风速预测方法和系统

摘要

提供了一种风速预测方法和系统。所述风速预测方法包括：获取目标电场的风速数据集以及与目标电场对应的至少一个上游位置的风速数据集；基于目标电场的风速数据集和所述至少一个上游位置的风速数据集，确定有效上游位置；基于目标电场的风速数据集和有效上游位置的风速数据集对风速预测模型进行训练，得到训练完成的风速预测模型；将所述有效上游位置的实测风速，输入至训练完成的风速预测模型，得到目标电场在目标时刻的预测风速，其中，所述目标电场的风速数据集和所述至少一个上游位置的风速数据集是在所述目标时刻之前的预设时间段内测量获得的风速数据集。

权利要求

1.一种风速预测方法，其特征在于，所述方法包括：

获取目标电场的风速数据集以及与目标电场对应的至少一个上游位置的风速数据集；

基于目标电场的风速数据集和所述至少一个上游位置的风速数据集，确定有效上游位置；

基于目标电场的风速数据集和有效上游位置的风速数据集对风速预测模型进行训练，得到训练完成的风速预测模型；

将所述有效上游位置的实测风速，输入至训练完成的风速预测模型，得到目标电场在目标时刻的预测风速，其中，所述目标电场的风速数据集和所述至少一个上游位置的风速数据集是在所述目标时刻之前的预设时间段内测量获得的风速数据集。

2.如权利要求1所述的方法，其特征在于，所述上游位置包括上游电场和气象站中的至少一个。

3.如权利要求1所述的方法，其特征在于，所述基于目标电场的风速数据集和所述至少一个上游位置的风速数据集，确定有效上游位置，包括：计算目标电场的风速数据集中的第一风速数据集与第二风速数据集之间的第一相关性，其中，所述第二风速数据集由目标电场的风速数据集中在时间上与所述第一风速数据集中的各风速数据相隔预设风程时间间隔的风速数据构成；

分别计算目标电场的所述第一风速数据集与每个上游位置的第三风速数据集之间的第二相关性，其中，所述第三风速数据集由对应上游位置的风速数据集中在时间上与所述第一风速数据集中的各风速数据相隔所述预设风程时间间隔的风速数据构成；

响应于所述第一相关性和所述第二相关性满足预设条件，将与所述第二相关性对应的上游位置确定为所述有效上游位置。

4.如权利要求3所述的方法，其特征在于，所述预设条件，包括：所述第二相关性大于所述第一相关性，且，所述第二相关性大于预设值。

5.如权利要求3所述的方法，其特征在于，其中，所述预设风程时间间隔包括至少一个风程时间间隔，其中，当在确定的有效上游位置中存在与多个风程时间间隔对应的特定有效上游位置时，将所述特定有效上游位置作为与所述多个风程时间间隔中的每个风程时间间隔分别对应的多个有效上游位置进行使用。

6.如权利要求3所述的方法，其特征在于，所述基于目标电场的风速数据集和有效上游位置的风速数据集对风速预测模型进行训练，得到训练完成的风速预测模型，包括：从目标电场的风速数据集和有效上游位置的风速数据集中确定训练样本，其中，训练样本的标签是目标电场的风速数据集中的特定风速数据，并且训练样本的特征是每个有效上游位置的风速数据集中与所述特定风速数据的测量时间在时间上相隔与所述每个有效上游位置对应的风程时间间隔的风速数据；

通过所述训练样本对风速预测模型进行训练；

响应于满足训练停止条件，停止训练，得到完成训练的风速预测模型。

7.如权利要求1至6任一项所述的方法，其特征在于，所述预设时间段是紧接在所述目标时刻之前且与所述目标时刻具有相同或相似气候特征的一段时间。

8.一种风速预测系统，其特征在于，所述系统包括：

数据获取单元，被配置为获取目标电场的风速数据集以及与目标电场对应的至少一个上游位置的风速数据集；

上游位置确定单元，被配置为基于目标电场的风速数据集和所述至少一个上游位置的风速数据集，确定有效上游位置；

训练单元，被配置为基于目标电场的风速数据集和有效上游位置的风速数据集，得到训练完成的风速预测模型；以及预测单元，被配置为将所述有效上游位置的实测风速，输入至训练完成的风速预测模型，得到目标电场在目标时刻的预测风速，其中，所述目标电场的风速数据集和所述至少一个上游位置的风速数据集是在所述目标时刻之前的预设时间段内测量获得的风速数据集。

9.如权利要求8所述的系统，其特征在于，所述上游位置包括上游电场和气象站中的至少一个。

10.如权利要求8所述的系统，其特征在于，所述上游位置确定单元被配置为通过以下操作确定有效上游位置：计算目标电场的风速数据集中的第一风速数据集与第二风速数据集之间的第一相关性，其中，所述第二风速数据集由目标电场的风速数据集中在时间上与所述第一风速数据集中的各风速数据相隔预设风程时间间隔的风速数据构成；

