=1,2,3…,num6;timi均不属于风速测试样本的最后num7个样本时刻;
步骤C2,依次选择样本时刻timi,i=1,2,3…,num6,将相应子区域所有边界测风装置风速测试样本和风向测试样本在timi时刻的风速值以及风向值作为流场的初始条件,启动CFD计算,进行大气流场运动状态的模拟,获得当前子区域中各内部测风装置下一个样本时刻的模拟风速值,滚动计算,直到获得各内部测风装置未来num7个样本时刻的模拟风速值,构成相应子区域相应网格划分方式各内部测风装置的1个模拟风速序列;
步骤C3,依次计算各子区域各网格划分方式各内部测风装置进行风速模拟的模拟误差,将所有内部测风装置进行风速模拟的模拟误差的平均值作为相应子区域相应网格划分方式进行风速模拟的模拟误差;
其中某一子区域某一网格划分方式下某一内部测风装置进行风速模拟的模拟误差,是该内部测风装置在步骤C2得到的num6个模拟风速序列的模拟误差的平均值,任意模拟风速序列的模拟误差为模拟风速序列中num7个样本时刻的模拟风速值与风速测试样本中相应的num7个风速实测值之间的绝对平均误差。
4.根据权利要求1所述的方法,其特征在于,步骤6.2中所述选择a2子区域的一种优势网格划分方式,包括两种选择方法:最大响应时间方法和最大模拟误差方法;
最大响应时间方法为:设定最大响应时间tmax,从a2子区域的所有优势网格划分方式中选择响应时间小于tmax且模拟误差最小的优势网格划分方式;
最大模拟误差方法为:设定最大误差εmax,从a2子区域的所有优势网格划分方式中选择模拟误差小于最大误差εmax且响应时间最小的优势网格划分方式。
5.根据权利要求1所述的方法,其特征在于,步骤3中获取地形数据的具体过程为:
步骤3.1,通过边界测风装置的GPS模块,获取所有边界测风装置的经度数据和纬度数据,根据步骤2获得的子区域划分结果,获取各子区域边界的经度数据和纬度数据;
步骤3.2,利用Google earth平台,由各子区域边界的经度数据和纬度数据,分别获取相应子区域范围内的地形信息;
所述子区域范围内的地形信息包括子区域范围内地面上各点的经度数据、纬度数据和高程数据;
步骤3.3,依次将各子区域范围内地面上各点的高程作为相应点的Z轴坐标,将经度数据和纬度数据转化为平面直角坐标数据,得到空间直角坐标系描述的各子区域范围内的地形数据,以txt文件的格式存储在数据存储模块中。
6.根据权利要求1所述的方法,其特征在于,步骤3中采用num5种网格划分方式对当前子区域进行网格划分的方法为:将当前子区域的地形数据输入到ICEM平台,选择立方体网格划分方法,选择网格距离为Dist3进行网格划分,Dist3的取值依次遍历以500米为初始值,500米为步长,Dist1/5为终止值之间的所有值,将每个网格划分方式的结果保存为msh格式的文件。
7.根据权利要求1所述的方法,其特征在于,所述目标区域为铁路轨道或桥梁的沿线扩展区域,所述测风点位于铁路轨道或桥梁的沿线上,步骤1中按预设规则建立预设数量个测风装置的具体过程为:依次对于每一个测风点,在铁路轨道或桥梁的沿线两侧、且铁路轨道或桥梁的沿线在测风点处切线的垂直方向上,距离铁路轨道或桥梁500米处分别建立1个测风装置;将铁路轨道或桥梁的沿线任一侧距离铁路轨道500米的所有测风装置,作为与所有测风点分别对应的聚类测风装置;
步骤2.2划分子区域时,子区域边界的定义为:长和宽均为Dist1整数倍的长方形,并且该长方形覆盖一段目标区域,所述子区域的两个端点分别位于,子区域内两个端点测风点沿铁路轨道或桥梁沿线向外部移动Dist1/2的位置;其中,在得到的各子区域的边界上没有测风装置;
在步骤2.3时,将位于子区域内部的测风装置作为内部测风装置,并在子区域的边界上等间距建立测风装置作为边界测风装置。
8.根据权利要求1所述的方法,其特征在于,所述目标区域为风电场,步骤1的具体过程为:
步骤1.1,以长和宽均为Dist1整数倍的长方形,覆盖风电场,并以边长为Dist1正方形网络划分所述长方形,每个网格中心作为1个测风点;
步骤1.2,依次对于每一个网格,在测风点处建立1个测风装置,在网格的4个顶点分别建立1个测风装置,若顶点处已存在测风装置,则不再建立;
步骤1.3,将所有测风点处的测风装置作为聚类测风装置;
在步骤2.2划分子区域时,子区域边界的定义为:子区域内最外层网格的外边界;
在步骤2.3时,将位于子区域边界上的测风装置作为边界测风装置,位于子区域内部的测风装置作为内部测风装置。
9.根据权利要求1所述的方法,其特征在于,所述测风装置包括风速杆、GPS模块、温度传感器、压力传感器和通信模块,用于测量所在位置的温度、气压、风速、三维风向、经度和纬度6种物理信息。
10.一种基于物理信息耦合的工程风速短时预测***,其特征在于,包括内部测风装置、边界测风装置、存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的工程风速短时预测程序,所述工程风速短时预测程序被所述处理器执行时实现如权利要求1至9中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910267082.9A CN110009037B (zh) | 2019-04-03 | 2019-04-03 | 一种基于物理信息耦合的工程风速短时预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910267082.9A CN110009037B (zh) | 2019-04-03 | 2019-04-03 | 一种基于物理信息耦合的工程风速短时预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110009037A true CN110009037A (zh) | 2019-07-12 |
