一种风速概率预测方法、装置、设备及存储介质与流程

1.本技术涉及风速预测技术领域，尤其涉及一种风速概率预测方法、装置、设备及存储介质。


背景技术：

2.风能作为一种可再生能源，具有很强的随机性和间歇性，致使风力发电机组的输出功率的波动性较强。在这种情况下，风电并网后将给电力系统带来一系列的影响，例如在电能质量、潮流分布、电力系统调度、电力市场交易等方面。特别是随着风电总装机容量的增加、并网风电容量占系统总容量的比例增大，将会给电网调峰、无功及电压控制等带来难题，给电网的安全稳定及正常调度带来新的问题。利用预测技术预测风电场的风速和风电输出功率是实现风电与电网之间风电管理的一个有效途径。从总体用电情况来看，基于风速预测的风力发电输出功率预报量的管理，不但可以减少电力系统运行成本和旋转备用，提高风电穿透功率极限，而且有利于在电力市场环境下正确制定电能交换计划，以充分利用风力资源，获得更多的经济效益和社会效益。
3.现有技术提出了多种风速预测的方法，较为常见的方法中直接将风速时间序列采用正态分布等模型拟合分析并没有考虑到风速的变化情况，无法对复杂的风速环境进行精准表达；而采用离线模型预测的方法中模型参数不变，使得预测结果缺乏可靠性。


技术实现要素：

4.本技术提供了一种风速概率预测方法、装置、设备及存储介质，用于解决现有技术以固定模型参数分析复杂变化的风速数据，导致实际的预测结果缺乏可靠性和准确性的技术问题。
5.有鉴于此，本技术第一方面提供了一种基于双层协同网络的风速概率预测方法，包括：构建双层cnn-lstm协同网络模型，所述双层cnn-lstm协同网络模型的损失函数为协同损失函数，所述双层cnn-lstm协同网络模型包括逆条件累积分布函数网络层和条件累积分布函数网络层；通过预置风速训练数据集对所述双层cnn-lstm协同网络模型中的逆条件累积分布函数和条件累积分布函数进行参数训练，得到优化协同预测模型；将预置目标风速数据输入所述优化协同预测模型中进行预测操作，得到风速概率值。
6.优选地，所述逆条件累积分布函数网络层的目标函数为：其中，为所述逆条件累积分布函数网络层的参数，q为预设分位值，x为所述预置风速训练数据集的数据，y为对应的风速测量值，为求取均值操作，表示所述逆
条件累积分布函数网络层，为所述逆条件累积分布函数网络层的输出结果。
7.优选地，所述条件累积分布函数网络层的约束条件为：其中，表示所述条件累积分布函数网络层，为所述条件累积分布函数网络层的参数，表示所述条件累积分布函数网络层的输出结果，为预测分位值。
8.优选地，所述通过预置风速训练数据集对所述双层cnn-lstm协同网络模型中的逆条件累积分布函数和条件累积分布函数进行参数训练，得到优化协同预测模型，之后还包括：通过预置测试数据集对所述优化协同预测模型进行测试，得到测试结果；根据所述测试结果对所述优化协同预测模型进行筛选。
9.本技术第二方面提供了一种基于双层协同网络的风速概率预测装置，包括：模型构建模块，用于构建双层cnn-lstm协同网络模型，所述双层cnn-lstm协同网络模型的损失函数为协同损失函数，所述双层cnn-lstm协同网络模型包括逆条件累积分布函数网络层和条件累积分布函数网络层；模型训练模块，用于通过预置风速训练数据集对所述双层cnn-lstm协同网络模型中的逆条件累积分布函数和条件累积分布函数进行参数训练，得到优化协同预测模型；风速预测模块，用于将预置目标风速数据输入所述优化协同预测模型中进行预测操作，得到风速概率值。
10.优选地，所述逆条件累积分布函数网络层的目标函数为：其中，为所述逆条件累积分布函数网络层的参数，q为预设分位值，x为所述预置风速训练数据集的数据，y为对应的风速测量值，为求取均值操作，表示所述逆条件累积分布函数网络层，为所述逆条件累积分布函数网络层的输出结果。
11.优选地，所述条件累积分布函数网络层的约束条件为：其中，表示所述条件累积分布函数网络层，为所述条件累积分布函数网络层的参数，表示所述条件累积分布函数网络层的输出结果，为预测分位值。
12.优选地，还包括：模型测试模块，用于通过预置测试数据集对所述优化协同预测模型进行测试，得到测试结果；根据所述测试结果对所述优化协同预测模型进行筛选。
13.本技术第三方面提供了一种基于双层协同网络的风速概率预测设备，所述设备包括处理器以及存储器；所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；所述处理器用于根据所述程序代码中的指令执行第一方面所述的基于双层协同网络的风速概率预测方法。
