CN115079307A - 一种基于多模式最优集成的风电场气象预报方法和系统 - Google Patents
一种基于多模式最优集成的风电场气象预报方法和系统 Download PDFInfo
- Publication number
- CN115079307A CN115079307A CN202210652198.6A CN202210652198A CN115079307A CN 115079307 A CN115079307 A CN 115079307A CN 202210652198 A CN202210652198 A CN 202210652198A CN 115079307 A CN115079307 A CN 115079307A
- Authority
- CN
- China
- Prior art keywords
- mode
- data
- resolution
- hour
- space
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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)
- Environmental & Geological Engineering (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Environmental Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Atmospheric Sciences (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种基于多模式最优集成的风电场气象预报方法和系统。其中，方法包括：获取多种数值天气预报模式结果：数值模式名称及其时空分辨率和模式输出气象要素；统一选取中国区域，对数值模式的时空分辨率进行时空降尺度；对时空降尺度后的数值天气预报模式的历史数据和历史观测数据进行数据清洗；在数据清洗后的数据中选取对风力发电影响较大的气象要素，进行特征因子构造，并选取特征因子；应用所述选取特征因子，采用多模式多算法超级集成方法，得到风电场气象预报。本发明具有使用测风数据校正的多模式最优集成预报数据，使预报结果更贴近实际观测结果。
Description
技术领域
本发明属于风电场气象预报领域，尤其涉及一种基于多模式最优集成的风电场气象预报方法和系统。
背景技术
通过对国内外论文、学术会议、科技文献、专利等等数据库的检索发现：现阶段用于风电功率预测的气象预报数据多为由全球数值模式作为背景场驱动中尺度模式计算直接得到的数据，仅能满足精细化的要求，准确性有待提高。其原因主要是：一、数值天气预报模式由于资料同化技术的不确定性、模式物理参数化方案的不完备性等因素，模式直接输出的气象要素预报存在一定的误差；二、由于不同数值模式的动力框架和预报初始场差异，每个模式对不同区域、不同气象要素的模拟能力存在较大差异。
基于多个数值模式的集成预报可以有效消除单个模式确定性预报的误差。目前常见的多模式集成方法包括简单集合平均、超级集合、消除偏差集合平均和偏最小二乘回归法等。近些年更多的工作利用机器学习方法对数值预报结果进行后处理，取得了相比传统统计方法更好的预报结果。研究表明，多模式集成方法与机器学习算法相结合，对气象要素预报效果有进一步提高，优于单个成员模式和单个算法结果。门晓磊等利用随机森林、岭回归和深度学习对欧洲中期天气预报中心制作的华北地区逐日地面2m气温预报进行多模式集合预报订正，结果表明机器学习订正方法优于单个模式及传统的多模式平均的结果。智协飞等利用浅层神经网络、长短期记忆神经网络和自然梯度提升等机器学习方法与传统多模式集成预报方法进行对比，发现长短期记忆神经网络方法对于较长预报时效的改进效果更好，在业务应用中能更好的提高气象服务水平。
现有技术缺点：在风电功率预测中，直接使用由单一大气模式计算得到的气象预报数据，或未经过实测数据校正的多模式集成预报数据，与实际观测结果存在较大偏差。
发明内容
为解决上述技术问题，本发明提出一种基于多模式最优集成的风电场气象预报方法的技术方案，以解决上述技术问题。
本发明第一方面公开了一种基于多模式最优集成的风电场气象预报方法，所述方法包括：
步骤S1、获取多种数值天气预报模式结果：数值模式名称及其时空分辨率和模式输出气象要素；
步骤S2、统一选取中国区域，对数值模式的时空分辨率进行时空降尺度；
步骤S3、对时空降尺度后的数值天气预报模式的历史数据和历史观测数据进行数据清洗；
步骤S4、在数据清洗后的数据中选取对风力发电影响较大的气象要素，进行特征因子构造，并选取特征因子；
步骤S5、应用所述选取特征因子，采用多模式多算法超级集成方法，得到风电场气象预报。
根据本发明第一方面的方法，在所述步骤S1中，所述数值模式名称及其时空分辨率包括：
ECMWF-IFS模式，0.1°网格，逐3小时分辨率；
NCEP-GFS模式，0.25°网格，逐1小时分辨率；
CMA-GFS模式，0.25°网格，逐3小时分辨率；
JMA-GSM模式，0.25°网格，逐3小时分辨率；
CMA-BJ模式，0.03°网格，逐1小时分辨率；
CMA-MESO模式，0.03°网格，逐1小时分辨率；
ECMWF-ENS集合预报，0.5°网格，逐3小时分辨率；
NCEP-GEFS集合预报，0.5°网格，逐1小时分辨率。
根据本发明第一方面的方法，在所述步骤S1中，所述模式输出气象要素包括：
10米经向风、10米纬向风、80米经向风、80米纬向风、100米经向风、100米纬向风、2米气温、80米气温、100米气温、地表相对湿度、地表气压、不同气压层的经向风、纬向风、相对湿度、气温和气压。
根据本发明第一方面的方法，在所述步骤S2中，所述对数值模式的时空分辨率进行时空降尺度的方法包括：
