CN117272827B - 测风系统超短期风速预测方法 - Google Patents
测风系统超短期风速预测方法 Download PDFInfo
- Publication number
- CN117272827B CN117272827B CN202311321984.9A CN202311321984A CN117272827B CN 117272827 B CN117272827 B CN 117272827B CN 202311321984 A CN202311321984 A CN 202311321984A CN 117272827 B CN117272827 B CN 117272827B
- Authority
- CN
- China
- Prior art keywords
- wind
- anemometry
- model
- historical
- information
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000002372 labelling Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000003062 neural network model Methods 0.000 claims abstract description 5
- 238000005259 measurement Methods 0.000 claims description 62
- 238000005457 optimization Methods 0.000 claims description 49
- 238000012876 topography Methods 0.000 claims description 44
- 238000005314 correlation function Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000010606 normalization Methods 0.000 claims description 24
- 238000013507 mapping Methods 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 18
- 238000003475 lamination Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 5
- 238000009827 uniform distribution Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 7
- 239000013598 vector Substances 0.000 description 6
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000220317 Rosa Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种测风系统超短期风速预测方法,属于风速预测技术领域,包括:收集不同指定区域的历史测风样本,对历史测风图像进行特征标注,并对神经网络模型进行训练,得到测风分析模型,进而基于历史测风数据对测风分析模型进行优化,得到第一测风模型;将第一变动信息与第二变动信息进行偏差分析,来对第一测风模型进行优化,得到第二测风模型;基于第二测风模型对相应指定区域的当下时刻的测风结果以及天气预测结果进行分析,预测指定区域在超短期内的风速情况。提高风速预测精度。
Description
技术领域
本发明涉及风速预测技术领域,特别涉及一种测风系统超短期风速预测方法。
背景技术
随着风电大力发展,风电场建设规模的扩大,在分析风电场接入电力系统时,需要考虑风电场输出功率波动范围大的特点。风能具有间歇性和随机波动性,风速的变化直接导致风电场的有功功率和无功功率的变化,输出功率很不稳定。
风电场功率预测的准确度是由多个因素所决定的,其中风速预测的精度是个关键的条件,风速预测对风电功率预测起到决定性的作用,对风电场和电力系统的运行有着重要意义。
因此,本发明提出一种测风系统超短期风速预测方法。
发明内容
本发明提供一种测风系统超短期风速预测方法,用以通过对图像进行特征标注构建模型,进而通过数据对模型进行优化,且后续通过预测与实际得到的天气情况的偏差,对模型再次优化,实现超短期内风速的精确性预测,有效提高预测精度。
本发明提供一种测风系统超短期风速预测方法,包括:
步骤1:收集不同指定区域的历史测风样本,其中,所述历史测风样本包括:历史测风数据以及历史测风图像;
步骤2:对所述历史测风图像进行特征标注,并对神经网络模型进行训练,得到测风分析模型,进而基于历史测风数据对所述测风分析模型进行优化,得到第一测风模型;
步骤3:将相应指定区域在相邻历史时刻下的天气预报信息输入到所述第一测风模型进行分析,得到第一变动信息,同时,获取与所述相邻历史时刻一致的天气实际信息,构建第二变动信息,并将所述第一变动信息与第二变动信息进行偏差分析,来对所述第一测风模型进行优化,得到第二测风模型;
步骤4:基于所述第二测风模型对相应指定区域的当下时刻的测风结果以及天气预测结果进行分析,预测指定区域在超短期内的风速情况。
优选的,所述历史测风图像是基于上个历史时刻的预测测风数据对超短期下的预测历史时刻进行预测得到的;
