本发明属于风力发电功率预测领域，具体是一种基于气象大模型的风力发电功率预测方法。
背景技术：
1、风力发电作为新型可再生能源已经成为电力系统的重要组成部分之一，为解决风能的间歇性和随机波动性，需要对风力发电功率进行有效准确的预测。
2、现有风力发电功率的预测方法通常在统计方法的基础上使用人工神经网络模型预测风速，通过大量的历史时序数据对神经网络进行训练，找出输入数据和预测风速之间的非线性关系，结合建立的气象物理模型，即可实现一定时间尺度内风电输出功率预测，但不适用于超短期内的风速预测，无法确定超期内的气象变化，进而无法精确预测风力发电功率。
3、因此本发明提供了一种基于气象大模型的风力发电功率预测方法。
技术实现思路
1、本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了一种基于气象大模型的风力发电功率预测方法，用于解决现有技术适用于一定时间尺度内风电输出功率预测，但不适用于超短期内的风速预测，无法确定超期内的气象变化，进而无法精确预测风力发电功率的技术问题。
2、为实现上述目的，本发明的第一方面提供了一种基于气象大模型的风力发电功率预测方法，包括以下步骤：
3、步骤一：采集气象信息和风力发电机信息；其中，气象信息包括温度、湿度、空气压强和风速；风力发电机信息包括位置、风轮半径和风能利用系数；
4、步骤二：构建气象大模型，通过气象大模型预测风速；
5、步骤三：基于预测的风速，预测风力发电功率。
6、基于风速、空气摩尔质量以及风力发电机信息，预测风力发电功率
7、优选的，对气象信息进行周期采集；当采集周期存在信息缺失时，则将邻近的采集周期之间的数据均值或中位数来填充缺失值。
8、本发明通过填充缺失值确保后续的数据分析和模型构建能够在完整的数据集上进行，避免因数据缺失而引入的偏差，特别是在数据具有较强的时间连续性和相关性的情况下，从而提高分析的准确性和可靠性，该方法能进行有效的数据补全，适用于多种气象数据类型，如温度、湿度、风速、降水量等。
9、优选的，所述构建气象大模型，包括：
10、根据季节属性，分别构建不同季节的气象大模型；
11、从历史数据中提取相同季节的若干气象数据，在每日时间中插入若干时间节点，将其平均划分为若干时间段；将同日的同时间段之间的风速进行均值处理，得到相同时间段内的风速均值；
12、将日期和每日的各时间段作为lstm模型的输入数据，各时间段对应的风速均值作为lstm模型的输出数据，通过输入数据和输出数据对lstm模型进行训练，得到气象大模型，以及对气象大模型进行验证；其中，气象信息中的风速为风力发电机扇叶所在高度处的风速；输入数据和输出数据为lstm模型的训练数据。
13、本发明通过构建季节性的气象大模型，可以更准确地捕捉季节性气象模式，提高预测精度，特别是对于风速这类季节性变化明显的气象要素；其中lstm模型是一种特别适合处理序列数据的深度学习模型，能够记住长期依赖关系，这对于预测具有时间序列特性的气象数据如风速非常有利，能够捕捉到风速随时间变化的趋势和周期性，从而做出更准确的预测，进而提高风力发电机发电功率预测的准确性。
14、优选的，在若干时间段之间均匀或随机插入n个时间节点，得到若干新时间段，分析各时间段内的风速；通过新的若干时间段和对应的风速对lstm模型进行训练，得到新的气象大模型；其中，n>0。
15、本发明通过增加更多的时间节点，可以捕捉到更精细的时间序列特征，如突然的风速变化、周期性变化等，使得模型更好地学习到风速变化的规律，从而在预测未知数据时表现更佳；这相当于在模型训练过程中引入了更多的变化情况，使模型能够适应不同条件下的风速变化。
16、优选的，在若干时间段之间均匀插入n个时间节点，所述分析各时间段内的风速，包括：
17、从历史数据中提取同日的新时间段之间的风速，并进行均值处理，标记为sv；通过公式fv＝(sv+yv/(n-1))/2计算得到新时间段内的风速；其中，yv为未插入时间节点的时间段内的风速。
18、本发明均匀插入时间节点时，新时间段之间的风速由新时间段之间的风速均值和未插入时间节点的风速均值相结合，得到一个更加平滑和稳定的风速值，避免由某一单一因素决定，导致得到的结果不精准，有助于减少由于瞬时波动导致的噪声数据。
19、优选的，在若干时间段之间随机插入n个时间节点时，新时间段内的风速为历史数据中同日的新时间段之间风速的均值。
20、优选的，所述对气象大模型进行验证，包括：
21、从历史数据中提取验证数据集，将验证数据集中的输入数据输入至气象大模型中，输出输入数据对应的风速，得到预测风速数据集合；将预测风速数据集合与验证数据集中的输出数据集合进行均方差处理，当均方差小于均方差阈值时，气象大模型的精确度达到标准精确度，即气象大模型验证完成；其中，验证数据集为历史数据中除训练数据外的其它训练数据。
22、本发明通过独立的验证数据集来评估模型性能，可以帮助防止模型在训练数据上过拟合，过拟合是模型在训练数据上表现良好但在新数据上表现不佳的现象；使用均方差作为性能度量提供了一个客观、量化的方式来评估预测风速与真实风速之间的差异，反映模型训练的精确度是否达标，以提高模型的性能。
23、优选的，所述基于预测风速，预测风力发电功率，包括：
24、基于风力发电机信息，通过公式fp＝a×ρ×η×v3计算得到风力发电功率fp；其中，a为扫风面积，a＝1/2×π×r2，r为发电机扇叶的长度；ρ为空气密度；η为功率系数；v为风速。
25、优选的，分析空气密度，包括：
26、通过公式kmd＝q×m/(c×t)计算得到空气密度kmd；其中，q为空气压强；m为空气的摩尔质量；c为气体常数；t为空气温度。
27、优选的，判断空气中的湿度是否大于湿度阈值时；是，则空气的摩尔质量包括干空气摩尔质量和湿空气摩尔质量，且通过公式m＝α×mg+β×ms计算得到空气的摩尔质量m；否，则空气的摩尔质量为干空气摩尔质量；其中，α+β＝1。
28、本发明通过考虑湿度对空气摩尔质量的影响，在湿度较低时，只考虑干空气摩尔质量；在湿度较高时，则同时考虑干空气和湿空气的摩尔质量；使得该公式能够适应不同湿度条件下的计算需求，计算结果更加贴近实际情况；该方法在实际应用中具有广泛的适用性。无论是气象学、环境科学还是工程领域，都需要对空气的摩尔质量进行准确计算。
29、与现有技术相比，本发明的有益效果是：
30、1.本发明将每日时间平均划分为若干时间段，并对同一时间段的风速进行均值处理，可以消除短期内的随机波动，使数据更加平滑，有助于lstm模型更好地学习风速的长期模式；此外在若干时间段中插入若干时间节点，增加了更多的时间节点，可以捕捉到更精细的时间序列特征，使得模型更好地学习到风速变化的规律，提高超短期内风速预测的精度；
31、2.本发明从历史数据中获取验证数据集，并输入至气象大模型中，输出预测风速数据；通过分析预测风速数据集合与验证数据集中的输出数据集合之间的均方差，评估气象大模型预测的准确度，通过提高气象大模型预测的准确度，得到准确的风速，为后续准确预测风力发电功率奠定基础；
32、3.本发明在评估空气密度时充分考虑了湿度的影响，而传统的空气密度评估方法往往忽略了湿度的影响，导致评估结果不够准确；空气密度是风力发电功率预测的重要输入参数之一，准确的评估为风力发电功率预测提供更为精确的参数信息，进而得到更为精准的风力发电功率预测值。
1.一种基于气象大模型的风力发电功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于气象大模型的风力发电功率预测方法，其特征在于，对气象信息进行周期采集；当采集周期存在信息缺失时，则将邻近的采集周期之间的数据均值或中位数来填充缺失值。
3.根据权利要求1所述的一种基于气象大模型的风力发电功率预测方法，其特征在于，所述构建气象大模型，包括：
4.根据权利要求3所述的一种基于气象大模型的风力发电功率预测方法，其特征在于，在若干时间段之间均匀或随机插入n个时间节点，得到若干新时间段，分析各时间段内的风速；通过新的若干时间段和对应的风速对lstm模型进行训练，得到新的气象大模型；其中，n>0。
5.根据权利要求4所述的一种基于气象大模型的风力发电功率预测方法，其特征在于，在若干时间段之间均匀插入n个时间节点，所述分析各时间段内的风速，包括：
6.根据权利要求4所述的一种基于气象大模型的风力发电功率预测方法，其特征在于，在若干时间段之间随机插入n个时间节点时，新时间段内的风速为历史数据中同日的新时间段之间风速的均值。
7.根据权利要求3所述的一种基于气象大模型的风力发电功率预测方法，其特征在于，所述对气象大模型进行验证，包括：
8.根据权利要求1所述的一种基于气象大模型的风力发电功率预测方法，其特征在于，所述基于预测风速，预测风力发电功率，包括：
9.根据权利要求8所述的一种基于气象大模型的风力发电功率预测方法，其特征在于，分析空气密度，包括：
10.根据权利要求9所述的一种基于气象大模型的风力发电功率预测方法，其特征在于，判断空气中的湿度是否大于湿度阈值时；是，则空气的摩尔质量包括干空气摩尔质量和湿空气摩尔质量，且通过公式m＝α×mg+β×ms计算得到空气的摩尔质量m；否，则空气的摩尔质量为干空气摩尔质量；其中，α+β＝1。
