CN119168416B 一种基于wrf-cfd模拟和注意力机制架构模型的风功率预测方法 （重庆大学）

predictionbasedonmultiscale22.一种基于WRF-CFD模拟和注意力机制架构模本发明公开了一种基于WRF_CFD模拟和注意立CFD微尺度地形模型，并建立由测风塔的风速和风向到各风机功率的数据库；4)建立RF_VMD_PCA模型并对气象要素数据进行特征前处理；5)测风塔的风速和WRF模型预测的风向数据，结合3)得到的CFD的数据库对风电场功率进行预测；微尺度耦合方法和注意力机制架构的风速误差2步骤2)使用WRF天气研究与预报模型针对风电场的目标位置进行风电场气象要素数据步骤3)根据风电场目标位置的地形数据、测风建立由测风塔的风速和风向到各风机功率的步骤4)建立RF_VMD_PCA模型，利用RF_VMD_PCA模型对步步骤4.1)使用随机森林算法从WRF天气研究与预报模型预测的气象要素数据中筛选出预测误差子序列；步骤4.2.1)利用VMD约束变分模型，通过建立和求解变分问题以自适应地确定相关频3iz"")为第k个模态函数在第n+1次迭代中对频率⑴f)为原始信号频率域中的信号成分；设定条件时停止更新，以实现变分模态分解算法对WRF天气研究与预报模型预测的风速误步骤4.3)利用主成分分析方法提取预测误差子序列的主成分，丰富预测序列的特征，步骤5)建立基于注意力机制架构的误差校正模型，使用步骤6)利用步骤5)修正后的测风塔的风速和WRF模型预测的风向数据，结合步骤3)得步骤7)对修正后的测风塔风速和风电场功率的2.根据权利要求1所述的基于WRF_CFD模拟和注意力机制架构模型的风功率预测方法，对于风机功率缺失和异常值数据，在进行风速的线性插值填补3.根据权利要求1所述的基于WRF_CFD模拟和注意力机制架构模型的风功率预测方法，型针对风电场的目标位置进行风电场气象要素数据的预测输出，气象要素数据包括风速、4.根据权利要求1所述的基于WRF_CFD模拟和注意力机制架构模型的风功率预测方法，4其特征在于，步骤3)中，CFD微尺度地形模型的模拟输入为B类地貌的风廓线，采用尺度地形模型的模拟输出包括测风塔的风速、测风塔的风向和各风机轮毂高度处的风速，5.根据权利要求1所述的基于WRF_CFD模拟和注意力机制架构模型的风功率预测方法，步骤4.1.2)在构建每棵决策树时，对气象要素数据进行重复抽样以对决策树进行训OOB2_ERROOB1)/N；步骤4.1.5)选择重要性impX大于1.5％的气象要素数据6.根据权利要求1所述的基于WRF_CFD模拟和注意力机制架构模型的风功率预测方法，zWTx(i)T为特征向量矩阵W的转置；7.根据权利要求1所述的基于WRF_CFD模拟和注意力机制架构模型的风功率预测方法，步骤5.1)利用时间卷积网络TCN的一系列时间卷积层，捕捉不同时间尺度上的序列模5步骤5.3)将步骤5.1)和步骤5.2)提取的空间特征和全局时域特征进行堆叠融合，随步骤5.4)将步骤4)中经过特征前处理后的全部特征作为TCN_SENet_BiLSTM_GAM误差8.根据权利要求1所述的基于WRF_CFD模拟和注意力机制架构模型的风功率预测方法，其特征在于，步骤7)中，使用均方根误差RMSE、平均绝对误差MAE和平均绝对百分比误差6一种基于WRF_CFD模拟和注意力机制[0001]本发明涉及风功率预测技术领域，具体涉及一种基于WRF_CFD模拟和注意力机制法主要依赖于使用WRF的输出作为边界条件进行降尺度模拟，这导致了大量的计算成本和[0008]步骤2)使用WRF天气研究与预报模型针对风电场的目标位置进行风电场气象要素7的气象要素数据作为误差校正模型的输入，以对步骤2)中的预测的气象要素数据进行修[0012]步骤6)利用步骤5)修正后的测风塔的风速和WRF模型预测的风向数据，结合步骤[0017]优选的，步骤3)中，CFD微尺度地形模型的模拟输入为B类地貌的风廓线，采用尺度地形模型的模拟输出包括测风塔的风速、测风塔的风向和各风机轮毂高度处的风速，[0019]步骤4.1)使用随机森林算法从WRF天气研究与预报模型预测的气象要素数据中筛选出与历史实测风速密切相关的气象要素数据作为输入气象要得到预测误差子序列；8k(t)为第k个模态函数随时间t的子λ:数中心频率在第n+1次迭代的更新，fo)为满足设定条件时停止更新，以实现变分模态分解算法对WRF天气研究与预报模型预测的风9[0055]优选的，步骤5)中建立基于注意机制架构的TCN_SENet_BiLSTM_GAM误差校正模[0056]步骤5.1)利用时间卷积网络TCN的一系[0058]步骤5.3)将步骤5.1)和步骤5.2)提取的空间特征和全局[0059]步骤5.4)将步骤4)中经过特征前处理后的全部特征作为TCN_SENet_BiLSTM_GAM[0070]附图1为本发明基于WRF_CFD模拟和注意力机制架构模型的风功率预测方法的流[0071]附图2为本发明基于WRF_CFD模拟和注意力机制架构模型的风功率预测方法中的[0072]附图3为本发明基于WRF_CFD模拟和注意力机制架构模型的风功率预测方法中的基于注意力机制TCN_SENet_BiLSTM_GAM的误[0075]如附图1所示，一种基于WRF_CFD模拟和注意力机制架构[0077]步骤2)使用WRF天气研究与预报模型针对风电场的目标位置进行风电场气象要素拟输入为B类地貌的风廓线(使用历史实测测风塔和风机不同高度风速进行拟合得到的风[0084]步骤4)建立RF_VMD_PCA模型(RVP)，利用RF_VMD_PCA模型对步骤2)中预测的16个[0085]步骤4.1)使用随机森林(RandomForest,RF)算法从WRF天气研究与预报模型预测的气象要素数据中筛选出与历史实测风速密切相关的气象要素数据作为输入气象要素数[0086]步骤4.1.1)通过自助法(bootstrapping)从原始的气象要素数据中随机抽取子[0092]步骤4.2)使用变分模态分解(VMD)算法对输入气象要素数据中的风速误差进行分k(t)为第k个模态函数随时间t的子λ:率ω的估计，i(o)为第n次迭代中对频率数中心频率在第n+1次迭代的更新，fo)为满足设定条件时停止更新，以实现变分模态分解算法对WRF天气研究与预报模型预测的风[0106]步骤4.3)利用主成分分析方法(PCA)[0119]步骤5.1)利用时间卷积网络TCN的一系[0121]步骤5.3)将步骤5.1)和步骤5.2)提取的空间特征和全局[0122]步骤5.4)将步骤4)中经过特征前处理后的全部特征作为TCN_SENet_BiLSTM_GAM[0123]步骤6)利用步骤5)修正后的测风塔的风速和WRF预测的风向数据，结合步骤3)得绝对百分比误差(MAPE)分别为6.64MW、5.19MW和55.17相较于WRF模型分别降低了[0134]本实施例旨在提高风电功率预测的准确性，通过引入中微尺度WRF_CFD耦合方法(RVP)模型对气