其中,历史测风数据是获取的预测历史时刻的实际测风数据。
优选的,基于历史测风数据对所述测风分析模型进行优化,得到第一测风模型,包括:
获取同个指定区域在指定时间下的历史测风图像,并将所述指定时间下对同个指定区域的历史测风数据的初始测风位置进行确定,并在对应历史测风图像上进行标注,得到指定时间下的测风分布;
对每个指定时间下的测风分布进行位置映射分析,并根据分布均匀原则框选对应指定时间下的集中测风子区域;
依据时间顺序对每个指定时间下的集中测风子区域进行区域重叠分析,筛选有效重叠子区域;
基于测风图像构建模型,分别对每个有效重叠子区域在每个指定时间下所涉及到的初始测风位置下的历史测风数据进行子区域测风图像的构建,得到对应有效重叠子区域在每个指定时间下的有效测风图像,并构建得到对应有效重叠子区域的有效测风矩阵;
根据区域地势信息,确定所述有效测风矩阵中每个区域位置点的风力关联函数,并基于所述风力关联函数对所述有效测风矩阵进行调整,得到调整测风矩阵,获取得到针对所述测风分析模型的第一优化方案;
根据每个有效重叠子区域的区域联系,对所有的第一优化方案进行关联处理,得到第二优化方案对所述测风分析模型进行优化,得到第一测风模型。
优选的,依据时间顺序对每个指定时间下的集中测风子区域进行区域重叠分析,筛选有效重叠子区域,包括:
将同个指定区域下的每个指定时间下的集中测风子区域进行依次叠层放置,确定叠层放置结果中每个放置点的叠层数,构建得到叠层图;
对所述叠层图中相同叠层数的放置点进行同颜色标注并按照颜色及放置点的坐标进行位置聚类分析,得到若干第一重叠子区域,并分别计算每个第一重叠子区域的有效重叠系数;
其中,n01m1表示对应第一重叠子区域的聚类中心叠层数为m1所对应的放置点的总个数;Y0表示与对应第一重叠子区域的聚类中心叠层数m1一致的初始重叠系数;表示对应第一重叠子区域中第j1个非聚类中心叠层数m2j1所对应放置点的总个数;ln表示对数函数;s1(m2j1,m1)表示满足m2j1>m1下的对应非聚类中心叠层数所涉及到的放置点的总个数;/>表示对应第一重叠子区域的所有非积累中心叠层数所对应的放置点的总个数;Y1表示满足m2j1>m1下的对应非聚类中心叠层数的初始重叠系数;
将有效重叠系数大于预设重叠系数的子区域保留,作为有效重叠子区域。
优选的,根据区域地势信息,确定所述有效测风矩阵中每个区域位置点的风力关联函数,并基于所述风力关联函数对所述有效测风矩阵进行调整,包括:
根据地势构建模型对所述区域地势信息以及所述有效重叠子区域的区域坐标,构建得到所述有效重叠子区域的地势模型;
对所述地势模型进行不同方向以及不同等级的风力模拟,捕捉得到每个区域位置点在竖直方向上风力结果;
对所述地势模型进行地势解析,确定每个区域坐标所属的地势类型以及所属地势类型的边界性质,来捕捉关联坐标的风力模拟结果,并根据风力方向以及风力等级与对应区域位置点在竖直风向上的风力结果进行关联,构建得到对应区域位置点的风力关联函数;
根据每个区域位置点的所述风力关联函数以及基于对应区域关联函数的关联位置点的测风元素值,对相应区域位置点的当下元素值进行调整,得到调整测风矩阵。
优选的,根据每个有效重叠子区域的区域联系,对所有的第一优化方案进行关联处理,得到第二优化方案,包括:
将所述区域地势信息输入到区域分析模型中,获取得到每个有效重叠子区域的区域联系;
根据区域联系对所有第一优化方案进行联系映射,得到每个第一优化方案的联系映射表,其中,所述联系映射表包括对应第一优化方案与存在联系的方案的联系强度、主动联系因素以及被动联系因素;
根据所述联系映射表,对相应第一优化方案进行第一优化;
基于所有第一优化后的方案进行多余重叠方案的剔除,得到第二优化方案。
优选的,将所述第一变动信息与第二变动信息进行偏差分析,来对所述第一测风模型进行优化,得到第二测风模型,包括:
基于第一测风模型对相邻历史时刻下的第一时刻的天气预报信息进行测风预测,得到对应指定区域的第一测风信息,同时,对相邻历史时刻下的第二时刻的天气预报信息进行测风预测,得到第二测风信息,并得到第一天气变动信息以及第一风速变动信息;
基于相邻历史时刻下的天气实际信息以及风速实测信息,得到第二天气变动信息以及第二风速变动信息;
基于第二天气变动信息对所述第二风速变动信息进行第一线性归一拟合,确定两者存在的第一差异点;
同时,将相邻历史时刻下的天气预报信息与天气实际信息进行第一差异分析以及将相邻历史时刻下的预测测风信息与风速实测信息进行第二差异分析;
根据第一差异分析结果、第二差异分析结果以及第一差异点,对所述第一天气变动信息对所述第一风速变动信息进行第二线性归一拟合后的第二差异点进行偏差调整,获取得到偏差调整信息,来对第一测风模型进行优化,得到第二测风模型。
优选的,获取得到偏差调整信息,包括:
基于第一线性归一拟合结果所对应第一线的点分布,且结合分布函数对第一差异点进行划分,得到若干子线段,并分别向每个子线段赋予差异阈值;
其中,G1表示对应子线段的差异阈值;表示当对应子线段满足N21≥N22时,取值为1,否则,取值为-1,其中,N21表示对应子线段上所存在的大于等于0的差异阈值的个数,N22表示对应子线段上所存在的小于0的差异阈值的个数;|Δ1|表示对应子线段上所存在的差异阈值的绝对值;σ12表示对应子线段上差异阈值的方差;|Δ1|max表示对应子线段上所有差异阈值的绝对值中的最大值;
分别确定第二差异点所落线段位置以及该所落线段的第二差异点的个数;
