CN117057489B - 一种测风时长对风资源误差的评估方法、系统及设备 - Google Patents

Abstract

本发明公开了一种测风时长对风资源误差的评估方法、系统及设备，涉及风资源评估技术领域，包括：获取目标区域符合预设条件的测风数据；基于测风数据和参考数据源，从多种测量相关预测模型中筛选出符合第一预设要求优选测量相关预测模型；将待处理的实际测风数据和参考数据源代入优选测量相关预测模型，得到对应的目标插补数据；将目标插补数据与相同时长的历史数据进行对比，得到对应的风资源评估误差。从而明确所评估区域由测风时长引起的评估误差水平，替代依靠经验值参数进行分析的方法，由此提升误差分析准确性，快速可靠判断风资源情况，为项目投资决策奠定基础。还降低了传统评估方法中对测风时长的要求，节约项目投资时间成本。

Description

一种测风时长对风资源误差的评估方法、系统及设备

技术领域

本发明涉及风资源评估技术领域，尤其涉及一种测风时长对风资源误差的评估方法、系统及设备。

背景技术

风电资源数据是进行风电场项目开发的必要数据，根据相关标准和规范要求，用于风能资源评估的测风塔，在简单地形条件下的有效控制半径宜为3km，复杂地形下不宜超过2km，且测风数据时长至少是1个完整年。而在项目评估过程中，会频繁遇到场内具有代表性的测风塔的测风时长不满足规范要求的情况，引起风资源和发电量评估误差。对于因测风数据时长不足引起的误差，通常简单地采用经验值系数进行估算，缺少标准化的定量评估过程。为此，需要一种新的基于测风时长误差的评估方法，提高误差分析准确性。

发明内容

本发明实施例通过提供一种测风时长对风资源误差的评估方法、系统及设备，至少部分解决了现有技术中利用经验值系数进行对测风时长误差估算，导致准确度低的技术问题，实现了更为准确的不同测风时长对应的风资源评估误差水平的技术效果。

第一方面，为解决上述技术问题，本发明的实施例提供了如下技术方案：

一种测风时长对风资源误差的评估方法，包括：

获取目标区域第一预设时间内，符合预设条件的对照测风数据；

基于上述对照测风数据和参考数据源，从多种测量相关预测模型中筛选出符合第一预设要求优选测量相关预测模型；

将待处理的实际测风数据和参考数据源代入上述优选测量相关预测模型，得到对应的目标插补数据；

将上述目标插补数据与相同时长的历史数据进行对比，得到对应的风资源评估误差。

可选的，在符合预设条件的对照测风数据之后，上述方法还包括：

将对照测风数据进行分析处理，以检查有效数据是否达到预设完整率，若是则采用；反之，则重新获取。

可选的，获取上述参考数据源的步骤，具体包括：

获取多个全球大气再分析数据集；

将多个上述全球大气再分析数据集分别与对照测风数据进行相关性分析，选择相关性最高的作为上述参考数据源。

可选的，上述从多种测量相关预测模型中筛选出符合第一预设要求优选测量相关预测模型的步骤，具体包括：

利用多种测量相关预测模型对上述对照测风数据进行插补，得到多个第二预设时间内的插补数据；

分别将多个上述插补数据与相同时长的对照数据进行对比，筛选出符合第一预设要求的优选测量相关预测模型。

可选的，在从多种测量相关预测模型中筛选出符合第一预设要求优选测量相关预测模型之前，还包括：

从上述第一预设时间内筛选出符合第二预设要求的优选测风时段内的对照测风数据。

可选的，上述将上述目标插补数据与相同时长的历史数据进行对比的步骤，具体包括：

基于上述目标插补数据计算对应的第一发电量数据；

基于对照测风数据计算对应的第二发电量数据；

将上述第一发电量数据和上述第二发电量数据进行对比。

可选的，多种上述测量相关预测模型采用线性最小二乘法、总体最小二乘法、方差比算法和矩阵时间序列算法中的至少一种。

可选的，在得到对应的风资源评估误差之后，上述方法该包括：

建立图表的预设模板；

将于不同测风时长对应的误差值，录入上述预设模板中，生成目标图表。

第二方面，提供一种测风时长对风资源误差的评估系统，包括：

测风数据获取模块，用于获取目标区域第一预设时间内，符合预设条件的对照测风数据；

MCP优选模块，基于上述对照测风数据和参考数据源，从多种测量相关预测模型中筛选出符合第一预设要求优选测量相关预测模型；

待处理数据插补模块，用于将待处理的实际测风数据和参考数据源代入上述优选测量相关预测模型，得到对应的目标插补数据；

误差评估模块，用于将上述目标插补数据与相同时长的历史数据进行对比，得到对应的风资源评估误差。

第三方面，提供一种电子设备，其特征在于，上述电子设备包括：存储器、处理器及存储在上述存储器上并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如第一方面上述方法对应的步骤。

本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

在本发明中，基于目标区域附近的满一年对照测风数据，利用优选的测量相关预测模型的计算，明确所评估项目区域附近由测风数据时长、不同大小风月引起的评估误差水平，从而明确因场内短期测风数据时长不足引起的评估误差水平。并可以替代传统测风数据误差分析中依靠经验值参数进行分析，由此提升误差分析准确性，快速可靠判断风资源情况，为项目投资决策奠定基础。另外，由于采用模型进行数据插补，还可降低传统评估方法中对测风时长的要求，使投资决策更加灵活，节约项目投资时间成本。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明提供的一种测风时长对风资源误差的评估方法的流程图；

图2为本发明提供的一种测风时长对风资源误差的评估系统的结构示意图；

图3为本发明中ERA5相关性分析的示意图；

图4为本发明中MERRA2相关性分析的示意图；

图5为本发明中线性最小二乘法的原理示意图；

图6为本发明中总体最小二乘法的原理示意图；

图7为本发明提供的一种电子设备的结构示意图。

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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

应当理解本发明实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。

本发明实施例的技术方案为解决上述技术问题，总体思路如下：

利用气象对照参数，筛选最为准确的测量相关预测模型，并将其适用于待处理的气象测风时长中，从而为测风时长的误差评估提供更为准确的依据。

本发明实施例中，提供了如图1和图2所示的一种测风时长对风资源误差的评估方法，该方法包括步骤S101~S104：

步骤S101，获取目标区域第一预设时间内，符合预设条件的对照测风数据；

需要说明的是，该步骤中获取的参数，主要是进行多种测量相关预测模型的优选，故而需要选择完整且有效的数据。详细的，获取目标区域内测风时长至少满一年（即第一预设时间）的测风数据作为对照测风数据。

步骤S102，基于对照测风数据和参考数据源，从多种测量相关预测模型中筛选出符合第一预设要求优选测量相关预测模型；

需要说明的是，参考数据源主要用于对照，可以采用任一公开的全球大气再分析数据集进行参照，例如：欧洲中期天气预报中心（ECMWF）提供的基于欧洲数值模式的再分析产品ERA5和美国海洋和大气管理局（NOAA）提供的基于全球资料同化系统的再分析产品MERRA2等长期气象再分析数据源。而由于公开的数据源对于不同区域分析，也有优劣，故而进行优选。

详细的，获取所述参考数据源的步骤，具体包括：获取多个全球大气再分析数据集；将多个全球大气再分析数据集分别与对照测风数据进行相关性分析，选择相关性最高的作为参考数据源。其中相关性分析可以采用计算相关性统计量，即使用皮尔逊相关系数、斯皮尔曼等级相关系数或肯德尔等级相关系数等统计量计算对照测风数据和全球大气再分析数据集之间的相关性。这些统计量可以衡量线性或非线性相关程度，可根据不同区域的现场要求和适用范围进行选择。另外，如果对照测风数据和全球大气再分析数据集是时间序列数据，可以进行更深入的时间序列分析。例如，使用自相关函数（ACF）和偏自相关函数（PACF）分析时间序列的滞后相关性，使用傅里叶变换（FFT）分析时间序列的频率成分等。本实施例以ERA5和MERRA2为例进行相关性分析，如图3和图4所示。得到相关系数如表1所示。

而对于优选测量相关预测模型的筛选，则是对比多个模型的结果，基于结果最优进行选择。具体的，在从多种测量相关预测（Measurement-Correlated Prediction，简称MCP）模型中筛选出符合第一预设要求优选测量相关预测模型之前，针对测风塔实际测量数据，从第一预设时间内筛选出符合第二预设要求的优选测风时段内的测风数据，即取具有代表性（符合第二预设要求）的6个月测风时段。而这6个月测风时段的选取，主要是依据现场需要选择最能反应目标区域风力情况的数据，旨在保证数据的准确性，从而进一步保证筛选出的优选测量相关预测模型更为准确。其中，第二预设要求指的是具有广泛的取样范围，能够覆盖不同的时间、地点和环境条件，从而能够反映风向、风速等气象参数的真实分布情况。其次具有足够的数量，能够满足统计分析的需要，从而能够反映总体特征的统计规律性。最后还需要具有足够的精度和稳定性，能够满足特定应用场景的要求，从而能够提供准确可靠的气象信息。在实施中，将气象参数作为特征，并基于目标区域的要求设置阈值后，利用程序完成筛选。

最后，对于优选测量相关预测模型具体的筛选步骤，如下：

利用多种测量相关预测模型将对照测风数据进行插补，得到多个第二预设时间内的插补数据；即基于6个月的测风时段数据插补成完整年（第二预设时间）的数据。

分别将多个插补数据与相同时长的对照数据进行对比，筛选出符合第一预设要求的优选测量相关预测模型。即利用插补完成的完整年数据，和筛选测风对照数据对比，从而得到误差结果。选择误差最小（即第一预设要求）的作为优选测量相关预测模型。

具体的，多种测量相关预测模型采用线性最小二乘法、总体最小二乘法、方差比算法和矩阵时间序列算法中的至少一种。其中一个方法或算法，基于不同的对照数据可以生成带有差别的模型，故此也可以利用一个算法生成多个模型进行对比。

其中，采用线性最小二乘法（也称为“普通最小二乘”）过程如下：

其作为一种在一组（x，y）观测值中找到y和x变量之间线性关系的方法，以最小化从最佳拟合线垂直测量的平方误差之和为目标，其原理如图5所示。由此，为了在（x，y）形式的N个点的集合上实现线性最小二乘算法，需要计算以下中间变量：

在每个方向扇区分别应用最小二乘法，计算得到对应每个扇区的斜率和截距。

（1）

（2）

（3）

其中，指的是数据的x方向上的离散程度，也就是每个数据点与x平均值的差的平方然后求和。指的是数据的x和y两个方向上的离散程度，也就是每个数据点与x平均值和y平均值的差的乘积然后求和。指的是数据的y方向上的离散程度，也就是每个数据点与y平均值的差的平方然后求和。

本实施例采用双参数拟合，建立模型为的线性拟合，其中m是斜率，b是截距，采用以下公式计算斜率和截距：

（4）

（5）

在每个方向扇区分别应用最小二乘法，基于公式（1）、（2）、（3）、（4）和（5）计算得到对应每个扇区的斜率和截距，并带入建立的模型中，获得插补所用的模型。

当采用总体最小二乘法时，其过程如下：

总体最小二乘法作为一种在一组（x，y）观测值中找到y和x变量之间线性关系的方法，以最小化正交于最佳拟合线测量的平方误差之和为目标，其原理如图6所示。

为了在形式为（x，y）的N个点的集合上实现总最小二乘算法，首先计算以下中间变量，中间变量公式与公式（1）、（2）和（3）相同。

依次采用双参数拟合，建立模型为的线性拟合，其中m是斜率，b是截距，斜率和截距计算公式如下：

（6）

（7）

在每个方向扇区分别应用最小二乘法，基于公式（1）、（2）、（3）、（6）和（7）计算得到对应每个扇区的斜率和截距，并带入建立的模型中，获得插补所用的模型。

当采用方差比算法时，其过程如下：

“方差比”算法一种简单而鲁棒性强的MCP算法。它使用形式为的线性模型，并设置该线性模型的两个参数，使得预测目标风速的方差等于观测目标风速的方差。

设置x表示观测的参考风速（参考数据源中获取），y表示观测的目标风速。根据观测到的参考风速预测目标风速的线性模型如下：

（8）

其中，方差比算法旨在使预测的目标风速的方差与观测的目标风速方差相等，得到：

（9）

基于此，斜率的平方等于“方差比”，即观测到的目标风速的方差与观测到的参考风速的方差之比，得到：

（10）

因此，斜率本身等于观测到的目标风速与观测到的参考风速的标准偏差之比为：

（11）

同时，方差比算法还旨在使预测目标风速的平均值等于观测到的目标风速的均值，故而得到：

（12）

综合公式（8）、（9）、（10）、（11）和（12）求出截距的结果为：

（13）

其中是观测的参考风速的平均值，是观测的目标风速的平均值。

当采用矩阵时间序列算法（简称MTS算法）时，其过程如下：

MTS算法旨在生成目标地点风速的真实分布，其基本原理是识别目标和参考风速之间关系的概率属性：单个参考风速将不对应于单个目标风速，而是对应于目标风速的分布。即其核心是描述概率关系的联合概率分布。其具体步骤如下：

a、建立联合概率分布。详细的，采用目标风速和参考风速的完整二维联合概率分布来生成预测风速数据。这不仅允许算法对目标和参考地点风速之间的任意非线性关系进行建模，还保留了关于每个变量的方差信息。

b、构建百分位时间序列。详细的，基于步骤a，在每个时间步中，获取相同时间的目标风速和参考风速，从联合概率分布中选择与参考风速一致的相对应的列，并据此构建在该参考风速条件下统计得到的目标风速的累积概率密度函数。最后，在累积概率密度函数中找到对应目标风速的累积概率百分比。

c、合成百分位时间序列。详细的，基于步骤b的中间结果，使用基于马尔可夫的重建机制来填补百分位时间序列中的空白。合成数据遵循原始百分位时间序列中的季节和日模式，以及自相关的特征，并与原始目标站点数据中任何缺失空白处相匹配。

d、百分位时间序列转换为目标风速。详细的，将合成百分位时间序列值转换为合成目标风速值。通过返回参考联合概率分布，并使用它来计算给定百分位值的预期目标风速值和每个时间步长中的参考风速，此步骤基本上与“构建百分位时间序列”步骤相反。而后再次计算给定参考风速的目标风速值的累积概率密度分布，但这一次它使用百分比值是查找对应时间步长的预测目标风速值。需要注意的是，在步骤c中，关注的是保存数据的季节性和日变化模式以及自相关属性，而本阶段计算真正关注的是保留目标风速和参考风速之间的统计关系。

由此，基于上述方法，并以表1中筛选出的参考源进行计算，获得目标区域测风塔在采用不同测量相关预测模型计算下，得到表2所示的数据。

其中，表2中误差是换算成风电场发电量来进行对比的，虽然年均风速在一定程度上可以反应风资源评估误差水平，但对于风电项目而言，风资源评估误差的影响最终会体现在电系统中，故对风电场发电量进行误差分析，更符合对风资源评估误差情况的判断和评估。故而采用发电量进行对比，更符合对风资源情况的判断和评估。具体的，基于目标插补数据计算对应的第一发电量数据；将第一发电量数据与基于对照测风数据计算的第二发电量数据进行对比。

步骤S103，将待处理的实际测风数据和参考数据源代入优选测量相关预测模型，得到对应的目标插补数据；

详细的，将目标测风塔数据分为不同时长、时段的短期数据（本实施例中分为1、3、6、9个月时长的不同时段的数据）和与场内测风塔实测风速同期的短期数据，采用优选的参考数据源、优选的测量相关预测算法插补得到一个完整年实际测风数据，使用插补后的数据计算项目发电量。

步骤S104，将目标插补数据与相同时长的历史数据进行对比，得到对应的风资源评估误差。

需要说明的是，在对比的时候，虽然年均风速大小在一定程度上可以反应发电量差异风资源评估误差水平，但对于风电项目而言，风资源评估误差的影响最终会体现在电系统中，故对风电场发电量进行误差分析，更符合对风资源评估误差情况的判断和评估。且发电量数据实时监测，拥有更为丰富的参照。由此插补后换算的发电量数据与使用实测满一年数据计算得到的发电量进行误差比较，即为对应测风数据时长引起的评估误差。

还是以目标测风塔为例：

使用实测满一年数据计算得到的发电量为13579.92MWh/年。

将满一年的测风数据，按照1个月、3个月、6个月和9个月时长分为33个时段，采用优选的参考数据源、优选的测量相关预测算法插补得到一个完整年测风数据，使用插补后的数据计算项目发电量及误差水平，如下表3所示：

由表3中的计算结果，即可明确评估项目区域附近由不同大小风月引起的评估误差水平；明确因场内短期测风数据时长不足引起的评估误差水平；并由此代替传统测风数据误差分析中依靠经验值参数进行计算的方方法；最后由于采用模型进行数据插补，还降低传统评估方法中对测风时长的要求。

进一步地，在符合预设条件的测风数据之后，方法还包括：

对测风数据进行分析处理，以检查有效数据是否达到预设完整率，若是则采用；反之，则重新获取。

详细的，对于测风有效数据完整率的检测，可以采用多种方式或多种方式的结合，具体如下：

a、数据数量与时间顺序应与预期数据一致。

b、设置主要参数合理阈值或范围，主要参数有风速、风向等等。

c、进行相关性检验，即不同高度的风速差值应当设置合理的水平，例如：50米和30米高度小时平均风速差值 ≤ 2.0m/s，50米和10米高度小时平均风速差值 ≤ 4.0m/s，50米和30米高度风向差值 ≤ 22.5。

基于上述方式，将筛选出的有效数据除以总数据，便可以得到数据的完整率，最后再与预设完整率比较。

进一步地，在得到对应的风资源评估误差之后，上述方法该包括：建立图表的预设模板；将于不同测风时长对应的误差值，录入预设模板中，生成目标图表。

生成图表的目的在于方便工作人员浏览，如表1、表2和表3所示。同样的，还可以利用预设模版对这些数据设置不同的计算方法，得到其他的分析结构，例如：统计不同测风时长平均绝对误差值，便可以得到如表4所示的内容，为工作人员明确评估项目区域附近由测风数据时长引起的评估误差水平，提供了便捷性。

基于同一发明构思，本发明实施例提供了一种测风时长对风资源误差的评估系统，如图2所示，包括：

测风数据获取模块，用于获取目标区域第一预设时间内，符合预设条件的测风数据；

MCP优选模块，基于测风数据和参考数据源，从多种测量相关预测模型中筛选出符合第一预设要求优选测量相关预测模型；

待处理数据插补模块，用于将待处理的实际测风数据和参考数据源代入优选测量相关预测模型，得到对应的目标插补数据；

误差评估模块，用于将目标插补数据与相同时长的历史数据进行对比，得到对应的风资源评估误差。

基于同一发明构思，本实施例提供了一种电子设备，如图7所示，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现一种测风时长对风资源误差的评估方法。

本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

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 (7)

1.一种测风时长对风资源误差的评估方法，其特征在于，所述方法包括：

获取目标区域第一预设时间内，符合预设条件的对照测风数据；

基于所述对照测风数据和参考数据源，从多种测量相关预测模型中筛选出符合第一预设要求优选测量相关预测模型；所述优选测量相关预测模型的筛选包括：利用线性最小二乘法、总体最小二乘法、方差比算法和矩阵时间序列算法中的至少一种算法，基于不同的对照数据生成多个初始模型；利用所述初始模型将对照测风数据进行插补，得到多个第二预设时间内的插补数据；分别将多个所述插补数据与相同时长的对照数据进行对比，筛选出符合第一预设要求的初始模型，作为所述优选测量相关预测模型；

所述参考数据源为多个全球大气再分析数据集中，与所述对照测风数据相关性最高的数据集；所述相关性通过时间序列分析，获取时间序列的滞后相关性，基于所述滞后相关性选取时间序列之间的相关系数的最大值；

将待处理的实际测风数据和参考数据源代入所述优选测量相关预测模型，得到对应的目标插补数据；

将所述目标插补数据与相同时长的历史数据进行对比，得到对应的风资源评估误差。

2.如权利要求1所述的方法，其特征在于，在符合预设条件的对照测风数据之后，所述方法还包括：

将所述对照测风数据进行分析处理，以检查有效数据是否达到预设完整率，若是，则采用；反之，则重新获取。

3.如权利要求1所述的方法，其特征在于，在从多种测量相关预测模型中筛选出符合第一预设要求优选测量相关预测模型之前，还包括：

从所述第一预设时间内筛选出符合第二预设要求的优选测风时段内的对照测风数据。

4.如权利要求1所述的方法，其特征在于，将所述目标插补数据与相同时长的历史数据进行对比的步骤，具体包括：

基于所述目标插补数据计算对应的第一发电量数据；

基于对照测风数据计算对应的第二发电量数据；

将所述第一发电量数据和所述第二发电量数据进行对比。

5.如权利要求1所述的方法，其特征在于，在得到对应的风资源评估误差之后，所述方法该包括：

建立图表的预设模板；

将于不同测风时长对应的误差值，录入所述预设模板中，生成目标图表。

6.一种测风时长对风资源误差的评估系统，其特征在于，所述系统包括：

测风数据获取模块，用于获取目标区域第一预设时间内，符合预设条件的对照测风数据；

MCP优选模块，基于所述对照测风数据和参考数据源，从多种测量相关预测模型中筛选出符合第一预设要求优选测量相关预测模型；

待处理数据插补模块，用于将待处理的实际测风数据和参考数据源代入所述优选测量相关预测模型，得到对应的目标插补数据；

误差评估模块，用于将所述目标插补数据与相同时长的历史数据进行对比，得到对应的风资源评估误差。

7.一种电子设备，其特征在于，所述电子设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1~5中任一所述方法的步骤。