基于卷积神经网络的风场稳定度预测方法及系统与流程

1.本发明涉及风场测量技术领域，特别涉及一种基于卷积神经网络的风场稳定度预测方法及系统。


背景技术：

2.随着冬奥会的临近，冰雪运动愈发受到人们的重视，人们对于赛场风场等气象条件也愈发关注。风速风向是风场的基本描述参量，现有描述风场的变量也多基于风速风向构建。同时，为了保证雪上运动的安全，人们也希望找到预测未来一段时间内的风场的方法。目前国内外对于风速预测的研究较为广泛，主要集中于风电场风速及功率预测、结构设计防风风速预测，铁路沿线风速预警、大风预警以及天气预报风速预测等领域，但在类似雪上项目场地这类局地极小范围的应用极少。
3.目前对风场进行描述常采用数理统计的方法，利用盛行风向、平均风速、小时极大风速等统计量进行描述。风玫瑰图也是统计形式的一种，风玫瑰图统计出某地不同风向出现次数，并计算出其占总次数的百分比，反映风速风向的分布。而在气象学中，对风场稳定度的描述集中于大气稳定度，指的是大气抑制空气垂直运动的能力，与实际运动中关注的风场稳定性有较大的差异。
4.风场特性预测方法按照不同的预测模型可分为物理模型、统计模型、人工智能模型与混合模型。物理模型方法预测风速主要是利用气象数据和一些辅助信息，如当地地形特征、温度、气压、风电场布局等因素，通过建立数学模型对风场进行预测。统计模型则是基于历史数据进行回归建模，传统的统计模型包括时间序列分析法中的自回归模型(autoregressive model，ar)、移动平均模型(moving average model，ma)、自回归移动平均模型(autoregressive moving average model，arma)、差分自回归移动平均模型(autoregressive integrated moving average model，arima)。人工智能模型则是基于机器学习和神经网络思想，利用历史数据进行建模训练，对未来的风场特性进行预测。混合模型指的是为了获得更高的准确度和更广阔的预测范围，将各种预测模型的各自优越特征融合在一起的方法，包括基于权重的组合、基于信号分解的组合预测、基于空间相关法的组合等。
5.现有研究中，对风场的描述往往是对某地区一个长跨度时间内的风场描述，得到该地区风场年度或季度的变化规律，或以此为背景做进一步的研究。文献1(张治国,崔炜,白雪涛,李林,杨光焰,常晨.第24届冬奥会海坨山赛区近两年冬季地面风场特征[j].干旱气象,2017,35(03):433-438.)对冬奥会海坨山赛区风场特征进行了描述。研究人员基于4个气象站点位采集到的数据，将风向按16个方位进行划分，同时以3.0,5.0,8.0,10.0和15.0作为风速阈值将风速划分为不同区间，基于此进行统计分析。具体来讲，文献中对比不同点位风速风向数据得到地面风场一致性的信息，之后按季度、按月份、按小时对采集到的风速风向数据进行统计，得到不同尺度下该地区的风场变化规律。
[0006]
从模型的角度来看，除大气稳定性模型外，目前很少有研究者直接针对风场稳定
性进行预测，研究最广泛且最深入的是风电场风速预测，现有技术也大多针对这一应用领域实现，因而下文主要介绍风速预测模型。如物理模型需要大量当地周围气象数据和辅助信息，信息采集困难。传统的统计模型如arma适用于平稳时间序列的预测，应用到风场这种不平稳时间序列上精度有限。因此基于信号分解、机器学习或混合模型是目前主流的短期风速预测技术思路。
[0007]
文献2(王晓兰，王明伟.基于小波分解和最小二乘支持向量机的短期风速预测[j].电网技术，2010，34(01)：179-184.)为较为典型的结合信号分解与机器学习的技术方案。模型的输入为每小时记录一次的风速数据序列，采用db3小波基(小波分解基函数的一种)对原始风速时间序列进行3级分解，再将各个信号分量分别进行小波的单支重构，得到原始序列的低频逼近信号和各个高频信号。以分解后逼近信号为例，由时刻前的个逼近数据预测时刻的逼近值：
[0008][0009]
该方案中预测函数f选用机器学习中的ls-svm回归函数，基于上式得到逼近信号和细节信号的预测值，即和重构各部分预测值即得到最终的预测结果：
