CN110555538A - 风电场风速预测方法及预测系统 - Google Patents
风电场风速预测方法及预测系统 Download PDFInfo
- Publication number
- CN110555538A CN110555538A CN201810550134.9A CN201810550134A CN110555538A CN 110555538 A CN110555538 A CN 110555538A CN 201810550134 A CN201810550134 A CN 201810550134A CN 110555538 A CN110555538 A CN 110555538A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- data
- target
- plot
- elevation
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 42
- 230000009467 reduction Effects 0.000 claims description 43
- 230000015654 memory Effects 0.000 claims description 14
- 238000001228 spectrum Methods 0.000 claims description 10
- 238000007619 statistical method Methods 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000005034 decoration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004940 physical analysis method Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本申请实施例提供了一种风电场风速预测方法及预测系统。该预测方法包括:获取指定区域范围内的基准地块的风速数据和高程数据、以及目标地块的高程数据;根据基准地块的风速数据和高程数据、目标地块的高程数据和预先建立的目标风速预测模型,确定出该指定区域范围内的目标地块的风速数据。该方法将风速数据与高程数据作为预测因子,应用在基于统计降尺度模型的风速预测中,使得在一定范围内的风速预测实现了通过更加快速、简洁的处理方式达到精细化的良好效果。
Description
技术领域
本申请涉及风速模拟及统计分析技术领域,具体而言,本申请涉及风电场风速预测方法及预测系统。
背景技术
风电功率预测有利于减轻风力发电对电网的冲击,大规模风电并网条件下,准确稳定的风电场短期功率预测使风电场获得竞争优势。
对风电机组轮毂高度处风速的准确预测是风电场短期功率预测的关键,其中,精细化风速预测技术对风功率的精准预测具有重要意义。尤其对于大量的新建风电场,由于缺少历史风速数据,必须首先预测风电场中各台风电机组轮毂高度处的风速,然后根据风电机组的功率曲线计算发电功率的预测方法。
通常利用对中尺度测风塔数据进行降尺度处理来获得更高分辨率的风速预测信息。现有技术中,一种降尺度处理方式是使用物理解析方法求解风电场局地效应对气流的影响,这种方法模型实现过程较复杂,精度提高有限;另一种降尺度处理方式是采用动力降尺度方法,比如使用计算流体力学(Computational fluid dynamics,CFD)方法模拟风电场内部流场演变过程,这种方法可以获得较为准确的风速分布,但在建立预测风速查询数据库或直接预测风速时需要CFD方法求解复杂的方程,工程实现复杂且计算代价巨大。
发明内容
本申请针对现有技术存在的上述问题和缺陷,提出了风电场风速预测方法及预测系统,用以解决现有技术在精确预测风速过程中存在的实现较复杂、计算式繁复、且计算量大的技术问题。
本申请的实施例根据一个方面,提供了一种风电场风速预测方法,包括:
获取指定区域范围内的基准地块的风速数据和高程数据、以及目标地块的高程数据;
根据基准地块的风速数据和高程数据、目标地块的高程数据和预先建立的目标风速预测模型,确定出该指定区域范围内的目标地块的风速数据。
可选地,所述根据基准地块的风速数据、基准地块的高程数据、目标地块的高程数据和预先建立的目标风速预测模型,确定出该指定区域范围内的目标地块的风速数据,包括:
确定出所述目标地块的高程数据与基准地块的高程数据之间的差值,作为高程差;
根据所述目标风速预测模型中的多个高程差与多个风速数据的差值之间的对应关系,确定出与所述高程差相关联的风速数据的差值;
根据所述风速数据的差值和基准地块的风速数据,确定出所述目标地块的风速数据。
可选地,所述获取指定区域范围内的基准地块的风速数据和高程数据,包括:
获取所述指定区域范围内的各基准地块的风速数据和SRTM高程数据;以及
所述获取所述目标地块的高程数据,包括:
对所述基准地块的风速数据进行降尺度处理,得到降尺度后的至少一组风速数据;将所获得的降尺度后的每组风速数据所对应的地块作为目标地块;
获取每个目标地块的高程数据。
可选地,所述获取所述指定区域范围内的SRTM高程数据,包括:
在指定区域范围内,预先划分出多个DEM区域,其中每个所述DEM区域分别对应于所述基准地块;
根据每个所述DEM区域,获取每个所述DEM区域对应的SRTM高程数据;
将各DEM区域的SRTM高程数据进行镶嵌,得到所述指定区域范围内的SRTM高程数据。
可选地,所述将所获得的降尺度后的每组风速数据所对应的地块作为目标地块,包括:
将所述基准地块划分成多个面积相同的单位地块,每个单位地块对应一个降尺度后的一组风速数据,将单位地块作为目标地块。
可选地,所述确定出该指定区域范围内的目标地块的风速数据,包括:
在确定出的指定区域范围内,对基准地块的风速数据进行降尺度处理,得到目标地块的风速数据。
可选地,所述确定出该指定区域范围内的目标地块的风速数据,还包括:
根据所述指定区域范围内,对基准地块的风速数据进行降尺度处理,得到目标地块的风速数据;以及
基于对基准地块的高程数据进行降尺度处理,得到目标地块的SRTM高程数据;
根据所述目标地块的风速数据和所述目标地块的SRTM高程数据,创建基于目标地块的风图谱数据图。
可选地,所述创建基于降尺度后的基准地块的风图谱数据图,包括:
获取用于标识所述目标地块的地理位置的至少一组经度数据和纬度数据;
根据所获得的目标地块的风速数据,以及所获得的目标地块的SRTM高程数据,确定出与每组经度数据与纬度数据相对应的、且用于表征所述基准地块所对应风速的灰度值;
根据比较得出所述灰度值超出预设的变化幅度范围,将所述目标地块所对应的经度数据和纬度数据,分别与其相邻地块的多个经纬度和纬度数据之间取均值。
可选地,所述目标风速预测模型是通过下述方法预先建立的:
获取多个样本基准地块的风速数据和高程数据;
分别对基准地块的风速数据和高程数据进行降尺度处理;
根据预先获得的多个目标地块的降尺度前的高程数据和降尺度后的高程数据,以及根据降尺度处理后的基准地块的风速数据和高程数据,确定出基准地块与任一个目标地块之间的降尺度后的高程数据的差值和降尺度后的风速数据的差值;
统计分析出多个高程差与多个所述风速数据的差值之间的对应关系。
可选地,所述确定出基准地块与任一个目标地块之间的降尺度后的高程数据的差值和降尺度后的风速数据的差值,包括:
对于属于同一地形的多个基准地块中选择1个基准地块,确定出降尺度处理后的基准地块的风速数据和高程数据;
确定出降尺度处理后的基准地块的风速数据与降尺度处理后的目标地块的风速数据的差值,以及
确定出降尺度处理后的基准地块的高程数据与降尺度处理后的目标地块的高程数据的差值,得到多个高程数据的差值和对应的多个所述风速数据的差值;以及
所述统计分析出多个高程差与多个所述风速数据的差值之间的对应关系,包括:
统计分析出该地形的多个高程差与多个所述风速数据的差值之间的对应关系。
基于同一发明构思,本申请的实施例根据又一个方面,提供一种风电场风速预测系统,包括:
存储器;
处理设备,与所述存储器电连接;
至少一个程序,存储于所述存储器中,被配置为由所述处理设备执行时实现上述的风速预测方法。
基于同一发明构思,本申请的实施例根据再一个方面,提供一种计算机存储介质,所述存储介质存储有如上述的风速预测方法所对应的计算机程序。
本申请的实施例提供一种风速预测方法,该方法将风速数据与高程数据作为预测因子,应用在基于统计降尺度模型的风速预测中,使得在一定范围内的风速预测实现了通过更加快速、简洁的处理方式达到精细化的良好效果。本申请实施例提供的风电场风速预测方法及预测系统,能够将中尺度数据降尺度,水平分辨率在1km左右,体现出风电场局部地形差异和粗糙度对风速分布的影响。
本申请附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例的风电场风速预测方法的主要步骤流程示意图;
图2为本申请实施例的风电场风速预测方法的出现“坏线”的风图谱数据图;
图3为本申请实施例的风电场风速预测方法的“坏线去除”后的风图谱数据图。
图4为本申请实施例通过对基准地块的测风塔数据进行降尺度处理后预测到的目标地块的风速的具体实例。
具体实施方式
本申请的发明人认为,风速的信息可以直接体现风能的信息,若想充分利用风电能源,对风速进行高分辨率的分析、模拟和估算则变得十分重要。发明人研究发现,精细化风速预测是风电场短期功率预测的关键。其中,精细化是指在一定高程条件下,对指定区域范围具有较高的水平分辨率,能够较精准地体现出风电场局部地形差异和粗糙度对风速分布的影响。
若要科学合理地模拟指定区域、指定高程的风速特征,获得高分辨率的风速气候资料才是准确评价复杂地形、地理环境风速特征的关键。
本申请的发明人结合多年积累的一线风电场工作实践经验,对同一地形下测风塔数据统计降尺度方法进行了研究,创造性地将风速数据与高程数据作为统计降尺度模型(statistical downscaling,SDS)的预测因子应用在风速预测中,得出本申请的风速预测方法及预测系统的技术方案。
下面详细描述本申请的实施例,该实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本申请的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所描述的特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
图1为本申请实施例的风速预测方法的主要步骤流程示意图。下面结合附图1介绍本申请实施例提供的风速预测方法。该方法包括如下步骤:
步骤S101:获取指定区域范围内的基准地块的风速数据和高程数据、以及目标地块的高程数据。步骤S102:根据基准地块的风速数据和高程数据、目标地块的高程数据和预先建立的目标风速预测模型,确定出该指定区域范围内的目标地块的风速数据。
其中,步骤S101中,获取指定区域范围内的基准地块的风速数据和高程数据,包括获取指定区域范围内的各基准地块的风速数据和SRTM高程数据。这些数据可以通过测风塔测量或地理基础数据得到。
本申请中涉及的“指定区域”是指在风场中选取的一个被测区域,这个区域的面积要小于布设于风场上的测风塔的最大覆盖面积,且这个区域的面积要大于本申请中涉及的基准地块的面积。
可选地,获取指定区域范围内的SRTM高程数据,包括:
获取多个DEM区域的SRTM高程数据;具体包括在指定区域范围内,预先划分出多个DEM区域,其中每个DEM区域分别对应于基准地块。
根据每个DEM区域,获取每个DEM区域对应的SRTM高程数据。SRTM的全称是“Shuttle Radar Topography Mission,航天飞机雷达地形测绘使命”,它是经雷达监测得到的关于地表信息的基础数据。
DEM区域广义上是指能够对应地形高程模型(Digital Elevation Model)处理风速数据和高程数据的地表区域。DEM区域通常在本申请中涉及到的指定区域范围内来划分,即DEM区域的面积通常小于指定区域的面积。
地形高程模型(Digital Elevation Model)是通过有限的地形高程数据实现对地面地形的数字化模拟(即地形表面形态的数字化表达),它是用一组有序数值阵列形式表示地面高程的一种实体地面模型。
获取指定区域范围内的基准地块的风速数据和高程数据、以及目标地块的高程数据之后,由于SRTM雷达数据为30m分辨率,具有一定局限性,通常需要将采集到的测风塔数据进行初步处理。也就是指将各DEM区域的SRTM高程数据进行镶嵌,得到指定区域范围内的SRTM高程数据。例如,一景数据的扫描范围很小,若是想要拍摄一个街道角落,需要拍好几张图片,跨好几景;而这好几张照片中显然很容易出现重复的画面内容,为了便于计算,将表征这几张照片内容的数据进行镶嵌处理,去除重叠区域,保留非重叠区域,即合并相同地理位置的数据,保留不同地理位置的数据。这里的镶嵌可以理解为不同地理位置数据之间的合并过程。
这是由于有的风场上的测风塔覆盖面积比较大,例如测风塔覆盖面积30平方公里,而SRTM雷达数据的一景影像的范围较小,例如只有5平方公里,导致DEM区域的SRTM高程数据只有5公里,为了使得求平均高程数据时比较方便,需要把DEM区域的SRTM高程数据进行镶嵌,俗称合并。
例如:6个5平方公里的DEM区域的SRTM高程数据正好镶嵌而成30公里的SRTM高程数据。测风塔数据的范围覆盖多景SRTM数据,将这些原始数据具体镶嵌处理过程步骤举例如下:首先根据测风塔数据的经纬度提取以经纬度表征对应观测的基准地块的外接矩形的范围(gwGetTxtRect),然后根据基准地块的外接矩形范围裁剪SRTM数据并镶嵌生成一景SRTM数据(gwClipImg_mosaic)。此处的“一景”是遥感领域中的术语,指的是“卫星拍摄一次所拍摄到的画面区域范围”。这是前期的数据处理。正常的可以在建模之前进行处理。也可以输入DEM区域的SRTM数据后,在预先建好的模型软件中完成镶嵌过程。
将各DEM区域的SRTM高程数据进行镶嵌处理,得到指定区域范围内的SRTM高程数据。
步骤S101中,获取目标地块的高程数据,包括:
对基准地块的风速数据进行降尺度处理,得到降尺度后的至少一组风速数据;将所获得的降尺度后的每组风速数据所对应的地块作为目标地块;获取每个目标地块的高程数据。
具体包括:将基准地块划分成多个面积相同的单位地块,每个单位地块对应一个降尺度后的一组风速数据,将单位地块作为目标地块。
本申请实施例所使用的SDS统计降尺度模型是基于DEM地形高程模型得到的对指定地区的风速数据进行降尺度处理后的风速预测模型。
在步骤S102中:根据基准地块的风速数据和高程数据、目标地块的高程数据和预先建立的目标风速预测模型,确定出该指定区域范围内的目标地块的风速数据。
这里的目标风速预测模型是通过下述过程预先建立的:
获取样本基准地块的风速数据和高程数据;
分别对基准地块的风速数据和高程数据进行降尺度处理;
根据预先获得的多个目标地块的降尺度前的高程数据和降尺度后的高程数据,以及根据降尺度处理后的基准地块的风速数据和高程数据,确定出基准地块与任一个目标地块之间的降尺度后的高程数据的差值和降尺度后的风速数据的差值;
统计分析出多个高程差与多个风速数据的差值之间的对应关系。具体为,统计分析出该地形的多个高程差与多个风速数据的差值之间的对应关系。
步骤S102中,将已确定出的目标地块的高程数据与基准地块的高程数据之间的差值,作为高程差。
根据预先得到的目标风速预测模型中的多个高程差与多个风速数据的差值之间的对应关系,确定出与高程差相对应的风速数据的差值。
根据风速数据的差值和基准地块的风速数据,确定出目标地块的风速数据。
步骤S102中,确定出该指定区域范围内的目标地块的风速数据,包括:在确定出的指定区域范围内,对基准地块的风速数据进行降尺度处理,得到目标地块的风速数据。确定出该指定区域范围内降尺度后的基准地块的风速数据。根据指定区域范围内各降尺度后的基准地块的高程数据和风速数据,创建基于降尺度后的基准地块的风图谱数据图。
本申请实施例中的创建基于降尺度后的基准地块的风图谱数据图,包括:
获取用于标识目标地块的地理位置的至少一组经度数据和纬度数据;根据所获得的目标地块的风速数据,以及所获得的目标地块的SRTM高程数据,确定出与每组经度数据与纬度数据相对应的、且用于表征该基准地块所对应风速的灰度值。
响应于比较得出灰度值超出预设的变化幅度范围,将基准地块所对应的经度数据和纬度数据,分别与其相邻地块的多个经纬度和纬度数据之间取均值。这是由于风速的分布是空间的,沿着离地而高度的不同,风速应有所不同。风压沿高度变化是由地表摩擦的结果,地面越粗糙,其影响越大。高楼林立的大城市对风压的影响比广阔的海平而要大的多。发明人经过实测得到的结果表明,在一定时间间隔内,地表上一个固定位置上的风速的平均值几乎是不变的,但却随高度的增大该值逐渐增大。因此,作用于一点的风速可用平均风速和脉动风速来表示,而平均风对确定风荷载大小具有决定性的意义。
本申请实施例所使用的用SDS统计降尺度模型是基于DEM地形高程模型得到的指定地区的降尺度后的风速预测模型。但由于地表地形变化起伏,通常呈现测风塔数量虽然较多,但位置分布不均匀的现状,导致在生成均匀降尺度数据时,在风图谱数据图中出现了“坏线”,参见附图2。
面对这个问题和情况,由于上文已表明作用于一点的风速可用平均风速和脉动风速来表示,而平均风对确定风荷载大小具有决定性的意义。因此本申请的发明人考虑到,采用相邻数据取均值的方式替换坏线数据,处理异常数据。处理后的效果参见附图3,坏线消除,各个区域之间的灰度均匀过渡。
下面结合附图4,介绍本申请实施例通过对基准地块的测风塔风速数据进行降尺度处理后预测得到目标地块特定高度处风速数据的具体实例。
附图4中的横轴代表X轴,纵轴代表Y轴。X轴与Y轴上围合有1个的较大的正方形,边长设为3KM,该区域可以理解为面积是3KM×3KM=9KM2的基准地块。该正方形由9个等大的正方形的小格网组成,对应附图4中标号为1至标号为9的正方形。每个小格网的边长为1KM。X轴与Y轴之间所包含9个等大的正方形小格网代表着单位地块或目标地块。每个格网代表边长为1KM×1KM=1KM2的正方形区域面积范围。
降尺度前,测风塔之间的风速差与降尺度前的测风塔的高程与降尺度后的测风塔的高程间的高程之间的差值可以通过风速数据和地理数据获得。
首先,将指定范围为3KM的区域的风速数据和原始数据输入预先建立的目标风速预测模型中,目标风速预测模型可以是软件模型,通过对3KM×3KM区域内的测风塔数据的回归分析,发现得到了测风塔数据与地形高程差存在关联关系,例如线性关系。这里的线性关系是通过测风塔的实测数据与DEM高程数据拟合出来的对应结果,DEM高程数据即SRTM数据。
上述线性关系可以表示为y=kx,其中:y为风速差,x为地形高程差(DEM差值),k为风速差与地形高差之间的相关系数。对应不同的地形,k体现出不同数值。
根据此线性关系,对测风塔数据降尺度。原始测风塔数据X、Y方向的分辨率是3KM,降尺度后分辨率为1KM,DEM使用30米分辨率的SRTM雷达数据。经过降尺度,把原始的一个网格拆分成3×3个小网格。其中,KM的英文全称为Kilometer,含义为“公里、千米”。
本实例中的风速差可以理解为:同一尺度下不同测风塔对应的风速差。
本实例中的高程差可以理解为:同一尺度下不同测风塔对应的SRTM高程数据的差。
已知风速差=y2-y1,即降尺度后(1KM)的风速数据与降尺度前(3KM)的风速数据的差;且已知高程差,然后利用地形高差与风速的经验关系,建立地形高差与风速的表达式。这里的经验关系指得是通过目标风速预测模型得出得测风塔数据与地形高差存在的关联关系。例如,线性关系y=kx。通过该表达式,对风速进行模拟,预测得到分辨率为1KM的风速数据。
若是在生成均匀降尺度数据时,在风图谱数据图中出现了附图2体现出“坏线”,面对这个问题和情况,发明人采用相邻数据取均值的方式替换坏线数据,处理异常数据。假设标号为5的正方形小格网代表了宏观上出现坏线的点,即标号为5的小格网的灰度值超出预设的变化幅度范围时,将标号为5的小格网所对应的经纬度数据在与周围(标号分别为2、4、6和8)相邻的四个小格网的所对应的经度数据和纬度数据之间,取均值。
数据的处理后的效果参见附图3,可见坏线消除,各个区域之间的灰度均匀过渡。
基于同一发明构思,本申请还提供一种风速预测装置,包括:
数据获取模块,用于获取指定区域范围内的基准地块的风速数据和高程数据、以及目标地块的高程数据;
风速预测模块,用于根据基准地块的风速数据和高程数据、目标地块的高程数据和预先建立的目标风速预测模型,确定出该指定区域范围内的目标地块的风速数据。
基于同一发明构思,本申请还提供一种风速预测系统,包括:
存储器;
处理设备,与存储器电连接;
至少一个程序,存储于存储器中,被配置为由处理设备执行时实现上述的风速预测方法。
基于同一发明构思,本申请还提供一种计算机存储介质,该存储介质上存储有如上述的风速预测方法所对应的计算机程序。
本申请实施例提供的风电场风速预测方法、预测装置及预测系统,将风速数据与高程数据作为预测因子,应用在基于统计降尺度模型的风速预测中,使得在一定范围内的风速预测实现了通过更加快速、简洁的处理方式达到精细化的良好效果。
本申请实施例通过采用相邻数据取均值的方式替换坏线数据,处理异常数据,使得各个基准地块之间的灰度均匀过渡,提高了风速预测的精准度。
本技术领域技术人员可以理解,本申请包括涉及用于执行本申请中操作中的一项或多项的设备。这些设备可以为所需的目的而专门设计和制造,或者也可以包括通用计算机中的已知设备。这些设备具有存储在其内的计算机程序,这些计算机程序选择性地激活或重构。这样的计算机程序可以被存储在设备(例如,计算机)可读介质中或者存储在适于存储电子指令并分别耦联到总线的任何类型的介质中,计算机可读介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory,只读存储器)、RAM(Random Access Memory,随即存储器)、EPROM(Erasable Programmable Read-Only Memory,可擦写可编程只读存储器)、EEPROM(Electrically Erasable ProgrammableRead-Only Memory,电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是,可读介质包括由设备(例如,计算机)以能够读的形式存储或传输信息的任何介质。
本技术领域技术人员可以理解,可以用计算机程序指令来实现这些结构图和/或框图和/或流图中的每个框以及这些结构图和/或框图和/或流图中的框的组合。本技术领域技术人员可以理解,可以将这些计算机程序指令提供给通用计算机、专业计算机或其他可编程数据处理方法的处理器来实现,从而通过计算机或其他可编程数据处理方法的处理器来执行本申请公开的结构图和/或框图和/或流图的框或多个框中指定的方案。
本技术领域技术人员可以理解,本申请中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地,具有本申请中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地,现有技术中的具有与本申请中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。
以上内容仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (12)
1.一种风电场风速预测方法,其特征在于,包括:
获取指定区域范围内的基准地块的风速数据和高程数据、以及目标地块的高程数据;
根据基准地块的风速数据和高程数据、目标地块的高程数据和预先建立的目标风速预测模型,确定出该指定区域范围内的目标地块的风速数据。
2.根据权利要求1所述的风速预测方法,其特征在于,所述根据基准地块的风速数据、基准地块的高程数据、目标地块的高程数据和预先建立的目标风速预测模型,确定出该指定区域范围内的目标地块的风速数据,包括:
确定出所述目标地块的高程数据与基准地块的高程数据之间的差值,作为高程差;
根据所述目标风速预测模型中的多个高程差与多个风速数据的差值之间的对应关系,确定出与所述高程差相对应的风速数据的差值;
根据所述风速数据的差值和基准地块的风速数据,确定出所述目标地块的风速数据。
3.根据权利要求1或2所述的风速预测方法,其特征在于,所述获取指定区域范围内的基准地块的风速数据和高程数据,包括:
获取所述指定区域范围内的各基准地块的风速数据和SRTM高程数据;以及
所述获取所述目标地块的高程数据,包括:
对所述基准地块的风速数据进行降尺度处理,得到降尺度后的至少一组风速数据;将所获得的降尺度后的每组风速数据所对应的地块作为目标地块;
获取每个目标地块的高程数据。
4.根据权利要求3所述的风速预测方法,其特征在于,所述获取所述指定区域范围内的SRTM高程数据,包括:
在指定区域范围内,预先划分出多个DEM区域,其中每个所述DEM区域分别对应于所述基准地块;
根据每个所述DEM区域,获取每个所述DEM区域对应的SRTM高程数据;
将各DEM区域的SRTM高程数据进行镶嵌,得到所述指定区域范围内的SRTM高程数据。
5.根据权利要求3所述的风速预测方法,其特征在于,所述将所获得的降尺度后的每组风速数据所对应的地块作为目标地块,包括:
将所述基准地块划分成多个面积相同的单位地块,每个单位地块对应一个降尺度后的一组风速数据,将单位地块作为目标地块。
6.根据权利要求3所述的风速预测方法,其特征在于,所述确定出该指定区域范围内的目标地块的风速数据,包括:
在确定出的指定区域范围内,对基准地块的风速数据进行降尺度处理,得到目标地块的风速数据。
7.根据权利要求6所述的风速预测方法,其特征在于,还包括:
根据所述指定区域范围内,对基准地块的风速数据进行降尺度处理,得到目标地块的风速数据;以及
基于对基准地块的高程数据进行降尺度处理,得到目标地块的SRTM高程数据;
根据所述目标地块的风速数据和所述目标地块的SRTM高程数据,创建基于目标地块的风图谱数据图。
8.根据权利要求7所述的风速预测方法,其特征在于,所述创建基于目标地块的风图谱数据图,包括:
获取用于标识所述目标地块的地理位置的至少一组经度数据和纬度数据;
根据所获得的目标地块的风速数据,以及所获得的目标地块的SRTM高程数据,确定出与每组经度数据与纬度数据相对应的、且用于表征所述目标地块所对应风速的灰度值;
根据比较得出所述灰度值超出预设的变化幅度范围,将所述目标地块所对应的经度数据和纬度数据,分别与其相邻地块的多个经纬度和纬度数据之间取均值。
9.根据权利要求1所述的风速预测方法,其特征在于,所述目标风速预测模型是通过下述方法预先建立的:
获取样本基准地块的风速数据和高程数据;
分别对基准地块的风速数据和高程数据进行降尺度处理;
根据预先获得的多个目标地块的降尺度前的高程数据和降尺度后的高程数据,以及根据降尺度处理后的基准地块的风速数据和高程数据,确定出基准地块与任一个目标地块之间的降尺度后的高程数据的差值和降尺度后的风速数据的差值;
统计分析出多个高程差与多个所述风速数据的差值之间的对应关系。
10.根据权利要求9所述的风速预测方法,其特征在于,所述确定出基准地块与任一个目标地块之间的降尺度后的高程数据的差值和降尺度后的风速数据的差值,包括:
对于属于同一地形的多个基准地块中选择1个基准地块,确定出降尺度处理后的基准地块的风速数据和高程数据;
确定出降尺度处理后的基准地块的风速数据与降尺度处理后的目标地块的风速数据的差值,以及
确定出降尺度处理后的基准地块的高程数据与降尺度处理后的目标地块的高程数据的差值,得到多个高程数据的差值和对应的多个所述风速数据的差值;以及
所述统计分析出多个高程差与多个所述风速数据的差值之间的对应关系,包括:
统计分析出该地形的多个高程差与多个所述风速数据的差值之间的对应关系。
11.一种风电场风速预测系统,其特征在于,包括:
存储器;
处理设备,与所述存储器电连接;
至少一个程序,存储于所述存储器中,被配置为由所述处理设备执行时实现权利要求1-10任一项所述的风速预测方法。
12.一种计算机存储介质,其特征在于,所述存储介质存储有如上述权利要求1-10任一项所述的风速预测方法所对应的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810550134.9A CN110555538B (zh) | 2018-05-31 | 2018-05-31 | 风电场风速预测方法及预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810550134.9A CN110555538B (zh) | 2018-05-31 | 2018-05-31 | 风电场风速预测方法及预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110555538A true CN110555538A (zh) | 2019-12-10 |
CN110555538B CN110555538B (zh) | 2022-11-11 |
Family
ID=68734172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810550134.9A Active CN110555538B (zh) | 2018-05-31 | 2018-05-31 | 风电场风速预测方法及预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110555538B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111311011A (zh) * | 2020-02-26 | 2020-06-19 | 华润电力技术研究院有限公司 | 一种风速预测方法及相关设备 |
CN112561149A (zh) * | 2020-12-10 | 2021-03-26 | 江苏冰象智气信息技术有限公司 | 基于动力降尺度数据融合和统计模型的风电功率预测方法 |
CN113570122A (zh) * | 2021-07-09 | 2021-10-29 | 深圳大学 | 预测风速的方法、装置、计算机设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110016523A (ko) * | 2009-08-12 | 2011-02-18 | 한국전력공사 | Gis 자료를 활용한 풍속할증 계수 산정 시스템, 방법, 및 기록매체 |
CN104699936A (zh) * | 2014-08-18 | 2015-06-10 | 沈阳工业大学 | 基于cfd短期风速预测风电场的扇区管理方法 |
CN106650977A (zh) * | 2015-10-29 | 2017-05-10 | 中能电力科技开发有限公司 | 应用于新建风电场的短期功率预测方法 |
CN107194141A (zh) * | 2017-03-24 | 2017-09-22 | 中国农业大学 | 一种区域风能资源精细化评估方法 |
-
2018
- 2018-05-31 CN CN201810550134.9A patent/CN110555538B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110016523A (ko) * | 2009-08-12 | 2011-02-18 | 한국전력공사 | Gis 자료를 활용한 풍속할증 계수 산정 시스템, 방법, 및 기록매체 |
CN104699936A (zh) * | 2014-08-18 | 2015-06-10 | 沈阳工业大学 | 基于cfd短期风速预测风电场的扇区管理方法 |
CN106650977A (zh) * | 2015-10-29 | 2017-05-10 | 中能电力科技开发有限公司 | 应用于新建风电场的短期功率预测方法 |
CN107194141A (zh) * | 2017-03-24 | 2017-09-22 | 中国农业大学 | 一种区域风能资源精细化评估方法 |
Non-Patent Citations (1)
Title |
---|
叶林: "基于空间相关性的风电功率预测研究综述", 《电力系统自动化》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111311011A (zh) * | 2020-02-26 | 2020-06-19 | 华润电力技术研究院有限公司 | 一种风速预测方法及相关设备 |
CN111311011B (zh) * | 2020-02-26 | 2023-07-25 | 华润电力技术研究院有限公司 | 一种风速预测方法及相关设备 |
CN112561149A (zh) * | 2020-12-10 | 2021-03-26 | 江苏冰象智气信息技术有限公司 | 基于动力降尺度数据融合和统计模型的风电功率预测方法 |
CN113570122A (zh) * | 2021-07-09 | 2021-10-29 | 深圳大学 | 预测风速的方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110555538B (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dewitte et al. | Tracking landslide displacements by multi-temporal DTMs: A combined aerial stereophotogrammetric and LIDAR approach in western Belgium | |
Sharma | Integrating terrain and vegetation indices for identifying potential soil erosion risk area | |
US10914291B2 (en) | Annual energy production of wind turbine sites | |
Pietro et al. | Developing terrestrial-LIDAR-based digital elevation models for monitoring beach nourishment performance | |
CN109543356A (zh) | 考虑空间非平稳性的海洋内部温盐结构遥感反演方法 | |
CN101216481A (zh) | 一种反映区域土壤自然侵蚀程度的方法 | |
CN112461147A (zh) | 一种基于视觉测量技术的桥梁动态形变监测方法及系统 | |
CN110555538B (zh) | 风电场风速预测方法及预测系统 | |
CN112613633A (zh) | 风电场的气象要素预测方法和装置 | |
CN105974418A (zh) | 基于天气雷达反射率特征匹配的降水估测方法 | |
CN113420458A (zh) | 一种风场数据精细化处理方法、装置、终端及介质 | |
CN111489063B (zh) | 一种评估风力发电机对周边环境影响的方法及系统 | |
CN112711919A (zh) | 基于中小尺度模式耦合的导线覆冰预报方法及系统 | |
CN112700349A (zh) | 测风塔选址方法和装置 | |
Herzog et al. | Capturing complex star dune dynamics—repeated highly accurate surveys combining multitemporal 3D topographic measurements and local wind data | |
CN111950156B (zh) | 雪水当量确定方法、装置、计算机设备和存储介质 | |
CN112166688B (zh) | 基于小卫星的沙漠与沙漠化土地监测方法 | |
JP6277018B2 (ja) | 洪水シミュレーション装置及び洪水シミュレーションプログラム | |
Sharma et al. | Measuring the accuracy of contour interpolated digital elevation models | |
CN116089546A (zh) | 一种台风云系识别方法、系统、终端以及存储介质 | |
Rajakaruna et al. | Analysis of Rainfall Variability and Water Extent of Selected Hydropower Reservoir Using Google Earth Engine (GEE): A Case Study from Two Tropical Countries, Sri Lanka and Vietnam | |
Godart et al. | Rainfall regimes associated with banded convection in the Cévennes-Vivarais area | |
Kaliappan et al. | Determination of parameters for watershed delineation using various satellite derived digital elevation models and its accuracy | |
Turco et al. | Post-processing methods for COSMO-CLM precipitation over Italy | |
Aucelli et al. | Quantitative assessment of soil erosion rates: results from direct monitoring and digital photogrammetric analysis on the Landola catchment in the Upper Orcia Valley (Tuscany, Italy) |
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 |