本发明涉及风速预测，具体是涉及基于relaxed lasso-lstm模型的短临风速预测方法。
背景技术：
1、风能作为一种清洁、可再生的能源，对于推动全球能源结构的绿色转型和应对气候变化具有重要意义。而风速预测则是风能利用过程中的关键环节。准确的风速预测不仅有助于风电场实现高效运行，减少能源浪费，还能帮助电网调度部门更好地进行电力平衡，确保电网的稳定运行。短临预报通常指12小时以内的短时天气预报，以及2小时以内的临近天气预报。
2、传统的风速预测方法包括统计方法和机器学习方法，统计方法包括例如lasso回归、岭回归等回归分析方法及自回归模型(autoregressive model，ar)、自回归差分移动平均模型(autoregressive integrated moving average model，arima)等时间序列分析方法，机器学习方法包括如随机森林、xgboost和lightgbm等。孙全德等人[孙全德,焦瑞莉,夏江江,等.基于机器学习的数值天气预报风速订正研究[j].气象,2019,45(3):426-436.]基于lasso回归、随机森林和深度学习方法，对近地面10m风速进行数据订正，首先利用lasso回归筛选出对10m风速有影响的气象要素特征集，并将其作为输入变量，结果显示lasso回归能够筛选出对风速有关的主要特征，且这三种机器学习算法相对与传统订正方法模式输出统计(model output statistics，mos)方法的订正效果更好。
3、相对于传统风速预测方法，深度学习模型能够灵活地拟合任意预测变量和概率分布函数的非线性关系，目前主流的气象预测模型主要为以u-net为代表的卷积神经网络(convolutionalneuralnetwork，cnn)、以长短期记忆神经网络(long short-termmemoryneuralnetwork,lstm)为代表的循环神经网络和以生成对抗网络(generativeadversarial network，gan)为代表的随机生成模型。然而，单一的深度学习模型仍难以适应复杂的风速动态变化，因此存在预测结果不准确和不稳定的缺点。组合预测模型能够有效提高预测的准确性和可靠性。
技术实现思路
1、为了解决现有的传统风速预测方法以及单个深度学习模型对于风速预测存在的问题，本发明将传统统计方法与深度学习方法相结合，能够有效克服单个模型的缺点，实现更准确和稳定的预测结果。
2、为解决上述问题，本发明采取如下的技术方案：
3、基于relaxed lasso-lstm模型的短临风速预测方法，该方法包括以下步骤：
4、步骤1：获取era5再分析数据，并按照预设的时间范围、空间范围、气象要素类型以及采样间隔对era5再分析数据进行采样，采集得到若干组实验数据；
5、步骤2：对实验数据进行数据预处理；
6、步骤3：对经过数据预处理后的实验数据进行多重共线性检验，剔除具有强线性相关性的气象要素，得到筛选后的数据，并将筛选后的数据划分为训练集和测试集；
7、步骤4：利用relaxed lasso回归方法对筛选后的数据进行气象要素特征变量选择，并根据relaxed lasso的回归系数对气象要素特征变量进行加权，作为lstm模型的输入，利用训练集对lstm模型进行训练；
8、步骤5：获取预测时间点前的风速数据作为历史数据输入，利用训练好的lstm模型对未来多步的风速进行预测，输出短临风速预测结果。
9、本发明的有益效果：本发明基于更适合稀疏高维数据的relaxed lasso回归方法，将特征选择后的气象要素作为lstm模型的输入数据，创新性地提出了一种基于relaxedlasso-lstm模型的短临风速预测方法，提升了风速预测的可解释性和准确性。
1.基于relaxed lasso-lstm模型的短临风速预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于relaxed lasso-lstm模型的短临风速预测方法，其特征在于，步骤2包括以下步骤：
3.根据权利要求2所述的基于relaxed lasso-lstm模型的短临风速预测方法，其特征在于，经过数据预处理后保留28个气象要素，分别为u10、v10、d2m、t2m、lblt、lict、lmld、lmlt、ltlt、lai_hv、lai_lv、skt、snowc、rsn、stl1、stl2、stl3、stl4、slhf、ssr、str、sp、sshf、ssrd、strd、tsn、wspd、wdir。
4.根据权利要求1所述的基于relaxed lasso-lstm模型的短临风速预测方法，其特征在于，在步骤3中，采用斯皮尔曼相关系数验证各气象要素之间的相关性。
5.根据权利要求1所述的基于relaxed lasso-lstm模型的短临风速预测方法，其特征在于，步骤3中剔除的气象要素包括d2m、t2m、ltlt、lai_hv、lai_lv、skt、stl1、stl2和tsn。
6.根据权利要求1所述的基于relaxed lasso-lstm模型的短临风速预测方法，其特征在于，利用relaxed lasso回归方法对筛选后的数据进行气象要素特征变量选择时，包括以下过程：
7.根据权利要求6所述的基于relaxed lasso-lstm模型的短临风速预测方法，其特征在于，利用relaxed lasso回归方法选择的气象要素特征变量为u10、v10、stl3和wspd。
8.根据权利要求1所述的基于relaxed lasso-lstm模型的短临风速预测方法，其特征在于，lstm模型的预测步长小于5。
9.根据权利要求1所述的基于relaxed lasso-lstm模型的短临风速预测方法，其特征在于，短临风速预测结果包括未来0时及未来4时的风速预测值。
10.根据权利要求1所述的基于relaxed lasso-lstm模型的短临风速预测方法，其特征在于，采样间隔为1小时。