分别计算目标电场的所述第一风速数据集与每个上游位置的第三风速数据集之间的第二相关性，其中，所述第三风速数据集由对应上游位置的风速数据集中在时间上与所述第一风速数据集中的各风速数据相隔所述预设风程时间间隔的风速数据构成；

响应于所述第一相关性和所述第二相关性满足预设条件，将与所述第二相关性对应的上游位置确定为所述有效上游位置。

11.如权利要求10所述的系统，其特征在于，所述预设条件，包括：所述第二相关性大于所述第一相关性，且，所述第二相关性大于预设值。

12.如权利要求10所述的系统，其特征在于，其中，所述预设风程时间间隔包括至少一个风程时间间隔，其中，当在确定的有效上游位置中存在与多个风程时间间隔对应的特定有效上游位置时，所述上游位置确定单元将所述特定有效上游位置作为与所述多个风程时间间隔中的每个风程时间间隔分别对应的多个有效上游位置进行使用。

13.如权利要求10所述的系统，其特征在于，所述训练单元被配置为通过以下操作得到训练完成的风速预测模型：从目标电场的风速数据集和有效上游位置的风速数据集中确定训练样本，其中，训练样本的标签是目标电场的风速数据集中的特定风速数据，并且训练样本的特征是每个有效上游位置的风速数据集中与所述特定风速数据的测量时间在时间上相隔与所述每个有效上游位置对应的风程时间间隔的风速数据；

通过所述训练样本对风速预测模型进行训练；

响应于满足训练停止条件，停止训练，得到完成训练的风速预测模型。

14.如权利要求8至13任一项所述的系统，其特征在于，所述预设时间段是紧接在所述目标时刻之前且与所述目标时刻具有相同或相似气候特征的一段时间。

15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1‑7中的任意一项所述的方法。

16.一种计算机设备，包括存储有计算机程序指令的可读介质，其特征在于，所述计算机程序指令包括用于执行如权利要求1‑7中的任意一项所述的方法的指令。

说明书

风速预测方法和系统

技术领域

[0001] 本申请涉及风电领域，更具体地讲，涉及一种风速预测方法和系统。

背景技术

[0002] 数值天气预报是指根据大气实际情况，在一定的初值和边值条件下，通过大型计算机进行数值计算，求解描写天气演变过程的流体力学和热力学的方程组，从而预测未来一定时段的大气运动状态和天气现象的方法。也就是说，数值天气预报是一种利用天气状况作为输入数据作出天气预报的手段。

[0003] 作为数值天气预报一种应用，数值天气预报可以以风速、风向等数据作为输入量，通过预测算法将预报的气象要素转换为风电场、光伏的输出功率预测。因此，数值天气预报数据的准确预报，可以为电力调度提供重要的决策支持，数值天气预报数据的准确率是新能源发电功率预测精度的重要决定因素之一。

[0004] 数值天气预报可被用于风电场的功率预测。然而，由于风电场的功率预测通常要求每15分钟预报一次，即，要求数值天气预报每15分钟预报一次风速，因此目前针对风电场的风速预测，数值天气预报存在以下两点难点：

[0005] 1、由于数值天气预报对天气系统移动的预报有提前或滞后的情况，导致难以准确地预报风速骤升骤降的时间点；

[0006] 2、数值天气预报全称为中尺度数值天气预报，仅在中尺度上(通常在15公里‑300公里的尺度上)对天气系统进行预测，但风电场所在位置的小尺度强阵风现象难以被捕捉到。

[0007] 此外，在预测风电场的风速时，也可利用上游电场实测风速的风况变化来对目标电场的风速预测进行修正，但现有技术的方法通常分析目标电场全年特征来建立上游电场库及相应的错时，从而利用机器学习进行预测。然而，在实际应用中，由于上下游效应有季节特征并且上下游关系不稳定，使用全部上游电场数据作为预测模型的输入来对预测模型进行训练，会混入大量不相关的电场数据，对预报结果产生干扰，导致预测的准确率降低，影响业务上报。因此，在预测目标电场的风速时，上游电场的选取至关重要。

发明内容

[0008] 为了至少解决现有技术中的上述问题，本申请提供了一种风速预测方法和系统。

[0009] 根据本申请的一方面，提供了一种风速预测方法，其特征在于，所述方法包括：获取目标电场的风速数据集以及与目标电场对应的至少一个上游位置的风速数据集；基于目标电场的风速数据集和所述至少一个上游位置的风速数据集，确定有效上游位置；基于目标电场的风速数据集和有效上游位置的风速数据集对风速预测模型进行训练，得到训练完成的风速预测模型；将所述有效上游位置的实测风速，输入至训练完成的风速预测模型，得到目标电场在目标时刻的预测风速，其中，所述目标电场的风速数据集和所述至少一个上游位置的风速数据集是在所述目标时刻之前的预设时间段内测量获得的风速数据集。

