【技術實現步驟摘要】
本申請涉及風速預測領域，具體而言，涉及一種風速隨機分布參數的確定方法和裝置、存儲介質、電子裝置、計算機程序產品。
技術介紹
1、隨著新能源產業的快速發展，風力發電作為可再生清潔能源，其發展受到國家政策和環保要求的鼓勵。風主要由空氣熱效應產生，受氣象因素(如大氣溫度、濕度、氣壓)和地理因素(如地形、地面障礙)的影響，具有顯著的不確定性。為了提高風力發電的可靠性和穩定性，需要對風速進行預測。
2、相關技術中，采用物理模型、統計模型、機器學習模型、混合預報模型等進行風速的預測。
3、然而，相關技術中的預測方式，無法兼顧預測的準確性和預測的速度。
技術實現思路
1、本申請實施例提供了一種風速隨機分布參數的確定方法和裝置、存儲介質、電子裝置、計算機程序產品。
2、根據本申請實施例的一方面，提供了一種風速隨機分布參數的確定方法，所述方法包括：獲取觀測點的歷史環境監測數據；基于所述歷史環境監測數據，采用預先建立的貝葉斯網絡模型估計所述觀測點的第一風速隨機分布參數，其中，所述貝葉斯網絡模型基于風速隨機分布參數建模得到，所述風速隨機分布參數用于指示平均風速和湍流風速的特征；采用所述第一風速隨機分布參數和所述歷史環境監測數據作為訓練樣本，訓練長短期記憶神經網絡模型，得到風速隨機分布參數預測模型；基于所述觀測點的當前環境監測數據，采用所述風速隨機分布參數預測模型，確定所述觀測點的第二風速隨機分布參數。
3、在一個示例性的實施例中，在所述基于所述歷史環境監測
4、在一個示例性的實施例中，所述調整各節點之間的依賴關系，并確定貝葉斯網絡模型的評分函數值，直到所述貝葉斯網絡模型的評分函數值維持不變，包括：將所述貝葉斯網絡模型的有向無環圖轉換為道德圖，其中，所述道德圖中包括所述貝葉斯網絡節點，且存在依賴關系的貝葉斯網絡節點在所述道德圖中相連，所述道德圖用于確定所述貝葉斯網絡模型的聯合概率分布；根據所述道德圖中的節點數量和節點的似然度，確定所述貝葉斯網絡模型的評分函數值，其中，所述節點數量用于指示所述貝葉斯網絡模型復雜度，所述節點的似然度用于指示所述貝葉斯網絡模型擬合度；調整所述道德圖中的至少兩個節點之間的依賴關系，并重新確定貝葉斯網絡模型的評分函數值，直到所述貝葉斯網絡模型的評分函數值維持不變。
5、在一個示例性的實施例中，所述調整所述道德圖中的至少兩個節點之間的依賴關系，并重新確定貝葉斯網絡模型的評分函數值，直到所述貝葉斯網絡模型的評分函數值維持不變，包括：采用多種調整方式，分別調整初始道德圖中的至少兩個節點之間的依賴關系，得到多個調整后的第一道德圖；將所述多個調整后的第一道德圖中對應的評分函數值最低的第一道德圖作為第二道德圖；將所述第二道德圖作為新的初始道德圖，并返回執行所述采用多種調整方式，分別調整初始道德圖中的至少兩個節點之間的依賴關系，得到多個調整后的第一道德圖的步驟，直到所述第一道德圖和所述第二道德圖對應的評分函數值相等。
6、在一個示例性的實施例中，所述采用所述第一風速隨機分布參數和所述歷史環境監測數據作為訓練樣本，訓練長短期記憶神經網絡模型，得到風速隨機分布參數預測模型，包括：采用所述第一風速隨機分布參數和所述歷史環境監測數據作為訓練樣本訓練長短期記憶神經網絡模型；調整所述長短期記憶神經網絡模型的參數，直到所述長短期記憶神經網絡模型滿足優化目標，其中，所述長短期記憶神經網絡模型的參數包括遺忘門的權重矩陣、輸入門的權重矩陣、單元狀態的權重矩陣、輸出門的權重矩陣、輸出層的權重矩陣、遺忘門的偏差向量、輸入門的偏差向量、單元狀態的偏差向量、輸出門的偏差向量、輸出層的偏差向量，所述優化目標為代價函數小于預設值；將滿足所述優化目標的長短期記憶神經網絡模型作為所述風速隨機分布參數預測模型。
7、在一個示例性的實施例中，所述基于所述歷史環境監測數據，采用預先建立的貝葉斯網絡模型估計所述觀測點的第一風速隨機分布參數，包括：采用所述歷史環境監測數據作為貝葉斯網絡模型中的觀測數據；基于所述貝葉斯網絡模型中各節點之間的依賴關系、所述觀測數據，確定所述觀測點的風速隨機分布參數的后驗概率；根據所述觀測點的風速隨機分布參數的后驗概率，確定所述第一風速隨機分布參數。
8、根據本申請實施例的另一方面，還提供了一種風速隨機分布參數的確定裝置，所述裝置包括：
9、數據獲取模塊，用于獲取觀測點的歷史環境監測數據；
10、參數估計模塊，用于基于所述歷史環境監測數據，采用預先建立的貝葉斯網絡模型估計所述觀測點的第一風速隨機分布參數，其中，所述貝葉斯網絡模型基于風速隨機分布參數建模得到，所述風速隨機分布參數用于指示平均風速和湍流風速的特征；