采用双线性插值、反距离加权插值和克里金插值方法，针对不同气象要素选取不同插值方法将各模式水平分辨率分别降尺度到0.03°网格；
采用线性插值、三次样条插值和埃特金逐步线性插值方法，不同的气象要素选取不同的插值方法将各模式时间分辨率分别降尺度到15分钟；
基于气压层和地表层数据，考虑高程DEM，采用指数垂直插值方法，得到各模式不同轮毂高度的气象要素的预报。
根据本发明第一方面的方法，在所述步骤S4中，所述特征因子构造的方法包括：
根据降尺度后的时间和空间分辨率选取10米高度风速ws_10、50米高度风速ws_50、80米高度风速ws_80、100米高度风速ws_100、10米高度风向wd_10、50米高度风向wd_50、80米高度风向wd_80、100米高度风向wd_100、温度Temp、湿度Humi和气压Pa，通过计算风速的平方、三次方、风速的水平切变、风速的垂直切变、风速与风向的乘积、散度、旋度、温度平流构造特征因子集合，并将所有特征因子进行无量纲化预处理。
根据本发明第一方面的方法，在所述步骤S4中，所述选取特征因子的方法包括：
在无量纲化预处理后的特征因子集合中，通过区域的特征因子的10年的年平均值计算特征因子的偏差，将代表性较差消耗计算资源、特征相关度较高对预测结果有负面影响的特征因子过滤。
根据本发明第一方面的方法，所述多模式多算法超级集成方法包括：
分变量分区域多模式集成：对于未获取历史气象数据的新能源场站，根据其他场站历史数据得到的不同气象变量在不同区域的权重，直接进行多模式集成；
结合多种机器学习算法订正的多模式集成：对于获取足够历史气象数据的新能源场站，采用随机森林、梯度提升树、复卡尔曼滤波和深度学习机器学习方法，结合多模式历史数据不同气象要素采用不同的机器学习算法进行集成；
动态集成：在满足实时采集观测数据的新能源场站，进行动态集成；即用最新的观测数据建模，动态更新多模式集成权重。
本发明第二方面公开了一种基于多模式最优集成的风电场气象预报系统，所述系统包括：
第一处理模块，被配置为，获取多种数值天气预报模式结果：数值模式名称及其时空分辨率和模式输出气象要素；
第二处理模块，被配置为，统一选取中国区域，对数值模式的时空分辨率进行时空降尺度；
第三处理模块，被配置为，对时空降尺度后的数值天气预报模式的历史数据和历史观测数据进行数据清洗；
第四处理模块，被配置为，在数据清洗后的数据中选取对风力发电影响较大的气象要素，进行特征因子构造，并选取特征因子；
第五处理模块，被配置为，应用所述选取特征因子，采用多模式多算法超级集成方法，得到风电场气象预报。
根据本发明第二方面的系统，所述第一处理模块，被配置为，所述数值模式名称及其时空分辨率包括：
ECMWF-IFS模式，0.1°网格，逐3小时分辨率；
NCEP-GFS模式，0.25°网格，逐1小时分辨率；
CMA-GFS模式，0.25°网格，逐3小时分辨率；
JMA-GSM模式，0.25°网格，逐3小时分辨率；
CMA-BJ模式，0.03°网格，逐1小时分辨率；
CMA-MESO模式，0.03°网格，逐1小时分辨率；
ECMWF-ENS集合预报，0.5°网格，逐3小时分辨率；
NCEP-GEFS集合预报，0.5°网格，逐1小时分辨率。
根据本发明第二方面的系统，所述第一处理模块，被配置为，所述模式输出气象要素包括：
10米经向风、10米纬向风、80米经向风、80米纬向风、100米经向风、100米纬向风、2米气温、80米气温、100米气温、地表相对湿度、地表气压、不同气压层的经向风、纬向风、相对湿度、气温和气压。
根据本发明第二方面的系统，所述第二处理模块，被配置为，所述对数值模式的时空分辨率进行时空降尺度包括：
采用双线性插值、反距离加权插值和克里金插值方法，针对不同气象要素选取不同插值方法将各模式水平分辨率分别降尺度到0.03°网格；
采用线性插值、三次样条插值和埃特金逐步线性插值方法，不同的气象要素选取不同的插值方法将各模式时间分辨率分别降尺度到15分钟；
基于气压层和地表层数据，考虑高程DEM，采用指数垂直插值方法，得到各模式不同轮毂高度的气象要素的预报。
根据本发明第二方面的系统，所述第四处理模块，被配置为，所述特征因子构造包括：
根据降尺度后的时间和空间分辨率选取10米高度风速ws_10、50米高度风速ws_50、80米高度风速ws_80、100米高度风速ws_100、10米高度风向wd_10、50米高度风向wd_50、80米高度风向wd_80、100米高度风向wd_100、温度Temp、湿度Humi和气压Pa，通过计算风速的平方、三次方、风速的水平切变、风速的垂直切变、风速与风向的乘积、散度、旋度、温度平流构造特征因子集合，并将所有特征因子进行无量纲化预处理。
根据本发明第二方面的系统，所述第四处理模块，被配置为，所述选取特征因子包括：
在无量纲化预处理后的特征因子集合中，通过区域的特征因子的10年的年平均值计算特征因子的偏差，将代表性较差消耗计算资源、特征相关度较高对预测结果有负面影响的特征因子过滤。
根据本发明第二方面的系统，所述第五处理模块，被配置为，所述多模式多算法超级集成包括：
分变量分区域多模式集成：对于未获取历史气象数据的新能源场站，根据其他场站历史数据得到的不同气象变量在不同区域的权重，直接进行多模式集成；
结合多种机器学习算法订正的多模式集成：对于获取足够历史气象数据的新能源场站，采用随机森林、梯度提升树、复卡尔曼滤波和深度学习机器学习方法，结合多模式历史数据不同气象要素采用不同的机器学习算法进行集成；
动态集成：在满足实时采集观测数据的新能源场站，进行动态集成；即用最新的观测数据建模，动态更新多模式集成权重。
本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本公开第一方面中任一项的一种基于多模式最优集成的风电场气象预报方法中的步骤。
本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现本公开第一方面中任一项的一种基于多模式最优集成的风电场气象预报方法中的步骤。
本发明提出的方案，使用测风数据校正的多模式最优集成预报数据，使预报结果更贴近实际观测结果。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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，还可以根据这些附图获得其他的附图。
图1为根据本发明实施例的一种基于多模式最优集成的风电场气象预报方法的流程图；
图2为根据本发明实施例的双线性插值法示意图；
图3为根据本发明实施例的一种基于多模式最优集成的风电场气象预报系统的结构图；
图4为根据本发明实施例的一种电子设备的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明第一方面公开了一种基于多模式最优集成的风电场气象预报方法。图1为根据本发明实施例的一种基于多模式最优集成的风电场气象预报方法的流程图，如图1所示，所述方法包括：
步骤S1、获取多种数值天气预报模式结果：数值模式名称及其时空分辨率和模式输出气象要素；
步骤S2、统一选取中国区域，对数值模式的时空分辨率进行时空降尺度；
步骤S3、对时空降尺度后的数值天气预报模式的历史数据和历史观测数据进行数据清洗；
步骤S4、在数据清洗后的数据中选取对风力发电影响较大的气象要素，进行特征因子构造，并选取特征因子；
步骤S5、应用所述选取特征因子，采用多模式多算法超级集成方法，得到风电场气象预报。
在步骤S1，获取多种数值天气预报模式结果：数值模式名称及其时空分辨率和模式输出气象要素。
在一些实施例中，在所述步骤S1中，所述数值模式名称及其时空分辨率包括：
ECMWF-IFS模式，0.1°网格，逐3小时分辨率；
NCEP-GFS模式，0.25°网格，逐1小时分辨率；
CMA-GFS模式，0.25°网格，逐3小时分辨率；
JMA-GSM模式，0.25°网格，逐3小时分辨率；
CMA-BJ模式，0.03°网格，逐1小时分辨率；
CMA-MESO模式，0.03°网格，逐1小时分辨率；
ECMWF-ENS集合预报，0.5°网格，逐3小时分辨率；
NCEP-GEFS集合预报，0.5°网格，逐1小时分辨率。
所述模式输出气象要素包括：
10米经向风、10米纬向风、80米经向风、80米纬向风、100米经向风、100米纬向风、2米气温、80米气温、100米气温、地表相对湿度、地表气压、不同气压层的经向风、纬向风、相对湿度、气温和气压。
在步骤S2，统一选取中国区域，对数值模式的时空分辨率进行时空降尺度。
在一些实施例中，在所述步骤S2中，所述对数值模式的时空分辨率进行时空降尺度的方法包括：
采用双线性插值、反距离加权插值和克里金插值方法，针对不同气象要素选取不同插值方法将各模式水平分辨率分别降尺度到0.03°网格；
采用线性插值、三次样条插值和埃特金逐步线性插值方法，不同的气象要素选取不同的插值方法将各模式时间分辨率分别降尺度到15分钟；
基于气压层和地表层数据，考虑高程DEM，采用指数垂直插值方法，得到各模式不同轮毂高度的气象要素的预报。
具体地，采用双线性插值、反距离加权插值和克里金插值方法，针对不同气象要素选取不同插值方法将各模式水平分辨率分别降尺度到0.03°网格；双线性插值方法核心思想是在经度和纬度两个方向分别进行一次线性插值；如图2所示，原理是使用邻近4个格点的值，按照其距目标点的距离赋予相应的权重进行线性插值。先在经度lon方向的插值为：
在纬度lat方向的线性插值获得点Q的值
反距离权重插值是按照目标站点与已有网格点间的距离反比分配权重，距离较近的数据点权重较高，距离较远的数据点分配的权重较小；
克里金插值是一种经常使用的地理统计的插值方法，主要考虑了地形高度的影响，根据变异函数的特性，选取适当的变异理论函数。
采用线性插值、三次样条插值和埃特金逐步线性插值方法，不同的气象要素选取不同的插值方法将各模式时间分辨率分别降尺度到15分钟；三次样条插值方法构造三次样条函数如下公式(4)：
y＝ai+bix+cix2+dix3 (4)
向前采集3个时间点以及当前研究时间点共计4个原始预报数据集采样点，滚动求解三次方程(4)等号右边4个待定系数；根究方程(4)插值计算当前研究时间点至前一个原始预报数据集采样时间点之间逐15分钟的气象参数值。
埃特金逐步线性插值是以线性插值为基础，通过逐步增加插值阶数，减小插值误差，可以将高阶插值过程简化为线性插值的多次迭代，利用低阶线性组合实现高阶解。
基于气压层和地表层数据，考虑高程DEM，采用指数垂直插值方法，得到各模式不同轮毂高度的气象要素的预报；采用拉格朗日插值公式(5)计算轮毂高度的气象要素的插值，选取轮毂高度附近的高度数据进行内插：
在步骤S3，对时空降尺度后的数值天气预报模式的历史数据和历史观测数据进行数据清洗。
具体地，对模式预报的历史数据和历史观测数据进行质控，提高数据质量，包括但不限于气候学边界检查、要素异常检查、内部一致性检查、时间一致性检查和缺失值填充或丢弃处理等。
在步骤S4，在数据清洗后的数据中选取对风力发电影响较大的气象要素，进行特征因子构造，并选取特征因子。
在一些实施例中，在所述步骤S4中，所述特征因子构造的方法包括：
根据降尺度后的时间和空间分辨率选取10米高度风速ws_10、50米高度风速ws_50、80米高度风速ws_80、100米高度风速ws_100、10米高度风向wd_10、50米高度风向wd_50、80米高度风向wd_80、100米高度风向wd_100、温度Temp、湿度Humi和气压Pa，通过计算风速的平方、三次方、风速的水平切变、风速的垂直切变、风速与风向的乘积、散度、旋度、温度平流构造特征因子集合，并将所有特征因子进行无量纲化预处理，降低因特征尺度不同对模型学习结果的影响。
所述选取特征因子的方法包括：
在无量纲化预处理后的特征因子集合中，通过区域的特征因子的10年的年平均值计算特征因子的偏差，将代表性较差消耗计算资源、特征相关度较高对预测结果有负面影响的特征因子过滤，选取效果较好的特征因子。
在步骤S5，应用所述选取特征因子，采用多模式多算法超级集成方法，得到风电场气象预报。
在一些实施例中，在所述步骤S5中，所述多模式多算法超级集成方法包括：
分变量分区域多模式集成：对于未获取历史气象数据的新能源场站，根据其他场站历史数据得到的不同气象变量在不同区域的权重，直接进行多模式集成。
结合多种机器学习算法订正的多模式集成：对于获取足够历史气象数据的新能源场站，采用随机森林、梯度提升树、复卡尔曼滤波和深度学习机器学习方法，结合多模式历史数据不同气象要素采用不同的机器学习算法进行集成；
动态集成：在满足实时采集观测数据的新能源场站，进行动态集成；即用最新的观测数据建模，动态更新多模式集成权重。
综上，本发明提出的方案能够使用测风数据校正的多模式最优集成预报数据，使预报结果更贴近实际观测结果。
本发明第二方面公开了一种基于多模式最优集成的风电场气象预报系统。图3为根据本发明实施例的一种基于多模式最优集成的风电场气象预报系统的结构图；如图3所示，所述系统100包括：
第一处理模块101，被配置为，获取多种数值天气预报模式结果：数值模式名称及其时空分辨率和模式输出气象要素；
第二处理模块102，被配置为，统一选取中国区域，对数值模式的时空分辨率进行时空降尺度；
第三处理模块103，被配置为，对时空降尺度后的数值天气预报模式的历史数据和历史观测数据进行数据清洗；
第四处理模块104，被配置为，在数据清洗后的数据中选取对风力发电影响较大的气象要素，进行特征因子构造，并选取特征因子；
第五处理模块105，被配置为，应用所述选取特征因子，采用多模式多算法超级集成方法，得到风电场气象预报。
根据本发明第二方面的系统，所述第一处理模块101，被配置为，所述数值模式名称及其时空分辨率包括：
ECMWF-IFS模式，0.1°网格，逐3小时分辨率；
NCEP-GFS模式，0.25°网格，逐1小时分辨率；
CMA-GFS模式，0.25°网格，逐3小时分辨率；
JMA-GSM模式，0.25°网格，逐3小时分辨率；
CMA-BJ模式，0.03°网格，逐1小时分辨率；
CMA-MESO模式，0.03°网格，逐1小时分辨率；
ECMWF-ENS集合预报，0.5°网格，逐3小时分辨率；
NCEP-GEFS集合预报，0.5°网格，逐1小时分辨率。
根据本发明第二方面的系统，所述第一处理模块101，被配置为，所述模式输出气象要素包括：
10米经向风、10米纬向风、80米经向风、80米纬向风、100米经向风、100米纬向风、2米气温、80米气温、100米气温、地表相对湿度、地表气压、不同气压层的经向风、纬向风、相对湿度、气温和气压。
根据本发明第二方面的系统，所述第二处理模块102，被配置为，所述对数值模式的时空分辨率进行时空降尺度包括：
采用双线性插值、反距离加权插值和克里金插值方法，针对不同气象要素选取不同插值方法将各模式水平分辨率分别降尺度到0.03°网格；
采用线性插值、三次样条插值和埃特金逐步线性插值方法，不同的气象要素选取不同的插值方法将各模式时间分辨率分别降尺度到15分钟；
基于气压层和地表层数据，考虑高程DEM，采用指数垂直插值方法，得到各模式不同轮毂高度的气象要素的预报。
根据本发明第二方面的系统，所述第四处理模块104，被配置为，所述特征因子构造包括：
根据降尺度后的时间和空间分辨率选取10米高度风速ws_10、50米高度风速ws_50、80米高度风速ws_80、100米高度风速ws_100、10米高度风向wd_10、50米高度风向wd_50、80米高度风向wd_80、100米高度风向wd_100、温度Temp、湿度Humi和气压Pa，通过计算风速的平方、三次方、风速的水平切变、风速的垂直切变、风速与风向的乘积、散度、旋度、温度平流构造特征因子集合，并将所有特征因子进行无量纲化预处理。
根据本发明第二方面的系统，所述第四处理模块104，被配置为，所述选取特征因子包括：
在无量纲化预处理后的特征因子集合中，通过区域的特征因子的10年的年平均值计算特征因子的偏差，将代表性较差消耗计算资源、特征相关度较高对预测结果有负面影响的特征因子过滤。
根据本发明第二方面的系统，所述第五处理模块104，被配置为，所述多模式多算法超级集成包括：
分变量分区域多模式集成：对于未获取历史气象数据的新能源场站，根据其他场站历史数据得到的不同气象变量在不同区域的权重，直接进行多模式集成；
结合多种机器学习算法订正的多模式集成：对于获取足够历史气象数据的新能源场站，采用随机森林、梯度提升树、复卡尔曼滤波和深度学习机器学习方法，结合多模式历史数据不同气象要素采用不同的机器学习算法进行集成；
动态集成：在满足实时采集观测数据的新能源场站，进行动态集成；即用最新的观测数据建模，动态更新多模式集成权重。
本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本发明公开第一方面中任一项的一种基于多模式最优集成的风电场气象预报方法中的步骤。
图4为根据本发明实施例的一种电子设备的结构图，如图4所示，电子设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、近场通信(NFC)或其他技术实现。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本公开的技术方案相关的部分的结构图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现本发明公开第一方面中任一项的一种基于多模式最优集成的风电场气象预报方法中的步骤中的步骤。
请注意，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于多模式最优集成的风电场气象预报方法，其特征在于，所述方法包括：
步骤S1、获取多种数值天气预报模式结果：数值模式名称及其时空分辨率和模式输出气象要素；
步骤S2、统一选取中国区域，对数值模式的时空分辨率进行时空降尺度；
步骤S3、对时空降尺度后的数值天气预报模式的历史数据和历史观测数据进行数据清洗；
步骤S4、在数据清洗后的数据中选取对风力发电影响较大的气象要素，进行特征因子构造，并选取特征因子；
步骤S5、应用所述选取特征因子，采用多模式多算法超级集成方法，得到风电场气象预报。
2.根据权利要求1所述的一种基于多模式最优集成的风电场气象预报方法，其特征在于，在所述步骤S1中，所述数值模式名称及其时空分辨率包括：
ECMWF-IFS模式，0.1°网格，逐3小时分辨率；
NCEP-GFS模式，0.25°网格，逐1小时分辨率；
CMA-GFS模式，0.25°网格，逐3小时分辨率；
JMA-GSM模式，0.25°网格，逐3小时分辨率；
CMA-BJ模式，0.03°网格，逐1小时分辨率；
CMA-MESO模式，0.03°网格，逐1小时分辨率；
ECMWF-ENS集合预报，0.5°网格，逐3小时分辨率；
NCEP-GEFS集合预报，0.5°网格，逐1小时分辨率。
3.根据权利要求2所述的一种基于多模式最优集成的风电场气象预报方法，其特征在于，在所述步骤S1中，所述模式输出气象要素包括：
10米经向风、10米纬向风、80米经向风、80米纬向风、100米经向风、100米纬向风、2米气温、80米气温、100米气温、地表相对湿度、地表气压、不同气压层的经向风、纬向风、相对湿度、气温和气压。
4.根据权利要求1所述的一种基于多模式最优集成的风电场气象预报方法，其特征在于，在所述步骤S2中，所述对数值模式的时空分辨率进行时空降尺度的方法包括：
采用双线性插值、反距离加权插值和克里金插值方法，针对不同气象要素选取不同插值方法将各模式水平分辨率分别降尺度到0.03°网格；
采用线性插值、三次样条插值和埃特金逐步线性插值方法，不同的气象要素选取不同的插值方法将各模式时间分辨率分别降尺度到15分钟；
基于气压层和地表层数据，考虑高程DEM，采用指数垂直插值方法，得到各模式不同轮毂高度的气象要素的预报。
5.根据权利要求1所述的一种基于多模式最优集成的风电场气象预报方法，其特征在于，在所述步骤S4中，所述特征因子构造的方法包括：
根据降尺度后的时间和空间分辨率选取10米高度风速ws_10、50米高度风速ws_50、80米高度风速ws_80、100米高度风速ws_100、10米高度风向wd_10、50米高度风向wd_50、80米高度风向wd_80、100米高度风向wd_100、温度Temp、湿度Humi和气压Pa，通过计算风速的平方、三次方、风速的水平切变、风速的垂直切变、风速与风向的乘积、散度、旋度、温度平流构造特征因子集合，并将所有特征因子进行无量纲化预处理。
6.根据权利要求5所述的一种基于多模式最优集成的风电场气象预报方法，其特征在于，在所述步骤S4中，所述选取特征因子的方法包括：
在无量纲化预处理后的特征因子集合中，通过区域的特征因子的10年的年平均值计算特征因子的偏差，将代表性较差消耗计算资源、特征相关度较高对预测结果有负面影响的特征因子过滤。
7.根据权利要求1所述的一种基于多模式最优集成的风电场气象预报方法，其特征在于，所述多模式多算法超级集成方法包括：
分变量分区域多模式集成：对于未获取历史气象数据的新能源场站，根据其他场站历史数据得到的不同气象变量在不同区域的权重，直接进行多模式集成；
结合多种机器学习算法订正的多模式集成：对于获取足够历史气象数据的新能源场站，采用随机森林、梯度提升树、复卡尔曼滤波和深度学习机器学习方法，结合多模式历史数据不同气象要素采用不同的机器学习算法进行集成；
动态集成：在满足实时采集观测数据的新能源场站，进行动态集成；即用最新的观测数据建模，动态更新多模式集成权重。
8.一种用于基于多模式最优集成的风电场气象预报系统，其特征在于，所述系统包括：
第一处理模块，被配置为，获取多种数值天气预报模式结果：数值模式名称及其时空分辨率和模式输出气象要素；
第二处理模块，被配置为，统一选取中国区域，对数值模式的时空分辨率进行时空降尺度；
第三处理模块，被配置为，对时空降尺度后的数值天气预报模式的历史数据和历史观测数据进行数据清洗；
第四处理模块，被配置为，在数据清洗后的数据中选取对风力发电影响较大的气象要素，进行特征因子构造，并选取特征因子；
第五处理模块，被配置为，应用所述选取特征因子，采用多模式多算法超级集成方法，得到风电场气象预报。
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时，实现权利要求1至7中任一项所述的一种基于多模式最优集成的风电场气象预报方法中的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1至7中任一项所述的一种基于多模式最优集成的风电场气象预报方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210652198.6A CN115079307B (zh) | 2022-06-09 | 2022-06-09 | 一种基于多模式最优集成的风电场气象预报方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210652198.6A CN115079307B (zh) | 2022-06-09 | 2022-06-09 | 一种基于多模式最优集成的风电场气象预报方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115079307A true CN115079307A (zh) | 2022-09-20 |
| CN115079307B CN115079307B (zh) | 2023-07-25 |
Family
ID=83251999
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210652198.6A Active CN115079307B (zh) | 2022-06-09 | 2022-06-09 | 一种基于多模式最优集成的风电场气象预报方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115079307B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116186493A (zh) * | 2023-04-24 | 2023-05-30 | 航天宏图信息技术股份有限公司 | 基于数值模式校正的气象预报方法、装置、设备和介质 |
| CN117369025A (zh) * | 2023-11-20 | 2024-01-09 | 海南国际商业航天发射有限公司 | 一种高空风预报方法、装置、设备及存储介质 |
| CN117526274A (zh) * | 2023-09-28 | 2024-02-06 | 广西电网有限责任公司 | 极端气候下新能源功率预测方法、电子设备和存储介质 |
| CN118068453A (zh) * | 2024-03-15 | 2024-05-24 | 国家气象中心(中央气象台) | 基于多源预报产品的大释用短期降水预报方法和系统 |
| CN118115008A (zh) * | 2024-04-19 | 2024-05-31 | 三峡电能有限公司 | 基于风、光、水集成控制的智慧能源管理方法及平台 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6535817B1 (en) * | 1999-11-10 | 2003-03-18 | The Florida State Research Foundation | Methods, systems and computer program products for generating weather forecasts from a multi-model superensemble |
| US20140336934A1 (en) * | 2013-05-07 | 2014-11-13 | Atomic Energy Council - Institute Of Nuclear Energy Research | Ensemble wind power forecasting platform system and operational method thereof |
| CN105576650A (zh) * | 2015-12-29 | 2016-05-11 | 北京国能日新系统控制技术有限公司 | 基于同化技术与同风带理论的风电功率预测方法及系统 |
| US20170083823A1 (en) * | 2015-09-22 | 2017-03-23 | San Diego State University Research Foundation | Spectral Optimal Gridding: An Improved Multivariate Regression Analyses and Sampling Error Estimation |
| US20170102683A1 (en) * | 2015-10-12 | 2017-04-13 | International Business Machines Corporation | Automated energy load forecaster |
| US20180188417A1 (en) * | 2017-01-03 | 2018-07-05 | UBIMET GmbH | Method for increasing the spatial resolution of a weather forecast |
| CN109726867A (zh) * | 2018-12-27 | 2019-05-07 | 北京恒泰实达科技股份有限公司 | 一种基于多模式集合的高分辨率电力气象预报方法 |
| CN110288856A (zh) * | 2019-06-21 | 2019-09-27 | 中国民用航空总局第二研究所 | 基于风的精细化预报的航班动态监控系统及方法 |
| CN111007582A (zh) * | 2019-12-25 | 2020-04-14 | 象辑知源（武汉）科技有限公司 | 一种适用于多要素的高分辨率集合预报系统 |
| US20200309099A1 (en) * | 2017-03-24 | 2020-10-01 | Xinjiang Goldwind Science & Technology Co., Ltd. | Method and device for predicting wind turbine fault |
| CN111929748A (zh) * | 2020-09-17 | 2020-11-13 | 南京浦蓝大气环境研究院有限公司 | 一种气象要素预报方法和系统 |
