基于WRF模式和PSO-LSSVM的风电场短期风速订正

风速预测是风电场风电功率预测的基础与前提,以数值天气预报(WRF模式)为基础进行风速预测,为了提高WRF模式预测的准确性,采用最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)对WRF模式输出的风速进行订正。同时,为提高LSSVM算法的精确度和减小拟合过程的复杂度,采用粒子群优化算法(Particle Swarm Optimization,PSO)对其参数进行优化。试验结果表明:采用LSSVM订正可以进一步减小WRF模式预测风速的误差,再经过PSO优化后,相对均方根误差和相对平均绝对误差降低了5%~10%,均方根误差下降了0.5 m/s。与未经优化的LSSVM以及极限学习机(ELM)算法对比分析后得出,粒子群优化最小二乘支持向量机(PSO-LSSVM)对WRF模式预测的风速有较好的订正效果,能进一步提高风速预测的准确性。

基于滚动极值处理的BP神经网络方法的WRF模式预报风速订正

为解决风速预报准确性问题,提高风能利用率,应用滚动的BP神经网络方法结合对极值的处理,对我国某风电场2007年4—11月的WRF模式预报风速结果进行了滚动订正研究。结果表明,经过1 h、12 h、24 h时间步长的滚动极值BP神经网络方法订正后,风电机组轮毂高度70 m处订正风速的相对均方根误差平均值分别减少16.59%、12.11%和11.61%,相对平均绝对误差平均值分别减少13.81%、11.09%和10.37%;且以时间步长为1h的滚动极值处理的BP神经网络订正效果最好,预报风速更趋近于实测风速,预报精度明显提高。

浙江近海冬季大风风速推算和ASCAT风速订正方法探讨

利用2010—2014年12月至次年2月浙江省自动气象站测风资料和ASCAT散射计反演的风场资料,通过模糊聚类空间分型,选取有代表性的站点建立浙江近海冷空气大风的风速推算公式,并对ASCAT近海风场产品进行误差分析和风速订正。结果表明:冷空气影响时浙江北部近海多数自动站与舟山浮标站相比有偏南风矢量差,南部近海自动站比温州浮标站有东南风矢量差,自动站风速一般小于浮标站。海拔高度与自动站和浮标站风速差值δ相关性不显著,站点离岸距离是影响δ的主要因子。冷空气影响时浙江近海ASCAT反演风速与实况相关系数的分布具有平行于海岸线且自西向东增大的特征,相关系数超过0.5的站点一般离岸30 km以上,舟山和温州12个浮标站测风与ASCAT反演风具有较好的相关性。浙江近海ASCAT风速的误差空间差异较大,经订正后的风速分布也具有平行于海岸线、自西向东逐渐增大的特征,且与观测的误差绝对值一般小于2 m·s^(-1)。

基于PCA-RBF的风电场短期风速订正方法研究

风电功率预测中最重要的因子是风速,准确的风速预测是风电功率预测的前提和基础。为了提高短期风速预测的准确性,本研究采用WRF模式,对我国上海崇明吕四风电场的风速进行预报。在此基础上,利用PCA-RBF算法结合WRF模式预报风向、气温、气压等气象要素对预报风速进一步订正。实验结果表明,利用PCA-RBF算法对WRF模式预报风速进行订正后,预报风速的误差进一步减小,相对均方根误差降低20%~30%,相对平均绝对误差降低15%~20%。与其他智能算法(BP算法、LSSVM算法)对比分析后得出,PCA-RBF算法对WRF模式预报风速具有较好的订正效果,能够有效提高风速预报准确率。

基于最优TS评分和频率匹配的江苏近海风速订正

近海风速预报在沿海防灾减灾、航运安全、风能评估等方面具有重要应用。本文基于欧洲中期天气预报中心数值预报(ECMWF)数据,将最优TS评分(OTS)与频率匹配(FMM)两种方法应用于江苏近海风速预报订正,对比了两种订正方法的优缺点,分析了不同时间训练样本量以及空间站点观测资料数量对订正效果的影响。结果表明:在相同长度的训练期下,风速等级越小,时间训练期样本越多,预报订正值越稳定;对于7级以上高风速等级的预报,OTS与FMM的TS评分差异不大,但FMM订正更加稳定且频率偏差(BIAS)更接近1;扩充站点观测资料可有效提升预报订正性能;对于7级以上灾害性大风,最佳的订正方案是采用FMM方法结合全年时间训练样本和扩充的站点观测资料。此外,本文还对比了不同风速情形下,订正前后BIAS和TS评分对于时间训练样本量、空间站点观测数量以及订正方法(OTS和FMM)的敏感性的相对大小。

基于XGBoost的10 m风速订正研究

基于当前气象预报模式,风速预报的精确度存在一定的误差,国内外研究者对风速的预报订正做了大量的研究。提出一种CD-XGBoost(clustering and double XGBoost)算法,该算法针对现有的机器学习风速预报订正算法进行改进,主要包含以下3个改进方向:第一,提出利用天气元素与订正元素之间的相关性进行聚类的思路,通过对簇间站点进行基于不同机器学习模型的训练,提高风速订正结果的准确性;第二,算法突出空间因素对风速预报的影响,选取气象观测站点的K个邻近预报网格点的预报元素构建数据集,相较传统插值进行订正的方式更多地考虑站点与网格点之间的空间因素。第三,提出使用2个不同起报时刻数据独立训练XGBoost模型,对模型的输出再进行线性权重加和得到最终订正结果的算法。仿真实验中,采用中国2552个气象观测站的逐3 h观测数据与欧洲中期气象预报中心(ECWMF)的数值模式的逐3 h预报的数据,对ECWMF预报的地面10 m风速进行观测站点订正。使用改进后的算法构建的模型与目前算法构建的模型进行比较,结果证明文中算法在风速预测准确度明显优于目前的订正算法,其中3 h预报时效时准确率高于85%,168 h预报时效是其准确率高于60%,具有很好的应用前景。

风电场风速订正方法的回归检验和误差分析

简要分析了目前风电场风能资源评估中采用的扇区回归法、直接回归法和简化比值法3种风速订正方法的主要特征。结合广东省某风电场项目实例,估算了3种方法的回归参数,并检验线性回归方程的显著性及标准误差。预测结果显示,扇区回归法预测偏差相对较小,简化比值法偏差相对较大。由于综合考虑了物理概念和数学指标,扇区回归法宜在风电场风能资源评估阶段优先选用;扇区回归法失效时,可使用直接回归法;简化比值法误差相对较大,适用于快速估算。

基于卡尔曼滤波法的福建沿海风电场风速订正

为进一步提高福建沿海风电场短时风速预报的准确性,运用卡尔曼滤波递推方程组对2017年9月至2018年4月福建中部沿海某测风塔不同预报时效和不同高度层下的风速进行订正,并通过误差分析来探究卡尔曼滤波法对福建沿海风电场短时(0~9h)预报风速的订正效果,以2017年10月和2018年3月作为典型月作进一步分析。结果表明,订正后预报风速的误差均显著减小,卡尔曼滤波法有效提高了预报精度,尤其是在大风速区和风速变化较缓时,其订正效果更为显著。订正效果随着订正高度的增加而变好,随着预报时效的增加而变差。从订正结果来看,卡尔曼滤波法存有一定局限性,在风速突变较大时易造成较大误差,产生反相位订正结果。

线性滚动极值处理方法对数值模拟风速的订正研究

为了进一步提高WRF模式对风速预报的准确性,以我国某风电场01#测风塔2007年5月和11月的数据为例,通过线性回归方法并结合滚动和极值处理技术,对WRF模式模拟风速进行了订正。结果表明,直接使用线性回归方法对于模拟风速的订正无明显效果;采用滚动技术的线性回归订正效果与步长有关,与线性回归订正相比总体上有较大改进,其中3 h步长改进更明显;相同步长,线性滚动极值处理订正较线性滚动订正相比有进一步改进,其中1 h步长线性滚动极值处理效果最优,如5月和11月订正前模拟风速的相对均方根误差(rRMSE)分别为29.274%、33.583%,订正后下降为14.714%、14.493%。订正后精度明显提高,更接近实况风速,线性滚动极值处理订正方法能够较好订正模式模拟风速,有效提高风速预报准确率。

