本發(fā)明涉及發(fā)電技術(shù)領(lǐng)域，特別是一種智能風(fēng)電風(fēng)功率預(yù)測系統(tǒng)。

背景技術(shù)：

風(fēng)力發(fā)電屬于可再生能源，清潔能源。風(fēng)力發(fā)電是風(fēng)能利用的重要形式，風(fēng)能是可再生、無污染、能量大、前景廣的能源。風(fēng)電技術(shù)裝備是風(fēng)電產(chǎn)業(yè)的重要組成部分，也是風(fēng)電產(chǎn)業(yè)發(fā)展的基礎(chǔ)和保障。

目前中國的風(fēng)電并網(wǎng)裝機(jī)規(guī)模世界第一，2012年年底風(fēng)電并網(wǎng)裝機(jī)超過6000萬千瓦，發(fā)電量超過1000億千瓦時(shí)，成為繼火電、水電之后的我國第三大電源。全球風(fēng)電發(fā)展迅速，已有70多個(gè)國家建有商業(yè)運(yùn)營風(fēng)電場。2011年底全球風(fēng)電裝機(jī)達(dá)到2.38億千瓦，當(dāng)年新增4000萬千瓦。在歐洲風(fēng)電占到電力供應(yīng)的6％，丹麥風(fēng)電占到本國的28％，西班牙占到16％。歐洲提出2020年風(fēng)電裝機(jī)達(dá)到2.3億千瓦，德國提出2020年可再生能源發(fā)電占到電力消費(fèi)35％，其中50％來自風(fēng)電。中國風(fēng)電在經(jīng)歷了連續(xù)數(shù)年高速增長后，開始面臨瓶頸，發(fā)展速度放緩?！笆濉逼陂g，我國風(fēng)電產(chǎn)業(yè)將迎來結(jié)構(gòu)調(diào)整的重要機(jī)遇。

風(fēng)電功率具有較強(qiáng)的波動(dòng)性和間歇性，大規(guī)模風(fēng)電場接入電網(wǎng)后，將對電網(wǎng)的潮流分布、調(diào)度方式、電網(wǎng)穩(wěn)定、無功補(bǔ)償和電網(wǎng)調(diào)峰調(diào)頻等帶來重大影響。對風(fēng)電場風(fēng)電功率進(jìn)行準(zhǔn)確的預(yù)測，有利于電網(wǎng)調(diào)度部門及時(shí)掌握風(fēng)電場功率輸出情況，及時(shí)調(diào)整調(diào)度計(jì)劃，對可能存在的風(fēng)險(xiǎn)及時(shí)處理，提高電網(wǎng)運(yùn)行的安全性，避免風(fēng)功率大范圍波動(dòng)造成的安全事故。風(fēng)功率預(yù)報(bào)子系統(tǒng)的主要是實(shí)現(xiàn)短期和超短期多模式、多尺度風(fēng)功率預(yù)報(bào)、融合數(shù)值天氣預(yù)報(bào)的風(fēng)速\風(fēng)功率預(yù)報(bào)、風(fēng)電一體化平抑控制以及風(fēng)功率曲線上報(bào)優(yōu)化策略等功能。

風(fēng)力發(fā)電機(jī)作為風(fēng)電場的動(dòng)力核心，其安全、穩(wěn)定、高效運(yùn)行對整個(gè)風(fēng)電場的運(yùn)營至關(guān)重要。為了提高風(fēng)電場的信息化管理水平和故障實(shí)時(shí)監(jiān)測和維護(hù)能力，建立風(fēng)力發(fā)電機(jī)實(shí)時(shí)早期預(yù)警和故障診斷分析系統(tǒng)同樣意義重大。故障診斷與分析系統(tǒng)主要是實(shí)現(xiàn)風(fēng)機(jī)運(yùn)行中的早期預(yù)警、建立故障診斷輔助分析系統(tǒng)、建立案例庫和實(shí)現(xiàn)基于案例的故障診斷。

公開號(hào)為CN103389388A的發(fā)明專利申請公開了一種風(fēng)電場風(fēng)速預(yù)測方法及其裝置和功率預(yù)測方法及其系統(tǒng)，該風(fēng)電場風(fēng)速預(yù)測方法，包括：獲取風(fēng)電場中各風(fēng)電機(jī)組所在位置的空間坐標(biāo)；獲取風(fēng)電場所在區(qū)域的地形特征參數(shù)；獲取預(yù)設(shè)時(shí)間段內(nèi)風(fēng)電場區(qū)域的風(fēng)速時(shí)間序列值；將各風(fēng)電機(jī)組所在位置的空間坐標(biāo)和地形特征參數(shù)作為控制參數(shù)，將預(yù)設(shè)時(shí)間段內(nèi)風(fēng)電場區(qū)域的風(fēng)速時(shí)間序列值作為條件參數(shù)，采用預(yù)先建立的風(fēng)電場物理模型計(jì)算出預(yù)設(shè)時(shí)間段內(nèi)各風(fēng)電機(jī)組所在位置的風(fēng)速時(shí)間序列值，并顯示。該方法雖然能夠通過風(fēng)速計(jì)算出風(fēng)電場的功率，但是缺乏對于短時(shí)間風(fēng)電場的功率預(yù)測，容易出現(xiàn)誤差。

技術(shù)實(shí)現(xiàn)要素：

為了解決上述問題，本發(fā)明提供的智能風(fēng)電風(fēng)功率預(yù)測系統(tǒng)，采用多尺度模型的方法，將多尺度數(shù)據(jù)與測風(fēng)塔數(shù)據(jù)相結(jié)合，加上我們獨(dú)有的超短期預(yù)報(bào)模型，使超短期預(yù)報(bào)的精度高達(dá)95％以上。如果測風(fēng)塔的數(shù)據(jù)缺失或中斷，系統(tǒng)自動(dòng)啟用風(fēng)機(jī)SCADA數(shù)據(jù)和中尺度數(shù)據(jù)預(yù)報(bào)方案確保預(yù)報(bào)質(zhì)量穩(wěn)定。

本發(fā)明提供一種智能風(fēng)電風(fēng)功率預(yù)測系統(tǒng)，包含以下模塊：

中尺度數(shù)值模擬模塊：根據(jù)天氣氣候特征集合風(fēng)電場實(shí)際需求，對風(fēng)功率進(jìn)行預(yù)測；

微尺度數(shù)值模擬模塊：將所述中尺度數(shù)值模擬系統(tǒng)得到的風(fēng)功率預(yù)測結(jié)果進(jìn)行降尺度處理；

發(fā)電量物理計(jì)算模塊：通過所述微尺度數(shù)值模擬模塊中產(chǎn)生的風(fēng)廓線結(jié)果計(jì)算出個(gè)機(jī)位的發(fā)電量；

誤差校正統(tǒng)計(jì)模塊：通過分析計(jì)算預(yù)測結(jié)果與實(shí)際發(fā)電量之間的誤差，建立誤差矯正模型。

優(yōu)選的是，所述中尺度數(shù)值是指在第一時(shí)間閾值內(nèi)采集到的數(shù)值。

在上述方案中優(yōu)選的是，所述第一時(shí)間閾值的單位為周、月、季度和年中至少一種。

在上述方案中優(yōu)選的是，所述降尺度是指將采集時(shí)間縮短至第二時(shí)間閾值內(nèi)。

在上述方案中優(yōu)選的是，所述第二時(shí)間閾值的單位為秒、分、小時(shí)和天中至少一種。

在上述方案中優(yōu)選的是，所述中尺度數(shù)值模擬模塊和微尺度數(shù)值模擬模塊采用多模式預(yù)報(bào)模型和多尺度預(yù)報(bào)模型對風(fēng)速進(jìn)行預(yù)測。

在上述方案中優(yōu)選的是，所述多模式預(yù)報(bào)模型是指對于不同地形條件，不同天氣模式、不同季節(jié)、以及白天和晚上分別建立不同的預(yù)報(bào)模型，然后通過一定的融合策略來集成不同模型的預(yù)報(bào)結(jié)果，最終達(dá)到提高預(yù)報(bào)精度的目標(biāo)。

在上述方案中優(yōu)選的是，所述多尺度預(yù)報(bào)模型包括基于統(tǒng)計(jì)預(yù)報(bào)模型的短期風(fēng)速多尺度預(yù)報(bào)模型和融合數(shù)值天氣預(yù)報(bào)(NWP)的日前風(fēng)速多尺度預(yù)報(bào)模型。

在上述方案中優(yōu)選的是，所述基于統(tǒng)計(jì)預(yù)報(bào)模型的短期風(fēng)速多尺度預(yù)報(bào)模型是指首先將原始風(fēng)速信號(hào)分解成不同頻率的子序列，分析各子序列的自相關(guān)性，確定各子序列的多步預(yù)測長度，將具有不同預(yù)測長度的各層預(yù)測結(jié)果進(jìn)行最后的合成，給出最終的預(yù)測結(jié)果進(jìn)行輸出。

在上述方案中優(yōu)選的是，所述融合數(shù)值天氣預(yù)報(bào)(NWP)的日前風(fēng)速多尺度預(yù)報(bào)模型是指在一定的尺度內(nèi)，風(fēng)速預(yù)報(bào)的結(jié)果從NWP和統(tǒng)計(jì)方法獲得有效信息，而超出統(tǒng)計(jì)預(yù)報(bào)方法的預(yù)報(bào)尺度后，風(fēng)速預(yù)報(bào)的結(jié)果主要依賴數(shù)值天氣預(yù)報(bào)。該融合預(yù)報(bào)模型的數(shù)學(xué)表達(dá)式如下：

v＝w₁v₁+w₂v₂

式中v是最終的日前風(fēng)速預(yù)報(bào)結(jié)果，v₁、v₂分別為統(tǒng)計(jì)預(yù)報(bào)模型及數(shù)值天氣預(yù)報(bào)模型的風(fēng)速預(yù)報(bào)結(jié)果；w₁、w₂為融合加權(quán)時(shí)v₁、v₂對應(yīng)的權(quán)值。

在上述方案中優(yōu)選的是，在進(jìn)行數(shù)據(jù)融合時(shí)，如果預(yù)報(bào)尺度小于等于第二時(shí)間閾值，則給統(tǒng)計(jì)預(yù)報(bào)模型和數(shù)值天氣預(yù)報(bào)模型分配不同的權(quán)重，用于計(jì)算預(yù)報(bào)結(jié)果。

在上述方案中優(yōu)選的是，在進(jìn)行數(shù)據(jù)融合時(shí)，如果預(yù)報(bào)尺度大于第二時(shí)間閾值，則所述預(yù)報(bào)結(jié)果僅僅由數(shù)值天氣預(yù)報(bào)模型得到。

在上述方案中優(yōu)選的是，所述數(shù)值天氣預(yù)報(bào)(NWP)是根據(jù)當(dāng)?shù)靥鞖馇闆r，在時(shí)均意義下用湍流模型來封閉方程組，并在初始條件和邊界條件下求解大氣基本方程組，預(yù)報(bào)未來時(shí)刻的大氣狀態(tài)，得到風(fēng)速預(yù)測值。

在上述方案中優(yōu)選的是，評(píng)估所述發(fā)電能力的方法是使用SCADA系統(tǒng)中的狀態(tài)變量來產(chǎn)生一個(gè)全局健康變量，以及時(shí)評(píng)估風(fēng)機(jī)的發(fā)電能力衰退。

在上述方案中優(yōu)選的是，評(píng)估所述發(fā)電能力的方法是選取與風(fēng)機(jī)發(fā)電性能相關(guān)的變量，依據(jù)風(fēng)機(jī)功率曲線在切入風(fēng)速和最大風(fēng)速之間的分段關(guān)系建立多工況混合模型，將對模型參數(shù)變化的評(píng)估轉(zhuǎn)化為風(fēng)機(jī)發(fā)電性能的評(píng)估，并將評(píng)估結(jié)果依時(shí)序外延、產(chǎn)生相應(yīng)的預(yù)測結(jié)果。

在上述方案中優(yōu)選的是，所述變量包括發(fā)電功率、風(fēng)速、風(fēng)向和漿距角中至少一種。

在上述方案中優(yōu)選的是，所述全局健康變量的計(jì)算過程中，首先進(jìn)行數(shù)據(jù)的過濾、分割和歸一化，然后基于專家知識(shí)從SCADA的多個(gè)變量中選取與功率曲線分析相關(guān)的參數(shù)，輸入多工況建模算法，如高斯混合模型(GMM)、自組織圖(SOM)、神經(jīng)元網(wǎng)絡(luò)(NN)等，再使用相對應(yīng)的距離算法計(jì)算出評(píng)估性能差異的模型距離值，如L2、MQE和殘差分析。

在上述方案中優(yōu)選的是，所述全局健康變量計(jì)算的步驟如下：

步驟01：計(jì)算訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)的高斯混合模型；

步驟02：計(jì)算兩個(gè)混合模型之間的L2距離：

步驟03：計(jì)算作為健康指標(biāo)的confidence value(CV)：

CV為0至1之間的連續(xù)值，1表示測試數(shù)據(jù)分布完完全與訓(xùn)練數(shù)據(jù)分布重合，隨著系統(tǒng)之間衰退，測試數(shù)據(jù)分布逐漸偏移，兩個(gè)分布的重疊部分逐漸減小，CV示數(shù)也隨之減小。

在上述方案中優(yōu)選的是，所述步驟1包括：

訓(xùn)練數(shù)據(jù)：

測試數(shù)據(jù)：

在上述方案中優(yōu)選的是，所述誤差矯正模型用于調(diào)整并優(yōu)化所述多模式預(yù)報(bào)模型，使其逐漸適合當(dāng)?shù)氐娘L(fēng)力發(fā)電實(shí)際情況。

上述智能風(fēng)電風(fēng)功率預(yù)測系統(tǒng)主要是實(shí)現(xiàn)短期和超短期多模式、多尺度風(fēng)功率預(yù)報(bào)、融合數(shù)值天氣預(yù)報(bào)的風(fēng)速/風(fēng)功率預(yù)報(bào)、風(fēng)電一體化平抑控制以及風(fēng)功率曲線上報(bào)優(yōu)化策略等功能。

附圖說明

圖1為按照本發(fā)明的智能風(fēng)電風(fēng)功率預(yù)測系統(tǒng)的一優(yōu)選實(shí)施例的總體機(jī)構(gòu)模塊圖。

圖2為按照本發(fā)明的智能風(fēng)電風(fēng)功率預(yù)測系統(tǒng)的多模式預(yù)報(bào)模型的一優(yōu)選實(shí)施例的5種典型天氣條件下的風(fēng)速序列圖。

圖2a為按照本發(fā)明的智能風(fēng)電風(fēng)功率預(yù)測系統(tǒng)的如圖2所示實(shí)施例的風(fēng)速湍流強(qiáng)度日周期圖。

圖2b為按照本發(fā)明的智能風(fēng)電風(fēng)功率預(yù)測系統(tǒng)的如圖2所示實(shí)施例的不同季節(jié)下的風(fēng)速湍流強(qiáng)度圖。

圖2c為按照本發(fā)明的智能風(fēng)電風(fēng)功率預(yù)測系統(tǒng)的如圖2所示實(shí)施例的不同海拔高度下的風(fēng)速湍流強(qiáng)度圖。

圖2d為按照本發(fā)明的智能風(fēng)電風(fēng)功率預(yù)測系統(tǒng)的如圖2所示實(shí)施例的多模式預(yù)報(bào)模型預(yù)報(bào)效果圖。

圖2e為按照本發(fā)明的智能風(fēng)電風(fēng)功率預(yù)測系統(tǒng)的如圖2所示實(shí)施例的風(fēng)機(jī)的聚類示意圖。

圖3為按照本發(fā)明的智能風(fēng)電風(fēng)功率預(yù)測系統(tǒng)的多尺度預(yù)報(bào)模型的一優(yōu)選實(shí)施例的風(fēng)速序列多尺度分解結(jié)果圖。

圖3a為按照本發(fā)明的智能風(fēng)電風(fēng)功率預(yù)測系統(tǒng)的如圖3所示實(shí)施例的各尺度的自相關(guān)分析結(jié)果圖。

圖3b為按照本發(fā)明的智能風(fēng)電風(fēng)功率預(yù)測系統(tǒng)的如圖3所示實(shí)施例的MAE和MSE隨預(yù)報(bào)步長的變化曲線圖。

圖3c為按照本發(fā)明的智能風(fēng)電風(fēng)功率預(yù)測系統(tǒng)的如圖3所示實(shí)施例的NWP和SVM(統(tǒng)計(jì)方法)的預(yù)報(bào)誤差隨著預(yù)報(bào)步長的變化圖。

圖3d為按照本發(fā)明的智能風(fēng)電風(fēng)功率預(yù)測系統(tǒng)的如圖3所示實(shí)施例的預(yù)報(bào)效果對比圖。

具體實(shí)施方式

為了更好地理解本發(fā)明，下面結(jié)合具體實(shí)施例對本發(fā)明作了詳細(xì)說明。但是，顯然可對本發(fā)明進(jìn)行不同的變型和改型而不超出后附權(quán)利要求限定的本發(fā)明更寬的精神和范圍。因此，以下實(shí)施例具有例示性的而沒有限制的含義。

實(shí)施例1

如圖1所示，風(fēng)電場功率預(yù)測系統(tǒng)分為四個(gè)模塊。

中尺度數(shù)值模擬模塊100：根據(jù)我國天氣氣候特征，并結(jié)合風(fēng)電場實(shí)際需要進(jìn)行開發(fā)的數(shù)值模型。可以根據(jù)風(fēng)電場區(qū)域環(huán)境進(jìn)行精細(xì)化調(diào)整，實(shí)現(xiàn)從計(jì)算的源頭控制預(yù)測誤差，提高精度。

微尺度數(shù)值模擬模塊110：采用邊界層風(fēng)場診斷模型，可以將中尺度模型的預(yù)測結(jié)果降尺度處理，獲得空間精度極高的風(fēng)場數(shù)據(jù)。模式計(jì)算中，充分考慮的風(fēng)電場內(nèi)部的地形、地貌、粗糙度、熱穩(wěn)定度等各種影響風(fēng)向風(fēng)速時(shí)空分布的因子，使風(fēng)能預(yù)測更加精細(xì)和更加準(zhǔn)確。

發(fā)電量物理計(jì)算模塊120：可以實(shí)現(xiàn)在沒有歷史運(yùn)行數(shù)據(jù)的情況下，通過微尺度氣象模型的風(fēng)廓線結(jié)果，計(jì)算出個(gè)機(jī)位的發(fā)電量，并充分考慮尾流效益，獲得最接近實(shí)際的發(fā)電量預(yù)測結(jié)果。

誤差校正統(tǒng)計(jì)模塊130：采用統(tǒng)計(jì)回歸和人工神經(jīng)網(wǎng)絡(luò)技術(shù)，通過分析計(jì)算預(yù)測結(jié)果與實(shí)際發(fā)電量之間的誤差，建立誤差校正模型，從而獲得更加準(zhǔn)確的預(yù)測結(jié)果。

通過建立適用于風(fēng)場獨(dú)立氣象模型和統(tǒng)計(jì)模型，杜絕通用預(yù)測方法的水土不服。您的電場或在高山之巔、或在濱海淺灘、在戈壁草原，打造適合當(dāng)?shù)貧夂蛱匦院偷匦翁攸c(diǎn)的天氣數(shù)值模擬方案，結(jié)合本地?cái)?shù)據(jù)同化技術(shù)，建立最真實(shí)地描述風(fēng)場周邊天氣形勢的轉(zhuǎn)變的氣象模型，預(yù)報(bào)出最準(zhǔn)確的功率。

可提供72小時(shí)風(fēng)電功率短期預(yù)測和5小時(shí)風(fēng)電功率超短期預(yù)測，時(shí)間分辨率為15分鐘；可提供中期產(chǎn)能預(yù)估提供未來10天風(fēng)電場發(fā)電產(chǎn)能預(yù)估，時(shí)間分辨率為6小時(shí)；以及季度發(fā)電量預(yù)估，時(shí)間分辨率為月。

實(shí)施例2

如圖2、2a、2b、2d、2e所示，微尺度數(shù)值模擬模塊通過多模式預(yù)報(bào)模型對風(fēng)速進(jìn)行預(yù)測。

地形條件和太陽輻射強(qiáng)度是影響風(fēng)速的兩個(gè)重要因素，這就導(dǎo)致不同地形、不同天氣條件、不同季節(jié)以及白天和晚上的風(fēng)速模式是不同的。圖2給出了氣象部門提供的5種典型天氣下風(fēng)速序列，可以看出不同天氣條件下風(fēng)速的模式不同。我們對風(fēng)速湍流強(qiáng)度的日周期以及不同季節(jié)、不同海拔高度下風(fēng)速湍流強(qiáng)度進(jìn)行研究，分別如圖2a、2b、2c所示。

圖2a表明一天內(nèi)白天風(fēng)速湍流強(qiáng)度遠(yuǎn)遠(yuǎn)高于夜晚的湍流強(qiáng)度，說明白天和晚上風(fēng)速的模式不同。同樣的，圖2b和圖2c分別表示不同季節(jié)和不同海拔高度下的風(fēng)速湍流強(qiáng)度不同，從而證明不同季節(jié)及不同地形條件下風(fēng)速的模式不同。由于風(fēng)速多模式的存在，在進(jìn)行預(yù)報(bào)時(shí)，對不同模式下的風(fēng)速應(yīng)該建立不同的預(yù)報(bào)模型，才能獲得精度較高的預(yù)報(bào)結(jié)果。

而我國風(fēng)力發(fā)電場分布廣泛、氣候條件迥異、地形地貌復(fù)雜多變，尤其是我國西部地區(qū)和山區(qū)的天氣復(fù)雜多變，但是目前風(fēng)電場應(yīng)用的風(fēng)電預(yù)報(bào)系統(tǒng)提供的預(yù)報(bào)模型是固定的，也就是說不同模式下的風(fēng)速預(yù)報(bào)結(jié)果都是由同一個(gè)模型預(yù)報(bào)得到的，自然會(huì)導(dǎo)致預(yù)報(bào)的精度不高。

針對風(fēng)速的多模式以及目前預(yù)報(bào)系統(tǒng)存在的缺陷，提出一個(gè)多模式預(yù)報(bào)模型。對于不同地形條件，不同天氣模式、不同季節(jié)、以及白天和晚上分別建立不同的預(yù)報(bào)模型，然后通過一定的融合策略來集成不同模型的預(yù)報(bào)結(jié)果，最終達(dá)到提高預(yù)報(bào)精度的目標(biāo)。例如：對不同天氣模式下的風(fēng)速序列進(jìn)行預(yù)報(bào)時(shí)，我們通過引入GPCA分析技術(shù)，自動(dòng)提取多種風(fēng)速模式，分別建模，并設(shè)計(jì)了多模式集成的風(fēng)速預(yù)報(bào)算法，得到最后的預(yù)報(bào)結(jié)果，如圖2d所示，與其他兩種預(yù)報(bào)模型相比，我們提出的多模式預(yù)報(bào)模型明顯提高了風(fēng)速的預(yù)報(bào)精度。

對于同一風(fēng)電場的多臺(tái)風(fēng)機(jī)的風(fēng)功率進(jìn)行預(yù)報(bào)時(shí)，也可以采用多模式預(yù)報(bào)模型的方法。我們在建立預(yù)報(bào)模型之前，可以先通過聚類分析對風(fēng)機(jī)的風(fēng)速數(shù)據(jù)進(jìn)行分析，從而把風(fēng)機(jī)進(jìn)行分類，風(fēng)速模式相同的風(fēng)機(jī)劃分為同一類，如圖2e所示，同一顏色的表示風(fēng)機(jī)對應(yīng)的風(fēng)速模式是一樣的，不同的顏色說明風(fēng)機(jī)對應(yīng)的風(fēng)速模式不一樣。然后對每一個(gè)風(fēng)速模式建立各自的預(yù)報(bào)模型進(jìn)行預(yù)報(bào)，最后設(shè)計(jì)融合策略，對不同預(yù)報(bào)模型的預(yù)報(bào)結(jié)果進(jìn)行集成，得到最終的全場功率預(yù)報(bào)結(jié)果。

實(shí)施例3

如圖3、3a、3b、3c、3d所示，微尺度數(shù)值模擬模塊通過多尺度預(yù)報(bào)模型對風(fēng)速進(jìn)行預(yù)測。

1)基于統(tǒng)計(jì)預(yù)報(bào)模型的短期風(fēng)速多尺度預(yù)報(bào)模型

影響風(fēng)速的因素(如溫度、氣壓、地表粗糙度、大氣環(huán)流等)眾多，作用機(jī)理復(fù)雜，風(fēng)速信號(hào)表現(xiàn)出很強(qiáng)的多尺度特性，即不同的作用源產(chǎn)生的信號(hào)頻率不同，最終的風(fēng)速序列可以看做多個(gè)信號(hào)耦合在一起的結(jié)果。近年來，國內(nèi)外學(xué)者陸續(xù)開始關(guān)注風(fēng)速的多尺度特性，廣泛使用的思路是：首先將原始風(fēng)速序列分解成不同頻率的子序列，在各個(gè)子序列上建立回歸模型，然后進(jìn)行合成給出最終的預(yù)測效果。然而目前的這些預(yù)報(bào)算法中并沒有考慮到分解后不同尺度上的可預(yù)報(bào)性是不一樣的，直接在不同的尺度上預(yù)測相同長度，然后將各層預(yù)測結(jié)果直接加合，作為最終的預(yù)測結(jié)果進(jìn)行輸出。實(shí)際上各個(gè)尺度的子序列其自身的特性具有很大的差異。尤其對于高頻波動(dòng)分量，其規(guī)律性已經(jīng)較低，將其做與低頻分量同樣長度的多步預(yù)測是不合適的，其加合后反而對預(yù)測效果有所傷害。圖3所示為原始風(fēng)速序列經(jīng)小波分解分解為不同的尺度，對不同尺度上的子序列進(jìn)行自相關(guān)分析的結(jié)果如圖3a所示，可以看出不同低頻分量的規(guī)律性強(qiáng)，而高頻分量的規(guī)律性較低。

考慮到風(fēng)速的多尺度特性，我們提出一種基于頻域多模式的多尺度風(fēng)速預(yù)報(bào)模型，即首先將原始風(fēng)速信號(hào)分解成不同頻率的子序列，分析各子序列的自相關(guān)性，確定各子序列的多步預(yù)測長度，將具有不同預(yù)測長度的各層預(yù)測結(jié)果進(jìn)行最后的合成，給出最終的預(yù)測結(jié)果進(jìn)行輸出。

以圖3、3a分解的結(jié)果為例，取自相關(guān)函數(shù)值的閾值為0.8。通過其可預(yù)報(bào)性的分析發(fā)現(xiàn)，從最低頻子序列到最高頻子序列，自相關(guān)函數(shù)值達(dá)到0.8以上的自相關(guān)長度分別為4小時(shí)、40分鐘、20分鐘和10分鐘。因此在每一頻率分量上建立一個(gè)預(yù)報(bào)模型，各分量多步預(yù)測的長度分別為4小時(shí)、40分鐘、20分鐘和10分鐘。最后對不同尺度的預(yù)報(bào)結(jié)果進(jìn)行合成得到最終的預(yù)報(bào)結(jié)果。圖3b所示為基于頻域多模式的多尺度風(fēng)速預(yù)報(bào)模型的預(yù)報(bào)誤差和其他兩個(gè)預(yù)報(bào)模型預(yù)報(bào)誤差的對比，可以看出基于頻域多模式的多尺度風(fēng)速預(yù)報(bào)模型的預(yù)報(bào)誤差小于其他兩個(gè)模型的結(jié)果。

2)融合數(shù)值天氣預(yù)報(bào)的日前風(fēng)速多尺度預(yù)報(bào)模型

近年來，國內(nèi)外很多學(xué)者開始關(guān)注融合數(shù)值天氣預(yù)報(bào)的日前風(fēng)速預(yù)報(bào)方法，并展開了相關(guān)的研究。Federico使用了NWP與卡爾曼濾波結(jié)合的辦法，對數(shù)值天氣預(yù)報(bào)的預(yù)測結(jié)果進(jìn)行動(dòng)態(tài)修正，指出卡爾曼濾波算法可以減小NWP中的系統(tǒng)誤差。蔡禎祺以歷史NWP預(yù)報(bào)的風(fēng)速及相關(guān)數(shù)據(jù)為輸入，相應(yīng)時(shí)間段實(shí)測數(shù)據(jù)為輸出訓(xùn)練神經(jīng)網(wǎng)絡(luò)，得到修正模型；隨后以預(yù)報(bào)日的NWP數(shù)據(jù)為輸入，得到預(yù)報(bào)日修正的NWP風(fēng)速。然而，目前的研究沒有考慮到數(shù)值天氣預(yù)報(bào)和實(shí)測數(shù)據(jù)這兩種信息的有效性問題，而是用兩種方法來分別預(yù)測相同時(shí)間長度后直接進(jìn)行簡單融合。

事實(shí)上，數(shù)值天氣預(yù)報(bào)及統(tǒng)計(jì)方法的可預(yù)報(bào)時(shí)間存在著很大的差異。實(shí)測風(fēng)速數(shù)據(jù)只含有短周期瞬時(shí)分量,不含有長周期氣象過程分量，所以，利用統(tǒng)計(jì)方法得到的風(fēng)速預(yù)測值在短期可信度高，而預(yù)測時(shí)間增大時(shí)，預(yù)報(bào)的精度會(huì)降低。數(shù)值天氣預(yù)報(bào)(NWP)是根據(jù)當(dāng)?shù)靥鞖馇闆r，在時(shí)均意義下用湍流模型來封閉方程組，并在初始條件和邊界條件下求解大氣基本方程組，預(yù)報(bào)未來時(shí)刻的大氣狀態(tài)，得到風(fēng)速預(yù)測值，所以，NWP系統(tǒng)的輸出結(jié)果為每一個(gè)計(jì)算網(wǎng)格的空間和時(shí)間平均值，而不模擬湍流的瞬態(tài)過程。因此NWP的計(jì)算原理決定了NWP的預(yù)報(bào)能力，其只含有長周期氣象過程分量，而不含有短周期湍流分量，計(jì)算結(jié)果輸出步長為1h，瞬時(shí)預(yù)報(bào)的效果不理想。從圖3c中可以看出，當(dāng)預(yù)測步長超過一定的尺度后，NWP預(yù)報(bào)結(jié)果的誤差要遠(yuǎn)遠(yuǎn)小于SVM(統(tǒng)計(jì)方法)的預(yù)報(bào)結(jié)果。所以用兩種方法來分別預(yù)測相同時(shí)間長度后直接進(jìn)行簡單融合不但達(dá)不到提高預(yù)報(bào)精度的目的，其加合后反而對預(yù)測效果有所傷害。

為了減小直接數(shù)值天氣預(yù)報(bào)融合的預(yù)測誤差，提高風(fēng)電功率的預(yù)測精度，提出了一種融合數(shù)值天氣預(yù)報(bào)(NWP)的日前風(fēng)速多尺度預(yù)報(bào)方法。在一定的尺度內(nèi)，風(fēng)速預(yù)報(bào)的結(jié)果從NWP和統(tǒng)計(jì)方法獲得有效信息，而超出統(tǒng)計(jì)預(yù)報(bào)方法的預(yù)報(bào)尺度后，風(fēng)速預(yù)報(bào)的結(jié)果主要依賴數(shù)值天氣預(yù)報(bào)。該融合預(yù)報(bào)模型的數(shù)學(xué)表達(dá)式如下：

v＝w₁v₁+w₂v₂

式中v是最終的日前風(fēng)速預(yù)報(bào)結(jié)果，v₁、v₂分別為統(tǒng)計(jì)預(yù)報(bào)模型及數(shù)值天氣預(yù)報(bào)模型的風(fēng)速預(yù)報(bào)結(jié)果；w₁、w₂為融合加權(quán)時(shí)v₁、v₂對應(yīng)的權(quán)值。該模型的實(shí)質(zhì)是在不同的預(yù)報(bào)尺度內(nèi)，分析數(shù)值天氣預(yù)報(bào)模型和統(tǒng)計(jì)預(yù)報(bào)模型預(yù)報(bào)結(jié)果的信息有效性，給預(yù)報(bào)精度較高的模型分配較重的權(quán)重，而預(yù)報(bào)精度較低的模型分配較低的權(quán)重，最后的預(yù)報(bào)結(jié)果又各模型的預(yù)報(bào)結(jié)果通過權(quán)值融合得到，從而提高預(yù)報(bào)的精度。

以圖3、3a所用的風(fēng)速數(shù)據(jù)為例。通過前面的自相關(guān)分析可以知道利用歷史數(shù)據(jù)通過統(tǒng)計(jì)模型進(jìn)行預(yù)報(bào)時(shí)最長的可預(yù)報(bào)時(shí)間為4小時(shí)，意味著利用統(tǒng)計(jì)模型進(jìn)行預(yù)報(bào)時(shí)，預(yù)報(bào)尺度在4小時(shí)內(nèi)，預(yù)報(bào)結(jié)果精度高，而預(yù)報(bào)尺度在4小時(shí)以外的預(yù)報(bào)精度開始較低。通過圖3c也可以看出，預(yù)報(bào)尺度在4小時(shí)內(nèi)SVM的預(yù)報(bào)結(jié)果和數(shù)值天氣預(yù)報(bào)模型預(yù)報(bào)結(jié)果的預(yù)報(bào)誤差相差較小，而預(yù)報(bào)尺度超過4小時(shí)后，SVM的預(yù)報(bào)誤差遠(yuǎn)大于數(shù)值天氣預(yù)報(bào)模型的預(yù)報(bào)誤差。因此在進(jìn)行融合時(shí)，預(yù)報(bào)尺度在4小時(shí)內(nèi)，給統(tǒng)計(jì)預(yù)報(bào)模型和數(shù)值天氣預(yù)報(bào)模型分配不同的權(quán)重，然后融合得到4小時(shí)內(nèi)的預(yù)報(bào)結(jié)果，而預(yù)報(bào)尺度在4—24小時(shí)內(nèi)時(shí)，預(yù)報(bào)結(jié)果僅僅由數(shù)值天氣預(yù)報(bào)模型得到。

圖3d所示為我們提出的融合數(shù)值天氣預(yù)報(bào)的多尺度預(yù)報(bào)模型預(yù)報(bào)結(jié)果的誤差和統(tǒng)計(jì)預(yù)報(bào)模型誤差的對比，可以看出融合數(shù)值天氣預(yù)報(bào)的多尺度預(yù)報(bào)模型預(yù)報(bào)結(jié)果的精度較高。

為了更好地理解本發(fā)明，以上結(jié)合本發(fā)明的具體實(shí)施例做了詳細(xì)描述，但并非是對本發(fā)明的限制。凡是依據(jù)本發(fā)明的技術(shù)實(shí)質(zhì)對以上實(shí)施例所做的任何簡單修改，均仍屬于本發(fā)明技術(shù)方案的范圍。本說明書中每個(gè)實(shí)施例重點(diǎn)說明的都是與其它實(shí)施例的不同之處，各個(gè)實(shí)施例之間相同或相似的部分相互參見即可。對于系統(tǒng)實(shí)施例而言，由于其與方法實(shí)施例基本對應(yīng)，所以描述的比較簡單，相關(guān)之處參見方法實(shí)施例的部分說明即可。

可能以許多方式來實(shí)現(xiàn)本發(fā)明的方法、裝置和系統(tǒng)。例如，可通過軟件、硬件、固件或者軟件、硬件、固件的任何組合來實(shí)現(xiàn)本發(fā)明的方法和系統(tǒng)。用于所述方法的步驟的上述順序僅是為了進(jìn)行說明，本發(fā)明的方法的步驟不限于以上具體描述的順序，除非以其它方式特別說明。此外，在一些實(shí)施例中，還可將本發(fā)明實(shí)施為記錄在記錄介質(zhì)中的程序，這些程序包括用于實(shí)現(xiàn)根據(jù)本發(fā)明的方法的機(jī)器可讀指令。因而，本發(fā)明還覆蓋存儲(chǔ)用于執(zhí)行根據(jù)本發(fā)明的方法的程序的記錄介質(zhì)。

本發(fā)明的描述是為了示例和描述起見而給出的，而并不是無遺漏的或者將本發(fā)明限于所公開的形式。很多修改和變化對于本領(lǐng)域的普通技術(shù)人員而言是顯然的。選擇和描述實(shí)施例是為了更好說明本發(fā)明的原理和實(shí)際應(yīng)用，并且使本領(lǐng)域的普通技術(shù)人員能夠理解本發(fā)明從而設(shè)計(jì)適于特定用途的帶有各種修改的各種實(shí)施例。