| US20200372349A1 (en) * | 2019-05-20 | 2020-11-26 | ClimateAI, Inc. | Systems and methods of data preprocessing and augmentation for neural network climate forecasting models |
| CN112859202A (zh) * | 2020-12-30 | 2021-05-28 | 固安县朔程燃气有限公司 | 一种气温预报的方法和设备 |
| KR20210077474A (ko) * | 2019-12-17 | 2021-06-25 | 세종대학교산학협력단 | 태양광 발전량 예측 장치 및 그 방법 |
| CN113627685A (zh) * | 2021-09-02 | 2021-11-09 | 国电和风风电开发有限公司 | 一种考虑风电上网负荷限制的风力发电机功率预测方法 |
| CN114548824A (zh) * | 2022-03-17 | 2022-05-27 | 中能融合智慧科技有限公司 | 一种校正风资源栅格数据的时空耦合方法和系统 |
-
2022
- 2022-06-09 CN CN202210652198.6A patent/CN115079307B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6535817B1 (en) * | 1999-11-10 | 2003-03-18 | The Florida State Research Foundation | Methods, systems and computer program products for generating weather forecasts from a multi-model superensemble |
| US20140336934A1 (en) * | 2013-05-07 | 2014-11-13 | Atomic Energy Council - Institute Of Nuclear Energy Research | Ensemble wind power forecasting platform system and operational method thereof |
| US20170083823A1 (en) * | 2015-09-22 | 2017-03-23 | San Diego State University Research Foundation | Spectral Optimal Gridding: An Improved Multivariate Regression Analyses and Sampling Error Estimation |
| US20170102683A1 (en) * | 2015-10-12 | 2017-04-13 | International Business Machines Corporation | Automated energy load forecaster |
| CN105576650A (zh) * | 2015-12-29 | 2016-05-11 | 北京国能日新系统控制技术有限公司 | 基于同化技术与同风带理论的风电功率预测方法及系统 |
| US20180188417A1 (en) * | 2017-01-03 | 2018-07-05 | UBIMET GmbH | Method for increasing the spatial resolution of a weather forecast |
| US20200309099A1 (en) * | 2017-03-24 | 2020-10-01 | Xinjiang Goldwind Science & Technology Co., Ltd. | Method and device for predicting wind turbine fault |
| CN109726867A (zh) * | 2018-12-27 | 2019-05-07 | 北京恒泰实达科技股份有限公司 | 一种基于多模式集合的高分辨率电力气象预报方法 |
| US20200372349A1 (en) * | 2019-05-20 | 2020-11-26 | ClimateAI, Inc. | Systems and methods of data preprocessing and augmentation for neural network climate forecasting models |
| CN110288856A (zh) * | 2019-06-21 | 2019-09-27 | 中国民用航空总局第二研究所 | 基于风的精细化预报的航班动态监控系统及方法 |
| KR20210077474A (ko) * | 2019-12-17 | 2021-06-25 | 세종대학교산학협력단 | 태양광 발전량 예측 장치 및 그 방법 |
| CN111007582A (zh) * | 2019-12-25 | 2020-04-14 | 象辑知源（武汉）科技有限公司 | 一种适用于多要素的高分辨率集合预报系统 |
| CN111929748A (zh) * | 2020-09-17 | 2020-11-13 | 南京浦蓝大气环境研究院有限公司 | 一种气象要素预报方法和系统 |
| CN112859202A (zh) * | 2020-12-30 | 2021-05-28 | 固安县朔程燃气有限公司 | 一种气温预报的方法和设备 |
| CN113627685A (zh) * | 2021-09-02 | 2021-11-09 | 国电和风风电开发有限公司 | 一种考虑风电上网负荷限制的风力发电机功率预测方法 |
