风电场的气象要素预测方法和装置

技术领域

本发明总体说来涉及风力发电技术领域，更具体地讲，涉及一种风电场的气象要素预测方法和装置。

背景技术

可以通过预测算法将数值天气预报的风速、风向等气象要素转换为风电场、光伏的输出功率预测，因此，数值天气预报的准确预报，可以为电力调度提供重要的决策支持，是新能源发电功率预测精度的重要决定因素之一。

目前，一个风电场的功率预测所采用的气象预测数据为数值天气预报计算出的该风电场中心经纬度的风速的预测值，即，以中心经纬度的风速代表整场平均风速，以此建立功率模型。但是，风电场占地面积通常较大，风电机组点位分布不均匀(经过流体计算确定并不是等距离分布)，同时风电场多建在地形地貌复杂的山区，在水平方向上风速变化剧烈，故以风电场中心经纬度的风速来代表风电场整场的平均风速会给功率预测带来较大误差。

发明内容

本发明的示例性实施例的目的在于提供一种风电场的气象要素预测方法和装置，以克服上述至少一种缺陷。

在一个总体方面，提供一种风电场的气象要素预测方法，所述气象要素预测方法包括：获取风电场中的多个代表点位在预定时间段的目标气象要素的点位预测值；通过将所获取的每个代表点位的目标气象要素的点位预测值输入气象融合预测模型，获得目标气象要素在所述预定时间段的风场预测值；其中，所述代表点位是指所述目标气象要素在各预定时间段内的预测值和实测值最接近的点位。

可选地，获取风电场中的多个代表点位在预定时间段的目标气象要素的点位预测值的步骤可包括：从气象源提供的气象预报数据中，提取所述多个代表点位在所述预定时间段的目标气象要素的点位预测值。

可选地，可通过以下方式对气象融合预测模型进行训练：获取所述多个代表点位的目标气象要素在预定时间段内的点位预测值；获取风电场在所述预定时间段内的目标气象要素的观测值；将所获取的所述多个代表点位的点位预测值作为气象融合预测模型的输入，将所获取的风电场的观测值作为气象融合预测模型的输出，对气象融合预测模型进行训练。

可选地，所述多个代表点位可包括在多个时间单位下的多个点位，所述多个时间单位可根据风电场所在区域的气候变化情况通过对一年进行划分来获得，其中，可通过以下方式确定在每个时间单位下的多个点位：获取以目标点位为中心的预定范围内的多个气象格点在该时间单位下的历史气象预报数据，其中，所述目标点位为目标区域所包括的所有气象格点中的任一气象格点，所述目标区域覆盖了风电场所在区域；针对预定范围内的每个气象格点，确定该气象格点的历史气象预报数据与该气象格点的历史观测数据的相似指标；从预定范围内的所述多个气象格点中搜索相似指标的极小值格点；将搜索到的极小值格点中相似指标小于所述目标点位的相似指标的极小值格点确定为在该时间单位下的点位。

可选地，可通过以下方式获得风电场一年内的多个代表点位：通过对在一年内的所有时间单位下的各点位进行去重处理，获得所述多个代表点位。

可选地，可通过以下方式确定在每个时间单位下的预定范围：获取在该时间单位下以目标点位为中心的多张等值线图；针对每张等值线图，从该等值线图中搜索距离目标气象要素的历史气象预报数据最高值所在位置最近的候选气象格点，并确定候选气象格点与目标点位之间的距离；选取针对所述多张等值线图所确定的距离中的最大距离；基于所述最大距离确定以目标点位为中心的所述预定范围。

可选地，在每个时间单位下的等值线图的数量可根据时间单位的时长和历史气象预报数据的时间分辨率来确定，和/或，针对每张等值线图所确定的距离可指候选气象格点与目标点位之间在经度方向或者纬度方向上的距离。

在另一总体方面，提供一种风电场的气象要素预测装置，所述气象要素预测装置包括：数据获取模块，获取风电场中的多个代表点位在预定时间段的目标气象要素的点位预测值；气象预测模块，通过将所获取的每个代表点位的目标气象要素的点位预测值输入气象融合预测模型，获得目标气象要素在所述预定时间段的风场预测值；其中，所述代表点位是指所述目标气象要素在各预定时间段内的预测值和实测值最接近的点位。

