[發明專利]一種基于WRF-LES和DeepAR相結合的風功率預測方法

在審

• 申請號: 202110100512.5
• 申請日: 2021-01-26
• 公開（公告）號: CN112862274A
• 公開（公告）日: 2021-05-28
• 發明（設計）人: 王玲霞;呂新杰;施華;魏愛萍
• 申請（專利權）人: 平衡機器科技（深圳）有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/06
• 代理公司: 北京天江律師事務所 11537
• 代理人: 任崇

1.一種基于WRF-LES和DeepAR相結合的風功率預測方法，其特征在于：所述方法包括以下步驟：

步驟一：下載全球粗分辨率氣象預報數據；

步驟二：在目標區域運行WRF-LES模型，進行氣象模擬；

步驟三：建立DeepAR深度學習風功率預測模型：結合WRF-LES模型的多個氣象指標數據源，以此作為DeepAR深度學習建模的基礎數據；

步驟四：利用建立的DeepAR深度學習風功率預測模型，將WRF-LES模型輸出的高分辨率未來氣象預報信息作為輸入，即可預測得到指定風機站點的輸出功率結果。

2.根據權利要求1所述的基于WRF-LES和DeepAR相結合的風功率預測方法，其特征在于：所述步驟一中，所用數據為GFS氣象數據，分辨率為0.25°×0.25°，時間分辨率為每小時。

3.根據權利要求2所述的基于WRF-LES和DeepAR相結合的風功率預測方法，其特征在于：所述步驟三中，DeepAR深度學習的建模過程為:

I、數據預處理：

(1)將數據進行標準化處理，提高模型參數搜索速度；

(2)采用EM算法進行缺失值填，保證數據質量；

(3)采用IForest算法檢測出異常值，用KNN算法予以修正，保證模型穩定性；

II、模型訓練：

(1)由于該算法是采用神經網絡去近似一個AR過程，屬于深度學習范疇，是一個端到端模型，故直接加載DeepAR的神經網絡結構，采用貝葉斯方法進行超參數優化；

(2)訓練完成的模型保存下來，供預測使用；

III、預測：直接調取訓練好的模型，加載一部分滯后期數據即可進行預測。

4.根據權利要求3所述的基于WRF-LES和DeepAR相結合的風功率預測方法，其特征在于：所述步驟三中，WRF模型運行后，其結果文件中包含溫度、壓強、濕度、風速多個氣象參數指標。