一种基于机器学习的数值模拟虚拟测风误差订正方法技术

本发明专利技术公开了一种基于机器学习的数值模拟虚拟测风误差订正方法，利用机器学习方法的非线性建模能力，通过Adaboost集成学习算法构建测风塔风速数值模拟订正模型，对多源背景场数值天气预报得到的风场进行误差订正，提高数值模拟风场的准确度，以克服基于传统订正算法的虚拟测风方法准确度不够的不足。的虚拟测风方法准确度不够的不足。的虚拟测风方法准确度不够的不足。

【技术实现步骤摘要】
一种基于机器学习的数值模拟虚拟测风误差订正方法


[0001]本专利技术属于风电场风资源模拟评估领域，具体涉及一种基于机器学习的数值模拟虚拟测风误差订正方法。

技术介绍

[0002]近年来，虚拟测风技术因不需要设立测风塔，能够解决测风塔数据匮乏、开发成本高、开发周期长等问题而得到快速发展和应用。借助中尺度数值模式模拟目标测风塔处的风场，建立风资源评估所需的测风塔数据，已成为一种公认的虚拟测风方法。
[0003]常用的数值天气预报模式，比如中尺度天气预报模式(Weather Research and Forecasting Model，WRF)，虽然可以模拟出一个区域的风场，但是由于其物理参数化方案不完善、次网格刻画不准确、初始场不够精确、模式在垂直方向的分辨率较低，以及对地形的过度平滑等因素，使模拟的风场与实际的风场存在一定的误差。
[0004]风场一般处于山梁等复杂地形中，风速模拟对时空尺度的要求十分精细，直接利用中尺度模式进行计算，往往无法满足风电场风速模拟的精度要求。数值模式的前处理(例如资料同化方法)和后处理均可大大减少预报误差，提高模拟的精度。
[0005]常规的数值模式后订正方法通常基于传统的数理统计，如，利用模式输出统计方法(Model Output Statics，MOS)、自回归模型、持续法、卡尔曼滤波法对WRF模式模拟结果进行订正，不同的传统订正方法对于原始模式输出数据均有一定程度的提高。然而，当研究的问题出现非线性变化时，一般的统计方法难以正确地描述所研究问题的数学关系，基于传统方法的订正效果就会大打折扣。
[0006]然而，近年来复杂山地风资源评估越来越多，在地形复杂的区域，因高度非线性问题的出现，数值模式模拟的能力大大降低，模拟结果的平均风速误差可超过1m/s，经过传统方法的模式后订正精度提升效果也非常有限，在一些复杂情况下甚至无改进，无法满足风资源评估的要求。

技术实现思路

[0007]本专利技术的目的在于克服上述现有技术中存在的不足，基于人工智能技术解决非线性问题的优势，采用机器学习方法对多源背景场得到的WRF模拟风场进行误差订正，可提高数值模拟风场的准确度。
[0008]为实现上述专利技术目的，本专利技术提供一种基于机器学习的数值模拟虚拟测风误差订正方法，包括如下步骤：(1)搜集研究场区内和/或研究场区附近的实设测风塔历史观测数据；(2)提取研究所需的实设测风塔有效风速数据，并进行数据质量控制和预处理；(3)采用不同来源的背景场资料，以不同起报时次，对研究场区实设测风塔相应时间段的多模式风场进行WRF数值模拟；(4)采用反距离权重法，从多模式数值模拟结果中提取与实设测风塔历史观测数据相匹配的风速数据；反距离权重法是一种以插值点与观测已知点之间距离为权重的插值方法，可以以确切的或者圆滑的方式插值；(5)构建由多模式数值模拟风速和实
设测风塔观测风速组成的训练数据集；(6)构建基于Adaboost集成学习算法的机器学习框架，将训练数据集输入所述机器学习框架中进行训练，得到测风塔风速数值模拟订正模型；(7)将提取的实时多模式虚拟测风塔/实设测风塔无效时间段的WRF数值模拟风速数据输入所述测风塔风速数值模拟订正模型中，获得订正后的虚拟测风塔风速数据或插补后有效性完整的实设测风塔风速数据。
[0009]进一步地，所述步骤(1)针对的业务场景包括研究场区内实设测风塔代表性有限和实设测风塔有效数据不足两种；其中，在所述实设测风塔代表性有限的业务场景下，需要至少在以下两种情况下增设虚拟测风塔点位：其一，研究场区内地形复杂，实设测风塔与虚拟测风塔的地形无相似性，且海拔落差大；其二，研究场区内地形平坦，但距离虚拟测风塔50km内无可参考实设测风塔；所述实设测风塔有效数据不足的业务场景包括：研究场区内虽有实设测风塔，但实设测风塔的观测数据存在质量差、风向准确性差和观测时间短三者至少之一，不满足完整年的评估要求。
[0010]进一步地，所述步骤(2)中，对所述实设测风塔有效风速数据的各变量进行如下合理性检验：风速的合理范围需介于0～40m/s之间，风向需介于0～360
°
之间，温度需介于
‑
30～50
°
；各变量的标准差不得连续2小时为0，否则认为测量该变量的仪器冰冻或损坏；如相邻两层风速缺乏相关性，且底层风速低于预设值，则判定底层风速不合理。
[0011]进一步地，所述步骤(2)中，对数据质量控制后的实设测风塔有效风速数据进行预处理，所述预处理包括：利用统计平均算法，将实设测风塔历史观测数据加工处理成逐小时时间间隔的风速数据。
[0012]进一步地，所述步骤(2)中，针对每座实设测风塔分别构建标签数据集L
M
＝{x1,x2,
…
,x
M
}，M是实设测风塔历史观测有效数据的总时间记录。
[0013]进一步地，步骤(3)中所述WRF数值模拟的过程为：获取WRF数值模拟所需的静态地理数据，确定与实设测风塔历史观测时间保持一致的模拟时间段，以不同起报时次不同来源的大气分析数据或再分析数据作为背景场驱动WRF数值模式，采用相应的边界层物理过程参数化方案，分别对风场进行WRF数值模拟，输出不同起报时次、不同背景场的逐小时数值模拟结果。
[0014]进一步地，所述步骤(4)中，以实设测风塔的站点经度、纬度和高度为基准，分别对不同背景场、不同起报时次产生的多模式风场WRF数值模拟结果进行插值处理，提取与实设测风塔历史观测数据相匹配的多模式风速模拟数据F
M
×
N
＝{y
1,1
,y
2,1
,
…
,y
M,N
}。
[0015]进一步地，所述步骤(5)中，针对每个实设测风塔，构建由多模式数值模拟风速F
M
×
N
＝{y
1,1
,y
2,1
,
…
,y
M
×
N
}和实设测风塔历史观测风速L
M
＝{x1,x2,
…
,x
M
}组成的训练数据集T
M
×
(N+1)
＝{L
M
,F
M
×
N
}＝
[0016]{(x1,y
1,1
,
…
,y
1,N
),(x2,y
2,1
,
…
,y
2,N
),
…
,(x
M
,y
M,1
,
…
,y
M,N
)}，M是实设测风塔历史观测有效数据的总时间记录，N是多模式的个数；
[0017]所述训练数据集的具体构建过程如下：对于单个实设测风塔，训练数据集T
M本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的数值模拟虚拟测风误差订正方法，其特征在于，包括如下步骤：(1)搜集研究场区内和/或研究场区附近的实设测风塔历史观测数据；(2)提取研究所需的实设测风塔有效风速数据，并进行数据质量控制和预处理；(3)采用不同来源的背景场资料，以不同起报时次，对研究场区实设测风塔相应时间段的多模式风场进行WRF数值模拟；(4)采用反距离权重法，从多模式数值模拟结果中提取与实设测风塔历史观测数据相匹配的风速数据；(5)构建由多模式数值模拟风速和实设测风塔观测风速组成的训练数据集；(6)构建基于Adaboost集成学习算法的机器学习框架，将训练数据集输入所述机器学习框架中进行训练，得到测风塔风速数值模拟订正模型；(7)将提取的实时多模式虚拟测风塔/实设测风塔无效时间段的WRF数值模拟风速数据输入所述测风塔风速数值模拟订正模型中，获得订正后的虚拟测风塔风速数据或插补后有效性完整的实设测风塔风速数据。2.根据权利要求1所述的基于机器学习的数值模拟虚拟测风误差订正方法，其特征在于，所述步骤(1)针对的业务场景包括研究场区内实设测风塔代表性有限和实设测风塔有效数据不足两种；其中，在所述实设测风塔代表性有限的业务场景下，需要至少在以下两种情况下增设虚拟测风塔点位：其一，研究场区内地形复杂，实设测风塔与虚拟测风塔的地形无相似性，且海拔落差大；其二，研究场区内地形平坦，但距离虚拟测风塔50km内无可参考实设测风塔；所述实设测风塔有效数据不足的业务场景包括：研究场区内虽有实设测风塔，但实设测风塔的观测数据存在质量差、风向准确性差和观测时间短三者至少之一，不满足完整年的评估要求。3.根据权利要求1所述的基于机器学习的数值模拟虚拟测风误差订正方法，其特征在于，所述步骤(2)中，对所述实设测风塔有效风速数据的各变量进行如下合理性检验：风速的合理范围需介于0～40m/s之间，风向需介于0～360
°
之间，温度需介于
‑
30～50
°
；各变量的标准差不得连续2小时为0，否则认为测量该变量的仪器冰冻或损坏；如相邻两层风速缺乏相关性，且底层风速低于预设值，则判定底层风速不合理。4.根据权利要求1所述的基于机器学习的数值模拟虚拟测风误差订正方法，其特征在于，所述步骤(2)中，对数据质量控制后的实设测风塔有效风速数据进行预处理，所述预处理包括：利用统计平均算法，将实设测风塔历史观测数据加工处理成逐小时时间间隔的风速数据。5.根据权利要求1所述的基于机器学习的数值模拟虚拟测风误差订正方法，其特征在于，所述步骤(2)中，针对每座实设测风塔分别构建标签数据集L
M
＝{x1,x2,
…
,x
M
}，M是实设测风塔历史观测有效数据的总时间记录。6.根据权利要求1所述的基于机器学习的数值模拟虚拟测风误差订正方法，其特征在于，步骤(3)中所述WRF数值模拟的过程为：获取WRF数值模拟所需的静态地理数据，确定与实设测风塔历史观测时间保持一致的模拟时间段，以不同起报时次不同来源的大气分析数据或再分析数据作为背景场驱动WRF数值模式，采用相应的边界层物理过程参数化方案，分别对风场进行WRF数值模拟，输出不同起报时次、不同背景场的逐小时数值模拟结果。7.根据权利要求1所述的基于机器学习的数值模拟虚拟测风误差订正方法，其特征在
于，所述步骤(4)中，以实设测风塔的站点经度、纬度和高度为基准，分别对不同背景场、不同起报时次产生的多模式风场WRF数值模拟结果进行插值处理，提取与实设测风塔历史观测数据相匹配的多模式风速模拟数据F
M
×
N
＝{y
1,1
,y
2,1
,
…
,y
M,N
}。8.根据权利要求1所述的基于机器学习的数值模拟虚拟测风误差订正方法，其特征在于，所述步骤(5)中，针对每个实设测风塔，构建由多模式数值模拟风速F
M
×
N
＝{y
1,1
,y
2,1
,
…
,y
M
×
N
}和实设测风塔历史观测风速L
M
＝{x1,x2,
…
,x
M
}组成的训练数据集T
M
×
(N+1)
＝{L
M
,F
M
×
N
}＝{(x1,y
1,1
,
…
,y<...

【专利技术属性】
技术研发人员：石文静，高阳，白晓勇，陈宇升，于小婷，董惠隆，王清哲，贾作，龚勋，彭银银，
申请(专利权)人：中船航海科技有限责任公司，
类型：发明
国别省市：