CN114942956A - 一种基于气象同化的风资源修正方法 - Google Patents
一种基于气象同化的风资源修正方法 Download PDFInfo
- Publication number
- CN114942956A CN114942956A CN202210530620.0A CN202210530620A CN114942956A CN 114942956 A CN114942956 A CN 114942956A CN 202210530620 A CN202210530620 A CN 202210530620A CN 114942956 A CN114942956 A CN 114942956A
- Authority
- CN
- China
- Prior art keywords
- wind
- data
- meteorological data
- meteorological
- resource
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/258—Data format conversion from or to a database
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于气象同化的风资源修正方法;包括:通过SCADA系统获取待修正风资源气象数据;对风资源气象数据进行预处理;将预处理后的风资源气象数据输入至风资源修正模型中,获得修正后的风资源气象数据;通过该方法可以对风资源进行精准高效修正;且该方法不会受应用场景的限制,同时对计算服务器的要求较低。
Description
技术领域
本发明属于风资源修正技术领域,特别是一种基于气象同化的风资源修正方法。
背景技术
随着平价、大基地时代的到来,风电行业正在不断优化风场的机型配置和排布方案,以期获得最优发电量。风电场的自然风速在经过上风向机组后,风速明显降低,湍流强度明显增加,产生尾流效应,造成大多数风电场风资源利用率不够高,风机实际发电曲线偏离于标准曲线,年发电量低于设计值。因此,准确、科学地分析风场风资源对发电性能的影响显得尤为重要。此外,在风电场设备提质增效和提高运行安全性方面,还面临如下的需求和挑战:(1)缺乏风机提质增效的有效手段,该项技术主要被风机整机厂家掌控;(2)难以获取风场风机的真实风资源数据,目前的风速修正算法以及机舱尾流对风向测量的影响,难以进行定量分析与评估;(3)对风机的运行控制策略掌控较少,特别是对极端工况下风机运行风险和故障隐患缺少有效的防范手段;
要想准确、科学地分析风场风资源对发电性能的影响,首先需要对风资源进行修正;目前,风资源修正方法主要有:一是基于OS-ELM算法的风速修正方法,采用极限学习机算法对数值天气预报的风速进行修正,并根据风电功率的置信区间对预测功率进行二次修正,但是极限学习机只适应于单隐层神经网络,应用场景较少;二是基于卷积神经网络的机舱风速修正方法,采用多层卷积池化,过滤风机尾流和叶片扰动的影响,高度抽象特征变量,提高修正风速的精度,但对计算服务器的要求较高,不适合大范围使用;三是基于马尔科夫链的风速误差修正方法,在基于NWP风速值和SCADA风速值的误差序列上进行马尔可夫风速误差修正,首先对风速误差序列进行模型C均值状态划分,计算出初始状态的概率分布,然后建立各状态间的转移概率矩阵,根据转台概率矩阵预测下一时刻风速误差修正值,进而得到修正后的风速值,但是马尔科夫链进行独立性假设,未考虑时间前后气象数据的关联性。
因此,如何在考虑时间前后气象数据关联性的基础上,对风资源进行修正,同时扩大该修正方法的应用场景,并减少对计算服务器的要求,成为当前研究的关键问题。
发明内容
鉴于上述问题,本发明提供一种至少解决上述部分技术问题的一种基于气象同化的风资源修正方法,通过该方法可以通过该方法可以对风资源进行精准高效修正;且该方法不会受应用场景的限制,同时对计算服务器的要求较低。
本发明实施例提供了一种基于气象同化的风资源修正方法,包括:
S1、通过SCADA系统获取待修正风资源气象数据;
S2、对所述风资源气象数据进行预处理;
S3、将预处理后的风资源气象数据输入至风资源修正模型中,输出修正后的风资源气象数据。
进一步地,所述风资源气象数据包括风速数据和风向数据。
进一步地,所述S2具体包括:将所述风资源气象数据的格式转换为预设格式,并排除其中质量不合格的数据。
进一步地,所述S3中,风资源修正模型通过下述步骤训练生成,包括:
分别通过激光雷达和SCADA系统获取相同时间段中的大量风资源气象数据,记作第一气象数据和第二气象数据;
分别对所述第一气象数据和第二气象数据进行预处理;
基于气象同化法对预处理后的第一气象数据进行修正;
将预处理后的第二气象数据作为输入,将修正后的对应的第一气象数据作为输出,训练生成风资源修正模型。
进一步地,所述风资源修正模型包括风速修正模型和风向修正模型;
将预处理后的第二气象数据中的风速数据作为输入,将修正后的第一气象数据中对应的的风速数据作为输出,训练生成所述风速修正模型;
将预处理后的第二气象数据中的风向数据作为输入,将修正后的第一气象数据中对应的的风向数据作为输出,训练生成所述风向修正模型。
进一步地,采用二阶函数算法作为所述风速修正模型或风向修正模型的算法模型,表示为:
y=w1x2+w0
其中,w0和w1均表示回归系数;x表示输入值;y表示输出值。
与现有技术相比,本发明记载的一种基于气象同化的风资源修正方法,具有如下有益效果:
通过本发明实施例所提供的方法可以对风电场所测得的风速进行修正和预测,可以有效减小风力发电出力不稳定对电网的影响,实现风机的智能降载,提高风机运行的安全性高和可靠性,为控制策略提供数据基础;也可以给风电场提供售电报价指导,以及合理安排检修计划。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例提供的基于气象同化的风资源修正方法流程图。
图2为本发明实施例提供的风资源修正模型训练流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
参见图1所示,本发明实施例提供了一种基于气象同化的风资源修正方法,具体包括如下步骤:
S1、通过SCADA系统获取待修正风资源气象数据;
S2、对所述风资源气象数据进行预处理;
S3、将预处理后的风资源气象数据输入至风资源修正模型中,输出修正后的风资源气象数据。
下面分别对上述各个步骤进行详细的说明。
在上述步骤S1中,风资源气象数据包括风速数据和风向数据。
在上述步骤S2中,对风资源气象数据进行预处理,即对所获取的风资源气象数据进行规范化处理,包括对数据精度和类型的规划化处理,方便进行后期模型处理;具体为将风资源气象数据的格式转换为预设格式,并排除其中质量不合格的数据;其中质量不合格的数据包括信息缺失严重的风资源气象数据,以及风速仪使用较长时间后测量到的不准确的风资源气象数据。
在上述步骤S3中,在本发明实施例中,通过气象同化技术进行高精度的气象数据采集,同时结合SCADA风资源数据,建立一个风资源修正模型,拟合当前最优值,进而实现风资源修正,提升风电机组控制策略的效能和发电性能;参照图2所示,风资源修正模型通过下述步骤训练生成,包括:
首先,通过激光雷达获取预设时间段内大量的风资源气象数据,记作第一气象数据;同时采用SCADA系统获取相同时间段内大量的风资源气象数据,记作第二气象数据;
其次,对所获取到的第一气象数据和第二气象数据进行预处理;其中在对激光雷达所获取的第一气象数据进行预处理时,主要将激光雷达观测得到的第一气象数据处理成资料同化系统可以输入的数据格式,同时需要进行数据的质量控制,排除第一气象数据中质量较差的数据;在对SCADA系统获取的第二气象数据进行预处理时,主要将SCADA系统获取到的第二气象数据处理成资料同化系统可以输入的数据格式,同时需要进行数据的质量控制,排除第二气象数据中质量较差的数据;其中,质量较差的数据即为上述质量不合格的数据。
再次,基于气象同化法对预处理后的第一气象数据进行修正,主要是利用气象同化技术对激光测风雷达的数据进行修正;气象同化技术将气象模型中的分析场作为同化的背景场,搭建中尺度气象数值模拟模型以及微尺度风电场大气状态模拟模型,同时搭建相对应的资料同化系统,将观测数据与背景场进行融合,搭建中尺度气象数值模拟模型以及微尺度风电场大气状态模拟模型;同时搭建相对应的资料同化系统,对风电场内的每台风机处的风速、风向进行超短期预测,从而获得更为准确的气象模型的模型分析场。在本发明实施例中,基于气象同化法对预处理后的第一气象数据进行修正,具体为:使用地面激光雷达所获取的数据作为入口风廓线分析数据;基于中尺度数值模拟预报系统WRF为OpenFOAM提供入口边界条件;OpenFOAM模拟的风力发电对天气系统的影响将通过升尺度技术反馈到中尺度数值模拟预报系统WRF,结合激光雷达测风特点,实现风况的精准预报。
最后,将预处理后的第二气象数据作为输入,将修正后的对应的第一气象数据作为输出,训练生成风资源修正模型;具体为:该风资源修正模型包括风速修正模型和风向修正模型;该修正模型的算法采用回归模型,拟合风速和风向数据来接近正确值,得到最佳拟合训练数据优化的参数;将预处理后的第二气象数据中的风速数据作为输入,将修正后的第一气象数据中对应的的风速数据作为输出,训练生成所述风速修正模型;将预处理后的第二气象数据中的风向数据作为输入,将修正后的第一气象数据中对应的的风向数据作为输出,训练生成所述风向修正模型。
考虑到一元一次函数过于简单,模型会受到限制;因此,在本发明实施例中增加多项式的阶数,选用二阶函数算法作为风速和风向修正的算法模型,表示为:
y=w1x2+w0
其中,w0和w1均表示回归系数;x表示输入值;y表示输出值。即在训练生成风速修正模型的过程中,x表示预处理后的第二气象数据中的风速数据;y表示修正后的第一气象数据中对应的的风速数据;在训练生成风向修正模型的过程中,x表示预处理后的第二气象数据中的风向数据;y表示修正后的第一气象数据中对应的的风向数据。
通过上述风速修正模型和风向修正模型,修正SCADA系统中的风速和风向数据,对风电场所测得的风速进行修正和预测,可以有效减小风力发电出力不稳定对电网的影响,实现风机的智能降载,提高风机运行的安全性高和可靠性,为控制策略提供数据基础;也可以给风电场提供售电报价指导,以及合理安排检修计划。
本发明实施例中采用最小二乘法或者正规方程进行回归系数求解,并通过决定系数R2比较回归模型的预测误差与样本和平均值的误差,表示为:
本发明实施例中所提供的风资源修正模型,通过将激光雷达、气象同化和大数据智能挖掘等先进技术相结合构建而成;基于此,可进而搭建风资源数据的高精度采集、修正和预测的一体化平台,使风能吸收效率达到最大化。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种基于气象同化的风资源修正方法,其特征在于,包括:
S1、通过SCADA系统获取待修正风资源气象数据;
S2、对所述风资源气象数据进行预处理;
S3、将预处理后的风资源气象数据输入至风资源修正模型中,输出修正后的风资源气象数据。
2.如权利要求1所述的一种基于气象同化的风资源修正方法,其特征在于,所述风资源气象数据包括风速数据和风向数据。
3.如权利要求1所述的一种基于气象同化的风资源修正方法,其特征在于,所述S2具体包括:将所述风资源气象数据的格式转换为预设格式,并排除其中质量不合格的数据。
4.如权利要求2所述的一种基于气象同化的风资源修正方法,其特征在于,所述S3中,风资源修正模型通过下述步骤训练生成,包括:
分别通过激光雷达和SCADA系统获取相同时间段中的大量风资源气象数据,记作第一气象数据和第二气象数据;
分别对所述第一气象数据和第二气象数据进行预处理;
基于气象同化法对预处理后的第一气象数据进行修正;
将预处理后的第二气象数据作为输入,将修正后的对应的第一气象数据作为输出,训练生成风资源修正模型。
5.如权利要求4所述的一种基于气象同化的风资源修正方法,其特征在于,所述风资源修正模型包括风速修正模型和风向修正模型;
将预处理后的第二气象数据中的风速数据作为输入,将修正后的第一气象数据中对应的的风速数据作为输出,训练生成所述风速修正模型;
将预处理后的第二气象数据中的风向数据作为输入,将修正后的第一气象数据中对应的的风向数据作为输出,训练生成所述风向修正模型。
6.如权利要求5所述的一种基于气象同化的风资源修正方法,其特征在于,采用二阶函数算法作为所述风速修正模型或风向修正模型的算法模型,表示为:
y=w1x2+w0
其中,w0和w1均表示回归系数;x表示输入值;y表示输出值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210530620.0A CN114942956A (zh) | 2022-05-16 | 2022-05-16 | 一种基于气象同化的风资源修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210530620.0A CN114942956A (zh) | 2022-05-16 | 2022-05-16 | 一种基于气象同化的风资源修正方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114942956A true CN114942956A (zh) | 2022-08-26 |
Family
ID=82906849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210530620.0A Pending CN114942956A (zh) | 2022-05-16 | 2022-05-16 | 一种基于气象同化的风资源修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114942956A (zh) |
-
2022
- 2022-05-16 CN CN202210530620.0A patent/CN114942956A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110259646B (zh) | 一种基于历史数据的风力发电机组部件状态预警方法 | |
CN106505631B (zh) | 智能风电风功率预测系统 | |
CN113496311A (zh) | 光伏电站发电功率预测方法及系统 | |
CN109523084A (zh) | 一种基于主元分析和机器学习的风电功率超短期预测方法 | |
CN111488896B (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
CN104933483A (zh) | 一种基于天气过程划分的风电功率预测方法 | |
CN113657662B (zh) | 一种基于数据融合的降尺度风电功率预测方法 | |
CN105389634A (zh) | 一种组合式短期风电功率预测系统及方法 | |
CN105512766A (zh) | 一种风电场功率预测方法 | |
CN110601250B (zh) | 一种基于新能源电站接入点静态电压稳定性评估方法 | |
CN114169614B (zh) | 一种基于风力机尾流模型优化的风电场优化调度方法及系统 | |
CN109787295B (zh) | 一种计及风电场状态的风电功率超短期预测计算方法 | |
CN106650977A (zh) | 应用于新建风电场的短期功率预测方法 | |
CN111340307B (zh) | 预测风机风力发电功率的方法以及相关装置 | |
CN117013527A (zh) | 一种分布式光伏发电功率预测方法 | |
CN109190845B (zh) | 一种两阶段动态优化短期风电功率预测方法 | |
CN115829145A (zh) | 一种光伏发电量预测系统及方法 | |
CN110991747A (zh) | 一种计及风电场功率的短期负荷预测方法 | |
CN113610285A (zh) | 一种分散式风电的功率预测方法 | |
CN113344252A (zh) | 一种基于虚拟气象技术的风功率预测方法 | |
CN112836876A (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN116565840A (zh) | 一种用于风电场风功率预测的高精度风速软测量方法 | |
CN114942956A (zh) | 一种基于气象同化的风资源修正方法 | |
CN115898787A (zh) | 一种风电机组静态偏航误差动态识别方法及装置 | |
CN111027816B (zh) | 一种基于数据包络分析的光伏发电效率计算方法 |
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 |