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）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN119168416B(45)授权公告日2025.07.08

(21)申请号202411264240.2

(22)申请日2024.09.10

(65)同一申请的已公布的文献号申请公布号CN119168416A

(43)申请公布日2024.12.20

(73)专利权人重庆大学

地址400044重庆市沙坪坝区沙正街174号

(72)发明人李天杨庆山艾丽娟胡伟成李天昊张兴鑫李杭

(74)专利代理机构重庆博凯知识产权代理有限公司50212

专利代理师项晓丹

(51)Int.CI.

GO6Q10/0637(2023.01)

GO6F18/2415(2023.01)

GO6F30/28(2020.01)

GO6N3/006(2023.01)

GO6F18/2135(2023.01)

GO6F18/214(2023.01)

GO6N3/0442(2023.01)

GO6N3/08(2023.01)

G06F113/08(2020.01)

GO6F119/14(2020.01)

(56)对比文件

TianLi等.Short-termwindpower

predictionbasedonmultiscalenumericalsimulationcoupledwithdeep

learning.RenewableEnergy.2025,第246卷1-22.

审查员宋梦玲

权利要求书4页说明书12页附图2页

(54)发明名称

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

(57)摘要

本发明公开了一种基于WRF-CFD模拟和注意力机制架构模型的风功率预测方法，包括：1)收集风电场的信息；2)使用WRF模型预测输出；3)建立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)建立基于注意力机制架构的误差校正模型，对2)中的气象要素数据进行修正；6)利用5)修正后的测风塔的风速和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；

CN119168416B7)对预测结果进行性能评价。本方案通过利用中微尺度耦合方法和注意力机制架构的风速误差校正模型，能够显著提高风功率预测的准确性，

CN119168416B

风电场数据收集与准备

风电场数据收集与准备

WRF模型预测输出

CFD风场模拟

特征前处理

风速误差修正

风电场功率

预测性能评价

CN119168416B权利要求书1/4页

2

1.一种基于WRF-CFD模拟和注意力机制架构模型的风功率预测方法，其特征在于，包括以下步骤：

步骤1)收集风电场的信息，风电场的信息包括风速、风向、风机功率、地形数据；

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的预测输出；

步骤3)根据风电场目标位置的地形数据、测风塔和各风机的位置信息，建立风电场目标位置的CFD微尺度地形模型，并进行16个风向的CFD风场模拟，同时结合各风机功率曲线建立由测风塔的风速和风向到各风机功率的数据库；

步骤4)建立RF-VMD-PCA模型，利用RF-VMD-PCA模型对步骤2)中预测的气象要素数据进行特征前处理；

步骤4)中包括以下步骤：

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素数据；

步骤4.2)使用变分模态分解算法对输入气象要素数据中的风速误差进行分解，以得到预测误差子序列；

步骤4.2)中包括以下步骤：

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率尺度并估计相应的模态函数，VMD约束变分模型如下：

式中：k为分解后的模态总数，f为原始信号，u={u?,u?,…,uk}为各模态函数，①k={@?,@?,…,①}为各模态中心频率，0t为对时间t的偏微分，δ(t)为狄拉克δ函数，通常在0时刻取值为1,其他时刻为0,j为虚数单位，t为时间；u(t)为第k个模态函数随