若所述个数为1,且第二差异点位于基于第二线性归一拟合结果所对应第二线的下方,则根据对第二差异点进行向上调整,其中,LD对应所落线段的长度;Δ2表示对应第二差异点的竖坐标值;Q表示所确定对应第二差异点所落线段基于第一差异分析结果以及第二差异分析结果的修正函数,且/>u01表示对应所落线段基于第一差异分析结果的归一化差异值;u02表示对应所落线段基于第二差异分析结果的归一化差异值;A1表示比值阈值,取值为0.2;
若所述个数为1,且第二差异点位于第二线的上方,则根据对第二差异点进行向下调整;
若所述个数不为1,且第二差异点位于第二线的下方,则根据对第二差异点进行向上调整;
若所述个数不为1,且第二差异点位于第二线的上方,则根据对第二差异点进行向下调整,其中,Δ3表示对应所落线段上除相应第二差异点的剩余点基于竖坐标值的平均值;
否则,根据对第二差异点进行调整;
根据调整结果,构建得到针对所有第二差异点的调整向量,其中,所述调整向量为偏差调整信息。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种测风系统超短期风速预测方法的流程图;
图2为本发明实施例中集中测风子区域的结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明提供一种测风系统超短期风速预测方法,如图1所示,包括:
步骤1:收集不同指定区域的历史测风样本,其中,所述历史测风样本包括:历史测风数据以及历史测风图像;
步骤2:对所述历史测风图像进行特征标注,并对神经网络模型进行训练,得到测风分析模型,进而基于历史测风数据对所述测风分析模型进行优化,得到第一测风模型;
步骤3:将相应指定区域在相邻历史时刻下的天气预报信息输入到所述第一测风模型进行分析,得到第一变动信息,同时,获取与所述相邻历史时刻一致的天气实际信息,构建第二变动信息,并将所述第一变动信息与第二变动信息进行偏差分析,来对所述第一测风模型进行优化,得到第二测风模型;
步骤4:基于所述第二测风模型对相应指定区域的当下时刻的测风结果以及天气预测结果进行分析,预测指定区域在超短期内的风速情况。
优选的,所述历史测风图像是基于上个历史时刻的预测测风数据对超短期下的预测历史时刻进行预测得到的;
其中,历史测风数据是获取的预测历史时刻的实际测风数据。
该实施例中,超短期风电功率预测时间尺度为0-4h、15min滚动预测,时间分辨率为15min,主要用于实时调度,解决电网调频问题。
该实施例中,测风数据指的是不同时刻下利用风速测量仪对指定安装位置进行测量,得到风速及风向的一个情况,测风图像指的是对应指定区域对风力及风向的一个具体体现,比如是,风向玫瑰图。
该实施例中,特征标注指的是对该图像中的特征点进行标注,比如是不同时刻风的流速以及风的走向,通过上一时刻的风的流速及风向走向来与下一时刻的风的流速及走向进行进行关联预测,进而来作为样本对神经网络模型进行训练,得到测风分析模型,该分析模型是可以初步根据之前时刻的风信息来得到未来时刻的风信息。
该实施例中,历史测风数据是实际测量的数据,方便对模型优化,提高模型精度,因此,预测的历史测风图像与实际测量的历史测风数据在实际过程中会存在一定的差异,所以,通过对模型优化便于提高后续预测的精度。
该实施例中,风信息是由天气的不同所决定的,因此,通过预测的天气信息对模型验证,得到风速的测量变动信息,且通过与实际结合,可以实现对模型的再次优化。
该实施例中,第二测风模型是基于天气情况以及测风情况两种样本相结合综合训练得到的,因此,在步骤4中,对该模型输入测风结果以及天气预测结果后,可以保证预测结果的精准性。
上述技术方案的有益效果是:通过对图像进行特征标注构建模型,进而通过数据对模型进行优化,且后续通过预测与实际得到的天气情况的偏差,对模型再次优化,实现超短期内风速的精确性预测,有效提高预测精度。
本发明提供一种测风系统超短期风速预测方法,基于历史测风数据对所述测风分析模型进行优化,得到第一测风模型,包括:
获取同个指定区域在指定时间下的历史测风图像,并将所述指定时间下对同个指定区域的历史测风数据的初始测风位置进行确定,并在对应历史测风图像上进行标注,得到指定时间下的测风分布;
对每个指定时间下的测风分布进行位置映射分析,并根据分布均匀原则框选对应指定时间下的集中测风子区域;
依据时间顺序对每个指定时间下的集中测风子区域进行区域重叠分析,筛选有效重叠子区域;
基于测风图像构建模型,分别对每个有效重叠子区域在每个指定时间下所涉及到的初始测风位置下的历史测风数据进行子区域测风图像的构建,得到对应有效重叠子区域在每个指定时间下的有效测风图像,并构建得到对应有效重叠子区域的有效测风矩阵;
根据区域地势信息,确定所述有效测风矩阵中每个区域位置点的风力关联函数,并基于所述风力关联函数对所述有效测风矩阵进行调整,得到调整测风矩阵,获取得到针对所述测风分析模型的第一优化方案;
根据每个有效重叠子区域的区域联系,对所有的第一优化方案进行关联处理,得到第二优化方案对所述测风分析模型进行优化,得到第一测风模型。
该实施例中,因为历史测风数据是基于测风的相关仪器对某些位置进行实际测量得到的,因此,是可以直接确定出初始测风位置的,标注的目的是为了进行位置对应,得到实际测量的一个分布,即测风分布。
该实施例中,位置映射分析指的是将实际测量的初始测风位置在图像中进行一一对应体现,由于初始测风位置不一定是均匀分布的,所以,就需要根据均匀分布原则来确定集中测风子区域,如图2所示,基于历史测风图像01上存在多个位置a1、a2、a3、a4、a5,此时,a1、a2可视为集中分布,a3、a4、a5可视为集中分布,对应的边界02及03即为集中测风子区域的边界。
该实施例中,由于每个指定时间下所对应的初始测风位置可能不同,所以导致集中测风子区域也会存在不同,所以,就需要进行区域重叠分析,来筛选有效重叠子区域。
该实施例中,测风图像构建模型是预先训练好的,基于不同的测风数据以及测风数据所处的区域为样本进行训练得到的,因此,可以直接得到有效重叠子区域的对应的有效测风图像。
该实施例中,有效测风矩阵=
该实施例中,区域地势信息是预先获取到的,指的是该指定区域的地势分布情况,进而方便对风的走向进行进一步分析,其中,每个指定区域包含若干区域位置点,且指定区域可以指的是一个城市或者是一个乡镇等。
该实施例中,风力关联函数是基于地势信息从地势风力数据库中匹配得到的,该数据库包含不同的地势以及对位置点的风力影响情况在,所以,可以直接通过该风力关联函数对矩阵进行调整。
比如,区域位置点1的风力信息为b1,此时,区域位置点的风力关联函数是其他位置点对该点几乎不影响,此时,就保留b1不变,如果风力关联函数是与区域位置点1相邻的区域位置点2会因为地势过低导致风力加速,此时,风力信息从b1调整到b2,此时,会存在风力加速的改变。
该实施例中,第一优化方案的获取是基于将调整测风矩阵输入到方案模型中进行分析得到的,该方案模型是基于不同测风据矩阵以及由专家对该矩阵设定的优化方案在内,主要是为了提高预测精度。
该实施例中,区域联系是上升到子区域之间的风力影响情况,比如,存在山脉的地方会阻挡风的流动,基于该层面的关联后,便于提高模型的优化精度。
上述技术方案的有益效果是:通过将测风数据对应的位置点在图像中进行标定,进而得到测风分布,方便后续进行区域重叠分析,来得到有效测风矩阵,进而结合区域地势,来对方案进行关联优化,实现对模型的合理优化,提高后续预测精度。
本发明提供一种测风系统超短期风速预测方法,依据时间顺序对每个指定时间下的集中测风子区域进行区域重叠分析,筛选有效重叠子区域,包括:
将同个指定区域下的每个指定时间下的集中测风子区域进行依次叠层放置,确定叠层放置结果中每个放置点的叠层数,构建得到叠层图;
对所述叠层图中相同叠层数的放置点进行同颜色标注并按照颜色及放置点的坐标进行位置聚类分析,得到若干第一重叠子区域,并分别计算每个第一重叠子区域的有效重叠系数;
其中,n01m1表示对应第一重叠子区域的聚类中心叠层数为m1所对应的放置点的总个数;Y0表示与对应第一重叠子区域的聚类中心叠层数m1一致的初始重叠系数;表示对应第一重叠子区域中第j1个非聚类中心叠层数m2j1所对应放置点的总个数;ln表示对数函数;s1(m2j1,m1)表示满足m2j1>m1下的对应非聚类中心叠层数所涉及到的放置点的总个数;/>表示对应第一重叠子区域的所有非积累中心叠层数所对应的放置点的总个数;Y1表示满足m2j1>m1下的对应非聚类中心叠层数的初始重叠系数;
将有效重叠系数大于预设重叠系数的子区域保留,作为有效重叠子区域。
该实施例中,预设重叠系数是预先设定好的。
该实施例中,比如,指定时间是10,放置点1的叠层数为10,放置点2的叠层数为8等,来分别确定出每个放置点的叠层数,位置聚类分析是尽可能的将聚类较近且颜色相同的放置点归到一类,且聚类分析是现有公知尝试。
该实施例中,在聚类分析后会得到很多以某个聚类中心叠层数为中心的聚类子区域,即为第一重叠子区域,因为,该区域中大部分都是与聚类中心叠层数一样的,但是也不可避免存在其他的叠层数,因此,计算有效重叠系数。
该实施例中,叠层放置指的是将不同指定时间下的由集中测风子区域构成的图进行一一上下叠层放置,便于确定每个放置点的叠层数,最后根据每个放置点的叠层数构建得到一张新图,即为叠层图。
上述技术方案的有益效果是:通过叠层放置来确定每个放置点的叠层数,进而构建叠层图,方便后续进行标注及位置聚类分析,来机选有效重叠系数,方便获取有效重叠子区域。
本发明提供一种测风系统超短期风速预测方法,根据区域地势信息,确定所述有效测风矩阵中每个区域位置点的风力关联函数,并基于所述风力关联函数对所述有效测风矩阵进行调整,包括:
根据地势构建模型对所述区域地势信息以及所述有效重叠子区域的区域坐标,构建得到所述有效重叠子区域的地势模型;
对所述地势模型进行不同方向以及不同等级的风力模拟,捕捉得到每个区域位置点在竖直方向上风力结果;
对所述地势模型进行地势解析,确定每个区域坐标所属的地势类型以及所属地势类型的边界性质,来捕捉关联坐标的风力模拟结果,并根据风力方向以及风力等级与对应区域位置点在竖直风向上的风力结果进行关联,构建得到对应区域位置点的风力关联函数;
根据每个区域位置点的所述风力关联函数以及基于对应区域关联函数的关联位置点的测风元素值,对相应区域位置点的当下元素值进行调整,得到调整测风矩阵。
该实施例中,地势构建模型是预先训练好的,方便直接构建得到有效重叠子区域的地势模型,也就是方便对该有效重叠子区域的地势进行直观了解。
该实施例中,风力模拟指的是向该地势模型进行不同方向以及风力大小的输入,来确定基于该地势的风力变化情况,且竖直方向上风力结果指的是同个位置点的竖直风向上每个坐标下的风力大小以及风力方向情况。
该实施例中,地势解析是为了确定地势类型,比如,山脉类型、平原类型、山丘类型,峡谷类型等,且不同的类型对应的风力变化情况是不一样的。
该实施例中,边界性质指的是山丘的分别边界,沟壑的分别边界、平原的分布边界等。
该实施例中,风力关联函数=G01(风力模拟结果、地势类型、边界分布、风力方向及风力等级)。