[0010] 所述上游位置可包括上游电场和气象站中的至少一个。

[0011] 所述基于目标电场的风速数据集和所述至少一个上游位置的风速数据集，确定有效上游位置，可包括：计算目标电场的风速数据集中的第一风速数据集与第二风速数据集之间的第一相关性，其中，所述第二风速数据集由目标电场的风速数据集中在时间上与所述第一风速数据集中的各风速数据相隔预设风程时间间隔的风速数据构成；分别计算目标电场的所述第一风速数据集与每个上游位置的第三风速数据集之间的第二相关性，其中，所述第三风速数据集由对应上游位置的风速数据集中在时间上与所述第一风速数据集中的各风速数据相隔所述预设风程时间间隔的风速数据构成；响应于所述第一相关性和所述第二相关性满足预设条件，将与所述第二相关性对应的上游位置确定为所述有效上游位置。

[0012] 所述预设条件可包括：所述第二相关性大于所述第一相关性，且所述第二相关性大于预设值。

[0013] 所述预设风程时间间隔可包括至少一个风程时间间隔，其中，当在确定的有效上游位置中存在与多个风程时间间隔对应的特定有效上游位置时，将所述特定有效上游位置作为与所述多个风程时间间隔中的每个风程时间间隔分别对应的多个有效上游位置进行使用。

[0014] 所述基于目标电场的风速数据集和有效上游位置的风速数据集对风速预测模型进行训练，得到训练完成的风速预测模型，可包括：从目标电场的风速数据集和有效上游位置的风速数据集中确定训练样本，其中，训练样本的标签是目标电场的风速数据集中的特定风速数据，并且训练样本的特征是每个有效上游位置的风速数据集中与所述特定风速数据的测量时间在时间上相隔与所述每个有效上游位置对应的风程时间间隔的风速数据；通过所述训练样本对风速预测模型进行训练；响应于满足训练停止条件，停止训练，得到完成训练的风速预测模型。

[0015] 所述预设时间段可以是紧接在所述目标时刻之前且与所述目标时刻具有相同或相似气候特征的一段时间。

[0016] 根据本申请的另一方面，提供了一种风速预测系统，其特征在于，所述系统包括：数据获取单元，被配置为获取目标电场的风速数据集以及与目标电场对应的至少一个上游位置的风速数据集；上游位置确定单元，被配置为基于目标电场的风速数据集和所述至少一个上游位置的风速数据集，确定有效上游位置；训练单元，被配置为基于目标电场的风速数据集和有效上游位置的风速数据集，得到训练完成的风速预测模型；以及预测单元，被配置为将所述有效上游位置的实测风速，输入至训练完成的风速预测模型，得到目标电场在目标时刻的预测风速，其中，所述目标电场的风速数据集和所述至少一个上游位置的风速数据集是在所述目标时刻之前的预设时间段内测量获得的风速数据集。

[0017] 所述上游位置可包括上游电场和气象站中的至少一个。

[0018] 所述上游位置确定单元可被配置为通过以下操作确定有效上游位置：计算目标电场的风速数据集中的第一风速数据集与第二风速数据集之间的第一相关性，其中，所述第二风速数据集由目标电场的风速数据集中在时间上与所述第一风速数据集中的各风速数据相隔预设风程时间间隔的风速数据构成；分别计算目标电场的所述第一风速数据集与每个上游位置的第三风速数据集之间的第二相关性，其中，所述第三风速数据集由对应上游位置的风速数据集中在时间上与所述第一风速数据集中的各风速数据相隔所述预设风程时间间隔的风速数据构成；响应于所述第一相关性和所述第二相关性满足预设条件，将与所述第二相关性对应的上游位置确定为所述有效上游位置。

[0019] 所述预设条件可包括：所述第二相关性大于所述第一相关性，且，所述第二相关性大于预设值。

[0020] 所述预设风程时间间隔可包括至少一个风程时间间隔，其中，当在确定的有效上游位置中存在与多个风程时间间隔对应的特定有效上游位置时，所述上游位置确定单元将所述特定有效上游位置作为与所述多个风程时间间隔中的每个风程时间间隔分别对应的多个有效上游位置进行使用。

[0021] 所述训练单元可被配置为通过以下操作得到训练完成的风速预测模型：从目标电场的风速数据集和有效上游位置的风速数据集中确定训练样本，其中，训练样本的标签是目标电场的风速数据集中的特定风速数据，并且训练样本的特征是每个有效上游位置的风速数据集中与所述特定风速数据的测量时间在时间上相隔与所述每个有效上游位置对应的风程时间间隔的风速数据；通过所述训练样本对风速预测模型进行训练；响应于满足训练停止条件，停止训练，得到完成训练的风速预测模型。