在另一总体方面，提供一种控制器，包括：处理器；存储器，用于存储计算机程序，所述计算机程序在被所述处理器执行时实现上述的风电场的气象要素预测方法。

在另一总体方面，提供一种存储有计算机程序的计算机可读存储介质，当所述计算机程序在被处理器执行时实现如上述的风电场的气象要素预测方法。

采用本发明示例性实施例的风电场的气象要素预测方法和装置，能够融合计算得到最能代表风电场的目标气象要素的预测值，以提高对风电场的目标气象要素的预测准确性。

附图说明

通过下面结合示例性地示出实施例的附图进行的详细描述，本发明示例性实施例的上述和其它目的、特点和优点将会变得更加清楚。

图1示出根据本发明示例性实施例的风电场的气象要素预测方法的流程图；

图2示出根据本发明示例性实施例的确定在每个时间单位下的多个点位的步骤的流程图；

图3示出根据本发明示例性实施例的在时间单位下以目标点位为中心的等值线图的示意图；

图4示出根据本发明示例性实施例的在时间单位下的多个点位的示意图；

图5示出根据本发明示例性实施例的对气象融合预测模型进行训练的步骤的流程图；

图6示出现有的目标气象要素的气象预报数据与观测值的对比示意图；

图7示出根据本发明示例性实施例的目标气象要素的气象预报数据与观测值的对比示意图；

图8示出根据本发明示例性实施例的风电场的气象要素预测装置的框图；

图9示出根据本发明示例性实施例的控制器的框图。

具体实施方式

现在，将参照附图更充分地描述不同的示例实施例，一些示例性实施例在附图中示出。

图1示出根据本发明示例性实施例的风电场的气象要素预测方法的流程图。

参照图1，在步骤S10中，获取风电场中的多个代表点位在预定时间段的目标气象要素的点位预测值。

这里，预定时间段可指在当前时刻之后的未来某一时间段。作为示例，气象要素可包括但不限于以下项中的至少一项：不同高度处的温度、湿度、风速、风向、大气压强，目标气象要素可为上述气象要素之一。

在一可选示例中，多个代表点位在预定时间段的目标气象要素的点位预测值可通过数值天气预报获得，例如，该数值天气预报可指根据大气实际情况，在一定的初值和边值条件下，通过大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学的方程组，预测未来一定时段的大气运动状态和天气现象的方法，即，利用当前天气状况作为输入数据而作出天气预报的手段。

也就是说，可以从任意气象源提供的气象预报数据(即，数值天气预报)中，提取多个代表点位在预定时间段的目标气象要素的点位预测值。这里，点位预测值可指在代表点位处目标气象要素在预定时间段的预测值。在一示例中，也可以获取在预定时刻(即未来某一时刻)的目标气象要素的点位预测值。

这里，数值天气预报为网格数据，风电场所在区域包含了多个气象格点，即，可以获取风电场所在区域的数值天气预报，从风电场所在区域包含的多个气象格点中选取部分气象格点作为多个代表点位，从获取的风电场所在区域的数值天气预报中提取多个代表点位的目标气象要素的点位预测值。

在步骤S20中，通过将所获取的每个代表点位的目标气象要素的点位预测值输入气象融合预测模型，获得目标气象要素在预定时间段的风场预测值。

这里，上述代表点位可指目标气象要素在各预定时间段内的预测值和实测值最接近的点位，也可以指在不同节气下(各预定时间段内)用于代表风电场的目标气象要素的点位。也就是说，在本发明示例性实施例的风电场的气象要素预测方法中，针对不同节气来分别确定在各节气下预测值和实测值最接近的点位，将所确定的在各节气下的点位进行综合，获得风电场中的多个代表点位。

