一种区域风光资源中长期人工智能预报方法及装置制造方法及图纸

本发明专利技术涉及新能源发电功率预测技术领域，具体提供了一种区域风光资源中长期人工智能预报方法及装置，包括：将气象再分析数据中预测时刻的气象图转换为图像数据矩阵；将所述图像数据矩阵作为预先训练的人工智能预报模型的输入，得到所述预先训练的人工智能预报模型输出的预测时刻的图像数据修正矩阵；基于所述预测时刻的图像数据修正矩阵确定气象图中各位置的气象参量预报值

【技术实现步骤摘要】
一种区域风光资源中长期人工智能预报方法及装置


[0001]本专利技术涉及新能源发电功率预测
，具体涉及一种区域风光资源中长期人工智能预报方法及装置
。

技术介绍

[0002]随着风光等新能源占比的增加，拓展新能源预测时间尺度具有迫切需求，中长期气象预报是基础，直接影响新能源中长期预测的精度水平
。
当前的气象预报主要基于数值模式，没有误差反馈修正环节，随着预报时间尺度的增加，初始场
、
数值模式等引入的偏差会逐渐放大，当预测时间尺度达到
10
天，风速等关键气象参量的预报结果与实测风速相关系数跌至
40%
以下，基于此得到的风光发电功率预测结果存在很大的偏差，对调度应用的支撑能力严重不足，亟需提升中长期时间尺度下风速
、
辐照强度等关键气象参量的预报准确度
。
[0003]现有技术中，松弛逼近法（牛顿松弛法，
Nudging
，
Newtonian relaxtion
）是指在松弛强迫项模式解与观测之差乘以给通过积分模式不断调整模式结果松弛调而使之向观测逼近
。
观测资料的格点化分析可通过逐步订正
、
变分或者是统计最优插值技术来获取，逼近一个观测点的权重则可是简单的
Cressman
型或者是基于最优插值
(OI)
的复杂的统计函数
。
然而，松弛逼近法的强迫项中的松弛系数都是人为预先给定的，要么是一个固定的值，要么是随空间分布的函数，难以设定最佳系数
。
[0004]WRF
模式的区域数值天气预报技术集成体系主要包含数据输入及预处理
、
主模式
、
后处理3个部分，各部分包含的功能及相互关系如图1所示，该技术是现有成熟的开源方法，采用物理方法，实现从观测数据输入
、
到大气物理方程计算
、
到结果处理的全流程，具有工程可实现性，目前正大规模推广应用
。
但由于大气的混沌特性和人类当前认知的不足，以及计算资源的不足，所构建的模型不可避免的存在参数不准确
、
不匹配
、
模型近似等问题；同事，不具备误差的反馈修正环节，初始边界条件的偏差以及模式误差会随着时间尺度的增加的显著放大，中长期预报时间尺度下精度严重不足
。

技术实现思路

[0005]为了克服上述缺陷，本专利技术提出了一种区域风光资源中长期人工智能预报方法及装置
。
[0006]第一方面，提供一种区域风光资源中长期人工智能预报方法，所述区域风光资源中长期人工智能预报方法包括：将气象再分析数据中预测时刻的气象图转换为图像数据矩阵；将所述图像数据矩阵作为预先训练的人工智能预报模型的输入，得到所述预先训练的人工智能预报模型输出的预测时刻的图像数据修正矩阵；基于所述预测时刻的图像数据修正矩阵确定气象图中各位置的气象参量预报值
。
[0007]优选的，所述将气象再分析数据中预测时刻的气象图转换为图像数据矩阵，包括：
将气象再分析数据中预测时刻的气象图转换为二维气象参量预报矩阵；将所述二维气象参量预报矩阵进行归一化，得到归一化矩阵；将所述归一化矩阵转换为所述图像数据矩阵
。
[0008]进一步的，所述二维气象参量预报矩阵如下：上式中，
z
p,p,k
为预测时刻
k
气象图中第
p
个实测点位的经度和第
p
个实测点位的纬度位置处气象参量的修正结果，
p∈[1,n]，
n
为气象图中实测点位的个数，
Z
k
为二维气象参量预报矩阵
。
[0009]进一步的，所述预测时刻
k
气象图中第
p
个实测点位的经度和第
p
个实测点位的纬度位置处气象参量的修正结果如下：上式中，
a1、a2和
a3分别为待求参量矩阵中的第一
、
二
、
三系数，
ω
i
为待求参量矩阵中第
i
个实测点位对应的修正系数，
U
为径向基函数，
d
i,p
为气象图中第
i
个实测点位的经度
x
i
和第
i
个实测点位的纬度
y
i
位置与气象图中第
p
个实测点位的经度
x
p
和第
p
个实测点位的纬度
y
p
位置之间的距离，
i∈[1,n]，
z
p,p,k+
为气象再分析数据中预测时刻
k
气象图中第
p
个实测点位的经度和第
p
个实测点位的纬度位置处气象参量
。
[0010]进一步的，所述待求参量矩阵如下：上式中，
K
为相互影响矩阵，
P
为控制点矩阵，
T
为转置符号，
Y
为高度矩阵，
O
为3×3的0值矩阵，
ω
n
为待求参量矩阵中第
n
个实测点位对应的修正系数
。
[0011]进一步的，所述控制点矩阵如下：上式中，
x
n
为气象图中第
n
个实测点位的经度，
y
n
为气象图中第
n
个实测点位的纬
度
。
[0012]进一步的，所述高度矩阵如下：上式中，
△
z
n
为历史时段内气象再分析数据中气象图中第
n
个实测点位的气象参量与气象图中第
n
个实测点位的气象参量实测值之差的平均值
。
[0013]进一步的，所述相互影响矩阵如下：上式中，
K
i,j
为气象图中第
i
个实测点位与气第
j
个实测点位之间的相互影响系数，
K
n,n
为气象图中第
n
个实测点位与气第
n
个实测点位之间的相互影响系数
。
[0014]进一步的，所述气象图中第
i
个实测点位与气第
j
个实测点位之间的相互影响系数如下：上式中，
I
i,j
为单位矩阵的元素，
λ
为形变控制系数，
α
为控制点平均距离，
d
i,j
为气象图中第
i
个实测点位的经度
x...

【技术保护点】

【技术特征摘要】
1.
一种区域风光资源中长期人工智能预报方法，其特征在于，所述方法包括：将气象再分析数据中预测时刻的气象图转换为图像数据矩阵；将所述图像数据矩阵作为预先训练的人工智能预报模型的输入，得到所述预先训练的人工智能预报模型输出的预测时刻的图像数据修正矩阵；基于所述预测时刻的图像数据修正矩阵确定气象图中各位置的气象参量预报值
。2.
如权利要求1所述的方法，其特征在于，所述将气象再分析数据中预测时刻的气象图转换为图像数据矩阵，包括：将气象再分析数据中预测时刻的气象图转换为二维气象参量预报矩阵；将所述二维气象参量预报矩阵进行归一化，得到归一化矩阵；将所述归一化矩阵转换为所述图像数据矩阵
。3.
如权利要求2所述的方法，其特征在于，所述二维气象参量预报矩阵如下：上式中，
z
p,p,k
为预测时刻
k
气象图中第
p
个实测点位的经度和第
p
个实测点位的纬度位置处气象参量的修正结果，
p∈[1,n]
，
n
为气象图中实测点位的个数，
Z
k
为二维气象参量预报矩阵
。4.
如权利要求3所述的方法，其特征在于，所述预测时刻
k
气象图中第
p
个实测点位的经度和第
p
个实测点位的纬度位置处气象参量的修正结果如下：上式中，
a1、a2和
a3分别为待求参量矩阵中的第一
、
二
、
三系数，
ω
i
为待求参量矩阵中第
i
个实测点位对应的修正系数，
U
为径向基函数，
d
i,p
为气象图中第
i
个实测点位的经度
x
i
和第
i
个实测点位的纬度
y
i
位置与气象图中第
p
个实测点位的经度
x
p
和第
p
个实测点位的纬度
y
p
位置之间的距离，
i∈[1,n]
，
z
p,p,k+
为气象再分析数据中预测时刻
k
气象图中第
p
个实测点位的经度和第
p
个实测点位的纬度位置处气象参量
。5.
如权利要求4所述的方法，其特征在于，所述待求参量矩阵如下：上式中，
K
为相互影响矩阵，
P
为控制点矩阵，
T
为转置符号，
Y
为高度矩阵，
O
为3×3的0值矩阵，
ω
n
为待求参量矩阵中第
n
个实测点位对应的修正系数
。
6.
如权利要求5所述的方法，其特征在于，所述控制点矩阵如下：上式中，
x
n
为气象图中第
n
个实测点位的经度，
y
n
为气象图中第
n
个实测点位的纬度
。7.
如权利要求6所述的方法，其特征在于，所述高度矩阵如下：上式中，
△
z
n
为历史时段内气象再分析数据中气象图中第
n
个实测点位的气象参量与气象图中第
n
个实测点位的气象参量实测值之差的平均值
。8.
如权利要求7所述的方法，其特征在于，所述相互影响矩阵如下：上式中，
K
i,j
为气象图中第
i
个实测点位与气第
j
个实测点位之间的相互影响系数，
K
n,n
为气象图中第
n
个实测点位与气第
n
个实测点位之间的相互影响...

【专利技术属性】
技术研发人员：冯双磊，王铮，王勃，宋宗朋，靳双龙，车建峰，王姝，王钊，赵艳青，陈帅，刘晓琳，滑申冰，柴荣繁，姜文玲，丁禹，
申请(专利权)人：中国电力科学研究院有限公司，
类型：发明
国别省市：