多源数值天气预报集合双层修正方法与流程

本发明属于新能源发电技术领域，尤其涉及一种多源数值天气预报集合双层修正方法。

背景技术：

大规模可再生能源接入电网是各国电力系统未来发展的突出特征之一。随着风电在世界各国的电力供应占比逐年提升，风电固有的间歇性和波动性导致大规模风电并网会对电网的安全、稳定和经济运行造成很大冲击，准确的风电功率预测是解决该问题的必要手段之一。数值天气预报(NWP)是风电功率预测及其不确定性分析的关键输入，也是风电功率预测误差的最主要来源。多数情况下，数值天气预报带来的误差是预测算法的两倍以上，因此提高数值天气预报精度是提高风电场功率预测精度的关键环节。

国内外现有的数值天气预报修正主要是通过统计方法结合实测风速对单一位置点数值天气预报的系统误差进行修正。该类方法通常仅仅采用单一来源的数值天气预报，通过分别建立某一位置点历史序列中同一时刻数值天气预报数据和实测数据间的映射关系，进而对未来时刻的数值天气预报数据进行修正。但我国幅员辽阔，气候类型和地形条件复杂多样，大大增加了数值天气预报(NWP)及后续风电功率预测的难度。现有的数值天气预报修正方法存在以下问题：单一来源数值天气预报对复杂天气条件的适应性有限，成为影响风电功率预测精度的重要因素之一；从物理建模过程来看，中尺度气象模式的计算分辨率过低，地形、粗糙度、尾流等局地因素无法体现在其所描述的流场中，导致单一位置点数值天气预报数据往往缺失了大型风电场范围内实际风波动过程的时空耦合关系，或需要耗费大量计算资源进行求解，需要考虑多点位处实际风况的相关性特征针对上述微尺度因素进行再次修正。

技术实现要素：

为了解决上文提出的问题，本发明提出一种多源数值天气预报集合双层修正方法。

根据本发明的一个方面，提出了一种多源数值天气预报集合双层修正方法，该方法包括：步骤一：采集多个空间位置处的多源数值天气预报数据与对应的实际测风数据，对上述数据进行清洗和预处理；步骤二：针对所述空间位置，根据该位置处的多源数值天气预报数据形成的集合(NWP数据)和对应的实际测风数据，建立数值天气预报自订正模型，对数值天气预报数据进行第一层修正；步骤三：根据第一层修正后的多源数值天气预报数据集合结果划分不同的天气场景；步骤四：分析不同天气场景下各个空间位置处多源数值天气预报数据集合结果与相应实际测风数据间的相关性；步骤五：按照相关性排序，选取不同天气场景下与实测风速数据最为相似的数值天气预报数据，针对每一种天气场景，建立数值天气预报互修正模型，对数值天气预报数据进行第二层修正。

根据本发明的一个方面，所述多源数值天气预报数据是指不同初始场、不同参数方案、不同时次、或者不同计算模型下的数值天气预报结果。

根据本发明的一个方面，在步骤一中，所述清洗和预处理包括对异常数据的识别和删除以及对缺失数据的插补。

根据本发明的一个方面，在步骤二中，以所述空间位置处的多源数值天气预报数据形成的集合为输入，对应位置处实际测风数据为学习目标，建立数值天气预报自订正模型，消除数值模拟过程中的系统性误差。

根据本发明的一个方面，所述实际测风数据包括风电场运行数据中测风仪测量并记录的实际测风数据和测风塔位置处测风仪测量并记录的实测风数据。

根据本发明的一个方面，在步骤三中，采用模糊C均值聚类算法将数值天气预报数据划分为不同的天气场景，给定数值天气预报数据集X＝{x1,x2,…,xn}，其中n为样本的数量，k为天气场景的类别数目，mj(j＝1,2…,k)为每个聚类的中心，μj(xi)是第i个样本对应第j类的隶属度函数，则基于隶属度函数的聚类损失函数Jf为：

其中b>1，为控制聚类结果的模糊程度的常数。

令Jf对mj和μj(xi)的偏导数为0，求得上式极小值的必要条件：

则模糊C均值聚类算法的步骤为：

(1)给定聚类类别数C，设定迭代收敛条件，初始化各个聚类中心；

(2)重复下面的运算，直到各个样本的隶属度值稳定：

A.用当前的聚类中心根据公式(4)计算隶属度函数；

B.用当前的隶属度函数根据公式(3)重新计算各个聚类的中心。

当算法收敛时，就得到了各类的聚类中心和各个样本对于各类的隶属度值，从而完成模糊聚类划分。

根据本发明的一个方面，在步骤四中，通过计算多源数值天气预报数据集合结果与实际测风数据的皮尔逊相关系数，构建二维相关性评价矩阵。

根据本发明的一个方面，在步骤五中，针对某种天气场景，以该天气场景下数值天气预报数据与实测风速数据最为相似位置处的数值天气预报数据和待校验的其他位置处的数值天气预报数据为输入，待校验的其他位置处的实际测风数据为学习目标，建立该天气场景下的数值天气预报互校验模型。

由此可见，本发明针对现有技术中存在的问题，采用多种源的数值天气预报数据来提高其对复杂天气条件的适应性，采用多个空间位置处数值天气预报数据，在独立位置自订正的基础上进行不同天气场景的多点位数值天气预报互校验，以修正微尺度因素，此外，本发明的数值天气预报修正包括双层修正，即利用历史测风数据进行自订正和多点位数值天气预报的互校验，从而提高了天气预报的准确度，提升了风电场功率的预测精度。

附图说明

图1为多源数值天气预报集合双层修正方法的流程图。

具体实施方式

下面结合附图和具体的实施例对本发明的技术方案作进一步的详细描述。

图1为多源数值天气预报集合双层修正方法的流程图，如图1所示，所述方法包括如下步骤：

步骤一：采集多个空间位置处的多源数值天气预报数据与对应的实际测风数据，对上述数据进行清洗和预处理。

具体而言，采集空间位置的多源数值天气预报数据(NWP-1，NWP-2，…，NWP-n)与对应位置处的实测测风数据，根据范围检验、相关性检验及趋势检验准则识别异常数据并将其删除，使用最近邻插补算法及线性插补算法插补缺失数据，还原可还原的数据，以保证后续步骤学习模型输入数据与标签数据的准确对应。所述多源数值天气预报数据是指不同初始场、不同参数方案、不同时次、或者不同计算模型下的数值天气预报结果，具体包括风速、风向、气温、气压、湿度及空气密度数据。

步骤二：针对所述空间位置，根据该位置处的多源数值天气预报数据形成的集合(NWP数据)和对应的实际测风数据，建立数值天气预报自订正模型，对数值天气预报数据进行第一层修正。

具体而言，针对某个空间位置，以该位置处的多源数值天气预报数据形成的集合为输入，对应位置处实际测风数据(风速、风向、气温、气压、湿度及空气密度数据)为学习目标，采用随机森林算法，建立数值天气预报自订正模型，消除数值模拟过程中的系统性误差。如图1所示，风电场运行数据中有测风仪器测量并记录的实测风数据(风速、风向等)，测风塔数据是测风塔位置处测风仪器测量并记录的实测风数据(风速、风向等)，本文中的多个空间位置指的是各台风电机组和各个测风塔。

利用Bootstrap抽样方法从数值天气预报与实际测风数据训练集合S中随机选取N个训练样本子集S1,S2,…,SN用于构建N棵决策树，每个训练子集的大小约为原始训练集的三分之二，每次抽样均为随机且放回抽样，这样使得训练子集中的样本存在一定的重复，目的是为了使森林中的决策树不至于产生局部最优解；然后将这些决策树组合在一起，以各棵树输出结果的平均值作为随机森林回归的结果；为保证决策树构建时的随机性，避免过拟合问题，在每一棵决策树构建时，从m种属性中随机选取m1种作为随机特征变量参与决策树节点的分裂过程，称为随机属性子空间抽样，其中m1取小于等于log2(m+1)的最大正整数；此外随机决策树的数量N需要做调整；最后基于随机森林算法的回归结果为：

式中：X为输入变量，h(X；θk)为单棵决策树模型，其中k＝1,2,…,N，N为决策树棵数，θk为单棵决策树的参数。

步骤三：根据第一层修正后的多源数值天气预报数据集合结果划分不同的天气场景。

在一个实施例中，步骤三采用模糊C均值聚类算法将数值天气预报数据划分为不同的天气场景，给定数值天气预报数据集X＝{x1,x2,…,xn}，其中n为样本的数量，k为天气场景的类别数目，mj(j＝1,2…,k)为每个聚类的中心，μj(xi)是第i个样本对应第j类的隶属度函数，则基于隶属度函数的聚类损失函数Jf可写为：

其中b>1，为控制聚类结果的模糊程度的常数。

令Jf对mj和μj(xi)的偏导数为0，求得上式极小值的必要条件：

则模糊C均值聚类算法的步骤为：

(1)给定聚类类别数C，设定迭代收敛条件，初始化各个聚类中心；

(2)重复下面的运算，直到各个样本的隶属度值稳定：

A.用当前的聚类中心根据公式(4)计算隶属度函数；

B.用当前的隶属度函数根据公式(3)重新计算各个聚类的中心；

当算法收敛时，就得到了各类的聚类中心和各个样本对于各类的隶属度值，从而完成模糊聚类划分。

步骤四：分析不同天气场景下各个空间位置处多源数值天气预报数据集合结果与相应实际测风数据间的相关性。

根据一个实施例，通过计算两者的皮尔逊相关系数，构建二维相关性评价矩阵。

步骤五：按照相关性排序，选取不同天气场景下与实测风速数据最为相似的数值天气预报数据，即不同空间位置处与实际测风数据最为相似的位置的数值天气预报作为互校验模型的输入，针对每一种天气场景，建立数值天气预报互修正模型，对数值天气预报数据进行第二层修正。

根据一个实施例，针对某种天气场景，以该天气场景下数值天气预报数据与实测风速数据最为相似点位处的数值天气预报数据和待校验的其他点位处的数值天气预报数据为输入，待校验的其他点位处的实际测风数据为学习目标，采用随机森林算法，建立该天气场景下的数值天气预报互校验模型，此外，还可以使用其他算法进行修正，例如深度学习算法中的堆叠自动编码机等。

上述具体实例仅为说明，不作为对本发明保护范围的限制。本领域技术人员可根据需要对本申请所提出的具体实例进行修改或调整，这些修改或调整同样落入本申请所要求保护的范围之内。