[0022] 所述预设时间段可以是紧接在所述目标时刻之前且与所述目标时刻具有相同或相似气候特征的一段时间。

[0023] 根据本申请的另一方面，提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述风速预测方法。

[0024] 根据本申请的另一方面，提供了一种计算机设备，包括存储有计算机程序指令的可读介质，其特征在于，所述计算机程序指令包括用于执行前述风速预测方法的指令。

[0025] 有益效果

[0026] 通过应用根据本申请的示例性实施例的风速预测方法和系统，能够结合目标电场在预测时的当时当地的气象特征，动态地选择上游电场并建立相应数据集来对风速预测模型进行训练，从而获得更加准确的预测结果。

附图说明

[0027] 从下面结合附图对本申请实施例的详细描述中，本申请的这些和/或其他方面和优点将变得更加清楚并更容易理解，其中：

[0028] 图1是示出根据本申请的示例性实施例的风速预测系统的框图。

[0029] 图2是示出根据本申请的示例性实施例的目标电场以及对应上游区域的示例示图；

[0030] 图3是示出根据本申请的示例性实施例的训练数据的示例示图；

[0031] 图4是示出根据本申请的示例性实施例的预测数据的示例示图；

[0032] 图5是示出根据本申请的示例性实施例的预测结果的示例示图；

[0033] 图6是示出根据本申请的示例性实施例的预测结果对比的示图；

[0034] 图7是示出根据本申请的示例性实施例的风速预测方法的流程图。

[0035] 在下文中，将结合附图详细描述本申请，贯穿附图，相同或相似的元件将用相同或相似的标号来指示。

具体实施方式

[0036] 提供以下参照附图进行的描述，以帮助全面理解由权利要求及其等同物限定的本申请的示例性实施例。所述描述包括各种特定细节以帮助理解，但这些细节被认为仅是示例性的。因此，本领域的普通技术人员将认识到：在不脱离本申请的范围和精神的情况下，可对这里描述的实施例进行各种改变和修改。此外，为了清楚和简明，可省略已知功能和构造的描述。

[0037] 图1是示出根据本申请的示例性实施例的风速预测系统100的框图。

[0038] 参照图1，根据本申请的示例性实施例的风速预测系统100可包括数据获取单元110、上游位置确定单元120、训练单元130以及预测单元140。

[0039] 数据获取单元110可被配置为获取目标电场的风速数据集以及与目标电场对应的至少一个上游位置的风速数据集。

[0040] 这里，所述目标电场(也可被称为“目标电场区域”)是指需要进行风速预测的电场或电场区域。所述上游位置是指相对于所述目标电场在涉及风向的上下游关系中处于上游区域的位置。在本申请的示例实施例中，所述上游位置可包括上游电场和气象站中的至少一个。

[0041] 图2是示出根据本申请的示例性实施例的目标电场以及对应上游区域的示例示图。

[0042] 如图2中所示，图2中箭头所指的方向为风向，标号为241、204和1270为目标电场，标号为228、394、444、447、285、257、211、231的电场为针对目标电场241、204和1270的上游电场。由于风从上游区域吹往目标电场，因此，可使用上游区域中的上游电场和/或气象站的风速数据来预测一段时间之后的目标电场的风速状况。

[0043] 在本申请的示例性实施例中，当期望预测目标电场在目标时刻的风速时，数据获取单元110可获取在目标时刻之前的预设时间段内测量获得的目标电场以及至少一个上游位置的风速数据集。所述预设时间段可以是紧接在目标时刻之前且与目标时刻具有相同或相似气候特征的一段时间，由此能够在利用诸如上下游效应算法的风速预测模型中减少气候特征变化所带来的影响。

[0044] 仅作为示例，可选择目标电场的在目标时刻之前的一个月所测量得到的轮毂高度的风速数据作为目标电场的风速数据集，并且类似地，可选择上游位置在目标时刻之前的一个月所测量得到的风速数据作为上游位置的风速数据集。这里，在风速数据集获取阶段，由于风向并非总是固定的，因此目标电场的上游位置实际可被设置为包括全部风电场中除目标电场以外的其余电场和/或气象站。

[0045] 此外，如果除了风电场之外还使用气象站作为上游位置，则由于气象站的风速数据的时间分辨率(例如，1小时，即，按照1小时的间隔测量的风速数据)可能与风电场的风速数据的时间分辨率(例如，15分钟，即，按照15分钟的间隔测量的风速数据)不同，在这种情况下，数据获取单元110可对风电场的风速数据进行插值，使得风电场和气象站的风速数据具有相同的时间分辨率。