11、模型訓練模塊，用于采用所述第一風速隨機分布參數和所述歷史環境監測數據作為訓練樣本，訓練長短期記憶神經網絡模型，得到風速隨機分布參數預測模型；
12、參數確定模塊，用于基于所述觀測點的當前環境監測數據，采用所述風速隨機分布參數預測模型，確定所述觀測點的第二風速隨機分布參數。
13、根據本申請實施例的又一方面，還提供了一種計算機可讀的存儲介質，所述計算機可讀的存儲介質中存儲有計算機程序，其中，所述計算機程序被設置為運行時執行上述風速隨機分布參數的確定方法。
14、根據本申請實施例的又一方面，還提供了一種電子裝置，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其中，上述處理器通過計算機程序執行上述的風速隨機分布參數的確定方法。
15、根據本申請實施例的又一方面，還提供了一種計算機程序產品，包括計算機程序，所述計算機程序被處理器執行時實現本申請各個實施例中所述方法的步驟。
16、上述風速隨機分布參數的確定方法，首先獲取觀測點的歷史環境監測數據；然后基于歷史環境監測數據，采用預先建立的貝葉斯網絡模型估計觀測點的第一風速隨機分布參數。接下來采用第一風速隨機分布參數和歷史環境監測數據作為訓練樣本，訓練長短期記憶神經網絡模型，得到風速隨機分布參數預測模型。最后基于觀測點的當前環境監測數據，采用風速隨機分布參數預測模型，確定觀測點的第二風速隨機分布參數。由于貝葉斯網絡模型能本文檔來自技高網...
【技術保護點】
1.一種風速隨機分布參數的確定方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，在所述基于所述歷史環境監測數據，采用預先建立的貝葉斯網絡模型估計所述觀測點的第一風速隨機分布參數之前，所述方法包括：
3.根據權利要求2所述的方法，其特征在于，所述調整各節點之間的依賴關系，并確定貝葉斯網絡模型的評分函數值，直到所述貝葉斯網絡模型的評分函數值維持不變，包括：
4.根據權利要求3所述的方法，其特征在于，所述調整所述道德圖中的至少兩個節點之間的依賴關系，并重新確定貝葉斯網絡模型的評分函數值，直到所述貝葉斯網絡模型的評分函數值維持不變，包括：
5.根據權利要求1所述的方法，其特征在于，所述采用所述第一風速隨機分布參數和所述歷史環境監測數據作為訓練樣本，訓練長短期記憶神經網絡模型，得到風速隨機分布參數預測模型，包括：
6.根據權利要求1所述的方法，其特征在于，所述基于所述歷史環境監測數據，采用預先建立的貝葉斯網絡模型估計所述觀測點的第一風速隨機分布參數，包括：
7.一種風速隨機分布參數的確定裝置，
8.一種計算機可讀的存儲介質，其特征在于，所述計算機可讀的存儲介質包括存儲的程序，其中，所述程序運行時執行權利要求1至6中任一項所述的方法。
9.一種電子裝置，包括存儲器和處理器，其特征在于，所述存儲器中存儲有計算機程序，所述處理器被設置為通過所述計算機程序執行權利要求1至6中任一項所述的方法。
10.一種計算機程序產品，包括計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至6中任一項所述的方法。
...【技術特征摘要】
1.一種風速隨機分布參數的確定方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，在所述基于所述歷史環境監測數據，采用預先建立的貝葉斯網絡模型估計所述觀測點的第一風速隨機分布參數之前，所述方法包括：
3.根據權利要求2所述的方法，其特征在于，所述調整各節點之間的依賴關系，并確定貝葉斯網絡模型的評分函數值，直到所述貝葉斯網絡模型的評分函數值維持不變，包括：
4.根據權利要求3所述的方法，其特征在于，所述調整所述道德圖中的至少兩個節點之間的依賴關系，并重新確定貝葉斯網絡模型的評分函數值，直到所述貝葉斯網絡模型的評分函數值維持不變，包括：
5.根據權利要求1所述的方法，其特征在于，所述采用所述第一風速隨機分布參數和所述歷史環境監測數據作為訓練樣本，訓練長短期記憶神...
【專利技術屬性】
技術研發人員：馮樂，劉鑫，閆姝，張波，姚中原，張銘，王光文，
申請(專利權)人：盛東如東海上風力發電有限責任公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。