(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111556802.7 (22)申请日 2021.12.17 (71)申请人 中国长江三峡集团有限公司 地址 430010 湖北省武汉市江岸区六合路1 号 申请人 华北电力大 学 (72)发明人 汤维贵　阎洁　翟然　刘永前　 邹祖冰　韩爽　杨媛　葛畅　张皓　 王琳霖　刘杰　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 代理人 廖元秋 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于深度神经网络的数值天气预报风 速修正方法 (57)摘要 本发明提出一种基于深度神经网络的数值 天气预报风速修正方法， 属于 数值天气预报风速 修正领域。 该方法首先采集风电场历史数值天气 预报风速数据和历史实测风速数据以构建风速 数据集； 构建基于长短时记忆深度神经网络的数 值天气预报风速修正模型； 通过离线训练， 确定 模型输入和输出的最优时间长度； 通过在线训 练， 确定模型的最优更新频率； 根据模型输入和 输出的最优时间长度对未来数值天气预报风速 数据进行在线修正， 按照模型的最优 更新频率对 模型进行在线更新， 以实现对数值天气预报风速 数据的动态 修正。 本发明通过建立动态修正策略 弥补数据量少造成的数据特征提取不充分问题， 降低数值天气预报风速预测误差， 减小该误差对 风电功率预测的影响。 权利要求书2页 说明书8页 附图1页 CN 114358398 A 2022.04.15 CN 114358398 A 1.一种基于深度神经网络的数值天气预报风速修 正方法， 其特 征在于， 包括： 采集风电场历史数值天气预报N WP风速数据和历史实测风速数据， 建立 风速数据集； 构建数值天气预报风速修正模型， 所述数值天气预报风速修正模型采用长短时记忆深 度神经网络； 利用所述风速数据集对所述数值天气预报风速修正模型进行离线训练， 确定所述模型 输入和输出的最优时间长度； 根据所述模型输入和输出的最优时间长度， 利用所述风速数据集对所述数值天气预报 风速修正模型进行在线训练， 确定所述模型的最优更新频率； 根据所述模型输入和输出的最优时间长度， 对所述风电场未来数值天气预报风速数据 进行在线修正， 按照所述模型的最优更新频率对所述数值天气预报风速修正模型进行在线 更新， 以实现对所述 风电场数值天气预报风速数据的动态修 正。 2.根据权利要求1所述的方法， 其特征在于， 所述利用所述风速数据集对所述数值天气 预报风速修 正模型进行离线训练， 确定所述模型输入和输出的最优时间长度， 包括： 1)将风速数据集划分为离线训练阶段的训练集和测试集； 其中， 所述风速数据集中的 样本包括对应采样时刻的历史N WP风速数据和历史实测风速数据； 2)将所述训练集中的样本按照设定的时间长度分别 对历史NWP风速数据和对应历史实 测风速数据进行组合； 3)以所述训练集中设定时间长度的历史NWP风速数据为输入， 以对应时间长度的历史 实测风速数据为输出， 对所述数值天气预报风速修正模型进行离线训练， 得到训练完毕的 对应所述时间长度的数值天气预报风速修 正模型； 4)根据所述训练集样本的组合长度对所述测试集样本进行相应划分， 将划分后的所述 测试集输入所述训练完 毕的对应所述时间长度的数值 天气预报风速修正模 型进行测试， 以 均方根误差作为模型评价指标； 其中， 对应不同时间长度的数值天气预报风速修正模型均 测试完毕后， 均方根误差最小值对应的模型即为离线训练得到的数值天气预报风速修正模 型， 该模型对应的输入和输出的时间长度即为 最优时间长度。 3.