[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

本發明公開了一種基于WRF?LES和DeepAR相結合的風功率預測方法，包括以下步驟：下載全球粗分辨率氣象預報數據；在目標區域運行WRF?LES模型，進行氣象模擬；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；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。本發明采用物理方法和深度學習方法相結合的方式進行風功率預測，充分考慮風速、風向、空氣密度、大氣濕度等因素，增加輸入信息量，減小預測偏差。

技術領域

本發明涉及一種風功率預測方法，尤其涉及一種基于WRF-LES和DeepAR相結合的風功率預測方法。

背景技術

風功率預測是根據風電場氣象信息，結合風電機組的設備狀態和運行工況，利用物理模擬計算和科學統計方法，建立風電場輸出功率的預測模型，從而預測風電場的功率，實現電力調度部門對風電調度的要求。

根據風電功率預測模型的不同可分為物理方法、統計方法、學習方法和上述模型組合方法。物理方法是采用數值天氣預報模型預測風速，將其作為其他統計模型輸入進行功率預測。統計和學習方法通常不考慮風速變化的物理過程，而是基于歷史統計數據和風電場輸出功率之間建立映射關系來進行預測。這類方法預測精度隨時間的增加而下降。組合方法通常包括物理和統計方法、學習方法的組合，可以降低風電功率預測誤差，使預測精度大大提升。

WRF模式是由美國環境預報中心，美國國家大氣研究中心以及多個大學、研究所和業務部門聯合研發的一種統一的中尺度天氣預報模式。WRF模型是一種廣泛使用的氣象模型，可以模擬1-10km分辨率的天氣現象，但其對更百米級的精細模擬尚不能達到很好的效果。已有的風功率預測方法多直接采用WRF模型作為數值天氣預報模型，得到數公里級分辨率的氣象信息作為風功率預測的輸入，使得氣象信息存在一定誤差，從而導致風功率預測誤差增大。

已有的風功率預測組合方法主要采用數值天氣預報模型與人工神經網絡相結合的方法，由于數值預報模型提供的氣象信息輸入存在誤差，且很多預測模型只將風速作為單一變量作為輸入數據，但風能還受周圍環境因素、物理因素影響，導致風功率預測模型帶來偏差。而傳統的時間序列預測方法往往針對一維時間序列本身建模，難以利用額外特征。此外，傳統方法的預測目標通常是序列在每個時間步上的取值。

發明內容

為了解決上述技術所存在的不足之處，本發明提供了一種基于WRF-LES和DeepAR相結合的風功率預測方法，通過數值天氣預報模型WRF與大渦模擬LES相結合，提供更高分辨率以及更高精度的氣象數據，同時結合DeepAR深度學習模型，獲得一種新的更可靠的風電功率預測方法。

為了解決以上技術問題，本發明采用的技術方案是：一種基于WRF-LES和DeepAR相結合的風功率預測方法，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。

進一步地，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。

進一步地，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；