[发明专利]一种基于WRF-LES和BP-PSO-Bagging相结合的风功率预测方法

说明书

本发明公开了一种基于WRF‑LES和BP‑PSO‑Bagging相结合的风功率预测方法，包括以下步骤：下载粗分辨率全球气象预报数据；在目标区域运行WRF‑LES模型，进行气象模拟；结合WRF‑LES模型的多个气象指标数据源，以此作为BP‑PSO‑Bagging深度学习建模的基础数据；利用建立的BP‑PSO‑Bagging深度学习风功率预测模型，将WRF‑LES模型输出的高分辨率未来气象预报信息作为输入，即可预测得到指定风机站点的输出功率结果。本发明采用物理方法和深度学习方法相结合的方式进行风功率预测，充分考虑风速、风向、空气密度、大气湿度等因素，增加输入信息量，减小预测偏差。

技术领域

本发明涉及一种风功率预测方法，尤其涉及一种基于WRF-LES和BP-PSO-Bagging相结合的风功率预测方法。

背景技术

风功率预测是根据风电场气象信息，结合风电机组的设备状态和运行工况，利用物理模拟计算和科学统计方法，建立风电场输出功率的预测模型，从而预测风电场的功率，实现电力调度部门对风电调度的要求。

根据风电功率预测模型的不同可分为物理方法、统计方法、学习方法和上述模型组合方法。物理方法是采用数值天气预报模型预测风速，将其作为其他统计模型输入进行功率预测。统计和学习方法通常不考虑风速变化的物理过程，而是基于历史统计数据和风电场输出功率之间建立映射关系来进行预测。这类方法预测精度随时间的增加而下降。组合方法通常包括物理和统计方法、学习方法的组合，可以降低风电功率预测误差，使预测精度大大提升，因此组合方法被更广泛的应用。

WRF模式是由美国环境预报中心，美国国家大气研究中心以及多个大学、研究所和业务部门联合研发的一种统一的中尺度天气预报模式。WRF模型是一种广泛使用的气象模型，可以模拟1-10km分辨率的天气现象，但其对更百米级的精细模拟尚不能达到很好的效果。已有的风功率预测方法多直接采用WRF模型作为数值天气预报模型，得到数公里级分辨率的气象信息作为风功率预测的输入，使得气象信息存在一定误差，从而导致风功率预测误差增大。

已有的风功率预测组合方法主要采用数值天气预报模型与人工神经网络相结合的方法，由于数值预报模型提供的气象信息输入存在误差，且很多预测模型只将风速作为单一变量作为输入数据，但风能还受周围环境因素、物理因素影响，导致风功率预测模型带来偏差。

发明内容

为了解决上述技术所存在的不足之处，本发明提供了一种基于WRF-LES和BP-PSO-Bagging相结合的风功率预测方法，通过数值天气预报模型WRF与大涡模拟LES相结合，提供更高分辨率以及更高精度的气象数据，同时结合BP-PSO-Bagging深度学习模型，获得一种新的更可靠的风电功率预测方法。

为了解决以上技术问题，本发明采用的技术方案是：一种基于WRF-LES和BP-PSO-Bagging相结合的风功率预测方法，包括以下步骤：

步骤一：下载粗分辨率全球气象预报数据；

步骤二：在目标区域运行WRF-LES模型，进行气象模拟；

步骤三：建立BP-PSO-Bagging深度学习风功率预测模型：结合WRF-LES模型的多个气象指标数据源，以此作为BP-PSO-Bagging深度学习建模的基础数据；

步骤四：利用建立的BP-PSO-Bagging深度学习风功率预测模型，将WRF-LES模型输出的高分辨率未来气象预报信息作为输入，即可预测得到指定风机站点的输出功率结果。

进一步地，步骤一中，所用数据为GFS气象数据，分辨率为0.25°×0.25°，时间分辨率为每小时。

进一步地，步骤三中，BP-PSO-Bagging深度学习的建模过程为:

1)数据预处理：

1.1)将数据进行标准化处理，提高模型参数搜索速度；