CN110009037B CN110009037B (zh) | 2020-10-27 |
Family
ID=67169694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910267082.9A Active CN110009037B (zh) | 2019-04-03 | 2019-04-03 | 一种基于物理信息耦合的工程风速短时预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110009037B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091298A (zh) * | 2019-12-20 | 2020-05-01 | 华北电力大学 | 一种风电场流场耦合特性评估与智能分群方法及*** |
CN111341101A (zh) * | 2020-02-28 | 2020-06-26 | 西南交通大学 | 一种大跨度公路桥梁大风行车监测预警*** |
CN111738878A (zh) * | 2020-07-17 | 2020-10-02 | 杭州鲁尔物联科技有限公司 | 一种桥梁应力检测*** |
CN112613224A (zh) * | 2020-11-25 | 2021-04-06 | 西人马联合测控(泉州)科技有限公司 | 桥梁结构检测模型的训练方法、检测方法、装置、设备 |
CN113570122A (zh) * | 2021-07-09 | 2021-10-29 | 深圳大学 | 预测风速的方法、装置、计算机设备和存储介质 |
TWI756933B (zh) * | 2020-11-23 | 2022-03-01 | 英業達股份有限公司 | 伺服器的PCIe晶片的溫度預測系統及方法 |
CN115600639A (zh) * | 2022-09-30 | 2023-01-13 | 国网四川省电力公司眉山供电公司(Cn) | 一种风速传感器、输电线路风速预测方法及预警*** |
CN117349573A (zh) * | 2023-12-04 | 2024-01-05 | 北京城市气象研究院 | 一种风电场风速的预测方法、电子设备及存储介质 |
CN117787109A (zh) * | 2024-02-23 | 2024-03-29 | 天津东方泰瑞科技有限公司 | 一种风速转换可靠性评估方法及*** |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102768738A (zh) * | 2012-07-31 | 2012-11-07 | 华锐风电科技(集团)股份有限公司 | 风电场功率预测方法和预测装置 |
CN104699936A (zh) * | 2014-08-18 | 2015-06-10 | 沈阳工业大学 | 基于cfd短期风速预测风电场的扇区管理方法 |
CN105654207A (zh) * | 2016-01-07 | 2016-06-08 | 国网辽宁省电力有限公司锦州供电公司 | 基于风速、风向信息的风电功率预测方法 |
TW201635224A (zh) * | 2015-03-18 | 2016-10-01 | 聖約翰科技大學 | 智慧型短期電力發電量預測方法 |
CN106650825A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种机动车尾气排放数据融合*** |
CN106779148A (zh) * | 2016-11-14 | 2017-05-31 | 中南大学 | 一种多模型多特征融合的高速铁路沿线风速预测方法 |
CN106779151A (zh) * | 2016-11-14 | 2017-05-31 | 中南大学 | 一种高速铁路沿线风速多点多层耦合预测方法 |
CN107203659A (zh) * | 2017-04-26 | 2017-09-26 | 江苏大学 | 基于径向基神经网络的过冷流动沸腾换热质量传递松弛因子预测方法 |
CN108062595A (zh) * | 2017-11-28 | 2018-05-22 | 重庆大学 | 基于wrf/cfd/sahde-rvm耦合的复杂地貌区域短时风能预测方法 |
CN108280545A (zh) * | 2018-01-19 | 2018-07-13 | 上海电力学院 | 一种基于k均值聚类神经网络的光伏功率预测方法 |
US10041475B1 (en) * | 2017-02-07 | 2018-08-07 | International Business Machines Corporation | Reducing curtailment of wind power generation |
CN108448610A (zh) * | 2018-03-12 | 2018-08-24 | 华南理工大学 | 一种基于深度学习的短期风功率预测方法 |
CN109002915A (zh) * | 2018-07-13 | 2018-12-14 | 福州大学 | 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法 |
CN109190839A (zh) * | 2018-09-20 | 2019-01-11 | 中南大学 | 一种融合风向的铁路沿线风速智能滚动预测方法 |
