CN117526274A - 极端气候下新能源功率预测方法、电子设备和存储介质 - Google Patents
极端气候下新能源功率预测方法、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117526274A CN117526274A CN202311277606.5A CN202311277606A CN117526274A CN 117526274 A CN117526274 A CN 117526274A CN 202311277606 A CN202311277606 A CN 202311277606A CN 117526274 A CN117526274 A CN 117526274A
- Authority
- CN
- China
- Prior art keywords
- prediction
- result
- new energy
- forecasting
- mode
- 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 130
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 230000008859 change Effects 0.000 claims abstract description 102
- 230000015654 memory Effects 0.000 claims description 25
- 239000002245 particle Substances 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 12
- 230000010354 integration Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 9
- 238000003908 quality control method Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 238000007619 statistical method Methods 0.000 claims description 7
- 238000000556 factor analysis Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 38
- 238000009826 distribution Methods 0.000 description 29
- 238000012549 training Methods 0.000 description 20
- 238000004364 calculation method Methods 0.000 description 16
- 238000010248 power generation Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 14
- 238000001228 spectrum Methods 0.000 description 11
- 238000000354 decomposition reaction Methods 0.000 description 10
- 238000004088 simulation Methods 0.000 description 10
- 238000012935 Averaging Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000007547 defect Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000005855 radiation Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000010349 pulsation Effects 0.000 description 4
- 230000001932 seasonal effect Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000012876 topography Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000010921 in-depth analysis Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000541 pulsatile effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 102100037651 AP-2 complex subunit sigma Human genes 0.000 description 1
- 241000132092 Aster Species 0.000 description 1
- 101000806914 Homo sapiens AP-2 complex subunit sigma Proteins 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000002864 sequence alignment Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Power Engineering (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种极端气候下新能源功率预测方法、电子设备和存储介质,其中,方法包括,获取极端气候下气候观测数据和新能源场站数值模式预报结果;提取极端气候下气候观测数据和新能源场站数值模式预报结果中的气象要素和出力变化特征;基于气象要素和出力变化特征对极端气候下气候观测数据和新能源场站数值模式预报结果进行多模式集成预报,得到多模式集成预报结果;将多模式集成预报结果作为输入采用确定性预报模型进行确定性预报,得到确定性预报结果;将极端气候下气候观测数据和确定性预报结果输入概率预测模型得到气象概率预报结果;基于气象概率预报结果对新能源功率进行预测;实现新能源电站和格点位置的概率/不同置信度区间预测。
Description
技术领域
本发明涉及新能源发电技术领域,具体涉及一种极端气候下新能源功率预测方法、电子设备和存储介质。
背景技术
随着全国新能源装机规模日益增加,新能源发电的间歇性、随机性、波动性对电网稳定性的冲击愈发明显,电力调度对功率预测准确率的要求日趋严格。尤其是对于极端气候下在台风、寒潮、强对流等极端气候发生时,新能源出力预报除了需要对风速、辐照度、云量、温度的气象要素的精准预报,还要针对台风、寒潮和强对流等极端气候进行新能源出力的高精度预测甚至预警。
因此,如何在极端气候下对新能源的功率进行高精度预测甚至预警成为亟待解决的技术问题。
发明内容
本申请实施例提供一种极端气候下新能源功率预测方法、电子设备和存储介质,以解决相关技术中存在的如何在极端气候下对新能源的功率进行高精度预测甚至预警的技术问题。
根据本申请的第一方面,提供一种极端气候下新能源功率预测方法,包括:获取极端气候下气候观测数据和新能源场站数值模式预报结果;提取所述极端气候下气候观测数据和新能源场站数值模式预报结果中的气象要素和出力变化特征;基于所述所述气象要素和所述出力变化特征对所述极端气候下气候观测数据和新能源场站数值模式预报结果进行多模式集成预报,得到多模式集成预报结果;将所述多模式集成预报结果作为输入,采用确定性预报模型进行确定性预报,得到确定性预报结果;将所述极端气候下气候观测数据和所述确定性预报结果输入概率预测模型,得到气象概率预报结果;基于所述气象概率预报结果对新能源功率进行预测。
可选地,所述提取所述极端气候下气候观测数据和新能源场站数值模式预报结果中的气象要素和出力变化特征包括:对所述极端气候下气候观测数据和新能源场站数值模式预报结果进行数据质控和均一性校验,得到有效气象数据和偏差因子;提取所述有效气象数据中的时间特性特征、空间特性特征和垂直特性特征作为所述气象要素;基于对所述气象要素进行统计分析,得到出力变化规律数据;基于所述偏差因子和所述出力变化规律数据确定所述出力变化特征。
