用于执行风力预测的系统和方法与流程

政府利益声明

本发明是在由美国国家科学基金会(nsf)授权的授权号为ags-1026636的政府支持下做出的。政府对本发明拥有一定的权利。

相关申请的交叉引用

本申请根据35u.s.c.§119(e)要求2015年3月27日提交的美国临时专利申请no.62/139,083的优先权的权益，该申请通过引用的方式全文并入本文。

本发明总体上涉及天气预报和能源供应管理预测领域。更具体地，本发明提供了用于执行风力预测的系统和方法，该系统和方法可更加容易且更加准确地产生短期风力预测，这样的短期风力预测可以被用来促进能源供应管理及其它商业应用。

背景技术：

目前，对于天气建模(尤其是风力建模)方面已存在各种系统和方法。这样的风力建模可以出于不同的目的而用于各种应用中。一种示例性的应用是在能源市场背景下的用途，该用途涉及为了预测能量供应、管理能量需求以及在其它情况下执行电网管理而预测包括风力在内的各种天气状况。风能正在成为一种资源丰富、财务上有竞争力并且越来越多地被采用的清洁可再生能源。风力在美国是快速增长的一次能源生产来源，部分原因在于，与化石能源电厂或核电厂产生的电力相比，即使没有补贴，风力发电在成本方面也有竞争力。

风的动能可以由涡轮机利用，以产生可容易地转换成电力的旋转机械能。然而，风速随着时间上升和下降，这意味着风电场无法一直产生稳定的电力。这造成了输出风电的不确定性，这种不确定性可能会对能源市场以及电网的操作有显著的影响。因此，预测所产生的风电，以及界定与每次预测相关的不确定性，已经成了风电场管理的内在挑战。准确的预测及不确定性估计对于使电力供给和需求保持于适当且有利的平衡状态以及减少成本高昂的备用发电是关键的，这种备用发电始终运行以补偿可再生发电的未预料到的潜在下降(如果实际的风能生产没有下降到预测值以下，则这种备用的常规发电会被完全浪费，而如果实际的风力产出超过了预测值，则这部分额外产生的电力同样会被浪费，因为此时在能源市场上销售该电力已经太迟)。如果未来风力在全球电力生产中贡献大的份额，则如果风力没有被很好地预测，那么与其时间波动性(variability)相关的成本以及该波动性对电力供应的可靠性的影响将会显著上升。

最好使用大气的中尺度模型(数值天气预报模型)来完成中期(约1天前)和长期(约2周前)预测以及风电场选址。但是，这些模型存在内在缺点，这些内在缺点限制了其在短期(例如，提前12小时或更短)预测方面的准确度。因此，需要30-90分钟来逐步提升的备用发电能力应当保持为待机状态，以快速补偿实际的风能生产相对于小时前预测(forecastsinthehour-ahead)的偏离。因而，操作人员需要可靠的短期(例如，2小时前或更短)预测来及时逐步提升发电，否则风能生产的下降可能无法被补偿；需求会超过供给；并且可能会发生限电或停电。如果这样的准确的短期预测不可用，则作为安全措施，备用发电必须保持运行。随着风电穿透率增加，这些波动性和不确定性的影响将会增大，以致最终限制电力系统的整体性能和/或使备用系统保持以高于所需的比率运行因而提高电力成本。因此，准确的短期预测对于整个电力系统的效率正变得越来越重要。

尽管存在这一关键作用，但是对短期风力波动性的预测以及该波动性对风电接入(windintegration)的影响二者仍继续依赖于高度简化的模型，因而这个领域是成熟的，亟待创新性的想法。广泛使用的短期预测方法仍然是传统的所谓“朴素预测器(naivepredictor)”或“持续模型(persistencemodel)”，该方法假定在接下来几个小时内的风速将等于在过去一个小时观察到的风速。这提供了不准确的预测，因为风速会迅速变化。无法通过这种方法来捕捉风速的突然下降(称为斜坡(ramp))，因而可能会损害供电可靠性。其它短期预测模型自称相对于持续模型提高了至少10％，并且它们通常不提供关于预测的风向的信息。该短期预测误差不仅影响生产的电力的成本和可靠性，而且对最大可实现的风电穿透率具有显著影响，其中，在最大可实现的风电穿透率以上，供电的可靠性受到损害。当前对这一最大可实现穿透率的估计依靠简单的方法；但是，随着风电穿透率增加，将现实世界的预测(以及由例如使用持续模型所引起的预测误差)用于准确的电网模型中，使电网操作人员将面对的问题突出。如果没有更好的预测可用，则30％的风能的目标将会需要对化石能源备用发电的巨大的投资。因而，短期预测(例如，小时前预测)误差比较长期的预测误差更关键，因为它们会指导燃气轮机的规划：燃气轮机可以被启动并在不到1小时内接入到电网，因此如果小时前预测(假设)没有误差，则需要很少的备用发电。另一方面，对于小时前预测的误差，一些燃气轮机或其它电源需要保持运行以允许快速的实时调整。

因此，在能源背景下，风力预测在风力发电预测的背景下是相关的，以估计风电场内的风力发电设备的电能产生。风电输出随风速的上升和下降而变化。因此，预测风力波动性和不确定性是管理电力系统以使电力供给和需求保持于适当且有利的平衡状态下的关键部分。这样的信息可以被用来管理能源供应，使得例如可以通过燃烧化石燃料的发电设备(或以其它方式提供动力的发电设备)补偿预期的风力发电量的不足，或者相反地，可以响应于预期的风力发电增加而使燃烧化石燃料的发电设备/其它发电设备离线。

特别是在能源行业中，常规的风力预测主要依靠可提供对于随后24小时或更多的时段内的有用的日前预测的模型。更具体地，在风力发电的背景下，风电场操作人员通常会从美国国家气象局或者其它使用计算机模型的来源获得24小时预测。但是，这些预测往往具有误差，这些误差会降低风电场的效率，因为它们要么低估要么高估产生的电力，这对于短期发电规划而言尤其是问题。如本文所使用的，术语“短期”指的是随后的小于24小时的时间，更具体地，在接下来的12、11、10、9、8、7、6、5、4、3、2或1小时的随后的时段内。短期预测中的这种不准确性往往会导致电力浪费或电力短缺，如同下文所讨论的。

为了缓解这一问题，一些风电场操作人员使用对于接下来的2小时的较准确的短期预测来规划他们的短期操作。这些模型通常是统计模型或者统计模型与数值天气预报数据的混合。但是，这些短期预测仍然具有很大的误差，并且由于这些数据驱动型方法中的大部分没有任何物理锚点，这些短期预测最多很一般地优于朴素持续模型(提高大约5-20％)。这限制了此类风力预测在能源行业以及其它背景下的可用性。

需要用于执行更准确的风力预测的系统和方法，尤其是用于执行对于短期未来时间段的高准确度的风力预测的系统和方法。

技术实现要素：

本发明提供了用于执行对短期未来时间段的更高准确度的风力预测的系统和方法，其有利于任何需要短期风力预测(例如，在接下来的1-6小时内)的应用，诸如在能源供应管理的背景下。所公开的方法有利于需要准确的短期风力预测的任何应用。

该方法提供了以历史数据驱动而又基于物理的方法。它基于从缓慢变化的大规模大气压力梯度的最近的风速数据到未来的外推(而不是风速的直接外推，这在当前是短期预测模型的标准)，然后根据该外推的压力梯度来确定未来风速。这种方法的优点在于它提供了特别准确的短期风力预测，部分原因是风速随时间的变化大，而大规模的大气压力随时间变化较慢。通过考虑最近的趋势，大规模大气压力可以被外推到未来时间段以提供对未来时间段的准确的大规模大气压力预测。使用该模型，可以相对于其它风力预测方法更加准确地确定未来时间段的相应的风速预测，特别是对于短期未来时间段的预测。

主要的应用在于风能。所公开的方法锚定于大气边界层(abl)内的风力波动性的鲁棒物理模型。通过引入基于大气的非定常动力学的物理框架并且以之前在同一位置(或者多个附近位置)的观测来驱动该物理框架，所公开的方法标记出当前实践的偏离并且为短期预测提供改进的方法。

根据一个方面，本发明提供用于使用计算机实现的风力预测系统来执行风力预测的计算机实现的方法，该风力预测系统包括微处理器、在与微处理器可操作地耦接的存储器、以及用于使风力预测系统执行该风力预测方法的微处理器可执行的指令。在一种示例性的实施例中，该方法包括：在风力预测系统处存储地球大气中的时变风流量的物理模型，该模型将大气压力与随着时间的风速进行关联；在风力预测系统处接收反映出前一时间段内特定地理区域的风速随时间的变化的数据，该前一时间段在基准时间之前；在风力预测系统处执行该模型的逆应用以在风力预测系统处根据该地理区域的风速随时间的变化来确定可反映出在前一时间段内该地理区域的大规模大气压力随时间的变化的趋势；在风力预测系统处将该趋势外推以确定在未来时间段(例如，短期时段)内该地理区域的预测的大规模大气压力，该未来时间段继基准时间之后；以及在风力预测系统处执行模型的正向应用以在风力预测系统处根据所预测的未来时间段内的大规模大气压力来确定在未来时间段内该地理区域的预测的风速。

附图说明

通过参考附图有助于理解以下描述，在附图中：

图1是示出包括根据本发明的一种示例性实施例的风力预测系统的示例性的网络化计算环境的示图；

图2是示出包括根据本发明的一种示例性实施例的风力预测系统的示例性发电系统的示意图；

图3是示出根据本发明的一种示例性实施例的用于执行风力预测的示例性方法的流程图；

图4a和4b是示出两个不同时间段的实际观测风速与常规的现有技术持续模型的风速预测对比与本发明的预测方法的相应对比的比较的曲线图；

图5示出了用于示出使用本发明的方法和持续模型进行的风速预测的准确度的比较的图表，如绝对误差的概率密度函数所例示的；以及

图6是示出根据本发明的一种示例性实施例的示例性风力预测系统的示意图。

具体实施方式

本发明提供了用于风力发电预测的系统和方法，该系统和方法利用动态风力建模分析来提供可在短期风力预测中提供提高的准确度的风力预测。该方法提供了以历史数据驱动而又基于物理的方法。它基于从缓慢变化的大规模大气压力梯度的近期风速数据到未来的外推(而非风速的直接外推，这在当前是包括持续模型在内的其它可用模型的标准)，然后根据该外推的压力梯度来确定未来的风速。本发明可以显著降低短期风力预测的误差。这会引起常规的短期风力预测的显著改进。与常规的预测相比，该模型更容易推广并且比统计方法更准确，并且比完全3d数字天气预报模型更快速，与现有的统计以及动态方法相比短期预测误差显著减小。

该模型锚定于大气边界层(abl)内的风力波动性的鲁棒物理模型。当前的短期预测方法是统计或数据驱动的，只有很少的物理基础。通过引入基于大气的非定常动力学的物理框架并且以同一地理位置的先前观测来驱动该物理框架，本发明的模型没有遵循现有的做法，而是提供了一种新型的短期预测方法。

为了说明的目的，本发明的示例性实施例在下文参考图1-6来讨论。图1是示出包括根据本发明的一种示例性实施例的风力预测系统(wfs)200的示例性网络化计算环境10的示意图。在本示例性实施例中，wfs200经由通信网络40(诸如因特网和/或虚拟专用网络(vpn)连接)可操作地连接至其它计算系统。用于经由通信网络来实现数据通信的硬件和软件在本技术领域中是众所周知的且超出了本发明的范围，因而在本文中不进行详细讨论。

此外，计算环境10还包括可经由网络40可操作地连接用于通信的天气数据源50。因此，在本实施例中，wfs200能够经由通信网络40从天气数据源50接收天气数据。但是，在可替代实施例中，可以通过其它方法将天气数据传送到wfs200，例如，通过将天气数据存储于有形的计算机可读介质上并且将这样的介质物理运送到wfs200，在wfs200中可以读取介质使得可以从其中检索出天气数据。天气数据源可以是任何专有的或常规的市场上可获得的数据源。举例来说，来自国家天气系统的风力数据、卫星数据、航空公司报告、风电场运营商的数据或者公共数据(诸如来自美国国家海洋和大气管理局的浮标数据)可以用作天气数据源。可以由天气数据源提供任何合适的天气数据信息。特别地，根据本发明，天气数据源存储包括一个或多个特定的地理区域的时间相关的风速数据在内的天气数据，并将其发送到wfs200。这样的风速数据可以包括例如反映在前一时间段内特定地理区域的风速随时间的变化的数据，例如，时间相关的水平风速矢量(例如，风速和方向)。例如，风速数据可以包括在之前的数天、数星期或数月内风速和方向的一个或多个时间序列(每1到10分钟采集一次)。

尽管用于本文所描述的风力预测技术的系统具有许多应用，例如，用于机场周围的风速预测或者用于面向消费者的电气产品，特别感兴趣的是将本文所描述的风力预测技术用于电力领域。新型风力预测技术的使用可以改进风电场的操作效率、电力市场清算、经济负荷调度计划、发电和负载递增/递减的决定以及风能的监管框架，因此降低风能生产的成本。由于该原因，其对于处理风力的波动性和不确定性的能力可能具有变革性的影响。其并入能源市场模型将会为优化电网接入开辟新的可能性。更具体地，这种新型风力预测会显著减小短期预测的误差，因此将会降低与备用发电(当实际风力小于预测风力时)及未使用的产生的风电(当实际风力大于预测风力时)相关的财务开支。这在整体上将会为风电运营商和电网节省大量经费，并且使风电场的容量系数增大。

人们相信，20％的风电穿透率需要超过3％的纯作为储备而操作的发电能力。换言之，高的风电穿透率将需要约为风力所产生的电力的15％的备用发电(并且如果穿透率高于20％，则该比例还会增加)。如果能够完全消除预测的不确定性，则估计这种所需的备用发电可从所产生的风能的20％下降到3％。替代地，如果存储技术得到发展，可以使用对于昂贵的存储的巨大投资，但是如果可以消除短期预测的不确定性，则这种存储需求也将大幅消失。

图2是示出具有用于产生供应给电网的电力的发电系统300的性质的可替代网络化计算环境的示意图。为了图示的简明起见，图2示出了由风力源驱动的主发电设备320。该主发电设备320可以是包括陆上和海上风电场在内的常规风力发电场(甚至小至单个涡轮机)的发电设备，或者甚至是在一个区域内相互连接并且共同操作或管理以向互联电网供应能量的多个风电场和风能发电设备(windenergyproducingdevice)，只要使用短期预测来优化风力发电设备的操作。这样的设备在本技术领域中是众所周知的并且超出了本发明的范围，因而在本文中不进行更详细的讨论。主发电设备可以以物理方式布置于特定的地理区域内，例如，在特定的城镇、乡村等之内，或者可以是覆盖着互联电网的大的、界线不太明确的地区的部分，如美国东部。

此外，图2示出了由除风力以外的能源提供动力的次发电设备340。这个次发电设备340可以是常规的化石燃料发电设备、核电设备、水电设备或者其它发电设施，其产出可以逐步升高或降低以补偿所产生的风能的波动，因此其与风能发电涡轮机或风电场一起受到联合控制。这样的设备在本技术领域中是众所周知的并且超出了本发明的范围，因而在本文中不进行更详细的讨论。

如同在发电领域中众所周知的，通过控制系统360来调节和/或控制这样的发电系统的操作和电力输出，以生产所需的量的电力来满足电网/其它电力需求。常规的控制系统在本技术领域中是众所周知的且超出了本发明的范围，因而在本文中不进行更详细的讨论。

根据本发明，发电系统300还包括风力预测系统200，为了图示清晰，该风力预测系统200示于图2的示例性系统中，作为与控制系统360分离且不同的系统。如同本文所描述的，风力预测系统200执行并通报风力预测，包括在短期内特别准确的风速预测。根据本发明的该示例性实施例，这些预测被提供给控制系统360。控制系统360使用这样的预测按照另一种常规方式来控制主发电系统和次发电系统320、340的操作。在其它实施例中，wfs200的基本功能可以被并入控制系统360之内，以提供一种新型的控制系统360。在任一种情况下，控制系统360接收感兴趣的地理区域(例如，对应于单一涡轮机、单一风电场、多个风电场、机场等的地理位置)在未来时间段内的预测风速，该控制系统响应式地将控制信号发送给次发电设备，以根据主发电设备的预期输出对次发电设备的电力生产进行节流(通过酌情增加或减少)，该预期输出随着预测风速而变化。这种发送的控制信号不一定要是全自动的或电子信号，而是可以包括人工产生的消息，如果控制系统被建造成例如包括对操作的一定程度的人工控制。

现在参考图3，该图示出了说明根据本发明的一种示例性实施例的用于执行风力预测的一种示例性方法的流程图400。在本示例性实施例中，通过wfs200来执行风力预测，该wfs200包括处理器、可操作地连接至处理器以用于存储指令的存储器、以及存储于存储器内的用于使系统执行风力预测方法的指令，这将在下文参考图6更详细地讨论。

在本发明的可替代实施例中，该示例性方法的所有部分都可以通过wfs200结合网络连接的器件(诸如天气显示器件30a或智能电话30b)、外部系统100和/或控制系统360来执行，或者通过天气显示器件30a,30b、外部系统100或控制系统360来执行，这些中的每个都可以包括下文参考图6中的wfs200所讨论的类型的硬件和软件。

再次参考图3，该方法从将地球大气的时变风流的模型存储于例如wfs200的存储器内开始，如图3的步骤402所示。该模型将大气压力与地理区域的随着时间的风速进行关联。大规模大气压力可以表示为等同的地转风。任意合适的模型可以用于这一用途。

作为非限制性的示例，该模型可以是将大气压力梯度、科里奥利力(科里奥利频率)以及由特定地理区域的地球大气内的湍流气流混合引起的湍流应力之间的失衡与该地理区域的纬向和经向水平风速随时间的变化进行关联的数学模型。因此，该模型可以将大规模大气压力与特定地理区域的时间相关的水平风速或风速矢量进行关联。

作为另一个非限制性示例，在一种实施例中，该数学模型包括非定常大气(埃克曼(ekman)或其它)边界层的方程，该方程将纬向和经向风速随时间的变化与气压梯度力、科里奥利力及摩擦力(主要由导致湍流应力的湍流涡流混合引起)之间的失衡进行关联。在这样的数学模型的一个说明性的且非限制性的示例中，该数学模型包括以下表达式：

其中

a是表示为复变量的时间相关的水平风速矢量(a＝u+iv，其中u和v分别是纬向和经向水平风速分量)，并且ag是反映大规模大气压力的地转值；fc是科里奥利力参数；以及α是对于由湍流涡流粘度引起的湍流涡流混合的量化，这在本技术领域中是众所周知的并且超出了本发明的范围。举例来说，α可以被确定如下：

其中

z是获取风速矢量的地面上方的海拔，u是纬向风速并且v是经向风速(两者均为关于海拔z和时间t的函数)，并且vt是湍流涡流粘度，这在本领域中是众所周知的。

举例来说，在最低约150米的大气内，α还可以被估计如下：

其中

z是获取风速矢量的地面上方的海拔，z0是下方地球表面的粗糙长度，并且vt是湍流涡流粘度，这在本领域中是众所周知的。作为可替代示例，还可以根据先前在感兴趣的地理区域/位置处的气象观测来确定α。

举例来说，用于风能应用的风速可以从风速计获得，其中风速计测量在感兴趣的特定地理位置的风力涡轮机轮毂高度(例如，地面上方大约10-200m)处的或者甚至在可以随后外推到轮毂高度的较低高度处的风速及其方向。

以此方式，风力预测基于用于描述地球表面附近的非定常风力动态(大规模大气压力场)的新型方法，该风力动态涉及较低的大气内的高度湍流的气流的动态。以上所述的示例性数学模型提供了风速动态的阻尼振荡器模型。

然后，该方法包括在例如wfs200处接收反映特定地理区域的风速的数据，如图3的步骤404所示。

因此，所接收的数据可以反映时间相关的水平风速矢量。这些数据被观测到并且反映感兴趣的特定地理区域的历史风速测量结果；它们可以包括来自感兴趣的领域的单个观测站或遥感器件或者观测站或遥感器件网络的数据集。因此，数据是针对前一时间段内的一个或多个特定地理区域的，该前一时间段在基准时间之前，该基准时间可以是当前时间或者最近的(优选为尽可能近的)基准时间。该前一时间段可以是短期时间段或者较长的时间段。使用来自短期时间段的数据可能是有利的，尤其是在需要对于未来短期时间段的预测时，因为这样将最相关的数据用于预测用途。

因此，该前一时间段可以是不超过10小时、不超过6小时、不超过5小时、不超过4小时、不超过3小时、不超过2小时、不超过1小时或少于1小时的时间段。作为非限制性的示例，在风力预测系统处接收的数据可以反映地理区域的纬向和经向水平风速随时间的变化。

举例来说，这可能涉及经由通信网络40接收来自天气数据源50的数据，如图1所示。作为另一个示例，这样的数据可以作为任意格式的计算机数据文件或连续数据流接收自风电场操作者、附近的气象站或其它来源。现在参考图6，所接收的数据可以存储于wfs200的存储器218内以进行进一步处理，如同本文所描述的。

再次参考图3，该方法接下来包括在例如风力预测系统处根据模型确定反映在前一时间段内该地理区域的大规模大气压力随时间的变化的趋势，如步骤406所示。因此，对于以上所述的示例性数学模型，这可以包括在例如风力预测系统处执行该模型的逆应用，以根据在前一时间段内该地理区域的风速(例如，纬向和经向水平风速)随时间的变化来确定反映大规模大气压力随时间的变化的趋势。实际上，这包括将风速数据(a)用作模型的输入，并且根据模型来求解方程以确定相同的前一时间段的相应的大规模大气压力(ag)。

该方法还包括在例如风力预测系统处外推该趋势，以确定在未来时间段内该地理区域的预测的大规模大气压力，如图3中的步骤408所示。该未来时间段是继基准时间之后的时间段。在一种优选的实施例中，因为这种方法提供了对短期的未来时间段的显著更准确的风力预测，所以该未来时间段可以是不超过10小时、不超过6小时、不超过5小时、不超过4小时、不超过3小时、不超过2小时、不超过1小时或少于1小时的时间段。

大规模大气压力的外推包括基于需要预测的未来时间段之前的最近时间段内观测的特定地理区域的大规模大气压力来确定该特定地理区域的预期/预测的大规模大气压力。这可以包括确定最近观测到的压力数据中的趋势，以及按照考虑了这种趋势的方式将该趋势外推到未来。可以使用任何合适的方法来对该压力进行外推以确定预测的压力。

对趋势的外推可以使用各种方法来执行。举例来说，压力的外推可以使用时间上的简单线性外推来执行。在本示例中，对压力的线性变化进行外推，从而假定压力随时间变化的趋势在未来将按照不变的方式继续进行。

因此，该方法还包括根据模型在例如风力预测系统处根据预测的大规模大气压力来确定预测风速，如步骤410所示。更具体地，这可以包括根据该模型依据预测的未来时间段的大规模大气压力来确定未来时间段内该地理区域的时间相关的水平风速矢量。可以通过执行模型的正向应用来完成该确定，以根据预测的未来时间段的大规模大气压力来确定未来时间段内该地理区域的预测风速。实际上，这包括使用从最近的数据的趋势外推得到的未来一段时间的预测的大规模大气压力(ag)，以及根据模型来求解方程以确定未来时间段的预测的风速数据(a)。

这种方法的优点在于其提供了特别准确的短期风力预测，部分原因是因为风速随时间的变化大，而大规模的大气压力随时间变化较慢。通过考虑最近的趋势，大规模大气压力可以被外推到未来的时段以提供对未来时间段的准确的大规模大气压力预测。使用该模型，可以相对于其它风力预测方法更加准确地确定对未来时间段的相应的风速预测，特别是对于短期的未来时间段的预测。

举例来说，第一观测数据集由位于弗吉尼亚海滩附近的海域的美国国家海洋和大气管理局(noaa)的浮标中心的chlv2站提供。其风速计高度为平均海平面之上43.3m，并且数据包括一整年(2012)内每10分钟的风速和方向。第二数据集由位于科罗拉多州的美国国家可再生能源实验室的135米nwtc塔提供，为2014年4月的每10分钟提供一次的风速和方向数据。图4a和4b示出了两个不同时间段的实际观测风速与常规的现有技术持续模型的风速预测对比与本发明的预测方法的相应对比的比较。图4a给出了本发明的模型针对海上风力数据的测试，而图4b示出了陆上数据的测试。

现在参考图4a和4b，虚线是实际观测风速数据。直线示出了使用常规的现有技术持续模型风速预测的预计的风速。曲线示出了使用本文所公开的本发明的风力预测方法的预计的风速。对于每种预测，预测的基础是在预测模拟开始之前“测量的”风速。如这些图所示，对于这两个数据集，尤其是短期时间段内，与常规的基于持久模式的预测相比，本文所公开的新型预测方法提供了更准确的风力预测。

表1(见下方)对于使用常规持续模型做出的预测与根据本发明做出的预测示出了针对一个示例性预测带(horizon)的基于绝对模型误差的误差统计，其中将实际观测风速与预测的风速进行比较。如表1所示，本发明提供了较低的相对预测误差，并且与持续模型相比风速预测有所改进的时段的占比高，从而展示出较高精度的风速预测。

表1

图5示出了展示使用本发明的方法和持续模型进行的风速预测的准确度的比较的图表，如绝对误差的概率密度函数所示。更具体地，图5将来自与本发明一致的给出的示例性实施例(例如，二次型优化的质量弹簧阻尼器(omsd)模型)的误差的概率密度函数(来自许多不同的时间段)与持续模型预测进行比较。虚线示出了均值，以及95百分位误差。表1和图5两者均表明本发明的方法显著胜过持续模型：与持续模型的误差相比，本发明的方法将预测的平均误差、相对误差和90百分位误差减少到不到一半。而且，它在大约90％的预测时段内均胜过持续模型。

再次参考图3，示例性方法还包括根据预测的风速(即，根据风力预测)发送控制信号以控制所连接的系统的操作，如图412所示。例如，如图320所示的特定风力发电系统的控制信号可以包括预测的产生的风电，该预测的产生的风电是关于预测的风速的函数(该预测的风速与风力发电预测相关联)。这可以按照任意合适的方式发生，并且所连接的器件可以是经由通信网络连接的分立的和单独的计算硬件，或者可以是具有单一计算硬件设备或消费产品的所连接的构件。

如上所述，根据本发明的风力预测在许多不同领域具有许多应用。作为非限制性的示例，该新型风力预测方法可以结合由传输系统运营商(tso)和独立电力生产商(ipp)执行的风能预测来使用。举例来说，风力预测可以为了电力市场清算、经济负荷调度计划、负荷递增/递减决策、监管行动等目的而使用。与当前的预测模型(诸如持续模型或其它统计模型)相比，新型风力预测方法可以显著降低短期风力预测的误差，可以允许更高效率的风力发电，可以提供更准确的且计算费用更低的(快得多的)预测，并且锚定于可使它变得通用且与位置无关的风力波动性的鲁棒物理模型，使得它可以被用来执行各种不同地理区域内的预测。

因此，例如，风力预测功能可以被并入发电系统内，如同上文参考图2所描述的。这样的发电系统不仅可以包括本文所述的风力预测系统，而且还可以包括可操作地连接至风力预测系统的控制系统，该控制系统接收未来时间段内该地理区域的预测的风速，该控制系统响应式地将控制信号发送给次发电设备，从而根据预测的风速对次发电设备的电力生产进行节流，该预测风速对应于主发电系统的预期的电力生产。

再次参考图1，示例性网络化计算环境10还包括可由个人用户、公众人士、客户等操作的计算器件，诸如天气显示器件30a和支持网络的智能电话30b。任何合适的计算器件都可以用于这一用途。此外，示例性网络化计算环境10还包括由诸如企业或其它商业实体、气象局、州/地方/其它政府实体等组织操作的计算器件，诸如外部系统100。如同本文更详细描述的，天气显示器件30、支持网络的智能电话30b或外部系统100经由通信网络接收风力预测信息，该风力预测信息是由wfs200至少部分基于接收自天气数据源50的天气数据而准备的。用于启用联网的计算器件之间的基于网络(及其它)的数据通信的硬件和软件在本技术领域中是众所周知的且超出了本发明的范围，因而在本文中不进行详细讨论。

在其它实施例中，wfs200的功能可以集成到另一个系统内，以提供单一设备，使得器件30a、30b或外部系统100之间的通信在单一设备内进行，而不是经由通信网络来进行。例如，wfs200的基本功能可以被并入天气显示器件30a(诸如家庭用的气象站)内，使得天气显示器件经由网络40接收来自天气数据源50的数据，然后执行并显示本文所讨论的风力预测。这可以经由例如天气显示器件30a的硬件和/或软件来完成。作为另一个示例，wfs200的基本功能可以被并入外部系统(诸如用于发电系统的控制系统)内，使得外部系统100经由网络40接收来自天气数据源50的数据，然后执行并利用本文所讨论的风力预测，例如，通过发出控制信号来调整发电系统的操作。因而，可以发送控制信号以根据预测的风速来控制相关(dependent)系统的操作。因而，相关系统至少部分地通过由风力预测系统确定的预测来控制。在一种实施例中，相关系统是包括用于显示风速提醒的显示器的计算机化器件，因而控制信号使显示器显示预测的风速。举例来说，这可以通过与外部系统100网络通信的客户/家庭使用的气象站来执行。替代地，相关系统可以是用于发出风速提醒的计算机化器件，并且其中控制信号使该器件发出风速提醒。举例来说，可以经由在常规的智能电话上运行并且与外部系统100网络通信的软件“app”来发出该提醒。

因此，该方法可以包括根据未来时间段内的预测风速来发送控制信号，用于控制相关系统(诸如天气显示器件30、支持网络的智能电话30b或外部系统100)的操作，使得相关系统的操作至少部分地通过由风力预测系统确定的风力预测来控制。

作为另一个示例，相关系统可以是发电系统，并且控制信号可以使该发电系统根据预测的风速增加或减少发电设备的输出。

作为另一个示例，wfs200或分立的电子器件可以包括wfs预测功能以及用于显示预测风速的显示器。在这种情况下，存储于器件的存储器内的指令包括用于使显示器显示未来时间段内该地理区域的预测风速的指令。

作为另一个示例，wfs或分立的电子器件还可以包括用于发送控制信号的发送器，并且用于使发送器发送指示未来时间段内该地理区域的预测风速的控制信号的指令可以存储于存储器内。替代地，该器件可以包括用于使发送器发送控制信号的指令，该控制信号使得经由例如智能电话器件的软件app从接收该控制信号的计算机化器件发出风速提醒。

图6是示出根据本发明的一种示例性实施例的示例性风力预测系统(wfs)200的示意图。仅为了图示简洁起见，wfs200在逻辑上作为单个代表性的服务器示于图1和2中。wfs200包括用于存储并执行用于实现根据本发明的方法的特别配置的计算机软件的常规的服务器硬件。因此，图6的示例性wfs200包括通用微处理器(cpu)202，以及被用来根据已知技术连接并启用微处理器202与wfs200的其它构件之间的通信的总线204。示例性wfs200包括用户接口适配器206，该用户接口适配器206经由总线204将微处理器202连接至一个或多个接口器件，诸如键盘208、鼠标210和/或其它接口器件212(其可以是任意用户接口器件，诸如触敏屏、数字化输入板等)。总线204还经由显示适配器216将显示器件214(诸如lcd屏或监视器)连接至微处理器202。总线204还将微处理器202连接至存储器218，存储器218可以包括硬盘驱动器、软盘驱动器、磁带驱动器等。

wfs200可以经由例如通信通道、网卡或调制解调器222与其它计算机或计算机网络通信。wfs200可以与局域网(lan)或广域网(wan)内的此类其它计算机关联，并且可以在与另一台计算机的客户端/服务器布局中作为服务器来操作。这样的配置，以及适当的通信硬件和软件，是本技术领域中已知的。

wfs的软件根据本发明进行专门配置。因此，如图6所示，wfs200包括存储于存储器内的计算机可读的、处理器可执行的指令，用于执行本文所描述的方法。此外，存储器还在例如数据库或其它数据存储中存储特定的数据。例如，图6示意性地示出了风力预测引擎软件260在存储器218内的存储，该风力预测引擎软件260包括：物理、数学或其它模型，以及用于根据本发明来确定风力预测的数据处理逻辑270，用于存储由wfs接收的且由该预测引擎使用的天气数据的天气数据数据存储280，以及控制信号引擎290，该控制信号引擎290包括用于发送指示预测风速的控制信号的指令、用于发送根据预测风速来控制相关系统的操作的控制信号的指令、用于使发送器发送发出风速提醒的控制信号的指令，和/或用于使显示器显示未来时间段内该地理区域的预测风速的指令。可选地，其它指令和/或数据可以存储于本文所讨论的存储器内，诸如用于发出根据由本发明获得的预测的风力和方向来控制风力涡轮机的旋转速度、叶片角度或其它操作方面的控制信号的指令。存储器还可以存储用于显示和/或传送风力预测、控制信号等的数据，如同本文所讨论的。

另外，还提供了用于存储用于执行以上所确定的方法步骤的计算机可读代码的计算机可读介质。计算机可读介质存储用于执行用于实现上述方法的子过程的代码。

提供了记录于计算机可读介质上的用于执行以上所确定的方法步骤的计算机程序产品。计算机程序产品包括用于执行上述方法的计算机可读装置。

上文已经描述了本发明的若干特定实施例，本领域技术人员将会容易想到各种更改、修改和改进。虽然在本文中没有明确说明，但通过本公开而变得显而易见的这种更改、修改和改进意在作为本说明书的一部分，并且意在属于本发明的精神和范围之内。因此，前述描述仅作为示例，而不是限制性的。本发明仅由下面的权利要求及其等同物界定的范围来限定。