[發明專利]一種計及空間相關性和修正數值天氣預報的風功率組合預測方法

有效

• 申請號: 202011184024.9
• 申請日: 2020-10-29
• 公開（公告）號: CN112288164B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 向月;胡帥;劉俊勇
• 申請（專利權）人: 四川大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 成都眾恒智合專利代理事務所(普通合伙) 51239
• 代理人: 鐘顯毅

本發明公開了一種計及空間相關性和修正數值天氣預報的風功率組合預測方法，針對傳統的基于單一核函數的GP的不足，組合多種核函數，求得最佳的核函數方案，以基于組合核函數的GP為基礎，建立預測模型。考慮到多維氣象因素的數據復雜程度較高，通過自動相關判定算法篩選關鍵因素，并建立NWP風速偏差修正模型。同時，利用空間相關法，分析目標風電場和相鄰風電場的風速時間序列，使用皮爾遜相關系數法求得其相關性最強對應的時間差，建立空間相關性模型。并基于上述模型的組合加權預測模型，并通過拉格朗日法求得了組合模型權值系數。由此通過組合加權預測模型將數值天氣預報偏差修正法和空間相關法的有效結合，提高了風功率的預測精度。

技術領域

本發明涉及風功率預測技術領域，具體地講，是涉及一種計及空間相關性和修正數值天氣預報的風功率組合預測方法。

背景技術

化石能源的日益枯竭及其帶來的環境污染問題日趨嚴重，發展可再生能源的任務迫在眉睫。風能作為綠色無污染的可再生能源，近年來在電網中的滲透率持續上升。據全球風能理事會提供的數據顯示，至2018年，風電的全球裝機容量達到591GW，其中中國為184GW，風電裝機排名全球第一。然而，風功率出力的隨機性和間歇性對其準確預測造成了較大的困難，為電網的安全穩定運行和減少棄風量帶來了一定挑戰。因此，準確的風功率預測越來越受到重視。

風功率預測方法大致可分為統計學方法、物理學方法和空間相關法。常用的統計學預測方法有時間序列分析法和人工智能法，前者包含了差分自回歸移動平均模型(Autoregressive?Integrated?Moving?Average,ARIMA)、自回歸移動平均模型(Autoregressive?and?Moving?Average,ARMA)、自回歸模型(Autoregressive,AR)等，這些方法對于線性數據有更好的預測效果。后者包括了人工神經網絡、支持向量機、支持向量回歸等，其更好的考慮了非線性因素。上述統計學方法具有建模簡單、計算迅速的優點。然而，由于統計學模型對訓練集數據量的需求較大，其應用受到限制。如對于新建風電場，其歷史數據不足，將增加風功率預測模型訓練的難度。通常，統計方法適用于短期預測。

物理方法可以克服歷史數據缺失產生的不利影響，常見的方法為基于數值天氣預報(Numerical?Weather?Prediction，NWP)數據并結合“風速-功率曲線”。NWP以氣象資料和地表信息作為初始條件，通過求解流體力學和熱力學方程獲取物理模型的關鍵信息，在一定程度上可以增大預測時間尺度。然而，熱力學是不穩定的，有時會受到氣候的影響，將會影響NWP的精度。且更新緩慢的數值天氣預報也會對風功率預測造成一定的誤差。

空間相關法(Spatial?Correlation，SC)指的是使用相鄰風電場的信息，對目標風電場進行預測，該方法在目標風電場風資源數據不足的情況下對于提高預測精度具有重要價值。當僅使用單個風電場數據時，可能會存在數據缺乏或信息獲取不及時等問題，從而降低預測效率，而使用空間相關法，則可以彌補上述不足。且該方法計入了風電場所處地理位置與地形等因素，在一定程度上可以解決由風速突變引起的預測精度較低的問題。

為改進單一統計學或物理模型在風功率預測方面的局限性，部分研究結合多種方法，例如統計學方法與物理方法，建立組合預測模型，以提高風功率預測的準確性與模型的適用性。但是目前廣泛應用到的統計學方法——神經網絡存在收斂速度較慢、容易導致過擬合的缺點。高斯過程(Gaussian?Processes，GP)是一種有效的非線性、非參數的概率預測方法，與其他統計學模型相比，GP包含的參數更少，可以簡化計算過程。另外，GP具有自適應獲取超參數的能力，建模過程較為靈活。然而，由于風速變化劇烈，傳統的單一核函數的GP對風功率的預測能力有限，而發明人發現將多種核函數組合起來，可以使預測結果更加準確。同時，現有研究均沒有同時考慮風功率預測的時序性、空間性與數值天氣預報的不準確性等因素。

發明內容

針對上述現有技術中的上述問題，本發明提供一種準確性更高的計及空間相關性和修正數值天氣預報的風功率組合預測方法。