可选地,所述基于所述所述气象要素和所述出力变化特征对所述极端气候下气候观测数据和新能源场站数值模式预报结果进行多模式集成预报,得到多模式集成预报结果包括:获取所述气象要素和所述出力变化特征的类型;基于所述气象要素和所述出力变化特征的类型优化所述多模式集成预报中各个模式成员的集成权重;基于所述集成权重对所述所述极端气候下气候观测数据和新能源场站数值模式预报结果进行多模式集成预报,得到多模式集成预报结果。
可选地,所述基于所述集成权重对所述所述极端气候下气候观测数据和新能源场站数值模式预报结果进行多模式集成预报,得到多模式集成预报结果包括:对所述新能源场站数值模式预报结果进行数值模式动力降尺度,得到气象要素预报结果;对所述极端气候下气候观测数据进行标准化,得到标准化观测数据;对所述标准化数据和所述气象要素预报结果进行显著因子相关分析,得到显著因子分析结果;对所述显著因子分析结果进行主成分分析,得到主分量;基于基于所述主分量采用统计降尺度方法对所述新能源场站数值模式预报结果进行订正,得到订正后的数值预报结果;将订正后的数值预报结果基于集成权重进行多模式集成预报,得到多模式集成预报结果。
可选地,所述将所述多模式集成预报结果作为输入,采用确定性预报模型进行确定性预报,得到确定性预报结果包括:使用自注意力模块提取不同模式预报结果的特征信息;将提取到的特征信息通过残差的连接方式进行融合;利用预测单元网络生成预测要素序列作为所述确定性预报结果。
可选地,所述将所述极端气候下气候观测数据和所述确定性预报结果输入概率预测模型,得到气象概率预报结果包括:基于所述将所述极端气候下气候观测数据和所述确定性预报结果构建原始气象序列;对所述原始气象序列进行分解,得到多个气象子序列;利用多个不同类型的概率预测方法构建的概率预测模型对所述气象子序列进行概率预测,得到联合气象概率预报结果,所述概率预测方法包括时序残差概率混合预测方法,多源高斯集合核拟合预测方法,深度学习和分位数回归的融合预测方法、相关系数数据融合预测方法和基于粒子群优化的GRU模型预测方法中的至少两种。
可选地,所述利用多个不同类型的概率预测方法构建的概率预测模型对所述气象子序列进行概率预测,得到联合气象概率预报结果包括:基于归一化平均宽度、平均覆盖误差、累计偏差和预测区间覆盖的可靠程度和宽度指标分别对每一算法的预测结果进行评价,得到综合评价值;基于所述综合评价值确定每一概率预测方法的联合权重,其中,所述综合评价值与所述联合权重成正相关;基于所述联合权重构建所述概率预测模型。
根据第二方面,本申请实施例提供了一种极端气候下新能源功率预测装置,包括:获取模块,用于获取极端气候下气候观测数据和新能源场站数值模式预报结果;特征提取模块,用于提取所述极端气候下气候观测数据和新能源场站数值模式预报结果中的气象要素和出力变化特征;集成预报模块,用于基于所述所述气象要素和所述出力变化特征对所述极端气候下气候观测数据和新能源场站数值模式预报结果进行多模式集成预报,得到多模式集成预报结果;确定性预报模块,用于将所述多模式集成预报结果作为输入,采用确定性预报模型进行确定性预报,得到确定性预报结果;概率预报模块,用于将所述极端气候下气候观测数据和所述确定性预报结果输入概率预测模型,得到气象概率预报结果;功率预测模块,用于基于所述气象概率预报结果对新能源功率进行预测。
根据本申请的第三方面,提供一种电子设备,所述电子设备包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上述任意一项所述的极端气候下新能源功率预测方法。
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意一项所述的极端气候下新能源功率预测方法。
本申请实施例提供一种极端气候下新能源功率预测方法,获取极端气候下气候观测数据和新能源场站数值模式预报结果;提取所述极端气候下气候观测数据和新能源场站数值模式预报结果中的气象要素和出力变化特征;基于所述所述气象要素和所述出力变化特征对所述极端气候下气候观测数据和新能源场站数值模式预报结果进行多模式集成预报,得到多模式集成预报结果;将所述多模式集成预报结果作为输入,采用确定性预报模型进行确定性预报,得到确定性预报结果;将所述极端气候下气候观测数据和所述确定性预报结果输入概率预测模型,得到气象概率预报结果;基于所述气象概率预报结果对新能源功率进行预测;在多模式集合确定性天气预报预报和实测气象数据历史预测误差的深入分析的基础上,结合模态分解方法、完全自适应噪声集合经验模态等方法,对气象要素进行分解,利用拟合残差成分采用核密度估计建立概率预测模型,对每个序列建立PSO优化的GRU预测模型后再对各分量进行叠加实现多步区间预测;使用卷积神经网络和长短记忆神经网络提取气象特征,进行分位数回归等概率预测,实现新能源电站和格点位置的概率/不同置信度区间预测,进而实现极端气候下新能源功率的进准预测。通过分析极端气候相应的气象预警特征指标和预警门槛值,进行极端天气类型/事件分类,分别针对台风、寒潮和强对流等极端气候建立新能源出力的高精度预测预警模型,开展对新能源出力的气象风险分析评估与预警技术研究,提示对新能源出力的影响。
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为本申请实施例的一种可选的极端气候下新能源功率预测方法的流程示意图;
图2是根据本申请实施例的一种极端气候下新能源功率预测装置的示意图;
图3是根据本申请实施例的一种可选的电子设备的结构框图。
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。
根据本申请的一个方面,提供一种极端气候下新能源功率预测方法,图1为本申请实施例的一种可选的极端气候下新能源功率预测方法的流程示意图,如图1所示,所述极端气候下新能源功率预测方法包括:
S10,获取极端气候下气候观测数据和新能源场站数值模式预报结果。作为示例性的实施例,可以获取近N年台风、寒潮、强对流等极端气候年鉴;场站观测、卫星遥感数据作为极端气候下气候观测数据。新能源场站数值模式预报结果可以通过全球交互式大集合预报下载对应的各大气象中心的集合预报资料构建新能源场站数值模式预报结果。
S20,提取所述极端气候下气候观测数据和新能源场站数值模式预报结果中的气象要素和出力变化特征。在本实施例中,气象要素主要包括时间特性特征,空间特性特征和垂直特性特征。将极端气候下气候观测数据和新能源场站数值模式预报结果进行时序对准,并通过数据质控和均一性校验,得到有效气象数据。基于有效气象数据的日变化规律、月变化规律、季节变化规律以及年度变化规律四个维度进行分析,对新能源场站按地市等地理距离相近原则进行划片,探寻不同地区昼夜变化、季节交替、季节特征以及年度特性,提取时间特性特征。
基于有效气象数据平均数值分布特征,对波动性特征和间隙性特征的几个指标进行计算,绘制区域波动性特征分布图以及间歇性特征分布图,确定目标区域内不同地区间空间特性特征。
基于有效气象数据的不同高度层的风切变指数,从不同下垫面(高山、平原、丘陵、海洋等)、不同大气稳定度(晴天、阴天、降雨、降雪等)、不同季节(春季、夏季、秋季、冬季)三个维度,研究不同条件下有效气象数据在垂直层面的变化规律作为垂直特性特征。
基于时间特性特征、空间特性特征和垂直特性特征进行统计分析,确定出力变化特征;其中,出力(发电量)规律包括日变化、月变化、季变化以及年变化四个尺度进行统计分析。日变化展示在一天之中,单台风机和风电场的每小时发电量变化规律。月变化是一个月内的每天发电量变化规律,年变化是一年内的每个月发电量的变化规律。其中日变化中风光出力全天最大出力与最小出力,白天平均出力、夜间平均出力,不同时段的出力统计;月变化包括每天的平均出力变化曲线和日发电量的变化规律,年变化展示分析一年中每个月的出力和月平均发电量的变化规律;季节特性出力统计,分析强风季节等。此外随着风电场群规模的增大,场区内地形复杂,风能分布的平衡加明显,同时使用时间特性特征、空间特性特征和垂直特性特征的综合计算方法确定出力变化特征。
S30,基于所述所述气象要素和所述出力变化特征对所述极端气候下气候观测数据和新能源场站数值模式预报结果进行多模式集成预报,得到多模式集成预报结果。考虑不同时空条件下优化分配各模式集合成员权重,提高极端天气或转折性天气下风光气象要素预报的准确性。根据风速突变中风速爬坡及间歇性风速点等机制、强对流天气造成极端阴雨天等极端气候构建预测模型进行识别。具体的,获取所述气象要素和所述出力变化特征的类型;基于所述气象要素和所述出力变化特征的类型优化所述多模式集成预报中各个模式成员的集成权重;基于所述集成权重对所述所述极端气候下气候观测数据和新能源场站数值模式预报结果进行多模式集成预报,得到多模式集成预报结果。
