CN114330478A - 针对电网风速预报的风速分类订正方法 - Google Patents

Abstract

针对电网风速预报的风速分类订正方法涉及风速订正技术领域，解决了大风时段风速预报误差大的问题，包括：对风速观测样本集一进行滑动平均并选取风速值Vm；将风速观测样本集一的风速观测样本一与Vm比较，若风速观测样本一≥Vm则标记为x，否则为y；统计x的前后N小时中x的次数，若达到z次则记为大风过程；将大风过程风速最大值时刻的前后N小时标为p；以风速预报样本集一的风速要素和风向要素作为分类属性，以p对应的风速观测样本一作为结果属性构建决策树分类模型；将决策树风速分类模型对应p和非p的风速观测样本一进行重构和训练得到大风和平风订正模型。本发明对大风和平风时段均能够很好的订正，订正后的预报误差明显变小。

Description

针对电网风速预报的风速分类订正方法

技术领域

本发明涉及风速订正技术领域，具体涉及针对电网风速预报的风速分类订正方法。

背景技术

电网系统中支撑各区域稳定供电的最主要部分就是输电线路，因为其高度的原因，在架设后，输电线路损坏的风险很少来自于人为破坏，更多来自于气象因素所导致的不可抗力影响。诸如冬季低温引起的电线覆冰导致的跳闸，以及一年四季都需要防备的因为大风导致的异物侵扰、舞动、树竹放电灾害等风险，上述灾害会导致线路跳闸、短路等受损。并因为该类天气导致后续的检查、施工、施救等工作的不通畅。因此基于数值预报模式的风速要素预报分析是否会产生异物侵扰、舞动、树竹放电，就是现阶段电网安全的重中之重。

现阶段，虽然大部分数值预报模式均能模拟出不同天气类型导致的大风过程，诸如冷空气影响、台风北上等，但对大风预报的量级还是有较大的误差，难以直接的用于后续的预警模型判断中，且通过周边气象站的风速做关注点大风量级订正的方法也因为各地的气象站点并不是那么密集，无法满足各个输电线路的风速订正需求。因此，减少预报的风速误差从而得到更精确的大风时段的预报，是目前精准判断异物侵扰、舞动等灾害天气发生的关键。目前，减少数值模式预报误差一般采用两类方法：(1)针对模式背景场优化、参数优化、引入更多观测数据同化等，通过上述方法提高模式的初始场精确度；调试更优的物理参数化方案，减小因参数化而带来的模式误差；引入卫星、雷达等观测数据做同化，从高层到低层构建更接近实况的初始场等。这些方法虽然可以一定程度上减少误差，但针对各地的地形地貌不一致，同一方法不能兼顾，每次针对不同地区都要做不同调试，人工耗费较多。(2)因此第二种模式后订正方法更为常用，第二种模式主要基于统计学理论对前期回算的预报结果与观测结果建立经验订正模型。该方法中最简单的是计算上一个时次或者多个时次的模式与观测的误差，再用偏差消除方法做订正，但该方法只适用于误差比较一致的地区，且因为误差在大风时段与小风时段误差可能出出现相反，即大风时段可能预报偏小，而小风时段预报偏大，在大风时段再用此方法会导致大风预报结果更差。常用的统计方法还有回归预报法，即通过学习模式预报结果与周围气象站点的误差特征，掌握周围气象站点的变化规律，建立要素预报模型，得到订正后的要素预报，从而减小模式预报的误差，该方法能使得预报的整体均值更接近实况，但是同样受限于大小风时段的偏差不同，可能会导致客户关注的大风时段的误差更大。因此，近年来随着机器学习算法的兴起，更多的考虑用决策树等机器学习算法，考虑风向、风速、气温等多要素对预报风速做订正。

近年来，对数值模式预报产品进行后订正的方法成为提高模式预报准确度的主流途径。邓华等对我国上海崇明吕四风电场的WRF预报的风速采用利用PCA-RBF算法结合模式预报风向、气温、气压等气象要素对预报风速进一步订正。实验结果表明，订正后预报风速的误差进一步减小。与其他智能算法(BP算法、LSSVM算法)对比分析后得出，PCA-RBF算法对WRF模式预报风速具有较好的订正效果，能够有效提高风速预报准确率。但是在大风时段其订正后的预报误差仍然较大，没有有效解决大风时段的风速问题。胡海川等通过对ECMWF模式的集合预报数据计算众数，再根据风速分级做各级订正模型，对各级风速的订正均有了明显提高。张铁军等利用Weibull、AVT以及MOS方法分别针对甘肃省黑崖子和南湫风电场开展风速预报的订正研究。结果表明，订正后风速误差有明显减小。三种方法对比来看，MOS方法订正后的平均误差最低，其次是Weibull和AVT方法，但是不同方法对不同等级风速的订正效果差异显著。李俊磊等做了基于决策树组合分类器的气温预测，通过预测的风速等要素作为分类属性，将气温等级作为类属性，采用C4.5算法、Bagging集成方法构建组合决策树，实验表明，基于Bagging的决策树协同模型对于局部区域的气温预测具有较高的准确率。姚日升等对浙江省ASCAT近海风场产品进行误差分析和风速订正。石岚等在《基于风速高相关分区的风电场风速预报订正》一文中，采用卡尔曼滤波方法，对MM5模式的预报风速做了直接、间接两种订正方案，并做了分区分类的多种订正实验，结果表明合理分区、分类方案的精细化订正，能有效改善数值模式对观测场的误差，特别在小风区和大风区减少误差非常明显。

针对上述提到的订正方法中不同的构建训练样本的方法。采用逐时和顺序方案的结果都会导致订正结果更趋近于实况的均值，而对大风时段预报误差改善较小。对于采用分级样本的方法，受限于现阶段预报风速分级阈值设计，连续两个时刻的预报风速落在不同分级时，其差异可能会出现较为明显的不连续，呈现出突然上升和陡然下降的特点，不利于后续的预警算法的设计，甚至可能被预警算法或者预报员判别为虚假大风，而不生成相关预警，此外还有因为风速呈现weibull分布的特点，随着风速分级从小到大，样本数会逐渐减少，大风区样本太少不利于建模，因此针对每个站的分级可能还需要分别设置不同等级，以保证大风区的样本数。其次上述的订正方法，更多的侧重于获取模式和实况长期的误差分布均值，而没有考虑到大风时段与平风时段(即非大风时段)的实况和模式的误差变化与整个过程的均值误差有较大差别这一问题。因此，该类订正方法对大风时段的风速预报较差，不利于用来做针对电网服务的异物预警等。

发明内容

为了解决现有订正方法对大风时段的风速预报误差大、不利于用来做针对电网服务的异物预警的问题，本发明提供针对电网风速预报的风速分类订正方法。

本发明为解决技术问题所采用的技术方案如下：

针对电网风速预报的风速分类订正方法，包括如下步骤：

S1、获取同一时段的风速观测样本集一和风速预报样本集一；

S2、对风速观测样本集一进行滑动平均处理，滑动窗口长度为N，根据滑动平均值选取一个风速值V_m；

此次执行S2时的N值不同于此前任意一次执行S2时的N值；

S3、将风速观测样本集一的每个风速观测样本一与V_m比较，若风速观测样本一大于等于V_m则风速观测样本一的时刻标记为x，否则标记为y；

S4、对于每个标记为x的时刻，统计其前N小时至后N小时这一时段中的标记为x的次数，若达到z次，则记为大风过程，z为大于1的整数；

S5、找出每个大风过程中的风速最大值，将风速最大值时刻的前N小时至后N小时这一时段标记为p，得到风速观测样本集一的大风标记序列；

S6、以风速预报样本集一的风速要素和风向要素作为决策树的分类属性，以大风标记序列作为决策树的结果属性，采用CART算法构建决策树分类模型；

S7、重复执行S2至S6，在得到的决策树分类模型中选出最优的决策树分类模型作为决策树风速分类模型；

S8、将决策树风速分类模型对应的大风标记序列中标记为p的风速观测样本一进行重构得到大风训练样本，将决策树风速分类模型对应的大风标记序列中未标记为p的风速观测样本一进行重构得到平风训练样本，基于大风训练样本构建大风订正模型，基于平风训练样本构建平风订正模型；

S9、在决策树风速分类模型中代入风速预报样本二的风速和风向，决策树风速分类模型计算其分类结果，根据分类结果决定采用大风订正模型或平风订正模型计算其订正风速。

本发明的有益效果是：

1、本发明针对电网风速预报的风速分类订正方法针对大、小风两种样本段构建的两种风速订正模型，能更好的减少风速预报订正的误差。本发明不限于地形地貌等地区的不同，对大风时段和平风时段均能够很好的订正，尤其是对于大风时段，其订正后的预报误差明显小于现有技术。本发明的订正方法利于后续的相关预警的设计和预警结果。

2、针对电网关注的大风时段的风速预报，为大风时段做了对应的大风订正模型，可以更好的预报大风时段的风速及其波动情况，从而能精准的预报出异物、舞动等电网线路非常关注的天气灾害，防患于未然。

附图说明

图1为本发明的针对电网风速预报的风速分类订正方法的结构流程示意图。

图2为本发明的针对电网风速预报的风速分类订正方法在第一气象站中检验时段的大风过程的判断检验的展示图。

图3为本发明的针对电网风速预报的风速分类订正方法在第二气象站中检验时段的大风过程的判断检验的展示图。

图4为本发明的针对电网风速预报的风速分类订正方法在第二气象站中检验时段的大风过程的判断检验的展示图。

图5为本发明的针对电网风速预报的风速分类订正方法的在2019年10月26日15时至27日12时分类订正的风速与其他情况风速的对比图。

图6为本发明的针对电网风速预报的风速分类订正方法的在2019年12月03日12时至04日12时分类订正的风速与其他情况风速的对比图。

图7为本发明的针对电网风速预报的风速分类订正方法的在2019年10月05日15时至06日12时分类订正的风速与其他情况风速的对比图。

具体实施方式

下面结合附图和实施例对本发明做进一步详细说明。

针对电网风速预报的风速分类订正方法，包括如下步骤：

S1、获取风速观测样本集一和风速预报样本集一，风速观测样本集一的总时段和风速预报样本集的总时段相同，例如均是过去365天的数据。

S2、对风速观测样本集一进行滑动平均处理，滑动窗口长度为N，根据滑动平均值选取一个风速值Vm；

此次执行S2时的N值不同于此前任意一次执行S2时的N值，第一次执行S2时则不涉及这个问题，也就是第a次执行S2时N的取值不同于第a次之前的任意一次N的取值，a为大于等于2的整数。

S3、将风速观测样本集一的每个风速观测样本一与V_m比较，若风速观测样本一大于等于V_m则将风速观测样本一的时刻标记为x，否则标记为y。x和y仅是未为了区分风速大于等于V_m还是小于V_m，x≠y，x和y均可以为某一数值、某一文字、某一词语、某一符号等或者其任意组合。

S4、对于每个标记为x的时刻，统计其前N小时至后N小时这一时段中的标记为x的次数，若标记为x的时刻共计达到z次，则将这2N+1时段或者说将这2N+1时段对应的所有风速观测样本一记为一次大风过程，z为大于1正整数。

S5、对于每一次大风过程，找出该次大风过程的风速最大值，对所有大风过程均标记完成，则得到风速观测样本集一的大风标记序列。找出大风过程的风速最大值，将风速最大值时刻的前N小时至后N小时这一时段标记为p，其他时刻未标记为p，得到风速观测样本集一的大风标记序列。

对于每一次大风过程，找出该次大风过程的风速最大值，将风速最大值时刻的前N小时至后N小时这一2N+1时段标记为p；其余未标记为p的风速观测样本一的时刻可做其他标记，例如标记为q，对所有大风过程均标记完成，则得到风速观测样本集一的大风标记序列。p和q均可以为某一数值、某一文字、某一词语、某一符号等或者其任意组合。p≠q，p用于表示大风，q用于表示平风。大风标记序列为根据大风过程风速最大值时刻对风速观测样本集一的时间进行标记(p)得到的序列，大风标记序列包括p、q、p对应的时刻、q对应的时刻。

S6、以风速预报样本集一中所有风速预报样本一的风速要素和风向要素作为决策树的分类属性，以风速观测样本集一的大风标记序列作为决策树的结果属性，构建决策树分类模型。

S7、重复执行S2至S6，在得到的决策树分类模型中选出最优的决策树分类模型作为决策树风速分类模型，具体为：

S7.1、判断S6是否执行了r次，r为大于1的整数；若S6执行了r次，则进行S7.2，否则返回S2、重新执行S2至S6，直至N共有r个取值、且得到r个决策树分类模型时才进行S7.2；

S7.2、选择r个决策树分类模型中最优的那个决策树分类模型，以该决策树分类模型作为决策树风速分类模型，以最优的决策树分类模型进行S8和S9。

S8、将决策树风速分类模型对应的S5中时刻/时段标记为p的风速观测样本一进行重构得到大风训练样本，将决策树风速分类模型对应的S5中时刻未标记为p的风速观测样本一进行重构得到平风训练样本，也就是说，用于重构得到大风训练样本的风速观测样本一为：构建决策树风速分类模型过程中所对应的N值、所对应的S5中得到的大风标记序列中标记为p的风速观测样本一。用于重构得到平风训练样本的风速观测样本一为：构建决策树风速分类模型过程中所对应的N值、所对应的S5中得到的标记为q的风速观测样本一。基于大风训练样本构建大风订正模型，基于平风训练样本构建平风订正模型。大风订正模型和平风订正模型构成决策树风速订正模型。

S9、在决策树风速分类模型中代入风速预报样本二(即待订正的风速预报样本)的风速和风向，决策树风速分类模型计算风速预报样本二的分类结果，根据风速预报样本二的分类结果采用决策树风速订正模型进行订正得到订正风速，若分类结果为时刻被标记为p的风速观测样本一所对应的结果属性，则采用大风订正模型计算其最终订正风速，若分类结果为时刻被标记为q的风速观测样本一所对应的结果属性，则采用平风订正模型计算其最终订正风速。

上述S1～S8属于算法建立阶段，S9属于算法计算阶段。下面对上述订正方法进行举例详述。

获取风速观测样本和风速预报样本，将获取的所有风速观测样本和风速预报样本构建总样本集，将总样本集分为训练时段样本集(在S1～S8中使用)和检验时段样本集(用于S9)；训练时段样本集包括风速观测样本(即风速观测样本集一)和风速预报样本(即风速预报样本集一)，检验时段样本集包括风速预报样本(即风速预报样本集二)。

对训练时段样本集的风速观测样本做滑动平均，滑动窗口长度选择为N，以N取不同的值(本实施方式中r＝12，N＝1,2,…,12)进行如下操作：

计算滑动平均后分位数从小到大位于0.95处的风速值，该风速值记为V_m，也就是对滑动平均值从小到大排序，进行二十分位，取第十九分位数处对应的风速值作为V_m。将训练时段样本集中风速观测样本中大于等于V_m的时刻标记为1(x取1)，风速观测样本中小于V_m的时刻记为0(y取0)，根据V_m对风速观测样本的判断称为大风初判，对训练时段样本集中所有风速观测样本的大风初判结果按照时间顺序排列得到大风初判序列(又称大风判决列)，大风初判序列的大风初判值为1或0。对大风初判序列按照时间顺序做判断：若某一时刻大风初判值为1，则对该大风初判值为1的时刻往前N小时及往后N小时的大风初判值求和，也就是对总共2N+1个小时内的所有大风初判值进行求和，若该和值大于等于3(即z＝3)，则记为1次大风过程，若该和值小于3，则记为平风过程。找出训练时段样本集中每次大风过程的风速观测样本的风速最大值，将该次大风过程中风速最大值时刻的前N小时至该次大风过程中风速最大值时刻的后N小时标记为1(p取1)，也就是以此次大风过程中风速最大值时刻为中心的2N+1个小时标记为1，对每次大风过程均标记完成，则完成了对训练时段样本集的大风时间进行标记，得到大风标记序列，也就是对训练时段样本集中风速观测样本的所有大风过程根据风速最大值时刻进行标记的标记结果按照时间顺序排列得到大风标记序列。以训练时段样本集的风速预报样本的风速要素和风向要素这两要素作为决策树的分类属性，训练时段样本集的风速观测样本的大风标记序列作为类属性(即分类的结果属性)，以分类属性及结果属性为输入，采用CART算法构建决策树分类模型。

N＝1…12，分别按照上述步骤得出12个决策树分类模型，选取保留N为不同取值中得分最高的决策树分类模型作为决策树风速分类模型，用于后续操作。例如N＝7时的决策树分类模型被保留，并保留下N＝7时的该次分类模型的大风初判序列，大风初判序列又称大风判决列，大风判决列取值为0和1。

根据确定的决策树风速分类模型，将N＝7时大风标记序列中标记为1的风速观测样本进行重构，重构得到大风训练样本，将N＝7时大风标记序列中未标记1(可称为标记非1，或称为未做标记)的风速观测样本进行重构，重构得到平风训练样本，重构为按照时间段拼接重构后的样本按照顺序排列。基于大风训练样本构建大风订正模型，基于平风训练样本构建平风订正模型，大风订正模型和平风订正模型构成决策树风速订正模型。

最后在检验时段样本集中，首先在决策树风速分类模型中代入检验时段样本集的风速预报样本的风速和风向，计算其预报分类结果，并根据分类结果，采用大风订正模型或是平风订正模型生成订正后的预报风速，采用大风订正模型则得到大风时段订正预报风速，采用平风订正模型则得到平风时段订正预报风速。

通过对ECMWF(欧洲中期天气预报中心)模式逐日未来24小时的逐时预报要素，以2018年10月1日-2019年9月30日作为训练样本时段，以2019年10月1日-2019年12月31日作为检验样本时段，如图1，针对山东地区的43个气象站的观测分别采用上述观测分类算法做了风速分类为大风和平风，并根据决策树分类得分最高优选出滑动窗口N的取值，并以得分最高的决策数分类模型分类出的大风和平风时段，重构了大风训练样本和平风训练样本，分别建立了大风订正模型和平风订正模型，以分类模型对2019年10月1日-2019年12月31日模式预报风速首先进行分类，随后根据分类结果是大风时段还是平风时段调用大风订正模型或是平风订正模型做订正。本发明取得了较好的效果，经过本发明的分类订正后的多站检验结果的均值与模式原始预报以及与不做风速分类的常规订正(即现有技术中采用训练时段样本集的所有样本数据建模)相比更接近实况均值，如表1，其均方根误差和平均绝对偏差相比模式(历史风速预报)有显著减小，相比常规订正也有减小，误差单位均为m/s。

表1

检验结果	模式与观测	常规订正与观测	分类订正与观测
				均方根误差	1.30	0.96	0.87
平均绝对误差	1.09	0.74	0.65

此外，对检验时段的大风过程的判断检验中，也发现其能有效判断标识出真实大风过程，如图2至图4，分别对应三个不同的气象站，在检验样本时段内，气象站点的观测风速经过观测风速分类算法分类为大风的时段(图中的大风)、分类为非大风的时段(图中的平风)及预报风速经过决策树风速分类算法分出的属于大风的时段标识(在1m/s处的黑色十字标识)。某一单个气象站的决策树风速分类模型中，风速小于等于5.425m/s，被分类为平风；风速小于等于8.29m/s，风向系数大于等于0.84且大于0.625时，被分类为大风。43个站根据决策树风速分类模型在检验时段分出大风的命中率平均值为0.92，漏报率0.08，空报率0.21。本发明在大风事件中表现出更好的预报能力，在大风事件中，能更好的预报出风速的变化情况，如图5至图7，为不同时段本发明分类订正的风速与观测风速、模式预报、常规订正进行对比的对比图，分类订正后得到的风速在大风速区间更接近观测风速，整个大风过程来看，分类订正也较好，特别是在大风速区间，明显的减小了误差。

本发明针对电网风速预报的风速分类订正方法改进了观测风速分类中的大、小风时段分类方法，并与决策树分类模型相结合，反推最优的滑动窗口长度使得决策树分类模型得分最高，针对模式预报风速的大、小风分类方法，通过决策树分类算法建立了大风分类模型，改进了模式风速预报的大风分类方法，针对大、小风两种样本段构建的两种风速订正模型，能更好的减少风速预报订正的误差。本发明不限于地形地貌等地区的不同，对大风时段和平风时段均能够很好的订正，尤其是对于大风时段，其订正后的预报误差明显小于现有技术订正后的预报误差。本发明的订正方法利于后续的相关预警的设计和预警结果。针对电网关注的大风时段的风速预报，为大风时段做了对应的大风订正模型，可以更好的预报大风时段的风速及其波动情况，从而能精准的预报出异物、舞动等电网线路非常关注的天气灾害，防患于未然。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.针对电网风速预报的风速分类订正方法，其特征在于，包括如下步骤：

S1、获取同一时段的风速观测样本集一和风速预报样本集一；

S2、对风速观测样本集一进行滑动平均处理，滑动窗口长度为N，根据滑动平均值选取一个风速值V_m；

此次执行S2时的N值不同于此前任意一次执行S2时的N值；

S3、将风速观测样本集一的每个风速观测样本一与V_m比较，若风速观测样本一大于等于V_m则风速观测样本一的时刻标记为x，否则标记为y；

S4、对于每个标记为x的时刻，统计其前N小时至后N小时这一时段中的标记为x的次数，若达到z次，则记为大风过程，z为大于1的整数；

S5、找出每个大风过程中的风速最大值，将风速最大值时刻的前N小时至后N小时这一时段标记为p，得到风速观测样本集一的大风标记序列；

S6、以风速预报样本集一的风速要素和风向要素作为决策树的分类属性，以大风标记序列作为决策树的结果属性，采用CART算法构建决策树分类模型；

S7、重复执行S2至S6，在得到的决策树分类模型中选出最优的决策树分类模型作为决策树风速分类模型；

S8、将决策树风速分类模型对应的大风标记序列中标记为p的风速观测样本一进行重构得到大风训练样本，将决策树风速分类模型对应的大风标记序列中未标记为p的风速观测样本一进行重构得到平风训练样本，基于大风训练样本构建大风订正模型，基于平风训练样本构建平风订正模型；

S9、在决策树风速分类模型中代入风速预报样本二的风速和风向，决策树风速分类模型计算其分类结果，根据分类结果决定采用大风订正模型或平风订正模型计算其订正风速。

2.如权利要求1所述的针对电网风速预报的风速分类订正方法，其特征在于，所述V_m的选取为：将进行滑动平均处理的风速观测样本集一从小到大排列，取95％分位数的风速值作为V_m。

3.如权利要求1所述的针对电网风速预报的风速分类订正方法，其特征在于，所述S7具体为：判断S6是否执行了r次，r为大于1的整数，若S6是执行了r次，则选择最优的决策树分类模型作为决策树风速分类模型；否则返回S2重新执行S2至S6。

4.如权利要求3所述的针对电网风速预报的风速分类订正方法，其特征在于，所述r＝12，N分别取值1、2、3、4、5、6、7、8、9、10、11、12。

5.如权利要求1所述的针对电网风速预报的风速分类订正方法，其特征在于，所述z＝3。

Images