CN119448285A 结合多气象大模型和wrf模型的功率预测方法及系统 （湖南省湘电试验研究院有限公司）

道学士路152号长沙岳麓科技产业园结合多气象大模型和WRF模型的功率预测方本发明提供了一种结合多气象大模型和WRF源发电功率预测技术领域。在接收到预测任务WRF_Solar模型对组合预测数据进行运算生成中对新能源场站历史数据进行拟合以得到训练模2根据所述全球历史数据驱动预设模型以生成预将所述预测气象数据与所述预测准备数据进行组合以生成组通过WRF/WRF_Solar模型对所述组合预测数据进行运算以生成关心区域对应的中尺度通过双线性插值的方式从所述中尺度气象数据中进行提取以获取目标通过机器学习算法对所述新能源场站历史数据中的气象数据和功率的非线性关系进将所述目标提取数据输入至所述训练模型中以生成新能源场站的功欧洲中期天气预报中心发布的ERA5再分析数据集，下载区域为全球范围，使用python的cds_api库下载ERA5hourlydataonsinglelevels和ERA5hourlydataonpressure球气象预报系统的预测数据集，具体数据集下为GFS0.25DegreeHourly，网格精度为0.25度分辨率，时间精度为1小时的预测数据，收集风电场历史一年以上的风速和功古大模型需要对下载NetCDF格式的ERA5数据集进行如下数据处理：使用netCDF4库读取ERA5数据集中所有的变量；构造一个4*721*1440网格数的地表数据集并转换为npy数据格测数据文件；其中，所述将所述预测气象数据与所述预测准备数据进行通过xarray+cfgrib两个python读取GFS的预测数据，使其按照不同的数据再通过NetCDF读取四层数据，并把数据层中对应的字段替换成气象大模型的预测结通过cdo工具把35层NC文件转换成GRIB格使用cat指令把35层GRIB文件拼接成一个3通过上述步骤就可以对一个时刻的数据进行拼接，重复24次就可以把2.根据权利要求1所述的结合多气象大模型和WRF模型的功率预测方法，其特征在于，获取预设气象大模型组合，根据所述气象大模型组合中对应的字获取WRF/WRF_Solar模型并根据所述WRF/WRF_Solar模型中的字段要求在预设气象数3.根据权利要求1所述的结合多气象大模型和WRF模型的功率预测方法，其特征在于，将所述全球历史数据输入至所述预设模型中以获取模型根据所述时刻限制条件在所述模型输出结果中生成预4.根据权利要求1所述的结合多气象大模型和WRF模型的功率预测方法，其特征在于，所述将所述预测气象数据与所述预测准备数据进行组合以生成组合预测数据的步骤，包确定所述预测气象数据与所述预测准备数据的字获取预设数据处理工具并根据所述数据处理策略对所述预测气象数据和所述预测准5.根据权利要求1所述的结合多气象大模型和WRF模型的功率预测方法，其特征在于，所述通过WRF/WRF_Solar模型对所述组合预测数据进行运算以生成关心区域对应的中尺度根据所述组合预测数据中的经纬度坐标位置生文件选择策略以及所述结果评率配置策略生成关心区域对应6.根据权利要求1所述的结合多气象大模型和WRF模型的功率预测方法，其特征在于，所述通过双线性插值的方式从所述中尺度气象数据中进行提取以获取目标提取数据的步通过双线性插值的方式结合所述目标经纬度和所述目标高度在所述网格点信息中确47.根据权利要求1所述的结合多气象大模型和WRF模型的功率预测方法，其特征在于，所述通过机器学习算法对所述新能源场站历史数据中的气象数据和功率的非线性关系进根据所述新能源场站历史数据中的字段信息确定将所述目标特征值结合所述训练集、所述验证集以及所述测试组合预测数据模块，用于将所述预测气象数据与中尺度气象数据模块，用于通过WRF/WRF_Solar模型对所述组合预测数据进行运算以训练模块，用于通过机器学习算法对所述新能源功率预测数据模块，用于将所述目标提取数据输入至所5[0005]第一方面，本申请提供的一种结合多气象大模型和WRF模型的功率预测方法采用根据所述全球历史数据驱动预设模型以生成预将所述预测气象数据与所述预测准备数据进行组合以生成组通过WRF/WRF_Solar模型对所述组合预测数据进行运算以生成关心区域对应的中通过双线性插值的方式从所述中尺度气象数据中进行提取以获取目标通过机器学习算法对所述新能源场站历史数据中的气象数据和功率的非线性关将所述目标提取数据输入至所述训练模型中以生成新能源场站的功获取WRF/WRF_Solar模型并根据所述WRF/WRF_Solar模型中的字段要求在预设气[0007]可选的，所述根据所述全球历史数据驱动预设模型以生6将所述全球历史数据输入至所述预设模型中以获取模型根据所述时刻限制条件在所述模型输出结果中生成预确定所述预测气象数据与所述预测准备数据的字获取预设数据处理工具并根据所述数据处理策略对所述预测气象数据和所述预[0009]可选的，所述通过WRF/WRF_Solar模型对所述组合预测数据进行运算以生成关心根据所述组合预测数据中的经纬度坐标位置生地形文件选择策略以及所述结果评率配置策略生成关心区域对应的中尺度通过双线性插值的方式结合所述目标经纬度和所述目标高度在所述网格点信息根据所述新能源场站历史数据中的字段信息确定根据所述新能源场站历史数据中的时间长度信息确定训练集、验证集以及测试7中尺度气象数据模块，用于通过WRF/WRF_Solar模型对所述组合预测数据进行运WRF_Solar模型对组合预测数据进行运算生成中尺度气象数据；通过双线性插值的方式从[0017]图2是本申请结合多气象大模型和WRF模型的功率预测方法第一实施例的流程示[0018]图3是本申请结合多气象大模型和WRF模型的功率预测方法第一实施例中以盘古图4是本申请结合多气象大模型和WRF模型的功率预测方法第一实施例使用双线图5是本申请结合多气象大模型和WRF模型的功率预测系统第一实施例的结构框[0020]参照图1，图1为本申请实施例方案涉及的硬件运行环境的计算机设备结构示意8[0021]如图1所示，计算机设备可以包括：处理器1001，例如中央处理器（Central通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真[0023]如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模[0025]本申请实施例提供了一种结合多气象大模型和WRF模型的功率预测方法，参照图气象大模型组合中对应的字段作为下载限制条件以从预设气象数据服务源中下载全球历9具并根据数据处理策略对预测气象数据和预测准备数据进行组合以生[0039]在具体实施中，通过WRF/WRF_Solar模型对组合预测数据进行运算以生成关心区以及结果评率配置策略生成关心区域对应的中尺根据组合预测数据的时间信息配置WPS环节中的namelist.wps和WRF环节中根据新能源场站的经纬度坐标配置WPS环节中namelist.wps和WRF环节中namelist.input文件中的坐标配根据需要计算的网格精细程度配置WPS环节中的namelist.wps文件中的地形文件根据新能源场站经纬度信息和地形信息配置WRF环节中namelist.input文件中的[0041]根据新能源场站功率预测频率配置WRF环节中namelist.input文件中的结果预测[0043]步骤S50：通过双线性插值的方式从中尺度气象数据中进行提取以获取目标提取[0045]步骤S60：通过机器学习算法对新能源场站历史数据中的气象数据和功率的非线[0049]需要说明的是，本实施例中基于多气象大模型与不同气象数据源预测数据的集按照上述表格要求，使用python的cds_api库下载ERA5hourlydataonsinglelevels和ERA5hourlydataonpressurelevels数据集，时间为预测时间的前一天两个层的四个变量，具体可参照表2，721*1440表示针对0.25度划分全球经纬度得到的[0057]构造一个5*13*721*1440网格数的高空数据集并转换为npy数据格式，其中5表示到GFS预测数据的Grib文件中对应的数据层（typeOfLevel）中对应的字段，同时注意运行geogrid.exe，link_grib.csh索引预测数据，选定Vtable.GFS作为运算的述要求修改WRF中的配置文件namelist.in的wrf.exe可以通过mpirun进行多进程并行运行。最后运行输出后得使用netCDF4+wrf_python两个python脚本读取WRF计算得到的数据，根据目标风生成预测气象数据；将预测气象数据与预测准备数据进行组合生成组合预测数据；通过WRF/WRF_Solar模型对组合预测数据进行运算生成中尺度气象数据；通过双线性插值的方被处理器执行时实现如上文的结合多气象大模型和WRF模型的功率预测的方[0088]参照图5，图5为本申请结合多气象大模型和WRF模型的功率预测系统第一实施例预测气象数据模块20，用于根据全球历史数据驱动预设模型以生成预测气象数中尺度气象数据模块40，用于通过WRF/WRF_Solar模型对组合预测数据进行运算生成预测气象数据；将预测气象数据与预测准备数据进行组合生成组合预测数据；通过WRF/WRF_Solar模型对组合预测数据进行运算生成中尺度气象数据；通过双线性插值的方法可借助软件加必需的通用硬件平台的