作为示例性的实施例,获取所述气象要素和所述出力变化特征的类型,在本实施例中,计算历史上的气象要素和所述出力变化特征的波动状态,基于波动状态确定所述气象要素和所述出力变化特征的类型,在本实施例中,可以按照波动程度所处的区间对其类型进行划分。示例性的,可以包括微波动类型,中波动类型和强波动类型。在本实施例中,不同的波动类型可对应不同的集成权重,同时,不同的波动类型可对应不同的集成方法。通常,所述气象要素和所述出力变化特征波动越剧烈,各个模式预报结果的偏差越大,因此,可以基于所述气象要素和所述出力变化特征的类型作为各个模式成员之间偏差导数,进而体现各个模式成员之间偏差率。因此,在获取到对应区域的数值模式预报结果之后,可以基于目标区域的所述气象要素和所述出力变化特征的类型确定对应的各个模式成员的集成权重。
作为另一种示例性的实施例,可计算不同模式预报之间的第一差值和极端气候下气候观测数据和每一数值模式预报结果之间的第二差值;基于第一差值和第二差值确定各个模式成员之间的真实偏差,基于真实偏差确定各个模式成员的集成权重。
示例性的,微波动类型可通过多模式集合平均方法进行集成预报,在本实施例中,利用多模式模拟结果并进一步集合平均是目前预估未来区域天气变化的常用方法。多模式集合平均是对参与集成的各模式预报结果进行简单算数平均。计算公式如下:
其中Fi为第i个模式的预报值;n为参与集合的模式总数,VEMN为多模式集合平均的集成预报结果。
对于中波动类型可以采用多模式滑动训练期消除偏差,采用滑动训练期的方法,将训练期设置为固定长度并逐日向后滑动,每次只预报距离训练期临近的一天。训练期窗口不断滑动,权重不断更新,能够消除预报偏差,使得预报准确率更高。消除偏差集合平均(Bias-Removed Ensemble Mean,BREM)定义如下:
其中,对于每一个格点,FBREM为消除偏差集合平均预报值;为训练期观测值平均;N为参与集合的模式个数;Fi为第i个模式的预报值;为第i个模式预报训练期的时间平均值。需要指出的是此方法将资料分成了训练期和预报器两部分,训练期长度的变化会对最终预报结果产生较大影响,因此对比调试训练期最优长度十分必要。可将训练期设置为1~N天遍历进行实验,计算选取不同训练期长度下风速、辐照度等气象要素区域预报期内的预报均方根误差和相关系数。
对于强波动类型,可以采用多模式贝叶斯模型平均方法(Bayesian modelaveraging,BMA),贝叶斯模型平均组合预测克服了其他预测模型未考虑主观先验信息、没有充分提取各预测方法正确的预测信息、没有考虑模型的不确定因素的缺点;贝叶斯模型平均组合预测的关键是计算后验概率,计算后验概率的关键是计算边际似然,边际似然是一个高纬、复杂的积分。它对某一特定变量的概率预报(Probability density function,PDF)是经过偏差校正的单个模型概率预报的加权平均,其权重是相应模型的后验概率,代表着每个模型在模型训练阶段相对的预报技巧,也就是说它能产生率定的、高集中度的预报PDF,可预测未来天气分布的百分位点。以单模式ECWMF集合预报举例:利用BMA进行ECWMF51成员的概率匹配技术校准,形成15min时间分辨率的单值预报和区间风速最大最小预报。假定风电场风速的概率密度函数(PDF)服从N0(μ,σ2)的截断正态分布,即:
g(x|μ,σ)=0,x<0
式中:φ分别代表PDF和累计分布函数(CDF),μ、σ分别为位置参数和尺度参数。假设位置参数μ是ECMWF的线性函数,即:
μ=ak+bkfk
利用EM(Expectation Maximization Algorithm)算法,进行极大似然估计,求解对数似然函数(如下公式),对BMA模型参数进行率定。
令s、t分别表示时间与空间指标,fkst即表示预报集合中第k个成员在空间s与时间t的预报结果,wk为BMA模型训练阶段第k个成员预报为最佳的后验概率,非负且满足利用wk求得经概率匹配技术校准后的单值预报FBMA和概率密度函数PDFBMA。
确定最佳训练期长度,取第5百分位与第95百分位分位值之间的宽度,作为风速概率分布的区间;采用回归滚动预报方式,即采用先前最佳训练期长度天作为训练期进行训练,训练处的模型参数应用到0~72h预报中,建立动态BMA预报模型。
以多模式为例BMA模型,欧洲中期天气预报中心(ECMWF)集合预报、美国新一代中尺度数值模式WRF、意大利国际理论物理中心开发RegCM共计三类模式预报产品融合(取轮毂风速等气象要素),同样假设PDF服从N0(μ,σ2)的截断正态分布,位置参数μ是三种模式产品的线性函数,则μ与三种模式产品之间存在上述ECMWF单模式集合预报中建立的线性拟合关系。
S40.将所述多模式集成预报结果作为输入,采用确定性预报模型进行确定性预报,得到确定性预报结果。在本实施例中,确定性预报模型可以采用机器学习,例如支持向量机;随机森林,梯度提升回归树,贝叶斯岭回归算法等,也可以采用深度学习,例如,循环神经网络,长短期记忆神经网络、卷积神经网络,Transformer网络模型等。
在本实施例中,可以通过Transformer网络模型进行确定性预报,示例性的,使用自注意力模块提取不同模式预报结果的特征信息;将提取到的特征信息通过残差的连接方式进行融合;利用预测单元网络生成预测要素序列作为所述确定性预报结果。
在本实施例中,将输入序列的顺序能够考虑进去,Transformer在编码器和解码器的输入都引入位置编码向量positional encoding,计算位置编码的公式如下:
其中pos是指当前状态在序列中的位置,i是向量中每个值的索引。实际上,是在偶数位置用正弦编码,奇数位置用余弦编码。Transformer模型是由一组Encoder组件和一组Decoder组件所构成,并且仅由Self-Attention和前馈神经网络组成。
在本实施例中,Transformer模型包括多个模式成员S个模式的特征提取器、特征融合层和预测终端层。特征提取器遵循Transformer模型,特征融合层是普通的全连接网络,预测终端层是回归层。在深度和宽度两个空间维度上进行了扩展,深度扩展有助于增强模型的特征提取能力,从而从输入数据中获取更多有价值和有用的信息。宽度扩展为多模态信息提供了有针对性的信息处理机制。首先是整个模型的结构可以灵活配置,因为每个Transformer都是独立的。二是引入一定数量的单元可以显着减少网络中的连接数。该模型的具体工作流程如下:底部的S个Transformer从S个不同的历史特征中提取特征,它们的最高层生成S个对应的高级特征,表示为r(t1),r(t2),...,r(tS).然后,融合层接收这S个高阶特征,通过非线性运算融合它们,生成一个信息更丰富的统一特征ht。最后,预测终端层生成预测的目标序列。
S50,将所述极端气候下气候观测数据和所述确定性预报结果输入概率预测模型,得到气象概率预报结果。作为示例性的实施例,新能源风电、光伏发电预测分别与风速风向、太阳辐照度的相关度最高,在构建预测模型时需要对预测信息空间进行差异化构建。在大气物理指标变化特征的基础上,利用集合预报输出风速、风向、太阳辐照度和温度等物理量指标来进行联合概率预报的方案,对极端天气进行概率定量风光资源预报,运用多源气象不同集合方法对极端天气集合预报个例试验,提高极端天气的预报预警能力。概率预测方法可提供风速不确定性信息,用来预报未来某种天气现象发生的可能性大小,通常以分位数、不确定性区间概率密度函数的形式表征。可以预报极端天气在给定的时间和地点出现的概率。
示例性的,在确定性预报结果的基础上,通过概率预测模型包括基于时序残差概率混合模型、多源高斯集合核拟合法、深度学习和分位数回归的融合方法等,扩充新能源功率预测的内涵,提高电力系统的安全性、稳定性和经济性。
S60,基于所述气象概率预报结果对新能源功率进行预测。在本实施例中,在得到确定性预报结果和概率预报结果之后,可以构建发电设备与气象数据之间的模型,在本实施例中,发电设备以风机为例:
通过经验模态分解做数据预处理、粒子群PSO对模型优化基础上,对BP神经网络、支持向量机SVM、和长短记忆网络LSTM等基础模型进行组合,以确定不同气象要素对风级机组运行状态的预测模型,进而确定新能源功率。