CN109214581A (zh) * | 2018-09-20 | 2019-01-15 | 中南大学 | 一种考虑风向和置信区间的铁路沿线风速预测方法 |
-
2019
- 2019-04-03 CN CN201910267082.9A patent/CN110009037B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102768738A (zh) * | 2012-07-31 | 2012-11-07 | 华锐风电科技(集团)股份有限公司 | 风电场功率预测方法和预测装置 |
CN104699936A (zh) * | 2014-08-18 | 2015-06-10 | 沈阳工业大学 | 基于cfd短期风速预测风电场的扇区管理方法 |
TW201635224A (zh) * | 2015-03-18 | 2016-10-01 | 聖約翰科技大學 | 智慧型短期電力發電量預測方法 |
CN105654207A (zh) * | 2016-01-07 | 2016-06-08 | 国网辽宁省电力有限公司锦州供电公司 | 基于风速、风向信息的风电功率预测方法 |
CN106779151A (zh) * | 2016-11-14 | 2017-05-31 | 中南大学 | 一种高速铁路沿线风速多点多层耦合预测方法 |
CN106779148A (zh) * | 2016-11-14 | 2017-05-31 | 中南大学 | 一种多模型多特征融合的高速铁路沿线风速预测方法 |
CN106650825A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种机动车尾气排放数据融合*** |
US10041475B1 (en) * | 2017-02-07 | 2018-08-07 | International Business Machines Corporation | Reducing curtailment of wind power generation |
CN107203659A (zh) * | 2017-04-26 | 2017-09-26 | 江苏大学 | 基于径向基神经网络的过冷流动沸腾换热质量传递松弛因子预测方法 |
CN108062595A (zh) * | 2017-11-28 | 2018-05-22 | 重庆大学 | 基于wrf/cfd/sahde-rvm耦合的复杂地貌区域短时风能预测方法 |
CN108280545A (zh) * | 2018-01-19 | 2018-07-13 | 上海电力学院 | 一种基于k均值聚类神经网络的光伏功率预测方法 |
CN108448610A (zh) * | 2018-03-12 | 2018-08-24 | 华南理工大学 | 一种基于深度学习的短期风功率预测方法 |
CN109002915A (zh) * | 2018-07-13 | 2018-12-14 | 福州大学 | 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法 |
CN109190839A (zh) * | 2018-09-20 | 2019-01-11 | 中南大学 | 一种融合风向的铁路沿线风速智能滚动预测方法 |
CN109214581A (zh) * | 2018-09-20 | 2019-01-15 | 中南大学 | 一种考虑风向和置信区间的铁路沿线风速预测方法 |
Non-Patent Citations (5)
Title |
---|
LI LI 等: "Wind velocity prediction at wind turbine hub height based on CFD model", 《2013 INTERNATIONAL CONFERENCE ON MATERIALS FOR RENEWABLE ENERGY AND ENVIRONMENT》 * |
LIU HUI 等: "An experimental investigation of three new hybrid wind speed forecasting models using multidecomposing strategy and ELM algorithm", 《RENEWABLE ENERGY》 * |
刘辉 等: "基于经验模式分解和自适应神经网络模糊推理的风速短期智能预测混合方法", 《中南大学学报(自然科学版)》 * |
崔嘉 等: "基于改进CFD与小波混合神经网络组合的风电场功率预测方法", 《电网技术》 * |
李莉 等: "基于CFD流场预计算的短期风速预测方法", 《中国电机工程学报》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091298A (zh) * | 2019-12-20 | 2020-05-01 | 华北电力大学 | 一种风电场流场耦合特性评估与智能分群方法及*** |
CN111091298B (zh) * | 2019-12-20 | 2020-09-01 | 华北电力大学 | 一种风电场流场耦合特性评估与智能分群方法及*** |
CN111341101A (zh) * | 2020-02-28 | 2020-06-26 | 西南交通大学 | 一种大跨度公路桥梁大风行车监测预警*** |
CN111738878A (zh) * | 2020-07-17 | 2020-10-02 | 杭州鲁尔物联科技有限公司 | 一种桥梁应力检测*** |
TWI756933B (zh) * | 2020-11-23 | 2022-03-01 | 英業達股份有限公司 | 伺服器的PCIe晶片的溫度預測系統及方法 |
