[发明专利]一种风速订正处理方法及装置

说明书

本发明提供一种风速订正处理方法及装置，涉及风力发电技术领域。所述方法包括：获取中尺度天气预报数据，并对所述中尺度天气预报数据进行数据预处理，得到气象矩阵；基于预设风速订正处理模型对所述气象矩阵进行订正处理，得到风速订正处理结果；其中，所述预设风速订正处理模型根据风速订正样本数据训练包含有注意力机制的LSTM模型得到。所述装置执行上述方法。本发明实施例提供的风速订正处理方法及装置，不仅可以进一步提高短期风速预报的准确性，而且还可以提高模型在各地区的普适性。

技术领域

本发明涉及风力发电技术领域，具体涉及一种风速订正处理方法及装置。

背景技术

在碳中和的背景下，大规模开发利用可再生能源成了经济社会可持续发展的关键问题之一。在当前开发利用的可再生能源中，风能是技术较为成熟，具有大规模应用前景的可再生能源。过去十几年来，风力发电经历了高速成长的过程，风电装机容量逐年递增。风力发电在经历高速发展的同时，也面临着一系列的问题，受限于现有电网设备的电力输送以及储电的限制，风力发电的并网输电严重依赖于风速等气象条件的变化，气象变量的不确定性导致了风电并网的波动，从而降低电网的整体稳定性。

风电功率的不确定性会在一定程度上影响风电设备的运行，因此风电功率的预报是大规模发展风电的关键技术。根据风电的功率输出计算方法可知，风机的发电量跟风速大小直接相关，近地面层风速的预报是风电发电量预报的基础。

从目前已有方法和相关研究可以看出，风电场短期风速预报的方法有以数值天气预报模式为主的物理方法，包含时间序列模型和人工智能神经网络模型的统计方法，以及数值预报与统计方法相结合的综合方法等。其中出现较早，使用较多的短期风速预报方法是直接采用中尺度数值天气预报模式预报风速，如WRF、RAMS等模式。对于模式预报能力的优化，通常以调整模式的参数化方案、模式参数的选择和调优、加入资料同化部分等方面进行。

然而近地面层风速受地形、地表粗糙度、稳定度、湍流交换等诸多边界层因素影响较大，中尺度模式本身对边界层近地面层风速的模拟能力、参数化方案的刻画能力均存在较大局限性。除此外，中尺度模式预报结果水平方向存在于各个格点与实际观测点位置不能完全对应，只能通过插值的方法将近邻格点结果插值到目标位置；在垂直方向根据垂直分辨率的设置数据会分布在不同高度，再加上地形影响，不会直接得到目标高度风速，同样需要结合上下多层插值获得。基于中尺度数值天气预报给出的某一特定位置、近地面层特定高度处的风速会存在不可避免的系统误差和随机误差，故风速预报从模式角度优化的能力存在上限。

随着风电的迅速发展，风功率预测需要更高精度、准确的风速预报，期间更多方法得到发展。对数值天气预报采用动力、统计方法或机器学习的后处理订正，是提高预报准确率的有效方法也是目前的主流技术。统计方法的发展历史较为久远，最早的统计方法是采用MOS(Model Output Statistics)方法，MOS方法的使用流程简单，早期应用广泛；之后一些研究还通过分析数值模型的系统误差来进行与误差校正。例如将中尺度模型的网格点数据与观测数据进行了比较，获得了模型的系统偏差，从模型结果中减去平均系统偏差进行校正；而后卡尔曼滤波被广泛用于数值天气模型的后处理订正。

近年来，在人工智能的快速发展下，机器学习算法被用来对模式数据进行后处理订正，取得了相比统计和动力方法改进较好的表现，故目前使用机器学习方法进行订正的趋势明显。由于人工智能算法的飞速发展，机器学习方法有诸多算法被应用于此，如聚类算法、时序模型、树模型、神经网络、时间记忆网络等。其中支持向量机、BP神经网络等能够较好捕捉非线性关系的模型被广泛使用，也相较于其它机器学习模型有较好的表现。但是这些模型仍然存在算法上的缺陷，譬如传统机器学习算法对于特征维度过大的数据处理能力存在局限性；对处理较长时间序列类的数据难以捕捉其时间上的相关性，模型效果欠佳、不稳定、普适性较差等。