在一可选示例中，多个代表点位可包括在多个时间单位下的多个点位。在一示例中，可以根据风电场所在区域的气候变化情况通过对一年进行划分来获得多个时间单位。

例如，风电场所在区域的气候变化越频繁，则时间单位的时长越短，这里，可以基于风电场所在区域的气候特征来确定其气候变化情况。每个时间单位的时长可以相同，也可以不同。

如果风电场所在区域的气候变化比较频繁(如，气候变化速率小于第一设定值)，则可以将第一预定时长(如10天)确定为时间单位的时长，如果风电场所在区域的气候变化不频繁(如，气候变化速率大于第二设定值)，则可以将第二预定时长(如一个季度)确定为时间单位的时长。作为示例，第二设定值可以大于或者等于第一设定值，第二预定时长大于第一预定时长。

除上述基于风电场所在区域的气候变化情况来确定时间单位的时长的方式之外，还可以将每个时间单位的时长设置为默认值，例如，将第三预定时长(如月度)确定为每个时间单位的时长。

可选地，可以确定在一年内的每个时间单位下的多个点位，通过对在一年内的所有时间单位下的各点位进行去重处理，获得风电场中的多个代表点位。

下面参照图2来介绍确定在任一时间单位下的多个点位的过程。即，可以针对每个时间单位，通过图2所示的方式来获得在各时间单位下的多个点位。

图2示出根据本发明示例性实施例的确定在每个时间单位下的多个点位的步骤的流程图。

参照图2，在步骤S101中，获取在任一时间单位下以目标点位为中心的多张等值线图。

这里，目标点位可为目标区域所包括的所有气象格点中的任一气象格点，目标区域覆盖了风电场所在区域，等值线图可指目标气象要素的contour图。

作为示例，在每个时间单位下的等值线图的数量可以根据时间单位的时长和历史气象预报数据的时间分辨率来确定。

例如，可利用如下公式来确定在任一时间单位下的等值线图的数量：

a＝时间分辨率×时间单位

其中，a表示在任一时间单位下的等值线图的数量。

在步骤S102中，确定每张等值线图中候选气象格点与目标点位之间的距离。

例如，针对每张等值线图，从该等值线图中搜索距离目标气象要素的历史气象预报数据最高值所在位置最近的候选气象格点，即，将在该等值线图中距离目标气象要素的历史气象预报数据最高值所在位置最近的气象格点确定为候选气象格点，并确定候选气象格点与目标点位之间的距离。

图3示出根据本发明示例性实施例的在时间单位下以目标点位为中心的等值线图的示意图。

如图3所示，点位A表示目标点位，点位B表示在该等值线图中搜索到的距离目标气象要素的历史气象预报数据最高值所在位置最近的候选气象格点。

在一优选示例中，针对每张等值线图，可确定候选气象格点与目标点位之间在经度方向和纬度方向上的距离，将在经度方向上的距离和在纬度方向上的距离之中的最大值确定为在该等值线图中候选气象格点与目标点位之间的距离。

在一示例中，还可以将候选气象格点与目标点位之间的距离以当前数值天气预报的空间分辨率换算为格点数H。

返回图2，在步骤S103中，选取针对多张等值线图所确定的距离中的最大距离。

在步骤S104中，基于最大距离确定以目标点位为中心的预定范围。

例如，假设候选气象格点与目标点位之间的最大距离为格点数Hmax，则预定范围可指以目标点位为中心，向外获取最大距离对应的Hmax个气象格点的气象预报结果，即，获得2Hmax×2Hmax＝4Hmax

在步骤S105中，获取以目标点位为中心的预定范围内的多个气象格点在该时间单位下的历史气象预报数据。

在步骤S106中，针对预定范围内的每个气象格点，确定该气象格点的历史气象预报数据与该气象格点的历史观测数据的相似指标。

这里，针对预定范围内的每个气象格点，获取该气象格点的历史观测数据，历史观测数据是指与所获取的气象预报数据处于相同时间段的实测数据。

在一示例中，可将历史气象预报数据的时间分辨率插值至与历史观测数据相同，并将历史气象预报数据的气象要素和高度均按照历史观测数据进行插值。

作为示例，相似指标可包括但不限于以下项中的至少一项：RMSE(均方根误差)、R(相关性系数)、MAE(平均绝对误差)。这里，确定上述相似指标的方法为本领域的公知常识，本公开对此部分内容不再赘述。

