CN103400039A - 一种基于大风气象分类的风功率爬坡预测模型切换方法 - Google Patents

Abstract

本发明属于风功率爬坡预测领域，涉及一种基于大风气象分类的风功率爬坡预测模型切换方法，按以下步骤进行：首先根据指定地理范围内的历史大风波动天气提取出可以明显表征大风天气的特征量和特征指数，并形成判别表达式。进而采用Fisher判别法中的判别准则计算出判定范围以及特征量和特征指数的加权系数，得出判别结果，并通过统计检验进行验证分析。通过判别法进一步得出大风天气分类结果，依据不同大风天气的时空尺度的特征，最后形成对不同统计预测模型之间的切换机制。本发明将数值天气预报的结果进行爬坡天气判别研究，在风功率爬坡的综合预测方法上为不同的统计预测方法提供了更准确的切换机制。

Description

一种基于大风气象分类的风功率爬坡预测模型切换方法

技术领域

本发明属于风功率爬坡预测领域，涉及一种基于大风气象分类的风功率爬坡预测模型切换方法。

背景技术

发明一种适用于风功率爬坡预测的可为不同风功率爬坡统计预测模型进行优化选择的切换机制是对现有风电有效、安全并网研究所需要的重要组成部分。风力发电作为一种新兴的、大规模应用的绿色能源，其自身固有的波动特性给发电和负荷平衡带了挑战。为了使风力发电和其他常规能源发电一样具有便利的可调度性，准确可靠的风电功率预测系统是提高电力系统对风电的接纳能力的必备选择。

风功率爬坡是指在较短时间内，风功率上升或下降幅度较大，对区域电能质量产生影响且影响到电力调度计划的风功率波动过程。随着风力发电的快速发展，风电并网装机容量的不断上升，受到自然气候不规律作用的风电功率波动对电力系统所产生的影响亟需有效的分析研究。其中，风功率爬坡预测是极为紧迫的环节。

风功率爬坡预测的核心问题是爬坡事件的预测，而爬坡事件的预测离不开对大风（以及无风）天气的预报，这就取决于数值天气预报的预报准确度及分析方法的运用。

目前国内外在风功率爬坡预测的研究中，并未有效地将各类引起爬坡的大风天气进行内在的动力学和热力学分析，使得爬坡天气未被有效地提取跟踪出来，这就造成了部分可以造成风功率大幅度波动的气象信息的缺失。然而进一步要提出的针对不同时空尺度下的大风天气信息所对应的各类统计预报方法，以期待得出更为精准的风功率爬坡预报分析结果所需的切换机制方案，而其中所面临的问题是在预报过程中的核心问题。

发明内容

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种基于大风气象分类的风功率爬坡预测模型切换方法，其特征在于，包括以下步骤：

步骤1，建立指定区域内基于数值天气预报数据的大风天气判别分析模型，收集表征大风爬坡天气的特征指标量，所述表征大风爬坡天气的特征指标量由参数类型决定，所述参数类型包括：稳定度指标、热力指标、动力学指标以及热力/动力综合指标;模型的建立针对指定区域的采样，采样后建立如下判别分析模型：

Y=c₁x₁+c₂x₂+c₃x₃+…+c_nx_n

其中：c_i为加权系数，x_i为特征指标量，Y是判别函数值，采样时间为每15分钟一次，且按数值天气预报每六个小时跟踪修正一次，计算出的判别函数值Y根据判别方法中的判别准则进行分类，并通过假设检验进行验证分析；

步骤2，根据步骤1所建立的大风天气的预报分析模型，运用数值判别方法在指定区域范围内用特征指标量判别锋面过境的天气条件和强对流天气中是否为大风天气，所述判别方法是基于Fisher判别法进行判别分析，计算出判别准则的分类标准；

步骤3，根据步骤2所运用到的数值判别方法在判定出大风天气后根据历史数据计算特征方程的系数，以确定判别函数值Y的分类，并通过统计检验方法验证函数值Y的结果；

步骤4，根据步骤3中通过数值化的判定结果基本判别出大风天气后，进一步要确定大风天气所属的类型及相关信息，得出不同类型的大风天气风能变化特点，尤其是时间尺度和空间尺度的特点，再结合历史数据中统计出的相似的场景进行综合预报分析，给出更为准确的风速爬坡预报统计模型切换方法。