华东沿海ASCAT反演风速的检验和订正

基于2010—2014年ASCAT反演风速、华东沿海14个浮标站和浙江沿海249个自动气象站资料,对华东沿海ASCAT反演风速进行检验和订正。研究表明:站点ASCAT风速误差不仅与离岸距离相关,而且与站点周围地形有关,误差较大的5个浮标站均位于舟山群岛附近海区,平均偏大4.79 m·s^(-1),其他海区浮标站的ASCAT反演风速平均偏差仅为0.46 m·s^(-1)。ASCAT反演风速与浮标站风速的线性回归可有效减小反演风速误差,订正后误差大幅减小,误差越大的站点订正效果越好。相距160 km内的浮标站点间风速误差呈正相关,且站点间距越小,误差正相关越明显。考虑带影响半径的反距离权重,采用邻站方程订正法和邻站误差订正法分别对华东沿海ASCAT反演风速进行订正,均能明显减小平均偏差和均方根误差,两种方法订正效果接近,即两种方法均有较好的订正效果,可用于实际业务。

谐波分析方法在沿海风速数值预报订正的应用

利用福建漳浦沿海一座测风塔2009年12月—2010年11月的观测资料和中央气象台发布的MM5风速数值预报资料,统计分析了沿海近地层风速和风速数值预报误差的变化特征,统计结果表明:全年和各季节的风速变化具有明显的日变化特征,日最小风速出现在上午至午后,日最大风速则出现在旁晚至凌晨;同时,风速数值预报与测风塔实测风速的误差也存在较明显的日变化特征,这种变化特征与近地层湍流的发生发展有密切联系。在统计分析基础之上,提出一种谐波分析与人工神经网络(ANN)相结合的24 h短期风速数值预报的订正方法,订正试验结果表明:该方法可以每24 h更新一次预报结果,相对于风速数值预报的精度,两次独立样本检验的平均绝对误差分别减小25.6%、28.8%,且订正后使得风速数值预报的系统性偏差有明显下降。

冬奥会复杂山地百米尺度10m风速预报的机器学习订正对比试验

本文以传统机器学习算法XGBoost和深度学习算法CU-Net为基础,针对北京快速更新无缝隙融合与集成预报系统(RISE系统)预报的北京冬奥会延庆及张家口赛区100米分辨率的冬季近地面10 m风速数据,进行每日逐小时起报的未来逐6小时间隔的冬奥高山站点及其周边地区风速预报偏差订正方法研究和对比分析。对于站点订正,首先将RISE系统预测的10 m风速插值到对应的自动气象站站点,然后根据风速等级表归类,针对每个分类单独构建XGBoost模型,每个区间模型合并后形成L-XGBoost,使用均方根误差和预报准确率作为评分标准,结果表明风速归类的L-XGBoost算法订正效果比不归类的原始XGBoost模型有一定提升,说明在传统机器学习中加入归类方法有助于改善复杂山地站点风速预报技巧。对于站点及其周边地区风速订正,本文在CUNet模型基础上,通过引入不同深度的CU-Net子网络,构建了新的算法模型CU-Net++,并考虑了预报日变化误差和复杂地形对10 m风速的影响,以自动气象站为中心构建空间小区域样本数据,对RISE系统风速预报偏差进行订正。试验结果表明,CU-Net和CU-Net++均可以充分挖掘时间和空间维度的风场变化规律,且CU-Net++模型风速订正结果优于CU-Net模型,有效降低了RISE产品的格点风速预报误差,也发现预报误差和复杂地形的引入对10 m风速偏差订正起到重要的正向作用。

我国近海洋面10 m风速集合预报客观订正方法

利用2013—2015年ECMWF集合预报10 m风场及我国沿岸和近海88个代表站点风速实况观测,建立基于ECMWF集合预报众数的我国近海洋面10 m风速客观订正方法。集合预报众数正确率及稳定性高于中值及平均值,因此基于集合预报众数,综合考虑历史数据的预报概率及集合预报各个成员的分布情况进行客观订正,可以提高订正效果。订正后的6~7级、8~9级风速偏小的误差及TS评分有明显改进,其中72~120 h预报时效的8~9级风速预报的TS评分由0.04增加到0.44,能够有效提高中长期时效大量级风速的预报能力。订正的风速产品对于我国近海冷空气及台风大风天气过程有较好的预报效果。

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)。

福建省沿海风电场短时预报风速的订正

为了进一步提高福建沿海风电场短时风速预报的准确性,以福建沿海某测风塔2017年9月、10月和2018年1月、4月的数据为例,通过对预报因子的筛选,设定3种不同的卡尔曼滤波量测方程方案,对ECMWF模式的预报风速进行订正,并通过误差分析来构建福建沿海风电场短时(012 h)预报风速的订正模型。结果表明,方案2(以地面风速和海平面气压作为预报因子)适用于风速变化较小的秋冬季节,方案1(以地面风速作为预报因子)和方案3(以地面风速、海平面气压、地面温度、地面湿度作为预报因子)对风速突变较频繁的春夏季节的预报风速订正更有效果。经过订正模型订正后,各代表月在未来012 h预报风速的平均绝对误差和均方根误差都有显著的减少。从订正效果来看,卡尔曼滤波法存有一定局限性,风速变化越平缓其订正效果越好,同时在风速突变较大时易造成较大的误差,产生反相位订正结果。

