CN116742626A - 考虑大气混沌特征的风光联合功率集合预测方法及装置 - Google Patents

考虑大气混沌特征的风光联合功率集合预测方法及装置 Download PDF

Info

Publication number
CN116742626A
CN116742626A CN202311015003.8A CN202311015003A CN116742626A CN 116742626 A CN116742626 A CN 116742626A CN 202311015003 A CN202311015003 A CN 202311015003A CN 116742626 A CN116742626 A CN 116742626A
Authority
CN
China
Prior art keywords
wind
data
solar
simulated
condition data
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
CN202311015003.8A
Other languages
English (en)
Other versions
CN116742626B (zh
Inventor
陈圣哲
邓友汉
文仁强
梁犁丽
余意
李雨抒
宋子达
陈静
张子良
张皓
杜梦蛟
王浩
易侃
贾天下
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 Gezhouba Electric Power Rest House
China Three Gorges Corp
Original Assignee
Beijing Gezhouba Electric Power Rest House
China Three Gorges Corp
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 Gezhouba Electric Power Rest House, China Three Gorges Corp filed Critical Beijing Gezhouba Electric Power Rest House
Priority to CN202311015003.8A priority Critical patent/CN116742626B/zh
Publication of CN116742626A publication Critical patent/CN116742626A/zh
Application granted granted Critical
Publication of CN116742626B publication Critical patent/CN116742626B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Water Supply & Treatment (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及新能源领域，提供了一种考虑大气混沌特征的风光联合功率集合预测方法及装置。该方法包括：获取风光基地的区域地形数据，以及在多个地球系统耦合模式中的第一初始场、边界场组合和第一参数化方案组合；将区域地形数据、第一初始场、边界场组合和第一参数化方案组合，输入至各地球系统耦合模式中，获得第一模拟风况数据和第一模拟太阳辐照数据；根据第一模拟风况数据和第一模拟太阳辐照数据，计算第二模拟风况数据和第二模拟太阳辐照数据；根据第二模拟风况数据、第二模拟太阳辐照数据，以及风光发电量模型，预测第一风光联合功率。通过本发明，利用多个地球系统耦合模式准确模拟风况数据和太阳辐照数据，提高风光联合功率预测精度。

Description

考虑大气混沌特征的风光联合功率集合预测方法及装置
技术领域
本发明涉及新能源领域，尤其涉及一种考虑大气混沌特征的风光联合功率集合预测方法及装置。
背景技术
现有技术中，在进行风电功率预测或者光伏功率预测时，往往会先进行风况预测或太阳辐照预测，然后根据预测得到的风况或太阳辐照进一步进行发电功率预测。但是在进行风况预测或者太阳辐照预测时，由于大气的混沌特性，使得大气状态的演变对于初始场、边界场的微小误差非常敏感，因此初始场、边界场极小的误差也会在风况预测或太阳辐照预测中逐渐放大。此外，在现有的风电光伏功率预测方法中，只是单一地预测风况数据或者太阳辐照数据，忽略了在地球系统中风和光的相互影响，如光照强、气温高会引起空气在大气压力变化下的流通从而影响到风况，而风（空气的流动）可能会伴随着对流发生产生云层从而对地表接收的太阳辐射产生影响，等等，进而造成风光功率的预测精度欠佳。
发明内容
为提高风光功率的预测精度，本发明提出了一种考虑大气混沌特征的风光联合功率集合预测方法及装置。
第一方面，本发明提供了一种考虑大气混沌特征的风光联合功率集合预测方法，方法包括：
获取风光基地的区域地形数据，以及在多个地球系统耦合模式中的各第一初始场、各边界场组合和各第一参数化方案组合；
将区域地形数据、各第一初始场、各边界场组合和各第一参数化方案组合，输入至各地球系统耦合模式中，获得风光基地的各第一模拟风况数据和各第一模拟太阳辐照数据；
根据各第一模拟风况数据和各第一模拟太阳辐照数据，计算第二模拟风况数据和第二模拟太阳辐照数据；
根据第二模拟风况数据、第二模拟太阳辐照数据，以及预建立的风光发电量模型，预测第一风光联合功率。
在进行风电功率预测或者光伏功率预测时，往往会先进行风况预测或太阳辐照预测，在相关技术中，采用单一的初始场、边界场进行风况预测或者太阳辐照预测，但是由于大气的混沌特性，使得大气状态的演变对于初始场、边界场的微小误差非常敏感，因此初始场、边界场极小的误差也会在风况预测或太阳辐照预测中逐渐放大，通过上述方法，在进行风况预测和太阳辐照预测时，采用多个初始场、多组边界场、多组参数化方案以及多个地球系统耦合模式的方式，得到多组风况数据和太阳辐照数据，进而获得最终的风况数据和太阳辐照数据，减小了初始场、边界场的微小误差，定量地考虑了由于大气混沌特性带来的风光联合出力的不确定性，使得到的风况数据和太阳辐照数据更加准确。此外，通过地球系统耦合模式模拟风况数据和太阳辐照数据，揭示风电基地在物理动力模式下风况变化、太阳辐照变化，以及风况和太阳辐照之间的耦合作用，使得模拟得到的风况数据和太阳辐照数据更加贴合实际情况。进一步的，当模拟得到的风况数据和太阳辐照数据更加贴合实际情况时，预测得到的风光联合功率也会更加精确。
在一种可选的实施方式中，获取区域地形数据的步骤包括：
获取风光基地的下垫面数据；
根据下垫面数据，获得区域地形数据。
在一种可选的实施方式中，地球系统耦合模式包括多个不同类型的分量模式，不同的地球系统耦合模式对应的分量模式不同，获取地球系统耦合模式的步骤包括：
确定风光基地在地球系统耦合模式中的多个构成分量；
对于每一个构成分量，选择构成分量对应的分量模式；
将各分量模式进行耦合，得到地球系统耦合模式。
在一种可选的实施方式中，获取各第一初始场的步骤包括：
获取风光基地的全球大气预报数据、全球海洋预报数据和区域海洋模式分析场数据；
根据全球大气预报数据、全球海洋预报数据和区域海洋模式分析场数据，获得第二初始场；
对第二初始场进行扰动处理，得到多个第一初始场。
在一种可选的实施方式中，获取边界场组合的步骤包括：
获取风光基地的全球大气预报数据、全球海洋预报数据和区域海洋模式分析场数据；
分别根据全球大气预报数据、全球海洋预报数据和区域海洋模式分析场数据，确定全球大气预报数据的多个边界场、全球海洋预报数据的多个边界场和区域海洋模式分析场数据的多个边界场；
在全球大气预报数据的多个边界场、全球海洋预报数据的多个边界场和区域海洋模式分析场数据的多个边界场中，选择至少两个边界场构成边界场组合。
在一种可选的实施方式中，获取第一参数化方案组合的步骤包括：
对于同一地球系统耦合模式、同一第一初始场和同一边界场组合，选取由至少两个参数化方案构成的各第二参数化方案组合；
将区域地形数据、第一初始场、边界场组合和各第二参数化方案组合，输入至地球系统耦合模式中，获得各第二参数化方案组合对应的第三模拟风况数据和第三模拟太阳辐照数据；
获取风光基地的实际风况数据、实际太阳辐照数据；
根据第三模拟风况数据与实际风况数据的偏差，以及第三模拟太阳辐照数据与实际太阳辐照数据的偏差，筛选各第二参数化方案组合，得到预设数量的第一参数化方案组合。
在一种可选的实施方式中，根据各第一模拟风况数据和各第一模拟太阳辐照数据，计算第二模拟风况数据和第二模拟太阳辐照数据，包括：
计算各第一模拟风况数据的均值和各第一模拟太阳辐照数据的均值；
根据预建立的风光预测订正模型，对各第一模拟风况数据的均值和各第一模拟太阳辐照数据的均值进行订正，得到第二模拟风况数据和第二模拟太阳辐照数据。
在一种可选的实施方式中，构建风光预测订正模型的步骤包括：
获取风光基地的实际风况数据、实际太阳辐照数据；
获取风光基地在地球系统耦合模式中的第四模拟风况数据的均值和第四模拟太阳辐照数据的均值；
将实际风况数据和实际太阳辐照数据作为初始风光预测订正模型的输出，将第四模拟风况数据的均值和第四模拟太阳辐照数据的均值作为初始风光预测订正模型的输入，训练初始风光预测订正模型，得到风光预测订正模型。
在一种可选的实施方式中，根据第二模拟风况数据、第二模拟太阳辐照数据，以及预建立的风光发电量模型，预测第一风光联合功率，包括：
根据第二模拟风况数据和第二模拟太阳辐照数据，以及预建立的风光发电量模型，预测第二风光联合功率；
根据预建立的风光功率订正模型，对第二风光联合功率进行订正，得到第一风光联合功率。
在一种可选的实施方式中，风况数据包括风速，和/或，风向。
在一种可选的实施方式中，太阳辐照数据包括太阳辐照度，和/或，气温。
在一种可选的实施方式中，第一风光联合功率包括各风机的风电功率、各光伏的光伏功率以及总体风光功率中的至少一种。
第二方面，本发明还提供了一种考虑大气混沌特征的风光联合功率集合预测装置，装置包括：
获取模块，用于获取风光基地的区域地形数据，以及在多个地球系统耦合模式中的各第一初始场、各边界场组合和各第一参数化方案组合；
模拟模块，用于将区域地形数据、各第一初始场、各边界场组合和各第一参数化方案组合，输入至各地球系统耦合模式中，获得风光基地的各第一模拟风况数据和各第一模拟太阳辐照数据；
计算模块，用于根据各第一模拟风况数据和各第一模拟太阳辐照数据，计算第二模拟风况数据和第二模拟太阳辐照数据；
预测模块，用于根据第二模拟风况数据、第二模拟太阳辐照数据，以及预建立的风光发电量模型，预测第一风光联合功率。
在进行风电功率预测或者光伏功率预测时，往往会先进行风况预测或太阳辐照预测，在相关技术中，采用单一的初始场、边界场进行风况预测或者太阳辐照预测，但是由于大气的混沌特性，使得大气状态的演变对于初始场、边界场的微小误差非常敏感，因此初始场、边界场极小的误差也会在风况预测或太阳辐照预测中逐渐放大，通过上述装置，在进行风况预测和太阳辐照预测时，采用多个初始场、多组边界场、多组参数化方案以及多个地球系统耦合模式的方式，得到多组风况数据和太阳辐照数据，进而获得最终的风况数据和太阳辐照数据，减小了初始场、边界场的微小误差，定量地考虑了由于大气混沌特性带来的风光联合出力的不确定性，使得到的风况数据和太阳辐照数据更加准确。此外，通过地球系统耦合模式模拟风况数据和太阳辐照数据，揭示风电基地在物理动力模式下风况变化、太阳辐照变化，以及风况和太阳辐照之间的耦合作用，使得模拟得到的风况数据和太阳辐照数据更加贴合实际情况。进一步的，当模拟得到的风况数据和太阳辐照数据更加贴合实际情况时，预测得到的风光联合功率也会更加精确。
第三方面，本发明还提供了一种计算机设备，包括存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行第一方面或第一方面的任一实施方式的考虑大气混沌特征的风光联合功率集合预测方法的步骤。
第四方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现第一方面或第一方面的任一实施方式的考虑大气混沌特征的风光联合功率集合预测方法的步骤。
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是根据一示例性实施例提出的一种考虑大气混沌特征的风光联合功率集合预测方法的流程图；
图2是在一示例中，第一模拟风况数据的结果示意图；
图3为根据一示例性实施例提出的一种考虑大气混沌特征的风光联合功率集合预测装置的结构示意图；
图4是根据一示例性实施例提出的一种计算机设备的硬件结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
为提高风光功率的预测精度，本发明提出了一种考虑大气混沌特征的风光联合功率集合预测方法及装置。
图1是根据一示例性实施例提出的一种考虑大气混沌特征的风光联合功率集合预测方法的流程图。如图1所示，该方法包括如下步骤S101至S104。
步骤S101：获取风光基地的区域地形数据，以及在多个地球系统耦合模式中的各第一初始场、各边界场组合和各第一参数化方案组合。
在一可选实施例中，地球系统耦合模式包括但不限于大气分量模式（如WeatherResearchand Forecasting Model，WRF模式）、海洋分量模式（如ROMS模式、FVCOM模式、HYCOM模式）和海浪分量模式（如SWAN模式、WAVEWATCHⅢ模式）构成的耦合模式。
在一可选实施例中，地球系统耦合模式中的初始场指的是预测起始时刻风光基地所在地的大气状态、海洋状态，如位势高度、风场、相对湿度、温度场等变量。通过初值扰动方法对初始场加入扰动信息即可得到多个第一初始场。
在一可选实施例中，地球系统耦合模式中的边界场指的是预测时段内大气分量模式、海洋分量模式、陆地分量模式、波浪分量模式等分量模式中运动过程的限制条件。示例性地，可以选择2至3种不同的大气边界场、海洋边界场构成边界场组合。
在一可选实施例中，地球系统耦合模式中的区域地形数据包括但不限于地形高度、地表类型（如草地、水面、森林等）。
在一可选实施例中，地球系统耦合模式的空间分辨率和时间分辨率应根据实际需要进行设置，在此不做具体限制。示例性地，空间分辨率建议1至3km，时间分辨率设置为1小时时间间隔输出。
在一可选实施例中，地球系统耦合模式中的参数化方案用于描述和调整模型中的各种参数，以更准确地模拟和预测地球系统的行为。第一参数化方案组合可以由多组不同的参数化方案构成。示例性地，参数化方案可以为微物理方案（如Kessler方案、Lin方案、WSM5方案等）、边界层与近地层方案（如YSU-revised MM5、Monin-Obukhov方案、QNSE方案等）、长波与短波辐射方案（如CAM-RRTMG方案、CAM-RRTMG fast方案、New Goddard方案等），在此不做具体限制。
步骤S102：将区域地形数据、各第一初始场、各边界场组合和各第一参数化方案组合，输入至各地球系统耦合模式中，获得风光基地的各第一模拟风况数据和各第一模拟太阳辐照数据。
在一可选实施例中，将区域地形数据、一个第一初始场、一组边界场组合和一组第一参数化方案组合，输入至一个地球系统耦合模式中，会得到一组第一模拟风况数据和一组第一模拟太阳辐照数据。示例性地，当第一初始场的数量为10，边界场组合的数量为3，第一参数化方案组合的数量为3，地球系统耦合模式的数量为1时，得到的10*3*3*1=90组第一模拟风况数据和第一模拟太阳辐照数据。
在一可选实施例中，风况数据包括风速，和/或，风向。
在一可选实施例中，太阳辐照数据包括太阳辐照度，和/或，气温。
步骤S103：根据各第一模拟风况数据和各第一模拟太阳辐照数据，计算第二模拟风况数据和第二模拟太阳辐照数据。
在一可选实施例中，第二模拟风况数据可以通过计算各第一模拟风况数据的均值得到。同样地，第二模拟太阳辐照数据可以通过计算各第一模拟太阳辐照数据的均值得到。
步骤S104：根据第二模拟风况数据、第二模拟太阳辐照数据，以及预建立的风光发电量模型，预测第一风光联合功率。
在一可选实施例中，第一风光联合功率包括各风机的风电功率、各光伏的光伏功率以及总体风光功率中的至少一种。
在一可选实施例中，风光发电量模型包括风力发电量模型和光伏发电量模型。示例性地，风力发电量模型可以为风能资源评估模型Meteodyn WT、Openwind，光伏发电量模型可以为pvPlanner、PVsyst等。
在进行风电功率预测或者光伏功率预测时，往往会先进行风况预测或太阳辐照预测，在相关技术中，采用单一的初始场、单一的边界场进行风况预测或者太阳辐照预测，但是由于大气的混沌特性，使得大气状态的演变对于初始场、边界场的微小误差非常敏感，因此初始场、边界场极小的误差也会在风况预测或太阳辐照预测中逐渐放大，通过本发明实施例提供的方法，在进行风况预测和太阳辐照预测时，采用多个初始场、多组边界场、多组参数化方案以及多个地球系统耦合模式的方式，得到多组风况数据和太阳辐照数据，进而获得最终的风况数据和太阳辐照数据，减小了初始场、边界场的微小误差，定量地考虑了由于大气混沌特性带来的风光联合出力的不确定性，使得到的风况数据和太阳辐照数据更加准确。此外，通过地球系统耦合模式模拟风况数据和太阳辐照数据，揭示风电基地在物理动力模式下风况变化、太阳辐照变化，以及风况和太阳辐照之间的耦合作用，使得模拟得到的风况数据和太阳辐照数据更加贴合实际情况。进一步的，当模拟得到的风况数据和太阳辐照数据更加贴合实际情况时，预测得到的风光联合功率也会更加精确。
在一示例中，在上述步骤S101中，通过如下内容获取区域地形数据：
首先，获取风光基地的下垫面数据。
在一可选实施例中，下垫面数据包括但不限于陆地的地形数据、海洋的地形数据、土地覆盖数据、土地利用数据等。下垫面数据对地形数据来源及种类不设限制。示例性地，陆地的地形数据可以采用GEOG地形数据。
然后，根据下垫面数据，获得区域地形数据。
在一可选实施例中，对于区域地形数据的空间分辨率不做具体限制，可以根据实际需要设定。
在一示例中，地球系统耦合模式包括多个不同类型的分量模式，不同的地球系统耦合模式对应的分量模式不同，通过如下内容获取地球系统耦合模式：
首先，确定风光基地在地球系统耦合模式中的多个构成分量。
在一可选实施例中，地球系统耦合模式的构成分量可以根据风光基地所在地的实际情况确定。示例性地，海上风光基地的构成分量可选择大气分量、海洋分量、海浪分量。长江流域风光基地的构成分量可选择大气分量、陆地分量、水文分量，从而最大程度适应风光基地所在地的下垫面特性并做出准确的模拟及预报。
然后，对于每一个构成分量，选择构成分量对应的分量模式。
在一可选实施例中，大气分量对应的分量模式可以为WRF模式等，海洋分量对应的分量模式可以为ROMS模式、FVCOM模式、HYCOM模式等，海浪分量对应的分量模式可以为SWAN模式、WAVEWATCHⅢ模式等。分量模式的数量在此不做具体限制，示例性地，可以选择2-3种不同的分量模式。
最后，将各分量模式进行耦合，得到地球系统耦合模式。
在一可选实施例中，可以通过耦合器（Model Coupling Toolkit，MCT）将不同分量模式进行耦合得到地球系统耦合模式。示例性地，可以选择WRF模式+ROMS模式+WAVEWATCHⅢ模式，或者WRF模式+FVCOM模式+SWAN模式通过MCT进行耦合得到地球系统耦合模式。
在本发明实施例中，不同的地球系统耦合模式包含分量模式不同。对于同一个地球系统耦合模式，考虑到了地球系统运转的物理动力规律，根据风光基地所在地的特征选取地球系统相关圈层的分量模式进行耦合，考虑到了不同圈层、不同分量模式之间的相互影响，使得通过地球系统耦合模式得到的风况数据和太阳辐照数据更加贴合实际、更加准确。
此外，在本发明实施例提供的方法中，基于地球系统耦合模式，可以实现对风况数据、太阳辐照数据进行中长期（数周）模拟、短期（数日）模拟或超短期（数小时）模拟，进而根据模拟得到的风况数据、太阳辐照数据，可以对风光联合功率进行中长期（数周）预测、短期（数日）预测或超短期（数小时）预测，实现对风力出力情况、光伏出力情况的准确预估。
在一示例中，在上述步骤S101中，通过如下内容获取各第一初始场：
首先，获取风光基地的全球大气预报数据、全球海洋预报数据和区域海洋模式分析场数据。
在一可选实施例中，地球系统耦合模式中的大气分量模式用于模拟大气圈层发生的过程，全球大气预报数据为地球系统耦合模式中的大气分量模式中所需要的数据。
在一可选实施例中，地球系统耦合模式中的海洋分量模式用于模拟海洋圈层发生的过程。全球海洋预报数据为地球系统耦合模式中的海洋分量模式中所需要的数据。
在一可选实施例中，地球系统耦合模式中的海浪分量模式用于模拟海浪圈层发生的过程。区域海洋模式分析场数据为地球系统耦合模式中的海浪分量模式中所需要的数据。
在一可选实施例中，全球大气预报数据可以通过全球预报系统GFS获得。
在一可选实施例中，全球海洋预报数据可以通过国家海洋环境预报中心获得。
然后，根据全球大气预报数据、全球海洋预报数据和区域海洋模式分析场数据，获得第二初始场。
最后，对第二初始场进行扰动处理，得到多个第一初始场。
在一可选实施例中，可以通过增长模繁殖法、奇异向量法、集合变化卡尔曼滤波法等初值扰动方法对第二初始场进行扰动处理，得到多个第一初始场。第一初始场的数量不做具体限制，示例性地，第一初始场的数量设置为至少10个。
在一示例中，在上述步骤S101中，获取边界场组合的具体步骤包括：
首先，获取风光基地的全球大气预报数据、全球海洋预报数据和区域海洋模式分析场数据。
在一可选实施例中，全球大气预报数据可以通过GRAPES的全球大气预报数据获得，也可以通过GFS全球预报系统等获得，在此不做具体限制。
在一可选实施例中，全球海洋预报数据可以通过国家海洋环境预报中心获得，也可以通过其他中心的全球海洋预报数据获得，在此不做具体限制。
在一可选实施例中，区域海洋模式分析场数据可以通过国家海洋环境预报中心区域获得，也可以通过全球海洋模式分析场获得，在此不做具体限制。
然后，分别根据全球大气预报数据、全球海洋预报数据和区域海洋模式分析场数据，确定全球大气预报数据的多个边界场、全球海洋预报数据的多个边界场和区域海洋模式分析场数据的多个边界场。
在一可选实施例中，全球大气预报数据的边界场可以为GFS大气预报边界场、GRAPES大气预报边界场等。
在一可选实施例中，全球海洋预报数据的边界场可以为国家海洋环境预报中心（National Marine Environmental Forecasting Center，NMEFC）全球海洋预报边界场、其他中心的全球海洋预报边界场等。
最后，在全球大气预报数据的多个边界场、全球海洋预报数据的多个边界场和区域海洋模式分析场数据的多个边界场中，选择至少两个边界场构成边界场组合。
示例性地，可以选择GFS大气预报边界场+国家海洋环境预报中心（NMEFC）全球海洋预报边界场作为一组边界场组合。
在一示例中，在上述步骤S101中，通过如下方式获取第一参数化方案组合：
首先，对于同一地球系统耦合模式、同一第一初始场和同一边界场组合，选取由至少两个参数化方案构成的各第二参数化方案组合。
在一可选实施例中，参数化方案包括但不限于微物理方案（如Kessler方案、Lin方案、WSM5方案等）、边界层与近地层方案（如YSU-revised MM5、Monin-Obukhov方案、QNSE方案等）、长波与短波辐射方案（如CAM-RRTMG方案、CAM-RRTMG fast方案、New Goddard方案等）。对于参数化方案组合中参数化方案的数量在此不做具体限制，示例性地，可以选择2-3种参数化方案构成参数化方案组合。参数化方案组合可以为Kessler方案+QNSE方案+CAM-RRTMG方案。
其次，将区域地形数据、第一初始场、边界场组合和各第二参数化方案组合，输入至地球系统耦合模式中，获得各第二参数化方案组合对应的第三模拟风况数据和第三模拟太阳辐照数据。
再次，获取风光基地的实际风况数据、实际太阳辐照数据。
在一可选实施例中，实际风况数据、实际太阳辐照数据为后报数据，即历史天气下对应的数据。示例性地，实际风况数据为过去预设时段内，测风塔所观测的自由来流风场的风速、风向数据。实际太阳辐照数据为过去预设时段内，风光基地所在位置处的辐照数据库solargis中的历史太阳辐照度数据。过去预设时段可以根据实际需要设定，在此不做具体限制。示例性地，过去预设时段为风光基地建设完成前、项目前期测风塔观测自由来流风场的时间段。
最后，根据第三模拟风况数据与实际风况数据的偏差，以及第三模拟太阳辐照数据与实际太阳辐照数据的偏差，筛选各第二参数化方案组合，得到预设数量的第一参数化方案组合。
在一可选实施例中，第三模拟风况数据与实际风况数据的偏差，以及第三模拟太阳辐照数据与实际太阳辐照数据的偏差，可以通过距平相关系数、均方根误差、绝对误差、预兆评分等方式表征。第一参数化方案组合的数量在此不做具体限制，可以根据实际需要设定。
在一示例中，在上述步骤S103中，计算第二模拟风况数据和第二模拟太阳辐照数据的具体步骤为：
首先，计算各第一模拟风况数据的均值和各第一模拟太阳辐照数据的均值。图2是第一模拟风况数据的结果示意图，黑色粗线表示第一模拟风况数据的均值，黑色细线表示多个第一模拟风况数据。
然后，根据预建立的风光预测订正模型，对各第一模拟风况数据的均值和各第一模拟太阳辐照数据的均值进行订正，得到第二模拟风况数据和第二模拟太阳辐照数据。
在本发明实施例中，通过多个地球系统耦合模式、多个第一边界场、多组边界场组合、以及多组参数化方案组合获取得到多个第一模拟风况数据和多个第一模拟太阳辐照数据，通过计算第一模拟风况数据的均值、第一模拟太阳辐照数据的均值，减少由于大气混动特性导致的初始场、边界场的误差带来的风况数据误差和太阳辐照数据误差。进一步的，通过风光预测订正模型，对第一模拟风况数据的均值、第一模拟太阳辐照数据的均值进行订正，可以使得模拟得到的风况数据和太阳辐照数据更加准确，进一步提高预测效果。
在一示例中，通过如下内容构建风光预测订正模型：
首先，获取风光基地的实际风况数据、实际太阳辐照数据。
然后，获取风光基地在地球系统耦合模式中的第四模拟风况数据的均值和第四模拟太阳辐照数据的均值。
最后，将实际风况数据和实际太阳辐照数据作为初始风光预测订正模型的输出，将第四模拟风况数据的均值和第四模拟太阳辐照数据的均值作为初始风光预测订正模型的输入，训练初始风光预测订正模型，得到风光预测订正模型。
在一可选实施例中，风光预测订正模型包括风速订正模型、风向订正模型、太阳辐照度订正模型和气温订正模型。
在一可选实施例中，初始风光预测订正模型通过机器学习算法获得。示例性地，机器学习算法可以为随机森林算法、支持向量机算法和神经网络算法等等。
在本发明实施例中，风光预测订正模型是通过风况数据均值、太阳辐照数据均值，以及实际风况数据、实际太阳辐照数据进行训练得到的，而风况数据均值、太阳辐照数据均值是通过多个初始场、多组边界场组合、不同参数化方案组合、多个由不同分量模式构成的地球系统耦合模式预测得到的，相比较由单一初始场、单一边界场、单一参数化方案、单一地球系统耦合模式得到的风况数据和太阳辐照数据，本发明实施例中的风况数据均值和太阳辐照数据均值更能代表风光基地真实的下垫面特征、大气运动状态等，因此得到的风光预测订正模型也会更加准确。
在一示例中，在上述步骤S104中，预测第一风光联合功率的具体实现方式包括：
首先，根据第二模拟风况数据和第二模拟太阳辐照数据，以及预建立的风光发电量模型，预测第二风光联合功率。
然后，根据预建立的风光功率订正模型，对第二风光联合功率进行订正，得到第一风光联合功率。
通过本发明实施例，根据风光功率订正模型，对风光发电量模型预测出来的第二风光联合功率进行订正，可以更加准确的预测风光联合功率。
在一可选实施例中，风光功率订正模型通过卷积神经网络算法、视觉自注意力模型（vision transformer算法）、门控循环单元、长短期记忆网络算法中的一种或多种获得。
在一可选实施例中，卷积神经网络算法/视觉自注意力模型（vision transformer算法）考虑到了空间位置特征信息，双向门控循环单元/长短期记忆网络算法考虑到了时间依赖特征信息，可以将积神经网络算法、门控循环单元、长短期记忆网络算法相结合，对风光发电量模型预测出来的第二风光联合功率进行订正。示例性地，可以利用卷积神经网络算法和双向门控循环单元，或者也可以利用视觉自注意力模型（vision transformer算法）和长短期记忆网络算法，获得针对风光联合功率的时空特征订正算法，对风光发电量模型预测出来的第二风光联合功率进行订正。
在一示例中，还可以根据获得的多个第一模拟风况数据和多个第一模拟太阳辐照数据，计算各第一模拟风况数据的概率分布函数，以及第一模拟太阳辐照数据的概率分布函数；根据各第一模拟风况数据的概率分布函数，以及第一模拟太阳辐照数据的概率分布函数，计算多个风况数据及风况数据对应的概率密度，以及多个太阳辐照数据及太阳辐照数据对应的概率密度。通过本发明实施例，可以丰富风况数据和太阳辐照数据，为进一步预测风光联合功率提供数据支撑。
基于相同发明构思，本发明还提供了一种考虑大气混沌特征的风光联合功率集合预测装置，如图3所示，装置包括：
获取模块301，用于获取风光基地的区域地形数据，以及在多个地球系统耦合模式中的各第一初始场、各边界场组合和各第一参数化方案组合；详细内容参见上述实施例中步骤S101的描述，在此不再赘述。
模拟模块302，用于将区域地形数据、各第一初始场、各边界场组合和各第一参数化方案组合，输入至各地球系统耦合模式中，获得风光基地的各第一模拟风况数据和各第一模拟太阳辐照数据；详细内容参见上述实施例中步骤S102的描述，在此不再赘述。
计算模块303，用于根据各第一模拟风况数据和各第一模拟太阳辐照数据，计算第二模拟风况数据和第二模拟太阳辐照数据；详细内容参见上述实施例中步骤S103的描述，在此不再赘述。
预测模块304，用于根据第二模拟风况数据、第二模拟太阳辐照数据，以及预建立的风光发电量模型，预测第一风光联合功率。详细内容参见上述实施例中步骤S104的描述，在此不再赘述。
在一示例中，获取模块301包括：
第一获取子模块，用于获取风光基地的下垫面数据；详细内容参见上述实施例中的描述，在此不再赘述。
第二获取子模块，用于根据下垫面数据，获得区域地形数据。详细内容参见上述实施例中的描述，在此不再赘述。
在一示例中，在获取模块301中，地球系统耦合模式包括多个不同类型的分量模式，不同的地球系统耦合模式对应的分量模式不同，获取模块301还包括：
第一确定子模块，用于确定风光基地在地球系统耦合模式中的多个构成分量；详细内容参见上述实施例中的描述，在此不再赘述。
第一选择子模块，用于对于每一个构成分量，选择构成分量对应的分量模式；详细内容参见上述实施例中的描述，在此不再赘述。
耦合子模块，用于将各分量模式进行耦合，得到地球系统耦合模式。详细内容参见上述实施例中的描述，在此不再赘述。
在一示例中，获取模块301还包括：
第三获取子模块，用于获取风光基地的全球大气预报数据、全球海洋预报数据和区域海洋模式分析场数据；详细内容参见上述实施例中的描述，在此不再赘述。
第四获取子模块，用于根据全球大气预报数据、全球海洋预报数据和区域海洋模式分析场数据，获得第二初始场；详细内容参见上述实施例中的描述，在此不再赘述。
处理子模块，用于对第二初始场进行扰动处理，得到多个第一初始场。详细内容参见上述实施例中的描述，在此不再赘述。
在一示例中，获取模块301还包括：
第五获取子模块，用于获取风光基地的全球大气预报数据、全球海洋预报数据和区域海洋模式分析场数据；详细内容参见上述实施例中的描述，在此不再赘述。
第二确定子模块，用于分别根据全球大气预报数据、全球海洋预报数据和区域海洋模式分析场数据，确定全球大气预报数据的多个边界场、全球海洋预报数据的多个边界场和区域海洋模式分析场数据的多个边界场；详细内容参见上述实施例中的描述，在此不再赘述。
第二选择子模块，用于在全球大气预报数据的多个边界场、全球海洋预报数据的多个边界场和区域海洋模式分析场数据的多个边界场中，选择至少两个边界场构成边界场组合。详细内容参见上述实施例中的描述，在此不再赘述。
在一示例中，获取模块301还包括：
第三选择子模块，用于对于同一地球系统耦合模式、同一第一初始场和同一边界场组合，选取由至少两个参数化方案构成的各第二参数化方案组合；详细内容参见上述实施例中的描述，在此不再赘述。
第六获取子模块，用于将区域地形数据、第一初始场、边界场组合和各第二参数化方案组合，输入至地球系统耦合模式中，获得各第二参数化方案组合对应的第三模拟风况数据和第三模拟太阳辐照数据；详细内容参见上述实施例中的描述，在此不再赘述。
第七获取子模块，用于获取风光基地的实际风况数据、实际太阳辐照数据；详细内容参见上述实施例中的描述，在此不再赘述。
筛选子模块，用于根据第三模拟风况数据与实际风况数据的偏差，以及第三模拟太阳辐照数据与实际太阳辐照数据的偏差，筛选各第二参数化方案组合，得到预设数量的第一参数化方案组合。详细内容参见上述实施例中的描述，在此不再赘述。
在一示例中，计算模块303包括：
计算子模块，用于计算各第一模拟风况数据的均值和各第一模拟太阳辐照数据的均值；详细内容参见上述实施例中的描述，在此不再赘述。
第一订正子模块，用于根据预建立的风光预测订正模型，对各第一模拟风况数据的均值和各第一模拟太阳辐照数据的均值进行订正，得到第二模拟风况数据和第二模拟太阳辐照数据。详细内容参见上述实施例中的描述，在此不再赘述。
在一示例中，第一订正子模块包括：
第一获取单元，用于获取风光基地的实际风况数据、实际太阳辐照数据；详细内容参见上述实施例中的描述，在此不再赘述。
第二获取单元，用于获取风光基地在地球系统耦合模式中的第四模拟风况数据的均值和第四模拟太阳辐照数据的均值；详细内容参见上述实施例中的描述，在此不再赘述。
训练单元，用于将实际风况数据和实际太阳辐照数据作为初始风光预测订正模型的输出，将第四模拟风况数据的均值和第四模拟太阳辐照数据的均值作为初始风光预测订正模型的输入，训练初始风光预测订正模型，得到风光预测订正模型。详细内容参见上述实施例中的描述，在此不再赘述。
在一示例中，预测模块304包括：
预测子模块，用于根据第二模拟风况数据和第二模拟太阳辐照数据，以及预建立的风光发电量模型，预测第二风光联合功率；详细内容参见上述实施例中的描述，在此不再赘述。
第二订正子模块，用于根据预建立的风光功率订正模型，对第二风光联合功率进行订正，得到第一风光联合功率。详细内容参见上述实施例中的描述，在此不再赘述。
在一示例中，在该装置中，风况数据包括风速，和/或，风向。详细内容参见上述实施例中的描述，在此不再赘述。
在一示例中，在该装置中，太阳辐照数据包括太阳辐照度，和/或，气温。详细内容参见上述实施例中的描述，在此不再赘述。
在一示例中，在该装置中，第一风光联合功率包括各风机的风电功率、各光伏的光伏功率以及总体风光功率中的至少一种。详细内容参见上述实施例中的描述，在此不再赘述。
上述装置的具体限定以及有益效果可以参见上文中对于考虑大气混沌特征的风光联合功率集合预测方法的限定，在此不再赘述。上述各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
图4是根据一示例性实施例提出的一种计算机设备的硬件结构示意图。如图4所示，该设备包括一个或多个处理器410以及存储器420，存储器420包括持久内存、易失内存和硬盘，图4中以一个处理器410为例。该设备还可以包括：输入装置430和输出装置440。
处理器410、存储器420、输入装置430和输出装置440可以通过总线或者其他方式连接，图4中以通过总线连接为例。
处理器410可以为中央处理器（Central Processing Unit，CPU）。处理器410还可以为其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器420作为一种非暂态计算机可读存储介质，包括持久内存、易失内存和硬盘，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本申请实施例中考虑大气混沌特征的风光联合功率集合预测方法对应的程序指令/模块。处理器410通过运行存储在存储器420中的非暂态软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述任意一种考虑大气混沌特征的风光联合功率集合预测方法。
存储器420可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据、需要使用的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器420可选包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至数据处理装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的信号输入。输出装置440可包括显示屏等显示设备。
一个或者多个模块存储在存储器420中，当被一个或者多个处理器410执行时，执行如图1所示的方法。
上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，具体可参见如图1所示的实施例中的相关描述。
本发明实施例还提供了一种非暂态计算机存储介质，计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的预测方法。其中，存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）、随机存储记忆体（RandomAccess Memory，RAM）、快闪存储器（Flash Memory）、硬盘（Hard Disk Drive，缩写：HDD）或固态硬盘（Solid-State Drive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (15)

1.一种考虑大气混沌特征的风光联合功率集合预测方法，其特征在于，所述方法包括：
获取风光基地的区域地形数据，以及在多个地球系统耦合模式中的各第一初始场、各边界场组合和各第一参数化方案组合；
将所述区域地形数据、各所述第一初始场、各所述边界场组合和各所述第一参数化方案组合，输入至各所述地球系统耦合模式中，获得所述风光基地的各第一模拟风况数据和各第一模拟太阳辐照数据；
根据各所述第一模拟风况数据和各所述第一模拟太阳辐照数据，计算第二模拟风况数据和第二模拟太阳辐照数据；
根据所述第二模拟风况数据、所述第二模拟太阳辐照数据，以及预建立的风光发电量模型，预测第一风光联合功率。
2.根据权利要求1所述的方法，其特征在于，获取所述区域地形数据的步骤包括：
获取所述风光基地的下垫面数据；
根据所述下垫面数据，获得所述区域地形数据。
3.根据权利要求1所述的方法，其特征在于，所述地球系统耦合模式包括多个不同类型的分量模式，不同的地球系统耦合模式对应的分量模式不同，获取所述地球系统耦合模式的步骤包括：
确定所述风光基地在所述地球系统耦合模式中的多个构成分量；
对于每一个构成分量，选择所述构成分量对应的分量模式；
将各所述分量模式进行耦合，得到所述地球系统耦合模式。
4.根据权利要求1所述的方法，其特征在于，获取各所述第一初始场的步骤包括：
获取所述风光基地的全球大气预报数据、全球海洋预报数据和区域海洋模式分析场数据；
根据所述全球大气预报数据、所述全球海洋预报数据和所述区域海洋模式分析场数据，获得第二初始场；
对所述第二初始场进行扰动处理，得到多个所述第一初始场。
5.根据权利要求1所述的方法，其特征在于，获取所述边界场组合的步骤包括：
获取所述风光基地的全球大气预报数据、全球海洋预报数据和区域海洋模式分析场数据；
分别根据所述全球大气预报数据、所述全球海洋预报数据和所述区域海洋模式分析场数据，确定所述全球大气预报数据的多个边界场、所述全球海洋预报数据的多个边界场和所述区域海洋模式分析场数据的多个边界场；
在所述全球大气预报数据的多个边界场、所述全球海洋预报数据的多个边界场和所述区域海洋模式分析场数据的多个边界场中，选择至少两个边界场构成所述边界场组合。
6.根据权利要求1所述的方法，其特征在于，获取所述第一参数化方案组合的步骤包括：
对于同一地球系统耦合模式、同一第一初始场和同一边界场组合，选取由至少两个参数化方案构成的各第二参数化方案组合；
将所述区域地形数据、所述第一初始场、所述边界场组合和各所述第二参数化方案组合，输入至所述地球系统耦合模式中，获得各所述第二参数化方案组合对应的第三模拟风况数据和第三模拟太阳辐照数据；
获取风光基地的实际风况数据、实际太阳辐照数据；
根据所述第三模拟风况数据与所述实际风况数据的偏差，以及所述第三模拟太阳辐照数据与所述实际太阳辐照数据的偏差，筛选各所述第二参数化方案组合，得到预设数量的第一参数化方案组合。
7.根据权利要求1所述的方法，其特征在于，根据各所述第一模拟风况数据和各所述第一模拟太阳辐照数据，计算第二模拟风况数据和第二模拟太阳辐照数据，包括：
计算各所述第一模拟风况数据的均值和各所述第一模拟太阳辐照数据的均值；
根据预建立的风光预测订正模型，对各所述第一模拟风况数据的均值和各所述第一模拟太阳辐照数据的均值进行订正，得到所述第二模拟风况数据和所述第二模拟太阳辐照数据。
8.根据权利要求7所述的方法，其特征在于，构建所述风光预测订正模型的步骤包括：
获取所述风光基地的实际风况数据、实际太阳辐照数据；
获取所述风光基地在所述地球系统耦合模式中的第四模拟风况数据的均值和第四模拟太阳辐照数据的均值；
将所述实际风况数据和所述实际太阳辐照数据作为初始风光预测订正模型的输出，将所述第四模拟风况数据的均值和所述第四模拟太阳辐照数据的均值作为所述初始风光预测订正模型的输入，训练所述初始风光预测订正模型，得到所述风光预测订正模型。
9.根据权利要求1所述的方法，其特征在于，根据所述第二模拟风况数据、所述第二模拟太阳辐照数据，以及预建立的风光发电量模型，预测第一风光联合功率，包括：
根据所述第二模拟风况数据和所述第二模拟太阳辐照数据，以及预建立的风光发电量模型，预测第二风光联合功率；
根据预建立的风光功率订正模型，对所述第二风光联合功率进行订正，得到所述第一风光联合功率。
10.根据权利要求1所述的方法，其特征在于，风况数据包括风速，和/或，风向。
11.根据权利要求1或10所述的方法，其特征在于，太阳辐照数据包括太阳辐照度，和/或，气温。
12.根据权利要求1所述的方法，其特征在于，所述第一风光联合功率包括各风机的风电功率、各光伏的光伏功率以及总体风光功率中的至少一种。
13.一种考虑大气混沌特征的风光联合功率集合预测装置，其特征在于，所述装置包括：
获取模块，用于获取风光基地的区域地形数据，以及在多个地球系统耦合模式中的各第一初始场、各边界场组合和各第一参数化方案组合；
模拟模块，用于将所述区域地形数据、各所述第一初始场、各所述边界场组合和各所述第一参数化方案组合，输入至各所述地球系统耦合模式中，获得所述风光基地的各第一模拟风况数据和各第一模拟太阳辐照数据；
计算模块，用于根据各所述第一模拟风况数据和各所述第一模拟太阳辐照数据，计算第二模拟风况数据和第二模拟太阳辐照数据；
预测模块，用于根据所述第二模拟风况数据、所述第二模拟太阳辐照数据，以及预建立的风光发电量模型，预测第一风光联合功率。
14.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1-12中任一项所述的考虑大气混沌特征的风光联合功率集合预测方法的步骤。
15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-12中任一项所述的考虑大气混沌特征的风光联合功率集合预测方法的步骤。
CN202311015003.8A 2023-08-14 2023-08-14 考虑大气混沌特征的风光联合功率集合预测方法及装置 Active CN116742626B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311015003.8A CN116742626B (zh) 2023-08-14 2023-08-14 考虑大气混沌特征的风光联合功率集合预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311015003.8A CN116742626B (zh) 2023-08-14 2023-08-14 考虑大气混沌特征的风光联合功率集合预测方法及装置

Publications (2)

Publication Number Publication Date
CN116742626A true CN116742626A (zh) 2023-09-12
CN116742626B CN116742626B (zh) 2023-10-20

Family

ID=87917266

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311015003.8A Active CN116742626B (zh) 2023-08-14 2023-08-14 考虑大气混沌特征的风光联合功率集合预测方法及装置

Country Status (1)

Country Link
CN (1) CN116742626B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117726183A (zh) * 2024-02-07 2024-03-19 天津生联智慧科技发展有限公司 一种基于空间高阶卷积的燃气运行数据预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014011345A (ja) * 2012-06-29 2014-01-20 Hitachi Information & Control Solutions Ltd 発電量予測装置、発電量予測方法、プログラム、および電力制御システム
US20200057175A1 (en) * 2018-08-17 2020-02-20 Nec Laboratories America, Inc. Weather dependent energy output forecasting
CN114006369A (zh) * 2021-10-28 2022-02-01 华北电力大学 区域风光场站功率联合预测方法、装置、电子设备和存储介质
CN115271191A (zh) * 2022-07-18 2022-11-01 广东电网有限责任公司电力调度控制中心 一种风光功率联合预测模型的构建方法、系统及预测方法
CN116247663A (zh) * 2023-02-22 2023-06-09 湖南防灾科技有限公司 光伏功率突变预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014011345A (ja) * 2012-06-29 2014-01-20 Hitachi Information & Control Solutions Ltd 発電量予測装置、発電量予測方法、プログラム、および電力制御システム
US20200057175A1 (en) * 2018-08-17 2020-02-20 Nec Laboratories America, Inc. Weather dependent energy output forecasting
CN114006369A (zh) * 2021-10-28 2022-02-01 华北电力大学 区域风光场站功率联合预测方法、装置、电子设备和存储介质
CN115271191A (zh) * 2022-07-18 2022-11-01 广东电网有限责任公司电力调度控制中心 一种风光功率联合预测模型的构建方法、系统及预测方法
CN116247663A (zh) * 2023-02-22 2023-06-09 湖南防灾科技有限公司 光伏功率突变预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孔波利;崔丽艳;丁钊;李现伟;王以笑;: "基于风光混合模型的短期功率预测方法研究", 电力系统保护与控制, no. 18 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117726183A (zh) * 2024-02-07 2024-03-19 天津生联智慧科技发展有限公司 一种基于空间高阶卷积的燃气运行数据预测方法

Also Published As

Publication number Publication date
CN116742626B (zh) 2023-10-20

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
Yoder et al. Short‐term forecasting of categorical changes in wind power with Markov chain models
US20150039228A1 (en) Ultra-short-term forecasting method including real-time monitoring of the effect of upper and lower courses
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
Singh et al. Wind power estimation using artificial neural network
CN114417623A (zh) Grapes-reps区域集合预报方法及系统
CN114483485A (zh) 一种Nudging风电场观测资料改进风速预测的方法
CN112100921A (zh) 一种基于wrf和随机森林获取风资源风速的方法
CN115271262B (zh) 一种广域风力发电功率预测方法、装置及存储介质
CN112862274A (zh) 一种基于WRF-LES和DeepAR相结合的风功率预测方法
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
CN115586591A (zh) 风暴潮的自动预报方法以及装置
CN116738769B (zh) 一种风光数据生成模型构建方法及风光数据生成方法
CN113627096B (zh) 一种基于空间相关性和监测数据的精细风场模拟方法
Abraham et al. A prototype stochastic parameterization of regime behaviour in the stably stratified atmospheric boundary layer
CN116976227B (zh) 一种基于lstm机器学习的风暴增水预报方法及系统
CN112070320B (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
CN117493476A (zh) 一种融合物理机制和人工智能的径流回溯模拟方法及系统
CN117493475A (zh) 一种基于机器学习重构缺资料地区月径流的方法及系统
CN115860248A (zh) 风速数值同化短临预测方法及系统
CN114781749B (zh) 一种小水电厂发电流量数据的预测方法及系统
CN115912334A (zh) 风电场出力保证率的预测模型创建方法及预测方法
CN116760028A (zh) 一种风光联合功率预测方法、装置、计算机设备及介质
Huang et al. Probabilistic prediction intervals of wind speed based on explainable neural network
CN112801429A (zh) 微地形风功率计算方法、装置及系统

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
GR01 Patent grant
GR01 Patent grant