通过自适应噪声的完备经验模态分解对增添的自适应噪声分量进行多重经验模态分解,通过计算结果的平均值得到唯一的本征分量,具体的首先对初始数据信号x(t)增添参考标准白噪声后获得的y(t),然后对y(t)展开EMD分解,对结果进行平均,获得第一阶模态函数M1(t),计算第一阶残余项为。同理对添加噪声后的信号进行EMD分解,得到二阶模态函数和第二阶残余项。以此类推得到第h阶模态函数和第h阶残余项(h 2,3,......,H)。重复模态函数和残余项求解的步骤,直到残余项不允许被分解为止,求得最后残余项,其计算表达式是:
基于粒子群对模型参数进行优化,具体的,将每一个待优化问题的解看成目标搜索空间中的一个粒子,在特定的搜索空间中,粒子以一定的速度运行,通过环境因素和自身的飞行情况不断对速度进行动态调整,记录粒子的坐标和飞行速度。经过对每一个粒子的优化,寻找满足目标函数的最优数值。
假定在一个N维的发展目标搜查分布空间里,有M个粒子构成一个生物种群。种群中的第i个粒子代表是一个N维的分布向量,Pi代表第i个粒子的具体位置,其计算表达式是:
Pi=(pi1,pi2,...,piN),i=1,2,...,M第i个粒子的移动速度是一个N维的分布向量,其计算表达式是:
Vi=(vi1,vi2,...,viN),i=1,2,...,M
第i个粒子当前搜查到的个体最优合理解,也就是个体极值,其计算表达式是:
Ebest=(pi1,pi2,...,piN),i=1,2,...,M
整个粒子群搜查到的全局最优合理解,也就是全局极值,其计算表达式是:
Gbest=(pg1,pg2,...,pgN)
使用个体极值和全局极值对粒子的速度和位置进行更新,其计算表达式是:
Vi=Wi*Vi+C1*R1*(Ebest-Pi)+C2*R2*(Ebest-Pi)
Xi=x0+vi(k+1)
式中,C1、C2是加速量,也称为学习比例,W是惯性常量,R1、R2是[0,1]控制范围里的随机概率数。
在本实施例中,预测模型采用BP神将网络、支持向量机SVM和长短记忆神经网络LSTM,在本实施例中,以LSTM网络为例介绍该算法的预测流程:LSTM网络在RNN的基础上,进行了结构上的改进,改进后的模型重复结构相对复杂。LSTM网络由记忆单元和更新门、遗忘门和输出门控制门组成。
遗忘门根据当前时刻输入的信息对上一时刻的信息进行筛选,确定保留的信息比例,决定信息的去留。将上一时刻隐藏状态的信息和当前时刻输入的信息同时传递到sigmoid函数中,通过sigmoid层和点乘,将输出值控制在0-1之间。当输出值接近1时,表示该信息应当被保留;当输出值接近0时,表示该信息应当被丢弃。
更新门通过对当前时刻输入的信息进行共享,更新记忆单元的细胞状态,确定需要更新的信息,又被称之为输入门。将上一时刻隐藏状态的信息和当前输入的信息传递到sigmoid函数中,通过sigmoid层和点乘相加,将输出值控制在0-1之间。当输出值接近1时,表示该信息相对重要,应当被更新;当输出值接近0时,表示该信息不重要,应当被丢弃。
输出门将上一时刻的隐藏状态和当前时刻的输入同时传递给sigmoid函数,将sigmoid函数的输出传递给tanh函数。通过sigmoid层、tanh层输出的状态点乘和相加,对隐藏层的状态信息进行确定,从而对下一时刻输出的值进行确定并输出。
在本申请中,在多模式集合确定性天气预报预报和实测气象数据历史预测误差的深入分析的基础上,结合模态分解方法、完全自适应噪声集合经验模态等方法,对气象要素进行分解,利用拟合残差成分采用核密度估计建立概率预测模型,对每个序列建立PSO优化的GRU预测模型后再对各分量进行叠加实现多步区间预测;使用卷积神经网络和长短记忆神经网络提取气象特征,进行分位数回归等概率预测,实现新能源电站和格点位置的概率/不同置信度区间预测,进而实现极端气候下新能源功率的进准预测。通过分析极端气候相应的气象预警特征指标和预警门槛值,进行极端天气类型/事件分类,分别针对台风、寒潮和强对流等极端气候建立新能源出力的高精度预测预警模型,开展对新能源出力的气象风险分析评估与预警技术研究,提示对新能源出力的影响。
作为示例性的实施例,提取所述极端气候下气候观测数据和新能源场站数值模式预报结果中的气象要素和出力变化特征包括:
对所述极端气候下气候观测数据和新能源场站数值模式预报结果进行数据质控和均一性校验,得到有效气象数据和偏差因子。新能源场站面临台风、寒潮、强对流等极端气候时气象观测数据的质量控制的主要内容有对观测数据进行分析和质量检查,同时对观测数据的质量进行记录,能够及时发现其中的错误并进行及时的修改。在多数的情况下,气象观测数据的获得具有一定的程序,即收集、传输、编码和解码等,这些环节的气象观测数据可能存在一定的偏差。所以,在气象观测数据的过程中始终存在着质量控制问题气象观测资料的一致性检验。
台风、寒潮、强对流等极端气候下气象观察数据质量控制:静态信息检查、实测数据统一格式、极值的检验、气象要素一致性检查、时间一致性检查。其中静态信息检查:包含对风电场风机、光伏电站环境监测仪经纬度信息(经纬度格式及精确小数位)、电站名称、电站海拔等静态信息检查。极值的检验:获取统一标准格式实测数据后,使用程序判断每种实测气象要素是否超过国标要求的最大值或者最小值。当然根据实际情况,随着地理条件的改变,要素极值也可能发展一定程度的变化,所以也可以依据每个场站前期勘测历史气象要素制定极值的参数。空间一致性检查:气象要素分布的地理空间具有相关性,空间距离比较近的气象站点要比距离较远的站点其特征值具备更大的相似性,这是空间插值的理论依据之一,也是空间一致性检查的理论基础。时间一致性检查:针对一段时间(如24小时)气象要素值随时间变化而发生变化的连续性检查,若检查出要素值没有出现变化就表明观测仪器亦或者传输设备可能发生故障。有些地面气象观测数据一般和时间具有较好的一致性,通过气象观测数据在发生时间前、后的测值作对比分析,就可以掌握观测数据值是否存在异常。
新能源场站台风、寒潮、强对流等极端气候下气象观测数据清洗方法可以采用统计量分析法、3sigma法、小波奇异点监测法、四分位算法等数学方法,还可以采用支持向量机回归算法、K最近邻法、组内最优方差法、离群点检测算法等人工智能算法。
在本实施例中,可以先对原始数据进行异常判,再对异常数据进行处理。示例性的,对于原始数据进行异常判断可以包括原始采集数据中有很多重要属性的数据有缺失,如果简单的抛弃缺失值、错误值,对数据的应用可能造成严重影响,也改变了原始数据的真实有效性。比如错估风电场的日平均风速,低估或高估风电场的出力等,均能给后期发电计划造成误导。数据质量控制是正确评估风电场运行情况的先决条件。风电场数据异常状态普遍有如下四种形式:缺数、死数、错数、校验不通过。
其中,对于缺数的判断规则:原始采集数据中时间分辨率均为5分钟一个点,一天共288条数据,每日时间00:00:00对应第一个点。如果实际功率、预测功率、测风塔和数值天气预报的风速及风向、温度、湿度等数据时间分辨率超过5分钟,就认为数据缺失。由于人工操作等原因,缺失限电记录,判断限电的规则详见数据分析部分。
对于死数的判断规则:为了便于数据识别,所有数据保留小数点后4位有效数字。对风测数据,有出力时出现连续6个数据(30分钟)的相邻绝对误差=0,此时被认为出现死数(风速存在连续6个数据不变的情况,如无风;功率存在连续6个数不变的情况,如无出力或满发);有风且功率连续6个数为0,则被认为出现死数。对光测数据,当辐照度>0时,出现连续6个数不变被认为出现死数;当辐照度=0时,出现连续6个不为0的同一数据,被认为出现死数。
对于错数的判断规则:①风速的合理范围为[0,60]m/s,小时平均风速的合理范围为[0,40]m/s;风向的合理范围为[0,360°);气压的变化范围为[500,1100]hPa;湿度的合理范围[0,100%]RH;环境温度的合理范围[–60,60]℃,组件温度的合理范围[-60,150]℃。②光伏辐照度的合理范围为[0,2000]W/m2。
对于校验不通过的判断规则:校验不通过的数据往往需要利用数据分析的手段才能实现。
异常数据进行处理针对以上方法判断出来的缺数、死数、错数、校验不通过数据,均需要进行数据处理,示例性的,按照如下原则进行异常数处理:测风塔监测数据应保持一致性,例如,测风塔70m,50m和30m相邻高度小时平均风速绝对偏差小于2m/s;测风塔相同层高相邻时间的风速绝对偏差小于20m/s;采集数据与真实数据偏差小于5%的个数与所有采集数据个数的比值;采集数据可用率应大于95%。
具体的,针对缺数的处理:
单机数据采集的风速、风向值、功率缺数、辐照度(光伏)处理:连续6个点以内的缺数用前一个点补齐。