在上述的一种基于大风气象分类的风功率爬坡预测模型切换方法，所述的步骤1中，所述稳定度指标、热力指标、动力学指标以及热力/动力综合指标中，各个指标包括的对流参数如下：

所述稳定度指标包括最佳对流有效位能参数；所述热力指标包括沙氏指数和K指数；所述动力学指标包括密度加权平均垂直风切变和涡生参数；所述热力/动力综合指标包括风暴强度指数和理查德逊数；通过各种气象特征指标，建立大风天气判别分析模型，模型的采样时间为每15分钟一次，且按数值天气预报每六个小时跟踪修正一次，判别函数值按照判别准则进行分类，并结合历史统计值进行统计检验。

在上述的一种基于大风气象分类的风功率爬坡预测模型切换方法，所述步骤2中，Fisher判决的目标就是:寻找一个或一组投影轴，能够在最小化类内散布的同时最大化类间分布；

Fisher判别法基于以下定义：

在各种特征指标量中有能判断大风天气w₁和不能判断大风天气w₂这两类问题，假定有n个训练样本x_k(k=1,2,....,n)其中n₁个样本来自w_i类型，n₂个样本来自w_j类型，n=n₁+n₂，两个类型的训练样本分别构成训练样本的子集X₁和X₂；

令：y_k=w^Tx_k，k=1,2,...,n，其中y_k是向量x_k通过变换w得到的标量，它是一维的，实际上，对于给定的w，y_k就是判决函数的值，

定义Fisher准则函数：

其中m_i为各类平均值，s_i为类内聚合度，使J_F最大的解w^*就是最佳解向量，也就是Fisher的线性判别式，

求解w^*，从J_F(w)的表达式可知，它并非w的显函数；

是原d维特征空间里的样本类内离散度矩阵，表示两类均值向量之间的离散度大小，因此，

越大越容易区分；

称为原d维特征空间里，样本“类内离散度”矩阵；

是样本“类内总离散度”矩阵，将上述的所有推导结果代入J_F(w)表达式，即判别准则表达式：

$J_F\left(w\right)=\frac{w^T\stackrel{\→}{S_b}w}{w^T\stackrel{\→}{S_w}w}$

式中

和

由样本集X计算出。

通过判别准则表达式，计算出投影轴，能够在最小化类内散布的同时最大化类间分布，为确定大风气象提供分类标准。

在上述的一种基于大风气象分类的风功率爬坡预测模型切换方法，所述步骤3中，通过数值判别分析法计算出特征方程的系数并确定判别式的判定范围基于以下公式：

将步骤2中的J_F(w)判别准则表达式转换后用矩阵形式表达如下：

由此求得判别函数系数c₁,c₂,…,c_n，于是建立起两总体w₁、w₂的判别分析式，即为：

Y=c₁x₁+c₂x₂+…+c_nx_n

通过判别准则，计算出一个或一组投影轴w使得样本投影到该空间后能在保证方差最小的情况下，将不同类的样本很好的分开，进一步确定判别式函数值Y的分类结果，Fisher判别法的数学模型是建立在假定两组试验数据取自不同的总体，但是如果两组试验数据的各特征变量的平均值差异不显著，从而所建的判别函数数学模型就没有价值，为此，需要检验两总体是否有显著差异，检验所用的标准是以马氏（Mahalanobis）D²距离为基础所构成的统计量：

$F=\left[\frac{n_1{n}_2}{(n_1+n_2)(n_1+n_2-2)}\right]\left[\frac{n_1+n_2-m-1}{m}\right]D^2~F(m,n_1+n_2-m-1)$ 其中，

$D^2=(n_1+n_2-2)\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{c}_j{d}_j,$ 全部符号同前；

