CN112633544A - 预测风速订正方法及其装置 - Google Patents
预测风速订正方法及其装置 Download PDFInfo
- Publication number
- CN112633544A CN112633544A CN201911189215.1A CN201911189215A CN112633544A CN 112633544 A CN112633544 A CN 112633544A CN 201911189215 A CN201911189215 A CN 201911189215A CN 112633544 A CN112633544 A CN 112633544A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- predicted wind
- predicted
- correction model
- speed correction
- 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.)
- Pending
Links
- 238000012937 correction Methods 0.000 title claims abstract description 216
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012549 training Methods 0.000 claims description 75
- 238000010801 machine learning Methods 0.000 claims description 23
- 230000032683 aging Effects 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 description 19
- 238000012795 verification Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 8
- 230000002123 temporal effect Effects 0.000 description 8
- 238000012417 linear regression Methods 0.000 description 6
- 230000015654 memory Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process 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
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
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)
Abstract
本公开提供了一种预测风速订正方法及其装置。所述预测风速订正方法包括:获取风电场中的风力发电机组的预测风速时间序列;并且基于预测风速订正模型对所述预测风速时间序列进行订正,其中,所述预测风速订正模型基于所述风电场的观测数据回传时效所建立。
Description
技术领域
本公开涉及风力发电技术领域,更具体地,本公开涉及一种对基于不同预测场景的预测风速进行订正的方法及其装置。
背景技术
随着风力发电规模日益增大,预测风功率的准确率成为影响风电大规模并网的重要问题。预测风功率的准确率极大地依赖预测风速的准确率。
常见的风速预测主要是基于传统数值天气预报得到的未来24小时风速预报。虽然数值天气预报能很好的预测风速的日平均情况,但是对高时间分辨率的风速变化预测误差较大,很难满足功率预测场景下对风速预测准确性的要求,并且数值天气预报中的物理过程是基于中小天气系统的发生发展机制而推导的一系列微积分方程组,里面包含了很多对大气环境的假设和对大气运动的简化,而在实际自然现象中有很多不确定性,这些不确定性不可能一一用公式的形式写入数值预报系统之中,这些自然现象中的不确定因素在局地,特别是风电场大小的范围上十分常见,甚至经常会成为影响风速变化的重要原因。
发明内容
本公开的示例性实施例提供了一种预测风速订正方法及其装置,至少解决上述技术问题和上文未提及的其它技术问题,并且提供下述的有益效果。
本公开的一方面在于提供一种预测风速订正方法,所述方法可以包括:获取风电场中的风力发电机组的预测风速时间序列;并且基于预测风速订正模型对预测风速时间序列进行订正,其中,预测风速订正模型基于风电场的观测数据回传时效所建立。
获取风电场中的风力发电机组的预测风速时间序列的步骤可以包括:基于数值天气预报模式获得网格格式的预测风速;根据风电场中的风力发电机组的机位点或测风塔的经纬度,从网格格式的预测风速中提取风电场中的每台风力发电机组的预测风速时间序列。
基于数值天气预报模式获得网格格式的预测风速的步骤可以包括:根据风电场中的风力发电机组的位置来确定数值预报区域;根据风电场的实际范围和预测功率的上报时间频率来确定数值预报区域的时空分辨率;基于时空分辨率对数值天气预报模式中的参数进行设置;并且使用数值预报区域以及设置后的数值天气预报模式来获得网格格式的预测风速。
基于数值天气预报模式获得网格格式的预测风速的步骤还可以包括:选择至少一种气象源;基于至少一种气象源中的每种气象源的特征对数值天气预报模式中的参数进行设置,以建立与每种气象源相应的数值预报程序;使用数值预报区域以及建立的数值预报程序来获得与每种气象源相应的网格格式的预测风速。
与每种气象源相应的数值预报程序的预测启动时间是根据每种气象源的获取时间被分别设置。
建立预测风速订正模型的步骤可以包括:基于观测数据回传时效确定用于建立预测风速订正模型的训练数据和建模时间间隔;使用确定的训练数据按照确定的建模时间间隔实时地建立预测风速订正模型,其中,训练数据包括训练观测风速、训练预测风速、验证观测风速和验证预测风速。
当风电场为新业务时,使用确定的训练数据按照确定的建模时间间隔实时地建立预测风速订正模型的步骤可以包括:选择至少一种机器学习模型,基于训练观测风速和训练预测风速对至少一种机器学习模型进行训练,来分别建立与至少一种机器学习模型相应的至少一种预测风速订正模型;使用至少一种预测风速订正模型对验证预测风速进行订正来获得与至少一种预测风速订正模型中的每一种相应的订正的验证预测风速;对与至少一种预测风速订正模型中的每一种相应的订正的验证预测风速和验证观测风速进行误差计算;并且将至少一种预测风速订正模型中的与最小误差相应的预测风速订正模型确定为预测风速订正模型。
当风电场为已有业务时,使用确定的训练数据按照确定的建模时间间隔实时地建立预测风速订正模型的步骤可以包括:基于训练观测风速和训练预测风速对先前使用的预测风速订正模型进行训练,来建立与先前使用的预测风速订正模型相应的至少一种预测风速订正模型;使用至少一种预测风速订正模型对验证预测风速进行订正来获得与至少一种预测风速订正模型中的每一种相应的订正的验证预测风速;对与至少一种预测风速订正模型中的每一种相应的订正的验证预测风速和验证观测风速进行误差计算;并且将至少一种预测风速订正模型中的与最小误差相应的预测风速订正模型确定为预测风速订正模型。
当训练预测风速和验证预测风速为针对多个气象源的预测风速时,对至少一种预测风速订正模型以及针对多个气象源的预测风速分别进行排列组合,以获得至少一个误差结果。
用于建立预测风速订正模型的训练数据根据与至少一种气象源相应的数值预报程序的预测结果生成情况被确定。
用于建立预测风速订正模型的建模自动启动时间根据与至少一种气象源相应的数值预报程序的完成时间被设置。
对预测风速时间序列进行订正的步骤可以包括:根据业务需求,设置订正预报启动时间以及订正结果有效时长;以及根据气象源的传输稳定性来设置对与气象源相应的预测风速时间序列进行订正的顺序。
本公开的另一方面在于提供一种预测风速订正装置,所述装置可以包括:数据获取模块,用于获取风电场中的风力发电机组的预测风速时间序列;以及数据订正模块,用于基于预测风速订正模型对预测风速时间序列进行订正,其中,预测风速订正模型基于风电场的观测数据回传时效所建立。
数据获取模块可以基于数值天气预报模式获得网格格式的预测风速,并且根据风电场中的风力发电机组的机位点或测风塔的经纬度,从网格格式的预测风速中提取风电场中的每台风力发电机组的预测风速时间序列。
数据获取模块还可以根据风电场中的风力发电机组的位置来确定数值预报区域,根据风电场的实际范围和预测功率的上报时间频率来确定数值预报区域的时空分辨率,基于时空分辨率对数值天气预报模式中的参数进行设置,使用数值预报区域以及设置后的数值天气预报模式来获得网格格式的预测风速。
数据获取模块还可以由用户选择至少一种气象源,基于至少一种气象源中的每种气象源的特征对数值天气预报模式中的参数进行设置,以建立与每种气象源相应的数值预报程序,使用数值预报区域以及建立的数值预报程序来获得与每种气象源相应的网格格式的预测风速。
数据获取模块还可以根据每种气象源的获取时间分别设置与每种气象源相应的数值预报程序的预测启动时间。
数据订正模块可以基于观测数据回传时效确定用于建立预测风速订正模型的训练数据和建模时间间隔,使用确定的训练数据按照确定的建模时间间隔实时地建立预测风速订正模型,其中,训练数据包括训练观测风速、训练预测风速、验证观测风速和验证预测风速。
当风电场为新业务时,数据订正模块可以选择至少一种机器学习模型,基于训练观测风速和训练预测风速对至少一种机器学习模型进行训练,来分别建立与至少一种机器学习模型相应的至少一种预测风速订正模型,使用至少一种预测风速订正模型对验证预测风速进行订正来获得与至少一种预测风速订正模型中的每一种相应的订正的验证预测风速,对与至少一种预测风速订正模型中的每一种相应的订正的验证预测风速和验证观测风速进行误差计算,将至少一种预测风速订正模型中的与最小误差相应的预测风速订正模型确定为预测风速订正模型。
当风电场为已有业务时,数据订正模块可以基于训练观测风速和训练预测风速对先前使用的预测风速订正模型进行训练,来建立与先前使用的预测风速订正模型相应的至少一种预测风速订正模型,使用至少一种预测风速订正模型对验证预测风速进行订正来获得与至少一种预测风速订正模型中的每一种相应的订正的验证预测风速,对与至少一种预测风速订正模型中的每一种相应的订正的验证预测风速和验证观测风速进行误差计算,将至少一种预测风速订正模型中的与最小误差相应的预测风速订正模型确定为预测风速订正模型。
当训练预测风速和验证预测风速为针对多个气象源的预测风速时,数据订正模块可以对至少一种预测风速订正模型以及针对多个气象源的预测风速分别进行排列组合,以获得至少一个误差结果。
数据订正模块还可以根据与至少一种气象源相应的数值预报程序的预测结果生成情况确定用于建立预测风速订正模型的训练数据。
数据订正模块还可以根据与至少一种气象源相应的数值预报程序的完成时间来设置用于建立预测风速订正模型的建模自动启动时间。
数据订正模块还可以根据业务需求,设置订正预报启动时间以及订正结果有效时长,和/或根据气象源的传输稳定性来设置对与气象源相应的预测风速时间序列进行订正的顺序。
本发明的另一方面在于提供一种计算机可读存储介质,存储有程序,所述程序可包括用于执行以上所述的预测风速订正方法的指令。
本发明的一方面在于提供一种计算机,包括存储有计算机程序的可读介质和处理器,当所述处理器运行所述计算机程序时执行以上所述的预测风速订正方法的指令。
基于以上描述的方法和装置,能够利用机器学习模型,基于数值模拟的预测风速和实测风速对预测风速进行误差订正,通过间接地引入局地大气的不确定性,进一步提高针对高时间和空间分辨率的风速预报的准确性,并且适用于各种业务预报的实时气象订正。
附图说明
通过结合附图,从实施例的下面描述中,本公开这些和/或其它方面及优点将会变得清楚,并且更易于理解,其中:
图1是根据本公开的示例性实施例的预测风速订正方法的流程图;
图2是根据本公开的另一示例性实施例的预测风速订正方法的流程图;
图3是根据本公开的示例性实施例的数值预报区域的示图;
图4是根据本公开的示例性实施例的预测风速订正装置的框图。
具体实施方式
提供参照附图的以下描述以帮助对由权利要求及其等同物限定的本公开的实施例的全面理解。包括各种特定细节以帮助理解,但这些细节仅被视为是示例性的。因此,本领域的普通技术人员将认识到在不脱离本公开的范围和精神的情况下,可对描述于此的实施例进行各种改变和修改。此外,为了清楚和简洁,省略对公知的功能和结构的描述。
在下文中,根据本公开的各种实施例,将参照附图对本公开的设备以及方法进行描述。
数值天气预报是指根据大气实际情况,在一定的初值和边值条件下,通过大型计算机进行数值计算,求解描写天气演变过程的流体力学和热力学的方程组,以预测未来一定时段的大气运动状态和天气现象的方法。
数值预报是指利用数值天气预报进行天气预报的行为。
图1是根据本公开的示例性实施例的预测风速订正方法的流程图。
参照图1,在步骤S101,获取感兴趣的风电场中的风力发电机组的预测风速时间序列。当对某一风电场在未来一段时间内的风速进行预测时,首先搜集该风电场中的每个风力发电机机组的布置资料并查看风力发电组就的分布资料,然后根据该风电场中的每个风力发电机组的位置来确定数值预报区域,根据该风电场的实际范围和预测功率的上报时间频率来确定所述数值预报区域的时间分辨率以及空间分辨率。根据确定的时间分辨率以及空间分辨率来设置数值天气预报模式的参数。这里,时间分辨率是指预报步长,例如,传统的预报步长为小时,当进行功率预测时需要把预报步长缩短到15分钟或更短,这样时间分辨率变高。
此外,在预测风电场的风速中,还可以选择至少一种气象源,以启动数值天气预报模式进行该风电场的风速预测。气象源可以是欧洲、美国等国家发布的全球大尺度预报数据,例如,可以包括Rapid ECMWF(Rapid ECMWF/Global Euro HD)、ECMWF(ECMWF/GlobalEuro HD)、ICO(Global German Standard)、GFS(Global US Standard)、GEM(GlobalCanadian Standard)、UKMO(Global Britain Standard)、ACCESS-G(Global AustralianStandard)、ARPEGE(Global French Standard),这些气象源可以用于启动中尺度数值模型的初始数据。
在本公开中,可以根据确定的时间分辨率和空间分辨率以及用户选择的气象源对数值天气预报模式的参数进行设置,以建立与选择的每种气象源相应的数值预报程序,从而使用确定的数值预报区域以及设置后的数值天气预报模式来获得风电场的网格格式的预测风速。
由于传统数值天气预报因其自身特性需要依赖大尺度环流信息,通过迭代和控制时间步长等方式降尺度到小尺度和更高的时间分辨率上,但是这种时空降尺度对准确率的提高是有限的,并不能达到面向风功率预测的风速准确率水平。这是因为数值天气预报中的物理过程是基于中小天气系统的发生发展机制而推导的一系列微积分方程组,里面包含了很多对大气环境的假设和对大气运动的简化,而在实际自然现象中有很多不确定性,这些不确定性不可能一一用公式的形式写入数值预报系统之中,这些自然现象中的不确定因素在局地,特别是风电场大小的范围上十分常见,甚至经常会成为影响风速变化的重要原因。所以尽管可以通过时空降尺度的方式,实现局地高分辨率的天气预报,但是数值天气预报依然依托于上述物理过程方程,对准确率的提高有限。针对此,本公开通过根据数值预报区域的时间分辨率和空间分辨率来设置数值天气预报模式的参数,以获取高时间分辨率和高空间分辨率的预测风速。
在获得网格格式的预测风速后,根据风电场中的风力发电机组的机位点或测风塔的经纬度。由于机位点或测风塔的位置与获得的网格并不是一一对应的关系,因此需要通过例如使用反向距离加权插值方法或其他插值方法从获得的网格格式的预测风速中提取所述风电场中的每台风力发电机组的预测风速时间序列。可以理解的是,本公开并不仅限于插值方法来提取预测风速时间序列。
此外,在本公开中,还可以根据选择的每种气象源的获取时间在服务器中分别设置与选择的每种气象源相应的数值预报程序的预测启动时间。由于各个国家发布的气象源的时间都不一样,同时存在网络延迟问题和其他不可控原因,数据经常有延迟,因此用于计算风速的时间非常有限,所以设置预测启动时间是为了能够最及时地开始计算而又不会长期空占计算资源,同时适应各种业务场景。此外,由于预报必须在凌晨进行,定时任务可以代替人工,从而节省人力。
在步骤S102,基于预测风速订正模型对获取的预测风速时间序列进行订正。在本公开中,根据感兴趣风电场是新业务还是已有业务使用不同的建模方法来建立预测风速订正模型。首先,需要基于感兴趣风电场的观测数据回传时效来确定用于建立预测风速订正模型的训练数据和建模时间间隔。例如,如果实时更新观测数据,则每天建模一次,可以使用从当前往前推三个月的数据作为训练数据,如果每个星期更新一次观测数据,则每星期建模一次,可以使用从一个星期以前往前推三个月的数据作为训练数据。这里,训练数据包括用于训练模型的训练观测风速和训练预测风速、以及用于验证模型的验证观测风速和验证预测风速。然后使用确定的训练数据按照确定的建模时间间隔实时地建立预测风速订正模型。本公开通过将实际历史观测数据与历史预测数据同时作为训练数据,从而引入风电场地形不确定性。
当感兴趣的风电场为新业务时,可以先选择至少一种机器学习模型,基于训练观测风速和训练预测风速对选择的至少一种机器学习模型进行训练,来分别建立与选择的至少一种机器学习模型相应的至少一种预测风速订正模型,使用建立的每种预测风速订正模型对验证预测风速进行订正来获得与每种预测风速订正模型相应的订正的验证预测风速,然后对与每种预测风速订正模型相应的订正的验证预测风速和验证观测风速进行误差计算。例如,当训练预测风速和验证预测风速为针对多个气象源的预测风速时,对建立的至少一种预测风速订正模型以及针对多个气象源的预测风速分别进行排列组合,以获得至少一个误差结果。最后将建立的至少一种预测风速订正模型中的与最小误差相应的预测风速订正模型确定为最终的预测风速订正模型。
当感兴趣的风电场为已有业务时,基于训练观测风速和训练预测风速对先前使用的预测风速订正模型进行训练,来建立与先前使用的预测风速订正模型相应的至少一种预测风速订正模型,使用建立的每种预测风速订正模型对验证预测风速进行订正来获得与每种预测风速订正模型相应的订正的验证预测风速,对与每种预测风速订正模型相应的订正的验证预测风速和验证观测风速进行误差计算。例如,当训练预测风速和验证预测风速为针对多个气象源的预测风速时,对建立的至少一种预测风速订正模型以及针对多个气象源的预测风速分别进行排列组合,以获得至少一个误差结果。最后将建立的至少一种预测风速订正模型中的与最小误差相应的预测风速订正模型确定为最终的预测风速订正模型。
此外,本公开还可以根据与选择的气象源相应的数值预报程序的预测结果生成情况来确定用于建立预测风速订正模型的训练数据。
此外,本公开还可以根据与选择的气象源相应的数值预报程序的完成时间来设置用于建立预测风速订正模型的建模自动启动时间。
根据本公开的实施例,还可以根据业务需求来设置订正预报启动时间以及订正结果有效时长,并且根据气象源的传输稳定性来设置对与气象源相应的预测风速时间序列进行订正的顺序,从而获得更加准确的预测风速。下面,将结合图2来详细描述本公开的预测风速订正方法。
图2是根据本公开的另一示例性实施例的预测风速订正方法的流程图。
参照图2,在步骤S201,根据感兴趣风电场中的风力发电机组的位置来确定数值预报区域。当期望预测感兴趣风电场在未来一段时间的风速时,首先需要搜集并查看该风电场中的风力发电机组的布置资料,利用这些布置资料来确定该风电场中的风力发电机组的数量以及每个风力发电机组的地理坐标,根据确定的地理坐标在地图上定位每个风力发电机组,以风力发电机组为对象绘制矩形,作为数值预报区域。可以使用中尺度数值模式WRF的前处理工具-WRF DOMAIN WIZARD软件来获得数值预报区域,例如,在该软件的谷歌地图上将感兴趣风电场中的所有风力发电机组画到一个矩形里,同时保证该矩形的边缘和离该边缘最近的一个风力发电机组的距离不小于3公里,然后从该软件中获得感兴趣区域的经纬度信息以及投影信息等。图3示出了本公开的实施例的数值预报区域,如图3所示,在地图中定位感兴趣风电场中的每个风力发电机组,其中,每个风力发电机组以按钉形式表示。在绘制数值预报区域时,距数值预报区域的边缘最近的风力发电机组距该边缘的距离不应小于3公里。
在步骤S202,根据风电场的实际范围和预测功率的上报时间频率来确定数值预报区域的时间和空间分辨率。例如,如果风电场的范围在100平方公里以内,则选取1公里的空间分辨率,否则选取3公里的空间分辨率,随着风电场的范围增大,可适当降低空间分辨率。此外,为了使风速和功率保持一致,可以根据预测功率的上报时间来确定时间分辨率,例如,功率预测的上报时间频率为15分钟一次,因此可以将时间分辨率统一为15分钟。
在步骤S203,选择至少一种气象源。由于各个国家的气象源属于收费数据,因此,需要根据感兴趣风电场的实际情况来选择所需的气象源。例如,用户可以根据实际需求选择Rapid ECMWF(Rapid ECMWF/Global Euro HD)、ECMWF(ECMWF/Global Euro HD)、ICO(Global German Standard)、GFS(Global US Standard)、GEM(Global CanadianStandard)、UKMO(Global Britain Standard)、ACCESS-G(Global Australian Standard)、ARPEGE(Global French Standard)中的至少一种。然而,上述示例仅是示例性的,本公开不限于此。
在步骤S204,基于确定的数值预报区域的时间分辨率、空间分辨率以及选择的气象源对数值天气预报模式中的参数进行设置,从而建立与选择气象源分别相应的数值预报程序。例如,由于美国国家海洋局和大气管理局提供的气象源的分辨率较低,为了实现1公里的高分辨率计算,一般嵌套参数被设置为3,计算步长被设置为100。欧洲中期天气预报中心提供的气象源的分辨率较高,因此,一般嵌套参数被设置为2,计算步长被设置为60。然而,本公开不限于此。通过根据感兴趣风电场的数值预报区域的时间分辨率以及空间分辨率来设置数值天气预报模式的参数,使用设置的数值天气预报模式来获取高时间分辨率以及高空间分辨率的预测风速。
在步骤S205,使用确定的数值预报区域以及设置的数值天气预报模式来计算与选择的每种气象源相应的预测风速。当运行所设置的数值天气预报模式后,可以获得针对每种气象源的网格格式的预测风速。
此外,在本公开中,还可以根据选择的每种气象源的获取时间来分别设置与所述每种气象源相应的数值预报程序的预测启动时间。由于各个气象源的发布时间不一样,并且考虑到网络延迟问题和其他不可控原因,所以需要设置预测启动时间,以确保根据不同的业务场景能够及时计算而又不会长期空占计算资源,并且用定时任务代替人工,这样就不需要安排人员每天值班。具体地,可以通过安装crontab在服务器中设置定时启动。根据各个气象源的到达时间,确定一个预测启动时间,将该时间写入crontab中即可。例如,各个气象源的发布时间一般在凌晨0点到2点之间,可以在crontab中设置2点启动风速预测。
在步骤S206,根据感兴趣风电场中的每个风力发电机组的机位点或测风塔的经纬度,从获得的网格格式的预测风速中提取每个风力发电机组的预测风速时间序列。网格是数值天气预报模式为了模拟地球上的天气过程,把地球大气在地球上做了投影,这个投影是按照网格形式进行的,所以计算出的结果也是网格格式的,计算出的风速是网格交叉点上的风速。由于数值预报区域包含很多网格,风力发电机组被这些网格包围,但不一定正好在网格交叉点上,所以需要将网格交叉点上的预测风速插值到风力发电机组所在的位置,以得到风机位置的预测风速。在本公开中,可以根据感兴趣风电场中的每个风力发电机组的机位点或测风塔的经纬度使用反向距离加权插值方法从在步骤S205获得的预测风速中提取每台风力发电机机位点的预测风速时间序列。例如,可以根据感兴趣风电场中的每个风力发电机组的机位点或测风塔的经纬度使用等式(1)和(2)来提取每台风力发电机机位点的预测风速时间序列:
其中,ZZ(x0,y0)为要提取的预测风速,Z(xi,yi)为从数值天气预报模式中获得的预测风速的样本,wi为相应的样本权重。在计算过程中,样本权重随样本点(xi,yi)距测风塔或机位点(x0,y0)的距离的增加而减小,各个样本对最终预测值的权重的大小成比例,这些权重值的总和为1。应注意的是,使用上述等式计算出的预测风速为某一时间点的预测风速,本公开的预测风速时间序列是指由使用上述等式计算的在期望预测的未来时间内的每个时间点的预测风速所组成的序列。
在提取预测风速时间序列时,如果感兴趣风电场已经安装测风塔,则优先采用测风塔所在的位置,如果风电场没有单独建立测风塔,则优先采用风力发电机组机位点所在的位置。
在步骤S207,基于风电场的观测数据回传时效来确定用于建立预测风速订正模型的训练数据和建模时间间隔。例如,假设感兴趣风电场的观测数据回传时效为4-5天,可以将建模时间间隔设置为5天,并且使用前三个月数据进行训练。又例如,如果回传时效为实时回传,则可以每天建模一次,使用从当前往前推三个月的数据作为训练数据,如果回传时效为每星期,则每星期建模一次,使用从一个星期以前往前推三个月的数据作为训练数据。这里,训练数据包括用于训练模型的训练观测风速和训练预测风速、以及用于验证模型的验证观测风速和验证预测风速。然后使用确定的训练数据按照确定的建模时间间隔实时地建立预测风速订正模型。
本公开按照风电场实际业务根据观测数据回传时效确定建模时间间隔,这样能够避免无效建模,提高后续预测风速订正的准确性,同时根据观测数据回传时效确定用于建模的历史观测数据和历史预测数据,间接地引入局地大气的不确定性,即将近地面风速特征和数值天气预报模式关联起来,从而获得更加准确地预测风速。
在步骤S208,确定感兴趣风电场是否为新业务。当感兴趣风电场为新业务时,进行到步骤S209,选择至少一个机器学习模型。例如,可以选择三种线性模型,诸如没有惩罚项的线性回归模型、引入惩罚项的ElasticNet和Lasso模型以及K近邻回归模型。这里,机器学习模型可以由python语言实现。然后根据自定义的参数调参,例如,将ElasticNet和Lasso模型中的alphas自定义为0.2到1之间等距离间隔的9个小数,将惩罚项L1自定义为0.1到1之间等距离的10个小数,在K近邻回归模型中依据等式K=max(int(len(X)/10.0),1)对K进行定义,其中,X为历史预测数据矩阵。给这些参数设一个区间,遍历这个区间内的所有数,而又考虑到计算量,所以每个区间设置了10个数左右。然而,上述参数设置仅是示例性的,本公开不限于此。设置这些参数的目的是为了找到合适的模型,使得偏差和方差达到平衡。
在步骤S210,基于训练观测风速和训练预测风速对选择的至少一种机器学习模型进行训练,以分别建立与选择的机器学习模型相应的至少一种预测风速订正模型。
当感兴趣风电场为已有业务时,进行到步骤S214,基于训练观测风速和训练预测风速对先前使用的预测风速订正模型进行训练,以建立与先前使用的预测风速订正模型相应的至少一种预测风速订正模型。例如,当先前使用的预测风速订正模型是没有惩罚项的线性回归模型、引入惩罚项的ElasticNet和Lasso模型以及K近邻回归模型时,基于训练观测风速和训练预测风速利用ElasticNetCV和LassoCV分别对ElasticNet和Lasso模型进行调参,用GridSearchCV对K近邻回归模型进行调参。
此外,在建立预测风速订正模型中,可以根据与选择的气象源相应的数值预报程序的预测结果生成情况来确定用于建立预测风速订正模型的训练数据。例如,优先选择所有气象源数值预报结果作为建模输入数据。
在建立预测风速订正模型中,还可以根据与选择的气象源相应的数值预报程序的完成时间来设置用于建立预测风速订正模型的建模自动启动时间。例如,如果与选择的气象源相应的每个数值预报程序的完成时间在凌晨2点到上午6点不等,为了利用全部气象源进行自动建模,可以将建模自动启动时间设置为最晚完成时间,即上午6点。然而,本公开不限于此。通过设置定时建模业务,来获得更加合理、准确的预测风速订正模型。
在步骤S211,使用建立的至少一种预测风速模型对验证预测风速进行订正来获得与所述至少一种预测风速订正模型中的每一种相应的订正的验证预测风速,然后对订正的验证预测风速和相应的验证观测风速进行误差计算。
在进行误差验证时,当训练预测风速和验证预测风速为针对多个气象源的预测风速时,可以对训练出的至少一种预测风速订正模型以及针对多个气象源的预测风速分别进行排列组合,以获得多个误差结果。例如,假设有针对气象源a和b的两种数值预报结果,并且训练出的预测风速订正模型分别为没有惩罚项的线性回归模型(LR)以及K近邻回归模型(K),此时可以排列组合出六种建模结果,即LR-a、K-a、LR-b、K-b、LR-ab、K-ab。然而,上述示例仅是示例性的,本公开不限于此。
在步骤S212,确定最终的预测风速订正模型。可以以均方根误差作为评价标准。例如,当使用均方根误差作为评价标准时,可以从在步骤S210或S214中建立的至少一种预测风速订正模型之中将与最小误差相应的预测风速订正模型确定为最终的预测风速订正模型。然而,本公开不限于此。
在步骤S213,使用确定的最终预测风速订正模型对预测风速时间序列进行订正。对于预测风速的订正,可以设置定时订正业务。具体地,可以根据业务需求设置订正预报启动时间以及订正结果有效时长,并且根据气象源的传输稳定性来设置对与气象源相应的预测风速时间序列进行订正的顺序等。例如,可以根据业务预报提交时间确定订正预报启动时间,设置定时订正业务。例如,根据业务需求将订正预报与原始预报融合成所需的传输格式,例如,假设业务要求预报时长为8天,如果每种气象源预报时长在2至8天不等,则将订正结果有效时长设置为2天,其余时长以原始预报数据补齐。可选地,对每种气象源使用确定的预测风速订正模型进行单独订正,其余时长用单独订正的结果补齐。又例如,在每日启动预测风速订正模型时,检查多气象源预测风速是否全部生成,如果全部生成,则忽略使用顺序,设定使用全部多气象源预测风速进行业务订正,如果未全部生成,则按照使用顺序逐次检查是否生成并使用,如果全未生成,则当日不进行订正预报。通过定时订正业务中所涉及的数据、时间等,能够获得更加准确的预测风速。
图4是根据本公开的示例性实施例的预测风速订正装置的框图。
参照图4,本公开的预测风速订正装置400可以包括数据获取模块401以及数据订正模块402。预测风速订正装置400中的每个模块可以由一个或多个模块来实现,并且对应模块的名称可根据模块的类型而变化。在各种实施例中,可以省略预测风速订正装置400中的一些模块,或者还可包括另外的模块。此外,根据本公开的各种实施例的模块/元件可以被组合以形成单个实体,并且因此可等效地执行相应模块/元件在组合之前的功能。
数据获取模块401可以获取感兴趣风电场中的风力发电机组的预测风速时间序列。具体地,数据获取模块401可以根据感兴趣风电场中的风力发电机组的位置来确定数值预报区域,根据该风电场的实际范围和预测功率的上报时间频率来确定该数值预报区域的时空分辨率,基于确定的时空分辨率对数值天气预报模式中的参数进行设置,使用数值预报区域以及设置后的数值天气预报模式来获得网格格式的预测风速。
此外,在设置数值天气预报模式的参数中,当用户选择至少一种气象源后,数据获取模块401可以基于上述确定的时间分辨率以及空间分辨率结合所选择的每种气象源的特征对数值天气预报模式中的参数进行设置,以建立与每种气象源相应的数值预报程序,然后使用数值预报区域以及建立的数值预报程序来获得与每种气象源相应的网格格式的预测风速。
数据获取模块401还可以根据选择的每种气象源的获取时间来分别设置与每种气象源相应的数值预报程序的预测启动时间。例如,假设各个气象源的发布时间一般在凌晨0点到2点之间,数据获取模块401可以通过安装crontab在服务器中,在crontab中设置2点启动风速预测。通过设置预测启动时间,确保根据不同的业务场景能够及时计算而又不会长期空占计算资源,并且用定时任务代替人工,这样就不需要安排人员每天值班。
在从数值天气预报模式获得预测风速后,数据获取模块401可以根据感兴趣风电场中的风力发电机组的机位点或测风塔的经纬度,从获得的网格格式的预测风速中提取该风电场中的每台风力发电机组的预测风速时间序列。具体地,数据获取模块401可以根据感兴趣风电场中的每个风力发电机组的机位点或测风塔的经纬度获得的预测风速中提取每台风力发电机机位点的预测风速时间序列。
数据订正模块402可以基于观测数据回传时效来确定用于建立预测风速订正模型的训练数据和建模时间间隔,使用确定的训练数据按照确定的建模时间间隔实时地建立预测风速订正模型,其中,所述训练数据包括训练观测风速、训练预测风速、验证观测风速和验证预测风速。
当感兴趣风电场为新业务时,数据订正模块402可以选择至少一种机器学习模型,基于训练观测风速和训练预测风速对至少一种机器学习模型进行训练,来分别建立与所述至少一种机器学习模型相应的至少一种预测风速订正模型,使用所述至少一种预测风速订正模型对验证预测风速进行订正来获得与所述至少一种预测风速订正模型中的每一种相应的订正的验证预测风速,对与所述至少一种预测风速订正模型中的每一种相应的订正的验证预测风速和验证观测风速进行误差计算,将所述至少一种预测风速订正模型中的与最小误差相应的预测风速订正模型确定为最终的预测风速订正模型。
作为示例,数据订正模块402将没有惩罚项的线性回归模型、引入惩罚项的ElasticNet和Lasso模型以及K近邻回归模型选择为将被训练的模型。经由数据订正模块402进行以下自定义参数设置:将ElasticNet和Lasso模型中的alphas自定义为0.2到1之间等距离间隔的9个小数,将惩罚项L1自定义为0.1到1之间等距离间隔的10个小数,将K邻近回归模型中的参数依据等式K=max(int(len(X)/10.0),1)进行定义,其中,X为历史预测数据矩阵,然后将训练观测风速和训练预测风速同时带入上述模型中进行自动建模,对所有建模结果进行误差验证,以均方根误差作为评价标准,将均方根误差最小的模型保存到本地服务器中,作为最终的预测风速订正模型。上述参数设置仅是示例性的,本公开不限于此。
当感兴趣风电场为已有业务时,数据订正模块402可以基于训练观测风速和训练预测风速对先前使用的预测风速订正模型进行训练,来建立与先前使用的预测风速订正模型相应的至少一种预测风速订正模型,使用所述至少一种预测风速订正模型对验证预测风速进行订正来获得与所述至少一种预测风速订正模型中的每一种相应的订正的验证预测风速,对与所述至少一种预测风速订正模型中的每一种相应的订正的验证预测风速和验证观测风速进行误差计算,将所述至少一种预测风速订正模型中的与最小误差相应的预测风速订正模型确定为最终的预测风速订正模型。
作为示例,假设先前使用的预测风速订正模型分别为没有惩罚项的线性回归模型、引入惩罚项的ElasticNet和Lasso模型以及K近邻回归模型,数据订正模块402可以利用ElasticNet CV和Lasso CV分别对ElasticNet和Lasso模型进行调参,利用GridSearch CV对K邻近回归模型进行调参。然后将训练观测风速和训练预测风速同时带入上述模型中进行自动建模,对所有建模结果进行误差验证,以均方根误差作为评价标准,将上述模型中的均方根误差最小的模型保存到本地服务器中,作为最终的预测风速订正模型。
本公开通过将风电场的实际历史观测风速以及历史预测风速同时作为预测风速订正模型的输入进行训练建模,将近地面风速特征和数值天气预报模式关联起来,从而在建模过程中间接地引入局地大气的不确定性,能够进一步提高时间和空间分辨率的风速预报的准确性。
此外,数据订正模块402可以根据与选择的气象源相应的数值预报程序的预测结果生成情况确定用于建立预测风速订正模型的训练数据。优选地,使用所有气象源数值预报结果作为建模输入数据。如果没有完成所有气象源数值预报,则单独输入每个气象源数值预报结果以进行建模。
数据订正模块402可以根据与选择的气象源相应的数值预报程序的完成时间来设置用于建立预测风速订正模型的建模自动启动时间。例如,如果气象源对应的每个数值预报程序的完成时间在凌晨2点到上午6点不等,为了利用全部气象源进行自动建模,将建模自动启动时间设置为最晚完成时间,即上午6点。通过设置定时建模业务,可以获得更加合理的预测风速订正模型。
在本公开中,针对多个气象源,数据订正模块402可以对建立的预测风速订正模型以及针对多个气象源的预测风速分别进行排列组合,以获得多种误差结果。
此外,数据订正模块402可以根据业务需求,设置订正预报启动时间以及订正结果有效时长,和/或根据气象源的传输稳定性来设置对与气象源相应的预测风速时间序列进行订正的顺序。例如,根据业务预报提交时间来确定订正预报启动时间。例如,业务要求预报时长为8天,如果每种气象源预报时长在2至8天不等,那么订正结果有效时长为2天,其余时长以原始预报补齐,或者针对每个气象源使用预测风速订正模型单独订正,其余时长用单独订正的结果补齐。此外,在预测风速订正模型启动时,检查多气象源的预测风速是否全部生成,如果全部生成,则忽略使用顺序,即设定使用全部气象源的预测风速进行业务订正,如果未全部生成,则按照使用顺序逐次检查是否生成并使用,如果全未生成,则不进行预测风速订正预报。通过设置定时订正业务,能够获取更加合理、准确的预测风速。
本技术领域技术人员可以理解,本公开包括涉及用于执行本公开中所述操作/步骤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,所述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-OnlyMemory,只读存储器)、RAM(Random Access Memory,随即存储器)、EPROM(ErasableProgrammable Read-Only Memory,可擦写可编程只读存储器)、EEPROM(ElectricallyErasable Programmable Read-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。
本公开的方法以及装置可以按照风电场不同的应用场景,设置数值天气预报模式,自动订正预测风速,以获得准确的预测风速。本公开的方法以及设备可以应用于风电场现场,实时上报风电场管理系统,用于预报展示以及后续的风功率转换。
虽然本公开是参照其示例性的实施例被显示和描述的,但是本领域的技术人员应该理解,在不脱离由权利要求及其等同物限定的本公开的精神和范围的情况下,可以对其形式和细节进行各种改变。
Claims (26)
1.一种预测风速订正方法,所述方法包括:
获取风电场中的风力发电机组的预测风速时间序列;并且
基于预测风速订正模型对所述预测风速时间序列进行订正,
其中,所述预测风速订正模型基于所述风电场的观测数据回传时效所建立。
2.如权利要求1所述的方法,其特征在于,获取风电场中的风力发电机组的预测风速时间序列的步骤包括:
基于数值天气预报模式获得网格格式的预测风速;
根据所述风电场中的风力发电机组的机位点或测风塔的经纬度,从所述网格格式的预测风速中提取所述风电场中的每台风力发电机组的预测风速时间序列。
3.如权利要求2所述的方法,其特征在于,基于数值天气预报模式获得网格格式的预测风速的步骤包括:
根据所述风电场中的风力发电机组的位置来确定数值预报区域;
根据所述风电场的实际范围和预测功率的上报时间频率来确定所述数值预报区域的时空分辨率;
基于所述时空分辨率对数值天气预报模式中的参数进行设置;
使用所述数值预报区域以及设置后的数值天气预报模式来获得所述网格格式的预测风速。
4.如权利要求3所述的方法,其特征在于,基于数值天气预报模式获得网格格式的预测风速的步骤还包括:
选择至少一种气象源;
基于所述至少一种气象源中的每种气象源的特征对数值天气预报模式中的参数进行设置,以建立与所述每种气象源相应的数值预报程序;
使用所述数值预报区域以及建立的数值预报程序来获得与所述每种气象源相应的网格格式的预测风速。
5.如权利要求4所述的方法,其特征在于,与所述每种气象源相应的数值预报程序的预测启动时间是根据所述每种气象源的获取时间被分别设置。
6.如权利要求1所述的方法,其特征在于,建立所述预测风速订正模型的步骤包括:
基于所述观测数据回传时效确定用于建立所述预测风速订正模型的训练数据和建模时间间隔;
使用确定的训练数据按照确定的建模时间间隔实时地建立所述预测风速订正模型,
其中,所述训练数据包括训练观测风速、训练预测风速、验证观测风速和验证预测风速。
7.如权利要求6所述的方法,其特征在于,当所述风电场为新业务时,使用确定的训练数据按照确定的建模时间间隔实时地建立预测风速订正模型的步骤包括:
选择至少一种机器学习模型,基于训练观测风速和训练预测风速对所述至少一种机器学习模型进行训练,来分别建立与所述至少一种机器学习模型相应的至少一种预测风速订正模型;
使用所述至少一种预测风速订正模型对验证预测风速进行订正来获得与所述至少一种预测风速订正模型中的每一种相应的订正的验证预测风速;
对与所述至少一种预测风速订正模型中的每一种相应的订正的验证预测风速和验证观测风速进行误差计算;
将所述至少一种预测风速订正模型中的与最小误差相应的预测风速订正模型确定为所述预测风速订正模型。
8.如权利要求6所述的方法,其特征在于,当所述风电场为已有业务时,使用确定的训练数据按照确定的建模时间间隔实时地建立预测风速订正模型的步骤包括:
基于训练观测风速和训练预测风速对先前使用的预测风速订正模型进行训练,来建立与先前使用的预测风速订正模型相应的至少一种预测风速订正模型;
使用所述至少一种预测风速订正模型对验证预测风速进行订正来获得与所述至少一种预测风速订正模型中的每一种相应的订正的验证预测风速;
对与所述至少一种预测风速订正模型中的每一种相应的订正的验证预测风速和验证观测风速进行误差计算;
将所述至少一种预测风速订正模型中的与最小误差相应的预测风速订正模型确定为所述预测风速订正模型。
9.如权利要求7或8所述的方法,其特征在于,当所述训练预测风速和所述验证预测风速为针对多个气象源的预测风速时,对所述至少一种预测风速订正模型以及所述针对多个气象源的预测风速分别进行排列组合,以获得至少一个误差结果。
10.如权利要求6所述的方法,其特征在于,用于建立所述预测风速订正模型的训练数据根据与至少一种气象源相应的数值预报程序的预测结果生成情况被确定。
11.如权利要求6所述的方法,其特征在于,用于建立所述预测风速订正模型的建模自动启动时间根据与至少一种气象源相应的数值预报程序的完成时间被设置。
12.如权利要求1所述的方法,其特征在于,对所述预测风速时间序列进行订正的步骤包括:
根据业务需求,设置订正预报启动时间以及订正结果有效时长;
根据气象源的传输稳定性来设置对与所述气象源相应的预测风速时间序列进行订正的顺序。
13.一种预测风速订正装置,所述装置包括:
数据获取模块,用于获取风电场中的风力发电机组的预测风速时间序列;以及
数据订正模块,用于基于预测风速订正模型对所述预测风速时间序列进行订正,
其中,所述预测风速订正模型基于所述风电场的观测数据回传时效所建立。
14.如权利要求13所述的装置,其特征在于,数据获取模块用于:
基于数值天气预报模式获得网格格式的预测风速;
根据所述风电场中的风力发电机组的机位点或测风塔的经纬度,从所述网格格式的预测风速中提取所述风电场中的每台风力发电机组的预测风速时间序列。
15.如权利要求14所述的装置,其特征在于,数据获取模块还用于:
根据所述风电场中的风力发电机组的位置来确定数值预报区域;
根据所述风电场的实际范围和预测功率的上报时间频率来确定所述数值预报区域的时空分辨率;
基于所述时空分辨率对数值天气预报模式中的参数进行设置;
使用所述数值预报区域以及设置后的数值天气预报模式来获得所述网格格式的预测风速。
16.如权利要求15所述的装置,其特征在于,数据获取模块还用于:
选择至少一种气象源;
基于所述至少一种气象源中的每种气象源的特征对数值天气预报模式中的参数进行设置,以建立与所述每种气象源相应的数值预报程序;
使用所述数值预报区域以及建立的数值预报程序来获得与所述每种气象源相应的网格格式的预测风速。
17.如权利要求16所述的装置,其特征在于,数据获取模块根据所述每种气象源的获取时间分别设置与所述每种气象源相应的数值预报程序的预测启动时间。
18.如权利要求13所述的装置,其特征在于,数据订正模块用于:
基于所述观测数据回传时效确定用于建立所述预测风速订正模型的训练数据和建模时间间隔;
使用确定的训练数据按照确定的建模时间间隔实时地建立所述预测风速订正模型,
其中,所述训练数据包括训练观测风速、训练预测风速、验证观测风速和验证预测风速。
19.如权利要求18所述的装置,其特征在于,当所述风电场为新业务时,数据订正模块还用于:
选择至少一种机器学习模型,基于训练观测风速和训练预测风速对所述至少一种机器学习模型进行训练,来分别建立与所述至少一种机器学习模型相应的至少一种预测风速订正模型;
使用所述至少一种预测风速订正模型对验证预测风速进行订正来获得与所述至少一种预测风速订正模型中的每一种相应的订正的验证预测风速;
对与所述至少一种预测风速订正模型中的每一种相应的订正的验证预测风速和验证观测风速进行误差计算;
将所述至少一种预测风速订正模型中的与最小误差相应的预测风速订正模型确定为所述预测风速订正模型。
20.如权利要求18所述的装置,其特征在于,当所述风电场为已有业务时,数据订正模块还用于:
基于训练观测风速和训练预测风速对先前使用的预测风速订正模型进行训练,来建立与先前使用的预测风速订正模型相应的至少一种预测风速订正模型;
使用所述至少一种预测风速订正模型对验证预测风速进行订正来获得与所述至少一种预测风速订正模型中的每一种相应的订正的验证预测风速;
对与所述至少一种预测风速订正模型中的每一种相应的订正的验证预测风速和验证观测风速进行误差计算;
将所述至少一种预测风速订正模型中的与最小误差相应的预测风速订正模型确定为所述预测风速订正模型。
21.如权利要求19或20所述的装置,其特征在于,当所述训练预测风速和所述验证预测风速为针对多个气象源的预测风速时,数据订正模块对所述至少一种预测风速订正模型以及所述针对多个气象源的预测风速分别进行排列组合,以获得至少一个误差结果。
22.如权利要求18所述的装置,其特征在于,数据订正模块根据与至少一种气象源相应的数值预报程序的预测结果生成情况确定用于建立所述预测风速订正模型的训练数据。
23.如权利要求18所述的装置,其特征在于,数据订正模块根据与至少一种气象源相应的数值预报程序的完成时间来设置用于建立所述预测风速订正模型的建模自动启动时间。
24.如权利要求13所述的装置,其特征在于,数据订正模块还用于:
根据业务需求,设置订正预报启动时间以及订正结果有效时长;
根据气象源的传输稳定性来设置对与所述气象源相应的预测风速时间序列进行订正的顺序。
25.一种计算机可读存储介质,存储有程序,其特征在于,所述程序包括用于执行如权利要求1-12中的任一项所述方法的指令。
26.一种计算机,包括存储有计算机程序的可读介质,其特征在于,所述计算机程序包括用于执行如权利要求1-12中的任一项所述方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911189215.1A CN112633544A (zh) | 2019-11-28 | 2019-11-28 | 预测风速订正方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911189215.1A CN112633544A (zh) | 2019-11-28 | 2019-11-28 | 预测风速订正方法及其装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112633544A true CN112633544A (zh) | 2021-04-09 |
Family
ID=75283554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911189215.1A Pending CN112633544A (zh) | 2019-11-28 | 2019-11-28 | 预测风速订正方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633544A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516320A (zh) * | 2021-09-14 | 2021-10-19 | 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 |
CN114021858A (zh) * | 2021-12-06 | 2022-02-08 | 国网浙江省电力有限公司经济技术研究院 | 一种输电线路的精细化风速预测方法 |
CN115204712A (zh) * | 2022-07-26 | 2022-10-18 | 中国气象局上海台风研究所(上海市气象科学研究所) | 一种海上和沿海风电场选址评估方法 |
CN116205138A (zh) * | 2023-01-16 | 2023-06-02 | 中国气象局广州热带海洋气象研究所(广东省气象科学研究所) | 风速预报订正方法及装置 |
CN116245032A (zh) * | 2023-05-10 | 2023-06-09 | 长江三峡集团实业发展(北京)有限公司 | 一种考虑时空相关性的风电场模拟发电量订正方法及系统 |
CN116663432A (zh) * | 2023-07-28 | 2023-08-29 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种百米高度风速预报订正降尺度方法及装置 |
CN117829010A (zh) * | 2023-12-01 | 2024-04-05 | 华东交通大学 | 基于wrf和cfd数据耦合的中期风速预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100023266A1 (en) * | 2008-07-22 | 2010-01-28 | Henrik Stiesdal | Method and Arrangement for the Forecast of Wind-Resources |
CN101741085A (zh) * | 2009-12-11 | 2010-06-16 | 西北电网有限公司 | 一种短期风电功率预报方法 |
CN102005760A (zh) * | 2010-11-18 | 2011-04-06 | 西北电网有限公司 | 一种通用风电功率短期预报方法 |
CN106934191A (zh) * | 2015-12-30 | 2017-07-07 | 中国电力科学研究院 | 一种基于自相似性的wrf模式风速订正方法 |
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 |
CN109447260A (zh) * | 2018-10-08 | 2019-03-08 | 中国人民解放军空军研究院战场环境研究所 | 一种基于深度学习的局地数值天气预报产品订正方法 |
CN110263392A (zh) * | 2019-06-01 | 2019-09-20 | 邯郸市气象局 | 基于多模式分区误差检验的风场预报方法及其系统 |
-
2019
- 2019-11-28 CN CN201911189215.1A patent/CN112633544A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100023266A1 (en) * | 2008-07-22 | 2010-01-28 | Henrik Stiesdal | Method and Arrangement for the Forecast of Wind-Resources |
CN101741085A (zh) * | 2009-12-11 | 2010-06-16 | 西北电网有限公司 | 一种短期风电功率预报方法 |
CN102005760A (zh) * | 2010-11-18 | 2011-04-06 | 西北电网有限公司 | 一种通用风电功率短期预报方法 |
CN106934191A (zh) * | 2015-12-30 | 2017-07-07 | 中国电力科学研究院 | 一种基于自相似性的wrf模式风速订正方法 |
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 |
CN109447260A (zh) * | 2018-10-08 | 2019-03-08 | 中国人民解放军空军研究院战场环境研究所 | 一种基于深度学习的局地数值天气预报产品订正方法 |
CN110263392A (zh) * | 2019-06-01 | 2019-09-20 | 邯郸市气象局 | 基于多模式分区误差检验的风场预报方法及其系统 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516320A (zh) * | 2021-09-14 | 2021-10-19 | 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 |
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 |
CN114021858A (zh) * | 2021-12-06 | 2022-02-08 | 国网浙江省电力有限公司经济技术研究院 | 一种输电线路的精细化风速预测方法 |
CN115204712A (zh) * | 2022-07-26 | 2022-10-18 | 中国气象局上海台风研究所(上海市气象科学研究所) | 一种海上和沿海风电场选址评估方法 |
CN115204712B (zh) * | 2022-07-26 | 2023-02-03 | 中国气象局上海台风研究所(上海市气象科学研究所) | 一种海上和沿海风电场选址评估方法 |
CN116205138A (zh) * | 2023-01-16 | 2023-06-02 | 中国气象局广州热带海洋气象研究所(广东省气象科学研究所) | 风速预报订正方法及装置 |
CN116205138B (zh) * | 2023-01-16 | 2023-11-03 | 中国气象局广州热带海洋气象研究所(广东省气象科学研究所) | 风速预报订正方法及装置 |
CN116245032A (zh) * | 2023-05-10 | 2023-06-09 | 长江三峡集团实业发展(北京)有限公司 | 一种考虑时空相关性的风电场模拟发电量订正方法及系统 |
CN116663432A (zh) * | 2023-07-28 | 2023-08-29 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种百米高度风速预报订正降尺度方法及装置 |
CN116663432B (zh) * | 2023-07-28 | 2023-10-27 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种百米高度风速预报订正降尺度方法及装置 |
CN117829010A (zh) * | 2023-12-01 | 2024-04-05 | 华东交通大学 | 基于wrf和cfd数据耦合的中期风速预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112633544A (zh) | 预测风速订正方法及其装置 | |
US20150039228A1 (en) | Ultra-short-term forecasting method including real-time monitoring of the effect of upper and lower courses | |
US9945980B2 (en) | System, method and program product for providing infrastructure centric weather forecasts | |
CN109840260A (zh) | 一种基于动态插补的大规模实时降雨自动观测站分级数据处理方法 | |
CN108846501A (zh) | 一种雨水低影响开发设施建设规模确定方法 | |
CN114417623A (zh) | Grapes-reps区域集合预报方法及系统 | |
WO2021103322A1 (zh) | 一种历史名城新城区规划辅助设计系统 | |
CN110390343B (zh) | 一种空间气象数据的订正方法及系统 | |
Freedman et al. | The Wind Forecast Improvement Project (WFIP): A public/private partnership for improving short term wind energy forecasts and quantifying the benefits of utility operations. The Southern Study Area, Final Report | |
CN115358060A (zh) | 一种支持新能源发电功率高精度预测的高效算法框架 | |
CN114895380A (zh) | 一种太阳辐射预测方法、装置、设备和介质 | |
Brun et al. | A high performance computing framework for continental-scale forest fire spread prediction | |
Constantinescu et al. | Unit commitment with wind power generation: integrating wind forecast uncertainty and stochastic programming. | |
CN117421871A (zh) | 海上风电潜力评估方法、装置和计算机设备 | |
CN117574622A (zh) | 一种对流层建模方法和装置 | |
Bruijn et al. | Probabilistic downtime estimation for sequential marine operations | |
CN111914319A (zh) | 一种建筑总图自动填色的方法及装置 | |
CN114662985B (zh) | 一种基于倾斜摄影建模的山区电力工程选址方法、设备和计算机可读存储介质 | |
CN115983478A (zh) | 分布式光伏发电功率预测分析方法、系统、终端及介质 | |
CN114547991B (zh) | 基于气候变化的城市排水系统规划设计优化系统 | |
Li et al. | Knowledge discovery for geographical cellular automata | |
Dubus et al. | C3S energy: an operational service to deliver power demand and supply for different electricity sources, time and spatial scales over Europe | |
KR101802455B1 (ko) | 강우의 공간 규모를 고려한 강우 예측 시스템 및 방법 | |
CN115082396A (zh) | 光伏电站基建进度的智能勘测方法、系统及介质 | |
CN111948739B (zh) | 一种洪水预报系统 |
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 |