测风塔数据采集的所有层风速、风向、温度、湿度、压力缺数处理:连续6个点以内的缺数用前一个点补齐。
整场数据缺数处理:连续6个点以内的缺数用前一个点补齐。
补数的时间长度最多为半小时,出现连续半小时以上的缺数或者死数不进行处理。
依据限电记录缺失的判断方法,判断出某段时间内有限电记录缺失,则在模型应用中会将该段时间的数据过滤掉或者进行理论缺失补偿。
针对错数的处理:
风速数据<0m/s,以0m/s代替;风速数据>60m/s,以60m/s代替;对辐照度、风向、温度、湿度、气压等的错误处理方式类同风速的处理方式。
单机(整场)功率数据<Tp1,以Tp1代替,其中Tp1=–P×10%;单机(整场)功率数据>Tp2,以Tp2代替,其中Tp2=P×110%,P:单机额定功率(整场装机容量)。
状态数据:停机、出力状态一旦出错,则进行更改状态。
校验不通过数据的处理:
测风塔相邻层高小时平均风速绝对偏差超过2m/s数据处理:如果70m层高的风速正确,以该层风速为准,每降低或者升高20m,风速减去或者增加2m/s代替原层高风速;如果70米层高的风速错误或者是死数,查找相邻层高同一时间的正确风速,每降低或者升高20m,风速减去或者增加2m/s代替原层高风速;如果所有层高的风速均不正确,采用近距离机头的正确风速取代70m层高的风速,并依次进行处理其它层高的风速。
测风塔相同层高相邻时间的风速绝对偏差超过20m/s,将前一时刻的风速加(减)20m/s,代替下一时刻的风速值。
在得到有效数据之后,提取所述有效气象数据中的时间特性特征、空间特性特征和垂直特性特征作为所述气象要素。在本实施例中,以风资源为例进行说明:
先挖掘风速风向的时间变化特征,在本实施例中,极端天气影响过程中,测风塔观测到的不同高度5min平均风速、风向随时间的变化和分布特征,各高度上的风速随时间变化的差异,峰值之间底层和高层风速的关系,并根据风速风向变化情况,评估台风眼区所在地点和移动轨迹。
风场的时间非均匀性很大,定义某时段风速/风向与前一时刻之差,定量表征在时间上的变化特征。
Δθ(t)=θ(t)-θ(t-1)
式中,V为水平风矢量,θ为风向角,向北为0°,向东为90°,两次时间的间隔为5min。
对于有效气象数据可以采用风速模型提取时变风速,提取平均风速和平均风向;提取湍流强度、阵风因子和湍流积分尺度;提取湍流脉动能在各种频率上的分布,即功率谱;提取概率密度函数;风廓线特征,以表征风速随高度的变化曲线;提取风切变指数以表示风速在垂直于风向平面内的变化;提取风向短时变化;统计大风频次等。
对于风速模型可以基于风速风量时间上的变化特征构建,台风平均风速随时间变化表现为不平稳特征,风电场周边环境复杂,非平稳风速模型,即风速被分解为时变平均风和0均值的平稳脉动风速。在横、纵两个风向上都按照非平稳进行分析,其实质就是将风速拆分为“趋势项”和“平稳过程”,其中,“趋势项”对应平均风速,时变平均风风速是风速数据在低频率去建立的趋势项或低频段几项之和,可采用EMD、DWT等信号处理获得。
非平稳风速模型表达式为:
其中,表示顺风向的时变平均风,u*(t)表示顺风向0均值平稳随机脉动风。表示横风向时变平均风,v*(t)表示横风向0均值平稳随机脉动风。*表示采用非平稳模型计算。
具体的,基于风速模型提取时变风速,可以采用如下方法:
一、将风速样板U(t)进行EMD分解,可以包括:找出U(t)的全部极值点;使用三次样条差值函数画出极值包络线;将极值包络线做平均处理得到m1(t),再用原始风速样本减去m1(t),得到第一个分量c1(t);对c1(t)进行IMF的条件判别,如不满足IMF条件,重新筛选,如满足IMF条件,c1(t)为第1个高频IMF函数h1(t):
c1(t)=U(t)-m1(t)
h1(t)=c1k(t)
将h1(t)从U(t)中提出,得到剩余数据序列r1(t)=U(t)-h1(t);将r1(t)作为新样板,重复S1-S5过程,得到第2个固有模态函数h2(t),以此类推,知道剩余分量是1个单调函数,即产生的余量为rn-1(t)-hn(t)=rn(t)。
通过EMD分解,将非平稳风速过程U(t)分解为若干个IMF和1个残余项rn(t):
式中,hj(t)为固有模态函数,rn(t)为残余分量,n为经验模态风机的固有模态阶数。当筛选后的余量周期大于样本时程时,人为该余量为时变平均风速。
二、离散小波提取时变平均风:基于DWT理论的任意风速序列U(t)的离散小波变换和逆变换标识为:
式中,U(t)表示风速序列,ψj,k为由基本小波ψ(t)经过延伸和平移引出的函数族,符号*表示共轭。
三、时变平均风速提取,为准确评估时变平均风,用验证脉动风的平稳性来确定:
对于U(t),脉动风的表达式为脉动风的平稳度为r=r(t(t)),其中,为平均风速;采用EMD、小波变换法从U(t)中提取时变风得到非平稳风速模型下的脉动风并计算其平稳度r1=r(u*(t));验证平稳度r1是否符合平稳度要求。
对于平均风速和平均风向,水平风速u(i)和风向风速可以分为两个坐标轴上的分量,
在具体计算分析时,取某一时距为平均时距,如5min,则水平平均风速U和风向θ分别为:
式中,step()为阶跃函数,当为负值时,函数值为0,当为正值时,函数值为。和分别为ux(i)和uy(i)一定时距样本的均值。在一定时距内,顺风向和横风向脉动风速和可表示为:
平均时距统计值能较好的反映出台风风速、风向、湍流度和阵风因子的脉动性和变化规律。
风的脉动强度可以用湍流强度和阵风因子表示。通过对脉动风速概率密度函数进行估计,可以判别台风数据的高斯型。在本实施例中,对于湍流强度、阵风因子和湍流积分尺度的提取可以包括:
湍流强度,反映了风的脉动特征,是确定结构脉动风载荷的关键参数。湍流强度为风速标准差与水平风速模量的比值,采用5min时距的风速标准差与水平平均风速的比值,计算公式为:
式中,I为湍流强度,σ为5min时距的风速标准差,U为对应的5min水平平均风速。
阵风因子为阵风持续期tg内的平均风速最大值与一定时距的平均风速U之比。
功率谱是湍流脉动能在各种频率上的分布,用来描述不同尺度的漩涡的湍流脉动动能的占比,是表征脉动风在频域内能量大小的分布。基于Kolmogorov原理,脉动谱表达式由VonKarman谱、Davenport谱、Harris谱、Hion谱、Kaimal谱、Simiu谱、Panofsky谱等表达。
对于概率密度函数:风速模拟中常用广义极值分布、对数正态分布、威布尔分布、逆高斯分布等六种分布函数:
正态分布通常来说,非稳定风速模型人为脉动风速概率函数服从正态分布,计算公式如下:
式中,u*表示脉动风速,表示标准差。
广义极值分布:
式中,v为风速,k、σ和μ为待定参数。
风速廓线是指风速随高度的变化曲线,常用于不同高度风速的推算。造成近地层风速垂直变化的原因有动力面素和热力因素,前者主要来源于下垫面的摩擦效应,即下垫面的粗糙度,后者主要表现为与近地层大气稳定度的关系,当大气层结为中性时,近地层风速随高度变化近似地服从对数函数和幂指数函数。
风速随高度变化对数函数为:
式中,u为z高度处的风速,u1为z1高度处的风速,z0为下垫面粗糙程度。
风速随高度变化幂指数函数为:
式中,a为风速廓线幂指数,是表征下垫面粗糙程度的参数,反应风速垂直切变的强弱。
风切变指数表示风速在垂直于风向平面内的变化,其大小反映风速随高度增加的快慢。其计算公式为:
①幂律公式:
②指数公式:
式中,α为风切变指数,z1和z2分别为已知高度和变化后风速所在高度,v1和v2分别为z1和z2高度的风速。
对于风向短时变化:定义10min风向变绿为后10min风向角和前1个10min风向角的差值的绝对值。
对于大风频次统计:分别统计对风电出力增益、存在切出可能、大于切出风速时段的大风累计频次分布,分析临近风电场因地形高度和山体形状差异造成的大风累计频次改变特征。
基于对所述气象要素进行统计分析,得到出力变化规律数据。发电量规律包括日变化、月变化、季变化以及年变化四个尺度进行统计分析。日变化展示在一天之中,单台风机和风电场的每小时发电量变化规律。月变化是一个月内的每天发电量变化规律,年变化是一年内的每个月发电量的变化规律。其中日变化中风光出力全天最大出力与最小出力,白天平均出力、夜间平均出力,不同时段的出力统计;月变化包括每天的平均出力变化曲线和日发电量的变化规律,年变化展示分析一年中每个月的出力和月平均发电量的变化规律;季节特性出力统计,分析强风季节等。此外随着风电场群规模的增大,场区内地形复杂,风能分布的平衡加明显,使用时空分布特性的综合计算方法。