[0010][0011]
从对风场的描述指标来看，现有风场描述指标仍为对风速风向进行数理统计的传统指标，应用于风场稳定性描述存在以下几个问题：1.需要大量历史数据积累，需要近几年的数据才能得到较为可靠的规律；2.风场受多种因素印象，统计分析得到的规律不一定适用于具体的某一小段时间；3.此类统计分析统计的时间窗口往往较大，难以反映小段时间内(如一分钟内)的风速波动情况。而雪上运动需要对风场有实时性的、时间分辨率在分钟级乃至秒级的了解，传统统计量并不适用。针对这几个不足，本方案提出了全新的统计指标，用于描述一小段时间内风场的波动情况，从而为雪上运动提供辅助支持。
[0012]
从风场的预测来看，现有技术多针对于风速风向具体数值的预测，但每一时刻的风速风向都处在变化之中，对风速风向具体数值进行预测反而有可能提供过多冗余信息，对运动参与者的判断造成干扰。从另一方面看，对于雪上运动参与者来说，风速突变的产生往往更为危险。基于这样的观点，我们认为一段时间内风场是否稳定有时候比具体的风速值更为重要，本方案直接对未来一小段时间内风场的稳定性进行预测。
[0013]
从模型的角度来看，目前研究最广泛且最深入的是风电场风速预测，现有技术也大多针对这一应用领域实现，并不完全贴合雪上运动这一小空间尺度、小时间尺度上的应用场景。近年来学者们提出了许多基于信号分解的混合模型，在测试数据中取得了较高的精度，但其应用于实际工程中还存在一定的问题。常见的信号分解如小波变换是将一段时间内(称之为时间窗口)的时域信号变换为频域内的信号，再提取高频和低频信号完成分解。在测试环境中，时间序列长度是固定的，因而对整个序列进行分解即可。但在真实的应用场景中，数据每时每刻都在增加，时间窗口在不断地变动，那么应用此类模型就要求不停的对新的序列进行分解，计算耗时较高，同时，小波变换等时频变换方法在时间窗口边界处的变换结果误差较高，也可能会造成预测结果的精度低于预期。因此，本方案直接采用原始的风速序列作为输入，不进行信号的分解，因而更贴合实际的应用场景。


技术实现要素：

[0014]
本发明要解决的技术问题是提供一种基于卷积神经网络的风场稳定度预测方法及系统，能够快速有效地对未来一段时间内风场的变化进行预测。
[0015]
为解决上述技术问题，本发明提供了一种基于卷积神经网络的风场稳定度预测方法，所述方法包括：采集风场的风速时间序列及风向时间序列；对采集到的风速时间序列及风向时间序列进行矢量化，得到矢量时间序列；以预设长度的时间窗口内的平均矢量为基准，将矢量时间序列区分为稳定矢量时间序列及非稳定矢量时间序列；利用稳定矢量时间序列及非稳定矢量时间序列，训练卷积神经网络；利用训练好的卷积神经网络进行风场稳定度预测。
[0016]
在一些实施方式中，采集风场的风速时间序列及风向时间序列，包括：通过设置在风场中的超声速风速仪，采集风速时间序列及风向时间序列。
[0017]
在一些实施方式中，对采集到的风速时间序列及风向时间序列进行矢量化，得到矢量时间序列，包括：通过如下公式计算矢量时间序列：
[0018]
μ＝v*sind
[0019]
v＝v*cosd
[0020]
其中，v代表风速绝对值大小，d代表风向，u、v分别代表东西向和南北向的风速大小。
[0021]
在一些实施方式中，以预设长度的时间窗口内的平均矢量为基准，将矢量时间序列区分为稳定矢量时间序列及非稳定矢量时间序列，包括：计算预设长度的时间窗口内的平均矢量；根据预设窗口内的矢量与平均矢量之间的差值是否超出预设阈值，判断当前矢量是否稳定。
[0022]
在一些实施方式中，计算预设长度的时间窗口内的平均矢量，包括：根据如下公式计算平均矢量：
[0023]vt-i
为时刻t-i测得的风矢量
[0024]
其中，表示平均矢量。
[0025]
在一些实施方式中，根据预设窗口内的矢量与平均矢量之间的差值是否超出预设阈值，判断当前矢量是否稳定，包括：根据如下公式判断是否稳定：
[0026][0027]
其中，表示平均矢量。
[0028]
在一些实施方式中，卷积神经网络包括：一层输入层、一层卷积层、一层池化层，和两层全连接层。
