[发明专利]基于计算流体力学和机器学习的山区瞬时风况预报方法

说明书

本发明提供一种基于计算流体力学和机器学习的山区瞬时风况预报方法，包括以下步骤：采集山区风场实测点实时风况数据；代入实时瞬态风况数据预报模型；生成待预报点的实时瞬态风况预报数据。实时瞬态风况数据预报模型通过以下步骤建立：建立待预报山区风场的数字化几何模型；使用计算流体力学方法，对山区风场的数字化几何模型进行全风向、全风速数值计算，建立山区风场的风环境仿真数据库；提取实测点与待预报点的仿真风况数据；通过机器学习建立实时瞬态风况数据预报模型。上述技术方案利用了计算流体力学仿真技术对三维空间复杂风况环境的精细捕捉能力、机器学习算法对高维数据矩阵的重构能力；具有更精细的空间预报能力、更准确的预报精度。

技术领域

本发明涉及风力发电技术领域，具体涉及一种基于计算流体力学和机器学习的山区瞬时风况预报方法。

背景技术

风力发电系统将风能转换为电能时，其所在位置的风能状态与演化规律，将直接决定风力发电系统的风能转化效率、发电量及风力发电系统的使用寿命等基本参数。因此，风场的风环境精细预报技术对于风电场规划设计、精细化运营来说意义重大。

目前广泛采用的风场风资源预报技术主要是中尺度气象预报，以测风塔或者SCADA(数据采集与监视控制系统)对预报结果进行实测。中尺度气象预报的预报精度、时效性和频率都离风电场精细设计与运营的技术需求相差很远，仅能作为风电场设计前期宏观选址的参考数据。测风塔能够较为准确的测量塔架所在位置的风况数据，但无法覆盖全风场；其不仅存在占用风场地表面积大、造价高等限制因素，而且过多的设置测风塔也将影响风力发电系统上、下游的风资源分布。安装在风电机组顶部的SCADA仅仅可以监测风机塔架处的风速、风向。

现有技术中CN109726802A公开了一种铁路和风电场环境风速机器学习预测方法，该方法选择多种神经网络模型，建立多种风速预测特征预选模型各100个，通过均方误差分析和相关性分析，选取性能好以及特征独立性强的模型各10个，然后建立多个风速预测集成模型，对风速预测特征进行集成处理，最后建立风速预测归一模型，对风速集成值进行归一处理，并计算预测风速向量与训练样本的风速向量之间的相关性，利用相关性强的对应时刻的风速噪声还原预测风速值。上述技术方案完全根据风场实测数据并采用机器学习方法进行预报，但该技术方案的机器学习的样本空间完全依赖于风场实测设备的分布密度和实际测量的时长，只要其中一个因素不够充分，就会导致机器学习的样本空间对于整个风场来说不具有统计意义的完备性，则预报结果的适用性和准确性都将出现重大缺陷。

对于山区风场风况的预报，因为山区局部风环境除受风场外部环境的影响，更受风场内部地形、地貌特征作用，因此山区风场内部的气流异常复杂，湍流及风切变等非定常、不均匀分布特征突出，更需要对山区风场风况进行精细预报。而受地理条件限制，在山区风场中布置测风塔的难度和成本会显著增加，如果采用传统的方法布设数量较多的测风塔来实现对山区复杂地形风场的风环境进行精细预报，是难于操作的。所以对于山区风场风况的预报，采用CN109726802A公开的技术方案，其预报结果的适用性和准确性是不高的。

发明内容

针对现有技术存在的不足，本发明提出一种基于计算流体力学和机器学习的山区瞬时风况预报方法，以解决现有技术中存在的对于山区风场风况的预报，预报精细度和准确性不够高的技术问题。

本发明采用的技术方案如下：

第一方面，提供了一种基于计算流体力学和机器学习的山区瞬时风况预报方法，包括以下步骤：

采集山区风场实测点实时风况数据；

将实时风况数据代入实时瞬态风况数据预报模型；

生成待预报点的实时瞬态风况预报数据。

进一步的，实时瞬态风况数据预报模型通过以下步骤建立：

建立待预报山区风场的数字化几何模型；