基于所述偏差因子和所述出力变化规律数据确定所述出力变化特征。在本实施例中,对出现偏差的数据进行聚类分析,提取聚类簇中的关键偏差因子,并对关键偏差因子进行机理分析,得到偏差因子。基于偏差因子对处理变化规律数据进行修正,得到出力变化特征。
所述基于所述集成权重对所述所述极端气候下气候观测数据和新能源场站数值模式预报结果进行多模式集成预报,得到多模式集成预报结果包括:
对所述新能源场站数值模式预报结果进行数值模式动力降尺度,得到气象要素预报结果;对所述极端气候下气候观测数据进行标准化,得到标准化观测数据;对所述标准化数据和所述气象要素预报结果进行显著因子相关分析,得到显著因子分析结果;对所述显著因子分析结果进行主成分分析,得到主分量;基于基于所述主分量采用统计降尺度方法对所述新能源场站数值模式预报结果进行订正,得到订正后的数值预报结果;将订正后的数值预报结果基于集成权重进行多模式集成预报,得到多模式集成预报结果。
具体的,动力降尺度方法是将分辨率较低的全球气候模式嵌套高分辨率的区域气候模式,利用全球模式为区域气候模式提供初边值条件,获取描述区域气候特征的高分辨率预测信息。
在本实施例中,针对目标区域地势复杂的实际情况,研究对WRF地形数据进行优化,采用类似ASTER高程数据的高分辨率地形资料作为地形建模的输入源,更加真实的刻画出广西电网地区地理分布特性,获得高精度的历史模拟;驱动场(包括再分析资料或GCM资料等)为RCM提供初始场、侧边界条件和表面初始场(如土壤温湿度和海表温度)。降尺度时通过初始场和侧边界条件强迫RCM,将驱动场天气背景信息传递到RCM模拟结果。当模拟区域较大或者模拟时段较长时,RCM模拟的天气形势可能与驱动场天气形势有所偏差。确保RCM模拟结果与驱动场天气形势。一致的方法包括分段模拟、分析Nudging法、谱Nudging法以及尺度选择偏差校正;对广西电网区域进行1km水平分辨率的网格化,模式动力降尺度过程中的每个格点能够更精确的反映该格点的地形情况;对于模拟范围内可获得的气象站历史观测资料,进行质量控制,包括异常值剔除、缺测值插补,使用卡尔曼滤波,将可靠的历史观测数据、中尺度历史模拟数据订正,更好的对历史气候进行反演。
在历史模式输出量中选择合适的因子与观测值建立统计关系,在实际预报时将相应的模式输出量代入该统计关系中,得到修正后的预报值。该方法可以有效地减少模式的系统误差,常用多元线性回归模型建立统计关系,即寻找观测数据与某一数值模式输出结果的回归模型,并在实际预报中利用该统计关系将一个单值的模式预报转变为另一个单值预报。
因子挑选,回归分析时,需要从可能影响因变量的众多因子中挑选出一批数量适中、关系较好的因子建立回归方程。常用逐步引入法挑选因子。逐步引入法是在模式给出的p个待选因子中,挑选方差贡献最大的,若该因子通过显著性检验,加入回归方程。
确定现有因子的回归方程后,把观测值与回归估计值的差值作为预报量,对剩下的待选因子进行重复因子挑选的步骤,引入新的因子,直到得到满意的回归方程。逐步引入法可以在选出较佳因子方案的前提下,有效地减少运算量。
以太阳辐射预报模型为例,基于WRF模式输出结果、以及总辐射观测数据,设计逐时太阳辐射的MOS预报流程,如图所示。包括3个关键步骤:对逐时观测序列进行低通滤波再除以天文辐射,对模式输出因子进行筛选和降维,以及建立MOS预报方程。其中:I表示逐时总辐射观测序列;表示对观测序列低通滤波后的结果;表示滤波后再除以天文辐射的结果。
MOS预报方程因子如何选取,依据WRF模式逐时输出各物理量,通过统计分析提取与辐射观测显著相关的输出因子,表中给出了辐射观测与模式输出因子的相关统计量。对模式输出的13个辐射相关因子进行主成分分析,各主分量再与序列进行相关分析,选出相关性较好的主分量作为建立MOS预报方程的因子。
在本实施例中,首先给定所需预测天气变量的概率分布,然后利用函数将预测分布的参数与预测成员相连接,并通过优化算法求解出模型参数来实现预测校正,例如原始的EMOS方法使用高斯分布对温度和海平面压力进行建模,高斯分布的均值是预测成员的映射函数,其方差是集合方差的映射函数。该方法在概念上相较于目前非常流行的贝叶斯模型平均法更加简单清晰,对于数据样本的要求量较贝叶斯模型平均法也要少很多,因此在使用中会更加灵活方便。
将所述极端气候下气候观测数据和所述确定性预报结果输入概率预测模型,得到气象概率预报结果包括:
基于所述将所述极端气候下气候观测数据和所述确定性预报结果构建原始气象序列;对所述原始气象序列进行分解,得到多个气象子序列;利用多个不同类型的概率预测方法构建的概率预测模型对所述气象子序列进行概率预测,得到联合气象概率预报结果,所述概率预测方法包括时序残差概率混合预测方法,多源高斯集合核拟合预测方法,深度学习和分位数回归的融合预测方法、相关系数数据融合预测方法和基于粒子群优化的GRU模型预测方法中的至少两种。
在本实施例中,基于归一化平均宽度、平均覆盖误差、累计偏差和预测区间覆盖的可靠程度和宽度指标分别对每一算法的预测结果进行评价,得到综合评价值;基于所述综合评价值确定每一概率预测方法的联合权重,其中,所述综合评价值与所述联合权重成正相关;基于所述联合权重构建所述概率预测模型。
作为示例性的实施例,可基于历史数据分别以时序残差概率混合预测方法,多源高斯集合核拟合预测方法,深度学习和分位数回归的融合预测方法、相关系数数据融合预测方法和基于粒子群优化的GRU模型预测方法输出概率预测结果,在基于归一化平均宽度、平均覆盖误差、累计偏差和预测区间覆盖的可靠程度和宽度指标分别对每一概率预测结果进行评价,得到评价值,基于评价值确定每一预测方法的联合权重。之后,在得到新的气候观测数据和所述确定性预报结果之后,基于联合权重对时序残差概率混合预测方法,多源高斯集合核拟合预测方法,深度学习和分位数回归的融合预测方法、相关系数数据融合预测方法和基于粒子群优化的GRU模型预测方法输出概率预测结果进行融合,或基于联合权重将时序残差概率混合预测方法,多源高斯集合核拟合预测方法,深度学习和分位数回归的融合预测方法、相关系数数据融合预测方法和基于粒子群优化的GRU模型预测方法融合为一个概率预测模型,将新的气候观测数据和所述确定性预报结果输入概率预测模型进行概率预测。
在本实施例中,基于时序残差概率混合模型预测方法可以利用改进变分模态分解方法,将风速分解为频率特征互异的分量;然后对拟合残差成分采用核密度估计建立概率预测模型。
多源高斯集合核拟合法,可以先构建多模式集成预测的联合概率密度,确定m维随机列向量X的联合概率密度。
深度学习和分位数回归的融合方法,使用卷积神经网络和长短时记忆神经网络来提取风速的特征,然后利用提取的特征进行分位数回归。
相关系数数据融合方法,使用完全自适应噪声集合经验模态分解-CEEMDAN分解原始风速,样本熵进行数据融合,采用传统的置信区间法对风速区间进行预测。
基于VMD-FIG和参数优化GRU的风速多步区间预测,即VMD-FIG结合参数优化GRU的风速多步区间预测方法,首先采用VMD将风速序列分解为K个较为平稳的子序列,并根据SE将其重构为趋势、振荡和噪声3部分;噪声部分采用FIG提取每个窗口的最小值、平均值和最大值;再对每个序列单独建立PSO优化的GRU预测模型,然后将各分量的预测结果进行叠加,实现风速多步区间预测。
作为示例性的实施例,归一化平均宽度以PINAW表征,平均覆盖误差以ACE表征,累积偏差以ADI表征,预测区间覆盖的可靠程度和宽度指标以综合指标WS表征,其中:
PINAW评估预测区间的宽泛程度,计算公式为:
式中,和分别为τ置信水平区间上线下;Maxp和Minp分别为预测值的最大值和最小值;km为缩放系数,一般取值为1.5;m为维数、τ为延迟时间。在满足可靠性的同事,PINAW越小,越能提供更为精确的预测信息,利于决策。
ACE指标反应区间可靠性,计算公式为:
式中,x0(i)为真实值。ACE绝对值越小代表覆盖越准确,概率预测结果越可靠。ACE只能定量分析区间预测结果,无法准确直接反应风速实际与预测区间的偏离程度。
ADI描述区间包络特性,计算公式为:
ADI数值越小,标识预测区间的偏离程度越小,预测结果越好。
WS兼顾预测区间覆盖的可靠程度和宽度,计算公式为:
WS绝对值越小说明预测模型在较低的区间范围内保证高覆盖率。
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。
本申请实施例还提供一种极端气候下新能源功率预测装置,图2是根据本申请实施例的一种极端气候下新能源功率预测装置,包括:
获取模块10,用于获取极端气候下气候观测数据和新能源场站数值模式预报结果;