[0029]
在一些实施方式中，输入为15*2的矩阵，卷积宽度设置为3，5，15，每个卷积宽度对应8组卷积核。
[0030]
在一些实施方式中，还包括：在利用训练好的卷积神经网络进行风场稳定度预测之前，利用测试矢量时间序列，对卷积神经网络的预测准确性进行评估。
[0031]
此外，本发明还提供了一种基于卷积神经网络的风场稳定度预测系统，所述系统包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被
所述一个或多个处理器执行，使得所述一个或多个处理器实现根据前文所述的基于卷积神经网络的风场稳定度预测方法。
[0032]
采用这样的设计后，本发明至少具有以下优点：
[0033]
本方案定义的风场稳定度完全基于实际的运动场景来设计，相较于传统的统计量能够更直观地反映出风场的稳定情况。且该统计量有变化阈值、统计窗口等多个可变参数，可根据需要更改，如对于跳台滑雪这类危险系数高，风的影响大的项目，就可以将风场突变阈值设置的小一点，此时的风场稳定度对风场变化更为敏感，能更好的辅助决策。
[0034]
针对于稳定度的预测，本方案采用一维卷积神经网络构建模型。模型利用不同大小的卷积窗口进行卷积，可以很好地提取历史时间序列中风速的变化规律，达到较高的预测精度；同时模型的结构也很简单，只有1层卷积层和2层全连接层，运算速度也较快。
附图说明
[0035]
上述仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，以下结合附图与具体实施方式对本发明作进一步的详细说明。
[0036]
图1是方法的流程示意图。
具体实施方式
[0037]
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
[0038]
针对缺少小时间尺度风场稳定度描述指标的问题，本方案结合雪上项目运动需求，提出一个新的稳定度指标，更简单直观的描述风场的稳定性；同时针对现有技术方案中信号分解方案的种种不足，本方案以原始时间序列作为输入，采用一维卷积代替信号分解，使用不同的卷积窗口提取不同时间尺度的特征，构建风场稳定度预测模型，在满足实时性计算的同时取得尽可能高的预测精度，为运动员提供决策支持。
[0039]
本技术方案提出了一种基于一维卷积神经网络的风场稳定度预测方法。该方法包括以下步骤：步骤1.在场地内布设若干超声速风速仪，逐秒采集数据，获得不低于24小时的数据用于模型训练；步骤2.对步骤1中采集到的风速风向数据变换为矢量风，并对若干风速仪数据取平均；步骤3.对积累的历史数据计算“未来”稳定时长作为稳定度指标，并选取阈值进行2分类，分为稳定和不稳定(0和1)，作为数据的标签。步骤4.用深度学习框架构建卷积神经网络模型d；步骤5.将步骤3所述训练集输入至卷积神经网络模型d中，训练神经网络模型d，得到训练后的卷积神经网络模型d；步骤6.在步骤1所述条件下实时采集风场数据，再进行步骤2，将所得到预处理后的适量风速序列输入至训练后的神经网络模型d中，输出最终的预测结果，包括风场稳定情况与置信度。
[0040]
步骤2基于风速风向计算矢量风
[0041]
原始测得数据为风速和风向，计算得到矢量风u，v：
[0042]
u＝v*sind
[0043]
v＝v*cosd
[0044]
v代表风速绝对值大小，d代表风向，u、v分别代表东西向和南北向的风速大小，可视为风矢量的直角坐标。
[0045]
步骤3.风场稳定度计算
[0046]
若一段时间内风场没有发生显著的变化，认为风场是稳定的，显著变化定义为该时刻风场和基准风矢量差的模大于某一阈值。本方案定义的风场稳定度也可表述为风场稳定时长，即以该时刻为起点，未来一段时间内风场没有发生显著变化的时间跨度。
[0047]
具体实施中，可针对具体项目对风场稳定度的各个参数进行定义。以跳台滑雪项目为例，假设运动员在出发前最后的调整需要5s，在此时间内运动员会对风场有一定的感知和判断，将此段时间内平均风矢量作为基准；
[0048]vt-i
为时刻t-i测得的风矢量
[0049]
