CN112417734B - 一种基于风电场地理信息的风速订正方法及装置 - Google Patents

一种基于风电场地理信息的风速订正方法及装置 Download PDF

Info

Publication number
CN112417734B
CN112417734B CN202011344247.7A CN202011344247A CN112417734B CN 112417734 B CN112417734 B CN 112417734B CN 202011344247 A CN202011344247 A CN 202011344247A CN 112417734 B CN112417734 B CN 112417734B
Authority
CN
China
Prior art keywords
wind speed
wind
fan
power plant
meteorological
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
Application number
CN202011344247.7A
Other languages
English (en)
Other versions
CN112417734A (zh
Inventor
向婕
雍正
宋倩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sprixin Technology Co ltd
Original Assignee
Sprixin Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sprixin Technology Co ltd filed Critical Sprixin Technology Co ltd
Priority to CN202011344247.7A priority Critical patent/CN112417734B/zh
Publication of CN112417734A publication Critical patent/CN112417734A/zh
Application granted granted Critical
Publication of CN112417734B publication Critical patent/CN112417734B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Fluid Mechanics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Wind Motors (AREA)

Abstract

本发明实施例公开了一种基于风电场地理信息的风速订正方法及装置，包括：获取风电场周围的气象源数据；根据气象源数据确定风电场周围各个气象网格点的预测风速；根据风电场中各个风机与各个气象网格点的直线距离，确定与各个风机关联的有效气象网格点；根据与各个风机关联的有效气象网格点的预测风速，确定各个风机的订正风速；将各个风机的订正风速输入至风电场平均风速预测模型中，得到所述风电场的平均风速；本发明实施例根据与各个风机关联的有效气象网格点的预测风速确定各个风机的订正风速，进而得到风电场的平均风速，充分考虑了每台风机的地理信息，将每台风机的预测风速都作为预测全场风速的因子，提高了预测风速的准确性。

Description

一种基于风电场地理信息的风速订正方法及装置
技术领域
本发明涉及数据处理技术领域，具体涉及一种基于风电场地理信息的风速订正方法及装置。
背景技术
随着风电并网容量迅速增加，准确有效地对风电场输出功率进行预测不但可以帮助电力系统调度人员做出有效决策，还可以为电力市场条件下并网风电功率趸售提供可靠依据。
通过风电场历史气象和输出功率数据进行建模，并将数值天气预报(NWP，Numerical Weather Prediction)的结果作为气象源，输入到风功率预测模型中，对风电场出力进行预测，是目前较为普遍的风电功率预测方法之一。风速预测的准确性是保证功率预测准确率的关键，目前普遍获取气象源的方式是取数值天气预报网格数据中距离风电场中心点距离最近的格点的预测风速作为该电场的预测风速。
然而风电场的并网功率是所有并网风机的发电功率的总和，因此仅用电场中心点的预测风速来进行功率预测是不够准确的，同样还要考虑到每台风机的所在点的地形、位置等影响风速特征的地理信息，并且获取预测风速时仅简单的获取临近格点的数据会带入单个格点预测的偶然性，无法完全表现出整个电场区域的风速特征。
发明内容
由于现有方法存在上述问题，本发明实施例提供一种基于风电场地理信息的风速订正方法及装置。
本发明实施例提供一种基于风电场地理信息的风速订正方法，包括：
获取风电场周围的气象源数据；
根据所述气象源数据确定风电场周围各个气象网格点的预测风速；
根据风电场中各个风机与所述各个气象网格点的直线距离，确定与各个风机关联的有效气象网格点；
根据与各个风机关联的有效气象网格点的预测风速，确定各个风机的订正风速；
将各个风机的订正风速输入至风电场平均风速预测模型中，得到所述风电场的平均风速；
其中，所述风电场平均风速预测模型为预先根据各个风机的订正风速训练样本数据以及对应的风电场的平均风速实测样本数据进行训练后得到的。
进一步地，所述风电场的平均风速实测样本数据为剔除各个风机实测风速中的异常数据后得到的；
其中，所述异常数据包括：气象观测仪器中的缺省值、超过收集的同类要素数据集3倍标准差的奇异值以及连续3个或以上时刻维持同一数值的风速值。
进一步地，所述根据气象源数据确定风电场周围各个气象网格点的预测风速，包括：
将所述气象源数据输入风电场的天气预报和研究模型WRF模型中，所述WRF模型对所述气象源数据进行融合和降尺度处理，得到网络距离为1～10公里，时间分辨率不小于10分钟的气象网格点数据；所述气象网格点数据包括预测风速。
进一步地，所述根据风电场中各个风机与所述各个气象网格点的直线距离，确定与各个风机关联的有效气象网格点，包括：
根据第一公式求解各个气象网格点与风电场中各个风机的距离，并选取直线距离最近的预设数量的气象网格点作为有效气象网格点；所述第一公式为：
其中，表示风电场中的第i个风机与附近第p个气象网格点之间的距离，p＝1，2，3......l，l表示预设数量的气象网格点，Loci表示风电场中第i个风机的坐标，/>表示第i个风机附近的第p个气象网格点的坐标。
进一步地，所述根据与各个风机关联的有效气象网格点的预测风速，确定各个风机的订正风速，包括：
根据与各个风机关联的有效气象网格点的预测风速，利用第二公式确定各个风机的订正风速；所述第二公式为：
其中，Vi表示风电场中第i个风机的订正风速，v1,v2,v3......vl表示预设数量为l的有效气象网格点各对应的预测风速。
进一步地，还包括：
风电场平均风速预测模型生成过程，具体包括：
根据时间序列为0～t1的各个风机的订正风速以及风电场的平均风速实测样本数据对岭回归模型进行训练，得到在岭回归的代价函数极小时的回归系数向量θ：
θ＝(XTX+λI)-1(XTY)；
其中，X表示各个风机的订正风速训练样本数据矩阵，Y表示风电场的平均风速实测样本数据，I表示对角线为1，其余部分为0的单位矩阵；
其中，岭回归的代价函数为：
其中，m表示样本个数，n表示特征个数，即n台风机的订正风速，x表示各个风机的订正风速训练样本数据，y表示风电场的平均风速实测样本数据，表示加入的正则化项；
相应地，将各个风机的订正风速输入至风电场平均风速预测模型中，得到所述风电场的平均风速，包括：
将时间序列为t1+1～t2的各个风机的订正风速输入至风电场平均风速预测模型中，得到所述风电场的平均风速；所述风电场平均风速预测模型为：
hθ(x)＝θTX1；
其中，X1表示各个风机的订正风速测试样本数据矩阵。
第二方面，本发明实施例还提供了一种基于风电场地理信息的风速订正装置，包括：
第一处理模块，用于获取风电场周围的气象源数据；
第二处理模块，用于根据所述气象源数据确定风电场周围各个气象网格点的预测风速；
第三处理模块，用于根据风电场中各个风机与所述各个气象网格点的直线距离，确定与各个风机关联的有效气象网格点；
第四处理模块，用于根据与各个风机关联的有效气象网格点的预测风速，确定各个风机的订正风速；
第五处理模块，用于将各个风机的订正风速输入至风电场平均风速预测模型中，得到所述风电场的平均风速；
其中，所述风电场平均风速预测模型为预先根据各个风机的订正风速训练样本数据以及对应的风电场的平均风速实测样本数据进行训练后得到的。
进一步地，所述第三模块，具体用于：
根据第一公式求解各个气象网格点与风电场中各个风机的距离，并选取直线距离最近的预设数量的气象网格点作为有效气象网格点；所述第一公式为：
其中，表示风电场中的第i个风机与附近第p个气象网格点之间的距离，p＝1，2，3......l，l表示预设数量的气象网格点，Loci表示风电场中第i个风机的坐标，/>表示第i个风机附近的第p个气象网格点的坐标。
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的基于风电场地理信息的风速订正方法。
第四方面，本发明实施例还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述的基于风电场地理信息的风速订正方法。
由上面技术方案可知，本发明实施例提供的一种基于风电场地理信息的风速订正方法及装置，通过根据风电场中各个风机与各个气象网格点的直线距离，确定与各个风机关联的有效气象网格点，进一步根据与各个风机关联的有效气象网格点的预测风速，确定各个风机的订正风速，最终将各个风机的订正风速输入至风电场平均风速预测模型中得到风电场的平均风速。由此可知，本发明实施例在进行风速预测时考虑了电场实际每台风机的地理信息，将每台风机的预测风速都作为预测全场风速的因子，并在对单个物理点的风速预测上考虑了附近多个网格点的影响并进行了综合订正，从而大大提升了预测风速的稳定性和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些图获得其他的附图。
图1是本发明一实施例提供的一种基于风电场地理信息的风速订正方法的流程图；
图2是本发明一实施例提供的另一种基于风电场地理信息的风速订正方法的流程图；
图3是本发明一实施例提供的一种基于风电场地理信息的风速订正装置的结构示意图；
图4是本发明一实施例的电子设备的结构示意图；
图5是本发明一实施例提供的经过风速订正后与未经过风速订正之间的对比图。
具体实施方式
下面结合附图，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
图1示出了本发明一实施例提供的一种基于风电场地理信息的风速订正方法的流程图，图2是本发明一实施例提供的另一种基于风电场地理信息的风速订正方法的流程图。下面结合图1和图2对本发明实施例提供的基于风电场地理信息的风速订正方法进行详细解释和说明。如图1所示，本发明实施例提供的一种基于风电场地理信息的风速订正方法，具体包括如下内容：
步骤101：获取风电场周围的气象源数据；
在本步骤中，需要说明的是，在实践中可以选取目前气象数值预报使用的来自美国、欧洲及日本的主流气象数据源作为天气预报和研究模型WRF模型的输入源。
步骤102：根据所述气象源数据确定风电场周围各个气象网格点的预测风速；
在本步骤中，需要说明的是，所获取的风电场周围的气象源数据为格点场气象数据，将其输入至风电场的天气预报和研究模型WRF模型中，所述WRF模型是一款使用范围最广的应用于气象预测的数值天气预报区域模型，其不仅支持目前主流的标准化气象源数据进行驱动，还支持自定义源数据进行驱动，因此可以利用该模型进行多气象源融合，自定义驱动源数据。在本发明实施例中采用WRF模型对粗网格和粗时间分辨率的气象源数据进行动力学降尺度处理，得到网络距离为1～10公里，时间分辨率不小于10分钟的气象网格点数据，所述气象网格点数据包括预测风速。本发明实施例通过WRF模型对气象源数据进行降尺度处理，从而得到更高精确度的气象网格点数据，进一步提高了预测的稳定性。
步骤103：根据风电场中各个风机与所述各个气象网格点的直线距离，确定与各个风机关联的有效气象网格点；
在本步骤中，假设风电场中共有n台风机，各台风机的坐标为Loci＝1,2,3...n，以风机Loci为中心，例如可以选取其附近直线距离最近的五个气象网格点作为有效气象网格点，所述五个气象网格点的预测风速分别为
设这五个气象网格点的坐标为则求解这五个气象网格点分别与该风机位置的距离，即/>
步骤104：根据与各个风机关联的有效气象网格点的预测风速，确定各个风机的订正风速；
在本步骤中，假设选取了五个气象网格点作为有效气象网格点，则根据与各个风机关联的有效气象网格点的预测风速，利用第二公式确定各个风机的订正风速；所述第二公式为：
其中，Vi表示风电场中第i个风机的订正风速，表示5个有效气象网格点的预测风速。对于每个风机均进行此订正，由此可以获得一个订正风速训练样本数据矩阵/>该矩阵为二维矩阵，其中第一维为时间序列，第二维为风机个数。因此可以取时间序列为0～t1的订正风速训练样本数据矩阵为：
取时间序列为t1+1～t2的订正风速测试样本数据矩阵为：
在本步骤中，需要说明的是，数值天气预报模型中所描述的大气物理运动过程有限，作为其初始值的观测资料不可能绝对准确，计算过程中的舍入误差在所难免等原因，其结果只是未来大气一个可能的近似解，且仅由风电场中心坐标点取得的风速预测无法完全表现出整个电场区域的风速特征。因此，本发明实施例在对单个物理点的风速预测上考虑了附近多个气象网格点的影响并进行了综合订正，大大提升了预测风速的稳定性和准确性。
步骤105：将各个风机的订正风速输入至风电场平均风速预测模型中，得到所述风电场的平均风速；
其中，所述风电场平均风速预测模型为预先根据各个风机的订正风速训练样本数据以及对应的风电场的平均风速实测样本数据进行训练后得到的。
在本步骤中，首先根据时间序列为0～t1的各个风机的订正风速以及风电场的平均风速实测样本数据对岭回归模型进行训练得到风电场平均风速预测模型，然后将时间序列为t1+1～t2的各个风机的订正风速输入至风电场平均风速预测模型中，得到风电场的平均风速。其中，风电场的平均风速实测样本数据是常见的并容易提供的电场实测数据，平均风速是指多台风机实测数据的平均值。
本发明实施例对电场中各个风机的风速进行订正后的预测风速进行了多次实验，参见图5，本发明一实施例提供的经过风速订正后与未经过风速订正之间的对比图。从图5中可以看出，经过订正后的预测风速准确度有了明显的提升，其预测曲线更接近实测风速。
本发明实施例为了验证基于风电场地理信息的风速订正方法对各类电场的鲁棒性，还对随机抽取的33个电场进行了测试，测试结果如下表1：
表1
从上表1可以看到经过订正后的预测风速平均提升相关性5.82％，减少了均方根误差0.39，整体提升率达96.97％，并且在功率模型的测试中，也有93.94％的电场精度得到了提升。
由上面技术方案可知，本发明实施例提供的一种基于风电场地理信息的风速订正方法，通过根据风电场中各个风机与各个气象网格点的直线距离，确定与各个风机关联的有效气象网格点，进一步根据与各个风机关联的有效气象网格点的预测风速，确定各个风机的订正风速，最终将各个风机的订正风速输入至风电场平均风速预测模型中得到风电场的平均风速。由此可知，本发明实施例在进行风速预测时考虑了电场实际每台风机的地理信息，将每台风机的预测风速都作为预测全场风速的因子，并在对单个物理点的风速预测上考虑了附近多个网格点的影响并进行了综合订正，从而大大提升了预测风速的稳定性和准确性。
基于上述实施例的内容，在本实施例中，所述风电场的平均风速实测样本数据为剔除各个风机实测风速中的异常数据后得到的；
其中，所述异常数据包括：气象观测仪器中的缺省值、超过收集的同类要素数据集3倍标准差的奇异值以及连续3个或以上时刻维持同一数值的风速值。
在本实施例中，需要说明的是，在计算风电场的平均风速时，需要预先剔除各个风机实测风速中的异常数据，所述需要剔除的异常数据可以包括：气象观测仪器中的缺省值、超过收集的同类要素数据集3倍标准差的奇异值以及连续3个或以上时刻维持同一数值的风速值。本发明实施例通过对各个风机实测风速数据的筛选，使得生成的风电场的平均风速实测样本数据更加准确可靠，进一步提升了预测风速的稳定性。
基于上述实施例的内容，在本实施例中，所述根据气象源数据确定风电场周围各个气象网格点的预测风速，包括：
将所述气象源数据输入风电场的天气预报和研究模型WRF模型中，所述WRF模型对所述气象源数据进行融合和降尺度处理，得到网络距离为1～10公里，时间分辨率不小于10分钟的气象网格点数据；所述气象网格点数据包括预测风速。
在本实施例中，需要说明的是，采用WRF模型对粗网格和粗时间分辨率的气象源数据进行动力学降尺度处理，得到网络距离为1～10公里，时间分辨率不小于10分钟的气象网格点数据，所述气象网格点数据包括预测风速。本发明实施例通过WRF模型对气象源数据进行降尺度处理，从而得到更高精确度的气象网格点数据，进一步提高了预测的稳定性。
基于上述实施例的内容，在本实施例中，所述根据风电场中各个风机与所述各个气象网格点的直线距离，确定与各个风机关联的有效气象网格点，包括：
根据第一公式求解各个气象网格点与风电场中各个风机的距离，并选取直线距离最近的预设数量的气象网格点作为有效气象网格点；所述第一公式为：
其中，表示风电场中的第i个风机与附近第p个气象网格点之间的距离，p＝1，2，3......l，l表示预设数量的气象网格点，Loci表示风电场中第i个风机的坐标，/>表示第i个风机附近的第p个气象网格点的坐标。
在本实施例中，需要说明的是，假设风电场中共有n台风机，各台风机的坐标为Loci＝1,2,3...n，以风机Loci为中心，例如可以选取其附近直线距离最近的五个气象网格点作为有效气象网格点，所述五个气象网格点的预测风速分别为其中，选取直线距离最近的预设数量的气象网格点不少于三个。
设这五个气象网格点的坐标为则求解这五个网格点分别与该风机位置的距离，即/>本发明实施例在对单个物理点的风速预测上考虑了附近多个气象网格点的影响并进行了综合订正，从而大大提升了预测风速的稳定性和准确性。
基于上述实施例的内容，在本实施例中，所述根据与各个风机关联的有效气象网格点的预测风速，确定各个风机的订正风速，包括：
根据与各个风机关联的有效气象网格点的预测风速，利用第二公式确定各个风机的订正风速；所述第二公式为：
其中，Vi表示风电场中第i个风机的订正风速，v1,v2,v3......vl表示预设数量为l的有效气象网格点各对应的预测风速。
在本实施例中，需要说明的是，假设选取了五个气象网格点作为有效气象网格点，则根据与各个风机关联的有效气象网格点的预测风速，利用第二公式确定各个风机的订正风速；所述第二公式为：
其中，Vi表示风电场中第i个风机的订正风速，表示5个有效气象网格点各对应的预测风速。对于每个风机均进行此订正，由此可以获得一个订正风速训练样本数据矩阵/>该矩阵为二维矩阵，其中第一维为时间序列，第二维为风机个数。因此可以取时间序列为0～t1的订正风速训练样本数据矩阵为：
取时间序列为t1+1～t2的订正风速测试样本数据矩阵为：
在本实施例中，在进行风速预测时考虑了电场实际每台风机的地理信息，并在对单个物理点的风速预测上考虑了附近多个气象网格点的影响并进行了综合订正，从而大大提升了预测风速的稳定性和准确性。
基于上述实施例的内容，在本实施例中，还包括：
风电场平均风速预测模型生成过程，具体包括：
根据时间序列为0～t1的各个风机的订正风速以及风电场的平均风速实测样本数据对岭回归模型进行训练，得到在岭回归的代价函数极小时的回归系数向量θ：
θ＝(XTX+λI)-1(XTY)；
其中，X表示各个风机的订正风速训练样本数据矩阵，Y表示风电场的平均风速实测样本数据，I表示对角线为1，其余部分为0的单位矩阵；
其中，岭回归的代价函数为：
其中，m表示样本个数，n表示特征个数，即n台风机的订正风速，x表示各个风机的订正风速训练样本数据，y表示风电场的平均风速实测样本数据，表示加入的正则化项；
相应地，将各个风机的订正风速输入至风电场平均风速预测模型中，得到所述风电场的平均风速，包括：
将时间序列为t1+1～t2的各个风机的订正风速输入至风电场平均风速预测模型中，得到所述风电场的平均风速；所述风电场平均风速预测模型为：
hθ(x)＝θTX1；
其中，X1表示各个风机的订正风速测试样本数据矩阵。
在本实施例中，需要说明的是，假设获取的风电场的平均风速实测样本数据为ObsVt，其是一个仅有时间维的一维数组。
在进行对岭回归模型进行训练阶段取t＝1,2,3…t1，进行测试阶段取t＝t1+1,t1+2,t1+3…t2。而岭回归是一项基于最小二乘法改进的线性回归方法，其加入了正则化项可以避免过拟合的情况，其代价函数为：其中，m表示样本个数，n表示特征个数，即n台风机的订正风速，x表示各个风机的订正风速训练样本数据，y表示风电场的平均风速实测样本数据，/>表示加入的正则化项，该项表示所有参数θ的平方和(不包含θ)，这是一个对参数的约束项，这个约束项的约束力大小由λ决定，可以达到避免曲线过拟合的目的，而所要求解的则是在岭回归的代价函数极小时回归向量θ的值，即：θ＝(XTX+λI)-1(XTY)；其中，X表示各个风机的订正风速训练样本数据矩阵，Y表示风电场的平均风速实测样本数据，I表示对角线为1，其余部分为0的单位矩阵。
在本发明实施例中，需要说明的是，一般线性回归的形式为：hθ(x)＝θ0+θ1x1+θ2x2+……+θnxn，即为：hθ(x)＝θTX。因此代价函数可写为：将时间序列为0～t1的各个风机的订正风速训练样本数据矩阵/>(t＝1,2…t1)以及时间序列为0～t1的风电场的平均风速实测样本数据ObsVt,(t＝1,2…t1)代入“θ＝(XTX+λI)-1(XTY)”该公式求得回归系数向量θ，进而得到风电场平均风速预测模型：hθ(x)＝θTX，再将时间序列为t1+1～t2的订正风速测试样本数据矩阵/>(t＝t1+1,t1+2,…,t2)当做X，并将求得的回归系数向量θ代入风电场平均风速预测模型中，即得出利用岭回归集合的风电场的平均风速。本发明实施例通过放弃最小二乘法的无偏性，以损失部分信息、降低精度为代价获得回归系数更为符合实际、更可靠的回归方法，从而得到较高的计算精度。
基于相同的发明构思，本发明另一实施例提供了一种基于风电场地理信息的风速订正装置，参见图3本发明一实施例提供的一种基于风电场地理信息的风速订正装置的结构示意图，该装置包括：
第一处理模块31，用于获取风电场周围的气象源数据；
第二处理模块32，用于根据所述气象源数据确定风电场周围各个气象网格点的预测风速；
第三处理模块33，用于根据风电场中各个风机与所述各个气象网格点的直线距离，确定与各个风机关联的有效气象网格点；
第四处理模块34，用于根据与各个风机关联的有效气象网格点的预测风速，确定各个风机的订正风速；
第五处理模块35，用于将各个风机的订正风速输入至风电场平均风速预测模型中，得到所述风电场的平均风速；
其中，所述风电场平均风速预测模型为预先根据各个风机的订正风速训练样本数据以及对应的风电场的平均风速实测样本数据进行训练后得到的。
在本实施例中，可以选取目前气象数值预报使用的来自美国、欧洲及日本的主流气象数据源作为天气预报和研究模型WRF模型的输入源。
在本实施例中，所获取的风电场周围的气象源数据为格点场气象数据，将其输入至风电场的天气预报和研究模型WRF模型中，所述WRF模型是一款使用范围最广的应用于气象预测的数值天气预报区域模型，其不仅支持目前主流的标准化气象源数据进行驱动，还支持自定义源数据进行驱动，因此可以利用该模型进行多气象源融合，自定义驱动源数据。在本发明实施例中采用WRF模型对粗网格和粗时间分辨率的气象源数据进行动力学降尺度处理，得到网络距离为1～10公里，时间分辨率不小于10分钟的气象网格点数据，所述气象网格点数据包括预测风速。本发明实施例通过WRF模型对气象源数据进行降尺度处理，从而得到更高精确度的气象网格点数据，进一步提高了预测的稳定性。
在本实施例中，假设风电场中共有n台风机，各台风机的坐标为Loci＝1,2,3...n，以风机Loci为中心，选取其附近直线距离最近的五个气象网格点作为有效气象网格点，所述五个气象网格点的预测风速分别为
设这五个气象网格点的坐标为则求解这五个网格点分别与该风机位置的距离，即/>
在本实施例中，假设选取了五个气象网格点作为有效气象网格点，则根据与各个风机关联的有效气象网格点的预测风速，利用第二公式确定各个风机的订正风速；所述第二公式为：
其中，Vi表示风电场中第i个风机的订正风速，表示5个有效气象网格点各对应的预测风速。对于每个风机均进行此订正，由此可以获得一个订正风速训练样本数据矩阵/>该矩阵为二维矩阵，其中第一维为时间序列，第二维为风机个数。因此可以取时间序列为0～t1的订正风速训练样本数据矩阵为：
取时间序列为t1+1～t2的订正风速测试样本数据矩阵为：
在本实施例中，首先根据时间序列为0～t1的各个风机的订正风速以及风电场的平均风速实测样本数据对岭回归模型进行训练得到风电场平均风速预测模型，然后将时间序列为t1+1～t2的各个风机的订正风速输入至风电场平均风速预测模型中，得到风电场的平均风速。其中，风电场的平均风速实测样本数据是常见的并容易提供的电场实测数据，平均风速是指多台风机实测数据的平均值。
在本实施例中，可以理解的是，本发明实施例在进行风速预测时考虑了风电场中实际每台风机的地理信息，并在从数值天气预报格点数据中提取预测风速的技术上进行了改进，在对单个物理点的风速预测上考虑了附近多个气象网格点的影响并进行了综合订正，大大提升了预测风速的稳定性和准确性。
由上面技术方案可知，本发明实施例提供的一种基于风电场地理信息的风速订正装置，通过根据风电场中各个风机与各个气象网格点的直线距离，确定与各个风机关联的有效气象网格点，进一步根据与各个风机关联的有效气象网格点的预测风速，确定各个风机的订正风速，最终将各个风机的订正风速输入至风电场平均风速预测模型中得到风电场的平均风速。由此可知，本发明实施例在进行风速预测时考虑了电场实际每台风机的地理信息，将每台风机的预测风速都作为预测全场风速的因子，并在对单个物理点的风速预测上考虑了附近多个网格点的影响并进行了综合订正，从而大大提升了预测风速的稳定性和准确性。
本实施例所述的基于风电场地理信息的风速订正装置可以用于执行上述方法实施例，其原理和技术效果类似，此处不再赘述。
基于相同的发明构思，本发明又一实施例提供了一种电子设备，参见图4所述电子设备的结构示意图，具体包括如下内容：处理器401、存储器402、通信接口403和通信总线404；
其中，所述处理器401、存储器402、通信接口403通过所述通信总线404完成相互间的通信；所述通信接口403用于实现各设备之间的信息传输；
所述处理器401用于调用所述存储器402中的计算机程序，所述处理器执行所述计算机程序时实现上述一种基于风电场地理信息的风速订正方法的全部步骤，例如，获取风电场周围的气象源数据；根据所述气象源数据确定风电场周围各个气象网格点的预测风速；根据风电场中各个风机与所述各个气象网格点的直线距离，确定与各个风机关联的有效气象网格点；根据与各个风机关联的有效气象网格点的预测风速，确定各个风机的订正风速；将各个风机的订正风速输入至风电场平均风速预测模型中，得到所述风电场的平均风速；其中，所述风电场平均风速预测模型为预先根据各个风机的订正风速训练样本数据以及对应的风电场的平均风速实测样本数据进行训练后得到的。
基于相同的发明构思，本发明又一实施例提供了一种非暂态计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述一种基于风电场地理信息的风速订正方法的全部步骤，例如，获取风电场周围的气象源数据；根据所述气象源数据确定风电场周围各个气象网格点的预测风速；根据风电场中各个风机与所述各个气象网格点的直线距离，确定与各个风机关联的有效气象网格点；根据与各个风机关联的有效气象网格点的预测风速，确定各个风机的订正风速；将各个风机的订正风速输入至风电场平均风速预测模型中，得到所述风电场的平均风速；其中，所述风电场平均风速预测模型为预先根据各个风机的订正风速训练样本数据以及对应的风电场的平均风速实测样本数据进行训练后得到的。
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的基于风电场地理信息的风速订正方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种基于风电场地理信息的风速订正方法，其特征在于，包括：
获取风电场周围的气象源数据；
根据所述气象源数据确定风电场周围各个气象网格点的预测风速；
根据第一公式求解各个气象网格点与风电场中各个风机的距离，并选取直线距离最近的预设数量的气象网格点作为有效气象网格点；所述第一公式为：
其中，表示风电场中的第i个风机与附近第p个气象网格点之间的距离，p＝1，2，3......l，l表示预设数量的气象网格点，Loci表示风电场中第i个风机的坐标，/>表示第i个风机附近的第p个气象网格点的坐标；
根据与各个风机关联的有效气象网格点的预测风速，利用第二公式确定各个风机的订正风速；所述第二公式为：
其中，Vi表示风电场中第i个风机的订正风速，v1,v2,v3......vl表示预设数量为l的有效气象网格点各对应的预测风速；
将各个风机的订正风速输入至风电场平均风速预测模型中，得到所述风电场的平均风速；
其中，所述风电场平均风速预测模型为预先根据各个风机的订正风速训练样本数据以及对应的风电场的平均风速实测样本数据进行训练后得到的。
2.根据权利要求1所述的基于风电场地理信息的风速订正方法，其特征在于，所述风电场的平均风速实测样本数据为剔除各个风机实测风速中的异常数据后得到的；
其中，所述异常数据包括：气象观测仪器中的缺省值、超过收集的同类要素数据集3倍标准差的奇异值以及连续3个或以上时刻维持同一数值的风速值。
3.根据权利要求1所述的基于风电场地理信息的风速订正方法，其特征在于，所述根据所述气象源数据确定风电场周围各个气象网格点的预测风速，包括：
将所述气象源数据输入风电场的天气预报和研究模型WRF模型中，所述WRF模型对所述气象源数据进行融合和降尺度处理，得到网络距离为1～10公里，时间分辨率不小于10分钟的气象网格点数据；所述气象网格点数据包括预测风速。
4.根据权利要求1所述的基于风电场地理信息的风速订正方法，其特征在于，还包括：
风电场平均风速预测模型生成过程，具体包括：
根据时间序列为0～t1的各个风机的订正风速以及风电场的平均风速实测样本数据对岭回归模型进行训练，得到在岭回归的代价函数极小时的回归系数向量θ：
θ＝(XTX+λI)-1(XTY)；
其中，X表示各个风机的订正风速训练样本数据矩阵，Y表示风电场的平均风速实测样本数据，I表示对角线为1，其余部分为0的单位矩阵；
其中，岭回归的代价函数为：
其中，m表示样本个数，n表示特征个数，即n台风机的订正风速，x表示各个风机的订正风速训练样本数据，y表示风电场的平均风速实测样本数据，表示加入的正则化项；
相应地，将各个风机的订正风速输入至风电场平均风速预测模型中，得到所述风电场的平均风速，包括：
将时间序列为t1+1～t2的各个风机的订正风速输入至风电场平均风速预测模型中，得到所述风电场的平均风速；所述风电场平均风速预测模型为：
hθ(x)＝θTX1；
其中，X1表示各个风机的订正风速测试样本数据矩阵。
5.一种基于风电场地理信息的风速订正装置，其特征在于，包括：
第一处理模块，用于获取风电场周围的气象源数据；
第二处理模块，用于根据所述气象源数据确定风电场周围各个气象网格点的预测风速；
第三处理模块，用于根据第一公式求解各个气象网格点与风电场中各个风机的距离，并选取直线距离最近的预设数量的气象网格点作为有效气象网格点；所述第一公式为：
其中，表示风电场中的第i个风机与附近第p个气象网格点之间的距离，p＝1，2，3......l，l表示预设数量的气象网格点，Loci表示风电场中第i个风机的坐标，/>表示第i个风机附近的第p个气象网格点的坐标；
第四处理模块，用于根据与各个风机关联的有效气象网格点的预测风速，利用第二公式确定各个风机的订正风速；所述第二公式为：
其中，Vi表示风电场中第i个风机的订正风速，v1,v2,v3......vl表示预设数量为l的有效气象网格点各对应的预测风速；
第五处理模块，用于将各个风机的订正风速输入至风电场平均风速预测模型中，得到所述风电场的平均风速；
其中，所述风电场平均风速预测模型为预先根据各个风机的订正风速训练样本数据以及对应的风电场的平均风速实测样本数据进行训练后得到的。
6.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述基于风电场地理信息的风速订正方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至4任一项所述基于风电场地理信息的风速订正方法的步骤。
CN202011344247.7A 2020-11-25 2020-11-25 一种基于风电场地理信息的风速订正方法及装置 Active CN112417734B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011344247.7A CN112417734B (zh) 2020-11-25 2020-11-25 一种基于风电场地理信息的风速订正方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011344247.7A CN112417734B (zh) 2020-11-25 2020-11-25 一种基于风电场地理信息的风速订正方法及装置

Publications (2)

Publication Number Publication Date
CN112417734A CN112417734A (zh) 2021-02-26
CN112417734B true CN112417734B (zh) 2024-03-15

Family

ID=74843033

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011344247.7A Active CN112417734B (zh) 2020-11-25 2020-11-25 一种基于风电场地理信息的风速订正方法及装置

Country Status (1)

Country Link
CN (1) CN112417734B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113516320B (zh) * 2021-09-14 2021-12-10 国能日新科技股份有限公司 基于多目标遗传算法风速订正和预测风速优化方法及装置
CN113884705A (zh) * 2021-09-28 2022-01-04 上海电气风电集团股份有限公司 簇群风机风速计的监测方法及其系统及计算机可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104036121A (zh) * 2014-05-20 2014-09-10 江苏省电力设计院 基于概率分布转移的测风数据风速订正方法
CN106229972A (zh) * 2016-08-16 2016-12-14 北京国能日新系统控制技术有限公司 一种基于多气象源集成并分段建模的风电功率预测方法
CN109167387A (zh) * 2018-09-14 2019-01-08 大唐新疆清洁能源有限公司 风场风电功率预测方法
CN110633864A (zh) * 2019-09-20 2019-12-31 国网湖南省电力有限公司 一种基于距平偏差的风速数值预报订正方法及其系统
CN111324936A (zh) * 2018-11-29 2020-06-23 北京金风慧能技术有限公司 风机风速预测方法、计算机可读存储介质和计算装置
CN111340307A (zh) * 2020-03-13 2020-06-26 华润电力技术研究院有限公司 预测风机风力发电功率的方法以及相关装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104036121A (zh) * 2014-05-20 2014-09-10 江苏省电力设计院 基于概率分布转移的测风数据风速订正方法
CN106229972A (zh) * 2016-08-16 2016-12-14 北京国能日新系统控制技术有限公司 一种基于多气象源集成并分段建模的风电功率预测方法
CN109167387A (zh) * 2018-09-14 2019-01-08 大唐新疆清洁能源有限公司 风场风电功率预测方法
CN111324936A (zh) * 2018-11-29 2020-06-23 北京金风慧能技术有限公司 风机风速预测方法、计算机可读存储介质和计算装置
CN110633864A (zh) * 2019-09-20 2019-12-31 国网湖南省电力有限公司 一种基于距平偏差的风速数值预报订正方法及其系统
CN111340307A (zh) * 2020-03-13 2020-06-26 华润电力技术研究院有限公司 预测风机风力发电功率的方法以及相关装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Short-Term Wind Power Prediction Using GA-BP Neural Network Based on DBSCAN Algorithm Outlier Identification;Zhang, Pei等;《Processes》;第8卷(第2期);正文1-15 *
基于WRF模式的元江羊岔街风电场功率短期预报实验;丁圣等;《中低纬山地气象》;第43卷(第01期);23-27 *

Also Published As

Publication number Publication date
CN112417734A (zh) 2021-02-26

Similar Documents

Publication Publication Date Title
CN112417734B (zh) 一种基于风电场地理信息的风速订正方法及装置
CN106875037B (zh) 风力预测方法及装置
CN111612055B (zh) 天气形势的分型方法、空气污染状况的预测方法及装置
CN111007582B (zh) 一种适用于多要素的高分辨率集合预报系统
CN116224473B (zh) 一种风速预报方法、模型训练方法、装置和存储介质
CN113204061A (zh) 一种构建格点风速订正模型的方法及装置
CN105868443B (zh) 一种微地形微气象要素场的构建方法
CN116799796A (zh) 一种光伏发电功率预测方法、装置、设备及介质
CN116485174B (zh) 一种臭氧污染对作物减产风险评估方法和装置
CN115905997B (zh) 基于预测偏差优化的风电机组气象灾害预警方法及系统
CN116796649A (zh) 一种基于机器学习的spei粗分辨率数据空间降尺度方法及装置
CN116245233A (zh) 基于超分辨率重建技术的风电场风速降尺度方法
CN114564697A (zh) 一种利用观测风速数据校正中尺度模拟风速数据的方法及系统
CN114487284A (zh) 一种测量空气中重金属浓度的方法及系统
CN113159426A (zh) 天气型相似性判断方法、装置、电子设备及可读存储介质
CN113177702B (zh) 一种气象输入数据匹配方法及系统
CN111507495A (zh) 缺失的测风数据的预测方法及装置
CN111369054B (zh) 基于wrf的高空气象要素预报方法和装置
CN116260140B (zh) 一种在役风电场理论净发电量的快速估算方法及系统
CN112580700B (zh) 一种电力物联表计的数据修正方法、系统和存储介质
CN116520457B (zh) 复杂地形下重大气象活动的区域集合预报方法及预报装置
CN112991530B (zh) 一种坡度尺寸效应补偿方法、装置、电子设备及存储介质
CN117574035A (zh) 风速的预测方法、装置及设备
CN118171113A (zh) 海面风场数据的精度验证方法、装置、设备及介质
CN117934605A (zh) 作物群体株高整齐度测算方法、装置、设备及介质

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