特征提取模块20,用于提取所述极端气候下气候观测数据和新能源场站数值模式预报结果中的气象要素和出力变化特征;
集成预报模块30,用于基于所述所述气象要素和所述出力变化特征对所述极端气候下气候观测数据和新能源场站数值模式预报结果进行多模式集成预报,得到多模式集成预报结果;
确定性预报模块40,用于将所述多模式集成预报结果作为输入,采用确定性预报模型进行确定性预报,得到确定性预报结果;
概率预报模块50,用于将所述极端气候下气候观测数据和所述确定性预报结果输入概率预测模型,得到气象概率预报结果;
功率预测模块60,用于基于所述气象概率预报结果对新能源功率进行预测。
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。
根据本申请的第四方面,提供一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,所述处理器、所述通信接口和所述存储器通过所述通信总线完成相互间的通信,所述存储器,用于存储计算机程序;所述处理器,用于通过运行所述存储器上所存储的所述计算机程序来执行如上述任一项所述的实施例中的方法。
图3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3所示,包括处理器302、通信接口304、存储器306和通信总线308,其中,处理器302、通信接口304和存储器306通过通信总线308完成相互间的通信,其中,
存储器306,用于存储计算机程序;
处理器302,用于执行存储器306上所存放的计算机程序时,实现如下步骤:
获取极端气候下气候观测数据和新能源场站数值模式预报结果;
提取所述极端气候下气候观测数据和新能源场站数值模式预报结果中的气象要素和出力变化特征;
基于所述所述气象要素和所述出力变化特征对所述极端气候下气候观测数据和新能源场站数值模式预报结果进行多模式集成预报,得到多模式集成预报结果;
将所述多模式集成预报结果作为输入,采用确定性预报模型进行确定性预报,得到确定性预报结果;
将所述极端气候下气候观测数据和所述确定性预报结果输入概率预测模型,得到气象概率预报结果;
基于所述气象概率预报结果对新能源功率进行预测。
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3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。
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3所示的结构仅为示意,实施上述实施例中任意一项所述的方法的设备可以是终端设备,该终端设备可以是智能手机(如Android手机、IOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices,MID)、PAD等终端设备。图3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3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3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。
作为示例性的实施例,本申请还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本实施例中任意一项所述的方法步骤。
可选地,在本实施例中,上述存储介质可以用于执行本申请实施例的方法步骤的程序代码。
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:
获取极端气候下气候观测数据和新能源场站数值模式预报结果;
提取所述极端气候下气候观测数据和新能源场站数值模式预报结果中的气象要素和出力变化特征;
基于所述所述气象要素和所述出力变化特征对所述极端气候下气候观测数据和新能源场站数值模式预报结果进行多模式集成预报,得到多模式集成预报结果;
将所述多模式集成预报结果作为输入,采用确定性预报模型进行确定性预报,得到确定性预报结果;
将所述极端气候下气候观测数据和所述确定性预报结果输入概率预测模型,得到气象概率预报结果;
基于所述气象概率预报结果对新能源功率进行预测。
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计算机设备(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。
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。
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。
Claims (10)
1.一种极端气候下新能源功率预测方法,其特征在于,包括:
获取极端气候下气候观测数据和新能源场站数值模式预报结果;
提取所述极端气候下气候观测数据和新能源场站数值模式预报结果中的气象要素和出力变化特征;
基于所述所述气象要素和所述出力变化特征对所述极端气候下气候观测数据和新能源场站数值模式预报结果进行多模式集成预报,得到多模式集成预报结果;
将所述多模式集成预报结果作为输入,采用确定性预报模型进行确定性预报,得到确定性预报结果;
将所述极端气候下气候观测数据和所述确定性预报结果输入概率预测模型,得到气象概率预报结果;
基于所述气象概率预报结果对新能源功率进行预测。
2.如权利要求1所述的极端气候下新能源功率预测方法,其特征在于,所述提取所述极端气候下气候观测数据和新能源场站数值模式预报结果中的气象要素和出力变化特征包括:
对所述极端气候下气候观测数据和新能源场站数值模式预报结果进行数据质控和均一性校验,得到有效气象数据和偏差因子;
提取所述有效气象数据中的时间特性特征、空间特性特征和垂直特性特征作为所述气象要素;
基于对所述气象要素进行统计分析,得到出力变化规律数据;
基于所述偏差因子和所述出力变化规律数据确定所述出力变化特征。
3.如权利要求1所述的极端气候下新能源功率预测方法,其特征在于,所述基于所述所述气象要素和所述出力变化特征对所述极端气候下气候观测数据和新能源场站数值模式预报结果进行多模式集成预报,得到多模式集成预报结果包括:
获取所述气象要素和所述出力变化特征的类型;
基于所述气象要素和所述出力变化特征的类型优化所述多模式集成预报中各个模式成员的集成权重;
基于所述集成权重对所述所述极端气候下气候观测数据和新能源场站数值模式预报结果进行多模式集成预报,得到多模式集成预报结果。
4.如权利要求3所述的极端气候下新能源功率预测方法,其特征在于,所述基于所述集成权重对所述所述极端气候下气候观测数据和新能源场站数值模式预报结果进行多模式集成预报,得到多模式集成预报结果包括:
对所述新能源场站数值模式预报结果进行数值模式动力降尺度,得到气象要素预报结果;
对所述极端气候下气候观测数据进行标准化,得到标准化观测数据;
对所述标准化数据和所述气象要素预报结果进行显著因子相关分析,得到显著因子分析结果;
对所述显著因子分析结果进行主成分分析,得到主分量;
基于基于所述主分量采用统计降尺度方法对所述新能源场站数值模式预报结果进行订正,得到订正后的数值预报结果;
将订正后的数值预报结果基于集成权重进行多模式集成预报,得到多模式集成预报结果。
5.如权利要求1所述的极端气候下新能源功率预测方法,其特征在于,所述将所述多模式集成预报结果作为输入,采用确定性预报模型进行确定性预报,得到确定性预报结果包括:
使用自注意力模块提取不同模式预报结果的特征信息;
将提取到的特征信息通过残差的连接方式进行融合;
利用预测单元网络生成预测要素序列作为所述确定性预报结果。
6.如权利要求1所述的极端气候下新能源功率预测方法,其特征在于,所述将所述极端气候下气候观测数据和所述确定性预报结果输入概率预测模型,得到气象概率预报结果包括:
基于所述将所述极端气候下气候观测数据和所述确定性预报结果构建原始气象序列;
对所述原始气象序列进行分解,得到多个气象子序列;
利用多个不同类型的概率预测方法构建的概率预测模型对所述气象子序列进行概率预测,得到联合气象概率预报结果,所述概率预测方法包括时序残差概率混合预测方法,多源高斯集合核拟合预测方法,深度学习和分位数回归的融合预测方法、相关系数数据融合预测方法和基于粒子群优化的GRU模型预测方法中的至少两种。
7.如权利要求6所述的极端气候下新能源功率预测方法,其特征在于,所述利用多个不同类型的概率预测方法构建的概率预测模型对所述气象子序列进行概率预测,得到联合气象概率预报结果包括:
基于归一化平均宽度、平均覆盖误差、累计偏差和预测区间覆盖的可靠程度和宽度指标分别对每一算法的预测结果进行评价,得到综合评价值;
基于所述综合评价值确定每一概率预测方法的联合权重,其中,所述综合评价值与所述联合权重成正相关;
基于所述联合权重构建所述概率预测模型。
8.一种极端气候下新能源功率预测装置,其特征在于,包括:
获取模块,用于获取极端气候下气候观测数据和新能源场站数值模式预报结果;
特征提取模块,用于提取所述极端气候下气候观测数据和新能源场站数值模式预报结果中的气象要素和出力变化特征;
集成预报模块,用于基于所述所述气象要素和所述出力变化特征对所述极端气候下气候观测数据和新能源场站数值模式预报结果进行多模式集成预报,得到多模式集成预报结果;
确定性预报模块,用于将所述多模式集成预报结果作为输入,采用确定性预报模型进行确定性预报,得到确定性预报结果;
概率预报模块,用于将所述极端气候下气候观测数据和所述确定性预报结果输入概率预测模型,得到气象概率预报结果;
功率预测模块,用于基于所述气象概率预报结果对新能源功率进行预测。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的极端气候下新能源功率预测方法。
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如权利要求1至7中任意一项所述的极端气候下新能源功率预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311277606.5A CN117526274A (zh) | 2023-09-28 | 2023-09-28 | 极端气候下新能源功率预测方法、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311277606.5A CN117526274A (zh) | 2023-09-28 | 2023-09-28 | 极端气候下新能源功率预测方法、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117526274A true CN117526274A (zh) | 2024-02-06 |
Family
ID=89765228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311277606.5A Pending CN117526274A (zh) | 2023-09-28 | 2023-09-28 | 极端气候下新能源功率预测方法、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117526274A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117786605A (zh) * | 2024-02-27 | 2024-03-29 | 浙江省水利水电勘测设计院有限责任公司 | 基于改进高斯混合模型的多集合成员预报融合校正方法 |
CN118050828A (zh) * | 2024-04-15 | 2024-05-17 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种流域防洪智能优化预报方法 |
-
2023
- 2023-09-28 CN CN202311277606.5A patent/CN117526274A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117786605A (zh) * | 2024-02-27 | 2024-03-29 | 浙江省水利水电勘测设计院有限责任公司 | 基于改进高斯混合模型的多集合成员预报融合校正方法 |
CN117786605B (zh) * | 2024-02-27 | 2024-05-14 | 浙江省水利水电勘测设计院有限责任公司 | 基于改进高斯混合模型的多集合成员预报融合校正方法 |
CN118050828A (zh) * | 2024-04-15 | 2024-05-17 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种流域防洪智能优化预报方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | LASSO and LSTM integrated temporal model for short-term solar intensity forecasting | |
De Benedetti et al. | Anomaly detection and predictive maintenance for photovoltaic systems | |
Monteiro et al. | Wind power forecasting: state-of-the-art 2009. | |
Stathopoulos et al. | Wind power prediction based on numerical and statistical models | |
US20200057175A1 (en) | Weather dependent energy output forecasting | |
CN112285807B (zh) | 一种气象信息预测方法及装置 | |
CN111310968A (zh) | 一种基于互信息的lstm神经网络循环水文预报方法 | |
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 | |
CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 | |
CN109726867B (zh) | 一种基于多模式集合的高分辨率电力气象预报方法 | |
CN114707688A (zh) | 基于卫星云图和时空神经网络的光伏功率超短期预测方法 | |
US10770898B2 (en) | Methods and systems for energy use normalization and forecasting | |
CN116224473B (zh) | 一种风速预报方法、模型训练方法、装置和存储介质 | |
CN113344149B (zh) | 一种基于神经网络的pm2.5逐小时预测方法 | |
Vassallo et al. | Utilizing physics-based input features within a machine learning model to predict wind speed forecasting error | |
CN116595394A (zh) | 风速修正模型的训练方法及风速预测方法、设备和介质 | |
CN113011455B (zh) | 一种空气质量预测svm模型构建方法 | |
CN106526710A (zh) | 一种雾霾预测方法及装置 | |
CN115186923A (zh) | 光伏发电功率的预测方法、装置及电子设备 | |
Trigo-Gonzalez et al. | Development and comparison of PV production estimation models for mc-Si technologies in Chile and Spain | |
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 | |
CN118017482A (zh) | 基于预测误差特征提取的灵活性爬坡容量需求分析方法 | |
CN113112085A (zh) | 一种基于bp神经网络的新能源场站发电负荷预测方法 | |
CN117277304A (zh) | 考虑日出日落时间的光伏发电超短期功率预测方法、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 |
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 |