CN105576650B - 基于同化技术与同风带理论的风电功率预测方法及系统 - Google Patents
基于同化技术与同风带理论的风电功率预测方法及系统 Download PDFInfo
- Publication number
- CN105576650B CN105576650B CN201511018497.0A CN201511018497A CN105576650B CN 105576650 B CN105576650 B CN 105576650B CN 201511018497 A CN201511018497 A CN 201511018497A CN 105576650 B CN105576650 B CN 105576650B
- Authority
- CN
- China
- Prior art keywords
- module
- data
- wind
- assimilation
- mrow
- 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 38
- 238000013277 forecasting method Methods 0.000 title claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims abstract description 36
- 238000012937 correction Methods 0.000 claims abstract description 16
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 12
- 230000007935 neutral effect Effects 0.000 claims description 6
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000006641 stabilisation Effects 0.000 abstract description 2
- 238000011105 stabilization Methods 0.000 abstract description 2
- 230000005611 electricity Effects 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003556 assay Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- 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
- 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
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Wind Motors (AREA)
Abstract
本发明提供了基于同化技术与同风带理论的风电功率预测方法，包括如下步骤：利用同风带理论重新筛选和定义更加准确的背景网格，增加TIN地形模块并利用ArcGIS3建模，得到背景场协方差矩阵B以及观测数据矩阵R；根据NWP理论将背景场协方差矩阵B以及观测数据矩阵R录入同化模块；通过最小代价方法多时次迭代求解分析变量；通过历史测风数据校正并输出风速预测数据。本发明所述的建模方法和系统利用同风带理论划分目标风电场同风带范围，同化测风数据，既保证了子区域中资料的多点区域同化，又提升了技术效率，对NWP预报的精度提高，更能反应风速的波动性、随机性和间歇性的特点，保证电网稳定经济运行。
Description
技术领域
本发明属于风电功率预测领域，尤其是涉及一种基于同化技术与同风带理论的风电功率预测方法及系统。
背景技术
数值天气预报NWP(Numerical Weather Prediction)是根据大气实际情况，根据初始值和边界值，求解流体力学和热力学方程组，预报未来天气的方法。目前的NWP的数值模式，无论是结构设计还是参数化的物理过程方案都已趋于完善，由于NWP不受自然条件和地域条件的限制，已广泛应用于日常气象业务、环境检测、防灾减灾和大气科学等研究。
特别的，在涉及风电发电厂的风功率预测中，NWP通常使载入全球尺度背景场预测(Global Forecast)，通过初始化模块筛选数据后确立初始值和边界值，求解流体力学和热力学方程组后，经过神经网络校订得到风速预测结果，但是，这种风电功率的预测方法存在如下缺陷：
一、初始场的初始值质量较差，NWP数值模式的水平相当程度上取决于数值模式的初始场的质量，因此，通过充分利用各种常规以及非常规的观测资料(如卫星、雷达资料)来提供更加准确的初值场，成为NWP研究的难点和重点，而这一过程称为同化技术。三维同化变分技术(3DVAR)正是基于数值天气预报NWP，结合各种观测资料，变更局部地区的初始场和提供NWP数值模式的初值场，以达到精确描述和模拟实际天气过程的演变。
二、初始场的边界值质量较差，目前，天气预报是通过中尺度的数值气象预报动力降尺度得到的，全国气象站观测资料的同化虽然能在一定程度上满足风电功率预测的需求，但是，当前国内台站和风电开发区的区域差异导致3DVAR同化观察资料不足，对风电功率的预测效果不理想。
发明内容
有鉴于此，本发明旨在提出一种基于同化技术与同风带理论的风电功率预测方法及系统，以解决3DVAR同化观测资料不足导致风电功率预测效果不理想的问题。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于同化技术与同风带理论的风电功率预测方法，包括如下步骤：
步骤A：利用同风带理论重新筛选和定义更加准确的背景网格，增加TIN地形模块并利用ArcGIS3建模，得到背景场协方差矩阵B以及观测数据矩阵R；
步骤B：根据NWP理论将背景场协方差矩阵B以及观测数据矩阵R录入同化模块；
步骤C：通过最小代价方法多时次迭代求解分析变量；
步骤D：通过历史测风数据校正并输出风速预测数据。
进一步的，所述所述步骤A具体包括如下步骤：
步骤a1，全球尺度背景场GFS数据载入；
步骤a2，载入实发数据，通过该实发数据对上述GFS数据进行校正筛选；
步骤a3，将上述经过校正筛选的数据载入初始化模块；
步骤a4，通过ArcGIS3为电厂建模，录入电厂的风机的坐标数据，重新定义网格间距为2-20公里；
步骤a5，将TIN地形模块载入初始化模块，得到背景场协方差矩阵B以及观测数据矩阵R。
进一步的，所述步骤A还包括如下步骤：
步骤a6，根据电厂的数量将a1-a5步骤循环筛选2-5次。
进一步的，所述步骤B具体包括如下步骤:
步骤b1，NWP降尺度得到第一气象要素猜测值；
步骤b2，将第一气象要素猜测值载入同化模块；
步骤b3，根据观测资料新定义网格处的气象信息确定格点处的水平/垂直差值权重；
步骤b4，将背景场协方差矩阵和观测数据矩阵R载入同化模块；
步骤b5，将气象第一猜测值以Arakawa C网格做错位格点插值处理。
进一步的，所述步骤C具体包括如下步骤:
步骤c1，确定分析时次的起止时间；
步骤c2，更新侧边界和更新下边界；
步骤c3，利用3Dvar做极小化代价函数运算；
步骤c4，完成极小化计算，得到分析变量x。
进一步的，所述步骤c3中的代价函数为：
进一步的，所述步骤C具体还包括如下步骤:
步骤c5，迭代下一时次，循环c1-c4步骤，直至所有嵌套区域的背景场更新完毕。
进一步的，所述迭代时次为3小时或6小时，每时次的迭代次数为30-200次。
进一步的，所述步骤D具体包括如下步骤:
步骤d1，载入历史测风数据；
步骤d2，通过与历史测风数据比对，对预测数据做神经网络训练和校正；
步骤d3，输出风速预测数据。
基于同化技术与同风带理论的风电功率预测系统，包括：区域化建模子系统、数据同化子系统、分析变量迭代子系统和数据校正输出子系统；
所述区域化建模子系统包括全球尺度背景场数据载入模块、实发数据筛选模块、初始化模块、ArcGIS建模模块和TIN地形模块，所述全球尺度背景场数据用于载入模块录入的数据通过与实发数据筛选模块内的数据比对后载入到初始化模块中，所述ArcGIS建模模块用于建模、录入电厂的风机坐标并重新定义网格间距，所述TIN地形模块用于将地形数据载入到初始化模块中；
所述数据同化子系统包括NWP降尺度模块、同化模块、水平垂直差值权重载入模块、背景场协方差矩阵和观测数据载入模块和Arakawa C网格错位格点插值模块，所述NWP降尺度模块用于计算得到第一气象要素猜测值，并将该第一气象要素猜测值载入到同化模块中，水平垂直差值权重载入模块、背景场协方差矩阵和观测数据载入模块和Arakawa C网格错位格点插值模块用于处理同化模块中的气象数据；
所述分析变量迭代子系统包括分析时次时间确认模块、侧边界、下边界更新模块、最小代价方程运算模块和分析变量确认模块，所述分析时次时间确认模块用于确定分析时次的起止时间，所述侧边界、下边界更新模块用于更新侧边界和更新下边界，最小代价方程运算模块和分析变量确认模块用于利用3Dvar做极小化代价函数运算完成极小化计算，得到分析变量；
所述数据校正输出子系统包括历史数据载入模块、神经网络校订模块和风速预测输出模块，所述历史数据载入模块用于载入历史测风数据，所述神经网络校订模块用于将分析变量和历史测风数据比对，所述风速预测输出模块用于输出风速预测数据。
相对于现有技术，本发明所述的基于同化技术与同风带理论的风电功率预测方法及系统具有以下优势：
(1)利用同风带理论划分目标风电场同风带范围，同化测风数据，根据观测资料数目对计算网格重新划分，既保证了子区域中资料的多点区域同化，又考虑了负载平衡，提升了技术效率，解决了单点预测和单一时次同化不能描述空间大气的流动状态的问题；
(2)同化技术与同风带理论结合，对NWP预报的精度提高，更能反应风速的波动性、随机性和间歇性的特点，保证电网稳定经济运行；
(3)除了适用于风电功率的预测外，还适用于新能源发电功率的预测、输电线路的雷电风灯灾害防治，适用范围广泛；
(4)本预测方法采用优化后的同时连续循环的同化背景场方案，嵌套层之间的过渡平滑，增强了多时次的风速风向模拟，提高了NWP对大气运动模拟的精度。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例所述的基于同化技术与同风带理论的风电功率预测方法的示意图；
图2为本发明实施例所述的基于同化技术与同风带理论的风电功率预测系统的示意图。
附图标记说明：
100-区域化建模子系统，101-全球尺度背景场数据载入模块，102-实发数据筛选模块，103-初始化模块，104-ArcGIS建模模块，105-TIN地形模块，200-数据同化子系统，201-NWP降尺度模块，202-同化模块，203-水平垂直差值权重载入模块，204-背景场协方差矩阵和观测数据载入模块，205-Arakawa C网格错位格点插值模块，300-分析变量迭代子系统，301-分析时次时间确认模块，302-侧边界、下边界更新模块，303-最小代价方程运算模块，304-分析变量确认模块，400-数据校正输出子系统，401-历史数据载入模块，402-神经网络校订模块，403-风速预测输出模块。
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。
下面将参考附图1并结合实施例来详细说明本发明。
基于同化技术与同风带理论的风电功率预测方法，该方法包括以下步骤：
A.区域化建模和数据筛选：
步骤a1，全球尺度背景场GFS数据载入(包括风速、风向、温度、湿度、气压等)，所述GFS数据的背景网格间距为100公里；
步骤a2，载入实发数据，该实发数据包括风场数据、测风塔数据，所述风场数据、测风塔数据包括风速、风向等数据，通过该实发数据对上述GFS数据进行校正筛选，剔除明显错误和偏离实发数据的数值；
步骤a3，将上述经过校正筛选的数据载入初始化模块103；
步骤a4，通过ArcGIS3为电厂建模，录入电厂的风机的坐标数据，重新定义网格间距为2-20公里；
在一种实施例中，通过ArcGIS三维电厂建模，接合200m*200m的地形数据，经过WRF三重嵌套把网格降尺度到3*3公里。
步骤a5，将TIN地形模块105载入初始化模块103，录入近地面层的各层风速、风向、温度、湿度、气压等数据；
步骤a6，根据电厂的数量将a1-a5步骤循环筛选至少1次，得到背景场协方差矩阵B以及观测数据矩阵R。
B.气象数据同化处理：
步骤b1，NWP降尺度得到第一气象要素猜测值，得到新定义网格上的气象数据；
步骤b2，将第一气象要素猜测值载入同化模块202；
步骤b3，根据观测资料新定义网格处的气象信息确定格点处的水平/垂直差值权重，所述气象信息包括气压、温度、湿度等；
步骤b4，将背景场协方差矩阵和观测数据矩阵R载入同化模块202；
步骤b5，将气象第一猜测值以Arakawa C网格做错位格点插值处理。
C.通过最小代价方法多时次迭代求解分析变量：
步骤c1，确定分析时次的起止时间；
步骤c2，更新侧边界和更新下边界；
步骤c3，利用3Dvar做极小化代价函数运算，其中包括计算下降方向，计算步长，计算目标函数以及梯度，其代价函数为：
代价函数的Jb和Jo表示了背景场和观测场的拟合程度。因此可对x求导，▽J梯度范数最小化过程中，设定迭代次数，把▽J限定到一定范围，来求得分析值比初始值更贴近的最优值程度。即
▽J＝▽Jb+▽Jo＝B-1(x-xb)+HTR-1(H(x)-y)
x是分析变量，xb背景场值，y为观测值，B为背景误差协方差矩阵，H是向前观测算子，R为观测误差协方差矩阵。展开代价方程J(x)，得到
验证：若观测误差R<<Btk，即观测误差相当小，可简化为说明最终值无限趋近与观测值y0，若R>>Btk，可简化为说明观测偏差太大，取值无限接近于第一预测值。这里重要参量B是由，U(水平风速)，Z垂向风速)，T(温度)，q(相对湿度)和p(气压)，组成的协方差矩阵。其表达式为：
步骤c4，完成极小化计算，得到分析变量x；
步骤c5，迭代下一时次，循环c1-c4步骤，直至所有嵌套区域的背景场更新完毕，迭代时次为3小时或6小时，每时次的迭代次数为30-200次。
D.数据校正和输出：
步骤d1，载入历史测风数据；
步骤d2，通过与历史测风数据比对，对预测数据做神经网络训练和校正；
步骤d3，输出风速预测数据。
该基于同化技术与同风带理论的风电功率预测系统包括：区域化建模子系统100、数据同化子系统200、分析变量迭代子系统300和数据校正输出子系统400；
所述区域化建模子系统100包括全球尺度背景场数据载入模块101、实发数据筛选模块102、初始化模块103、ArcGIS建模模块104和TIN地形模块105，所述全球尺度背景场数据载入模块101录入的数据通过与实发数据筛选模块102内的数据比对后载入到初始化模块103中，经过ArcGIS建模模块104建模、录入电厂的风机坐标并重新定义网格间距，将TIN地形模块105载入到初始化模块103中，录入地形数据；
所述数据同化子系统200包括NWP降尺度模块201、同化模块202、水平垂直差值权重载入模块203、背景场协方差矩阵和观测数据载入模块204和Arakawa C网格错位格点插值模块205，所述NWP降尺度模块201得到第一气象要素猜测值，该第一气象要素猜测值载入到同化模块202中，进而水平垂直差值权重载入模块203、背景场协方差矩阵和观测数据载入模块204和Arakawa C网格错位格点插值模块205处理同化模块202中的气象数据；
所述分析变量迭代子系统300包括分析时次时间确认模块301、侧边界、下边界更新模块302、最小代价方程运算模块303和分析变量确认模块304，通过每个迭代时次内的数据筛选、校正，求解出分析变量；
所述数据校正输出子系统400包括历史数据载入模块401、神经网络校订模块402和风速预测输出模块403，经过历史数据载入模块401的校正最终输出风速预测数据。
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.基于同化技术与同风带理论的风电功率预测方法，其特征在于，包括如下步骤：
步骤A：利用同风带理论重新筛选和定义更加准确的背景网格，增加TIN地形模块并利用ArcGIS3建模，得到背景场协方差矩阵B以及观测数据矩阵R；
步骤B：根据NWP理论将背景场协方差矩阵B以及观测数据矩阵R录入同化模块；
步骤C：通过最小代价方法多时次迭代求解分析变量；
步骤D：通过历史测风数据校正并输出风速预测数据。
2.根据权利要求1所述的基于同化技术与同风带理论的风电功率预测方法，其特征在于，所述步骤A具体包括如下步骤：
步骤a1，全球尺度背景场GFS数据载入；
步骤a2，载入实发数据，通过该实发数据对上述GFS数据进行校正筛选；
步骤a3，将上述经过校正筛选的数据载入初始化模块；
步骤a4，通过ArcGIS3为电厂建模，录入电厂的风机的坐标数据，重新定义网格间距为2-20公里；
步骤a5，将TIN地形模块载入初始化模块，得到背景场协方差矩阵B以及观测数据矩阵R。
3.根据权利要求2所述的基于同化技术与同风带理论的风电功率预测方法，其特征在于，所述步骤A还包括如下步骤：
步骤a6，根据电厂的数量将a1-a5步骤循环筛选2-5次。
4.根据权利要求1所述的基于同化技术与同风带理论的风电功率预测方法，其特征在于，所述步骤B具体包括如下步骤:
步骤b1，NWP降尺度得到第一气象要素猜测值；
步骤b2，将第一气象要素猜测值载入同化模块；
步骤b3，根据观测资料新定义网格处的气象信息确定格点处的水平/垂直差值权重；
步骤b4，将背景场协方差矩阵和观测数据矩阵R载入同化模块；
步骤b5，将气象第一猜测值以Arakawa C网格做错位格点插值处理。
5.根据权利要求1所述的基于同化技术与同风带理论的风电功率预测方法，其特征在于，所述步骤C具体包括如下步骤:
步骤c1，确定分析时次的起止时间；
步骤c2，更新侧边界和更新下边界；
步骤c3，利用3Dvar做极小化代价函数运算；
步骤c4，完成极小化计算，得到分析变量x。
6.根据权利要求5所述的基于同化技术与同风带理论的风电功率预测方法，其特征在于，所述步骤c3中的代价函数为：
<mrow>
<mi>J</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>J</mi>
<mi>b</mi>
</msub>
<mo>+</mo>
<msub>
<mi>J</mi>
<mi>o</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>b</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<msup>
<mi>B</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>b</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mn>0</mn>
</msub>
<mo>-</mo>
<mi>H</mi>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<msup>
<mi>R</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mn>0</mn>
</msub>
<mo>-</mo>
<mi>H</mi>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
式中，Jb和Jo表示了背景场和观测场的拟合程度，x是分析变量，xb背景场值，y为观测值，B为背景误差协方差矩阵，H是向前观测算子，R为观测误差协方差矩阵。
7.根据权利要求5所述的基于同化技术与同风带理论的风电功率预测方法，其特征在于，所述步骤C具体还包括如下步骤:
步骤c5，迭代下一时次，循环c1-c4步骤，直至所有嵌套区域的背景场更新完毕。
8.根据权利要求7所述的基于同化技术与同风带理论的风电功率预测方法，其特征在于，所述迭代时次为3小时或6小时，每时次的迭代次数为30-200次。
9.根据权利要求1所述的基于同化技术与同风带理论的风电功率预测方法，其特征在于，所述步骤D具体包括如下步骤:
步骤d1，载入历史测风数据；
步骤d2，通过与历史测风数据比对，对预测数据做神经网络训练和校正；
步骤d3，输出风速预测数据。
10.基于同化技术与同风带理论的风电功率预测系统，其特征在于，包括：区域化建模子系统、数据同化子系统、分析变量迭代子系统和数据校正输出子系统；
所述区域化建模子系统包括全球尺度背景场数据载入模块、实发数据筛选模块、初始化模块、ArcGIS建模模块和TIN地形模块，所述全球尺度背景场数据用于载入模块录入的数据通过与实发数据筛选模块内的数据比对后载入到初始化模块中，所述ArcGIS建模模块用于建模、录入电厂的风机坐标并重新定义网格间距，所述TIN地形模块用于将地形数据载入到初始化模块中；
所述数据同化子系统包括NWP降尺度模块、同化模块、水平垂直差值权重载入模块、背景场协方差矩阵和观测数据载入模块和Arakawa C网格错位格点插值模块，所述NWP降尺度模块用于计算得到第一气象要素猜测值，并将该第一气象要素猜测值载入到同化模块中，水平垂直差值权重载入模块、背景场协方差矩阵和观测数据载入模块和Arakawa C网格错位格点插值模块用于处理同化模块中的气象数据；
所述分析变量迭代子系统包括分析时次时间确认模块、侧边界、下边界更新模块、最小代价方程运算模块和分析变量确认模块，所述分析时次时间确认模块用于确定分析时次的起止时间，所述侧边界、下边界更新模块用于更新侧边界和更新下边界，最小代价方程运算模块和分析变量确认模块用于利用3Dvar做极小化代价函数运算完成极小化计算，得到分析变量；
所述数据校正输出子系统包括历史数据载入模块、神经网络校订模块和风速预测输出模块，所述历史数据载入模块用于载入历史测风数据，所述神经网络校订模块用于将分析变量和历史测风数据比对，所述风速预测输出模块用于输出风速预测数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201511018497.0A CN105576650B (zh) | 2015-12-29 | 2015-12-29 | 基于同化技术与同风带理论的风电功率预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201511018497.0A CN105576650B (zh) | 2015-12-29 | 2015-12-29 | 基于同化技术与同风带理论的风电功率预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105576650A CN105576650A (zh) | 2016-05-11 |
| CN105576650B true CN105576650B (zh) | 2017-11-21 |
Family
ID=55886487
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201511018497.0A Active CN105576650B (zh) | 2015-12-29 | 2015-12-29 | 基于同化技术与同风带理论的风电功率预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105576650B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107784165B (zh) * | 2017-09-29 | 2021-07-09 | 国网青海省电力公司 | 基于光伏电站的地表温度场多尺度资料同化方法 |
| CN110968929A (zh) * | 2018-09-30 | 2020-04-07 | 北京金风慧能技术有限公司 | 风电场风速的预测方法、装置及电子设备 |
| CN110765644B (zh) * | 2019-11-06 | 2022-02-22 | 兰州大学 | 一种风云四号卫星闪电成像仪资料同化方法 |
| CN112613674B (zh) * | 2020-12-29 | 2024-03-08 | 国能日新科技股份有限公司 | 中长期风电发电量预测方法、装置、电子设备及存储介质 |
| CN113127530A (zh) * | 2021-03-05 | 2021-07-16 | 中国气象科学研究院 | 一种基于铁路网的大气三维结构动态探测信息群同化系统 |
| CN114662127B (zh) * | 2022-03-09 | 2024-05-31 | 中金金融认证中心有限公司 | 数据同化的方法、设备和可读存储介质 |
| CN115079307B (zh) * | 2022-06-09 | 2023-07-25 | 中能融合智慧科技有限公司 | 一种基于多模式最优集成的风电场气象预报方法和系统 |
| CN116912459B (zh) * | 2023-09-13 | 2023-12-19 | 中国海洋大学 | 一种变网格多尺度混合式资料同化方法 |
| CN118153401B (zh) * | 2024-05-09 | 2024-08-27 | 深圳智荟物联技术有限公司 | 风场预测方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4219292B2 (ja) * | 2004-03-23 | 2009-02-04 | 大阪瓦斯株式会社 | 電力消費地点の気温予測システム及び方法 |
| EP2688015A1 (en) * | 2012-07-20 | 2014-01-22 | Tata Consultancy Services Limited | Method and system for adaptive forecast of energy resources |
| CN104615855A (zh) * | 2015-01-04 | 2015-05-13 | 国家电网公司 | 融合数值天气预报的日前风速多步预报方法 |
| CN104933483A (zh) * | 2015-06-17 | 2015-09-23 | 中国电力科学研究院 | 一种基于天气过程划分的风电功率预测方法 |
-
2015
- 2015-12-29 CN CN201511018497.0A patent/CN105576650B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4219292B2 (ja) * | 2004-03-23 | 2009-02-04 | 大阪瓦斯株式会社 | 電力消費地点の気温予測システム及び方法 |
| EP2688015A1 (en) * | 2012-07-20 | 2014-01-22 | Tata Consultancy Services Limited | Method and system for adaptive forecast of energy resources |
| CN104615855A (zh) * | 2015-01-04 | 2015-05-13 | 国家电网公司 | 融合数值天气预报的日前风速多步预报方法 |
| CN104933483A (zh) * | 2015-06-17 | 2015-09-23 | 中国电力科学研究院 | 一种基于天气过程划分的风电功率预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105576650A (zh) | 2016-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105576650B (zh) | 基于同化技术与同风带理论的风电功率预测方法及系统 | |
| CN102663251B (zh) | 基于计算流体力学模型的风电场功率物理预测方法 | |
| Stathopoulos et al. | Wind power prediction based on numerical and statistical models | |
| CN102945508B (zh) | 一种基于模型校正的风电功率预测预报方法 | |
| Lange et al. | Wind power prediction in Germany–Recent advances and future challenges | |
| CN110598290B (zh) | 考虑气候变化的流域未来水电发电能力预测方法和系统 | |
| CN105868853B (zh) | 一种短期风电功率组合概率预测方法 | |
| CN109274121B (zh) | 一种风电场控制参数优化方法及系统 | |
| CN109345046B (zh) | 光伏功率的预测方法及装置 | |
| Malz et al. | Drag-mode airborne wind energy vs. wind turbines: An analysis of power production, variability and geography | |
| CN113553782B (zh) | 一种用于预报风速的降尺度方法 | |
| CN101794996A (zh) | 风电场出力实时预测方法 | |
| CN104037761A (zh) | 一种agc功率多目标随机优化分配方法 | |
| CN102622482A (zh) | 一种基于二进制粒子群算法的风机优化布置方法 | |
| CN112149859A (zh) | 风速预测方法和风速预测装置 | |
| CN112862274A (zh) | 一种基于WRF-LES和DeepAR相结合的风功率预测方法 | |
| CN115640956A (zh) | 一种未来水资源供需平衡分析方法 | |
| CN110390343A (zh) | 一种空间气象数据的订正方法及系统 | |
| CN114648181A (zh) | 一种基于机器学习的降水预报修正方法及系统 | |
| CN103745274A (zh) | 一种用于分散式风电的短期功率预测方法 | |
| CN116341410A (zh) | 一种考虑不同稳定度的典型地形风场模拟方法及系统 | |
| CN117172965B (zh) | 一种考虑气候变化的梯级水库群水能资源评估方法及装置 | |
| CN110414084A (zh) | 一种基于三层规划的半变异函数模型求解方法 | |
| CN117371581A (zh) | 一种新能源发电功率预测方法、装置及存储介质 | |
| JP7114162B1 (ja) | 風況推定装置及び風況推定方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: Room 227, 2nd floor, No. 27 Building Material City Middle Road, Xisanqi, Haidian District, Beijing 100096 Patentee after: New energy Polytron Technologies Inc Address before: 100081 four, 407, 19 Building, 68 South Road, Haidian District, Beijing. Patentee before: Beijing Guo Nengxin system control technique company limited |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Wind power prediction method and system based on assimilation technology and same wind band theory Effective date of registration: 20190404 Granted publication date: 20171121 Pledgee: Zhongguancun Beijing technology financing Company limited by guarantee Pledgor: New energy Polytron Technologies Inc Registration number: 2019990000290 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20200911 Granted publication date: 20171121 Pledgee: Zhongguancun Beijing technology financing Company limited by guarantee Pledgor: SPRIXIN TECHNOLOGY Co.,Ltd. Registration number: 2019990000290 |