[0001] 本发明属于短期风速预报技术领域，具体涉及一种短期预报风速的订正方法及系统。

[0002] 目前，随着双碳战略要求以及电力市场化改革的深入推进，风电行业呈现出稳定持续发展的趋势。但是，风电的随机性、波动性和间歇性给电网的发电、输电和配电带来较大挑战，为了保障电网的安全稳定运行，准确的风电功率预测非常重要。风速的预测是风功率预测的基础，准确的风速预报是有效提高风电功率预测水平和风电消纳能力的重要措施之一。其中，对于风电场电能质量控制和功率平衡、调度起到直接影响的是短期风速的预测(72h以内)。就目前而言，风速预测的主要方法之一是NWP(数值天气预报)模式。NWP模式通过在给定初始和边界值的情况下求解大气运动和热力学方程组，预测未来一段时间的风速变化。然而NWP模式描述的大气物理运动过程有限、且初始场不可能绝对准确，导致风速预报不可避免存在一定的误差，尤其在复杂地形或者其他工况下，风速预报误差更大、预报准确性更低。因此对NWP模式输出的原始风速预报进行偏差订正是提升风速客观预报准确率的主要手段。

[0003] 作为一种改进，近年来，研究者运用了诸多方法对预报风速进行了订正研究。一般的风速订正方法主要分为三大类：物理法、统计方法和机器学习方法。物理法通过改进物理优化过程中参数的选择以及运用更高精度的计算方法提高预报精度，但是这种方法往往消除误差比较困难。

[0004] 作为进一步的改进，目前采用了基于历史数据的统计订正方法，如基于多元线性回归的模式输出统计方法、完全预报法、卡尔曼滤波法、相似集合法等。其中，如卡尔曼滤波法的应用较为广泛，目前已经使用其进行风速订正，修正后的结果与实测风速的差异有所改善，但扔有待提升。综上所述，对于短期风速预报，目前的订正模型针对不同风速范围的适应度不高，订正后的风速数据与实测风速数据的差异仍然不够小，导致风速预报的精确度不高。

[0036] 说为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

[0037] 需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

[0038] 如何提供一种订正方法，以考虑并适应测风塔风机轮毂高度层风速与相关变量的时间相关性，并考虑并适应测风塔风机轮毂高度层风速与空间周围变量的空间相关性，从而提高短期预报风速的订正精度。

[0039] 如图1所示，基于此，本发明提供一种短期预报风速的订正方法，具体包括如下步骤：

[0040] S1、收集得到风电场的运行数据，其中，运行数据包括风速数据和NWP格点资料；

[0041] S2、对运行数据进行数据预处理，得到预处理后的风速数据和NWP格点资料；

[0042] S3、对预处理后的NWP格点资料进行插值，然后采用随机森林算法进行特征提取，得到特征提取后的NWP格点资料；

[0043] S4、基于预处理后的风速数据和特征提取后的NWP格点资料构建卷积长短期记忆风速订正模型；

[0044] S5、将预处理后的风速数据和特征提取后的NWP格点资料划分成训练集、验证集以及测试集，利用训练集和验证集训练卷积长短期记忆风速订正模型，将训练好的卷积长短期记忆风速订正模型应用到测试集中，得到短期预报风速订正结果数据。

[0045] 本发明一种短期预报风速的订正方法中，通过采集风电场的风速数据和NWP(数值天气预报)格点资料，基于采集的运行数据，对其进行预处理、插值、特征提取，进而得到优选的运行数据，基于此，本发明采集并处理卷积长短期记忆风速订正模型对优选的运行数据进行订正，进而最终得到短期预报风速订正结果数据，从而实现对短期预报风速的订正。本发明的适应度较佳，可以适应多种环境和风速，且订正的精度较佳。

[0046] 本发明一种短期预报风速的订正方法中，卷积长短期记忆风速订正模型包括若干个基于卷积长短期记忆的编码‑解码子模型，每个基于卷积长短期记忆的编码‑解码子模型订正对应的风力等级；每个卷积长短期记忆的编码‑解码子模型是通过堆叠多个卷积长短期记忆得到的。

[0047] 本发明一种短期预报风速的订正方法中，基于卷积长短期记忆的编码‑解码子模型不仅可以考虑到测风塔风机轮毂高度层风速与相关变量的时间相关性，也可以考虑到测风塔风机轮毂高度层风速与空间周围变量的空间相关性，使得本发明对于不同风速的适应度较佳。可以有效捕获多维NWP数据的基础空间特征和长距离特征，从而提高短期预报风速的订正精度

[0048] 本发明一种短期预报风速的订正方法中，对于NWP(数值天气预报)，数值天气预报是一种使用数学模型和大量数据来预测未来天气状况的方法。这种方法依赖于计算机模拟和大量的气象数据，以预测未来的气温、风速、降水等天气参数。随着交叉学科的发展以及人工智能的浪潮推动，机器学习作为一种大数据统计方法，近年来广泛应用于NWP模式结果的偏差订正方面。

[0049] 下面通过具体的实施例对本发明一种短期预报风速的订正方法及系统进行进一步详细说明。

[0050] 如图1所示，作为一种实施例，本发明一种短期预报风速的订正方法的数据准备阶段；

[0051] 本发明通过收集得到风电场的观测资料和预报资料。其中观测资料是来自风电场测风塔风机轮毂高度层的实测风速，时间分辨率为15min。预报资料为NWP格点资料，NWP格点资料中的特征量包括经度，纬度，位势高度，地面压强，地面湿度，地面温度，2米露点温度，不同高度层的风向、风速、气温、气压、相对湿度等气象要素，时间分辨率也为15min。当然，可以根据实际需要对上述数据进行筛选，以及可以根据需要对上述如时间分辨率等进行预设等，以实际工况为准。

[0052] 本发明一种短期预报风速的订正方法的数据预处理阶段；

[0053] 在模型进行订正训练前，需要对以上所以得数据资料进行预处理操作，包括NWP资料和观测资料两部分。首先，观测资料和预报资料可能存在时差等不统一的情况，因此需要对观测资料和预报资料进行时间校准；然后，对时间校准后的观测资料和预报资料进行数据清洗操作，其中，清洗操作如下具体说明：

[0054] 为应对缺失值问题，对于没有实际观测数据对应的NWP数据进行剔除，对超出阈值范围与连续预设时间数据无变化的数据进行剔除。对于阈值范围和连续预设时间均根据具体实际工况设定；

[0055] 其中，对超出阈值范围与连续预设时间数据无变化的数据进行剔除在一些的实施方式中为，对于没有实际观测数据对应的NWP数据进行剔除。检查NWP数据以及实际观测数据的异常值，对超出阈值范围与连续三小时数据无变化的数据进行剔除；

[0056] 最后，对数据清洗后的NWP数据进行数据标准化操作，将数据统一归一化到[0,1]，得到上述预处理后的风速数据和NWP格点资料，从而为后续提供数据基础，使得后续的深度学习模型能够更快速地收敛，进而得到更精准的卷积长短期记忆风速订正模型。

[0057] 本发明一种短期预报风速的订正方法的数据插值阶段；

[0058] 采用双线性插值方法对NWP格点资料进行插值。

[0059] 本发明一种短期预报风速的订正方法的特征提取阶段；

[0060] 在NWP格点资料的NWP气象特征中，利用随机森林算法提取出对测风塔风机轮毂高度层风速有重要贡献的气象要素特征，并剔除无关变量。

[0061] 本发明一种短期预报风速的订正方法的模型构建和订正阶段：

[0062] 基于以上数据，构建卷积长短期记忆风速订正模型。

[0063] 首先，考虑局地风速的大小与温度、气压、湿度以及摩擦力和水平气压梯度力等密切相关，不同的风速下各气象要素的影响因子权重也各不相同，为了提高对不同风速范围订正的泛化能力，学习到各个物理量与风速之间更深层次的非线性规律，构建L‑ConvLSTM风速订正模型，该模型由n个基于ConvLSTM(卷积长短期记忆)的编码‑解码子模型组成，其中n为风力等级表中风力划分的等级数量，每个子模型负责订正风力等级表中的一个风力等级，选用的风力等级表如下表1所示。

[0064] 表1风力等级

[0065]

[0066]

[0067] 如图2所示，作为一种实施例，本发明的ConvLSTM的编码‑解码子模型是通过堆叠多个ConvLSTM搭建得到的。在ConvLSTM的编码‑解码子模型中，将进行特征提取后的t‑k时刻至t‑1时刻的k个时间步长的NWP变量(k可根据情况设定)输入到编码网络中，获得输出的最后一个时间步的隐含状态H；将编码网络得到的H与t时刻的NWP变量输入解码网络，并把解码网络输出的所有隐含状态连接起来，放入一维卷积中，后接1个sigmoid激活函数，生成t时刻的风速订正结果。

[0068] 然后，根据时间将数据集划分成训练集、验证集以及测试集，训练集和验证集的划分按照5折交叉验证(K折交叉验证)处理，并利用L‑ConvLSTM风速订正模型进行训练。最后，将训练好的卷积长短期记忆风速订正模型应用到测试集中，最终可以得到短期预报风速订正结果。

[0069] 需要说明的是，在本发明中，对于K折交叉验证，可以根据实际需要，将训练集进一步划分成k个子集，然后按照交叉验证的策略进行模型训练和验证。

[0070] 本发明提出了一种短期预报风速的订正系统，该系统包括数据采集模块、数据处理模块以及风速订正模型；其中：数据采集模块用于采集风电场的运行数据；数据处理模块用于处理运行数据；风速订正模型用于生成短期预报风速订正结果数据。本发明短期预报风速的订正系统以实现前述短期预报风速的订正方法，该系统具有较强的适应度，可以订正相对较宽风速范围以及不同环境下的短期预报风速，且订正的精度较佳。

[0071] 综上所述，本发明的L‑ConvLSTM风速订正模型用于不同风速范围的订正，从而提高了模型的泛化能力和订正效果。此外，基于ConvLSTM的编码‑解码子模型不仅可以考虑到测风塔风机轮毂高度层风速与相关变量的时间相关性,也可以考虑到测风塔风机轮毂高度层风速与空间周围变量的空间相关性。因此该模型可以有效捕获多维NWP数据的基础空间特征和长距离特征，从而提高短期预报风速的订正精度。

[0072] 最后需要说明的是：以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。