CN116757340B - 风电场短期风速融合预测方法及装置 - Google Patents
风电场短期风速融合预测方法及装置 Download PDFInfo
- Publication number
- CN116757340B CN116757340B CN202311054410.XA CN202311054410A CN116757340B CN 116757340 B CN116757340 B CN 116757340B CN 202311054410 A CN202311054410 A CN 202311054410A CN 116757340 B CN116757340 B CN 116757340B
- Authority
- CN
- China
- Prior art keywords
- data
- forecast
- wind energy
- data set
- historical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 230000004927 fusion Effects 0.000 title claims abstract description 17
- 238000012937 correction Methods 0.000 claims abstract description 14
- 238000013507 mapping Methods 0.000 claims description 43
- 230000008569 process Effects 0.000 claims description 35
- 239000006185 dispersion Substances 0.000 claims description 17
- 239000012634 fragment Substances 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 description 11
- 238000007619 statistical method Methods 0.000 description 9
- 238000012417 linear regression Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000002706 hydrostatic effect Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种风电场短期风速融合预测方法及装置,包括:制作针对风能气象的集合预报数据集ENS0;根据集合预报数据集ENS0的大气对流状态指标I0选定媒介时间窗口W0;遍历优选得到媒介时间窗口W0对应的历史数据集D100;利用历史数据集D100优化修正未来预报的风能气象数据并进行功率预测。本发明可以有效优化强对流等极端天气场景下的数值预报订正效果,并进一步提高以订正气象源作为输入的光伏或风电功率预测的精度。
Description
技术领域
本发明属于新能源电力技术领域,特别是涉及到一种风电场短期风速融合预测方法及装置。
背景技术
随着风能、太阳能新能源发电规模增长巨大,近年来新增发电装机容量有超过半数为新能源发电。然而风能引起自然属性具有很强波动性。如何精确预测风能发电,减少其波动性对电网的冲击,是目前新能源功率预测面临的重大问题。
现有新能源功率预测技术基本都以世界各大气象业务机构的数值天气预报数据为基础进行统计修正。因为各数值天气预报所使用的动力框架、物理方案都不完美,同化的观测数据也较稀疏,各数值天气预报均会有一定程度偏差。随着气候变化加剧,极端天气事件发生的频率越来越高,数值天气预报往往会在此时出现较大偏差。例如,当出现强对流等极端天气时,近地面边界层往往会伴随有较强阵风等剧烈变化天气过程,风机轮毂高度处气象要素预报会出现较大偏差。
现有技术若需要使用数值天气预报数据作为机器学习等数学统计方法的输入进行统计修正,往往无差别使用历史数据作为数学统计方法的输入,既没有对历史数据集里面的合理的、却对机器学习等数学统计方法有负效果的数据进行优化,也没有针对强对流等极端天气场景区分并优选用于统计修正的历史输入数据。统计修正结果在强对流等极端天气场景下的时间变化和空间适用性上都存在较大风险,影响了新能源风功率预测精度。
发明内容
针对现有技术中的问题,本发明提出一种风电场短期风速融合预测方法及装置,解决强对流等极端天气下新能源风功率预测精度提升问题。
为达到上述目的,本发明的技术方案是这样实现的:
一种风电场短期风速融合预测方法,包括:
S101:制作针对风能气象的集合预报数据集ENS0;
准备风能气象观测数据集OBS0;基于风能气象观测数据集OBS0,通过数值天气预报模式及其同化***,得到针对风能气象的集合预报数据集ENS0;所述集合预报数据集ENS0包括历史预报数据和未来预报数据;
S102:根据集合预报数据集ENS0的大气对流状态指标I0选定媒介时间窗口W0;
计算集合预报数据集ENS0的大气Q矢量散度的集合平均和集合离散,作为大气对流状态指标I0,选取集合预报数据集ENS0中历史预报数据与未来预报数据的大气对流状态指标I0的偏差最小的历史数据时间窗口作为媒介时间窗口W0;
S103:遍历优选得到媒介时间窗口W0对应的历史数据集D100;
所述集合预报数据集ENS0和所述风能气象观测数据集OBS0分别去除媒介时间窗口W0对应的集合预报数据片段和风能气象观测数据片段,然后通过建立映射关系得到媒介时间窗口W0对应的修正风能气象数据;
所述集合预报数据集ENS0和所述风能气象观测数据集OBS0分别去除媒介时间窗口W0对应的数据片段后,再去除某一时间点对应的数据片段,通过建立映射关系得到媒介时间窗口W0对应的优化修正风能气象数据;
比较所述修正风能气象数据和所述优化修正风能气象数据分别与媒介时间窗口W0对应的风能气象观测数据片段的偏差,保留偏差小的集合预报数据和风能气象观测数据;
对每一个时间点遍历重复上述过程,得到保留下来的集合预报数据和风能气象观测数据构成历史数据集D100;
S104:利用历史数据集D100优化修正未来预报的风能气象数据并进行功率预测。
进一步的,步骤S101具体包括:
S201:准备风能气象观测数据集OBS0;
选择数值天气预报模式,将风能气象观测数据通过数值天气预报模式所对应的数据同化***得到风能气象观测数据集OBS0;
S202:准备风能气象的集合预报数据集ENS0;
使用各大世界气象中心的集合预报数据或全球网格化数值天气预报数据作为输入,运行所述数值天气预报模式,得到一组集合预报数据,然后将集合预报数据结合所述风能气象观测数据集OBS0,通过所述数据同化***更新集合扰动,再通过所述数值天气预报模式进行预报,得到下一个循环的集合预报数据;重复上述集合预报-集合同化过程,得到风能气象的集合预报数据集ENS0。
进一步的,步骤S102具体包括:
S301:计算集合预报数据集ENS0每个集合成员的大气Q矢量散度;计算过程包括:
(1)通过所述集合预报数据集ENS0每个集合成员的位势高度场等压面数据计算每个集合成员的地转风;
(2)通过所述每个集合成员的地转风计算每个集合成员的大气Q矢量;
(3)通过所述每个集合成员的大气Q矢量计算每个集合成员的大气Q矢量散度;
S302:计算集合预报数据集ENS0大气Q矢量散度的集合平均和集合离散;
;其中/>为集合预报数据集ENS0大气Q矢量散度的集合平均,Qdivi为集合预报数据集ENS0的第i个集合成员的大气Q矢量散度,n为集合成员的个数;
;其中Qdiv’为集合预报数据集ENS0大气Q矢量散度的集合离散;
集合预报数据集ENS0大气Q矢量散度的集合平均和集合离散共同构成大气对流状态指标I0;
S303:根据集合预报数据集ENS0选定媒介时间窗口W0;
若集合预报数据集ENS0中未来预报数据ENS0_forecast的时间长度为T0,首先在集合预报数据集ENS0的历史预报数据中任意选定一个时间长度为T0的时间窗口W0_history,计算时间窗口W0_history对应历史预报数据片段的大气对流状态指标I0_history与未来预报数据的大气对流状态指标I0_forecast的偏差E0;
重复上述过程,遍历计算集合预报数据集ENS0的历史预报数据中每一段时间长度为T0的数据片段与未来预报数据大气对流状态指标E0;
选取上述所有数据片段中E0最小的数据片段所对应时间窗口,作为媒介时间窗口W0。
进一步的,步骤S103具体包括:
S401:计算媒介时间窗口W0的修正风能气象数据;
选定媒介时间窗口W0对应的集合预报数据集ENS0的数据片段作为媒介历史集合预报ENS1001,选定媒介时间窗口W0对应的风能气象观测数据集OBS0的数据片段作为媒介观测数据OBS1001,媒介历史集合预报ENS1001和媒介观测数据OBS1001共同构成媒介时间窗口W0对应的历史数据集D1001;
选定去除媒介历史集合预报ENS1001后集合预报数据集ENS0剩余的历史预报数据作为历史集合预报数据集ENS1002,选定去除媒介观测数据OBS1001后风能气象观测数据集OBS0剩余的历史风能气象观测数据作为风能气象观测数据集OBS1002,历史集合预报数据集ENS1002和风能气象观测数据集OBS1002共同构成历史数据集D1002;
利用数学统计方法建立历史数据集D1002中历史集合预报数据集ENS1002和风能气象观测数据集OBS1002的映射关系R1002;
将媒介历史集合预报ENS1001带入映射关系R1002中,得到修正风能气象数据FCST1002;
计算修正风能气象数据FCST1002和媒介观测数据OBS1001的均方根误差RMSE1002;
;
S402:遍历优选得到历史数据集D100;
去除历史数据集D1002某一时间点的集合预报数据片段和风能气象观测数据片段,得到历史集合预报数据集ENS1003和风能气象观测数据集OBS1003,作为历史数据集D1003;
利用数学统计方法建立历史数据集D1003中历史集合预报数据集ENS1003和风能气象观测数据集OBS1003的映射关系R1003;
将媒介历史集合预报ENS1001带入映射关系R1003中,得到优化修正风能气象数据FCST1003;
计算优化修正风能气象数据FCST1003和媒介观测数据OBS1001的均方根误差RMSE1003;
;
若RMSE1003优于RMSE1002,则在历史数据集D1002中去除该时间点对应的集合预报数据片段和风能气象观测数据片段;
若RMSE1003劣于RMSE1002,则历史数据集D1002保持不变;
遍历历史数据集D1002中的每一个时间点,重复上述过程,计算并比较每一个时间点的RMSE1003和RMSE1002,去除RMSE1003优于RMSE1002对应时间点的集合预报数据片段和风能气象观测数据片段,得到优选的历史数据集D100。
进一步的,步骤S104具体包括:
利用数学统计方法建立历史数据集D100中的风能气象观测数据集和历史集合预报数据集的映射关系R100,然后将集合预报数据集ENS0中的未来预报数据带入映射关系R100中,得到修正后的未来预报的风能气象数据FCST100;根据风力发电机的风速-功率设计曲线或其他风速-功率预测模型,将预报风速转换为相应的风电功率POWER100。
本发明另一方面还提出了一种风电场短期风速融合预测装置,包括:
集合预报数据集模块:制作针对风能气象的集合预报数据集ENS0;准备风能气象观测数据集OBS0;基于风能气象观测数据集OBS0,通过数值天气预报模式及其同化***,得到针对风能气象的集合预报数据集ENS0;所述集合预报数据集ENS0包括历史预报数据和未来预报数据;
媒介时间窗口模块:根据集合预报数据集ENS0的大气对流状态指标I0选定媒介时间窗口W0;计算集合预报数据集ENS0的大气Q矢量散度的集合平均和集合离散,作为大气对流状态指标I0,选取集合预报数据集ENS0中历史预报数据与未来预报数据的大气对流状态指标I0的偏差最小的历史数据时间窗口作为媒介时间窗口W0;
优选数据集模块:遍历优选得到媒介时间窗口W0对应的历史数据集D100;所述集合预报数据集ENS0和所述风能气象观测数据集OBS0分别去除媒介时间窗口W0对应的集合预报数据片段和风能气象观测数据片段,然后通过建立映射关系得到媒介时间窗口W0对应的修正风能气象数据;所述集合预报数据集ENS0和所述风能气象观测数据集OBS0分别去除媒介时间窗口W0对应的数据片段后,再去除某一时间点对应的数据片段,通过建立映射关系得到媒介时间窗口W0对应的优化修正风能气象数据;比较所述修正风能气象数据和所述优化修正风能气象数据分别与媒介时间窗口W0对应的风能气象观测数据片段的偏差,保留偏差小的集合预报数据和风能气象观测数据;对每一个时间点遍历重复上述过程,得到保留下来的集合预报数据和风能气象观测数据构成历史数据集D100;
功率预测模块:利用历史数据集D100优化修正未来预报的风能气象数据并进行功率预测。
进一步的,所述集合预报数据集模块包括:
风能气象观测数据集单元:准备风能气象观测数据集OBS0;选择数值天气预报模式,将风能气象观测数据通过数值天气预报模式所对应的数据同化***得到风能气象观测数据集OBS0;
集合预报数据集单元:准备风能气象的集合预报数据集ENS0;使用各大世界气象中心的集合预报数据或全球网格化数值天气预报数据作为输入,运行所述数值天气预报模式,得到一组集合预报数据,然后将集合预报数据结合所述风能气象观测数据集OBS0,通过所述数据同化***更新集合扰动,再通过所述数值天气预报模式进行预报,得到下一个循环的集合预报数据;重复上述集合预报-集合同化过程,得到风能气象的集合预报数据集ENS0。
进一步的,所述媒介时间窗口模块包括:
大气Q矢量散度单元:计算集合预报数据集ENS0每个集合成员的大气Q矢量散度;计算过程包括通过所述集合预报数据集ENS0每个集合成员的位势高度场等压面数据计算每个集合成员的地转风;通过所述每个集合成员的地转风计算每个集合成员的大气Q矢量;通过所述每个集合成员的大气Q矢量计算每个集合成员的大气Q矢量散度;