[0046] 在数据获取单元110获取了目标电场和至少一个上游位置的风速数据集之后，上游位置确定单元120可基于目标电场的风速数据集和所述至少一个上游位置的风速数据集来确定有效上游位置。

[0047] 在本申请的示例性实施例中，上游位置确定单元120可通过计算目标电场的风速数据集中的风速数据的自相关性(在下文中，以corrself表示)以及目标电场的风速数据集中的风速数据与各个上游位置的风速数据集中的风速数据之间的相关性(在下文中，以corr表示)来确定有效上游位置。

[0048] 具体来说，上游位置确定单元120可计算目标电场的风速数据集中的第一风速数据集与第二风速数据集之间的第一相关性作为corrself，其中，所述第二风速数据集由目标电场的风速数据集中在时间上与所述第一风速数据集中的各风速数据相隔预设风程时间间隔的风速数据构成。

[0049] 例如，假设所述预设风程时间间隔为3小时，并且目标电场A的第一风速数据集是由2020年9月10日3点到10月10日3点这段时间测量获得的风速数据构成的风速数据集，则目标电场A的第二风速数据集可以是由2020年9月10日6点到10月10日6点这段时间测量获得的风速数据构成的风速数据集。此时，第一风速数据集和第二风速数据集的风速数据之间的相关性可由以下表达式1来计算：

[0050] [表达式1]

[0051]

[0052] 其中，Xi为第一风速数据集中的第i个风速数据，为第一风速数据集中的风速数据的平均值，Yi为第二风速数据集中的第i个风速数据， 为第二风速数据集中的风速数据的平均值，n为第一风速数据集和第二风速数据集中的风速数据的个数。

[0053] 此外，上游位置确定单元120还可分别计算目标电场的所述第一风速数据集与每个上游位置的第三风速数据集之间的第二相关性作为目标电场的风速数据与上游位置的风速数据的相关性corr，其中，所述第三风速数据集由对应上游位置的风速数据集中在时间上与第一风速数据集中的各风速数据相隔预设风程时间间隔的风速数据构成。

[0054] 例如，假设使用上述同一预设风程时间间隔(即，3小时，并且目标电场A的第一风速数据集是由2020年9月10日3点到10月10日3点这段时间测量获得的风速数据构成的风速数据集，则上游位置B的第三风速数据集可以是由2020年9月10日6点到10月10日6点这段时间在上游位置B测量获得的风速数据构成的风速数据集。计算第一风速数据集和第三风速数据集的风速数据之间的相关性corr的方式与以上基于表达式1计算第一风速数据集和第二风速数据集的风速数据之间的相关性corrself的方式相同，因此这里将不再进行更详细的描述。

[0055] 在如上计算出目标电场的风速数据的自相关性corrself(即，第一相关性)以及目标电场的风速数据与各个上游位置的风速数据之间的第二相关性corr之后，上游位置确定单元120可基于第一相关性和第二相关性是否满足预设条件来确定各个上游位置是否是有效上游位置(即，可在预测目标电场的风速时所使用的上游位置)。

[0056] 仅作为示例，在预设风程时间间隔为3小时的情况下，假设计算出目标电场A的风速数据与上游位置B的风速数据之间的第二相关性corr(B)，则可确定第一相关性corrself和第二相关性corr(B)是否满足以下条件：(1)第二相关性corr(B)是否高于第一相关性corrself；(2)第二相关性corr(B)是否高于预设阈值。当第一相关性corrself和第二相关性corr(B)均满足上述条件时，可将与第二相关性corr(B)对应的上游位置B确定为有效上游位置，并且确定有效上游位置B的对应有效风程时间间隔为3小时。

[0057] 在本申请的实施例中，可将上游位置仅包括上游电场时的用于与第二相关性进行比较的预设阈值设置为大于上游位置包括上游电场和气象站时的用于与第二相关性进行比较的预设阈值。例如，当上游位置仅包括上游电场时，所述预设阈值可被设置为0.8，而当上游位置包括上游电场和气象站时，所述预设阈值可被设置为0.6。这是因为在包括气象站的数据的情况下，由于气象站的风速数据的数据分辨率(例如，通常为1小时)大于风电场的风速数据的数据分辨率(例如，15分钟)，需要对风电场风速数据进行插值使得两者的数据分辨率相同，因此，与仅包括上游电场的情况下相比，可用数据量由于插值可能减少，使得计算出的第二相关性偏低。

