[发明专利]一种数值天气预报风速的时序传递修正方法

说明书

本发明公开了属于风电场技术领域的一种数值天气预报风速的时序传递修正方法。包括采集数据并对其预处理；构建NWP风速时序传递修正模型的输入变量集与输出变量集，输入变量集由t+1时刻的NWP风速与t‑r时刻至t时刻的实测风速序列组成，输出变量集由t+1时刻的实测风速序列组成，将其同时分为N段；在各风速段下分别训练并存储时序传递修正模型；采用滚动迭代方法对NWP风速进行修正，得到不同修正时长的修正结果。本发明考虑风速序列内部的时序传递关系，将实测风速间的动态传递关系引入NWP风速修正模型中，提高了修正模型输入与输出变量间对应关系的确定性，在不同时间尺度下均可提高NWP风速修正精度，且修正精度不受基本修正模型影响，具有一定的普适性。

技术领域

本发明属于风电场技术领域，尤其涉及一种数值天气预报风速的时序传递修正方法。

背景技术

高比例可再生能源是各国电力系统未来发展的突出特征之一。随着风电并网规模的快速扩大，风电的不确定性对电网调度、电力系统安全稳定运行及电能质量的影响日益彰显，准确的风电功率预测可有效降低风电的不确定性及其带来的影响，因此对风电功率的短期及超短期预测精度提出了更高的要求。数值天气预报(Numerical WeatherPrediction,NWP)风速偏差是风电功率预测误差的最主要来源，微小的NWP风速偏差即能造成很大的功率预测误差，如何提高风速预报精度是提高风电功率预测精度的关键问题。

统计方法是目前应用最广泛的NWP风速修正方法。该类方法通过建立历史序列中同一时刻下NWP风速与实测风速间的映射关系，进而对未来时刻的NWP风速进行修正，以降低NWP风速偏差。常用方法包括神经网络、支持向量机、相关向量机、深度学习等。此种方法虽可在一定程度上降低NWP风速偏差，但由于任意时刻NWP风速偏差具有模糊性，即即使NWP风速相同，其同一时刻下所对应的实测风速也会相差较大，导致修正模型输入变量与输出变量间的映射关系并不明确，限制了其偏差修正效果。

发明内容

针对上述问题，本发明提出了一种数值天气预报风速的时序传递修正方法，其特征在于，包括以下步骤：

步骤一：采集NWP风速数据与实测风速数据，并对上述数据进行清洗与预处理；

步骤二：考虑实测风速之间的时序传递关系，构建NWP风速时序传递修正模型的输入变量集与输出变量集；其中，输入变量集由t+1时刻的NWP风速与t-r时刻至t时刻的实测风速序列组成，输出变量集由t+1时刻的实测风速序列组成；

步骤三：以输入变量集中的NWP风速为依据，以i m/s为区间将NWP风速时序传递修正模型中的输入变量集与输出变量集同时分为N段；

步骤四：选择任意一种传统NWP风速修正模型，在每一风速段下分别建立输入变量与输出变量间的映射关系，经训练后得到NWP风速时序传递修正模型，存储各风速段下的NWP风速时序传递修正模型以备未来修正NWP风速使用；

步骤五：采用滚动迭代方法对NWP风速进行修正，以未来时刻的NWP风速数据为依据判断其所在风速段，选择步骤四所存储模型中相应的修正模型对其进行修正，得到不同修正时长的NWP风速修正结果。

所述步骤一中对数据的清洗与预处理包括检验筛选、错误数据剔除及插补与修正。

所述步骤二中输入变量集中的实测风速序列能够自由选择r值，r为自然数。

所述步骤三以i m/s为区间将NWP风速时序传递修正模型中的输入变量集与输出变量集同时分为N段，其中区间i m/s能够自由选择，i为正数。

所述步骤五中采用滚动迭代方法对NWP风速进行修正，即在修正步长为n的风速段内，在修正时除第一个风速修正点外，其它所有风速修正点均将相应时刻的风速修正值作为实测风速代入NWP风速时序传递修正模型进行NWP风速修正。

本发明的有益效果在于：