BP神经网络方法对T639模式集宁站风速预报的订正

文章利用2011年2月至2012年4月T639模式的10m风速预报及集宁气象站实测风速资料,采用双隐含层的人工神经网络模型建立了模式预报订正模型,对该站2012年5—7月的模式风速进行了订正并对其效果进行检验。结果表明,经人工神经网络订正后,风速预报比T639模式预报有了明显改善,3个月的平均Vs评分由77.8增加到87.4。

基于U-Net的海上风场模式数据订正

我国沿海地区生产生活受海上风场的影响较大,目前海上高分辨网格化数据为模式数据,其主要通过物理数值模型推算得出,对于初值敏感,且无法准确描述近地面和海面的风速信息。需要考虑用浮标、船舶等实况参考数据订正,而传统订正方法只能订正参考数据附近的格点值。本文提出一种基于U-Net网络的风场数据订正算法。利用U-Net网络通过站点参考数据对整个目标区域进行订正,降低目标海洋区域订正后风速误差。实验结果表明海洋目标区域10 m风速平均订正误差RMSE值为1.96 m/s,比模式数据的平均误差降低了16.8%,U-Net网络模型可以有效订正模式数据,为后续数据融合等研究提供高质量数据支持。

EC细网格10 m风场产品在青岛港区的预报检验和随机森林订正

利用2021年3月—2022年2月EC细网格10 m风场预报产品,对其在青岛港区的风场预报能力进行检验和订正。结果表明:对于大港码头、董家口港自动站和董家口港浮标站,EC细网格前48 h的10 m风速预报偏差离散程度相对较小,预报偏差中位数均大于0,表明模式风速预报较实况有系统性偏强的特征。EC细网格24 h预报的10 m风速与实况风速相关性较好,3个站点的相关系数分别为0.76、0.73、0.82。EC细网格对大港码头各风向的风速预报均偏大,在实况风向为东北风和偏东风时,EC细网格风速预报的均方根误差和平均误差最大;对于董家口港自动站和董家口港浮标站,不同风向下EC细网格的风速预报均方根误差差别不大。EC细网格对3个站点的风向预报偏差主要集中在-45°~45°,实况风速越小,风向的预报偏差离散程度越大。利用随机森林算法对青岛港区EC细网格预报风速进行订正,预报精度均得到提高。

坝陵河大桥桥位风速观测及设计基准风速的计算

架设在峡谷上的大跨度桥梁,由于桥位处地形复杂,离谷底较高,设计基准风速一般无法通过抗风规范查得,需要进行专门的分析或测试。针对坝陵河大桥的设计基准风速问题,分别通过附近气象台站的数据和专门架设的观测塔的观测数据,通过分析得到了桥位处的设计基准风速。对类似地貌大桥建设设计基准风速的取得具有一定的参考意义。

概率密度匹配方法在我国近海海面10 m风速预报中的应用

海面风速对航运及海上生产作业影响重大,但数值模式对于海面的风速预报仍存在较大误差。为降低数值模式海面10 m风速预报的系统性误差,提高海上大风预报准确率,基于2017—2019年中国气象局地面气象观测资料对ECMWF确定性模式的10 m风场预报结果进行检验评估,并采用概率密度匹配方法对模式误差进行订正。分析结果表明,概率密度匹配方法可有效地改善数值模式10 m风速预报的系统性误差,订正后风速在各个预报时效和风速量级的平均误差均较订正前有所降低。对于大量级风速的预报,经概率密度匹配方法订正后的风速预报的漏报率可减少10%以上。订正后12 h预报时效的8、9级风速预报的平均绝对误差分别由4.15 m/s、5.61 m/s降低至3.12 m/s、4.08 m/s,120 h预报时效的8、9级风速预报的平均绝对误差由7.38 m/s、9.35 m/s减小至6.46 m/s、8.07 m/s。在冷空气、台风大风天气过程中,基于概率密度匹配方法订正后的风速与实况观测更接近,能够为我国近海洋面10 m风速的预报提供更准确的参考。