高原气象

作者：姚润进,程帅兵,赵乾乾,李文龙,钱栋

单位：1. 晶科电力科技股份有限公司 设计研究院，江苏 南京 210000 ","2. 同济大学 航空航天与力学学院，上海 200000 ","3. 江苏省海上风电叶片设计与制造技术重点实验室，江苏 连云港 222006 ","4. 中国三峡新能源（集团）股份有限公司 江西分公司，江西 南昌 330038 ","5. 中国电建集团江西省电力建设有限公司 碳中和研究院，江苏 南京 210000

关键词：质量控制,风速,变分模态分解,卷积神经网络,门控循环单元

基金：晶科科技创新项目(JKP24.02),江苏省碳达峰碳中和科技创新专项资金（重大科技成果转化）项目(BA2022113),中国电建集团江西省电力建设有限公司企业创新专项科技项目(JEPCC-KYXM-2023-002)

山地风受地形影响呈现强烈的间隙性、 波动性和非平稳性， 观测质量差， 常规质量控制方法无法有效地提升其观测质量。针对此， 构造一种基于变分模态分解、 卷积神经网络、 门控循环单元组合深度学习的质量控制方法（VCG）， 并引入粒子群智能优化策略、 风功率重构模型， 综合提升观测数据质量。为验证该方法的效果， 运用该方法对江西赣州、 四川广元、 安徽芜湖、 湖北黄石、 河南平顶山、 广西贺州某地共6座复杂山地风电场目标观测塔2016年10 min风速、 风向数据进行质量控制， 并与单一机器学习方法、 空间回归方法（SRT）、 反距离加权法（IDW）进行对比。结果表明， 该方法适用于山地风电场的观测风数据的质量控制， 相较于常规方法具有更高的可疑数据检错率； 控制后的数据能更好地还原观测背景场， 应用于风电场的发电量评估业务具有更低的误差率； 且具有地形适应性强的特点。

来源：2024年第6期

《高原气象》期刊编辑部

查看高原气象杂志2024年第6期