一种多源气象与电力数据融合处理方法与流程

本发明涉及数据融合，尤其涉及一种多源气象与电力数据融合处理方法。

背景技术：

1、随着“双碳”目标的深入推进和新型电力系统的加快建设，新能源发电占比日益提高。然而，风电和光伏出力受气象条件影响极大，其波动性和间歇性给电力系统的安全稳定运行带来严峻挑战。准确的新能源功率预测是实现电网调度、电力市场交易和场站精益化管理的关键支撑。

2、目前，新能源功率预测通常依赖数值天气预报产品（如ecmwf、cma-wsp等）作为气象输入，再通过统计或机器学习模型建立气象要素到发电功率的映射关系。然而，现有技术存在以下显著缺陷：

3、多源气象数据融合方式粗糙：实际应用中往往面临多个数值预报模式、卫星反演产品和地面观测数据并存的情况，但现有融合方法多采用固定权重或简单的算术平均，未能考虑不同数据源在不同天气类型、不同地形条件下的表现差异。例如，某些模式在晴天条件下精度较高，但在台风或强对流天气下误差急剧增大，固定权重融合会将低质量数据带入最终结果，导致预测精度下降。

4、缺乏物理一致性校验：多源数据在进入融合前未经严格的物理约束筛选，可能包含违背基本物理定律的异常值（如夜间出现大于零的太阳辐射、风速与气压严重矛盾等）。这些物理异常值不仅污染融合结果，还会误导后续机器学习模型的训练，使其学到错误的映射关系。

5、复杂地形下气象要素订正能力不足：在喀斯特地貌、山地、丘陵等复杂地形区域，数值预报模式的粗分辨率难以刻画局地地形引起的辐合、绕流、山谷风、阴影遮挡等效应。现有技术要么忽略地形影响，要么采用简单的经验公式修正，精度有限且泛化能力差。

6、预测不确定度缺失：绝大多数功率预测系统仅输出单一的点预测值，而不提供该预测值的置信区间。调度人员无法判断当前预测的可信程度，在极端天气或数据异常时容易做出错误决策。

7、数据源故障时的应对机制薄弱：当某个数据源因通信中断、仪器故障或校准漂移而质量下降时，现有系统通常被动接收劣质数据或直接报错中断，缺乏自动检测、降级和切换备用链路的智能容错机制。

8、因此，有必要提供一种新的多源气象与电力数据融合处理方法解决上述技术问题。

技术实现思路

1、本发明解决的技术问题是提供一种通过天气型自适应动态权重融合、物理一致性约束预筛选、地形感知局地订正、不确定性量化传递以及源级健康度降级，能够显著提升新能源功率预测的精度、可靠性的多源气象与电力数据融合处理方法。

2、为解决上述技术问题，本发明提供的多源气象与电力数据融合处理方法包括以下步骤：

3、s1、获取多种来源的气象数据，所述多种来源包括数值天气预报产品、气象卫星遥感数据、气象雷达回波数据以及地面自动气象站实测数据，将所述多种来源的气象数据统一插值到同一时空基准网格上，生成时空对齐的多源气象数据集；

4、s2、对所述时空对齐的多源气象数据集中的每一数据源的每个格点或站点的气象要素执行物理层硬约束校验，所述物理层硬约束包括：露点温度不超过干球温度、地表太阳辐射辐照度非负且不超过大气顶理论上限、近地层风速与气压满足静力适应性的合理性判据，将违反任一物理层硬约束的数据点标记为物理异常值并予以隔离，生成经物理预筛后的多源气象数据集；

5、s3、提取经物理预筛后的多源气象数据集对应的天气环流特征向量，基于所述天气环流特征向量对当前时段进行天气型分类，得到当前天气型类别；针对每种天气型类别，预先基于历史同期观测数据与各数据源在该天气型下的预测偏差统计，构建各数据源相对于该天气型的时变技能评分矩阵，所述时变技能评分矩阵量化每个数据源在每个气象要素上的相对可信度；

6、s4、根据所述当前天气型类别索引到对应的时变技能评分矩阵，为每个数据源分配动态置信权重，所述动态置信权重与该数据源在所述当前天气型下的技能评分正相关、与该数据源在当前滑动时间窗内的数据离散度负相关；基于所述动态置信权重对所述经物理预筛后的多源气象数据集中各数据源的同一气象要素进行加权平均融合，生成融合气象场；

7、s5、获取场站所在的地形静态数据，所述地形静态数据包括高程、坡度、坡向及地表粗糙度参数，以所述地形静态数据为输入，通过预训练的地形-偏差映射模型输出地形感知的局地偏差订正场，利用所述局地偏差订正场对所述融合气象场进行逐格点残差订正，得到地形订正后的高精度气象场；

8、s6、计算所述加权平均融合过程中各数据源相对于融合结果的偏差散度，基于所述偏差散度估算所述高精度气象场中每个格点的预测不确定度，输出带置信区间的气象要素预测产品；同时，根据所述偏差散度超过预设阈值的持续时长判定各数据源的健康度等级，当任一数据源的健康度降至降级阈值以下时，将该数据源从融合权重中剔除并触发备用链路，实现不中断服务的降级预测；

9、s7、将所述带置信区间的气象要素预测产品与新能源场站的历史功率数据、设备参数及实时运行状态数据进行时空匹配，通过嵌入有功率转换物理约束的机器学习预测模型，输出各场站的多时间尺度功率预测值及对应的功率预测置信区间。

10、优选的，所述s3中，所述天气环流特征向量提取自数值天气预报产品的位势高度场、海平面气压场和近地层温度梯度的统计量，所述天气型分类采用无监督聚类算法将历史所有时次的环流特征向量划分为若干典型天气型类别，所述典型天气型类别区分大尺度稳定型、锋面过境型、强对流型和台风或热带气旋影响型。

11、优选的，所述s3中构建时变技能评分矩阵的具体方式为：对于任意数据源、任意气象要素和任意天气型，其技能评分定义为该数据源在该天气型下对该要素的交叉验证均方根误差的倒数归一化后的数值；所述动态置信权重由技能评分与一个基于当前滑动窗内数据离散度的指数衰减因子的乘积经归一化后确定，使得离散度越大的数据源获得的权重越小。

12、优选的，所述s2中的物理层硬约束校验还包括：针对光伏场站，校验白天时段地表太阳辐射总辐射量与直射辐射分量及散射辐射分量之间满足辐射分量一致性关系，即总辐射量不小于直射辐射分量乘以天顶角余弦与散射辐射分量之和；针对风电场的轮毂高度风速，校验其与近地层风切公式的对数律或幂律剖面是否相容，超出物理允许范围的数值被标记为物理异常值。

13、优选的，所述s5中的地形-偏差映射模型以如下方式构建：将地形静态数据编码为包含高程、坡度模量、坡向、地表粗糙度及土地覆盖类别在内的地形特征向量；以历史时段内地面站观测与融合背景场之间的残差为监督目标，训练一个以所述地形特征向量和所述融合气象场局部梯度为输入的回归模型或轻量神经网络，输出所述地形感知的局地偏差订正场，最终订正结果为所述融合背景场加上所述局地偏差订正场。

14、优选的，所述s6中，估算预测不确定度的具体方式为：将各数据源在动态权重融合后的融合方差近似估计为各数据源权重平方与其自身方差乘积之和，再加上各数据源两两之间权重乘积与残差协方差乘积之和的一半；据此输出气象要素的预测区间，并将所述预测区间随气象要素预测值一并传入所述s7，使得所述功率预测置信区间由气象不确定度与功率转换模型误差联合传播得到。

15、优选的，所述s6中，数据源的健康度等级的降级包括以下步骤：设置每个数据源的健康度评分，初始化为最高值；在每个更新周期内，当数据源被标记为物理异常值的比例超过第一阈值、或其偏差散度连续超过第二阈值的时长超过设定时长时，将健康度评分按衰减函数降低；当健康度评分低于健康度阈值时，执行以下操作：第一，将该数据源的动态置信权重置为零，重新归一化其余数据源的权重；第二，激活与该数据源对应的备用链路—所述备用链路包括：同类备用源切换、邻近站空间插值填补、或调用历史同天气型相似日集合的集成替代方案中的一种或多种的组合；第三，生成数据源降级事件日志供集控中心监视模块展示。

16、优选的，所述s7中嵌入有功率转换物理约束的机器学习预测模型，其训练目标函数中包含物理正则化项，所述物理正则化项包括：强制预测功率非负的惩罚项、约束预测功率不超过理论容量上限的惩罚项、以及约束在相同机组状态下预测功率关于风速或辐照度具有物理意义上的单调不减特性的单调性正则项；所述模型输入除所述地形订正后的高精度气象场的风速、辐照度、气温、气压要素外，还拼接有所述预测不确定度的方差估计作为不确定性感知通道，使模型在非置信区域自动输出更大的功率预测区间宽度。

17、优选的，所述s3中，所述时变技能评分矩阵以滚动时间窗方式在线更新：每当获取到新的地面站实测数据后，在对应天气型类别下更新该数据源的交叉验证均方根误差和要素观测标准差，从而实现所述动态置信权重的持续自适应演化，而非依赖静态离线设定的固定融合权重。

18、优选的，所述s1中，对不同空间分辨率的数值预报格点与不规则分布的地面站数据，采用保持物理量守恒的重网格化插值—对风速矢量分量在水平面上执行双线性插值后再合成模量，对辐射通量类的标量执行面积加权平均插值，对温压湿类的状态量执行质量加权插值，避免因插值方式不当引入虚假的能量或通量不平衡。

19、与相关技术相比较，本发明提供的多源气象与电力数据融合处理方法具有如下有益效果：

20、本发明提供一种多源气象与电力数据融合处理方法，通过天气型自适应技能矩阵与动态置信权重，能够实现多源气象数据在不同天气条件下的差异化融合，从而能够有效避免固定权重融合带来的精度损失，改善复杂天气下的融合质量；物理一致性约束预筛选在数据入口处即剔除非物理异常值，能够防止劣质数据进入后续环节，提升整个预测链路的稳健性；地形感知局地残差订正模型能够捕捉地形诱导的局地气象偏差，在复杂地形区域显著改善了订正后的气象场与实测数据的一致性；输出带置信区间的气象和功率预测产品，为调度决策提供了风险量化依据，有助于在电力市场交易中优化策略；源级健康度降级机制能够实现对数据源质量的实时监控与自动容错，当某一数据源失效或质量劣化时，系统能够无缝切换至备用链路，保证预测服务不中断，特别适用于无人值守的集控中心运维场景。