CN112613224A (zh) * | 2020-11-25 | 2021-04-06 | 西人马联合测控(泉州)科技有限公司 | 桥梁结构检测模型的训练方法、检测方法、装置、设备 |
CN113570122A (zh) * | 2021-07-09 | 2021-10-29 | 深圳大学 | 预测风速的方法、装置、计算机设备和存储介质 |
CN115600639A (zh) * | 2022-09-30 | 2023-01-13 | 国网四川省电力公司眉山供电公司(Cn) | 一种风速传感器、输电线路风速预测方法及预警*** |
CN115600639B (zh) * | 2022-09-30 | 2023-11-14 | 国网四川省电力公司眉山供电公司 | 一种风速传感器、输电线路风速预测方法及预警*** |
CN117349573A (zh) * | 2023-12-04 | 2024-01-05 | 北京城市气象研究院 | 一种风电场风速的预测方法、电子设备及存储介质 |
CN117349573B (zh) * | 2023-12-04 | 2024-03-22 | 北京城市气象研究院 | 一种风电场风速的预测方法、电子设备及存储介质 |
CN117787109A (zh) * | 2024-02-23 | 2024-03-29 | 天津东方泰瑞科技有限公司 | 一种风速转换可靠性评估方法及*** |
CN117787109B (zh) * | 2024-02-23 | 2024-05-03 | 天津东方泰瑞科技有限公司 | 一种风速转换可靠性评估方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN110009037B (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009037A (zh) | 一种基于物理信息耦合的工程风速短时预测方法及*** | |
Zheng et al. | GIS-based mapping of Local Climate Zone in the high-density city of Hong Kong | |
CN105447235B (zh) | 一种土地未来利用情景动态模拟方法 | |
Wu et al. | Mapping building carbon emissions within local climate zones in Shanghai | |
CN108227041B (zh) | 基于站点实测数据和模式结果的水平能见度预报方法 | |
CN109978275A (zh) | 一种混合cfd和深度学习的极端大风风速预测方法及*** | |
CN104318768B (zh) | 基于Hadoop的自适应交通信息瓦片地图生成***及方法 | |
CN109814598A (zh) | 无人机低空公共航路网设计方法 | |
CN104865353A (zh) | 基于无人机的工业园区大气污染数据采集方法 | |
CN102254239A (zh) | 基于微地形风场分布及台风叠加效应的电网风灾预警*** | |
CN104570161B (zh) | 基于ec/jma全球格点预报资料的台风自动化预报方法 | |
CN109190161B (zh) | 基于斑块元胞自动机和港口城市规划的港城发展模拟方法 | |
CN107872808A (zh) | 一种wlan站址预测分析方法及装置 | |
CN108090285A (zh) | 一种适用于复杂地形输电线路风灾监测的微气象观测布点方法 | |
CN107193060A (zh) | 一种多路径台风风暴潮快速预测方法及*** | |
Li et al. | Numerical simulation study of the effect of buildings and complex terrain on the low-level winds at an airport in typhoon situation | |
CN104200082A (zh) | 台风登陆预测方法 | |
CN110346518A (zh) | 一种交通排放污染可视化预警方法及其*** | |
Li et al. | Exploring the impact of 2-D/3-D building morphology on the land surface temperature: A case study of three megacities in China | |
CN104951492B (zh) | 基于电网gis风电场专业气象监测和预警方法及*** | |
CN110457819A (zh) | 一种根据自然环境识别城市天然风道的方法 | |
KR101313822B1 (ko) | 신경망 분석 기법을 이용한 풍력 밀도 예측 방법 | |
CN113515798A (zh) | 一种城市三维空间扩张模拟方法及装置 | |
CN112651611A (zh) | 一种基于地理空间智能分析的资源环境承载力评价方法 | |
Cousin et al. | Interaction between local and regional pollution during ESCOMPTE 2001: impact on surface ozone concentrations (IOP2a and 2b) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |