CN115860248A - 风速数值同化短临预测方法及系统 - Google Patents
风速数值同化短临预测方法及系统 Download PDFInfo
- Publication number
- CN115860248A CN115860248A CN202211643067.8A CN202211643067A CN115860248A CN 115860248 A CN115860248 A CN 115860248A CN 202211643067 A CN202211643067 A CN 202211643067A CN 115860248 A CN115860248 A CN 115860248A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- prediction
- calculation
- numerical
- observation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 58
- 238000012937 correction Methods 0.000 claims abstract description 6
- 238000004590 computer program Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims 2
- 238000010248 power generation Methods 0.000 abstract description 3
- 238000007499 fusion processing Methods 0.000 abstract 1
- 241000132092 Aster Species 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008014 freezing Effects 0.000 description 2
- 238000007710 freezing Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
Landscapes
- Wind Motors (AREA)
Abstract
本发明涉及风力发电预测与控制技术领域,公开一种风速数值同化短临预测方法及系统,以结合空气动力模型,提升风速短临预测能力。方法包括:确定数值预测区域;建立数值预报模型;在开展风速校正预测计算的过程中,当第i时刻有风速观测时,将风速观测加入到极小化函数与第i时刻的计算场进行融合处理;最后根据获取的网格化风速预测,结合风电场风机的经纬度信息,建立临近值方法获取风电场风机风速预测。
Description
技术领域
本发明涉及风力发电预测与控制技术领域,尤其涉及一种风速数值同化短临预测方法及系统。
背景技术
冬季寒潮大风影响下,导致风电场风速陡然增大,降低风电机组发电预测准确性。同时风速快速变化,还影响处于冻雨或冻雾环境的风机结冰,导致出力损失,同样影响预测准确性。因此,需要提升风的预测精度。
目前,针对风的预测主要有两种方法。一是直接通过统计方法,学习历史观测风速序列,建立统计模型,对于平稳的风速预测较为准确,对于突然增大的风速,预测偏差较大。二是通过数值模式和统计,对数值模式预测结果进行修正,预测风速,但在寒潮大风环境中,模式本身偏差增大,即使通过修正,也难以弥补天气突变造成的偏差。藉此,如何将天气突变信息融入预测,是解决风速预测的关键点。
发明内容
本发明目的在于建立一个能够把观测信息实时融入到预测的计算方法及系统,以结合空气动力模型,提升风速短临预测能力。
为达上述目的,本发明公开一种风速数值同化短临预测方法,包括:
(1)确定数值预测区域
以预测风电场为中心,建立计算范围为R×R,将风电场所有风机都包括在计算范围内,计算分辨率为r×r。使用ASTER地形数据分辨率为30m×30m,建立数值模式地形数据库,并将计算区域筛选出来用于计算。
(2)建立数值预报模型
根据步骤(1)选定的预测区域,采用WRF区域模型为数值预报模式进行建模计算,模式设置辐射为A方案、对流为B方案、边界层为C方案等影响风速的物理参数化方案组合成数值模式参数计算方案组。
(3)开展风速校正预测计算
选取全球数值模式,按照步骤(1)中设置区域,选取初始场S。按照步骤(2)中设置的数值模式,用初始场S驱动数值模式开始计算,获得第i时刻风速预报值。
①当第i时刻有风速观测时,将风速观测加入到极小化函数与第i时刻的计算场进行融合,极小化函数为:
式中,x为融合后的分析场,xb为第i时刻计算场,yo为第i时刻风电场观测的风速,H是观测算子,B是背景误差协方差矩阵,R是观测误差协方差矩阵。
②当第i时刻没有观测时,则继续运行到下一时刻;直到所有预测时刻均计算完成。
(4)风机处风速计算
基于步骤(3)获取的网格化风速预测,结合风电场风机的经纬度信息,建立临近值方法获取风电场风机风速预测,计算公式为:
式中:rlat和rlon分别为风电场风机的纬度和经度(单位为度),lat和lon为网格点的纬度和经度(单位为度),d的单位为公里。计算所有网格距离风电场距离,获得距离最小的网格点,则用距离最小的网格点作为风机预测值。
为达上述目的,本发明还公开一种风速数值同化短临预测系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现上述的方法。
可选地,所述计算机程序中包括以下功能模块,具体为:
数据收集模块:用于收集所需开展风速预测的初始场和观测场数据;
预测计算模块:用于构建数值模式,并设定参数方案,用于开展预测计算;
同化计算模块:用于基于计算结果和观测数据,实现观测数据融入预测初始场中;
存储模块:用于存储计算的风速预测数值。
本发明具有以下有益效果:
当第i时刻有风速观测时,将风速观测加入到极小化函数与第i时刻的计算场进行融合,从而达到了结合空气动力模型提升风速短临预测能力的技术效果。
下面将参照附图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明优选实施例的风速数值同化短临预测系统中计算机程序的所对应数据处理方法的流程示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
实施例1
(1)确定数值预测区域
以永州某风电场为中心,建立计算范围为10km×10km,将风电场所有风机都包括在计算范围内,计算分辨率为30m×30m。使用ASTER地形数据分辨率为30m×30m,建立数值模式地形数据库,并将计算区域筛选出来用于计算。
(2)建立数值预报模型
根据步骤(1)选定的预测区域,采用WRF区域模型为数值预报模式进行建模计算,模式设置辐射为A方案、对流为B方案、边界层为C方案等影响风速的物理参数化方案组合成数值模式参数计算方案组。
(3)开展风速校正预测计算
选取全球数值模式,按照步骤(1)中设置区域,选取初始场S。按照步骤(2)中设置的数值模式,用初始场S驱动数值模式开始计算,获得第i时刻风速预报值。
①当第i时刻有风速观测时,将风速观测加入到极小化函数与第i时刻的计算场进行融合,极小化函数为:
式中,x为融合后的分析场,xb为第i时刻计算场,yo为第i时刻风电场观测的风速,H是观测算子,B是背景误差协方差矩阵,R是观测误差协方差矩阵。
②当第i时刻没有观测时,则继续运行到下一时刻。
直到所有预测未来4小时,间隔15分钟的风速值计算完成。
(4)风机处风速计算
基于步骤(3)获取的网格化风速预测,结合风电场风机的经纬度信息,建立临近值方法获取风电场风机风速预测,计算公式为:
式中:rlat和rlon分别为风电场风机的纬度和经度(单位为度),lat和lon为网格点的纬度和经度(单位为度),d的单位为公里。计算所有网格距离风电场距离,获得距离最小的网格点,则用距离最小的网格点作为风机预测值。
实施例2
本实施例公开一种风速数值同化短临预测系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,如图1所示,所述处理器执行所述计算机程序时实现下述步骤:
(1)确定数值预测区域;
(2)建立数值预报模型;具体包括:
根据步骤(1)选定的预测区域,采用WRF区域模型为数值预报模式进行建模计算,模式设置辐射为A方案、对流为B方案、边界层为C方案的影响风速的物理参数化方案组合成数值模式参数计算方案组;
(3)开展风速校正预测计算;
选取全球数值模式,按照步骤(1)中设置区域,选取初始场;按照步骤(2)中设置的数值模式,用初始场S驱动数值模式开始计算,获得第i时刻风速预报值;具体包括:
①当第i时刻有风速观测时,将风速观测加入到极小化函数与第i时刻的计算场进行融合,极小化函数为:
式中,x为融合后的分析场,xb为第i时刻计算场,yo为第i时刻风电场观测的风速,H是观测算子,B是背景误差协方差矩阵,R是观测误差协方差矩阵;
②当第i时刻没有观测时,则继续运行到下一时刻,直到所有预测时刻均计算完成;
(4)风机处风速计算;具体包括:
基于步骤(3)获取的网格化风速预测,结合风电场风机的经纬度信息,建立临近值方法获取风电场风机风速预测,计算公式为:
式中:rlat和rlon分别为风电场风机的纬度和经度,lat和lon为网格点的纬度和经度,d为距离;然后计算所有网格距离风电场距离,获得距离最小的网格点,并用距离最小的网格点作为风机预测值。
优选地,本实施例计算机程序中包括以下功能模块:
数据收集模块:用于收集所需开展风速预测的初始场和观测场数据;
预测计算模块:用于构建数值模式,并设定参数方案,用于开展预测计算;
同化计算模块:用于基于计算结果和观测数据,实现观测数据融入预测初始场中;
存储模块:用于存储计算的风速预测数值。
综上,本发明实施例公开的方法及系统,当第i时刻有风速观测时,将风速观测加入到极小化函数与第i时刻的计算场进行融合,从而达到了结合空气动力模型提升风速短临预测能力的技术效果。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种风速数值同化短临预测方法,其特征在于,包括:
(1)确定数值预测区域;
(2)建立数值预报模型;具体包括:
根据步骤(1)选定的预测区域,采用WRF区域模型为数值预报模式进行建模计算,模式设置辐射为A方案、对流为B方案、边界层为C方案的影响风速的物理参数化方案组合成数值模式参数计算方案组;
(3)开展风速校正预测计算;
选取全球数值模式,按照步骤(1)中设置区域,选取初始场;按照步骤(2)中设置的数值模式,用初始场S驱动数值模式开始计算,获得第i时刻风速预报值;具体包括:
①当第i时刻有风速观测时,将风速观测加入到极小化函数与第i时刻的计算场进行融合,极小化函数为:
式中,x为融合后的分析场,xb为第i时刻计算场,yo为第i时刻风电场观测的风速,H是观测算子,B是背景误差协方差矩阵,R是观测误差协方差矩阵;
②当第i时刻没有观测时,则继续运行到下一时刻,直到所有预测时刻均计算完成;
(4)风机处风速计算;具体包括:
基于步骤(3)获取的网格化风速预测,结合风电场风机的经纬度信息,建立临近值方法获取风电场风机风速预测,计算公式为:
式中:rlat和rlon分别为风电场风机的纬度和经度,lat和lon为网格点的纬度和经度,d为距离;然后计算所有网格距离风电场距离,获得距离最小的网格点,并用距离最小的网格点作为风机预测值。