大气对流状态指标单元:计算集合预报数据集ENS0大气Q矢量散度的集合平均和集合离散;;其中/>为集合预报数据集ENS0大气Q矢量散度的集合平均,Qdivi为集合预报数据集ENS0的第i个集合成员的大气Q矢量散度,n为集合成员的个数;;其中Qdiv’为集合预报数据集ENS0大气Q矢量散度的集合离散;集合预报数据集ENS0大气Q矢量散度的集合平均和集合离散共同构成大气对流状态指标I0;
媒介时间窗口单元:根据集合预报数据集ENS0选定媒介时间窗口W0;
若集合预报数据集ENS0中未来预报数据ENS0_forecast的时间长度为T0,首先在集合预报数据集ENS0的历史预报数据中任意选定一个时间长度为T0的时间窗口W0_history,计算时间窗口W0_history对应历史预报数据片段的大气对流状态指标I0_history与未来预报数据的大气对流状态指标I0_forecast的偏差E0;
重复上述过程,遍历计算集合预报数据集ENS0历史预报数据中每一段时间长度为T0的数据片段与未来预报数据大气对流状态指标E0;
选取上述所有数据片段中E0最小的数据片段所对应时间窗口,作为媒介时间窗口W0。
进一步的,所述优选数据集模块包括:
修正单元:计算媒介时间窗口W0的修正风能气象数据;选定媒介时间窗口W0对应的集合预报数据集ENS0的数据片段作为媒介历史集合预报ENS1001,选定媒介时间窗口W0对应的风能气象观测数据集OBS0的数据片段作为媒介观测数据OBS1001,媒介历史集合预报ENS1001和媒介观测数据OBS1001共同构成媒介时间窗口W0对应的历史数据集D1001;选定去除媒介历史集合预报ENS1001后集合预报数据集ENS0剩余的历史预报数据作为历史集合预报数据集ENS1002,选定去除媒介观测数据OBS1001后风能气象观测数据集OBS0剩余的历史风能气象观测数据作为风能气象观测数据集OBS1002,历史集合预报数据集ENS1002和风能气象观测数据集OBS1002共同构成历史数据集D1002;利用数学统计方法建立历史数据集D1002中历史集合预报数据集ENS1002和风能气象观测数据集OBS1002的映射关系R1002;将媒介历史集合预报ENS1001带入映射关系R1002中,得到修正风能气象数据FCST1002;计算修正风能气象数据FCST1002和媒介观测数据OBS1001的均方根误差RMSE1002;;
遍历单元:遍历优选得到历史数据集D100;去除历史数据集D1002某一时间点的集合预报数据片段和风能气象观测数据片段,得到历史集合预报数据集ENS1003和风能气象观测数据集OBS1003,作为历史数据集D1003;利用数学统计方法建立历史数据集D1003中历史集合预报数据集ENS1003和风能气象观测数据集OBS1003的映射关系R1003;将媒介历史集合预报ENS1001带入映射关系R1003中,得到优化修正风能气象数据FCST1003;计算优化修正风能气象数据FCST1003和媒介观测数据OBS1001的均方根误差RMSE1003;;若RMSE1003优于RMSE1002,则在历史数据集D1002中去除该时间点对应的集合预报数据片段和风能气象观测数据片段;若RMSE1003劣于RMSE1002,则历史数据集D1002保持不变;遍历历史数据集D1002中的每一个时间点,重复上述过程,计算并比较每一个时间点的RMSE1003和RMSE1002,去除RMSE1003优于RMSE1002对应时间点的集合预报数据片段和风能气象观测数据片段,得到优选的历史数据集D100。
进一步的,所述功率预测模块包括:
利用数学统计方法建立历史数据集D100中的风能气象观测数据集和历史集合预报数据集的映射关系R100,然后将集合预报数据集ENS0中的未来预报数据带入映射关系R100中,得到修正后的未来预报的风能气象数据FCST100;根据风力发电机的风速-功率设计曲线或其他风速-功率预测模型,将预报风速转换为相应的风电功率POWER100。
与现有技术相比,本发明具有如下的有益效果:
1) 本发明综合考虑了大气对流状态等因素,分类优化了强对流等极端天气场景下数值天气预报的统计订正,将统计订正方法使用的历史输入数据按照未来预报数据的对流状态进行了区分,可以有效优化强对流等极端天气场景下的数值预报订正效果,并进一步提高以订正气象源作为输入的光伏或风电功率预测的精度。
2) 本发明通过定义媒介时间窗口,将未来预报数据的对流状态信息传递至历史媒介时间窗口,发挥历史媒介时间窗口兼具未来预报数据对流状态信息和预报与观测数据的优势,克服未来预报数据无法对应观测的缺陷,间接优化用于未来预报统计订正的历史输入数据。
附图说明
图1是本发明实施例的主流程示意图;
图2是本发明实施例的S101的详细步骤示意图;
图3是本发明实施例的S102的详细步骤示意图;
图4是本发明实施例的S103的详细步骤示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
为使本发明专利的目的、特征更明显易懂,下面结合附图对本发明专利的具体实施方式作进一步的说明。
首先,对本实施例中出现的专业术语进行解释如下:
数值天气预报:根据大气实际情况,在一定的初值和边值条件下,通过大型计算机作数值计算,求解描写天气演变过程的流体力学和热力学的方程组,预测未来一定时段的大气热力动力状态和天气现象。
集合预报:对同一有效预报时间的一组不同的预报结果,各预报间的差异可提供有关被预报量的概率分布的信息,在集合预报中的各个预报可具有不同的初始条件、边界条件、参数设定,甚至可用完全独立的数值天气预报模式生成。
大气对流:大气中的一团空气在热力或动力作用下的垂直上升运动。
WRF模式:Weather Research and Forecasting 模式是由美国国家大气研究中心等世界各大气象科研机构联合开发的一种数值天气预报模式。WRF模式为完全可压缩的非静力模式,采用Fortran语言编写。水平网格采用Arakawa C网格,垂直方向则采用压强-地形跟随混合质量坐标,在时间积分方面采用三阶或者四阶的Runge-Kutta算法。WRF模式可以用于真实天气的个案模拟,也可用于理想实验。本实施例以WRF模式为例,说明区域大气网格化数据生产过程。
WRFDA同化***:WRF Data Assimilation***是由美国国家大气研究中心等世界各大气象科研机构联合开发的一种数据同化***。WRFDA同化***可以使用三维变分、四维变分、集合-变分混合同化、集合卡尔曼滤波等方法,可以同化传统气象站观测、气象多普勒雷达观测、卫星辐射观测、GPS掩星观测等。本实施例以WRFDA同化***为例,说明区域大气网格化数据生产过程。
MPAS模式:Model for Prediction Across Scales模式是由美国国家大气研究中心等世界各大气象科研机构联合开发的一种全球数值天气预报模式。MPAS模式为完全可压缩的非静力模式,采用Fortran语言编写。水平网格采用Arakawa C网格,使用蜂巢型六边形网格,网格分辨率可变,可在全球区域使用较粗分辨率而在任意特定区域加密。垂直方向则采用压强-地形跟随混合质量坐标,在时间积分方面采用三阶或者四阶的Runge-Kutta算法。本实施例以MPAS模式为例,说明全球大气网格化数据生产过程。
JEDI同化***:Joint Effort for Data assimilation Intergation同化***是由美国联合科研机构JCSDA和美国国家大气研究中心共同研发的全球大气同化***。JEDI同化***可以使用三维变分、集合-变分混合同化、集合卡尔曼滤波、同化集合预报等方法,可以同化传统气象站观测、气象多普勒雷达观测、卫星辐射观测、GPS掩星观测等,可以和FV3、MPAS、WRF、MOM6等众多全球或区域大气海洋模式对接。本实施例以JEDI同化***为例,说明区域大气网格化数据生产过程。
本发明的设计思想是提供依据大气对流状态优选历史数值天气预报的集合预报数据,并将其作为输入进行机器学***,区分了不同大气对流状态下的用于机器学习等统计订正方法的历史输入数据,可以显著提高强对流等极端天气场景下新能源风功率预测的稳定性和准确性。
基于上述设计思想,本实施例如图1所示,包括如下步骤:
一、S101:制作针对风能气象的集合预报数据集ENS0;
首先,准备风能气象观测数据集OBS0。
风能气象观测数据可以使用地基观测和卫星星载观测,包括地基的测风塔、风机的机舱风速仪或机舱激光雷达、地面激光雷达和卫星星载的激光雷达或、散射计等风速、风向观测。
将地基观测和星载观测数据、其对应的观测误差和质控码等编码为BURF世界气象组织通用格式或IODA同化***专用格式,形成针对风能气象的风能气象观测数据集OBS0。
然后,准备风能气象的集合预报数据集ENS0。
集合预报的输入数据可以使用各大世界气象中心的集合预报数据,也可以使用自主生产的全球网格化数值天气预报数据。使用上述输入数据驱动数值天气预报模式进行预报,得到一组集合预报网格化数据。然后对上述集合预报的每一个集合成员进行集合同化风能气象观测数据集OBS0,得到同化更新后每一个集合成员的分析场,并对每一个集合成员进行预报,得到下一个循环的集合预报数据。
重复上述集合预报-集合同化过程,得到风能气象的集合预报数据集ENS0。
根据上述说明,本实施例在步骤S101中如图2所示,采取如下具体的实施步骤:
S201:准备风能气象观测数据集OBS0;
本步骤分别以区域数值天气预报模式WRF及其对应的同化***WRFDA和全球数值天气预报模式MPAS及其对应的同化***JEDI为例,说明准备风能气象观测数据集OBS0的过程。
若准备区域同化***WRFDA的风能气象观测数据集,首先将风速和风向等风能气象观测数据编码为WRFDA专用的Little_R格式报文,然后修改obserr.txt观测误差文件,使用风能气象观测数据的观测误差替换WRFDA***自带的观测误差,并修改相应的配置文件,然后运行WRFDA的观测前处理运行程序obsproc.exe,得到区域同化***WRFDA可用的风能气象观测数据集OBS0。
若准备全球同化***JEDI的风能气象观测数据集,首先将观测数据的空间位置信息、时间信息和变量信息等信息编码为JEDI***专用的IODA格式,然后将风能气象观测数据及其对应的观测误差编码为JEDI***专用的IODA格式,并一起保存。然后使用ioda-upgrade.x数据更新程序将保存的IODA格式观测数据文件升级更新为JEDI***可识别的IODA版本,得到全球同化***JEDI的可用的风能气象观测数据集OBS0。
S202:准备风能气象的集合预报数据集ENS0;
本步骤分别以区域数值天气预报模式WRF及其对应的同化***WRFDA和全球数值天气预报模式MPAS及其对应的同化***JEDI为例,说明准备风能气象的集合预报数据集ENS0的过程。
若准备区域同化***WRFDA的风能气象集合预报数据集,可以使用各大世界气象中心的集合预报数据作为输入,运行WRF模式得到一组集合预报数据集ENS_WRF0,然后结合风能气象观测数据集OBS0,使用WRFDA的ETKF功能,更新ENS_WRF0的集合扰动,然后继续运行WRF模式,重复上述过程得到所述集合预报数据集ENS0。
也可以使用各大世界气象中心的确定性预报数据作为输入,使用WRFDA的RANDOMCV功能在WRF模式的初始条件上添加随机扰动,运行WRF模式得到一组集合预报数据集ENS_WRF1,然后结合风能气象观测数据集OBS0,使用WRFDA的ETKF功能,更新ENS_WRF1的集合扰动,然后继续运行WRF模式,重复上述过程得到所述集合预报数据集ENS0。
若准备全球同化***JEDI的风能气象集合预报数据集,可以使用各大世界气象中心的集合预报数据作为输入,运行MPAS模式得到一组集合预报数据集ENS_MPAS0,然后结合风能气象观测数据集OBS0,使用JEDI的LETKF功能或者EDA功能,更新ENS_MPAS0的集合扰动,然后继续运行MPAS模式,重复上述过程得到所述集合预报数据集ENS0。所述集合预报数据集ENS0包括历史预报数据和未来预报数据。
二、S102:根据集合预报数据集ENS0的大气对流状态指标I0选定媒介时间窗口W0;
首先利用集合预报数据集ENS0中历史预报数据和未来预报数据的每个集合成员的位势高度场等压面数据计算地转风。利用集合预报数据集ENS0历史和未来预报数据每个集合成员的位温和计算的地转风进一步计算大气Q矢量及其散度。进一步计算上述集合预报数据集ENS0历史和未来预报数据大气Q矢量散度的集合平均和集合离散。集合预报大气Q矢量散度的集合平均和集合离散共同构成大气对流状态指标I0。
然后选定与未来预报数据时间长度相同的一段历史预报数据,计算该段历史预报数据和未来预报数据大气对流状态指标I0的偏差。重复上述过程,遍历历史预报数据中的与未来预报数据时间长度相同的每一段历史数据,计算每一段历史数据与未来预报数据的大气对流状态指标I0的偏差。
选取上述偏差最小对应的历史数据时间窗口作为媒介时间窗口W0。
根据上述说明,本实施例在步骤S102中如图3所示,采取如下具体的实施步骤:
S301:计算集合预报数据集ENS0每个集合成员的大气Q矢量散度;
本步骤说明针对集合预报数据集ENS0每个集合成员计算大气Q矢量的过程。
若针对集合预报数据集ENS0中的第i个集合成员MEMi,可首先通过MEMi位势高度场等压面数据计算地转风,
;
;
其中,ugi和v gi分别为MEMi大气纬向地转风和经向地转风,g为重力加速度,f为科氏参数,zi为MEMi位势高度场等压面数据;x代表东西方向坐标轴,向东为正;y代表南北方向坐标轴,向北为正;
然后计算MEMi的大气Q矢量,
;
;
其中,Q1i为MEMi的大气Q矢量x方向分量,Q2i为y方向分量,θ为大气位温,θ0为大气位温的参考量,可以为1000hPa位温。
然后计算MEMi的大气Q矢量的散度,
;
其中Qdivi为MEMi的大气Q矢量的散度。
重复上述过程,计算集合预报数据集ENS0每个集合成员的大气Q矢量的散度。
S302:计算集合预报数据集ENS0大气Q矢量散度的集合平均和集合离散;
首先计算集合预报数据集ENS0大气Q矢量散度的集合平均,
;
其中为ENS0大气Q矢量散度的集合平均,Qdivi为ENS0的第i个集合成员的大气Q矢量散度,n为集合成员的个数。
其次计算集合预报数据集ENS0大气Q矢量的集合离散,
;
其中Qdiv’为ENS0大气Q矢量散度的集合离散。
集合预报大气Q矢量散度的集合平均和集合离散共同构成大气对流状态指标I0。
S303:根据集合预报数据集ENS0选定媒介时间窗口W0;
若集合预报数据集ENS0中未来预报数据ENS0_forecast的时间长度为T0,则首先在ENS0的历史预报数据中任意选定一个时间长度为T0的时间窗口W0_history,计算时间窗口W0_history对应的历史预报数据片段的大气对流状态指标I0_history与未来预报数据的大气对流状态指标I0_forecast的偏差E0。
重复上述过程,遍历计算ENS0历史预报数据中每一段时间长度为T0的数据片段与未来预报数据大气对流状态指标的偏差E0。
选取上述所有数据片段中E0最小的历史预报数据片段所对应时间窗口,记为媒介时间窗口W0。
三、S103:遍历优选得到媒介时间窗口W0对应的历史数据集D100;
选定去除媒介时间窗口W0对应的历史集合预报数据集和历史观测数据,利用数学统计方法如线性回归或其他机器学习方法,建立二者映射观测。将媒介时间窗口W0对应的历史集合预报数据集,带入上述映射关系,得到待优化的修正后的历史预报数据。
选定上述去除媒介时间窗口W0对应的历史集合预报数据集和历史观测数据,再去除某一特定时间点对应的集合预报数据集和观测数据,利用数学统计方法如线性回归或其他机器学习方法,重新建立二者映射观测。将媒介时间窗口W0对应的历史集合预报数据集,带入重新建立的映射关系,重新得到修正后的历史预报数据。
比较上述去除某一特定时间点对应的集合预报数据集和观测数据前后的修正历史预报数据与历史实测偏差,若去除后偏差变小,则去除该时间点对应的集合预报数据集和观测数据,反之则保留。
对每一个时间点遍历重复上述过程,得到保留下来的历史集合预报数据集和历史观测数据集构成历史数据集D100。
根据上述说明,本实施例在步骤S103中如图4所示,采取如下具体的实施步骤:
S401:计算媒介时间窗口W0的修正历史预报数据
选定媒介时间窗口W0对应的集合预报数据集ENS0的数据片段作为媒介历史集合预报ENS1001,选定媒介时间窗口W0对应的风能气象观测数据的数据片段作为媒介观测数据OBS1001,媒介历史集合预报ENS1001和媒介观测数据OBS1001共同构成媒介时间窗口W0对应的历史数据集D1001。
选定去除媒介时间窗口W0对应的集合预报数据集ENS0数据片段后剩余的集合预报数据集的历史预报数据作为历史集合预报数据集ENS1002,选定去除媒介时间窗口W0对应的风能气象观测数据片段后剩余的风能气象观测数据作为风能气象观测数据集OBS1002,历史集合预报数据集ENS1002和风能气象观测数据集OBS1002共同构成历史数据集D1002。
利用数学统计方法如线性回归或其他机器学习方法,建立历史数据集D1002中历史集合预报数据集ENS1002和风能气象观测数据集OBS1002的映射关系R1002。
将媒介历史集合预报ENS1001带入映射关系R1002中,得到修正风能气象数据FCST1002。
计算修正风能气象数据FCST1002和媒介观测数据OBS1001的均方根误差RMSE1002,
;
S402:遍历优选得到历史数据集D100;
如S103所述,去除历史数据集D1002某一时间点的集合预报数据片段和风能气象观测数据片段,得到历史数据集D1003,包括历史集合预报数据集ENS1003和风能气象观测数据集OBS1003。
利用数学统计方法如线性回归或其他机器学习方法,建立历史数据集D1003中历史集合预报数据集ENS1003和风能气象观测数据集OBS1003的映射关系R1003。
将媒介历史集合预报ENS1001带入映射关系R1003中,得到优化修正风能气象数据FCST1003。
计算优化修正风能气象数据FCST1003和媒介观测数据OBS1001的均方根误差RMSE1003,
;
若RMSE1003优于RMSE1002,则在历史数据集D1002中去除该时间点对应的历史集合预报数据和历史观测数据。
若RMSE1003劣于RMSE1002,则在历史数据集D1002中保留该时间点对应的历史集合预报数据和历史观测数据。
遍历历史数据集D1002中的每一个时间点,重复上述过程,计算并比较每一个时间点的RMSE1003和RMSE1002,去除RMSE1003优于RMSE1002对应时间点的历史集合预报数据和风能气象观测数据,保留RMSE1003劣于RMSE1002对应时间点的历史集合预报数据和风能气象观测数据,得到优选的历史数据集D100。
四、S104:利用历史数据集D100优化订正未来预报的风速并转换为功率POWER100;
利用数学统计方法如线性回归或其他机器学习方法,建立历史数据集D100中的历史实测风速数据和历史集合预报数据的映射关系R100。然后将风能气象集合预报数据集ENS0中的未来预报数据带入R100中,得到订正后的未来预报风速数据FCST100。根据风力发电机的风速-功率设计曲线或其他和风力发电机相应的风速-功率转换关系,或者风速-功率预测模型,将预报风速转换为相应的风电功率POWER100。
可选的还可以利用数学统计方法如线性回归或其他机器学习方法,建立历史数据集D100中的历史风机功率数据和历史集合预报数据的映射关系R101。然后将风能气象集合预报数据集ENS0中的未来集合预报数据带入R100中,得到订正后的未来预报风机功率数据POWER101。
本实施例中用来进行预报或模拟的模型,除了气象模式外,如中尺度天气预报模式Weather Research and Forecasting Model(WRF)、中尺度非流体静力模式MesoscaleModel version5(MM5)、区域大气模拟***Regional Atmospheric Modeling System(RAMS)、全球大气模拟***Model for Prediction Across Scales(MPAS)等;还包括其他具有模拟仿真能力的大气模式,如各种气候模式、海洋模式、海气耦合模式等;还包括可进行预报的数学模型,如SVM、ANN、Decision Tree等。采用任何模式或模型以获取目标区域所需气象风速的过程都在本专利的保护范围内。
本实施例的步骤S401、S402中建立映射关系的方法,除了可以使用线性回归外,还可以使用决策树回归、随机森林回归、支持向量回归、高斯过程回归等机器学习方法,还可以使用神经网络等深度学习方法。采用任何回归算法以映射关系的方法都在本专利的保护范围内。
本实施例中计算大气环流稳定度指标除了大气Q矢量外,还可以是气压坐标下大气垂直速度、高度坐标下垂直速度、大气不稳定能量等。采用任何可表征大气对流状态的指标都在本专利的保护范围内。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种风电场短期风速融合预测方法,其特征在于,包括:
S101:制作针对风能气象的集合预报数据集ENS0;
准备风能气象观测数据集OBS0;基于风能气象观测数据集OBS0,通过数值天气预报模式及其同化***,得到针对风能气象的集合预报数据集ENS0;所述集合预报数据集ENS0包括历史预报数据和未来预报数据;