根据权利要求1所述的方法， 其特征在于， 所述根据所述模型输入和输出的最优时间 长度， 利用所述风速数据集对所述数值天气预报风速修正模型进行在线训练， 确定所述模 型的最优更新频率， 包括： 1)设定模型更新频率为f， 从风速数据集中第n+1天的第一个时刻开始， 以该时刻为当 前0点时刻， 其中n 为在线训练的训练集天数； 2)从风速数据集中选取当前0点时刻的前n天内所有采样时刻的样本组成当前0点 时刻 的训练集， 选取当前0点时刻起1天内所有采样时刻 的样本组成当前0点时刻的测试集； 其 中， 所述风速数据集中的样本包括对应采样时刻的历史N WP风速数据和历史实测风速数据； 3)根据模型输入和输出的最优时间长度， 对当前0点时刻的训练集中的样本进行滑动 组合， 以最优时间长度的历史NWP风速数据作为输入， 以对应输入时间跨度的历史实测风速 数据作为输出， 利用当前0点时刻的训练集对当前数值 天气预报风速修正模型进 行训练， 得 到训练完毕的当前模型； 其中， 在每个模型更新频率下， 第一次模型训练开始时的当前模型为离线训练得到的 数值天气预报风速修 正模型；权　利　要　求　书 1/2 页 2 CN 114358398 A 24)根据模型输入和输出的最优时间长度， 对当前0点时刻的测试集中的样本进行滑动 组合， 利用当前测试集对训练完 毕的当前模型进 行测试； 其中将测试集每个样本的历史NWP 风速数据按照最优时间长度滑动输入对应训练完毕的当前模型， 模型输出对应长度的修正 后的历史N WP风速数据； 5)将当前0点时刻向后移动时长f， 得到更新后的当前0点时刻， 然后重新返回步骤2)， 直至风速数据集中所有样本遍历完成后， 当前模型更新频率下的数值天气预报风速修正模 型训练完成； 6)根据当前模型更新频率对应的所有测试集输出的结果， 通过修正后的历史NWP风速 数据与对应历史实测风速数据的差值计算当前模型 更新频率下的模型均方根 误差； 7)重复步骤1) ‑6)， 得到每 个设定的模型 更新频率下的模型均方根 误差； 8)将均方根误差最小值对应的模型作为在线训练得到的数值天气预报风速修正模型， 将该模型对应的更新频率作为数值天气预报风速修 正模型的最优更新频率。 4.根据权利要求1所述的方法， 其特征在于， 所述根据所述模型输入和输出的最优时间 长度， 对所述风电场未来数值天气预报风速数据进行在线修正， 按照所述模型 的最优更新 频率对所述数值 天气预报风速修正模型进 行在线更新， 以实现对所述风电场数值 天气预报 风速数据的动态修 正， 包括： 1)以设定的采样频率获取待预测风电场内每 个采样时刻的N WP风速数据； 2)将当前时刻作为当前0点时刻； 3)将当前0点时刻的前n天内每个采样时刻的NWP风速数据和 实测风速数据组成样本， 所有样本组成当前0点时刻的训练集； 其中n 为在线训练的训练集天数； 4)根据模型输入和输出的最优时间长度， 对当前0点时刻的训练集中的样本进行滑动 组合， 以最优时间长度的NWP风速数据作为输入， 以对应输入时间跨度的实测风速数据作为 输出， 利用当前0点时刻的训练集对当前数值天气预报风速修正模型进行训练， 训练完毕， 得到更新后的当前 数值天气预报风速修 正模型； 5)将从当前0点时刻开始的每个采样时刻的NWP风速数据按照最优时间长度滑动输入 更新后的当前 数值天气预报风速修 正模型， 模型输出对应输入时刻的N WP风速修 正值； 6)当新的当前时刻距离当前0点时刻到达模型最优更新频率时， 将新的当前时刻作为 更新后的当前0点时刻， 然后重新返回步骤3)。 5.根据权利要求3和4任一项所述的方法， 其特征在于， 所述在线训练的训练集天数为3 天。 6.根据权利要求 4所述的方法， 其特 征在于， 所述方法还 包括： 对设定时间范围内的NWP风速数据进行修正时， 将所述时间范围内每个采样时刻的NWP 风速修正结果进 行拼接以得到所述时间范围内的NWP风速数据修正结果， 其中， 所述每个采 样时刻的NWP风速修正结果为该采样时刻NWP风速数据最近一次通过当前数值天气预报风 速修正模型输出的修 正值。权　利　要　求　书 2/2 页 3 CN 114358398 A 3