14.本技术第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面所述的基于双层协同网络的风速概率预测方法。
15.从以上技术方案可以看出，本技术实施例具有以下优点：本技术中，提供了一种基于双层协同网络的风速概率预测方法，包括：构建双层cnn-lstm协同网络模型，双层cnn-lstm协同网络模型的损失函数为协同损失函数，双层cnn-lstm协同网络模型包括逆条件累积分布函数网络层和条件累积分布函数网络层；通过预置风速训练数据集对双层cnn-lstm协同网络模型中的逆条件累积分布函数和条件累积分布函数进行参数训练，得到优化协同预测模型；将预置目标风速数据输入优化协同预测模型中进行预测操作，得到风速概率值。
16.本技术提供的基于双层协同网络的风速概率预测方法，通过风速数据对构建的双层cnn-lstm协同网络模型进行训练，不断更新模型参数，从而更加适应不同环境下的风速变化，使得风速概率值更加准确可靠。因此，本技术能够解决现有技术以固定模型参数分析复杂变化的风速数据，导致实际的预测结果缺乏可靠性和准确性的技术问题。
附图说明
17.图1为本技术实施例提供的一种基于双层协同网络的风速概率预测方法的流程示意图；图2为本技术实施例提供的一种基于双层协同网络的风速概率预测装置的结构示意图；图3为本技术实施例提供的cnn-lstm网络结构框架示意图；图4为本技术实施例提供的lstm神经元结构示意图；图5为本技术实施例提供的逆条件累积分布函数网络层的函数关系示意图；图6为本技术实施例提供的优化协同预测模型的概念关系示意图。
具体实施方式
18.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
19.为了便于理解，请参阅图1，本技术提供的一种基于双层协同网络的风速概率预测方法的实施例，包括：步骤101、构建双层cnn-lstm协同网络模型，双层cnn-lstm协同网络模型的损失函数为协同损失函数，双层cnn-lstm协同网络模型包括逆条件累积分布函数网络层和条件累积分布函数网络层。
20.请参阅图3，将卷积神经网络（convolutional neural networks，cnn）与长短时记忆网络（long short-term memory，lstm）结合得到综合型网络模型。该网络模型具体包括卷积层（cov1d）、最大池化层（maxpooling）、lstm神经元层、网络选取层（dropput）和全连接层（dense）；cnn可以提取风速数据的局部特征，能在空间维度上提取表征能力强的高层特
征；而lstm则可以扩展时间特征，处理具有先后顺序的特征数据信息。
21.卷积层是对输入数据的局部区域进行卷积计算，卷积计算是卷积层通过滑动卷积窗口遍历整个输入数据的过程，卷积计算公式如下：其中，表示第l个输出层的第i个特征，表示第l层第i个卷积核的权重矩阵，表示第l-1层的输出结果，l》1，为第l层第i个卷积核的偏置项，为卷积运算，为激活函数，cnn通过非线性的激活函数来解决风速时间序列中的非线性问题，因此选择整流线性单元(relu)作为卷积神经网络的激活函数。第一个输出层的计算为，其中，为输入第一层卷积层的数据序列，首层卷积层没有前一层输出特征作为基础进行计算，所以直接取输入数据序列进行计算，此为卷积神经网络的常用计算过程，具体的不再赘述。
22.池化层采用上采样或者下采样的方式，与卷积层的交替使用能够有效的提取风速数据局部特征并降低局部特征维度，保持风速时间序列的最重要信息，提高输入特征的质量。一般采用最大池化，具体计算方式为：其中，为经过池化后的第l+1层的第i个特征图，为第j个池化区域，为第l层第i个特征图在池化范围内的元素。
23.dropout层是控制网络中隐藏神经元的数量，使得全连接网络具有了一定的稀疏化，从而有效地减轻了不同特征的协同效应。dropout是一种比例选取操作，在神经网络中很常见，是指按照一定的概率将一部分神经网络单元暂时从网络中选出，不参与本次训练，相当于从原始的网络中找到一个更轻量级的网络，减少计算冗余度，提升模型训练速度。
24.全连接层（dense）层的目的是将前面提取的特征，经过核函数进行非线性变化，提取这些特征之间的关联，最后映射到输出空间上，dense层采用relu和sigmoid激活函数。