该实施例中,每个位置点的风力关联函数都会有对应的对测风元素值进行是否调整的调整情况,实现有效调整,方便后续对模型优化。
上述技术方案的有益效果是:通过构建地址模型以及风力模型,便于构建风力关联函数,为后续进行元素值的调整提供基础,有效保证后续预测的精准性。
本发明提供一种测风系统超短期风速预测方法,根据每个有效重叠子区域的区域联系,对所有的第一优化方案进行关联处理,得到第二优化方案,包括:
将所述区域地势信息输入到区域分析模型中,获取得到每个有效重叠子区域的区域联系;
根据区域联系对所有第一优化方案进行联系映射,得到每个第一优化方案的联系映射表,其中,所述联系映射表包括对应第一优化方案与存在联系的方案的联系强度、主动联系因素以及被动联系因素;
根据所述联系映射表,对相应第一优化方案进行第一优化;
基于所有第一优化后的方案进行多余重叠方案的剔除,得到第二优化方案。
该实施例中,区域分析模型是预先训练好的,是基于不同的区域类型以及区域分布以及区域之间的联系为样本训练得到的,因此,可以直接获取得到区域联系,比如区域2和3对区域1存在联系,那么联系映射即为:区域2、3--区域1,此时,区域2与区域1所对应方案的联系强度为u1,区域3与区域1所对应方案的联系强度为u2,且u1大于u2,且区域2为主动联系因素,也就是区域2的地势是沟壑会直接影响区域1平原的风的情况,区域3是山脉通过区域2对区域1影响后,会由于区域1的改变情况影响到区域3,此时,是被动联系因素。
该实施例中,第一优化方案的目的是为了对不同区域之间的关联关系进行优化,来提高后续的预测精度。
该实施例中,对每个有效重叠子区域进行联系映射之后不可避免的会出现重叠的联系因素,此时,只需要将对应的重叠方案剔除,即可得到第二优化方案。
上述技术方案的有益效果是:通过获取区域联系以及联系映射,便于对方案进行优化,通过重叠剔除,保证方案的完整性及有效性,进一步提高后续优化的精度。
本发明提供一种测风系统超短期风速预测方法,将所述第一变动信息与第二变动信息进行偏差分析,来对所述第一测风模型进行优化,得到第二测风模型,包括:
基于第一测风模型对相邻历史时刻下的第一时刻的天气预报信息进行测风预测,得到对应指定区域的第一测风信息,同时,对相邻历史时刻下的第二时刻的天气预报信息进行测风预测,得到第二测风信息,并得到第一天气变动信息以及第一风速变动信息;
基于相邻历史时刻下的天气实际信息以及风速实测信息,得到第二天气变动信息以及第二风速变动信息;
基于第二天气变动信息对所述第二风速变动信息进行第一线性归一拟合,确定两者存在的第一差异点;
同时,将相邻历史时刻下的天气预报信息与天气实际信息进行第一差异分析以及将相邻历史时刻下的预测测风信息与风速实测信息进行第二差异分析;
根据第一差异分析结果、第二差异分析结果以及第一差异点,对所述第一天气变动信息对所述第一风速变动信息进行第二线性归一拟合后的第二差异点进行偏差调整,获取得到偏差调整信息,来对第一测风模型进行优化,得到第二测风模型。
该实施例中,根据天气预报是可以直接对风信息预测的,相邻历史时刻是包含两个时刻的方便进行对比分析以及偏差调整。
该实施例中,第一时刻与第二时刻的天气预报信息的差异即为第一天气变动信息,第一测风信息与第二测风信息的差异即为第一风速变动信息。
该实施例中,第一时刻与第二时刻的天气实际信息的差异即为第二天气变动信息,第一时刻与第二时刻的风速实测信息即为第二风速变动信息。
该实施例中,第一线性归一拟合的是为了确定风速变动是否随着天气变动一致性变动,正常情况下是一致性变动的,如果存在差异,代表实际过程中的数据测量存在一定的差异,那么也就是在后续预测可以接受的实际误差,通过该数据来提高模型的预测精度。
该实施例中,第一差异分析是为了确定预测与实际天气之间的差异,第二差异分析是为了确定预测与实际风情况之间的差异,其中每个指定时间下都会存在对应的对比分析。
该实施例中,第二差异点的偏差调整是为了尽可能的降低该点的预测偏差,提高后续预测精度。
上述技术方案的有益效果是:通过对相邻历史时刻下的预测与实际情况的差异比较以及差异差异分析,来对预测的差异点按照实际的差异点进行偏差调整,实现对模型精度的优化,保证后续预测精度。
本发明提供一种测风系统超短期风速预测方法,获取得到偏差调整信息,包括:
基于第一线性归一拟合结果所对应第一线的点分布,且结合分布函数对第一差异点进行划分,得到若干子线段,并分别向每个子线段赋予差异阈值;
其中,G1表示对应子线段的差异阈值;表示当对应子线段满足N21≥N22时,取值为1,否则,取值为-1,其中,N21表示对应子线段上所存在的大于等于0的差异阈值的个数,N22表示对应子线段上所存在的小于0的差异阈值的个数;|Δ1|表示对应子线段上所存在的差异阈值的绝对值;σ12表示对应子线段上差异阈值的方差;|Δ1|max表示对应子线段上所有差异阈值的绝对值中的最大值;
分别确定第二差异点所落线段位置以及该所落线段的第二差异点的个数;
若所述个数为1,且第二差异点位于基于第二线性归一拟合结果所对应第二线的下方,则根据对第二差异点进行向上调整,其中,LD对应所落线段的长度;Δ2表示对应第二差异点的竖坐标值;Q表示所确定对应第二差异点所落线段基于第一差异分析结果以及第二差异分析结果的修正函数,且/>u01表示对应所落线段基于第一差异分析结果的归一化差异值;u02表示对应所落线段基于第二差异分析结果的归一化差异值;A1表示比值阈值,取值为0.2;
若所述个数为1,且第二差异点位于第二线的上方,则根据对第二差异点进行向下调整;
若所述个数不为1,且第二差异点位于第二线的下方,则根据对第二差异点进行向上调整;
若所述个数不为1,且第二差异点位于第二线的上方,则根据对第二差异点进行向下调整,其中,Δ3表示对应所落线段上除相应第二差异点的剩余点基于竖坐标值的平均值;
否则,根据对第二差异点进行调整;
根据调整结果,构建得到针对所有第二差异点的调整向量,其中,所述调整向量为偏差调整信息。
该实施例中,第一线以及第二线即为线性归一拟合结果对应的线,比如,以1为基准线,当时刻1的风情况随着时刻1的天气情况一致性变动,此时,时刻1的线性归一拟合结果即为1,如果时刻1的风情况随着时刻1的天气情况的不变动,此时的线性归一拟合结果即为0,如果,时刻1的风情况随着时刻1的天气情况存在变动,但是变动并没有很大,此时假设结果为0.3等,以此类推,将所有指定时间下的结果值进行曲线连接即可得到相应的线,其中,通过对风情况进行标准化处理以及对风情况进行标准化处理,两者的比值即为对应的结果,且标准化处理的目的是为了方便进行计算。
该实施例中,实际测量是为了给预测提供一个误差允许阈值,方便后续提高模型的预测精度。
该实施例中,分布函数的目的是为了将差异点进行划分,比如,差异点分别位于第一线的点1、点2、点6、点10、点11、点12,此时,将点1到点5视为一个子线段,将点6到点12视为一个子线段。
该实施例中,调整向量=[第二差异点1的调整结果第二差异点2的调整结果...],向上调整即为:第二差异点的值与对应调整量相加,向下调整即为:第二差异点的值与对应调整量相减。
该实施例中,第一线与第二线的指定时间是一样的,也就是横坐标是一样的,且第二线的划分是按照第一线进行划分的,方便后续计算调整量。
上述技术方案的有益效果是:通过进行线性归一拟合处理,确定预测情况下的差异点的分布位置,进而通过所落线段的上下情况来计算不同情况下的调整量,进而得到调整向量,实现对异常点的合理调节,进一步提高模型训练精度,提高后续的预测精度。
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 (6)
1.一种测风系统超短期风速预测方法,其特征在于,包括:
步骤1:收集不同指定区域的历史测风样本,其中,所述历史测风样本包括:历史测风数据以及历史测风图像;
步骤2:对所述历史测风图像进行特征标注,并对神经网络模型进行训练,得到测风分析模型,进而基于历史测风数据对所述测风分析模型进行优化,得到第一测风模型;
步骤3:将相应指定区域在相邻历史时刻下的天气预报信息输入到所述第一测风模型进行分析,得到第一变动信息,同时,获取与所述相邻历史时刻一致的天气实际信息,构建第二变动信息,并将所述第一变动信息与第二变动信息进行偏差分析,来对所述第一测风模型进行优化,得到第二测风模型;
步骤4:基于所述第二测风模型对相应指定区域的当下时刻的测风结果以及天气预测结果进行分析,预测指定区域在超短期内的风速情况;
其中,所述历史测风图像是基于上个历史时刻的预测测风数据对超短期下的预测历史时刻进行预测得到的,是对应指定区域对风力及风向的一个具体体现;
其中,历史测风数据是获取的预测历史时刻的实际测风数据。
2.根据权利要求1所述的测风系统超短期风速预测方法,其特征在于,基于历史测风数据对所述测风分析模型进行优化,得到第一测风模型,包括:
获取同个指定区域在指定时间下的历史测风图像,并将所述指定时间下对同个指定区域的历史测风数据的初始测风位置进行确定,并在对应历史测风图像上进行标注,得到指定时间下的测风分布;
对每个指定时间下的测风分布进行位置映射分析,并根据分布均匀原则框选对应指定时间下的集中测风子区域;
依据时间顺序对每个指定时间下的集中测风子区域进行区域重叠分析,筛选有效重叠子区域;
基于测风图像构建模型,分别对每个有效重叠子区域在每个指定时间下所涉及到的初始测风位置下的历史测风数据进行子区域测风图像的构建,得到对应有效重叠子区域在每个指定时间下的有效测风图像,并构建得到对应有效重叠子区域的有效测风矩阵;
根据区域地势信息,确定所述有效测风矩阵中每个区域位置点的风力关联函数,并基于所述风力关联函数对所述有效测风矩阵进行调整,得到调整测风矩阵,获取得到针对所述测风分析模型的第一优化方案;
根据每个有效重叠子区域的区域联系,对所有的第一优化方案进行关联处理,得到第二优化方案对所述测风分析模型进行优化,得到第一测风模型。
3.根据权利要求2所述的测风系统超短期风速预测方法,其特征在于,依据时间顺序对每个指定时间下的集中测风子区域进行区域重叠分析,筛选有效重叠子区域,包括:
将同个指定区域下的每个指定时间下的集中测风子区域进行依次叠层放置,确定叠层放置结果中每个放置点的叠层数,构建得到叠层图;
对所述叠层图中相同叠层数的放置点进行同颜色标注并按照颜色及放置点的坐标进行位置聚类分析,得到若干第一重叠子区域,并分别计算每个第一重叠子区域的有效重叠系数;
其中,n01m1表示对应第一重叠子区域的聚类中心叠层数为m1所对应的放置点的总个数;Y0表示与对应第一重叠子区域的聚类中心叠层数m1一致的初始重叠系数;表示对应第一重叠子区域中第j1个非聚类中心叠层数m2j1所对应放置点的总个数;ln表示对数函数;s1(m2j1,m1)表示满足m2j1>m1下的对应非聚类中心叠层数所涉及到的放置点的总个数;/>表示对应第一重叠子区域的所有非聚类中心叠层数所对应的放置点的总个数;Y1表示满足m2j1>m1下的对应非聚类中心叠层数的初始重叠系数;
将有效重叠系数大于预设重叠系数的子区域保留,作为有效重叠子区域。
4.根据权利要求2所述的测风系统超短期风速预测方法,其特征在于,根据区域地势信息,确定所述有效测风矩阵中每个区域位置点的风力关联函数,并基于所述风力关联函数对所述有效测风矩阵进行调整,包括:
根据地势构建模型对所述区域地势信息以及所述有效重叠子区域的区域坐标,构建得到所述有效重叠子区域的地势模型;
对所述地势模型进行不同方向以及不同等级的风力模拟,捕捉得到每个区域位置点在竖直方向上风力结果;
对所述地势模型进行地势解析,确定每个区域坐标所属的地势类型以及所属地势类型的边界性质,来捕捉关联坐标的风力模拟结果,并根据风力方向以及风力等级与对应区域位置点在竖直风向上的风力结果进行关联,构建得到对应区域位置点的风力关联函数;
根据每个区域位置点的所述风力关联函数以及基于对应区域关联函数的关联位置点的测风元素值,对相应区域位置点的当下元素值进行调整,得到调整测风矩阵。
5.根据权利要求2所述的测风系统超短期风速预测方法,其特征在于,根据每个有效重叠子区域的区域联系,对所有的第一优化方案进行关联处理,得到第二优化方案,包括:
将所述区域地势信息输入到区域分析模型中,获取得到每个有效重叠子区域的区域联系;
根据区域联系对所有第一优化方案进行联系映射,得到每个第一优化方案的联系映射表,其中,所述联系映射表包括对应第一优化方案与存在联系的方案的联系强度、主动联系因素以及被动联系因素;
根据所述联系映射表,对相应第一优化方案进行第一优化;
基于所有第一优化后的方案进行多余重叠方案的剔除,得到第二优化方案。
6.根据权利要求1所述的测风系统超短期风速预测方法,其特征在于,将所述第一变动信息与第二变动信息进行偏差分析,来对所述第一测风模型进行优化,得到第二测风模型,包括:
基于第一测风模型对相邻历史时刻下的第一时刻的天气预报信息进行测风预测,得到对应指定区域的第一测风信息,同时,对相邻历史时刻下的第二时刻的天气预报信息进行测风预测,得到第二测风信息,并得到第一天气变动信息以及第一风速变动信息;
基于相邻历史时刻下的天气实际信息以及风速实测信息,得到第二天气变动信息以及第二风速变动信息;
基于第二天气变动信息对所述第二风速变动信息进行第一线性归一拟合,确定两者存在的第一差异点;
同时,将相邻历史时刻下的天气预报信息与天气实际信息进行第一差异分析以及将相邻历史时刻下的预测测风信息与风速实测信息进行第二差异分析;
根据第一差异分析结果、第二差异分析结果以及第一差异点,对所述第一天气变动信息对所述第一风速变动信息进行第二线性归一拟合后的第二差异点进行偏差调整,获取得到偏差调整信息,来对第一测风模型进行优化,得到第二测风模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311321984.9A CN117272827B (zh) | 2023-10-13 | 2023-10-13 | 测风系统超短期风速预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311321984.9A CN117272827B (zh) | 2023-10-13 | 2023-10-13 | 测风系统超短期风速预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117272827A CN117272827A (zh) | 2023-12-22 |
CN117272827B true CN117272827B (zh) | 2024-04-12 |
Family
ID=89210359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311321984.9A Active CN117272827B (zh) | 2023-10-13 | 2023-10-13 | 测风系统超短期风速预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117272827B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299044A (zh) * | 2014-07-01 | 2015-01-21 | 沈阳工程学院 | 基于聚类分析的风功率短期预测系统及预测方法 |
CN106875037A (zh) * | 2016-12-30 | 2017-06-20 | 东软集团股份有限公司 | 风力预测方法及装置 |
CN110334847A (zh) * | 2019-05-24 | 2019-10-15 | 广东智造能源科技研究有限公司 | 基于改进K-means聚类与支持向量机的风功率预测方法 |
CN110619360A (zh) * | 2019-09-09 | 2019-12-27 | 国家电网有限公司 | 一种考虑历史样本相似性的超短期风功率预测方法 |
CN113505938A (zh) * | 2021-07-26 | 2021-10-15 | 中国电力科学研究院有限公司 | 一种超短期风电功率组合预测方法及系统 |
CN114462684A (zh) * | 2022-01-12 | 2022-05-10 | 东南大学 | 耦合数值天气预报与实测数据的风速多点同步预测方法 |
CN115689061A (zh) * | 2022-12-29 | 2023-02-03 | 北京东润环能科技股份有限公司 | 风电超短期功率预测方法及相关设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200063710A1 (en) * | 2018-08-23 | 2020-02-27 | BluWave Inc. | System and methods for hyper short-term wind power prediction using real-time wind parameter measurements |
-
2023
- 2023-10-13 CN CN202311321984.9A patent/CN117272827B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299044A (zh) * | 2014-07-01 | 2015-01-21 | 沈阳工程学院 | 基于聚类分析的风功率短期预测系统及预测方法 |
CN106875037A (zh) * | 2016-12-30 | 2017-06-20 | 东软集团股份有限公司 | 风力预测方法及装置 |
CN110334847A (zh) * | 2019-05-24 | 2019-10-15 | 广东智造能源科技研究有限公司 | 基于改进K-means聚类与支持向量机的风功率预测方法 |
CN110619360A (zh) * | 2019-09-09 | 2019-12-27 | 国家电网有限公司 | 一种考虑历史样本相似性的超短期风功率预测方法 |
CN113505938A (zh) * | 2021-07-26 | 2021-10-15 | 中国电力科学研究院有限公司 | 一种超短期风电功率组合预测方法及系统 |
CN114462684A (zh) * | 2022-01-12 | 2022-05-10 | 东南大学 | 耦合数值天气预报与实测数据的风速多点同步预测方法 |
CN115689061A (zh) * | 2022-12-29 | 2023-02-03 | 北京东润环能科技股份有限公司 | 风电超短期功率预测方法及相关设备 |
Non-Patent Citations (2)
Title |
---|
CHANGXIN MIAO,et al.Ultra-Short-Term Prediction of Wind Power Based on Sample Similarity Analysis.《IEEE Access》.2021,正文第72730-72742页. * |
风电场短期风功率预测研究及应用实例分析;彭加立;马月;李霸军;;水力发电;20131012(10);正文第86-88页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117272827A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740175B (zh) | 一种面向风电机组功率曲线数据的离群点判别方法 | |
CN108388962B (zh) | 一种风电功率预测系统及方法 | |
CN105069537B (zh) | 一种组合式空气质量预报模型的构建方法 | |
CN107153894A (zh) | 一种风电场的预测风速校正方法及装置 | |
CN114818391B (zh) | 一种基于多溯源模型的污染源浓度分析方法 | |
CN102496927A (zh) | 基于误差统计修正的风电场功率预测方法 | |
CN113919231B (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 | |
CN105373857A (zh) | 一种光伏电站辐照度预测方法 | |
CN103489046A (zh) | 风电场短期功率预测方法 | |
WO2020199875A1 (zh) | 一种风廓线数据预测方法 | |
CN103473621A (zh) | 风电场短期功率预测方法 | |
CN105930900B (zh) | 一种混合风力发电的预测方法及系统 | |
CN111294841B (zh) | 一种无线网络问题的处理方法、装置及存储介质 | |
CN111488896A (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
CN108334988A (zh) | 一种基于svm的短期电网负荷预测方法 | |
CN108665102B (zh) | 基于中尺度数据预测风电场实时发电量的方法 | |
CN113205210A (zh) | 复杂地形风电场风速与功率预测方法、系统、设备及存储介质 | |
CN115829812A (zh) | 一种基于生态系统模拟的碳汇量测算方法及系统 | |
CN113991711B (zh) | 一种光伏电站储能系统容量配置方法 | |
CN108256693A (zh) | 一种光伏发电功率预测方法、装置及系统 | |
CN109146192A (zh) | 一种考虑风电机组运行工况的风电功率预测方法 | |
CN115798189A (zh) | 一种交通拥堵指数评价方法 | |
CN117272827B (zh) | 测风系统超短期风速预测方法 | |
CN113392497B (zh) | 一种按地理区域度量光伏组件现场性能退化的方法 | |
CN116362036B (zh) | 一种高铁设备故障预警方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |