一种用于风功率预测的风速风向降尺度方法与流程

1.本发明涉及风场风功率预测的技术领域，尤其是指一种用于风功率预测的风速风向降尺度方法。


背景技术：

2.风电功率预测是指根据风电场的实时数据和数值天气预报数据，预测未来一段时间内风电场的输出功率。风电功率预测对于提高风电的经济性和可靠性，减少风电对电网的冲击，优化电力系统调度和运行等方面具有重要意义。由于风资源的波动性、随机性和间断性等特点，导致风电功率预测存在较大误差，因此需要采用合适的方法进行误差修正。
3.目前常用的风速和风向修正方法主要有以下几类：
4.持续法：假设未来一段时间内的风速和风向与当前相同或近似相同，是最简单也最不准确的方法。
5.统计法：利用历史数据建立统计模型或回归模型，如自回归移动平均模型(arma)、自回归条件异方差模型(arch)等，能够反映数据之间的线性关系，但不能处理非线性问题。
6.人工智能法：利用人工神经网络(ann)、支持向量机(svm)、模糊逻辑(fl)等智能算法建立非线性映射关系，能够处理复杂非线性问题，但需要大量训练数据和合理参数选择。
7.混合法：将不同方法结合起来，利用各自优势互补弥补不足，如神经网络与卡尔曼滤波(kf)、神经网络与粒子群优化(pso)等。


技术实现要素：

8.本发明目的在于克服现有技术的不足，提出了一种用于风功率预测的风速风向降尺度方法，提供一种依据气象预报数据，对选定风电场进行气象预报数据的修正，以将网格气象预报数据，降尺度到该风场的各个机位点。
9.为实现上述目的，本发明所提供的技术方案如下：一种用于风功率预测的风速风向降尺度方法，包括以下步骤：
10.s1、选取一风场，确定该风场内的风电机组数量，并获取每台风电机组在预设周期内的scada原始数据以及与该scada原始数据相同周期的天气气象数据；
11.s2、对scada原始数据进行提升分辨率的处理，使scada原始数据的分辨率与天气气象数据保持一致；
12.s3、对天气气象数据进行基于时间序列相关性检验的横向误差修正，用来定位天气气象数据的风速与经步骤s2处理后的scada原始数据的风速之间的时间错位；
13.s4、将经过横向误差修正的天气气象数据输入到rcan模型中，进行纵向误差修正，完成对天气气象数据的修正；
14.s5、在完成修正的天气气象数据中，对其中的风向的角度数据转化为正弦值和余弦值，完成对天气气象数据的处理；
15.s6、基于rcan神经网络建立修正模型，将处理后的天气气象数据输入到修正模型
中进行训练，待训练完成后保存；
16.s7、通过修正模型对所输入的预报天气气象数据进行修正，将该预报天气气象数据修正到每台风电机组上，再根据横向误差，调整每台风电机组所对应的向前或向后调整时间，获取最终修正结果；
17.s8、校验修正模型。
18.进一步，所述步骤s1包括以下步骤：
19.选取一风场，确定该风场内的风电机组数量，并获取每台风电机组在预设周期内的scada原始数据所记录的秒级风向和风速，同时获取与该scada原始数据相同周期的天气气象数据，该天气气象数据的时间分辨率为15min。
20.进一步，所述步骤s2包括以下步骤：
21.将scada原始数据中的秒级风速，按15min的间隔，将全天秒级风速分隔为96段时间，每段900个秒级采样点，将每段风速的平均值作为该段时间起始时间点的代表风速；
22.将scada原始数据中的秒级风向，按15min的间隔，将全天的秒级风向分隔为96段时间，每段900个秒级采样点，对于该段时间内的900个采样点，按照0.5的步长，统计频数的最高点，即为该起始时间的代表风向。
23.进一步，所述步骤s3包括以下步骤：
24.对天气气象数据进行基于时间序列相关性检验的横向误差修正，采用时间序列相关性检验法，将天气气象数据中的风速在时间轴左右平移，求得最佳移动步长δt，具体为：scada原始数据中的风速的按时间序列排列的数据为x＝[x1,x2,x3…
xn]，天气气象数据中的风速按时间序列排列的数据为y＝[y1,y2,y3…yn
]，通过天气气象数据中的风速y的左右滑动，获取其与实测的scada原始数据中的风速之间所具有的最大相关系数，此时天气气象数据的风速左右平移所产生的最佳移动步长δt，即用于定位天气气象数据的风速与经步骤s2处理后的scada原始数据的风速之间的时间错位，预设scada原始数据序列x的平均值为μ
x
天气气象数据序列y的平均值为μy，其相关系数的结果为cov(x,y)，协方差的结果为ρ，则两者的协方差和相关系数定义如下：
[0025]
cov(x,y)＝e[(x-μ
x
)(y-μy)]
[0026][0027]
式中μ表示序列的平均值，d表示序列方差，e表示数据期望。
[0028]
进一步，所述rcan模型包括：
[0029]
a、卷积神经网络，该卷积神经网络包括交替堆叠的卷积层和池化层，所述卷积层负责对输入的经过横向误差修正的天气气象数据进行特征提取，所述池化层负责进一步降维和压缩提取的特征；
[0030]
b、残差模块，通过残差模块构造两条支路来保证模型的误差修正效果和收敛效果；其中，一条支路负责保留与风电场轮毂风速最大相关的高度的天气气象数据中的风速；另一条支路负责从四个不同高度的天气气象数据中的风速学习天气气象数据中的风速与实测的scada原始数据的风速间的纵向误差，预设t时刻scada记录风速为v
t
，该t时刻不同高度的天气预报风速分别为高度的天气预报风速分别为时间的横向误差为t，g表示运算过
程，则残差模块的计算的公式如下：
[0031][0032]
c、通道注意力机制模块，通过权值分配来实现对不同通道特征的加强或抑制，一条支路负责保留输入的多通道特征，另一条支路负责学习多通道的权重，最终相乘得到新的特征；其中，全局平均池化负责提取通道特征的全局信息，sigmoid函数负责将全连接层输出的数值转化为0到1之间的权重，乘法操作负责加强或抑制各通道特征，数学过程如下:
[0033][0034]
hc＝σ(l(l(fc)))；
[0035]
yc＝xc×
hc[0036]
式中，h
×
w表示单个通道特征图的尺寸，fc表示第c个通道的全局平均特征，xc(i,j)表示第c个通道中(i,j)位置的特征值，hc表示第c个通道的权重，yc表示运算后第c个通道的特征，σ表示sigmod激活运算，l表示全连接层。
[0037]
进一步，所述步骤s5包括以下步骤：
[0038]
处理后的天气气象数据中的风向为[0,360]范围的的角度数据，将该角度数据转化该度数的正弦值和余弦值，用于建模，处理后的天气气象数据中的风速则无需处理。
[0039]
进一步，所述步骤s8包括以下步骤：
[0040]
计算天气气象数据中的风速与scada原始数据的风速的平均绝对误差mae，公式如下：
[0041][0042]
其中样本量为n，真实值为yi，预测值为
[0043]
通过计算模型修正后的天气气象数据中的风速与scada原始数据的风速的误差mae1，与未经过修正原始天气气象数据中的风速与scada原始数据的风速的误差mae2，对比mae1与mae2校验模型效果，若mae1小于mae2，则表明起到了修正效果，反之则表明修正效果不好。
[0044]
本发明与现有技术相比，具有如下优点与有益效果：
[0045]
1、本发明所述的对天气气象数据横向及纵向误差修正方法能够不受地形等外在因素的影响，普适性强；
[0046]
2、本发明将气象单点数据，一次性修正到各个机位点，修正结果可以用于单机的风功率预测，预测结果更精细，提高场级风功率预测结果的准确性；
[0047]
3、本发明的建模成本低，仅需风电机组的历史运行数据和历史气象数据，即可完成建模，无需额外的地形勘测、风机排布以及仿真计算等成本。
附图说明
[0048]
图1为本发明rcan模型的架构图。
[0049]
图2为风场中各机位天气气象数据的风速修正结果图。
具体实施方式
[0050]
下面结合具体实施例对本发明作进一步说明。
[0051]
本实施例提供了用于风功率预测的风速风向降尺度方法，其特征在于，包括以下步骤：
[0052]
s1、选取一风场，确定该风场内的风电机组数量，并获取每台风电机组在预设周期内的scada原始数据以及与该scada原始数据相同周期的天气气象数据，包括以下步骤：
[0053]
选取一风场，确定该风场内的风电机组数量为5台，每台风电机组代表不同的高度，并获取该5台风电机组在一年内的scada原始数据所记录的秒级风向和风速，同时获取与该scada原始数据相同周期的n行10列天气气象数据，每个高度的风电机组的天气气象数据包括一列风速及一列风向，因此共有10列，该天气气象数据的时间分辨率为15min；
[0054]
s2、对scada原始数据进行提升分辨率的处理，使scada原始数据的分辨率与天气气象数据保持一致，包括以下步骤：
[0055]
将scada原始数据中的秒级风速，按15min的间隔，将全天秒级风速分隔为96段时间，每段900个秒级采样点，将每段风速的平均值作为该段时间起始时间点的代表风速；
[0056]
将scada原始数据中的秒级风向，按15min的间隔，将全天的秒级风向分隔为96段时间，每段900个秒级采样点，对于该段时间内的900个采样点，按照0.5的步长，统计频数的最高点，即为该起始时间的代表风向。
[0057]
s3、对天气气象数据进行基于时间序列相关性检验的横向误差修正，用来定位天气气象数据的风速与经步骤s2处理后的scada原始数据的风速之间的时间错位，包括以下步骤：
[0058]
对天气气象数据进行基于时间序列相关性检验的横向误差修正，采用时间序列相关性检验法，将天气气象数据中的风速在时间轴左右平移，求得最佳移动步长δt，具体为：scada原始数据中的风速的按时间序列排列的数据为x＝[x1,x2,x3…
xn]，天气气象数据中的风速按时间序列排列的数据为y＝[y1,y2,y3…yn
]，通过天气气象数据中的风速y的左右滑动，获取其与实测的scada原始数据中的风速之间所具有的最大相关系数，此时天气气象数据的风速左右平移所产生的最佳移动步长δt，即用于定位天气气象数据的风速与经步骤s2处理后的scada原始数据的风速之间的时间错位，预设scada原始数据序列x的平均值为μ
x
天气气象数据序列y的平均值为μy，其相关系数的结果为cov(x,y)，协方差的结果为ρ，则两者的协方差和相关系数定义如下：
[0059]
cov(x,y)＝e[(x-μ
x
)(y-μy)]
[0060][0061]
式中μ表示序列的平均值，d表示序列方差，e表示数据期望。
[0062]
根据天气气象数据中的风速列与原始scada数据中的风速列，左右偏移天气气象数据中的风速列，求解每台机组达到最大相关系数时的偏移步长δt，如下表1所示:
[0063]
风电机组1#2#3#4#5#步长-20012
[0064]
表1各风电机组的偏移步长表
[0065]
其中，步长为正数表示对时间点向前调整，步长为负数表示时间点向后调整。
[0066]
s4、参见图1所示，将经过横向误差修正的天气气象数据输入到rcan模型中，进行纵向误差修正，完成对天气气象数据的修正；其中，所述rcan模型包括：
[0067]
a、卷积神经网络，该卷积神经网络包括交替堆叠的卷积层和池化层，所述卷积层负责对输入的经过横向误差修正的天气气象数据进行特征提取，所述池化层负责进一步降维和压缩提取的特征；
[0068]
b、残差模块，通过残差模块构造两条支路来保证模型的误差修正效果和收敛效果；其中，一条支路负责保留与风电场轮毂风速最大相关的高度的天气气象数据中的风速；另一条支路负责从四个不同高度的天气气象数据中的风速学习天气气象数据中的风速与实测的scada原始数据的风速间的纵向误差，预设t时刻scada记录风速为v
t
，该t时刻不同高度的天气预报风速分别为高度的天气预报风速分别为时间的横向误差为t，g表示运算过程，则残差模块的计算的公式如下：
[0069][0070]
c、通道注意力机制模块，通过权值分配来实现对不同通道特征的加强或抑制，一条支路负责保留输入的多通道特征，另一条支路负责学习多通道的权重，最终相乘得到新的特征；其中，全局平均池化负责提取通道特征的全局信息，sigmoid函数负责将全连接层输出的数值转化为0到1之间的权重，乘法操作负责加强或抑制各通道特征，数学过程如下:
[0071][0072]
hc＝σ(l(l(fc)))；
[0073]
yc＝xc×
hc[0074]
式中，h
×
w表示单个通道特征图的尺寸，fc表示第c个通道的全局平均特征，xc(i,j)表示第c个通道中(i,j)位置的特征值，hc表示第c个通道的权重，yc表示运算后第c个通道的特征，σ表示sigmod激活运算，l表示全连接层。
[0075]
s5、在完成修正的天气气象数据中，对其中的风向的角度数据转化为正弦值和余弦值，完成对天气气象数据的处理，包括以下步骤：
[0076]
处理后的天气气象数据中的风向为[0,360]范围的的角度数据，将该角度数据转化该度数的正弦值和余弦值，即将天气气象数据中的风向列转化为相对应度数的正弦值列和余弦值列，转化后得到n行15列的天气气象数据，用于建模，处理后的天气气象数据中的风速则无需处理。
[0077]
s6、基于rcan神经网络建立修正模型，将处理后的天气气象数据输入到修正模型中进行训练，待训练完成后保存；
[0078]
s7、通过该修正模型对输入的预报天气气象数据进行修正，将天气气象数据修正到每台风电机组上，再根据横向误差，调整每台风电机组对应的向前或向后调整时间，获取最终的修正结果。
[0079]
s8、校验修正模型，包括以下步骤：
[0080]
计算天气气象数据中的风速与scada原始数据的风速的平均绝对误差mae，公式如下：
[0081][0082]
其中样本量为n，真实值为yi，预测值为
[0083]
通过计算模型修正后的天气气象数据中的风速与scada原始数据的风速的误差mae1，与未经过修正原始天气气象数据中的风速与scada原始数据的风速的误差mae2，对比mae1与mae2校验模型效果，若mae1小于mae2，则表明起到了修正效果，反之则表明修正效果不好。
[0084]
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

技术特征：
1.一种用于风功率预测的风速风向降尺度方法，其特征在于，包括以下步骤：s1、选取一风场，确定该风场内的风电机组数量，并获取每台风电机组在预设周期内的scada原始数据以及与该scada原始数据相同周期的天气气象数据；s2、对scada原始数据进行提升分辨率的处理，使scada原始数据的分辨率与天气气象数据保持一致；s3、对天气气象数据进行基于时间序列相关性检验的横向误差修正，用来定位天气气象数据的风速与经步骤s2处理后的scada原始数据的风速之间的时间错位；s4、将经过横向误差修正的天气气象数据输入到rcan模型中，进行纵向误差修正，完成对天气气象数据的修正；s5、在完成修正的天气气象数据中，对其中的风向的角度数据转化为正弦值和余弦值，完成对天气气象数据的处理；s6、基于rcan神经网络建立修正模型，将处理后的天气气象数据输入到修正模型中进行训练，待训练完成后保存；s7、通过修正模型对所输入的预报天气气象数据进行修正，将该预报天气气象数据修正到每台风电机组上，再根据横向误差，调整每台风电机组所对应的向前或向后调整时间，获取最终修正结果；s8、校验修正模型。2.根据权利要求1所述的一种用于风功率预测的风速风向降尺度方法，其特征在于，所述步骤s1包括以下步骤：选取一风场，确定该风场内的风电机组数量，并获取每台风电机组在预设周期内的scada原始数据所记录的秒级风向和风速，同时获取与该scada原始数据相同周期的天气气象数据，该天气气象数据的时间分辨率为15min。3.根据权利要求1所述的一种用于风功率预测的风速风向降尺度方法，其特征在于，所述步骤s2包括以下步骤：将scada原始数据中的秒级风速，按15min的间隔，将全天秒级风速分隔为96段时间，每段900个秒级采样点，将每段风速的平均值作为该段时间起始时间点的代表风速；将scada原始数据中的秒级风向，按15min的间隔，将全天的秒级风向分隔为96段时间，每段900个秒级采样点，对于该段时间内的900个采样点，按照0.5的步长，统计频数的最高点，即为该起始时间的代表风向。4.根据权利要求1所述的一种用于风功率预测的风速风向降尺度方法，其特征在于，所述步骤s3包括以下步骤：对天气气象数据进行基于时间序列相关性检验的横向误差修正，采用时间序列相关性检验法，将天气气象数据中的风速在时间轴左右平移，求得最佳移动步长δt，具体为：scada原始数据中的风速的按时间序列排列的数据为x＝[x1,x2,x3…
x
n
]，天气气象数据中的风速按时间序列排列的数据为y＝[y1,y2,y3…
y
n
]，通过天气气象数据中的风速y的左右滑动，获取其与实测的scada原始数据中的风速之间所具有的最大相关系数，此时天气气象数据的风速左右平移所产生的最佳移动步长δt，即用于定位天气气象数据的风速与经步骤s2处理后的scada原始数据的风速之间的时间错位，预设scada原始数据序列x的平均值为μ
x
天气气象数据序列y的平均值为μ
y
，其相关系数的结果为cov(x,y)，协方差的结果为ρ，
则两者的协方差和相关系数定义如下：cov(x,y)＝e[(x-μ
x
)(y-μ
y
)]式中μ表示序列的平均值，d表示序列方差，e表示数据期望。5.根据权利要求1所述的一种用于风功率预测的风速风向降尺度方法，其特征在于，所述rcan模型包括：a、卷积神经网络，该卷积神经网络包括交替堆叠的卷积层和池化层，所述卷积层负责对输入的经过横向误差修正的天气气象数据进行特征提取，所述池化层负责进一步降维和压缩提取的特征；b、残差模块，通过残差模块构造两条支路来保证模型的误差修正效果和收敛效果；其中，一条支路负责保留与风电场轮毂风速最大相关的高度的天气气象数据中的风速；另一条支路负责从四个不同高度的天气气象数据中的风速学习天气气象数据中的风速与实测的scada原始数据的风速间的纵向误差，预设t时刻scada记录风速为v
t
，该t时刻不同高度的天气预报风速分别为的天气预报风速分别为时间的横向误差为t，g表示运算过程，则残差模块的计算的公式如下：c、通道注意力机制模块，通过权值分配来实现对不同通道特征的加强或抑制，一条支路负责保留输入的多通道特征，另一条支路负责学习多通道的权重，最终相乘得到新的特征；其中，全局平均池化负责提取通道特征的全局信息，sigmoid函数负责将全连接层输出的数值转化为0到1之间的权重，乘法操作负责加强或抑制各通道特征，数学过程如下:式中，h
×
w表示单个通道特征图的尺寸，f
c
表示第c个通道的全局平均特征，x
c
(i,j)表示第c个通道中(i,j)位置的特征值，h
c
表示第c个通道的权重，y
c
表示运算后第c个通道的特征，σ表示sigmod激活运算，l表示全连接层。6.根据权利要求1所述的一种用于风功率预测的风速风向降尺度方法，其特征在于，所述步骤s5包括以下步骤：处理后的天气气象数据中的风向为[0,360]范围的的角度数据，将该角度数据转化该度数的正弦值和余弦值，用于建模，处理后的天气气象数据中的风速则无需处理。7.根据权利要求1所述的一种用于风功率预测的风速风向降尺度方法，其特征在于，所述步骤s8包括以下步骤：计算天气气象数据中的风速与scada原始数据的风速的平均绝对误差mae，公式如下：
其中样本量为n，真实值为，预测值为通过计算模型修正后的天气气象数据中的风速与scada原始数据的风速的误差mae1，与未经过修正原始天气气象数据中的风速与scada原始数据的风速的误差mae2，对比mae1与mae2校验模型效果，若mae1小于mae2，则表明起到了修正效果，反之则表明修正效果不好。

技术总结
本发明公开了一种用于风功率预测的风速风向降尺度方法，包括以下步骤：S1、获取每台风电机组在预设周期内的SCADA原始数据以及天气气象数据；S2、对SCADA原始数据进行提升分辨率的处理；S3、对天气气象数据进行基于时间序列相关性检验的横向误差修正；S4、将经过横向误差修正的天气气象数据进行纵向误差修正；S5、对天气气象数据中的风向的角度数据转化为正弦值和余弦值；S6、基于RCAN神经网络建立修正模型；S7、通过修正模型对输入的预报天气气象数据进行修正，获取最终修正结果；S8、校验修正模型；本发明将气象单点数据，一次性修正到各个机位点，该修正结果能够用于单机的风功率预测，提高场级风功率预测结果准确性，节省额外的勘测及计算成本。的勘测及计算成本。的勘测及计算成本。


技术研发人员：孙启涛 赵超凡 鲁纳纳
受保护的技术使用者：明阳智慧能源集团股份公司
技术研发日：2023.04.20
技术公布日：2023/8/24