25.lstm具有记忆功能，对时间序列数据处理具有高效性，主要由遗忘门、输入门和输出门构成，实现对隐藏在风速中的特征信息进行控制。请参阅图4的单个lstm神经元的结构，其中表示激活函数sigmoid或tanh函数。用于控制数值输出范围在-1到1之间，lstm中的各个参数计算如下：其中，、、、为不同网络层的权重矩阵，、、、为对应网络中的
偏置项，为激活函数，、、分别为t时刻的输入层状态、控制单元状态和隐藏单元状态，一般情况下，若，则表示网络并未开始处理数据，那么只有输入层存在有效状态，控制单元和隐藏单元均无实质状态，在此不讨论这种无效状态，为控制单元的中间状态量，表征为特征数值。
26.以上为双层cnn-lstm协同网络模型的综合描述，依据网络模型的功能划分，该模型分为逆条件累积分布函数网络层和条件累积分布函数网络层，逆条件累积分布函数网络层是通过条件累积分布函数的反函数计算输入数据的特征值，然后此特征值作为条件累积分布函数网络层的输入数据，采用条件累积分布函数进行计算，而函数中的参数则会在模型的训练过程中不断优化，直至得到可靠的预测结果。
27.逆条件累积分布函数网络层的目标函数为：其中，为所述逆条件累积分布函数网络层的参数，q为预设分位值，x为所述预置风速训练数据集的数据，y为对应的风速测量值，为求取均值操作，表示所述逆条件累积分布函数网络层，可以称作f网络，为所述逆条件累积分布函数网络层的输出结果。
28.请参阅图5，若用f表示逆条件累积分布函数网络层，可以理解的是，逆条件累积分布函数网络层是要保证，而该网络层的输出可以表示为，该输出作为条件累积分布函数网络层的输入，继续进行处理。
29.条件累积分布函数网络层表示为，称为g网络，同样是以cnn-lstm为核心，拟合风速时间序列的条件累积分布函数，条件累积分布函数网络层的约束条件为：其中，训练优化后的网络的输出作为网络的输入，网络的作用是拟合给定的分位值的取值表达为和，获取最优的风速条件累积分布函数。表示条件累积函数网络层，为条件累积分布函数网络层的参数，表示所述条件累积分布函数网络层的输出结果，为预测分位值。
30.双层cnn-lstm协同网络模型的概念示意图可以参阅图6，联合拟合风速时间序列的逆条件累积分布函数和条件累积分布函数后的协同损失函数可以表达为：其中，、分别表示g网络的损失函数和f网络的损失函数，为关于、和求取均值操作，为分位值分布函数，服从（0, 1）的均匀分布，、均表示变量的分布函数，为的情况下的取值，即为1，损失函数采用二进制交叉熵函数，表达如下：
其中，a，b分别为风速实际值和预测值。
31.将、和等公式进行整合可以得到最终的协同损失函数：f网络层和g网络层协调的策略是：f网络层拟合风速时间序列最优的逆条件累积分布函数，g网络层通过迭代寻优的过程中，f网络为g网络提供寻优的辅助工具，确保g网络获取更加全面的风速信息，在整个协同过程中，两个损失函数联合优化来学习风速时间序列的分布函数，并最终得到风速时间序列的区间预测结果。
32.步骤102、通过预置风速训练数据集对双层cnn-lstm协同网络模型中的逆条件累积分布函数和条件累积分布函数进行参数训练，得到优化协同预测模型。
33.预置风速训练数据集可以由往年的历史数据构成，数据需要经过基本的预处理转换成可以输入神经网络模型中进行处理的形式，后面的不论是测试数据还是目标任务数据都需要进行格式统一，便于分析。
34.进一步地，步骤102，之后还包括：通过预置测试数据集对优化协同预测模型进行测试，得到测试结果；根据测试结果对优化协同预测模型进行筛选。
35.预置测试数据集是未输入网络训练的其他数据，也可以是历史数据，或者现有场景采集的数据，用于测试训练好的模型性能，例如准确率，召回率等标准信息，满足一定条件即可筛选为后续的目标模型。
36.步骤103、将预置目标风速数据输入优化协同预测模型中进行预测操作，得到风速概率值。
37.目标风速数据是根据当前或者未来时间的气象资料获取的风速值，预测得到的风速概率值往往是一种区间结果，模型可以适用于多种不同的环境，应对多种不同的风场变化。
38.本技术实施例提供的基于双层协同网络的风速概率预测方法，通过风速数据对构建的双层cnn-lstm协同网络模型进行训练，不断更新模型参数，从而更加适应不同环境下的风速变化，使得风速概率值更加准确可靠。因此，本技术实施例能够解决现有技术以固定模型参数分析复杂变化的风速数据，导致实际的预测结果缺乏可靠性和准确性的技术问题。