2.一种风速数值同化短临预测系统,包括存储器、处理器以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计算机程序时实现上述权利要求1所述的方法。
3.根据权利要求2所述的系统,其特征在于,所述计算机程序中包括以下功能模块:
数据收集模块:用于收集所需开展风速预测的初始场和观测场数据;
预测计算模块:用于构建数值模式,并设定参数方案,用于开展预测计算;
同化计算模块:用于基于计算结果和观测数据,实现观测数据融入预测初始场中;
存储模块:用于存储计算的风速预测数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211643067.8A CN115860248A (zh) | 2022-12-20 | 2022-12-20 | 风速数值同化短临预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211643067.8A CN115860248A (zh) | 2022-12-20 | 2022-12-20 | 风速数值同化短临预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115860248A true CN115860248A (zh) | 2023-03-28 |
Family
ID=85674614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211643067.8A Pending CN115860248A (zh) | 2022-12-20 | 2022-12-20 | 风速数值同化短临预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115860248A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117091802A (zh) * | 2023-07-26 | 2023-11-21 | 上海勘测设计研究院有限公司 | 基于实测数据的风速湍流模型的标定方法 |
-
2022
- 2022-12-20 CN CN202211643067.8A patent/CN115860248A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117091802A (zh) * | 2023-07-26 | 2023-11-21 | 上海勘测设计研究院有限公司 | 基于实测数据的风速湍流模型的标定方法 |
CN117091802B (zh) * | 2023-07-26 | 2024-03-01 | 上海勘测设计研究院有限公司 | 基于实测数据的风速湍流模型的标定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348292B (zh) | 一种基于深度学习网络的短期风电功率预测方法和系统 | |
CN113128793A (zh) | 一种基于多源数据融合的光伏功率组合预测方法及系统 | |
CN116822567B (zh) | 一种蒸发波导预测模型参数的优化方法 | |
CN108428017A (zh) | 基于核极限学习机分位数回归的风电功率区间预测方法 | |
CN117526274A (zh) | 极端气候下新能源功率预测方法、电子设备和存储介质 | |
CN112307672A (zh) | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 | |
WO2024066147A1 (zh) | 风力发电机组的异常预测方法和装置、存储介质 | |
CN112001090A (zh) | 一种风场数值模拟方法 | |
CN110968929A (zh) | 风电场风速的预测方法、装置及电子设备 | |
CN117874989A (zh) | 一种基于时空特征的无资料地区径流模拟预测方法及系统 | |
CN118350501A (zh) | 一种结合机器学习的洪水预警方法、装置、设备及介质 | |
CN112613633B (zh) | 风电场的气象要素预测方法和装置 | |
CN115860248A (zh) | 风速数值同化短临预测方法及系统 | |
CN110619433B (zh) | 电网暴雨数值模式参数化方案的快速选择方法及系统 | |
CN116050658A (zh) | 一种光伏功率组合预测方法、装置、设备及介质 | |
CN118735078B (zh) | 一种降尺度风资源评估方法及系统 | |
CN119758480A (zh) | 一种非对称参数化风场预警方法及系统 | |
CN119272950A (zh) | 一种光伏功率预测方法 | |
CN119202622A (zh) | 基于数值模式融合深度学习的路面温度预报方法 | |
CN116742626B (zh) | 考虑大气混沌特征的风光联合功率集合预测方法及装置 | |
CN118191976B (zh) | 一种基于swat与lstm的径流预报方法 | |
CN115795912A (zh) | 毫米波雷达数据同化覆冰预测方法及系统 | |
CN114862043A (zh) | 风电场发电功率预测方法及其系统及计算机可读存储介质 | |
CN110929808A (zh) | 舞动温度的多要素智能修正方法及系统 | |
CN117634701B (zh) | 基于区域光伏集合预报的太阳辐射短期预报方法及系统 |
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 |