该项目对风速变化较为敏感，故将突变的阈值设为2m/s，即认为某一时刻风矢量与基准风矢量差的矢量模大于2时认为风场突变，风场不稳定。
[0050][0051]
以逐秒记录的风速仪数据为基础可计算每一时刻的“未来”风场稳定度。按照上述定义，按时间顺序遍历数据集，对于每一时刻，计算前5s内的平均矢量风，并对其之后15s的数据进行逐秒判断，判断风矢量变化量是否超过阈值，即风速是否发生突变，未发生突变则该时刻标记为稳定，否则标记为不稳定。在此基础上，我们将稳定时长二分类，将未来稳定时长小于15s的时刻标记为不稳定，意为在运动员完成一整个动作过程中，风速发生了突变；将等于15s的时刻标记为稳定。
[0052]
步骤4用深度学习框架构建卷积神经网络模型
[0053]
基于深度学习框架构建一维卷积神经网络模型。模型输入为15*2的矩阵，代表前15s的数据；模型包含一层卷积层，一层池化层，和两层全连接层。卷积宽度设置为3，5，15，每个卷积宽度对应8组卷积核，即一共采用24组卷积核，激活函数使用relu函数。对卷积核3和5采用最大池化，池化步长为2。全连接层为两层，第一层激活函数为relu，第二层使用sigmoid函数进行分类判别。
[0054][0055]
步骤5风场稳定度预测模型训练
[0056]
选用80％的历史数据作为训练集，剩余20％作为测试集，损失函数为交叉熵函数。
[0057]
y(i)为第i个输出真实标签值，为预测值。
[0058]
将训练集输入至构建好的卷积神经网络进行训练，迭代若干次后将测试集输入模型，得到稳定度预测的准确率，使用准确率，精度，召回率和f1-score评判模型预测的精度。
[0059][0060][0061]
[0062][0063]
tp，true positive，真阳性，即预测为真，且真实值为真；fp，false positive，假阳性，预测为真但真实值为假；tn，true negative，真阴性，即预测为假，且真实值为假；fn，false negative,假阴性，预测为假但真实值为真。
[0064]
本发明还提供一种基于卷积神经网络的风场稳定度预测系统。例如，所述基于卷积神经网络的风场稳定度预测系统可以用于充当雪场运行管理系统中的风速矢量预测主机。如本文所述，基于卷积神经网络的风场稳定度预测系统可以用于在雪场运行管理系统中实现对风速矢量的预测功能。基于卷积神经网络的风场稳定度预测系统可以在单个节点中实现，或者基于卷积神经网络的风场稳定度预测系统的功能可以在网络中的多个节点中实现。本领域的技术人员应意识到，术语基于卷积神经网络的风场稳定度预测系统包括广泛意义上的设备，此处提及的基于卷积神经网络的风场稳定度预测系统仅是其中一个示例。包括基于卷积神经网络的风场稳定度预测系统是为了表述清楚，并不旨在将本发明的应用限制为特定的基于卷积神经网络的风场稳定度预测系统实施例或某一类基于卷积神经网络的风场稳定度预测系统实施例。本发明所述的至少部分特征/方法可以在网络装置或组件，例如，基于卷积神经网络的风场稳定度预测系统中实现。例如，本发明中的特征/方法可以采用硬件、固件和/或在硬件上安装运行的软件实现。基于卷积神经网络的风场稳定度预测系统可以是任何通过网络处理，存储和/或转发数据帧的设备，例如，服务器，客户端，数据源等。基于卷积神经网络的风场稳定度预测系统可以包括收发器(tx/rx)，其可以是发射器，接收器，或其组合。tx/rx可以耦合到多个端口(例如上行接口和/或下行接口)，用于从其他节点发送和/或接收帧。处理器可耦合至tx/rx，以处理帧和/或确定向哪些节点发送帧。处理器可以包括一个或多个多核处理器和/或存储器设备，其可以用作数据存储器，缓冲区等。处理器可以被实现为通用处理器，或者可以是一个或多个专用集成电路(application specific integrated circuit，简称asic)和/或数字信号处理器(digital signal processor，简称dsp)的一部分。
[0065]
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰，均落在本发明的保护范围内。