对于给定显著水平α，查F分布表，可得临界值F_α，如果F>F_α，则表明w₁、w₂两总体有明显差异，判别函数数学模型可靠；反之不然；

由此算出判别是否为大风天气的判别式系数，并通过统计检验确定判别式的阈值。

在上述的一种基于大风气象分类的风功率爬坡预测模型切换方法，所述步骤4中，判别大风天气属于哪种类型并形成对统计预测方法的切换方法具体实现过程如下：

将两总体判别方法拓展至多总体判别法中，可以建立起多维判别函数模型，对不同的大风类型进行进一步分类，求得判别函数模型后，可由判别式算出：

由投影空间

上多总体的投影点集的重心

可给出多总体投影点集的分界面；

多总体的投影点集的重心

就是不同类型的大风天气，而大风天气的分类标准来源于天气的时空尺度和气象成因，而本专利主要以不同的时间和空间尺度为标准进行分类。

因此，本发明具有如下优点：1.通过对各种表征气象的特征指标量进行筛选后组成线性判别式，在各种地理位置场景下均易于实现；2.使用Fisher判别法将大风天气判别出来之后还可以进一步判别大风天气类型，方法思路清晰，计算简便，易于实现；3.对引起风功率爬坡现象的大风气象进行判别分析，根据不同大风天气进行归类以便于为统计方法提供切换条件。

附图说明

图1是本发明的流程图。

图2是Fisher判别法简化示意图。

图3a是Fisher判别法判定w界限方向简化示意图（随机方向）

图3b是Fisher判别法判定w界限方向简化示意图（正确方向）

图4是特征指标量的分类。

图5是部分特征指标量的表达式。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：

本实施例提供一种基于大风气象分类的风功率爬坡预测模型切换方法，在考虑各种气象特征指标量的选择后，得到大风天气判别式，并使用Fisher判别法进行判别式整定，并经过对大风天气分类后指导风功率爬坡统计预测方法的转换机制的建立。图1是本实施例的计算流程图，按照以下步骤进行：

1.建立指定区域内基于数值天气预报数据的大风天气判别分析模型。

天气预报指标量主要分为：动力学指标量、热力学指标量以及动力学与热力学的混合指标量等，具体的各类指标量的分类参见图4。其中主要的指标量有：K指数、沙氏指数SI、位温θse、位温差△θse、上升速度WP、水汽通量散度、散度、涡度等，部分指标量的参数公式参见图5。

判别方程主要是通过选出的对特定区域范围下可以表征其主要大风爬坡天气内在热力学、动力学性质的特征量进行线性化处理后得到的判别式，进行判别方程的确立如下：

Y=c₁x₁+c₂x₂+c₃x₃+…+c_nx_n

其中：c_i为加权系数，x_i为特征指标量，结合数值天气预报实测值的采样时间为每15分钟一次，且按数值天气预报每六个小时跟踪修正一次。

2.运用到数值判别方法判别由各类特征指标量组成的特征方程是否能够表征大风爬坡天气。

在各种特征指标量中有能判断大风天气和不能判断大风天气（w₁/w₂）这两类问题，参见图2，假定有n个训练样本x_k(k=1,2,....,n)其中n₁个样本来自w_i类型，n₂个样本来自w_j类型，n=n₁+n₂。两个类型的训练样本分别构成训练样本的子集X₁和X₂。

令：y_k=w^Tx_k，k=1,2,...,n

y_k是向量x_k通过变换w得到的标量，它是一维的，参见图3a。实际上，对于给定的w，y_k就是判决函数的值。

各类在d维特征空间里的样本均值向量：

$M_i=\frac{1}{n_i}\underset{x_k\∈X_i}{\mathrm{\Σ}}{x}_k,i=\mathrm{1,2}$

通过变换w映射到一维特征空间后，各类的平均值为：

$m_i=\frac{1}{n_i}\underset{y_k\∈Y_i}{\mathrm{\Σ}}{y}_k,i=\mathrm{1,2}$

映射后，各类样本“类内离散度”定义为：

$S_i^2=\underset{y_k\∈Y_i}{\mathrm{\Σ}}{(y_k-m_i)}^2,i=\mathrm{1,2}$

显然，在映射之后希望两类的平均值之间的距离越大越好，而各类的样本类内离散度越小越好。因此，定义Fisher准则函数：

$J_F\left(w\right)=\frac{|m_1-m_2{|}^2}{{s_1}^2+{s_2}^2}$

使J_F最大的解w^*就是最佳解向量，参见图3b，也就是Fisher的线性判别式。

求解w^*，从J_F(w)的表达式可知，它并非w的显函数，必须进一步变换。

已知：

依次代入各类平均值m_i有：

$m_i=\frac{1}{n_i}\underset{x_k\∈X_i}{\mathrm{\Σ}}{w}^T{x}_k=w^T\left(\frac{1}{n_i}\underset{x_k\∈X_i}{\mathrm{\Σ}}{x}_k\right)=w^T{M}_i,i=\mathrm{1,2}$

所以： $|m_1-m_2{|}^2=||w^T{M}_1-w^T{M}_2{\left|\right|}^2=||w^T(M_1-M_2){\left|\right|}^2$

$=w^T(M_1-M_2){(M_1-M_2)}^{T}w=w^T\stackrel{\→}{S_b}w$

其中： $\stackrel{\→}{S_b}=(M_1-M_2){(M_1-M_2)}^T$

是原d维特征空间里的样本类内离散度矩阵，表示两类均值向量之间的离散度大小，因此，

越大越容易区分。

将m_i=w^TM_i和 $M_i=\frac{1}{n_i}\underset{x_k\∈X_i}{\mathrm{\Σ}}{x}_k$ 代入

式中：

$S_i^2=\underset{x_k\∈X_i}{\mathrm{\Σ}}{(w^T{x}_k-w^T{M}_i)}^2$

$=w^T\·\underset{x_k\∈X_i}{\mathrm{\Σ}}(x_k-M_i){(x_k-M_i)}^T\·w$

$=w^T\stackrel{\→}{S_i}w$

其中： $\stackrel{\→}{S_i}=\underset{x_k=X_i}{\mathrm{\Σ}}(x_k-M_i){(x_k-M_i)}^T,i=\mathrm{1,2}$

因此： $S_1^2+S_2^2=w^T(\stackrel{\→}{S_1}+{\stackrel{\→}{S}}_2)w=w^T\stackrel{\→}{S_w}w$

显然： $\stackrel{\→}{S_w}=\stackrel{\→}{S_1}+\stackrel{\→}{S_2}$

称为原d维特征空间里，样本“类内离散度”矩阵。

是样本“类内总离散度”矩阵。

为了便于分类，显然

越小越好，也就是

越小越好。

将上述的所有推导结果代入J_F(w)表达式：

——广义Rayleigh熵

式中

和皆可由样本集X计算出。

3.通过判别方法整定特征方程的系数并确定判别式的判定范围。

将步骤2中的J_F(w)表达式转换后用矩阵形式表达如下：

解此线性方程组，可求得判别函数系数c₁,c₂,…,c_n。于是建立起两总体w₁、w₂的判别分析式，即为

y(X)=c₁x₁+c₂x₂+…+c_nx_n

判别式的数学模型是建立在假定两组试验数据取自不同的总体，但是如果两组试验数据的各特征变量的平均值差异不显著，从而所建的判别函数数学模型就没有价值。为此，需要检验两总体是否有显著差异。

检验所用的标准是以马氏（Mahalanobis）D²距离为基础所构成的统计量： $F=\left[\frac{n_1{n}_2}{(n_1+n_2)(n_1+n_2-2)}\right]\left[\frac{n_1+n_2-m-1}{m}\right]D^2~F(m,n_1+n_2-m-1)$

其中， $D^2=(n_1+n_2-2)\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{c}_j{d}_j,$ 全部符号同前。