[0058] 此外，尽管在上述示例中仅使用一个风程时间间隔为例进行了说明，但本申请不限于此，在确定有效上游位置的过程中可使用多个风程时间间隔，例如，可预先设置最小风程时间间隔和最大风程时间间隔，并从最小风程时间间隔开始以预设间隔逐步确定与每个风程时间间隔相应的有效上游位置。例如，可将最小风程时间间隔设置为3小时，并将最大风程时间间隔设置为9小时，然后以1小时为间隔，从3小时的风程时间间隔开始确定有效上游位置，从而可确定出与3小时的风程时间间隔对应的上游位置(即，所述上游位置的有效风程时间间隔为3小时)，与4小时的风程时间间隔对应的上游位置(即，所述上游位置的有效风程时间间隔为4小时)，以此类推。这样，可确定出具有不同有效风程时间间隔的多个有效上游位置。

[0059] 在本申请的示例性实施例中，当在确定的有效上游位置中存在与多个风程时间间隔对应的特定有效上游位置时，上游位置确定单元120可将所述特定有效上游位置作为与所述多个风程时间间隔中的每个风程时间间隔分别对应的多个有效上游位置进行使用。也就是说，例如，当针对3小时的风程时间间隔和4小时的风程时间间隔确定有效上游位置时，针对上游位置T的前述相关性计算结果均满足上述条件，则可将上游位置T视为两个有效上游位置(即，分别与3小时的风程时间间隔对应的一个有效上游位置以及与4小时的风程时间间隔对应的一个有效上游位置)在后续处理中使用。

[0060] 在如上确定了有效上游位置之后，根据本申请的示例性实施例的训练单元130可基于目标电场的风速数据集和有效上游位置的风速数据集，得到训练完成的风速预测模型。

[0061] 具体来说，训练单元130可从目标电场的风速数据集和有效上游位置的风速数据集中确定训练样本。在本申请的示例性实施例中，训练样本的标签可以是目标电场的风速数据集中的特定风速数据，并且训练样本的特征可以是每个有效上游位置的风速数据集中与所述特定风速数据的测量时间在时间上相隔与所述每个有效上游位置对应的风程时间间隔的风速数据。

[0062] 仅作为示例，可将目标电场A在2020年9月10日9点测量的风速数据作为标签，假设所确定的有效上游位置及其对应风程时间间隔为：(上游位置B，3小时)、(上游位置C，4小时)、(上游位置D，5小时)，则可通过上游位置B在2020年9月10日6点测量的风速数据、上游位置C在2020年9月10日5点测量的风速数据、以及上游位置D在2020年9月10日4点测量的风速数据构成训练样本的特征。可选地，在本申请的示例性实施例中，目标电场A自身的实测风速数据和/或通过现有的数值天气预报算法预测得到的风速数据也可以作为训练样本的特征，以丰富模型的训练数据。此时，对应风程时间间隔可取最小风程时间间隔，例如，可将目标电场A在2020年9月10日6点实测的风速数据和/或通过数值天气预报算法预测得到的在2020年9月10日6点的风速数据添加作为训练样本的特征。所述现有的数值天气预报算法可包括例如，多元气象融合算法、模式输出统计(MOS)方法、完全预报(PP)方法、卡尔曼滤波(KF)算法、集合预报、相似预报等中的至少一个。

[0063] 图3是示出根据本申请的示例性实施例的训练数据的示例示图。

[0064] 在图3中，x轴指示时间，y轴指示风速，204表示目标电场(参照图2所示)，211、231和257为所确定的有效上游电场，204‑obs为目标电场的真值数据(即，实际测量数据)，211‑obs、231‑obs和257‑obs分别是上游电场211、231和257的真值数据，opt为使用现有的多元气象融合算法获得的针对目标电场204的数值天气预报结果。

[0065] 从图3的针对2020年9月份的风速时序图可看出，根据本申请的实施例所选择的有效上游电场211、231和257与目标电场204在风速上确有上下游关系，例如，211‑obs、231‑obs和257‑obs风速先上升，随后3‑6小时内，目标电场204‑obs的风速也上升，它们具有相似的风速上升趋势，并且风速下降趋势亦同。因此可以预测至少3小时后的目标电场的风速。

[0066] 图4是示出根据本申请的示例性实施例的预测数据的示例示图。

[0067] 如图4所示的风速时序图可以看出(该图中的各参数以及标号与图3相同)，依据图3所示的9月份整月风速数据动态选取的上游电场211、231和257与目标电场204在10月初也具有明显上下游关系，由此可见根据本申请的上游电场动态选取方案的优异性。

[0068] 返回参照图1，训练单元130可通过训练样本对风速预测模型进行训练，并且响应于满足训练停止条件，停止训练，得到完成训练的风速预测模型。这里，停止条件可以是风速预测模型的预测准确率高于阈值，或者也可以是其他合适的各种条件。

