CN116224473A - 一种风速预报方法、模型训练方法、装置和存储介质 - Google Patents

一种风速预报方法、模型训练方法、装置和存储介质 Download PDF

Info

Publication number
CN116224473A
CN116224473A CN202310514728.5A CN202310514728A CN116224473A CN 116224473 A CN116224473 A CN 116224473A CN 202310514728 A CN202310514728 A CN 202310514728A CN 116224473 A CN116224473 A CN 116224473A
Authority
CN
China
Prior art keywords
data
wind speed
aerosol
forecast
model
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
Application number
CN202310514728.5A
Other languages
English (en)
Other versions
CN116224473B (zh
Inventor
田伟
段再超
李润
刘鲁宁
钱志国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing East Environment Energy Technology Co ltd
Original Assignee
Beijing East Environment Energy Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing East Environment Energy Technology Co ltd filed Critical Beijing East Environment Energy Technology Co ltd
Priority to CN202310514728.5A priority Critical patent/CN116224473B/zh
Publication of CN116224473A publication Critical patent/CN116224473A/zh
Application granted granted Critical
Publication of CN116224473B publication Critical patent/CN116224473B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Environmental Sciences (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Ecology (AREA)
  • Atmospheric Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Wind Motors (AREA)

Abstract

本申请实施例提供一种风速预报方法、模型训练方法、装置和存储介质，属于风力发电技术领域，方法包括：获取测风塔的风速观测数据、风速预报数据和气溶胶参数数据；将风速观测数据和气溶胶参数数据输入第一同化模型，得到风机实际风速修正数据，第一同化模型为由测风塔的历史风速观测数据、历史风速预报数据、历史风机风速数据和历史气溶胶参数数据进行多元线性回归拟合得到；将风速预报数据和气溶胶参数数据输入气溶胶修正模型，得到预报风速修正数据，气溶胶修正模型由历史气溶胶参数数据和风速预报数据训练确定；将风机实际风速修正数据、预报风速修正数据输入第二同化模型，得到风场风速预测数据，以实现风速的准确预报。

Description

一种风速预报方法、模型训练方法、装置和存储介质
技术领域
本发明涉及风力发电技术领域，具体涉及一种风速预报方法、模型训练方法、装置和存储介质。
背景技术
风能是空气流动所产生的动能，是太阳能的一种转化形式；由于太阳辐射造成地球表面各部分受热不均匀，引起大气层中压力分布不平衡，在水平气压梯度的作用下，空气沿水平方向运动形成风；风能资源的总储量非常大，但它的能量密度低，并且不稳定；在风力发电中，风功率预测是提高大规模风电接入电力系统效率的关键基础，而风速又是风功率预测的决定性因素。
针对风速的预测，往往采用基于气象研究和预报(Weather Research andForecasting,WRF)的确定风速的传统方法；上述方法，采用由全球预测系统(GlobalForecast Systems，GFS)提供预报数据，采用天气研究和预报(Weather Research andForecasting,WRF)模式的预测背景场确定初始条件和边界条件，进行再积分得到天气预报结果；即，通过GFS提供的预报产品对风速进行预报；但是，该预报方法在预报时未考虑预报产品数据与风场本地数据的误差，不能准确地确定风场的大气初始状态，存在风速预报不准确的问题。
因此，目前亟需提出一种风速预报方法，以解决相关技术中的风速预报方法存在的预测风速不准确的问题。
发明内容
本申请实施例提供一种风速预报方法、模型训练方法、装置和存储介质，以解决相关技术中的风速预报方法存在的预测风速不准确的问题。
根据本申请的一个方面，提供一种风速预报方法，所述风速预报方法包括：获取测风塔的风速观测数据、风速预报数据和气溶胶参数数据；将所述风速观测数据输入第一同化模型，得到风机实际风速修正数据，所述第一同化模型为由测风塔的历史风速观测数据、历史风速预报数据、历史风机风速数据和历史气溶胶参数数据进行多元线性回归拟合得到；将所述风速预报数据输入气溶胶修正模型，得到预报风速修正数据，所述气溶胶修正模型由所述气溶胶参数数据和所述风速预报数据训练确定；将所述风机实际风速修正数据、所述预报风速修正数据输入第二同化模型，得到风场风速预测数据。
可选地，所述将所述风速观测数据和所述气溶胶参数数据输入第一同化模型，得到风机实际风速修正数据包括：获取所述第一同化模型的参数数据；基于所述第一同化模型的参数数据，将所述风速观测数据输入至所述第一同化模型进行多元线性拟合，得到风机实际风速修正数据。
可选地，所述气溶胶参数数据包括当前区域内的第一气溶胶参数数据和当前区域的相邻的至少一个周边区域的第二气溶胶参数数据；所述将所述风速预报数据和所述气溶胶参数数据输入气溶胶修正模型，得到预报风速修正数据包括：计算第一气溶胶参数数据与第二气溶胶参数数据中的气溶胶光学厚度差；将所述气溶胶光学厚度差和所述风速预报数据输入所述气溶胶修正模型，其中，所述气溶胶修正模型为所述气溶胶光学厚度差和风速预报数据作为输入，以风速预报数据对应的实际风速数据作为输出，经过多轮训练得到。
可选地，所述将所述风机实际风速修正数据、所述预报风速修正数据输入第二同化模型，得到风场风速预测数据包括：对所述预报风速修正数据进行WPS过程处理，得到同化过程的初始场数据和边界条件；将所述风机实际风速修正数据输入背景场误差，得到同化过程的初始场修正数据；基于所述初始场修正数据和所述边界条件进行再积分，得到风场风速预测数据。
可选地，所述基于所述初始场修正数据和所述边界条件进行再积分，得到风场风速预测数据包括：基于所述初始场修正数据和所述边界条件得到数值模式数据；基于待预测测风塔的场站位置信息确定参数函数及气象变量；基于所述参数函数对所述数值模式数据进行循环处理，得到风场风速预测数据。
可选地，所述基于所述参数函数对所述数值模式数据进行循环处理，得到风场风速预测数据包括：基于所述参数函数进行水平插值和垂直插值，得到水平插值结果和垂直插值结果；基于所述气象变量计算风向和相对湿度变量，得到风向计算结果和相对湿度变量计算结果；基于所述水平插值结果、垂直插值结果、风向计算结果和相对湿度变量计算结果进行合并处理，得到所述风场风速预测数据。
根据本申请的第二方面，提供一种风速预报模型训练方法，其特征在于，所述风速预报模型包括第一同化模型，气溶胶修正模型和第二同化模型，其中，所述第一同化模型和所述气溶胶修正模型的输出作为所述第二同化模型的输入，所述风速预报模型训练方法包括：在预设时间段，同时序获取测风塔的历史风速观测数据、历史风速预报数据、历史风机风速数据和历史气溶胶参数数据；将所述历史风速观测数据、历史风速预报数据、历史气溶胶参数数据和历史风机风速数据进行多元线性回归拟合，直至得到最优的回归因子与被回归因子；其中，所述回归因子为历史风速观测数据的第一系数、风速预报数据的第二系数和气溶胶参数数据的第三系数，被回归因子为风机风速数据的第四系数；利用风速预报数据和所述气溶胶参数数据作为初始的气溶胶修正模型的输入样本，以风速预报数据对应的实际风速数据作为初始的气溶胶修正模型的输入样本对初始的气溶胶修正模型进行训练，得到训练好的气溶胶修正模型；以风机实际风速修正数据和所述预报风速修正数据作为输入样本，以对应的风场风速实际数据作为输出样本对第二同化模型进行训练得到训练好的第二同化模型。
根据本申请的第三方面，提供一种风速预测装置，所述风速预测装置包括：第一参数获取模块，用于获取测风塔的风速观测数据、风速预报数据和气溶胶参数数据；风机风速修正模块，用于将所述风速观测数据输入第一同化模型，得到风机实际风速修正数据，所述第一同化模型为由测风塔的历史风速观测数据、风速预报数据、风机风速数据和气溶胶参数数据训练确定；预报风速修正模块，用于将所述风速预报数据输入气溶胶修正模型，得到预报风速修正数据，所述气溶胶修正模型由所述气溶胶参数数据和所述风速预报数据训练确定；风机风速预测模块，用于将所述风机实际风速修正数据、所述预报风速修正数据输入第二同化模型，得到风场风速预测数据。
根据本申请的第四方面，提供一种计算机可读的存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行如上述任一项所述的风速预报方法和/或如上述任意一项所述的风速预报模型训练方法。
本申请实施例提供一种风速预报方法，所述风速预报方法包括：获取测风塔的风速观测数据、风速预报数据和气溶胶参数数据；将所述风速观测数据输入第一同化模型，得到风机实际风速修正数据，以解决测风塔测量的风速与风场中的风力发电机的风速存在一定的差距以及现有的针对风速进行预报的物理化方案中未考虑气溶胶的影响的问题，所述第一同化模型为由测风塔的历史风速观测数据、历史风速预报数据、历史风机风速数据和历史气溶胶参数数据进行多元线性回归拟合得到；将所述风速预报数据输入气溶胶修正模型，得到预报风速修正数据，以解决现有的针对风速进行预报的物理化方案中未考虑气溶胶的影响的问题，所述气溶胶修正模型由所述气溶胶参数数据和所述风速预报数据训练确定；将所述风机实际风速修正数据、所述预报风速修正数据输入第二同化模型，得到风场风速预测数据，本申请的上述方案，在考虑预报产品数据与风场本地数据的误差的情况下，同时考虑气溶胶因素的影响，准确地确定风场的大气初始状态，实现风速的准确预报。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，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是根据本申请实施例的一种可选的风速预报方法的硬件环境的示意图；
图2是根据本申请实施例的一种可选的风速预报方法的流程示意图；
图3是根据本申请实施例的一种可选的风速预报模型的结构示意图；
图4是根据本申请实施例的一种可选的风速预报装置的模块化的示意图；
图5是根据本申请实施例的一种可选的电子设备的示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图说明本发明的具体实施方式，在各图中相同的标号表示结构相同或结构相似但功能相同的部件。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
在以下的描述中，将描述本发明的多个不同的方面，然而对于本领域内的普通技术人员而言，可以仅仅利用本发明的一些或者全部结构或者流程来实施本发明。为了解释的明确性而言，阐述了特定的数目、配置和顺序，但是很明显，在没有这些特定细节的情况下也可以实施本发明。在其他情况下，为了不混淆本发明，对于一些众所周知的特征将不再进行详细阐述。
采用由全球预测系统(Global Forecast Systems，GFS)的数据驱动气象研究与预报(Weather Research and Forecasting，WRF)模型进行预测的方案，根据GFS数据进行数据插值生成初始场和边界条件，采用观测数据通过背景协方差误差矩阵的预测背景场数据对初始场进行更新，对更新后的背景场数据和初始场进行再积分、后处理，得到气象预报文件。
对于上述方案，经研究发现，一方面，在对风速进行预报的过程中未考虑气溶胶厚度对风场所在地的风速的影响，仅将气溶胶光学厚度设定为固定值；然而，气溶胶散射和吸收光线，会影响太阳辐射进入大气并向下传输到地面的过程，进而影响大气温度和地面温度；大气温度和地面温度的改变会影响空气密度，进而影响风速；例如，在通常情况下，温度升高会导致空气密度降低，从而导致风速增大；反之，温度降低会导致空气密度增加，从而导致风速减小；因此，气溶胶可以通过影响辐射传输的过程影响大气温度与地面温度，从而对风速造成影响；在未考虑气溶胶的影响的情况下，风速预报不准确。
另一方面，在风电场的实际建设中，通常不对风电场内的所有风机进行风机实际风速获取，而是获取测风塔的风速观测数据；原因在于，风场内设置有数量较多的风机，采用对风电场内所有风机进行实际风速获取的技术方案，获取到的所有风机的实际风速数据的数据量势必会比较庞大，对上述实际风速数据的获取过程、传输过程、数据处理过程比较困难；而风电场中的测风塔相对于风机数量较少，对测风塔的风速观测数据获取过程、传输过程、处理过程相对于风机较为简单。但是，测风塔相对于风场中的风力发电机可能具有一定距离，由于风力能量密度低并且不稳定的特性，测风塔测量的风速与风场中的风力发电机的风速存在一定的差距，导致采用测风塔测量的风速对初始场进行更新时产生误差。
因此，上述两个方面的问题，导致风速预报不够准确。
基于上述问题，根据本申请的一个方面，提供一种风速预报方法，该风速预报方法可以应用于如图1所示的由终端102和服务器104所构成的硬件环境中。
图1是根据本申请实施例的一种可选的风速预报方法的硬件环境的示意图；如图1所示，服务器104通过网络与终端102进行连接，可用于为终端或终端上安装的客户端提供服务，可在服务器上或独立于服务器设置数据库，用于为服务器104提供数据存储服务，还可以用于处理云服务，上述网络包括但不限于：广域网、城域网或局域网，终端102并不限定于PC、手机、平板电脑等。本申请实施例的风速预报方法可以由服务器104来执行，也可以由终端102来执行，还可以是由服务器104和终端102共同执行。其中，终端102执行本申请实施例的风速预报方法也可以是由安装在其上的客户端来执行。
以由终端102和/或服务器104来执行本实施例中的风速预报方法为例，图2是根据本申请实施例的一种可选的风速预报方法的流程示意图。在本实施例中，可以采用如图3所示的风速预报模型对风速进行预报，其中，风速预报模型可以包括：第一同化模型10，气溶胶修正模型20和第二同化模型30，其中，所述第一同化模型10和所述气溶胶修正模型20的输出作为所述第二同化模型30的输入。
如图2所示，该风速预报方法的流程可以包括以下步骤：
S10.获取测风塔的风速观测数据、风速预报数据和气溶胶参数数据。
作为示例性的实施例，所述风速观测数据通过读取测风塔的历史数据获取；其中，可以读取测风塔的历史数据中的预设时间段内的风速数据作为观测数据，所述预设时间段可以为过去10天、过去20天、过去50天等可选的时间长度。
作为示例性的实施例，在读取所述测风塔的历史数据后，对测风塔数据进行质量控制，筛选风速大于零的数据，并去除4个连续重复值的风廓线数据作为所述风速观测数据。
作为示例性的实施例，所述风速预报数据可以通过预报产品获取；示例性的，所述预报产品可以为获取的预设时长内的全球预测系统(Global Forecast Systems，GFS)数据，例如，可以获取预设时长为未来1天内、未来2天内、未来N天内的GFS数据作为风速预报数据，其中，N为自然数，所述风速预报数据优选为0.5°分辨率、3h GFS数据。
作为示例性的实施例，所述气溶胶参数数据可以通过现有的卫星观测、地面观测和资料中的气溶胶数据分析获取。
示例性的，所述气溶胶参数数据可以通过中分辨率成像光谱仪（Moderate-resolution Imaging Spectroradiometer，MODIS）获取。
示例性的，所述气溶胶参数数据选用MODIS Terra的近三个月的平均气溶胶数据。
S20.将所述风速观测数据和所述气溶胶参数数据输入第一同化模型，得到风机实际风速修正数据，所述第一同化模型为由测风塔的历史风速观测数据、历史风速预报数据、历史风机风速数据和历史气溶胶参数数据进行多元线性回归拟合得到。
为了解决测风塔测量的风速与风场中的风力发电机的风速存在一定的差距以及现有的针对风速进行预报的物理化方案中未考虑气溶胶的影响的问题，在本申请中，将所述风速观测数据和所述气溶胶参数数据输入第一同化模型，得到风机实际风速修正数据。
其中，应当理解的是，所述风机实际风速修正数据为基于测风塔测量的风速和气溶胶参数对风场风速进行推测的风机实际风速修正数据。
应当理解的是，所述历史风机风速数据可以通过的读取风电场内随机筛选的预设数量的风机的历史风机风速数据确定；其中，应当理解的是，预设数量应当为小于风场的风机总数量的任意数量，所述预设数量以在实际应用中，获取的总的风机风速数据的数据量不大于数据处理能力，能够实现风机风速数据的获取过程、传输过程为准。
示例性的，所述第一同化模型为由测风塔的历史风速观测数据、历史风速预报数据、历史风机风速数据和历史气溶胶参数数据进行多元线性回归拟合得到。
应当理解的是，在经过训练得到所述第一同化模型后，所述第一同化模型的输入为风速观测数据和气溶胶参数数据，所述第一同化模型的输出数据为风机实际风速修正数据。
S30.将所述风速预报数据和所述气溶胶参数数据输入气溶胶修正模型，得到预报风速修正数据，所述气溶胶修正模型由所述历史气溶胶参数数据和所述风速预报数据训练确定。
为了解决现有的针对风速进行预报的物理化方案中未考虑气溶胶的影响的问题，在本申请中，将所述风速预报数据输入气溶胶修正模型，得到预报风速修正数据；其中，所述气溶胶修正模型可以为基于气象研究与预报(Weather Research and Forecasting，WRF)模式改进的WRF solar模式模型；其中，WRF Solar模式模型首先将基本预测数据经过DICast统计模型处理，再与其他的NWP模型耦合，最终得到预测值。
具体的，获取GFS初始场资料以及当前区域的气溶胶光学厚度数据，其中，所述GFS初始场资料可以通过全球预测系统获得；在得到所述GFS初始场资料以及气溶胶光学厚度数据后，将所述GFS初始场资料以及气溶胶光学厚度数据进行模式前处理WPS，经由静态资料后输入模式转化为静态数据后作为输入，输入至WRF模式下的WRF Solar模式中，通过WRFSolar模式计算得到WRFout数据，经过WRFout数据后处理后得到预报风速修正数据。
由于气溶胶散射和吸收光线，会影响太阳辐射进入大气并向下传输到地面的过程，进而影响大气温度和地面温度；大气温度和地面温度的改变会影响空气密度。在当前区域内的气溶胶光学厚度与相邻的周边的其他区域不同时，其他区域的空气密度与当前区域的空气密度不同，会进一步增加气体流动，而对风速形成较为明显的影响，因此，在本实施例中，还需要考虑周边气溶胶参数数据对当前区域的影响。
作为一种可选的实施方式，所述气溶胶参数数据包括当前区域内的第一气溶胶参数数据和当前区域的相邻的至少一个周边区域的第二气溶胶参数数据；所述将所述风速预报数据和所述气溶胶参数数据输入气溶胶修正模型，得到预报风速修正数据包括：计算第一气溶胶参数数据与第二气溶胶参数数据中的气溶胶光学厚度差；将所述气溶胶光学厚度差和所述风速预报数据输入所述气溶胶修正模型，其中，所述气溶胶修正模型为所述气溶胶光学厚度差和风速预报数据作为输入，以风速预报数据对应的实际风速数据作为输出，经过多轮训练得到。
在本实施例中，可以采用多元回归模型，将气溶胶光学厚度差和风速预报数据作为回归因子，将风速预报数据对应的实际风速数据作为被回归因子，进行多元回归模型训练。
作为可选的实施例，还可以采用卷积神经网络模型，粒子群优化模型等神经网络模型。
作为另一种可选实施方式，多元回归模型中的风速预报数据可以为基于上述实施例中基于当前区域内的气溶胶参数数据和气溶胶修正模型进行修正后的风速预报数据，再将经过当前区域内的气溶胶参数数据一次修正后的风速预报数据和气溶胶光学厚度差作为多元回归模型的输入参数，对风速预报数据进一步修正，进而可以更为准确的得到预报风速修正数据。
S40.将所述风机实际风速修正数据、所述预报风速修正数据输入第二同化模型，得到风场风速预测数据。
示例性的，在得到所述风机实际风速修正数据、所述预报风速修正数据后，为了实现风机实际风速修正数据与预报风速修正数据的同化，将所述风机实际风速修正数据、所述预报风速修正数据输入第二同化模型，以得到风场风速预测数据。
应当理解的是，第二同化模型的输入为风机实际风速修正数据和预报风速修正数据，所述第二同化模型的输出数据为风场风速预测数据。
其中，应当理解的是，所述风场风速预测数据为能够进行风机的功率预测的任意形式的风速数据；具体的，所述风场风速预测数据可以为风场未来N天内的平均风速预测数据，也可以为风场未来N天内每一天的平均风速预测数据，也可以带有预设时间属性的实时风速预测数据，其中，所述预设时间属性可以包括时刻、时间长度等时间属性信息，其中，N为大于1的正整数。
作为示例性的实施例，所述第二同化模型可以为气象模型，例如可以为WRF模式的气象模型。
在本申请实施例中，提供一种风速预报方法，所述风速预报方法包括：获取测风塔的风速观测数据、风速预报数据和气溶胶参数数据；将风速观测数据和气溶胶参数数据输入第一同化模型，得到风机实际风速修正数据，第一同化模型为由测风塔的历史风速观测数据、历史风速预报数据、历史风机风速数据和历史气溶胶参数数据进行多元线性回归拟合得到；将风速预报数据和气溶胶参数数据输入气溶胶修正模型，得到预报风速修正数据，气溶胶修正模型由历史气溶胶参数数据和风速预报数据训练确定；将风机实际风速修正数据、预报风速修正数据输入第二同化模型，得到风场风速预测数据，以实现风速的准确预报，本申请的上述方案，在考虑预报产品数据与风场本地数据的误差的情况下，同时考虑气溶胶因素的影响，准确地确定风场的大气初始状态，实现风速的准确预报。
作为示例性的实施例，所述将所述风速观测数据和所述气溶胶参数数据输入第一同化模型，得到风机实际风速修正数据包括：获取所述第一同化模型的参数数据；基于所述第一同化模型的参数数据，将所述风速观测数据输入至所述第一同化模型进行多元线性拟合，得到风机实际风速修正数据。
示例性的，所述第一同化模型为由测风塔的历史风速观测数据、历史风速预报数据、历史风机风速数据和历史气溶胶参数数据进行多元线性回归拟合得到；示例性的，在预设时间段，同时序获取测风塔的历史风速观测数据、历史风速预报数据、历史风机风速数据和历史气溶胶参数数据；基于所述测风塔的历史风速观测数据、历史风速观测数据、历史风速预报数据、历史风机风速数据和历史气溶胶参数数据进行多元线性回归拟合，直至得到最优的回归因子与被回归因子；其中，所述回归因子为历史风速观测数据的第一系数、历史风速预报数据的第二系数和气溶胶参数数据的第三系数，被回归因子为历史风机风速数据的第四系数；基于所述回归因子与被回归因子确定所述第一同化模型的参数。
对于上述技术方案，示例性，所述历史风速预报数据可以为通过丹麦气象、西班牙气象等气象模型确定的风速预报数据，所述历史风机风速数据可以为根据测风塔测得的自主气象70m预测风速，所述历史风机风速数据还可以为根据风机的历史发电量反向计算得到的历史一段时间内的风机风速；所述预设时间段可以为任意时间。
作为可能的实现方式，所述风机风速数据也可以通过的风电场内随机筛选的预设数量的风机的风速数据的确定；其中，应当理解的是，预设数量应当为小于风场的风机总数量的任意数量，所述预设数量以在实际应用中，获取的总的风机风速数据的数据量不大于数据处理能力，以能够实现风机风速数据的获取过程、传输过程为准。
示例性的，在得到所述第一同化模型的参数后，获取所述第一同化模型的参数数据；基于所述第一同化模型的参数数据，将所述风速观测数据输入至所述第一同化模型进行多元线性拟合，得到风机实际风速修正数据。
作为示例性的实施例，所述将所述风机实际风速修正数据、所述预报风速修正数据输入第二同化模型，得到风场风速预测数据包括：对所述预报风速修正数据进行WPS过程处理，得到同化过程的初始场数据和边界条件；将所述风机实际风速修正数据输入背景场误差，得到同化过程的初始场修正数据；基于所述初始场修正数据和所述边界条件进行再积分，得到风场风速预测数据。
对于上述技术方案，示例性的，所述第二同化模型可以为气象模型，例如可以为WRF模式的气象模型；在得到所述风机实际风速修正数据、所述预报风速修正数据后，采用WRF中的WPS模块进行WPS过程，得到初始条件数据和边界条件数据；其中，所述WPS过程为将所述预报风速修正数据插值到指定区域。
示例性的，在得到同化过程的初始场数据和边界条件数据后，将所述初始条件数据作为第一初猜值，将所述预报风速修正数据输入背景场误差，对所述初猜值进行调整，得到同化过程的初始场修正数据。
示例性的，在得到所述同化过程的初始场修正数据后，基于初始场修正数据和边界条件进行再积分，得到风场风速预测数据。
作为示例性的实施例，所述基于所述初始场修正数据和所述边界条件进行再积分，得到风场风速预测数据包括：
基于所述初始场修正数据和所述边界条件得到数值模式数据；
基于待预测测风塔的场站位置信息确定参数函数及气象变量；
基于所述参数函数对所述数值模式数据进行循环处理，得到风场风速预测数据。
作为示例性的实施例，所述场站位置信息包括场站编号、经度、纬度，所述气象变量为根据气象类型进行的相应计算，例如，将降水计算为降水等于层云降水加积云降水，并将时间转化为标准时间。
作为示例性的实施例，所述基于所述参数函数对所述数值模式数据进行循环处理，得到预报风速修正数据包括：基于所述参数函数进行水平插值和垂直插值，得到水平插值结果和垂直插值结果；基于所述气象变量计算风向和相对湿度变量，得到风向计算结果和相对湿度变量计算结果；基于所述水平插值结果、垂直插值结果、风向计算结果和相对湿度变量计算结果进行合并处理，得到所述风场风速预测数据。
根据本申请的又一方面，提供一种风速预报模型训练方法，其特征在于，所述风速预报模型包括第一同化模型，气溶胶修正模型和第二同化模型，其中，所述第一同化模型和所述气溶胶修正模型的输出作为所述第二同化模型的输入，所述风速预报模型训练方法包括：
在预设时间段，同时序获取测风塔的历史风速观测数据、历史风速预报数据、历史风机风速数据和历史气溶胶参数数据；
将所述历史风速观测数据、历史风速预报数据、历史气溶胶参数数据和历史风机风速数据进行多元线性回归拟合，直至得到最优的回归因子与被回归因子；其中，所述回归因子为历史风速观测数据的第一系数、风速预报数据的第二系数和气溶胶参数数据的第三系数，被回归因子为风机风速数据的第四系数；
利用风速预报数据和所述气溶胶参数数据作为初始的气溶胶修正模型的输入样本，以风速预报数据对应的实际风速数据作为初始的气溶胶修正模型的输入样本对初始的气溶胶修正模型进行训练，得到训练好的气溶胶修正模型；
以风机实际风速修正数据和所述预报风速修正数据作为输入样本，以对应的风场风速实际数据作为输出样本对第二同化模型进行训练得到训练好的第二同化模型。
作为示例性的实施例，所述方法还包括：获取当前区域内的历史第一气溶胶参数数据和当前区域的相邻的至少一个周边区域的历史第二气溶胶参数数据；
计算所述历史第一气溶胶参数数据和所述历史第二气溶胶参数数据的气溶胶光学厚度差；
将所述气溶胶光学厚度差和所述风速预报数据作为输入，所述风速预报数据对应的实际风速数据作为输出对所述初始的气溶胶修正模型进行多轮次训练。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式；基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM（Read-Only Memory，只读存储器）/RAM(Random Access Memory，随机存取存储器)、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本申请各个实施例所述的方法。
根据本申请实施例的另一个方面，还提供了一种用于实施上述风速预报方法的风速预报装置。
图4是根据本申请实施例的一种风速预报装置的示意图，如图4所示，该装置可以包括：
参数获取模块302，用于取测风塔的风速观测数据、风速预报数据和气溶胶参数数据；
风机风速修正模块304，用于将所述风速观测数据和所述气溶胶参数数据输入第一同化模型，得到风机实际风速修正数据；
预报风速修正模块306，用于将所述风速预报数据和所述气溶胶参数数据输入气溶胶修正模型，得到预报风速修正数据；
风机风速预测模块308，用于将所述风机实际风速修正数据、所述预报风速修正数据输入第二同化模型，得到风场风速预测数据。
需要说明的是，该实施例中的参数获取模块302可以用于执行上述步骤S10，该实施例中的风机风速修正模块304可以用于执行上述步骤S20，该实施例中的预报风速修正模块306可以用于执行上述步骤S30，该实施例中的风机风速预测模块308可以用于执行上述步骤S40。
此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在如图1所示的硬件环境中，可以通过软件实现，也可以通过硬件实现，其中，硬件环境包括网络环境。
根据本申请的又一方面，提供一种电子设备，图5是根据本申请实施例的一种可选的电子设备的结构框图，如图5所示，包括处理器502、通信接口504、存储器506和通信总线508，其中，处理器502、通信接口504和存储器506通过通信总线508完成相互间的通信，其中，
存储器506，用于存储计算机程序；
处理器502，用于执行存储器506上所存放的计算机程序时，实现如下步骤：
获取测风塔的风速观测数据、风速预报数据和气溶胶参数数据；
将所述风速观测数据和所述气溶胶参数数据输入第一同化模型，得到风机实际风速修正数据，所述第一同化模型为由测风塔的历史风速观测数据、历史风速预报数据、历史风机风速数据和历史气溶胶参数数据进行多元线性回归拟合得到；
将所述风速预报数据和所述气溶胶参数数据输入气溶胶修正模型，得到预报风速修正数据，所述气溶胶修正模型由所述历史气溶胶参数数据和所述风速预报数据训练确定；
将所述风机实际风速修正数据、所述预报风速修正数据输入第二同化模型，得到风场风速预测数据。
根据本申请实施例的又一个方面，还提供了一种用于实施上述风速预报方法的电子设备，该电子设备可以是服务器、终端、或者其组合。
图5是根据本申请实施例的一种可选的电子设备的结构框图，如图5所示，包括处理器502、通信接口504、存储器506和通信总线508，其中，处理器502、通信接口504和存储器506通过通信总线508完成相互间的通信，其中，
可选地，在本实施例中，上述的通信总线可以是PCI (Peripheral ComponentInterconnect，外设部件互连标准)总线、或EISA (Extended Industry StandardArchitecture，扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括RAM，也可以包括非易失性存储器(non-volatile memory)，例如，至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。
作为一种示例，上述存储器502中可以但不限于包括上述风速预报装置中的参数获取模块302，风机风速修正模块304，预报风速修正模块306，风机风速预测模块308，还可以包括但不限于上述风速预报装置中的其他模块单元，本示例中不再赘述。
上述处理器可以是通用处理器，可以包含但不限于：CPU (Central ProcessingUnit，中央处理器)、NP(Network Processor，网络处理器)等；还可以是DSP (DigitalSignal Processing，数字信号处理器)、ASIC (Application Specific IntegratedCircuit，专用集成电路)、FPGA (Field－Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。
本领域普通技术人员可以理解，图5其并不对上述电子装置的结构造成限定。例如，终端设备还可包括比图5中所示更多或者更少的组件（如网络接口、显示装置等），或者具有与图5所示的不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、ROM、RAM、磁盘或光盘等。
根据本申请实施例的又一个方面，还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于执行风速预报方法或风速预报模型训练方法的程序代码。
可选地，在本实施例中，上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：
获取测风塔的风速观测数据、风速预报数据和气溶胶参数数据；
将所述风速观测数据和所述气溶胶参数数据输入第一同化模型，得到风机实际风速修正数据，所述第一同化模型为由测风塔的历史风速观测数据、历史风速预报数据、历史风机风速数据和历史气溶胶参数数据进行多元线性回归拟合得到；
将所述风速预报数据和所述气溶胶参数数据输入气溶胶修正模型，得到预报风速修正数据，所述气溶胶修正模型由所述历史气溶胶参数数据和所述风速预报数据训练确定；
将所述风机实际风速修正数据、所述预报风速修正数据输入第二同化模型，得到风场风速预测数据。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例中对此不再赘述。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、ROM、RAM、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台电子设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例中所提供的方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种风速预报方法，其特征在于，所述风速预报方法包括：
获取测风塔的风速观测数据、风速预报数据和气溶胶参数数据；
将所述风速观测数据和所述气溶胶参数数据输入第一同化模型，得到风机实际风速修正数据，所述第一同化模型为由测风塔的历史风速观测数据、历史风速预报数据、历史风机风速数据和历史气溶胶参数数据进行多元线性回归拟合得到；
将所述风速预报数据和所述气溶胶参数数据输入气溶胶修正模型，得到预报风速修正数据，所述气溶胶修正模型由所述历史气溶胶参数数据和所述风速预报数据训练确定；
将所述风机实际风速修正数据、所述预报风速修正数据输入第二同化模型，得到风场风速预测数据。
2.如权利要求1所述的风速预报方法，其特征在于，将所述风速观测数据和所述气溶胶参数数据输入第一同化模型，得到风机实际风速修正数据包括：
获取所述第一同化模型的参数数据；
基于所述第一同化模型的参数数据，将所述风速观测数据输入至所述第一同化模型进行多元线性拟合，得到风机实际风速修正数据。
3.如权利要求1所述的风速预报方法，其特征在于，所述气溶胶参数数据包括当前区域内的第一气溶胶参数数据和当前区域的相邻的至少一个周边区域的第二气溶胶参数数据；所述将所述风速预报数据和所述气溶胶参数数据输入气溶胶修正模型，得到预报风速修正数据包括：计算第一气溶胶参数数据与第二气溶胶参数数据中的气溶胶光学厚度差；将所述气溶胶光学厚度差和所述风速预报数据输入所述气溶胶修正模型，其中，所述气溶胶修正模型为所述气溶胶光学厚度差和风速预报数据作为输入，以风速预报数据对应的实际风速数据作为输出，经过多轮训练得到。
4.如权利要求1所述的风速预报方法，其特征在于，所述将所述风机实际风速修正数据、所述预报风速修正数据输入第二同化模型，得到风场风速预测数据包括：
对所述预报风速修正数据进行WPS过程处理，得到同化过程的初始场数据和边界条件；
将所述风机实际风速修正数据输入背景场误差，得到同化过程的初始场修正数据；
基于所述初始场修正数据和所述边界条件进行再积分，得到风场风速预测数据。
5.如权利要求4所述的风速预报方法，其特征在于，所述基于所述初始场修正数据和所述边界条件进行再积分，得到风场风速预测数据包括：
基于所述初始场修正数据和所述边界条件得到数值模式数据；
基于待预测测风塔的场站位置信息确定参数函数及气象变量；
基于所述参数函数对所述数值模式数据进行循环处理，得到风场风速预测数据。
6.如权利要求5所述的风速预报方法，其特征在于，所述基于所述参数函数对所述数值模式数据进行循环处理，得到风场风速预测数据包括：
基于所述参数函数进行水平插值和垂直插值，得到水平插值结果和垂直插值结果；
基于所述气象变量计算风向和相对湿度变量，得到风向计算结果和相对湿度变量计算结果；
基于所述水平插值结果、垂直插值结果、风向计算结果和相对湿度变量计算结果进行合并处理，得到所述风场风速预测数据。
7.一种风速预报模型训练方法，其特征在于，所述风速预报模型包括第一同化模型，气溶胶修正模型和第二同化模型，其中，所述第一同化模型和所述气溶胶修正模型的输出作为所述第二同化模型的输入，所述风速预报模型训练方法包括：
在预设时间段，同时序获取测风塔的历史风速观测数据、历史风速预报数据、历史风机风速数据和历史气溶胶参数数据；
将所述历史风速观测数据、历史风速预报数据、历史气溶胶参数数据和历史风机风速数据进行多元线性回归拟合，直至得到最优的回归因子与被回归因子；其中，所述回归因子为历史风速观测数据的第一系数、风速预报数据的第二系数和气溶胶参数数据的第三系数，被回归因子为风机风速数据的第四系数；
利用风速预报数据和所述气溶胶参数数据作为初始的气溶胶修正模型的输入样本，以风速预报数据对应的实际风速数据作为初始的气溶胶修正模型的输入样本对初始的气溶胶修正模型进行训练，得到训练好的气溶胶修正模型；
以风机实际风速修正数据和预报风速修正数据作为输入样本，以对应的风场风速实际数据作为输出样本对第二同化模型进行训练得到训练好的第二同化模型。
8.如权利要求7所述的风速预报模型训练方法，其特征在于，所述方法还包括：
获取当前区域内的历史第一气溶胶参数数据和当前区域的相邻的至少一个周边区域的历史第二气溶胶参数数据；
计算所述历史第一气溶胶参数数据和所述历史第二气溶胶参数数据的气溶胶光学厚度差；
将所述气溶胶光学厚度差和所述风速预报数据作为输入，所述风速预报数据对应的实际风速数据作为输出对所述初始的气溶胶修正模型进行多轮次训练。
9.一种风速预测装置，其特征在于，所述风速预测装置包括
第一参数获取模块，用于获取测风塔的风速观测数据、风速预报数据和气溶胶参数数据；
风机风速修正模块，用于将所述风速观测数据输入第一同化模型，得到风机实际风速修正数据，所述第一同化模型为由测风塔的历史风速观测数据、风速预报数据、风机风速数据和气溶胶参数数据训练确定；
预报风速修正模块，用于将所述风速预报数据输入气溶胶修正模型，得到预报风速修正数据，所述气溶胶修正模型由所述气溶胶参数数据和所述风速预报数据训练确定；
风机风速预测模块，用于将所述风机实际风速修正数据、所述预报风速修正数据输入第二同化模型，得到风场风速预测数据。
10.一种计算机可读的存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行权利要求1至6中任一项所述的风速预报方法和/或如权利要求7或8所述的风速预报模型训练方法。
CN202310514728.5A 2023-05-09 2023-05-09 一种风速预报方法、模型训练方法、装置和存储介质 Active CN116224473B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310514728.5A CN116224473B (zh) 2023-05-09 2023-05-09 一种风速预报方法、模型训练方法、装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310514728.5A CN116224473B (zh) 2023-05-09 2023-05-09 一种风速预报方法、模型训练方法、装置和存储介质

Publications (2)

Publication Number Publication Date
CN116224473A true CN116224473A (zh) 2023-06-06
CN116224473B CN116224473B (zh) 2023-06-27

Family

ID=86589562

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310514728.5A Active CN116224473B (zh) 2023-05-09 2023-05-09 一种风速预报方法、模型训练方法、装置和存储介质

Country Status (1)

Country Link
CN (1) CN116224473B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116663786A (zh) * 2023-08-02 2023-08-29 北京东润环能科技股份有限公司 一种风光资源评估方法、装置、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
CN118153401A (zh) * 2024-05-09 2024-06-07 深圳智荟物联技术有限公司 风场预测方法、装置、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH01250762A (ja) * 1988-03-31 1989-10-05 Kokuritsu Kogai Kenkyusho エアロゾルによる風向風速測定方法及びそのための装置
JPH11133049A (ja) * 1997-10-29 1999-05-21 National Institute For Environmental Studies 風向風速レーザレーダ
KR20020008444A (ko) * 2000-07-20 2002-01-31 박원규 광섬유 수신 광학계가 구비된 라이다 시스템을 이용한3차원 풍향 풍속 측정 방법
CN111311021A (zh) * 2020-03-12 2020-06-19 广西电网有限责任公司 一种风电场理论功率预测方法、装置、设备和存储介质
CN111401624A (zh) * 2020-03-12 2020-07-10 广西电网有限责任公司 一种风功率预测的方法、装置及计算机可读存储介质
US20200348448A1 (en) * 2019-04-30 2020-11-05 ClimateAI, Inc. Methods and systems for climate forecasting using artificial neural networks
JP2021012439A (ja) * 2019-07-03 2021-02-04 株式会社日立製作所 気象数値解析システム、予測対象データ生成システムおよび気象数値解析方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH01250762A (ja) * 1988-03-31 1989-10-05 Kokuritsu Kogai Kenkyusho エアロゾルによる風向風速測定方法及びそのための装置
JPH11133049A (ja) * 1997-10-29 1999-05-21 National Institute For Environmental Studies 風向風速レーザレーダ
KR20020008444A (ko) * 2000-07-20 2002-01-31 박원규 광섬유 수신 광학계가 구비된 라이다 시스템을 이용한3차원 풍향 풍속 측정 방법
US20200348448A1 (en) * 2019-04-30 2020-11-05 ClimateAI, Inc. Methods and systems for climate forecasting using artificial neural networks
JP2021012439A (ja) * 2019-07-03 2021-02-04 株式会社日立製作所 気象数値解析システム、予測対象データ生成システムおよび気象数値解析方法
CN111311021A (zh) * 2020-03-12 2020-06-19 广西电网有限责任公司 一种风电场理论功率预测方法、装置、设备和存储介质
CN111401624A (zh) * 2020-03-12 2020-07-10 广西电网有限责任公司 一种风功率预测的方法、装置及计算机可读存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116663786A (zh) * 2023-08-02 2023-08-29 北京东润环能科技股份有限公司 一种风光资源评估方法、装置、电子设备和存储介质
CN116663786B (zh) * 2023-08-02 2023-11-21 北京东润环能科技股份有限公司 一种风光资源评估方法、装置、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
CN118153401A (zh) * 2024-05-09 2024-06-07 深圳智荟物联技术有限公司 风场预测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN116224473B (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
CN116224473B (zh) 一种风速预报方法、模型训练方法、装置和存储介质
US10215162B2 (en) Forecasting output power of wind turbine in wind farm
Carneiro et al. Review on photovoltaic power and solar resource forecasting: current status and trends
CN112766549A (zh) 一种空气污染物浓度预报方法、装置及存储介质
CN112285807B (zh) 一种气象信息预测方法及装置
CN113919231A (zh) 基于时空图神经网络的pm2.5浓度时空变化预测方法及系统
CN111815027B (zh) 一种光伏场站发电功率预测方法及系统
CN109472283B (zh) 一种基于多重增量回归树模型的危险天气预测方法和装置
KR102284253B1 (ko) 기상정보를 이용한 태양광발전소의 발전량 예측시스템 및 이를 이용한 발전량 예측방법
CN110705115A (zh) 一种基于深度置信网络的气象预报方法和系统
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
Vassallo et al. Utilizing physics-based input features within a machine learning model to predict wind speed forecasting error
CN106803128A (zh) 光伏发电的预测方法和装置
CN115079307A (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
CN115239105A (zh) 一种在役风电场的风资源的评估方法以及装置
Constantinescu et al. Unit commitment with wind power generation: integrating wind forecast uncertainty and stochastic programming.
Cabezon et al. Comparison of methods for power curve modelling
CN116663786B (zh) 一种风光资源评估方法、装置、电子设备和存储介质
CN115563848A (zh) 一种基于深度学习的分布式光伏总辐射预测方法及系统
CN112580899A (zh) 一种融合机器学习模型的中长期风力发电预测方法及系统
CN115936238B (zh) 一种全域风电中长期出力预测方法、系统、设备及介质
CN117236720A (zh) 利用多气象因子特征的光伏电站发电功率预测方法
CN112070320A (zh) 一种基于动态谐波回归的超短期风电功率预测方法及系统
CN117233866A (zh) 基于cnop的气象集合预报系统、方法与存储介质
CN114994800B (zh) 一种大气细颗粒物的反演方法及装置

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