[发明专利]一种基于多模式集合的高分辨率电力气象预报方法

权利要求书

1.一种基于多模式集合的高分辨率电力气象预报方法，其特征在于，包括太阳能电场电力气象预报过程和风电场电力气象预报过程；

所述太阳能电场电力气象预报过程包括以下步骤：

步骤1，设共采用N个全球预报模块，分别为Q₁、Q₂,…,Q_N；

建立N个基于地表辐射晴空插值的太阳能电场预报模块，分别为F₁、F₂,…,F_N；对于任意的基于地表辐射晴空插值的太阳能电场预报模块F_i，均唯一对应全球预报模块Q_i；其中，i＝1、2,…,N,任意的基于地表辐射晴空插值的太阳能电场预报模块F_i，均以全球预报模块Q_i预报到的未来指定时间段的指定地点的全天空向下短波辐射值作为输入数据，预报得到未来指定时间段的指定地点的逐15分钟全天空向下短波辐射值；

步骤2，建立N个基于中尺度模拟的太阳能电场预报模块，分别为Z₁、Z₂,…,Z_N；对于任意的基于中尺度模拟的太阳能电场预报模块Z_j，均唯一对应全球预报模块Q_j；其中，j＝1、2,…,N，任意的基于中尺度模拟的太阳能电场预报模块Z_j，均以全球预报模块Q_i预报到的未来指定时间段的指定地点的不同层高的温度、湿度、气压、风速、风向三维大气要素作为输入数据，预报得到未来指定时间段的指定地点的逐15分钟全天空向下短波辐射值；

步骤3，将N个基于地表辐射晴空插值的太阳能电场预报模块和N个基于中尺度模拟的太阳能电场预报模块组成太阳能电场预报成员集合，因此，所述太阳能电场预报成员集合共有2N个太阳能电场预报成员；用指定地点的逐15分钟全天空向下短波辐射的实际观测值对2N个所述太阳能电场预报成员进行权重评估，得到每一个所述太阳能电场预报成员的权重值；

然后，采用以下公式，得到对应时间和对应地点的逐15分钟全天空向下短波辐射的加权平均预报值F_ensemble；

其中：

F_ensemble：逐15分钟全天空向下短波辐射的加权平均预报值；

F_k：太阳能电场预报成员预报到的逐15分钟全天空向下短波辐射值；

w_k：太阳能电场预报成员的成员权重；

步骤4，建立地表辐射场神经网络模型；所述地表辐射场神经网络模型包括输入层、隐含层和输出层；

所述输入层包括3个结点，为太阳能电场预报成员预报到的指定时间段的指定地点的逐15分钟全天空向下短波辐射的加权平均预报值、逐15分钟太阳高度角、逐15分钟晴空指数；所述输出层包括1个结点，为指定时间段的指定地点的逐15分钟全天空向下短波辐射的实际观测值；

利用训练样本训练所述地表辐射场神经网络模型，从而得到训练完成的地表辐射场神经网络模型；

然后，将太阳能电场预报成员预报到的指定时间段的指定地点的逐15分钟全天空向下短波辐射的加权平均预报值、逐15分钟太阳高度角、逐15分钟晴空指数输入所述训练完成的地表辐射场神经网络模型中，所述训练完成的地表辐射场神经网络模型输出值即为指定时间段的指定地点的逐15分钟全天空向下短波辐射的最终预报值；

所述风电场电力气象预报过程包括以下步骤：

步骤1A，设共采用N个全球预报模块，分别为Q₁、Q₂,…,Q_N；

建立N个基于近地层风速场诊断的风电场预报模块，分别为D₁、D₂,…,D_N；对于任意的基于近地层风速场诊断的风电场预报模块D_i，均唯一对应全球预报模块Q_i；其中，i＝1、2,…,N,任意的基于近地层风速场诊断的风电场预报模块D_i，均以全球预报模块Q_i预报到的未来指定时间段的指定地点的不同层高的温度、湿度、气压、风速、风向三维大气要素作为输入数据，预报得到未来指定时间段的指定地点的指定层高的逐15分钟风速/风向数据；

步骤2A，建立N个基于中尺度模拟的风电场预报模块，分别为E₁、E₂,…,E_N；对于任意的基于中尺度模拟的风电场预报模块E_j，均唯一对应全球预报模块Q_j；其中，j＝1、2,…,N,任意的基于中尺度模拟的风电场预报模块E_j，均以全球预报模块Q_i预报到的未来指定时间段的指定地点的不同层高的温度、湿度、气压、风速、风向三维大气要素作为输入数据，预报得到未来指定时间段的指定地点的指定层高的逐15分钟风速/风向数据；

步骤3A，将N个基于近地层风速场诊断的风电场预报模块和N个基于中尺度模拟的风电场预报模块组成风电场预报成员集合，因此，所述风电场预报成员集合共有2N个风电场预报成员；用指定地点的指定层高的逐15分钟风速/风向的实际观测值对2N个所述风电场预报成员进行权重评估，得到每一个所述风电场预报成员的权重值；

然后，采用以下公式，得到对应时间和对应地点的指定层高的逐15分钟风速/风向的加权平均预报值F’_ensemble；

其中：

F’_ensemble：逐15分钟风速/风向的加权平均预报值；

F_s：风电场预报成员预报到的逐15分钟风速/风向值；

w_s：风电场预报成员的成员权重；

步骤4A，建立风速场神经网络模型；所述风速场神经网络模型包括输入层、隐含层和输出层；

所述输入层包括5个结点，为风电场预报成员预报到的指定时间段的指定地点的指定层高的逐15分钟风速的加权平均预报值、风电场预报成员预报到的指定时间段的指定地点的指定层高的逐15分钟风向的加权平均预报值、逐15分钟温度、逐15分钟湿度、逐15分钟气压；所述输出层包括2个结点，为指定时间段的指定地点的指定层高的逐15分钟风速的实际观测值和指定时间段的指定地点的指定层高的逐15分钟风向的实际观测值；

利用训练样本训练所述风速场神经网络模型，从而得到训练完成的风速场神经网络模型；

然后，将风电场预报成员预报到的指定时间段的指定地点的指定层高的逐15分钟风速/风向的加权平均预报值、逐15分钟温度、逐15分钟湿度、逐15分钟气压输入所述训练完成的风速场神经网络模型中，所述训练完成的风速场神经网络模型输出值即为指定时间段的指定地点的指定层高的逐15分钟风速/风向的最终预报值。

2.根据权利要求1所述的一种基于多模式集合的高分辨率电力气象预报方法，其特征在于，步骤1中，任意的基于地表辐射晴空插值的太阳能电场预报模块F_i，均以全球预报模块Q_i预报到的未来指定时间段的指定地点的全天空向下短波辐射值作为输入数据，预报得到未来指定时间段的指定地点的逐15分钟全天空向下短波辐射值，具体包括：

步骤1.1，获取全球预报模块Q_i预报到的未来指定时间段的指定地点的全天空向下短波辐射初始值；

步骤1.2，对步骤1获取到的所述全天空向下短波辐射初始值进行预处理，得到逐3小时全天空向下短波辐射平均值SR_3h；

步骤1.3，利用Bird晴空模式计算对应时间段的对应地点的逐3小时晴空向下短波辐射CSR_3h；

然后，利用下式计算逐3小时晴空指数kt_3h：

步骤1.4，对步骤1.3得到的逐3小时晴空指数kt_3h进行线性插值，得到逐15分钟晴空指数kt_15min；

步骤1.5，利用Bird晴空模式计算逐15分钟晴空向下短波辐射CSR_15min，并根据下式得到逐15分钟全天空向下短波辐射值SR_15min：

SR_15min＝CSR_15min×kt_15min

步骤1.6，结束本步骤。