基于数据二维重构的风速预测方法及装置、电子设备

本技术涉及风速预测，尤其涉及一种基于数据二维重构的风速预测方法及装置、电子设备。

背景技术：

1、现代社会面临着日益严峻的能源危机和环境污染问题，传统的化石燃料已经难以满足日益增长的能源需求。在这种情况下，可再生能源作为一种环保、可持续的能源选择，备受人们的青睐。其中，风能作为最具潜力的可再生能源之一，不仅分布范围广泛，并且由于其成熟的技术和相对较低的成本，风力发电在大规模开发和商业化发展方面具有优势。

2、风机桨距角是控制风机输出功率的一个重要参数，如果桨距角调整不当，可能会导致风机产生不必要的损耗，降低风机的发电效率。而预测未来风速可以为风电场运维调度提供依据，例如帮助控制系统提前调整桨距角，以便在风速变化前就调整桨距角，以保证风机的最佳工作状态。

3、目前的风速预测方法主要有三类：

4、（1）物理方法基于风场动力学和大气物理学原理，利用数学模型和计算机模拟来预测风速。这种方法需要收集一定的大气和地形数据，并进行复杂的计算和模拟，准确性较高，但是需要较多的时间和资源，并且适用范围有限。

5、（2）统计学方法是基于历史数据的分析和预测，利用统计模型和时间序列模型来预测未来风速。统计学方法有自回归积分滑动平均模型（arima）、卡尔曼滤波法（kf）等。这种方法的准确性相对较低，随预测时间增加误差会显著变大，但是简单易用。

6、（3）数据驱动建模方法利用机器学习和深度学习等技术，从大量历史数据中学习和提取规律，针对风速时间序列的复杂非线性和不确定性实现有效拟合。相比于传统的统计学方法，这种方法具有更好的泛化能力，一定程度上可以更准确地预测未来的风速。但是传统的单一机器学习模型能够提取的特征有限，并且预测存在滞后的问题，实际使用中往往需要优化模型或组合多种模型使用。

技术实现思路

1、本技术实施例的目的是提供一种基于数据二维重构的风速预测方法及装置、电子设备，以解决相关技术中存在的特征提取能力不足、预测存在滞后的技术问题。

2、根据本技术实施例的第一方面，提供一种基于数据二维重构的风速预测方法，包括：

3、获取待测的风速数据；

4、对所述风速数据进行预处理；

5、将预处理后的风速数据进行二维重构，得到二维数据，所述二维数据由一组矩阵构成，每个矩阵中相邻的行和列的时间步长为1，相邻两个矩阵之间的时间步长为1；

6、将所述二维数据输入到训练好的cnn-lstm模型中，输出风速预测值；

7、所述cnn-lstm模型由输入层、隐藏层和输出层组成，其中：

8、所述输入层用于接收所述二维数据；

9、所述隐藏层用于利用2dcnn提取所述二维数据的局部特征，得到三维特征，再将所述三维特征重构为二维特征向量，将所述二维特征向量输入lstm网络中提取高维特征数据的时间维度特征，再将所述时间维度特征从高维映射到低维，得到风速预测值；

10、所述输出层用于将所述风速预测值输出。

11、可选的，对所述风速数据进行预处理，包括：

12、对所述风速数据中的缺失值进行填补；

13、填补后进行归一化处理。

14、可选的，将预处理后的风速数据进行二维重构，得到二维数据，包括：

15、将预处理后的风速数据重构为二维数据，所述二维数据由n个大小为a×a的矩阵构成，矩阵中元素的值为：

16、

17、式中表示第n个矩阵第i行第j列的元素的值，表示t+n+i+j-3时刻的风速值。

18、可选的，所述cnn-lstm模型中的cnn为2dcnn，所述2dcnn通过多层次的特征提取来对时间序列数据进行分析和建模，其输出为：

19、

20、式中表示第k个特征面的第j个神经元的输出值；表示第k个卷积核中第s行第t列对应的权值；为卷积层中第k个卷积核对应的偏置值。

21、可选的，将所述三维特征重构为二维特征向量，包括：

22、使用keras的reshape函数，根据所述矩阵大小以及2dcnn卷积核大小、个数，将2dcnn输出的三维特征重构为二维特征向量。

23、可选的，所述lstm网络由lstm层和全连接层组成，所述lstm层用于从所述二维特征向量中提取高维特征数据的时间维度特征，所述全连接层用于将所述时间维度特征从高维映射到低维，得到风速预测值。

24、可选的，所述lstm层用门控机制控制信息传递，包括输入门、遗忘门和遗忘门，lstm层内的计算过程公式如下：

25、

26、

27、

28、

29、

30、

31、其中、、、分别为t时刻的遗忘门、输入门、细胞状态和输出门，、、、分别为遗忘门、输入门、细胞状态和输出门的权重矩阵，、、、分别为遗忘门、输入门、细胞状态和输出门的偏置项，为时刻的输入，为t时刻隐藏层输出，为t-1时刻隐藏层输出，为记忆单元的输入状态，分别为t-1时刻的细胞状态，为sigmoid函数，tanh为双曲正切函数。

32、根据本技术实施例的第二方面，提供一种基于数据二维重构的风速预测装置，包括：

33、获取模块，用于获取待测的风速数据；

34、预处理模块，用于对所述风速数据进行预处理；

35、二维重构模块，用于将预处理后的风速数据进行二维重构，得到二维数据，所述二维数据由一组矩阵构成，每个矩阵中相邻的行和列的时间步长为1，相邻两个矩阵之间的时间步长为1；

36、预测输出模块，用于将所述二维数据输入到训练好的cnn-lstm模型中，输出风速预测值；

37、所述cnn-lstm模型由输入层、隐藏层和输出层组成，其中：

38、所述输入层用于接收所述二维数据；

39、所述隐藏层用于利用2dcnn提取所述二维数据的局部特征，得到三维特征，再将所述三维特征重构为二维特征向量，将所述二维特征向量输入lstm网络中提取高维特征数据的时间维度特征，再将所述时间维度特征从高维映射到低维，得到风速预测值；

40、所述输出层用于将所述风速预测值输出。

41、根据本技术实施例的第三方面，提供一种电子设备，包括：

42、一个或多个处理器；

43、存储器，用于存储一个或多个程序；

44、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如第一方面所述的方法。

45、根据本技术实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如第一方面所述方法的步骤。

46、本技术的实施例提供的技术方案可以包括以下有益效果：

47、由上述实施例可知，本技术采用数据二维重构的处理方式，然后用2dcnn提取深层的风速预测关联特征，有效克服了现有预测方法中特征提取能力不足、预测存在滞后的问题，进而使得风速预测结果更加精确。

48、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。