本發(fā)明屬于風能資源評估與氣候數值預測交叉，涉及多模式氣候模式月尺度風速預報偏差訂正及風能資源精細化綜合評估與業(yè)務化風電規(guī)劃應用，具體是針對風能資源的月尺度預測，提出一種基于u-net人工智能模型的風能資源月預測訂正方法及系統(tǒng)，從而有效提升其預測準確率。
背景技術：
1、與化石能源相比，風能發(fā)電具有顯著的間歇性與波動性。隨著風電機組在更大范圍、更高比例并網，電網的安全穩(wěn)定運行對風能資源的時空可預見性提出了更高要求。能源系統(tǒng)的安全運行、供需匹配與調度優(yōu)化均與氣候條件密切相關，開展面向業(yè)務的風能氣候預測，尤其是精確的月尺度風速預測，在風電場選址論證、支撐電力系統(tǒng)中期規(guī)劃、月度發(fā)電計劃編制、檢修安排及電力市場交易策略制定等業(yè)務中具有重要參考價值。
2、當前業(yè)務中廣泛采用的動力氣候模式雖能提供逐月氣候預測，但對近地層及風機輪轂高度風速仍存在系統(tǒng)性偏差與空間細節(jié)不足：一是模式在復雜地形與下墊面條件下對風場的刻畫能力有限，導致區(qū)域性偏差顯著；二是月尺度風速的幅度分布與空間型態(tài)常出現系統(tǒng)漂移，直接用于風電業(yè)務會引入較大誤差；三是氣候模式分辨率較粗，無法滿足風電選址評估、區(qū)域消納與月度發(fā)電量研判對高分辨率與高精度的需求。
3、現有以統(tǒng)計回歸或簡單偏差訂正為主的后處理方法，難以同時兼顧空間結構糾偏、幅度分布矯正與地形粗糙度等靜態(tài)因子的綜合約束，導致訂正后的月尺度產品在業(yè)務穩(wěn)定性與可用性方面仍有不足。隨著多模式集合預報和多源資料同化技術的發(fā)展，多氣候模式、多物理方案輸出的聯(lián)合使用逐漸成為提高預報能力的重要方向。這類方法雖然在一定程度上緩解了單模式系統(tǒng)性偏差和偶然誤差，但普遍將多模式信息簡化為少量統(tǒng)計特征或加權系數，忽略了不同模式在多層次動力場、熱力場以及下墊面響應方面的互補性和差異性，尚難以從空間場整體結構角度對月尺度異常進行精細化訂正。
4、綜上所述，現有氣候模式月尺度風速預報在系統(tǒng)偏差、空間結構還原以及業(yè)務化應用等方面仍存在明顯不足，因此如何構建面向多氣候模式、能夠在月尺度上對風能資源進行高精度空間訂正，并在不同區(qū)域、季節(jié)和預報時效下保持穩(wěn)定表現的風能資源月預測訂正技術，已成為提升風電消納效率、保障電網運行安全亟待解決的技術問題。
技術實現思路
1、（一）發(fā)明目的
2、為解決現有技術的上述問題，本發(fā)明旨在提供一種基于u-net的多模式風能資源月尺度預測訂正方法及系統(tǒng)，用于對動力氣候模式輸出的月尺度風速進行空間結構與幅度分布的一體化訂正，生成更貼近觀測特征、具備更高區(qū)域適用性的月尺度風速產品，從而提升電網消納風電的效率和運行安全性。具體而言，本發(fā)明以全球月尺度近地面風速為研究對象，利用再分析資料與主流動力氣候模式的歷史回報數據，系統(tǒng)評估模式在逐月預報中的技巧表現；在此基礎上，通過對比篩選與交叉驗證，構建并優(yōu)選基于u-net的空間映射訂正框架，融合地面氣溫、海平面氣壓、中高層環(huán)流與多年氣候態(tài)等氣候學特征，實現對近地面風速距平的分布糾偏；據此形成面向業(yè)務的月尺度風能資源客觀化訂正技術，使訂正后的逐月近地面風速在全球主要風區(qū)的空間相關系數顯著大于動力模式直接輸出，并具備跨模式、跨區(qū)域的穩(wěn)健泛化與工程化滾動運行能力。
3、（二）技術方案
4、為實現該發(fā)明目的，解決其技術問題，本發(fā)明采用如下技術方案：
5、本發(fā)明的第1個發(fā)明目的在于提供一種基于u-net的多模式風能資源月尺度預測訂正方法，用于對動力氣候模式輸出的月尺度風速進行空間結構與幅度分布的一體化訂正，生成更貼近觀測特征、具備更高區(qū)域適用性的月尺度風速產品，所述方法在實施時至少包括如下步驟：
6、s100.?基準氣候態(tài)與觀測距平制備：提取再分析數據集era5中預設連續(xù)多年時間段內的全球月尺度10m風速數據，按歷年同月計算每一格點多年平均氣候態(tài)風速場，并以各年月尺度風速減去對應月份氣候態(tài)風速的距平處理方式，得到作為基準和訂正目標的era5風速距平場；
7、s200.?多模式多變量回報數據獲取：獲取多個氣候模式在所述預設連續(xù)多年時間段內的月尺度歷史回報數據，至少包括10米風速及多個等壓層的位勢高度、緯向風、經向風和地面氣壓，形成多模式預報場；
8、s300.?數據格式標準化：將era5風速距平場與多模式預報場數據統(tǒng)一插值到相同分辨率的經緯度網格，并對各變量進行標準化處理，形成用于模型構建訓練的樣本集；
9、s400.?u-net深度學習訂正模型構建：以多模式預報場為輸入，以era5風速距平場為訂正目標，構建基于編碼-解碼結構卷積神經網絡的u-net深度學習訂正模型，通過迭代優(yōu)化網絡參數，使模型逼近從多模式預報場到觀測距平場的非線性空間映射關系；
10、s500.?時間序列交叉驗證與模型優(yōu)化：按時間順序將樣本集劃分為多個訓練測試周期，每個周期選取連續(xù)時段作為測試集，剩余數據劃分為訓練集和驗證集；利用訓練集對訂正模型進行訓練，根據模型在驗證集上對10m風速距平的訂正效果，選取使距平空間相關系數提升程度最大的輸入特征組合與網絡超參數配置作為最優(yōu)模型參數；
11、s600.?測試集評估訂正模型效果：基于最優(yōu)模型參數，對獨立測試集中未來多個月份的多模式預報場進行逐月訂正，并使用距平空間相關系數評估不同區(qū)域、不同月份模型輸出相較于對應era5風速距平場的改進效果。
12、本發(fā)明的第2個發(fā)明目的在于提供一種風能資源月尺度預測訂正系統(tǒng)，基于上述基于u-net的多模式風能資源月尺度預測訂正方法，包括：
13、基準氣候態(tài)與觀測距平構建模塊，用于從再分析數據集era5中讀取預設連續(xù)多年時間段內的全球月尺度10m風速數據，按歷年同月計算每一格點多年平均氣候態(tài)風速場，并通過將各年月尺度風速減去對應月份氣候態(tài)風速，生成era5風速距平場；
14、多模式多變量回報數據獲取模塊，用于獲取多個動力氣候模式在所述時間段內的月尺度歷史回報數據，以形成多模式預報場；
15、數據格式標準化模塊，用于將era5風速距平場與多模式預報場統(tǒng)一插值到相同分辨率的經緯度網格，并對各物理量執(zhí)行統(tǒng)一的標準化處理，形成用于模型構建訓練的樣本集；
16、u-net深度學習訂正模型訓練模塊，用于以多模式預報場為輸入、以era5風速距平場為訂正目標，構建基于編碼-解碼結構卷積神經網絡的u-net深度學習訂正模型，并通過迭代優(yōu)化網絡參數使模型逼近從多模式預報場到觀測距平場的非線性空間映射關系；
17、時間序列交叉驗證與預測訂正模塊，用于按時間順序將樣本集劃分為多個訓練測試周期，在各周期內利用訓練集對訂正模型進行訓練，并根據模型在驗證集上對10m風速距平的訂正效果，確定使距平空間相關系數提升程度最大的輸入特征組合與網絡超參數配置作為最優(yōu)模型參數，進一步基于最優(yōu)模型參數對獨立測試集及目標預報時段的多模式預報場進行逐月訂正，輸出經訂正的月尺度10m風速距平預測產品。
18、（三）技術效果
19、本發(fā)明針對多氣候模式對10米風速距平預測存在系統(tǒng)性偏差的問題，采用“多模式輸出+深度學習訂正”的技術路線，構建了基于u-net網絡的誤差訂正模型，有效減小了氣候模式在全球范圍內對10米風速距平預測的偏差，相較于模式直接輸出，其優(yōu)勢與效果主要體現在以下幾個方面：
20、（1）本發(fā)明利用u-net深度學習模型的非線性特征提取與空間映射能力，能夠精準學習并修正氣候模式的系統(tǒng)性誤差。在訓練與測試中，模型均表現出良好的損失收斂趨勢，均方誤差顯著下降。經過訂正后，在0至5個月的提前期內，全球、陸地及海洋區(qū)域的預測距平空間相關系數均得到顯著提升，表明訂正后的風速距平在空間型態(tài)上與真實觀測更為接近。
21、（2）本發(fā)明的訂正效果在不同區(qū)域和季節(jié)表現出差異性，優(yōu)勢顯著。尤其對于占地球表面大部分面積的海洋區(qū)域，距平空間相關系數提升最為明顯，最大可達0.2以上，有效彌補了模式在海洋上空因觀測資料稀疏而導致的預測短板。同時，模型在冬季月份（如1月、12月）展現出最強的訂正能力，這表明本發(fā)明能夠有效捕捉并修正模式在冬半年更為顯著的誤差，為高風速、高風能潛力的季節(jié)提供了更可靠的預測服務。
22、（3）本發(fā)明可廣泛應用于氣候預測研究、風能評估、氣象風險評估等領域。通過對多模式集成輸出的深度學習訂正，能夠在月到季節(jié)尺度上提供更精準的10米風速距平預測產品，為風電生產計劃、儲能配置與電網月度調度提供高可信的氣候信息支撐。