在步骤S107中，从预定范围内的多个气象格点中搜索相似指标的极小值格点。

例如，如果一个气象格点的相似指标均小于位于该气象格点周围的其他气象格点的相似指标，则将该气象格点确定为相似指标的极小值格点，如果一个气象格点的相似指标大于或者等于位于该气象格点周围的至少一个其他气象格点的相似指标，则该气象格点不属于极小值格点。

这里，如果在预定范围内未搜索到相似指标的极小值格点，则可以扩大预定范围所覆盖的区域，重复执行步骤S105～步骤S107，以搜索到极小值格点。

在步骤S108中，将搜索到的极小值格点中相似指标小于目标点位的相似指标的极小值格点确定为在该时间单位下的点位。

例如，可获取目标点位的历史气象预报数据以及历史观测数据，并确定目标点位的历史气象预报数据与历史观测数据的相似指标，将在预定范围内搜索到的各极小值格点的相似指标与目标点位的相似指标进行比较，将相似指标小于目标点位的相似指标的极小值格点确定为在该时间单位下用于代表风电场的目标气象要素的最佳点位。

下面通过一示例来阐述本发明示例性实施例的风电场的气象要素预测方法。

在本示例中，假设获取某风电场历史一年欧洲数值预报中心的气象预报数据，该气象预报数据的空间分辨率为0.1°×0.1°(度)，时间分辨率为1小时。

获取该风电场历史一年各风电机组的机头风速，将各机头风速进行算术平均获得风电场的平均机头风速，作为风电场的风速的观测值。

提取气象预报数据中10米和100米的U分量(风速在纬度方向上的分量)和V分量(风速在经度方向上的分量)，通过插值方式获得在70米高度处的风速，此外，还可以将时间分辨率线性插值为15分钟，以与风速的观测值的时间分辨率保持一致。

假设时间单位的时长为月度，针对每个月可以执行处理。

绘制以目标点位为中心的目标气象要素(即，风速)的contour图，假设contour图的范围为10个气象格点大小，即，110(千米)×110(千米)大小的矩形，共获得4×24×30张contour图。

以六月为例，在六月下的每张contour图中，搜索到目标气象要素最高值所在位置最近的候选气象格点为(30，46)，记录该格点与目标点位最近气象格点(32，51)的最大距离，该距离以当前数值天气预报的空间分辨率换算为格点数5。

通过上述方式，对不同月份进行处理，获得如下结果：一月：格点数5，二月：格点数8，三月：格点数4，四月：格点数7，五月：格点数4，六月：格点数5，七月：格点数8，八月：格点数10，九月：格点数3，十月：格点数4，十一月：格点数5，十二月：格点数2。

针对每个月确定在每个月下的点位。例如，以六月为例，以目标点位为中心，向外获取数值天气预报距离目标点位所在位置最近5个气象格点的气象预报结果，即，获得100个气象格点的预报结果。

针对每个气象格点，确定该气象格点的风速预测值与观测值的相似指标，搜索相似指标的极小值格点(如图4中所圈选的点位)，将极小值格点中相似指标小于目标点位的相似指标的极小值格点确定为在该时间单位下的最佳点位。以图4所示为例，六月有三个最佳点位分别为(41.8°N,106.1°E)、(41.9°N,106.5°E)和(41.4°N，106.8°E)。

通过上述方式，对所有月份进行处理，并进行去重处理共获得如下7个代表点位：

1：41.5°N,106.4°E

2：41.4°N,106.4°E

3：41.5°N,106.4°E

4：41.8°N,106.1°E

5：41.3°N,106.8°E

6：41.9°N,106.5°E

7：41.4°N,106.8°E

每次进行风电场目标气象要素的预测时，从气象预报数据中提取这7个代表点位的目标气象要素的点位预测值，输入气象融合预测模型，以获得一个融合后的风电场的目标气象要素的风场预测值。

在本发明示例性实施例中，上述用于预测风电场在预定时刻的目标气象要素的风场预测值的气象融合预测模型为预先训练好的预测模型，下面参照图5来介绍对气象融合预测模型进行训练的过程。

图5示出根据本发明示例性实施例的对气象融合预测模型进行训练的步骤的流程图。

参照图5，在步骤S30中，获取多个代表点位在预定时间段内的目标气象要素的点位预测值。

在一示例中，用于进行气象融合预测模型训练的预定时间段可指在步骤S10中的预定时间段(或预定时刻)之前的一时间段。例如，在对风电场第m天进行预测时，可以先使用所有的可用的机器学习模型利用m-32到m-2天(训练时长可根据当地情况进行调节，默认为30天)的数据进行训练建模，再对风电场第m-1天的目标气象要素进行预测，效果最优的算法作为第m天风电场的目前气象要素预测的算法。

在步骤S40中，获取风电场在预定时间段内的目标气象要素的观测值。

在步骤S50中，将所获取的多个代表点位的点位预测值作为气象融合预测模型的输入，将所获取的风电场的观测值作为气象融合预测模型的输出，对气象融合预测模型进行训练。

图6示出现有的目标气象要素的气象预报数据与观测值的对比示意图。图7示出根据本发明示例性实施例的目标气象要素的气象预报数据与观测值的对比示意图。图中，横坐标为日期，纵坐标为目标气象要素的数值，曲线1为目标气象要素的观测值曲线，曲线2为现有气象预测方法获得的目标气象要素的气象预报数据曲线，曲线3为根据本发明示例性实施例的气象要素预测方法获得的目标气象要素的气象预报数据曲线。

从图6和图7所示可以看出，图7的相关性优化结果(R＝0.49)优于图6的(R＝0.40)，图7的理论功率准确率优化结果(TPA＝0.6948)优于图6的(TPA＝0.6940)图7的均方根误差优化结果(RMSE＝2.63)优于图6的(RMSE＝2.71)。

图8示出根据本发明示例性实施例的风电场的气象要素预测装置的框图。

如图8所示，根据本发明示例性实施例的风电场的气象要素预测装置100包括：数据获取模块101和气象预测模块102。

具体说来，数据获取模块101获取风电场中的多个代表点位在预定时间段的目标气象要素的点位预测值。

这里，预定时间段可指在当前时刻之后的未来某一时间段。作为示例，气象要素可包括但不限于以下项中的至少一项：不同高度处的温度、湿度、风速、风向、大气压强，目标气象要素可为上述气象要素之一。

也就是说，可以从任意气象源提供的气象预报数据(即，数值天气预报)中，提取多个代表点位在预定时间段的目标气象要素的点位预测值。这里，点位预测值可指在代表点位处目标气象要素在预定时间段的预测值。

气象预测模块102通过将所获取的每个代表点位的目标气象要素的点位预测值输入气象融合预测模型，获得目标气象要素在预定时间段的风场预测值。

这里，上述代表点位可指目标气象要素在各预定时间段内的预测值和实测值最接近的点位，也可以指在不同节气下用于代表风电场的目标气象要素的点位。也就是说，数据获取模块101可以针对不同节气来分别确定在各节气下预测值和实测值最接近的点位，将所确定的在各节气下的点位进行综合，获得风电场中的多个代表点位。

在一可选示例中，多个代表点位可包括在多个时间单位下的多个点位。在一示例中，数据获取模块101可以根据风电场所在区域的气候变化情况通过对一年进行划分来获得多个时间单位。

例如，风电场所在区域的气候变化越频繁，则时间单位的时长越短，这里，可以基于风电场所在区域的气候特征来确定其气候变化情况。每个时间单位的时长可以相同，也可以不同。

数据获取模块101可以确定在一年内的每个时间单位下的多个点位，通过对在一年内的所有时间单位下的各点位进行去重处理，获得风电场中的多个代表点位。

例如，数据获取模块101可以通过以下方式确定在每个时间单位中的任一时间单位下的多个点位。

获取在任一时间单位下以目标点位为中心的多张等值线图，确定每张等值线图中候选气象格点与目标点位之间的距离，选取针对多张等值线图所确定的距离中的最大距离，基于最大距离确定以目标点位为中心的预定范围。