S102:根据集合预报数据集ENS0的大气对流状态指标I0选定媒介时间窗口W0;
计算集合预报数据集ENS0的大气Q矢量散度的集合平均和集合离散,作为大气对流状态指标I0,选取集合预报数据集ENS0中历史预报数据与未来预报数据的大气对流状态指标I0的偏差最小的历史数据时间窗口作为媒介时间窗口W0;
S103:遍历优选得到媒介时间窗口W0对应的历史数据集D100;
所述集合预报数据集ENS0和所述风能气象观测数据集OBS0分别去除媒介时间窗口W0对应的集合预报数据片段和风能气象观测数据片段,然后通过建立映射关系得到媒介时间窗口W0对应的修正风能气象数据;
所述集合预报数据集ENS0和所述风能气象观测数据集OBS0分别去除媒介时间窗口W0对应的数据片段后,再去除某一时间点对应的数据片段,通过建立映射关系得到媒介时间窗口W0对应的优化修正风能气象数据;
比较所述修正风能气象数据和所述优化修正风能气象数据分别与媒介时间窗口W0对应的风能气象观测数据片段的偏差,保留偏差小的集合预报数据和风能气象观测数据;
对每一个时间点遍历重复上述过程,得到保留下来的集合预报数据和风能气象观测数据构成历史数据集D100;
S104:利用历史数据集D100优化修正未来预报的风能气象数据并进行功率预测。
2.根据权利要求1所述的风电场短期风速融合预测方法,其特征在于,步骤S101具体包括:
S201:准备风能气象观测数据集OBS0;
选择数值天气预报模式,将风能气象观测数据通过数值天气预报模式所对应的数据同化***得到风能气象观测数据集OBS0;
S202:准备风能气象的集合预报数据集ENS0;
使用各大世界气象中心的集合预报数据或全球网格化数值天气预报数据作为输入,运行所述数值天气预报模式,得到一组集合预报数据,然后将集合预报数据结合所述风能气象观测数据集OBS0,通过所述数据同化***更新集合扰动,再通过所述数值天气预报模式进行预报,得到下一个循环的集合预报数据;重复上述集合预报-集合同化过程,得到风能气象的集合预报数据集ENS0。
3.根据权利要求1所述的风电场短期风速融合预测方法,其特征在于,步骤S102具体包括:
S301:计算集合预报数据集ENS0每个集合成员的大气Q矢量散度;计算过程包括:
(1)通过所述集合预报数据集ENS0每个集合成员的位势高度场等压面数据计算每个集合成员的地转风;
(2)通过所述每个集合成员的地转风计算每个集合成员的大气Q矢量;
(3)通过所述每个集合成员的大气Q矢量计算每个集合成员的大气Q矢量散度;
S302:计算集合预报数据集ENS0大气Q矢量散度的集合平均和集合离散;
;其中/>为集合预报数据集ENS0大气Q矢量散度的集合平均,Qdivi为集合预报数据集ENS0的第i个集合成员的大气Q矢量散度,n为集合成员的个数;
;其中Qdiv’为集合预报数据集ENS0大气Q矢量散度的集合离散;
集合预报数据集ENS0大气Q矢量散度的集合平均和集合离散共同构成大气对流状态指标I0;
S303:根据集合预报数据集ENS0选定媒介时间窗口W0;
若集合预报数据集ENS0中未来预报数据ENS0_forecast的时间长度为T0,首先在集合预报数据集ENS0的历史预报数据中任意选定一个时间长度为T0的时间窗口W0_history,计算时间窗口W0_history对应历史预报数据片段的大气对流状态指标I0_history与未来预报数据的大气对流状态指标I0_forecast的偏差E0;
重复上述过程,遍历计算集合预报数据集ENS0的历史预报数据中每一段时间长度为T0的数据片段与未来预报数据大气对流状态指标E0;
选取上述所有数据片段中E0最小的数据片段所对应时间窗口,作为媒介时间窗口W0。
4.根据权利要求1所述的风电场短期风速融合预测方法,其特征在于,步骤S103具体包括:
S401:计算媒介时间窗口W0的修正风能气象数据;
选定媒介时间窗口W0对应的集合预报数据集ENS0的数据片段作为媒介历史集合预报ENS1001,选定媒介时间窗口W0对应的风能气象观测数据集OBS0的数据片段作为媒介观测数据OBS1001,媒介历史集合预报ENS1001和媒介观测数据OBS1001共同构成媒介时间窗口W0对应的历史数据集D1001;
选定去除媒介历史集合预报ENS1001后集合预报数据集ENS0剩余的历史预报数据作为历史集合预报数据集ENS1002,选定去除媒介观测数据OBS1001后风能气象观测数据集OBS0剩余的历史风能气象观测数据作为风能气象观测数据集OBS1002,历史集合预报数据集ENS1002和风能气象观测数据集OBS1002共同构成历史数据集D1002;
利用数学统计方法建立历史数据集D1002中历史集合预报数据集ENS1002和风能气象观测数据集OBS1002的映射关系R1002;
将媒介历史集合预报ENS1001带入映射关系R1002中,得到修正风能气象数据FCST1002;
计算修正风能气象数据FCST1002和媒介观测数据OBS1001的均方根误差RMSE1002;
;
S402:遍历优选得到历史数据集D100;
去除历史数据集D1002某一时间点的集合预报数据片段和风能气象观测数据片段,得到历史集合预报数据集ENS1003和风能气象观测数据集OBS1003,作为历史数据集D1003;
利用数学统计方法建立历史数据集D1003中历史集合预报数据集ENS1003和风能气象观测数据集OBS1003的映射关系R1003;
将媒介历史集合预报ENS1001带入映射关系R1003中,得到优化修正风能气象数据FCST1003;
计算优化修正风能气象数据FCST1003和媒介观测数据OBS1001的均方根误差RMSE1003;
;
若RMSE1003优于RMSE1002,则在历史数据集D1002中去除该时间点对应的集合预报数据片段和风能气象观测数据片段;
若RMSE1003劣于RMSE1002,则历史数据集D1002保持不变;
遍历历史数据集D1002中的每一个时间点,重复上述过程,计算并比较每一个时间点的RMSE1003和RMSE1002,去除RMSE1003优于RMSE1002对应时间点的集合预报数据片段和风能气象观测数据片段,得到优选的历史数据集D100。
5.根据权利要求1所述的风电场短期风速融合预测方法,其特征在于,步骤S104具体包括:
利用数学统计方法建立历史数据集D100中的风能气象观测数据集和历史集合预报数据集的映射关系R100,然后将集合预报数据集ENS0中的未来预报数据带入映射关系R100中,得到修正后的未来预报的风能气象数据FCST100;根据风力发电机的风速-功率设计曲线或其他风速-功率预测模型,将预报风速转换为相应的风电功率POWER100。
6.一种风电场短期风速融合预测装置,其特征在于,包括:
集合预报数据集模块:制作针对风能气象的集合预报数据集ENS0;准备风能气象观测数据集OBS0;基于风能气象观测数据集OBS0,通过数值天气预报模式及其同化***,得到针对风能气象的集合预报数据集ENS0;所述集合预报数据集ENS0包括历史预报数据和未来预报数据;
媒介时间窗口模块:根据集合预报数据集ENS0的大气对流状态指标I0选定媒介时间窗口W0;计算集合预报数据集ENS0的大气Q矢量散度的集合平均和集合离散,作为大气对流状态指标I0,选取集合预报数据集ENS0中历史预报数据与未来预报数据的大气对流状态指标I0的偏差最小的历史数据时间窗口作为媒介时间窗口W0;
优选数据集模块:遍历优选得到媒介时间窗口W0对应的历史数据集D100;所述集合预报数据集ENS0和所述风能气象观测数据集OBS0分别去除媒介时间窗口W0对应的集合预报数据片段和风能气象观测数据片段,然后通过建立映射关系得到媒介时间窗口W0对应的修正风能气象数据;所述集合预报数据集ENS0和所述风能气象观测数据集OBS0分别去除媒介时间窗口W0对应的数据片段后,再去除某一时间点对应的数据片段,通过建立映射关系得到媒介时间窗口W0对应的优化修正风能气象数据;比较所述修正风能气象数据和所述优化修正风能气象数据分别与媒介时间窗口W0对应的风能气象观测数据片段的偏差,保留偏差小的集合预报数据和风能气象观测数据;对每一个时间点遍历重复上述过程,得到保留下来的集合预报数据和风能气象观测数据构成历史数据集D100;
功率预测模块:利用历史数据集D100优化修正未来预报的风能气象数据并进行功率预测。
7.根据权利要求6所述的风电场短期风速融合预测装置,其特征在于,所述集合预报数据集模块包括:
风能气象观测数据集单元:准备风能气象观测数据集OBS0;选择数值天气预报模式,将风能气象观测数据通过数值天气预报模式所对应的数据同化***得到风能气象观测数据集OBS0;
集合预报数据集单元:准备风能气象的集合预报数据集ENS0;使用各大世界气象中心的集合预报数据或全球网格化数值天气预报数据作为输入,运行所述数值天气预报模式,得到一组集合预报数据,然后将集合预报数据结合所述风能气象观测数据集OBS0,通过所述数据同化***更新集合扰动,再通过所述数值天气预报模式进行预报,得到下一个循环的集合预报数据;重复上述集合预报-集合同化过程,得到风能气象的集合预报数据集ENS0。
8.根据权利要求6所述的风电场短期风速融合预测装置,其特征在于,所述媒介时间窗口模块包括:
大气Q矢量散度单元:计算集合预报数据集ENS0每个集合成员的大气Q矢量散度;计算过程包括通过所述集合预报数据集ENS0每个集合成员的位势高度场等压面数据计算每个集合成员的地转风;通过所述每个集合成员的地转风计算每个集合成员的大气Q矢量;通过所述每个集合成员的大气Q矢量计算每个集合成员的大气Q矢量散度;
大气对流状态指标单元:计算集合预报数据集ENS0大气Q矢量散度的集合平均和集合离散;;其中/>为集合预报数据集ENS0大气Q矢量散度的集合平均,Qdivi为集合预报数据集ENS0的第i个集合成员的大气Q矢量散度,n为集合成员的个数;;其中Qdiv’为集合预报数据集ENS0大气Q矢量散度的集合离散;集合预报数据集ENS0大气Q矢量散度的集合平均和集合离散共同构成大气对流状态指标I0;
媒介时间窗口单元:根据集合预报数据集ENS0选定媒介时间窗口W0;
若集合预报数据集ENS0中未来预报数据ENS0_forecast的时间长度为T0,首先在集合预报数据集ENS0的历史预报数据中任意选定一个时间长度为T0的时间窗口W0_history,计算时间窗口W0_history对应历史预报数据片段的大气对流状态指标I0_history与未来预报数据的大气对流状态指标I0_forecast的偏差E0;
重复上述过程,遍历计算集合预报数据集ENS0历史预报数据中每一段时间长度为T0的数据片段与未来预报数据大气对流状态指标E0;
选取上述所有数据片段中E0最小的数据片段所对应时间窗口,作为媒介时间窗口W0。
9.根据权利要求6所述的风电场短期风速融合预测装置,其特征在于,所述优选数据集模块包括:
修正单元:计算媒介时间窗口W0的修正风能气象数据;选定媒介时间窗口W0对应的集合预报数据集ENS0的数据片段作为媒介历史集合预报ENS1001,选定媒介时间窗口W0对应的风能气象观测数据集OBS0的数据片段作为媒介观测数据OBS1001,媒介历史集合预报ENS1001和媒介观测数据OBS1001共同构成媒介时间窗口W0对应的历史数据集D1001;选定去除媒介历史集合预报ENS1001后集合预报数据集ENS0剩余的历史预报数据作为历史集合预报数据集ENS1002,选定去除媒介观测数据OBS1001后风能气象观测数据集OBS0剩余的历史风能气象观测数据作为风能气象观测数据集OBS1002,历史集合预报数据集ENS1002和风能气象观测数据集OBS1002共同构成历史数据集D1002;利用数学统计方法建立历史数据集D1002中历史集合预报数据集ENS1002和风能气象观测数据集OBS1002的映射关系R1002;将媒介历史集合预报ENS1001带入映射关系R1002中,得到修正风能气象数据FCST1002;计算修正风能气象数据FCST1002和媒介观测数据OBS1001的均方根误差RMSE1002;;
遍历单元:遍历优选得到历史数据集D100;去除历史数据集D1002某一时间点的集合预报数据片段和风能气象观测数据片段,得到历史集合预报数据集ENS1003和风能气象观测数据集OBS1003,作为历史数据集D1003;利用数学统计方法建立历史数据集D1003中历史集合预报数据集ENS1003和风能气象观测数据集OBS1003的映射关系R1003;将媒介历史集合预报ENS1001带入映射关系R1003中,得到优化修正风能气象数据FCST1003;计算优化修正风能气象数据FCST1003和媒介观测数据OBS1001的均方根误差RMSE1003;;若RMSE1003优于RMSE1002,则在历史数据集D1002中去除该时间点对应的集合预报数据片段和风能气象观测数据片段;若RMSE1003劣于RMSE1002,则历史数据集D1002保持不变;遍历历史数据集D1002中的每一个时间点,重复上述过程,计算并比较每一个时间点的RMSE1003和RMSE1002,去除RMSE1003优于RMSE1002对应时间点的集合预报数据片段和风能气象观测数据片段,得到优选的历史数据集D100。
10.根据权利要求6所述的风电场短期风速融合预测装置,其特征在于,所述功率预测模块包括:
利用数学统计方法建立历史数据集D100中的风能气象观测数据集和历史集合预报数据集的映射关系R100,然后将集合预报数据集ENS0中的未来预报数据带入映射关系R100中,得到修正后的未来预报的风能气象数据FCST100;根据风力发电机的风速-功率设计曲线或其他风速-功率预测模型,将预报风速转换为相应的风电功率POWER100。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311054410.XA CN116757340B (zh) | 2023-08-22 | 2023-08-22 | 风电场短期风速融合预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311054410.XA CN116757340B (zh) | 2023-08-22 | 2023-08-22 | 风电场短期风速融合预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116757340A CN116757340A (zh) | 2023-09-15 |
CN116757340B true CN116757340B (zh) | 2023-10-13 |
Family
ID=87957636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311054410.XA Active CN116757340B (zh) | 2023-08-22 | 2023-08-22 | 风电场短期风速融合预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116757340B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106126906A (zh) * | 2016-06-22 | 2016-11-16 | 重庆科技学院 | 基于c‑c与elm的短期风速预测方法 |
CN113723670A (zh) * | 2021-08-12 | 2021-11-30 | 浙江大学 | 变时间窗口的光伏发电功率短期预测方法 |
CN113837499A (zh) * | 2021-11-24 | 2021-12-24 | 中国电建集团江西省电力设计院有限公司 | 一种超短期风电功率预测方法及*** |
CN116418051A (zh) * | 2023-03-07 | 2023-07-11 | 山东鲁软数字科技有限公司 | 一种风电场有功功率优化控制方法及*** |
-
2023
- 2023-08-22 CN CN202311054410.XA patent/CN116757340B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106126906A (zh) * | 2016-06-22 | 2016-11-16 | 重庆科技学院 | 基于c‑c与elm的短期风速预测方法 |
CN113723670A (zh) * | 2021-08-12 | 2021-11-30 | 浙江大学 | 变时间窗口的光伏发电功率短期预测方法 |
CN113837499A (zh) * | 2021-11-24 | 2021-12-24 | 中国电建集团江西省电力设计院有限公司 | 一种超短期风电功率预测方法及*** |
CN116418051A (zh) * | 2023-03-07 | 2023-07-11 | 山东鲁软数字科技有限公司 | 一种风电场有功功率优化控制方法及*** |
Non-Patent Citations (3)
Title |
---|
Yuyang Gao 等.Ensemble wind speed prediction system based on envelope decomposition method and fuzzy inference evaluation of predictability.《Applied Soft Computing》.2022,全文. * |
冬雷 ; 王丽婕 ; 高爽 ; 廖晓钟 ; .基于混沌时间序列的大型风电场发电功率预测建模与研究.电工技术学报.2008,(第12期),全文. * |
吕涛 ; 唐巍 ; 所丽 ; .基于混沌相空间重构理论的风电场短期风速预测.电力***保护与控制.2010,(第21期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116757340A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220275788A1 (en) | Forecasting output power of wind turbine in wind farm | |
US20200018666A1 (en) | Wind field dynamic downscaling method based on aerodynamic parameters of simplified terrain | |
AU2017352549B2 (en) | Method and device for calculating power generation of wind farm | |
CN107153894A (zh) | 一种风电场的预测风速校正方法及装置 | |
KR101383617B1 (ko) | 일사량 예측 방법 및 장치 | |
CN115189356B (zh) | 基于大气环流稳定状态的风、光功率预测订正方法及装置 | |
CN112100921A (zh) | 一种基于wrf和随机森林获取风资源风速的方法 | |
CN117374956A (zh) | 一种针对综合能源站光伏发电的短期预测方法 | |
CN114186723A (zh) | 一种基于时空关联的分布式光伏功率网格虚拟预测*** | |
CN112700068A (zh) | 基于机器学习融合多源遥感数据的水库调度规则优化方法 | |
CN111666725A (zh) | 一种适应非复杂地形风电场的测风塔规划选址方法及*** | |
CN117526274A (zh) | 极端气候下新能源功率预测方法、电子设备和存储介质 | |
CN108808671A (zh) | 一种风电场短期风速集合预报方法 | |
Citakoglu et al. | Determination of monthly wind speed of Kayseri region with Gray estimation method | |
CN114882373A (zh) | 基于深度神经网络的多特征融合沙尘暴预测方法 | |
CN116757340B (zh) | 风电场短期风速融合预测方法及装置 | |
CN117235454A (zh) | 多时间尺度集合卡尔曼滤波在线资料同化方法 | |
CN110321642B (zh) | 一种改进运动学效应的台风近地面风场模拟方法 | |
CN109583095B (zh) | 基于混合统计动力模型的西北太平洋台风延伸期预报方法 | |
CN115586591B (zh) | 风暴潮的自动预报方法以及装置 | |
CN115912334A (zh) | 风电场出力保证率的预测模型创建方法及预测方法 | |
TW201740296A (zh) | 再生能源發電量預測方法與系統 | |
CN115860248A (zh) | 风速数值同化短临预测方法及*** | |
CN116054129A (zh) | 一种基于光伏制氢的多电解槽联合运行功率分配方法 | |
CN115047544A (zh) | 一种覆冰预警方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |