两种模式在风电场风速预测应用中的对比

利用2011年12月至2012年11月贺兰山风电场测风塔实测资料和同期WRF、BJ-RUC模式预测结果,对2种模式在风速预测中的应用进行对比分析。结果发现,月尺度上,2种模式预测的风速月均值普遍较实测值高,且WRF较BJ-RUC更接近实测值;WRF预测的月平均风速标准差普遍较实测低,而BJ-RUC普遍比实测大;春季WRF预测效果整体上较BJ-RUC好,其它季节WRF预测的月平均风速均方根误差较BJ-RUC的小,但与实测风速的相关性较BJ-RUC与实测风速相关性差。日尺度上,凌晨至中午前后和傍晚至前半夜2个时段,2种模式预测风速普遍比实测值大,而中午至傍晚时分正相反,预测值普遍较实测小。2种模式对〉12 m·s^-1风速预测的均方根误差最小,其次是3~12 m·s^-1,〈3 m·s^-1风速预测的均方根误差最大,但BJ-RUC对3~12 m·s^-1范围风速的变化趋势把握能力较好。WRF和BJ-RUC都普遍低估了1~4 m·s^-1风速段的频次,对5~10 m·s^-1范围频次普遍明显高估,对10 m·s^-1以上风速,WRF预测频次较实测低,而BJ-RUC预测频次则较实测高。BJ-RUC对该区风向的预测能力较WRF好。     

基于WRF模式和自适应偏最小二乘回归法的风能预报试验研究

利用中尺度WRF(Weather Research and Forecast Model)模式预报了2009年1,4,7和10月甘肃某风电场区域的风速和风向,并与离风电场最近的两座测风塔对应时段50m和70m高度实测资料进行了对比,客观地评估了该模式对风场预报的准确率。在相对准确的风场预报基础上,利用2008年1月-2009年4月风电场200台风机的实际功率记录数据和同期气象要素场预报资料,采用自适应偏最小二乘回归法和单机预报法建立了每台风机未来48h逐15min输出功率记录数据与同时刻轮毂高度预报的风速、风向、气温、湿度及气压之间的非线性统计预报模型。为了对该模型的稳定性和准确性进行长期的客观评估,独立进行了2008年1-12月的预报试验,分别建立了12组独立的非线性统计预报模型。试验结果表明:(1)WRF模式预报的各月风向分布、风频大小与实测风向有较好的一致性;盛行风向基本一致,风频大小相当,风向分布特征也较为一致。(2)WRF模式预报的50m和70m高度逐时平均风速与实测值的相关系数介于0.6～0.8之间,均方根误差介于1.5～2.6m.s-1之间。(3)2008年1-12月逐15min风电场风电功率预报值与风机输出功率记录值的相关性较显著,可较好地预报出各月风电功率的时间变化趋势。两者相关系数介于0.58～0.90之间,均达到了99.9%置信度。(4)各月逐15min风电功率预报值与风机输出功率记录值的误差较小,相对于总额定装机容量而言,均方根误差介于2.76%～12.89%之间。     

基于风速高相关分区的风电场风速预报订正

为了提高风电场风速预报和功率预测的精度和准确率,并考虑风机测风数据的不稳定因素,以多年服务的内蒙古中部某风力发电场A为研究区,在勘察风电场地形及风机布局后,按照季节、风向进行风机间风速时空相关性分析,划分出风机轮毂高度风速高相关为典型特征的风机网格分类片区,采用卡尔曼滤波方法,通过直接和间接两种订正方案,分别进行风机片区风速订正。结果表明:风速高相关风机片区的划分,对于提高风电场风速预报及功率预测精度和准确率具有一定作用,利用风电场区测风塔梯度观测风速,对风机片区进行间接订正,可有效改善数值模式预报风速,15个片区类型下相关系数由0.18~0.72提高至0.67~0.91,误差绝对值由1.6~2.9 m·s-1降低至1.0~1.5 m·s-1。     

基于WRF和CFD软件结合的风能资源数值模拟试验研究

运用中尺度数值模式WRF与法国CFD软件MeteodynwT相结合的方法（WRF／WT）,进行了广东省海陵岛地区的水平分辨率100m×100m的风能资源数值模拟试验,采用海陵岛上7座测风塔观测资料对WRF／WT模式的模拟风场进行误差检验,并与WRF／WAsP模式系统对单点风能参数模拟误差进行对比,研究WRF／WT模式系统在风电场微观选址和分散式风电开发利用中应用的可行性。结果表明：中尺度模式与CFD软件结合的数值模拟方法对区域风能资源分布趋势的模拟比单纯应用CFD软件更准确;WRF／WT模式系统应用于复杂地形风能资源数值模拟评估是可行的,其对区域风能资源参数分布模拟的准确率与WRF／WAsP对2km范围内风能资源参数模拟的准确率相当;WRF／WT模式系统在风速频率分布不满足Weibull分布的情况下和陡峭地形条件下有较好的模拟效果,相对WRF／wAsP有明显优势。今后需进一步研究中尺度模式与CFD软件的衔接方法,以及对中尺度模式模拟结果的误差订正。     

海南岛沿海近地面风时空分布特征的观测分析

利用2012年海南岛沿海6个常规气象站、2个海岛站的逐时风向、风速资料,分别对全年以及不同季节内近地面风速大小、风速日变化以及风向频率分布等进行了统计分析.结果表明:2012年全年海南岛沿海近地面风速约在1.8~5.7 m/s之间,其中三亚站风速最大,冬季高达6.5 m/s,大部分站点夏季风速最弱,最大风速出现在春、冬季;海南岛南部沿海风速大于北部,东部大于西部;各站24 h风速基本呈现白天大、夜晚小的典型特征,由于所处地形、植被独特,三亚部分季节风速呈现相反的日变化特征;全年各站基本存在两个盛行风向,大部分站点近地面风向与南海季风的风向变化较为一致,夏季以南风、西南风为主,冬季以北风、东北风为主;各季沿海近地面风向南北部差异较大,东西部差异较小,随着季节转变,南部沿海盛行风转向最明显,东西部次之,北部则不明显.     

风速检定中对标准风速测量值的影响量分析

针对风速仪检定中对标准风速测量值影响的量进行分析,找出了主要影响量,并加以消除,使检定结果更加真实、可靠.利用JJG431-86检定规程中已知的计算公式进行论证分析,并用实例进行验证.结果表明,实验室温度对标准风速的测量值影响大,应加以温度控制,在检定一台风速仪前后,实验室的温度变化不应该超过3℃.而空气密度修正系数查算表过于粗略,对标准风速的影响值也不可忽视,应该用公式直接计算进行误差消除.     

基于均生函数的风电场风速短临预报模型

风电场风速短临预报是风电预报业务的重要环节之一.选取2011年1、4、7和10月河北及内蒙古两地的两座测风塔观测资料,综合采用均生函数、灰色关联度和多元回归等多种统计预报方法,建立了一套分站点的、15 min动态滚动的未来0～4 h风速短临预报模型.实际对比分析表明,所建模型比传统ARMA模型的月平均预报误差减少了2.2％～10.8％,在实际中具有重要的应用价值.     

障碍物对风速风向影响的观测试验

随着城市化进程的加大,测站周围障碍物的存在使风观测资料失去代表性、准确性和比较性。为定量化研究障碍物对风观测的影响,开展了河北沽源构筑物观测试验,通过对比构筑物修建前后各测点的风速风向资料,分析了障碍物对风速风向的影响。分析结果显示:1障碍物对风速的衰减作用与背景风速大小有关,风速越大,衰减作用越强;2背景风速在2~6m/s时,障碍物背风面测点风速衰减随距离增大而减小,在10倍障碍物高度距离处平均约衰减15%;背景风速大于6m/s时,背风面各测点风速衰减先增大后减小,在大约5倍障碍物高度的距离处衰减最大,10倍障碍物高度的距离处平均约衰减20%~30%;3障碍物的存在使主风向的风向频率减小,对风向的影响距离为6倍障碍物高度。     

基于长短期记忆神经网络的风速超短期快速滚动预报技术

利用甘肃省某风电场2017—2020年测风数据,基于长短期记忆神经网络(LSTM)模型,通过评估不同输入数据和模型时间窗口长度下的预报精度,设计一套适用于风电场的风速超短期快速滚动预报方案。结果表明：通过输入不同的特征变量,在风速的超短期(未来4 h内)预报中,风速自身变化起主导作用,模型输入变量中只加入各高度层的风速能得到更好的模拟效果。通过评估LSTM模拟时间窗口长度L对模拟效果的影响,当时间窗口长度L≤24 h时,模拟效果较好,说明超短期风速变化主要和风速自身临近时刻的变化有关;当L>24 h时,模拟效果快速下降,说明过长的L会削弱模拟能力,降低模拟精度。通过分析LSTM在未来4 h内的风速模拟能力,发现随着预报时长的增加,模拟精度逐步下降,但在未来2 h内的风速均方根误差RMSE均小于2 m·s^-1,结果较为理想,且该方法对计算资源要求不高,经济实用性强,在业务中具有较高的应用潜力。     

台站观测环境改变对我国近地面风速观测资料序列的影响

利用中国大陆地区460个气象台站1971-2002年10m高度平均风速资料和2007年台站观测环境综合调查资料,根据环境评分分数、障碍物视宽角等影响地面观测风速的台站环境数据,将气象台站分为五类,分别对平均风速观测记录进行了比较分析。结果表明,全国范围内绝大多数未迁移台站近地面平均风速呈明显的减小趋势,冬季平均风速相对减小的趋势最大、秋季最小;在影响风速观测资料序列的台站观测环境因素中,观测场周围障碍物视宽角最为重要,随着周围障碍物视宽角的增大,风速相对减小的趋势也变得更明显;台站周围障碍物视宽角对年和季平均风速减小趋势的贡献最大,约为三分之一。因此,观测环境变化对地面风速资料序列的影响是不可忽视的重要因素。     

中尺度模式风电场风速短期预报能力研究

本文利用内蒙古乌兰察布风电场2009 年观测记录和WRF 数值模式预报,研究了中尺度数值天气模式对风电场风速的短期预报能力。研究表明:不同数值模式参数化方案的预报能力没有实质性的区别,对于不同时效的风场预报各种方案的预报能力不尽相同。在天气演变较为剧烈时,模式预报技巧相对较差。风电场周边主要天气系统对预报准确度有很大影响。就乌兰察布风电场而言,WRF 模式2009 年日平均预报相对误差仅为11.78%,且误差大于20%的日数占研究总天数不超过15%,具有较高的预报技巧。当蒙古气旋、东北气旋剧烈发展或风速迅速减小时风速的预报误差较大。     

全球气候模式对未来中国风速变化预估

利用世界气候研究计划之第三次耦合模式比较计划 (WCRP/CMIP3) 提供的, 参加IPCC AR4的19个气候模式和国家气候中心为IPCC第五次报告研发的新一代气候模式 (BCC_CSM1.0.1) 及模式集成, 考虑高排放 (A2)、 中等排放 (A1B) 和低排放 (B1) 三种人类排放情景, 预估21世纪中国近地层 (离地10 m) 风速变化。预估结果表明: (1) 21世纪全国平均的年平均风速呈微弱的减小趋势, 且随着预估情景人类排放的增加, 中国年平均风速减小趋势越显著。 (2) 冬季 (夏季) 全国平均风速呈减小 (增大) 趋势, 人类排放量越多, 冬季 (夏季) 风速减小 (增加) 程度越大。21世纪我国风速夏季 (冬季) 增大 (减小) 与全球变暖的背景下未来亚洲夏季风 (冬季风) 增强 (减弱) 有一定关系。 (3) 与20世纪末期 (1980～1999年) 相比, 21世纪初期 (2011～2030年) 中国区域年平均风速A2情景下略偏小, A1B和B1情景下年平均风速无明显变化; 21世纪中期 (2046～2065年) 和后期 (2080～2099年), 三种排放情景下中国年平均风速均比20世纪末期风速小。 (4) 21世纪初期、 中期和后期均表现为冬季 (夏季) 平均风速比20世纪末期冬季 (夏季) 平均小 (大)。 (5) 夏季中国中北部和东北地区风速偏大, 其余地区风速无明显变化或略偏小; 冬季除了东北北部和西藏东南部外, 中国大部地区风速偏小。绝大部分地区超过50%模式一致地预估上述风速变化形式, 具有一定的可信度。     

基于中尺度模式与神经网络的风电功率预测

将中尺度数值天气预报模式与BP神经网络模型相结合用于风电功率预测,以WRF模式回算了2008年6月至2009年6月试验风电场的气象要素,精度检验结果显示风速预报值与对应实测值之间的相关系数达到0.72,风向、气温、湿度、气压的预报也比较准确,满足建立BP神经网络预报模型的需要.逐一建立试验风电场40台风电机组输出功率的BP神经网络预报模型,分析了数据标准化方法、隐含层神经元数对预报精度的影响.进行了26天实效为24 h的逐10 min预报试验,并以独立样本进行预报精度检验,结果显示单台风电机组输出功率相对均方根误差在24.8％～32.6％之间,预报值与实测值之间的相关系数现在0.45～0.68之间;风电场整体相对均方根误差为19.5％,预报值与实测值之间的相关系数为0.74.研究结果表明该方法可以用于实际的风电功率预测.     

Meshless Surface Wind Speed Field Reconstruction Based on Machine Learning

We propose a novel machine learning approach to reconstruct meshless surface wind speed fields, i.e., to reconstruct the surface wind speed at any location, based on meteorological background fields and geographical information. The random forest method is selected to develop the machine learning data reconstruction model (MLDRM-RF) for wind speeds over Beijing from 2015–19. We use temporal, geospatial attribute and meteorological background field features as inputs. The wind speed field can be reconstructed at any station in the region not used in the training process to cross-validate model performance. The evaluation considers the spatial distribution of and seasonal variations in the root mean squared error (RMSE) of the reconstructed wind speed field across Beijing. The average RMSE is 1.09 m s^?1, considerably smaller than the result (1.29 m s^?1) obtained with inverse distance weighting (IDW) interpolation. Finally, we extract the important feature permutations by the method of mean decrease in impurity (MDI) and discuss the reasonableness of the model prediction results. MLDRM-RF is a reasonable approach with excellent potential for the improved reconstruction of historical surface wind speed fields with arbitrary grid resolutions. Such a model is needed in many wind applications, such as wind energy and aviation safety assessments.     

Analysis of Wind Power Assessment Based on the WRF Model

Assessing wind energy is a key step in selecting a site for a wind farm. The accuracy of the assessment is essential for the future operation of the wind farm. There are two main methods for assessing wind power： one is based on observational data and the other relies on mesoscale numerical weather prediction（NWP）. In this study, the wind power of the Liaoning coastal wind farm was evaluated using observations from an anemometer tower and simulations by the Weather Research and Forecasting（WRF） model, to see whether the WRF model can produce a valid assessment of the wind power and whether the downscaling process can provide a better evaluation. The paper presents long-term wind data analysis in terms of annual, seasonal, and diurnal variations at the wind farm, which is located on the east coast of Liaoning Province. The results showed that, in spring and summer, the wind speed, wind direction, wind power density, and other main indicators were consistent between the two methods. However, the values of these parameters from the WRF model were significantly higher than the observations from the anemometer tower. Therefore, the causes of the differences between the two methods were further analyzed. There was much more deviation in the original material, National Centers for Environmental Prediction（NCEP） final（FNL） Operational Global Analysis data, in autumn and winter than in spring and summer. As the region is vulnerable to cold-air outbreaks and windy weather in autumn and winter, and the model usually forecasted stronger high or low systems with a longer duration, the predicted wind speed from the WRF model was too large.     

Evaluation of High-Resolution WRF Model Simulations of Surface Wind over the West Coast of India

This paper presents results from a statistical validation of the hindcasts of surface wind by a high-reso-ution-mesoscale atmospheric numerical model Advanced Research WRF （ARW3.3）, which is set up to force the operational coastal ocean forecast system at Indian Na- tional Centre for Ocean Information Services （INCOIS）. Evaluation is carried out based on comparisons of day-3 forecasts of surface wind with in situ and remote-sensing data. The results show that the model predicts the surface wind fields fairly accurately over the west coast of India, with high skill in predicting the surface wind during the pre-monsoon season. The model predicts the diurnal variability of the surface wind with reasonable accuracy. The model simulates the land-sea breeze cycle in the coastal region realistically, which is very clearly observed during the northeast monsoon and pre-monsoon season and is less prominent during the southwest monsoon season.     

WRF模式中的微物理过程及其预报对比试验

WRF(Weather Research Forecast)模式系统是由许多美国研究部门及大学的科学家共同参与进行开发研究的新一代中尺度同化预报系统。本文主要对公开发布的WRF模式V2.0版本中使用的微物理过程方案进行简单介绍,并在国家气象中心建立的与T213中期预报模式相嵌套的预报系统的基础上,对不同微物理过程方案进行了降水预报对比试验和检验,对各方案的降水预报性能进行初步评估。试验结果表明,总体预报效果LIN方案较好,而对流参数化方案从降水落区预报和对流降水对总降水的贡献两方面看则是KF和NKF方案的预报效果较好。     

基于数值模拟和统计分析及智能优化的风速预报系统

风速预报是风力发电研究中的关键问题,也是一个十分困难的问题,其预测、评估技术还有待进一步提高.在预测短期风力(提前48～72 h对每小时的风速进行预测)时,通常采用数值天气预报模型进行预测.然而,初始扰动和模式物理过程的不确定性会影响气象数值预报的精度.将为数值天气预报模式提出一种新的后处理优化方法作为主要的思路,利用数据挖掘得到的关联规则来优化气象数值预报的结果,在中尺度模式WRF对风电场风速进行预报的基础上,将模式预测与统计分析及智能优化算法相结合,针对中国风电场的气候特征,利用一种新的修正模式误差的方法,极大地提高了风电场风速预报精度,提出了适合中国风力发电场的有效风速预报系统方案.     

WRF模式不同地形平滑方案对降水预报的影响

基于重庆市气象局中尺度数值预报业务系统,开展不同地形平滑方案对模式降水预报的影响研究,详细对比WRF模式中不使用地形平滑方案以及使用s-d-s和1-2-1两种平滑方案生成的静态地形高度场的差异,开展不同地形平滑方案批量平行试验并选取典型强降水个例进行对比分析,结果表明:不同地形平滑方案生成的静态地形高度场之间有明显的差异,特别是在地形较为陡峭的高原和山脉等地区,最大绝对偏差可达462.56m;s-d-s和1-2-1两种地形平滑方案主要平滑掉了模式地形中较小尺度的地形特征,且总体而言1-2-1方案的平滑效果比s-d-s方案明显。连续一个月批量平行试验降水预报检验结果表明,进行模式地形平滑对大雨及以上量级降水预报有正面影响,且使用1-2-1平滑方案的预报结果优于使用s-d-s平滑方案的预报结果;降水个例对比分析结果表明:采用不同的地形平滑方案会造成垂直速度和水汽通量散度预报的明显差异,这样的明显差异会进而影响强降水预报的落区和强度。     

风能模式预报的相似误差订正

采用一种基于相似误差的模式后处理方法,对2011年10月18日—2012年1月5日WRF模式24 h预报的陕西延长风电场风速进行误差订正。该方法通过寻找与当前预报相似的历史预报来进行误差订正,克服了一般基于时间顺序的误差订正方法的不足,即不能处理由于天气系统的剧烈转变引起的预报误差的快速变化。相似误差订正方法减小了预报的均方根误差和中心均方根误差,相对原始预报分别减小9%和10%左右。该方法不仅可以减小系统误差,还可以减小随机误差,从而提高预报准确率。同时,订正结果相对原始预报具有更好的Taylor图模态相关。相似误差订正方法对风能预报敏感区的订正效果更为显著,均方根误差和中心均方根误差分别减小了12%和22%左右。该方法尤其适用于基于风能模式预报的风速误差订正,同时该方法对其他的预测系统和预报变量也有很好的应用潜力。