39.为了便于理解，本身请提供用于评价用于风速预测的优化协同预测模型的方法，对于置信水平为的区间预测，引入预测区间置信度（prediction interval coverage probability, picp），预测区间平均带宽指标（prediction interval normalized average width, pinaw）和基于宽度覆盖的区间优化准则（coverage width-based criterion, cwc）作为预测模型的性能评价指标，三个指标的计算公式如下：其中，为取值为0和1的变量，n为测试样本数据的数量。当在预测区间
时，；当不在该区间时，；、分别为预测区间的上限值和下限值。
40.其中r为预测区间的长度，即。
41.其中，和为控制cwc指标值的超参数，依据经验值，，，为置信水平， 定义为：风速概率预测模型，即优化协同预测模型中相关参数设置如表1所示。
42.表1 cnn-lstm结果参数以置信水平为例进行分析，提供高斯过程回归（gaussian process regression，gpr）、分位数回归（quantile regression，qr）等方法与本技术实施例中的方法进行对比分析，如表2，给出的是2005年某地每个月预测结果的picp、pinaw和cwc指标值的结果。
43.表2 多种预测方法对比结果
由表2可以发现，与gpr和qr方法相比，本实施例中的方法风速实际值的预测概率都落在预测区间内，使得picp值都为100%。而且，从pinaw和cwc的指标值可以发现，本实施例中的方法预测区间的质量优于gpr和qr方法。
44.为了便于理解，请参阅图2，本技术提供了一种基于双层协同网络的风速概率预测装置的实施例，包括：模型构建模块201，用于构建双层cnn-lstm协同网络模型，双层cnn-lstm协同网络模型的损失函数为协同损失函数，双层cnn-lstm协同网络模型包括逆条件累积分布函数网络层和条件累积分布函数网络层；模型训练模块202，用于通过预置风速训练数据集对双层cnn-lstm协同网络模型中的逆条件累积分布函数和条件累积分布函数进行参数训练，得到优化协同预测模型；风速预测模块203，用于将预置目标风速数据输入优化协同预测模型中进行预测操作，得到风速概率值。
45.进一步地，逆条件累积分布函数网络层的目标函数为：其中，为所述逆条件累积分布函数网络层的参数，q为预设分位值，x为所述预置风速训练数据集的数据，y为对应的风速测量值，为求取均值操作，表示所述逆条件累积分布函数网络层，为所述逆条件累积分布函数网络层的输出结果。
46.进一步地，条件累积分布函数网络层的约束条件为：其中，表示所述条件累积分布函数网络层，为所述条件累积分布函数网络层的参数，表示所述条件累积分布函数网络层的输出结果，为预测分位值。
47.进一步地，还包括：模型测试模块204，用于通过预置测试数据集对优化协同预测模型进行测试，得到测试结果；
根据测试结果对优化协同预测模型进行筛选。
48.可以理解的是，本实施例中的优化协同预测模型为上述方法实施例中采用的优化协同预测模型。
49.本技术还提供了一种基于双层协同网络的风速概率预测设备，设备包括处理器以及存储器；存储器用于存储程序代码，并将程序代码传输给处理器；处理器用于根据程序代码中的指令执行上述方法实施例中的基于双层协同网络的风速概率预测方法。
50.本技术还提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码用于执行上述方法实施例中的基于双层协同网络的风速概率预测方法。
51.在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
52.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
53.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以通过一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（英文全称：read-only memory，英文缩写：rom）、随机存取存储器（英文全称：random access memory，英文缩写：ram）、磁碟或者光盘等各种可以存储程序代码的介质。
54.以上所述，以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。