对于给定显著水平α，查F分布表，可得临界值F_α。如果F>F_α，则表明w₁、w₂两总体有明显差异，判别函数数学模型可靠；反之不然。

由此可以算出判别是否为大风天气的判别式系数，并通过统计检验确定判别式的阈值。

4.判别大风天气属于哪种类型并形成对统计预测方法的切换机制。

将两总体判别方法拓展至多总体判别法中，可以建立起多维判别函数模型，对不同的大风类型进行进一步分类。求得判别函数模型后，可由判别式算出：

由投影空间

上多总体的投影点集的重心

可给出多总体投影点集的分界面。

多总体的投影点集的重心

就是不同类型的大风天气，根据历史数据中对各类大风天气的分析归纳，可以得出相应的天气特征，由此特征可以为统计预测模型提供准确的切换机制。

其中大风天气作用时间的尺度分为2小时以内、2小时至4小时、4小时至12小时、12小时至24小时以及24小时至48小时；大风天气的影响范围（横向长度）分为10公里以内、10公里至100公里、100公里至300公里、300公里至1000公里以及1000公里以上。

一般情况下，大风天气作用时间与影响范围呈正相关，部分强对流天气例外。在不考虑罕见天气的情况下，步骤一中的特征指标量可以就某类大风天气进行识别归类，同时也可以预报出此类天气的时间作用尺度和空间上的影响范围。针对归类的结果找出适合的统计预报模型进行大风天气复合预报，形成复合预报的切换机制，切换机制所对应的统计预测方法可以在相适应的时空尺度上进行选择：

适合小的时空尺度的超短期预测方法有神经网络法和支持向量机法等智能算法；适合于小的空间尺度的还可以用到混沌预测分析法，以及结合具体下垫面物理方程的综合预测法；适合于中小尺度的预测方法有滑动平均法以及时间序列自回归预测法；而对于较大尺度的预测可以通过降尺度的数值天气预报结果得出。

根据历史数据中对各类大风天气的分析归纳，可以得出相应的天气特征，由此特征可以判别在上述步骤中判别出的大风天气的分类属性，通过不同种类的大风天气的时空作用范围找出所适合的统计预测模型，并提出针对各类统计模型准确的模型间切换机制。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (5)

1.一种基于大风气象分类的风功率爬坡预测模型切换方法，其特征在于，包括以下步骤：

步骤1，建立指定区域内基于数值天气预报数据的大风天气判别分析模型，收集表征大风爬坡天气的特征指标量，所述表征大风爬坡天气的特征指标量由参数类型决定，所述参数类型包括：稳定度指标、热力指标、动力学指标以及热力/动力综合指标;模型的建立针对指定区域的采样，采样后建立如下判别分析模型：

Y=c₁x₁+c₂x₂+c₃x₃+···+c_nx_n

其中：c_i为加权系数，x_i为特征指标量，Y是判别函数值，采样时间为每15分钟一次，且按数值天气预报每六个小时跟踪修正一次，计算出的判别函数值Y根据判别方法中的判别准则进行分类，并通过假设检验进行验证分析；

步骤2，根据步骤1所建立的大风天气的预报分析模型，运用数值判别方法在指定区域范围内用特征指标量判别锋面过境的天气条件和强对流天气中是否为大风天气，所述判别方法是基于Fisher判别法进行判别分析，计算出判别准则的分类标准；

步骤3，根据步骤2所运用到的数值判别方法在判定出大风天气后根据历史数据计算特征方程的系数，以确定判别函数值Y的分类，并通过统计检验方法验证函数值Y的结果；

步骤4，根据步骤3中通过数值化的判定结果基本判别出大风天气后，进一步要确定大风天气所属的类型及相关信息，得出不同类型的大风天气风能变化特点，尤其是时间尺度和空间尺度的特点，再结合历史数据中统计出的相似的场景进行综合预报分析，给出更为准确的风速爬坡预报统计模型切换方法。

2.根据权利要求1所述的一种基于大风气象分类的风功率爬坡预测模型切换方法，其特征在于，所述的步骤1中，所述稳定度指标、热力指标、动力学指标以及热力/动力综合指标中，各个指标包括的对流参数如下：

所述稳定度指标包括最佳对流有效位能参数；所述热力指标包括沙氏指数和K指数；所述动力学指标包括密度加权平均垂直风切变和涡生参数；所述热力/动力综合指标包括风暴强度指数和理查德逊数；通过各种气象特征指标，建立大风天气判别分析模型，模型的采样时间为每15分钟一次，且按数值天气预报每六个小时跟踪修正一次，判别函数值按照判别准则进行分类，并结合历史统计值进行统计检验。

