本发明涉及数据处理，尤其涉及复杂地形下新能源电站风光要素的机器学习订正预报方法。
背景技术：
1、大力发展水、风、光等清洁能源，是保证未来能源安全以及应对全球气候变暖的重大战略举措，风能、太阳能是最具规模化开发前景的新能源，但二者易受气象因素的影响，输出功率具有很强的随机波动性和难以预测，随着风、光发电基地建设的不断推进。大规模风、光电直接并网，会对电力系统的顶峰、调峰和稳定运行带来极大压力。水电机组具有启停迅速、运行灵活，出力变化幅值大，对负荷变化响应快等特点，是理想的调峰电源。利用资源的天然互补性以及水电的灵活性，将水、风、光多种能源进行聚合，形成多能互补发电系统，是降低新能源并网冲击性，提升流域资源利用率的有效途径。
2、目前的功率预测方法均是单独针对水电、风电和光伏发电进行功率预测，没有考虑水、风、光几种能源之间的影响。因此，如何综合考虑水、风、光互相之间的影响，对水风光发电功率进行联合功率预测，是进一步提高水电、风电和光伏功率预测准确率需要考虑的问题。
3、因此，需要提供复杂地形下新能源电站风光要素的机器学习订正预报方法，用于提高水风光发电功率预测的准确度。
技术实现思路
1、鉴于上述现有存在的问题，提出了本发明。
2、因此，本发明提供了复杂地形下新能源电站风光要素的机器学习订正预报方法，能够解决传统的功率预测方法均是单独针对水电、风电和光伏发电进行功率预测，没有考虑水、风、光几种能源之间的影响的问题。
3、为解决上述技术问题，本发明提供如下技术方案，复杂地形下新能源电站风光要素的机器学习订正预报方法，包括：
4、获取目标区域的多源观测数据集，对所述目标区域的多源观测数据集进行数值预报同化；获取所述目标区域的水风光发电站的出力数据集，通过统计方法基于数值预报同化的多源观测数据集和所述出力数据集，确定预报因子；根据所述预报因子，建立并训练联合预测模型；获取目标区域在待预测时间段的气象预报数据，通过所述联合预测模型基于所述目标区域在待预测时间段的气象预报数据，预测目标区域的水风光发电站在待预测时间段的水力发电功率、风力发电功率及光伏发电功率。
5、作为本发明所述的复杂地形下新能源电站风光要素的机器学习订正预报方法的一种优选方案，其中：所述确定预报因子包括，通过统计方法基于数值预报同化的多源观测数据集和所述出力数据集，确定气象因子与总发电功率之间的时空相关性、与水力发电功率之间的时空相关性、与风力发电功率之间的时空相关性及与光伏发电功率之间的时空相关性；
6、通过统计方法基于所述出力数据集，确定水力发电功率与风力发电功率之间的互补相关性、水力发电功率与光伏发电功率之间的互补相关性和风力发电功率与光伏发电功率之间的互补相关性；
7、基于气象因子与总发电功率之间的时空相关性、与水力发电功率之间的时空相关性、与风力发电功率之间的时空相关性、与光伏发电功率之间的时空相关性，水力发电功率与风力发电功率之间的互补相关性、水力发电功率与光伏发电功率之间的互补相关性和风力发电功率与光伏发电功率之间的互补相关性，确定所述预报因子；
8、根据每个预报因子对应的滞后因子，建立预报因子对应的序列，联合预测模型为每个预报因子分配独立的lstm通道，分别提取特征。
9、作为本发明所述的复杂地形下新能源电站风光要素的机器学习订正预报方法的一种优选方案，其中：所述时空相关性包括，对于每种所述气象因子，基于数值预报同化的多源观测数据集和所述出力数据集，计算所述气象因子与总发电功率之间的最大互信息系数，作为所述气象因子与总发电功率之间的时空相关性。
10、对于每种所述气象因子，基于数值预报同化的多源观测数据集和所述出力数据集，计算所述气象因子与水力发电功率之间的最大互信息系数，作为所述气象因子与水力发电功率之间的时空相关性。
11、对于每种所述气象因子，基于数值预报同化的多源观测数据集和所述出力数据集，计算所述气象因子与风力发电功率之间的最大互信息系数，作为所述气象因子与风力发电功率之间的时空相关性。
12、对于每种所述气象因子，基于数值预报同化的多源观测数据集和所述出力数据集，计算所述气象因子与光伏发电功率之间的最大互信息系数，作为所述气象因子与光伏发电功率之间的时空相关性。
13、作为本发明所述的复杂地形下新能源电站风光要素的机器学习订正预报方法的一种优选方案，其中：所述时空相关性包括，通过统计方法基于数值预报同化的多源观测数据集和所述出力数据集，生成所述气象因子与总发电功率对应的散点图；采用多种网格划分方案，对所述散点图进行网格划分；对于每种所述网格划分方案，计算所述网格划分方案下的每个网格的互信息值，确定所述网格划分方案对应的最大互信息值，对所述网格划分方案对应的最大互信息值进行归一化；基于每种所述网格划分方案对应的最大互信息值，确定所述气象因子与总发电功率之间的最大互信息系数。
14、作为本发明所述的复杂地形下新能源电站风光要素的机器学习订正预报方法的一种优选方案，其中：所述最大互信息系数包括，基于以下公式计算所述网格划分方案下的每个网格的互信息值：
15、，
16、其中，为网格的互信息值，为气象因子x在所述网格的取值的总个数，为总发电功率在所述网格的取值的总个数，为气象因子和总发电功率的联合概率密度函数，为总发电功率的边缘概率密度函数，为气象因子x的边缘概率密度函数。
17、作为本发明所述的复杂地形下新能源电站风光要素的机器学习订正预报方法的一种优选方案，其中：基于以下公式对所述网格划分方案对应的最大互信息值进行归一化：
18、，
19、其中，为归一化后的最大互信息值，为取最小值函数，a为网格的行数，b为网格的列数。
20、作为本发明所述的复杂地形下新能源电站风光要素的机器学习订正预报方法的一种优选方案，其中：所述目标区域的多源观测数据集包括水风光发电站观测数据、卫星气象观测数据、雷达气象观测数据、地面气象观测数据、飞机气象观测数据及探空气象观测数据。
21、作为本发明所述的复杂地形下新能源电站风光要素的机器学习订正预报方法的一种优选方案，其中：所述预测目标区域的水风光发电站在待预测时间段的水力发电功率、风力发电功率及光伏发电功率包括，采用wrf区域模式进行预报，获取数值预报数据；利用机器学习算法基于所述数据处理后的多源观测数据集对所述数值预报数据进行后订正；对所述数值预报数据进行特征提取、特征预处理、特征分类构造及特征组合；利用机器学习算法基于所述数值预报数据的特征组合及所述数据处理后的多源观测数据集对所述数值预报数据进行后订正。
22、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现复杂地形下新能源电站风光要素的机器学习订正预报方法的步骤。
23、一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现复杂地形下新能源电站风光要素的机器学习订正预报方法的步骤。
24、本发明的有益效果：本发明方法通过资料同化改进初始场，以改进数值预报效果。考虑系统内各要素的时空相关性与调控过程中水电、风电和光电之间的互补性，并通过统计的方法来体现这种相关性及互补性，进而基于相关性及互补性确定预报因子；根据预报因子，建立并训练联合预测模型，用于对水力发电功率、风力发电功率及光伏发电功率进行预测，提高了水风光发电功率预测的准确度。