r>[0068] 步骤bl，NWP降尺度得到第一气象要素猜测值，得到新定义网格上的气象数据；
[0069] 步骤b2,将第一气象要素猜测值载入同化模块202;
[0070] 步骤b3,根据观测资料新定义网格处的气象信息确定格点处的水平/垂直差值权 重，所述气象信息包括气压、溫度、湿度等；
[0071] 步骤b4,将背景场协方差矩阵和观测数据矩阵R载入同化模块202;
[0072] 步骤b5,将气象第一猜测值WArakawa C网格做错位格点插值处理。
[0073] C.通过最小代价方法多时次迭代求解分析变量：
[0074] 步骤Cl，确定分析时次的起止时间；
[0075] 步骤c2，更新侧边界和更新下边界；
[0076] 步骤c3,利用3Dvar做极小化代价函数运算，其中包括计算下降方向，计算步长，计 算目标函数W及梯度，其代价函数为：
[007引代价函数的Jb和Jd表示了背景场和观测场的拟合程度。因此可对X求导，VJ梯度范 数最小化过程中，设定迭代次数，把VJ限定到一定范围，来求得分析值比初始值更贴近的 最优值程度。即
[00 巧]▽ J = ▽ Jb+V Jo =扩1 (X-Xb) +HTr-1 化（X) -y)
[0080] X是分析变量，Xb背景场值，y为观测值，B为背景误差协方差矩阵，H是向前观测算 子，R为观测误差协方差矩阵。展开代价方程J (X )，得到
[0082] 验证:若观测误差R?Btk，即观测误差相当小，可简化为和*斯，说明最终值无限趋 近与观测值yo,若R〉〉Btk，可简化为杯《若，说明观测偏差太大，取值无限接近于第一预测 值。运里重要参量B是由，U(水平风速），Z垂向风速），T(溫度），q(相对湿度)和P(气压），组成 的协方差矩阵。其表达式为：
[0083] 巧("1-W] ￡[化-巧片-z)(zi-钟巧巧-了')巧-別巧站-g)(g,-(i0] 巧扣:-u)(z,:-!〇]巧化-内响-P)]巧(Z;-Z)(Z2-三：》]巧巧-r)(r2-r)]巧(&-的化-训 6 =巧("3-")(";-?')]巧0、-口)(化-的]巧^-^)〇,-2)]邱7；-厂)巧-：〇]巧((7,-9)咕-如] 巧咕-")(",-")]巧化-口)化-如]啡可-幻〇4-:；|]巧(7；-；〇(7；-巧]巧(&-9)(&-34 巧(《5-")("5-叫 A'lXft-，'KA-W]巧(Z5-Z)(Z5-Z：)]邱?5-?')U;-?')] &'帖-
[0084] 步骤c4，完成极小化计算，得到分析变量X;
[00化]步骤c5,迭代下一时次，循环Cl-c4步骤，直至所有嵌套区域的背景场更新完毕，迭 代时次为3小时或6小时，每时次的迭代次数为30-200次。
[00化]D.数据校正和输出：
[0087] 步骤dl，载入历史测风数据；
[0088] 步骤d2,通过与历史测风数据比对，对预测数据做神经网络训练和校正；
[0089] 步骤d3,输出风速预测数据。
[0090] 该基于同化技术与同风带理论的风电功率预测系统包括:区域化建模子系统100、 数据同化子系统200、分析变量迭代子系统300和数据校正输出子系统400;
[0091] 所述区域化建模子系统100包括全球尺度背景场数据载入模块101、实发数据筛选 模块102、初始化模块103、ArcGIS建模模块104和TIN地形模块105,所述全球尺度背景场数 据载入模块101录入的数据通过与实发数据筛选模块102内的数据比对后载入到初始化模 块103中，经过ArCGIS建模模块104建模、录入电厂的风机坐标并重新定义网格间距，将TIN 地形模块105载入到初始化模块103中，录入地形数据；
[0092] 所述数据同化子系统200包括NWP降尺度模块201、同化模块202、水平垂直差值权 重载入模块203、背景场协方差矩阵和观测数据载入模块204和Arakawa C网格错位格点插 值模块205,所述NWP降尺度模块201得到第一气象要素猜测值，该第一气象要素猜测值载入 到同化模块202中，进而水平垂直差值权重载入模块203、背景场协方差矩阵和观测数据载 入模块204和Arakawa C网格错位格点插值模块205处理同化模块202中的气象数据；
[0093] 所述分析变量迭代子系统300包括分析时次时间确认模块301、侧边界、下边界更 新模块302、最小代价方程运算模块303和分析变量确认模块304，通过每个迭代时次内的数 据筛选、校正，求解出分析变量；
[0094] 所述数据校正输出子系统400包括历史数据载入模块401、神经网络校订模块402 和风速预测输出模块403,经过历史数据载入模块401的校正最终输出风速预测数据。
[00M] W上所述仅为本发明的较佳实施例而已，并不用W限制本发明，凡在本发明的精 神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
【主权项】
1. 基于同化技术与同风带理论的风电功率预测方法，其特征在于，包括如下步骤： 步骤A:利用同风带理论重新筛选和定义更加准确的背景网格，增加 TIN地形模块并利 用ArcGIS3建模，得到背景场协方差矩阵BW及观测数据矩阵R; 步骤B:根据NWP理论将背景场协方差矩阵BW及观测数据矩阵R录入同化模块； 步骤C:通过最小代价方法多时次迭代求解分析变量； 步骤D:通过历史测风数据校正并输出风速预测数据。2. 根据权利要求1所述的基于同化技术与同风带理论的风电功率预测方法，其特征在 于，所述步骤A具体包括如下步骤： 步骤al，全球尺度背景场Gi^数据载入； 步骤a2，载入实发数据，通过该实发数据对上述Gi^数据进行校正筛选； 步骤a3，将上述经过校正筛选的数据载入初始化模块； 步骤曰4,通过ArcGIS3为电厂建模，录入电厂的风机的坐标数据，重新定义网格间距为 2-20公里； 步骤a5,将TIN地形模块载入初始化模块，得到背景场协方差矩阵BW及观测数据矩阵 R。3. 根据权利要求2所述的基于同化技术与同风带理论的风电功率预测方法，其特征在 于，所述步骤A还包括如下步骤： 步骤曰6,根据电厂的数量将al-a5步骤循环筛选2-5次。4. 根据权利要求1所述的基于同化技术与同风带理论的风电功率预测方法，其特征在 于，所述步骤B具体包括如下步骤： 步骤bl，NWP降尺度得到第一气象要素猜测值； 步骤b2，将第一气象要素猜测值载入同化模块； 步骤b3,根据观测资料新定义网格处的气象信息确定格点处的水平/垂直差值权重； 步骤b4，将背景场协方差矩阵和观测数据矩阵R载入同化模块； 步骤b5,将气象第一猜测值WArakawa C网格做错位格点插值处理。5. 根据权利要求1所述的基于同化技术与同风带理论的风电功率预测方法，其特征在 于，所述步骤C具体包括如下步骤： 步骤C1，确定分析时次的起止时间； 步骤c2，更新侧边界和更新下边界； 步骤c3，利用3Dvar做极小化代价函数运算； 步骤c4，完成极小化计算，得到分析变量X。6. 根据权利要求5所述的基于同化技术与同风带理论的风电功率预测方法，其特征在 于，所述步骤c3中的代价函数为：7. 根据权利要求5所述的基于同化技术与同风带理论的风电功率预测方法，其特征在 于，所述步骤C具体还包括如下步骤： 步骤c5,迭代下一时次，循环cl-c4步骤，直至所有嵌套区域的背景场更新完毕。8. 根据权利要求7所述的基于同化技术与同风带理论的风电功率预测方法，其特征在 于，所述迭代时次为3小时或6小时，每时次的迭代次数为30-200次。9. 根据权利要求1所述的基于同化技术与同风带理论的风电功率预测方法，其特征在 于，所述步骤D具体包括如下步骤： 步骤dl，载入历史测风数据； 步骤d2,通过与历史测风数据比对，对预测数据做神经网络训练和校正； 步骤d3,输出风速预测数据。10. 基于同化技术与同风带理论的风电功率预测系统，其特征在于，包括：区域化建模 子系统、数据同化子系统、分析变量迭代子系统和数据校正输出子系统； 所述区域化建模子系统包括全球尺度背景场数据载入模块、实发数据筛选模块、初始 化模块、ArcGIS建模模块和TIN地形模块，所述全球尺度背景场数据用于载入模块录入的数 据通过与实发数据筛选模块内的数据比对后载入到初始化模块中，所述ArcGIS建模模块用 于建模、录入电厂的风机坐标并重新定义网格间距，所述TIN地形模块用于将地形数据载入 到初始化模块中； 所述数据同化子系统包括NWP降尺度模块、同化模块、水平垂直差值权重载入模块、背 景场协方差矩阵和观测数据载入模块和Arakawa C网格错位格点插值模块，所述NWP降尺度 模块用于计算得到第一气象要素猜测值，并将该第一气象要素猜测值载入到同化模块中， 水平垂直差值权重载入模块、背景场协方差矩阵和观测数据载入模块和Arakawa C网格错 位格点插值模块用于处理同化模块中的气象数据； 所述分析变量迭代子系统包括分析时次时间确认模块、侧边界、下边界更新模块、最小 代价方程运算模块和分析变量确认模块，所述分析时次时间确认模块用于确定分析时次的 起止时间，所述侧边界、下边界更新模块用于更新侧边界和更新下边界，最小代价方程运算 模块和分析变量确认模块用于利用3Dvar做极小化代价函数运算完成极小化计算，得到分 析变量； 所述数据校正输出子系统包括历史数据载入模块、神经网络校订模块和风速预测输出 模块，所述历史数据载入模块用于载入历史测风数据，所述神经网络校订模块用于将分析 变量和历史测风数据比对，所述风速预测输出模块用于输出风速预测数据。
【专利摘要】本发明提供了基于同化技术与同风带理论的风电功率预测方法，包括如下步骤：利用同风带理论重新筛选和定义更加准确的背景网格，增加TIN地形模块并利用ArcGIS3建模，得到背景场协方差矩阵B以及观测数据矩阵R；根据NWP理论将背景场协方差矩阵B以及观测数据矩阵R录入同化模块；通过最小代价方法多时次迭代求解分析变量；通过历史测风数据校正并输出风速预测数据。本发明所述的建模方法和系统利用同风带理论划分目标风电场同风带范围，同化测风数据，既保证了子区域中资料的多点区域同化，又提升了技术效率，对NWP预报的精度提高，更能反应风速的波动性、随机性和间歇性的特点，保证电网稳定经济运行。
【IPC分类】H02J3/00, G06Q10/04, G06Q50/06
【公开号】CN105576650
【申请号】CN201511018497
【发明人】张亦澄
【申请人】北京国能日新系统控制技术有限公司
【公开日】2016年5月11日
【申请日】2015年12月29日