3.根据权利要求1所述的一种基于大风气象分类的风功率爬坡预测模型切换方法，其特征在于，所述步骤2中，Fisher判决的目标就是:寻找一个或一组投影轴，能够在最小化类内散布的同时最大化类间布；

Fisher判别法基于以下定义：

在各种特征指标量中有能判断大风天气w₁和不能判断大风天气w₂这两类问题，假定有n个训练样本x_k(k=1,2,....,n)其中n₁个样本来自w_i类型，n₂个样本来自w_j类型，n=n₁+n₂，两个类型的训练样本分别构成训练样本的子集X₁和X₂；

令：y_k=w^Tx_k，k=1,2,...,n，其中y_k是向量x_k通过变换w得到的标量，它是一维的，实际上，对于给定的w，y_k就是判决函数的值，

定义Fisher准则函数：

其中m_i为各类平均值，s_i为类内聚合度，使J_F最大的解w^*就是最佳解向量，也就是Fisher的线性判别式，

求解w^*，从J_F(w)的表达式可知，它并非w的显函数；

是原d维特征空间里的样本类内离散度矩阵，表示两类均值向量之间的离散度大小，因此，越大越容易区分；

称为原d维特征空间里，样本“类内离散度”矩阵；

是样本“类内总离散度”矩阵，将上述的所有推导结果代入J_F(w)表达式，即判别准则表达式：

$J_F\left(w\right)=\frac{w^T\stackrel{\→}{S_b}w}{w^T\stackrel{\→}{S_w}w}$

式中

和

由样本集X计算出。

4.根据权利要求1所述的一种基于大风气象分类的风功率爬坡预测模型切换方法，其特征在于，所述步骤3中，通过数值判别分析法计算出特征方程的系数并通过判别准则计算值确定判别式的判定范围，并通过统计检验进行验证基于以下公式：

将步骤2中的J_F(w)判别准则表达式转换后用矩阵形式表达如下：

由此求得判别函数系数c₁,c₂,…,c_n，于是建立起两总体w₁、w₂的判别分析式，即为：

Y=c₁x₁+c₂x₂+…+c_nx_n

通过判别准则，计算出一个或一组投影轴w使得样本投影到该空间后能在保证方差最小的情况下，将不同类的样本很好的分开，进一步确定判别式函数值Y的分类结果，Fisher判别法的数学模型是建立在假定两组试验数据取自不同的总体，但是如果两组试验数据的各特征变量的平均值差异不显著，从而所建的判别函数数学模型就没有价值，为此，需要检验两总体是否有显著差异，检验所用的标准是以马氏（Mahalanobis）D²距离为基础所构成的统计量：

$F=\left[\frac{n_1{n}_2}{(n_1+n_2)(n_1+n_2-2)}\right]\left[\frac{n_1+n_2-m-1}{m}\right]D^2~F(m,n_1+n_2-m-1)$ 其中，

$D^2=(n_1+n_2-2)\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{c}_j{d}_j,$ 全部符号同前；

对于给定显著水平α，查F分布表，可得临界值F_α，如果F>F_α，则表明w₁、w₂两总体有明显差异，判别函数数学模型可靠；反之不然；

由此，通过数值判别分析法计算出特征方程的系数并通过判别准则计算值确定判别式的判定范围，并通过统计检验进行验证。

5.根据权利要求1所述的一种基于大风气象分类的风功率爬坡预测模型切换方法，其特征在于，所述步骤4中，判别大风天气属于哪种类型并形成对统计预测方法的切换方法具体实现过程如下：

将两总体判别方法拓展至多总体判别法中，能够建立起多维判别函数模型，对不同的大风类型进行进一步分类，求得判别函数模型后，可由判别式算出：

由投影空间上多总体的投影点集的重心

可给出多总体投影点集的分界面；多总体的投影点集的重心

就是不同类型的大风天气。

Images