| CN114548824A (zh) * | 2022-03-17 | 2022-05-27 | 中能融合智慧科技有限公司 | 一种校正风资源栅格数据的时空耦合方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| GANG LUO: ""Multi-mode integrated method based on CART and its application in wind speed prediction"", 《PROCEEDINGS OF SPIE》 * |
| 王铮: ""基于加权系数动态修正的短期风电功率 组合预测方法"", 《电网技术》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116186493A (zh) * | 2023-04-24 | 2023-05-30 | 航天宏图信息技术股份有限公司 | 基于数值模式校正的气象预报方法、装置、设备和介质 |
| CN117526274A (zh) * | 2023-09-28 | 2024-02-06 | 广西电网有限责任公司 | 极端气候下新能源功率预测方法、电子设备和存储介质 |
| CN117369025A (zh) * | 2023-11-20 | 2024-01-09 | 海南国际商业航天发射有限公司 | 一种高空风预报方法、装置、设备及存储介质 |
| CN117369025B (zh) * | 2023-11-20 | 2024-04-19 | 海南国际商业航天发射有限公司 | 一种高空风预报方法、装置、设备及存储介质 |
| CN118068453A (zh) * | 2024-03-15 | 2024-05-24 | 国家气象中心(中央气象台) | 基于多源预报产品的大释用短期降水预报方法和系统 |
| CN118115008A (zh) * | 2024-04-19 | 2024-05-31 | 三峡电能有限公司 | 基于风、光、水集成控制的智慧能源管理方法及平台 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115079307B (zh) | 2023-07-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115079307B (zh) | 一种基于多模式最优集成的风电场气象预报方法和系统 | |
| Lussana et al. | seNorge_2018, daily precipitation, and temperature datasets over Norway | |
| US10215162B2 (en) | Forecasting output power of wind turbine in wind farm | |
| CN113344291B (zh) | 城市内涝淹没范围的预报方法、装置、介质和设备 | |
| 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 | |
| CN112102432B (zh) | 空气质量垂直分布图绘制方法、装置及存储介质 | |
| CN113888386B (zh) | 一种高分辨率的时空无缝地表土壤水分估算方法及系统 | |
| Weekes et al. | Long-term wind resource assessment for small and medium-scale turbines using operational forecast data and measure–correlate–predict | |
| CN116224473B (zh) | 一种风速预报方法、模型训练方法、装置和存储介质 | |
| CN114462518A (zh) | 考虑多要素空间依赖性的区域蒸散发变化归因分析方法 | |
| CN112585505A (zh) | 确定用于农学决策支持的位置特定的天气信息 | |
| CN112100922A (zh) | 一种基于wrf和cnn卷积神经网络的风资源预测方法 | |
| CN114205831B (zh) | 一种优化方案的确定方法、装置、存储介质及设备 | |
| CN116609859A (zh) | 一种气象灾害高分辨率区域模式预报系统及方法 | |
| CN115329667A (zh) | 一种风机点位确定方法、装置、设备及存储介质 | |
| CN115048790A (zh) | 一种风功率预测快速降尺度的方法和系统 | |
| CN114819264A (zh) | 一种基于时空依赖的光伏电站辐照度超短期预测方法及存储介质 | |
| CN112580844A (zh) | 气象数据处理方法、装置、设备及计算机可读存储介质 | |
| CN116523145B (zh) | 光伏功率超短期预测方法、装置、计算机设备及存储介质 | |
| CN116881624B (zh) | 复合型极端事件预报方法、装置、计算机设备和存储介质 | |
| CN115408485B (zh) | 一种基于站点集水区小样本观测的径流重建方法和系统 | |
| CN112418684A (zh) | 空中水资源时空分布规律的评估方法、装置、设备和介质 | |
| CN115936238B (zh) | 一种全域风电中长期出力预测方法、系统、设备及介质 | |
| CN114418243B (zh) | 分布式新能源云端网格预测方法与系统 | |
| CN113592664B (zh) | 农作物生产空间预测模拟方法、设备、模型及存储介质 |
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 |