获取以目标点位为中心的预定范围内的多个气象格点在该时间单位下的历史气象预报数据，针对预定范围内的每个气象格点，确定该气象格点的历史气象预报数据与该气象格点的历史观测数据的相似指标，从预定范围内的多个气象格点中搜索相似指标的极小值格点，将搜索到的极小值格点中相似指标小于目标点位的相似指标的极小值格点确定为在该时间单位下的点位。

作为示例，在每个时间单位下的等值线图的数量可以根据时间单位的时长和历史气象预报数据的时间分辨率来确定。

在一示例中，针对每张等值线图，从该等值线图中搜索距离目标气象要素的历史气象预报数据最高值所在位置最近的候选气象格点，即，将在该等值线图中距离目标气象要素的历史气象预报数据最高值所在位置最近的气象格点确定为候选气象格点，并确定候选气象格点与目标点位之间的距离。

在本发明示例性实施例中，上述用于预测风电场在预定时刻的目标气象要素的风场预测值的气象融合预测模型为预先训练好的预测模型。在一示例中，根据本发明示例性实施例的风电场的气象要素预测装置100可还包括：模型训练模块103，用于对气象融合预测模型进行训练。

例如，模型训练模块103获取多个代表点位在预定时间段内的目标气象要素的点位预测值，获取风电场在预定时间段内的目标气象要素的观测值，将所获取的多个代表点位的点位预测值作为气象融合预测模型的输入，将所获取的风电场的观测值作为气象融合预测模型的输出，对气象融合预测模型进行训练。这里，用于进行气象融合预测模型训练的预定时间段可指在用于进行目标气象要素预测的预定时间段之前的一时间段。

图9示出根据本发明示例性实施例的控制器的框图。

如图9所示，根据本发明示例性实施例的控制器200包括：处理器201和存储器202。

具体说来，存储器202用于存储计算机程序，该计算机程序在被处理器201执行时实现上述的风电场的气象要素预测方法。

这里，图1所示的风电场的气象要素预测方法可在图9所示的处理器201中执行。也就是说，图8所示的各模块可由数字信号处理器、现场可编程门阵列等通用硬件处理器来实现，也可通过专用芯片等专用硬件处理器来实现，还可完全通过计算机程序来以软件方式实现，例如，可被实现为图9中所示的处理器201中的各个模块。

根据本发明的示例性实施例还提供一种存储有计算机程序的计算机可读存储介质。该计算机可读存储介质存储有当被处理器执行时使得处理器执行上述风电场的气象要素预测方法的计算机程序。该计算机可读记录介质是可存储由计算机系统读出的数据的任意数据存储装置。计算机可读记录介质的示例包括：只读存储器、随机存取存储器、只读光盘、磁带、软盘、光数据存储装置和载波(诸如经有线或无线传输路径通过互联网的数据传输)。

根据本发明示例性实施例的风电场的气象要素预测方法和装置，可以根据不同季节选取多个可代表该风电场整场目标气象要素的代表点位，通过机器学习等算法融合计算出最能代表该风电场目标气象要素的预测值，以目标气象要素为风速为例，可将通过上述方式获得的风速预测值作为功率预测的输入，以此提高功率预测准确率。

根据本发明示例性实施例的风电场的气象要素预测方法和装置，适用于分布范围广、地处复杂地形的风电场，还可以修正数值天气预报本身在空间上预报的偏差。

此外，本发明示例性实施例的风电场的气象要素预测方法和装置，优化使用数值天气预报结果的方法(即通过选取多个代表点位)，可以针对任何点位预报的天气预报结果(任意气象要素)进行优化。

尽管已经参照其示例性实施例具体显示和描述了本发明，但是本领域的技术人员应该理解，在不脱离权利要求所限定的本发明的精神和范围的情况下，可以对其进行形式和细节上的各种改变。