[0069] 在风速预测模型完成训练之后，预测单元140可将有效上游位置的实测风速输入至训练完成的风速预测模型，从而得到目标电场在目标时刻的预测风速。

[0070] 仅作为示例，假设目标时刻是2020年10月4日9点，则预测单元140可将上游位置B在2020年10月4日6点测量的风速数据、上游位置C在2020年10月4日5点测量的风速数据、以及上游位置D在2020年10月4日4点测量的风速数据作为预测样本特征被输入至风速预测模型，从而可预测出目标电场在2020年10月4日9点的风速。可选地，在本申请的示例性实施例中，目标电场A自身的实测风速数据和/或通过现有的数值天气预报算法预测得到的风速数据也可以作为预测样本的特征，此时，对应风程时间间隔可取最小风程时间间隔，例如，可将目标电场A在2020年10月4日6点实测的风速数据和/或通过数值天气预报算法预测得到的在2020年10月4日6点的风速数据添加作为预测样本的特征。

[0071] 图5是示出根据本申请的示例性实施例的预测结果的示例示图。

[0072] 图5中的各参数以及标号与图3相同，此外，MLP为使用根据本申请的示例性实施例的风速预测模型进行预测的结果，“MLP‑without上游”为根据本申请的示例性实施例的风速预测模型没有使用上游电场数据的预测结果(即，在训练和预测中，不使用有效上游电场的相关风速数据，而是可使用例如opt多源气象融合算法预报结果及目标电场自身的风速数据)。从图5可知，MLP明显更快响应风速骤升。

[0073] 图6是示出根据本申请的示例性实施例的预测结果对比的示图。

[0074] 图6中的各参数的定义与前面描述的相同，此外MLP‑without204为不使用目标电场自身的风速数据，而仅用上游位置的风速数据进行预测的结果；MLP‑without‑opt为风速预测模型不使用opt数值天气预报结果，仅使用实测风速进行预报的结果；204‑shift‑3h为将目标电场204风速往后平移3小时作为基础模型对照试验组的结果。

[0075] 从图6可以看出根据本申请的示例性实施例的风速预测效果在相关性R和均方根误差rmse两个指标上效果均最好，这表示根据本申请预测出的风速曲线结果在趋势以及值的预报上都最接近观测值。

[0076] 图7是示出根据本申请的示例性实施例的风速预测方法700的流程图。

[0077] 如图7所示，在步骤S710，可通过数据获取单元110获取目标电场的风速数据集以及与目标电场对应的至少一个上游位置的风速数据集。

[0078] 在步骤S720，可通过上游位置确定单元120基于目标电场的风速数据集和所述至少一个上游位置的风速数据集，确定有效上游位置。

[0079] 在步骤S730，训练单元130可基于目标电场的风速数据集和有效上游位置的风速数据集对风速预测模型进行训练，得到训练完成的风速预测模型。

[0080] 最后，在步骤S740，预测单元140可将所述有效上游位置的实测风速，输入至训练完成的风速预测模型，得到目标电场在目标时刻的预测风速。

[0081] 在本申请的示例性实施例中，目标电场的风速数据集和所述至少一个上游位置的风速数据集是在所述目标时刻之前的预设时间段内测量获得的风速数据集。以上已结合图1和图6对风速预测系统100的各项操作进行了详细描述，因此为了简明，这里将不再进行赘述。

[0082] 通过应用根据本申请的示例性实施例的风速预测方法和系统，能够结合目标电场在预测时的当时当地的气象特征，动态地选择上游电场并建立相关风速数据集来对风速预测模型进行训练，从而获得更加准确的预测结果。

[0083] 以上已参照图1至图7描述了根据本公开的示例性实施例的风速预测方法和系统。然而，应理解的是：附图中示出的装置和系统可被分别配置为执行特定功能的软件、硬件、固件或上述项的任意组合。例如，这些系统、装置可对应于专用的集成电路，也可对应于纯粹的软件代码，还可对应于软件与硬件相结合的模块。此外，这些系统或装置所实现的一个或多个功能也可由物理实体设备(例如，处理器、客户端或服务器等)中的组件来统一执行。

[0084] 此外，上述方法可通过记录在计算机可读存储介质上的计算机程序指令来实现，所述计算机程序指令在被处理器或其他类型的计算装置执行时实现该方法。所述存储介质还可单独包括程序指令、数据文件、数据结构等或数据文件、数据结构等与程序指令的组合。计算机可读存储介质的示例包括磁介质(例如，硬盘、软盘和磁带)、光介质(例如，CD ROM盘和DVD)、磁光介质(例如，光盘)以及专门配置为存储和执行程序指令的硬件装置(例如，只读存储器(ROM)、随机存取存储器(RAM)、闪存等)。程序指令的示例包括(例如，由编译器产生的)机器代码和包含可由计算机使用解释器执行的更高级代码的文件。描述的硬件装置可被配置用作一个或多个软件单元以执行上述操作和方法，反之亦然。此外，计算机可读存储介质可分布在通过网络连接的计算机系统中，并且计算机可读代码或程序指令可以以分布方式被存储和执行。

[0085] 例如，根据本申请的示例性实施例，可提供一种存储指令的计算机可读存储介质，其中，当所述指令被至少一个计算装置运行时，促使所述至少一个计算装置执行以下步骤：获取目标电场的风速数据集以及与目标电场对应的至少一个上游位置的风速数据集；基于目标电场的风速数据集和所述至少一个上游位置的风速数据集，确定有效上游位置；基于目标电场的风速数据集和有效上游位置的风速数据集对风速预测模型进行训练，得到训练完成的风速预测模型；将所述有效上游位置的实测风速，输入至训练完成的风速预测模型，得到目标电场在目标时刻的预测风速，其中，所述目标电场的风速数据集和所述至少一个上游位置的风速数据集是在所述目标时刻之前的预设时间段内测量获得的风速数据集。

[0086] 上述计算机可读存储介质中存储的指令可在诸如客户端、主机、代理装置、服务器等计算机设备中部署的环境中运行，应注意，所述指令还可用于执行除了上述步骤以外的附加步骤或者在执行上述步骤时执行更为具体的处理，这些附加步骤和进一步处理的内容已经在参照图1至图7进行相关系统和方法的描述过程中提及，因此这里为了避免重复将不再进行赘述。

[0087] 应注意，根据本公开示例性实施例的风速预测系统和方法可完全依赖计算机程序或指令的运行来实现相应的功能，即，各个装置在计算机程序的功能架构中与各步骤相应，使得整个系统通过专门的软件包(例如，lib库)而被调用，以实现相应的功能。

[0088] 另一方面，当图1所示的系统和装置以软件、固件、中间件或微代码实现时，用于执行相应操作的程序代码或者代码段可以存储在诸如存储介质的计算机可读介质中，使得至少一个处理器或至少一个计算装置可通过读取并运行相应的程序代码或者代码段来执行相应的操作。

[0089] 例如，根据本申请示例性实施例，可提供一种包括存储有计算机程序指令的可读介质的计算机设备，其中，所述指令在被至少一个计算装置运行时，促使所述至少一个计算装置执行下述步骤：获取目标电场的风速数据集以及与目标电场对应的至少一个上游位置的风速数据集；基于目标电场的风速数据集和所述至少一个上游位置的风速数据集，确定有效上游位置；基于目标电场的风速数据集和有效上游位置的风速数据集对风速预测模型进行训练，得到训练完成的风速预测模型；将所述有效上游位置的实测风速，输入至训练完成的风速预测模型，得到目标电场在目标时刻的预测风速，其中，所述目标电场的风速数据集和所述至少一个上游位置的风速数据集是在所述目标时刻之前的预设时间段内测量获得的风速数据集。

[0090] 具体说来，上述系统可以部署在服务器或客户端中，也可以部署在分布式网络环境中的节点上。此外，所述系统可以是PC计算机、平板装置、个人数字助理、智能手机、web应用或其他能够执行上述指令集合的装置。此外，所述系统还可包括视频显示器(诸如，液晶显示器)和用户交互接口(诸如，键盘、鼠标、触摸输入装置等)。另外，所述系统的所有组件可经由总线和/或网络而彼此连接。

[0091] 这里，所述系统并非必须是单个系统，还可以是任何能够单独或联合执行上述指令(或指令集)的装置或电路的集合体。所述系统还可以是集成控制系统或系统管理器的一部分，或者可被配置为与本地或远程(例如，经由无线传输)以接口互联的便携式电子装置。

[0092] 在所述系统中，所述至少一个计算装置可包括中央处理器(CPU)、图形处理器(GPU)、可编程逻辑装置、专用处理器系统、微控制器或微处理器。作为示例而非限制，所述至少一个计算装置还可包括模拟处理器、数字处理器、微处理器、多核处理器、处理器阵列、网络处理器等。计算装置可运行存储在存储装置之一中的指令或代码，其中，所述存储装置还可以存储数据。指令和数据还可经由网络接口装置而通过网络被发送和接收，其中，所述网络接口装置可采用任何已知的传输协议。

[0093] 存储装置可与计算装置集成为一体，例如，将RAM或闪存布置在集成电路微处理器等之内。此外，存储装置可包括独立的装置，诸如，外部盘驱动、存储阵列或任何数据库系统可使用的其他存储装置。存储装置和计算装置可在操作上进行耦合，或者可例如通过I/O端口、网络连接等互相通信，使得计算装置能够读取存储在存储装置中的指令。

[0094] 尽管已经参照其示例性实施例具体显示和描述了本申请，但是本领域的技术人员应该理解，在不脱离权利要求所限定的本申请的精神和范围的情况下，可以对其进行形式和细节上的各种改变。