基于数值天气预报因子扩充和改进集成学习的高寒地区短期光伏功率预测

高寒地区光伏系统因气象条件影响,其光伏功率表现出更显著的波动性。本文以黑龙江某光伏电站为例,提出基于数值天气预报(NWP)因子扩充和改进常规Stacking集成学习的高寒地区短期光伏功率预测方法。针对高寒地区光伏功率波动大的特点,引入NWP差分因子作为交叉特征,提升模型对天气变化的敏感性。随后,以极致梯度提升(XGBoost)和长短期记忆(LSTM)网络为基学习器,时间卷积网络(TCN)为元学习器,构建集成学习模型,并利用前向验证优化模型结构。最后,进行对比实验分析,结果表明本文所提方法具有更高的预测准确度和稳定性。

基于数值天气预报风速误差修正的风电功率日前预测

风电预测技术对构建高比例新能源的新型电力系统具有重要意义。数值天气预报(numerical weather prediction,NWP)的数据质量对风电功率日前预测的准确性有较大影响。然而,NWP的预报误差、NWP预报点与风电场间的空间距离和局地差异,往往导致NWP预报数据与风电场实测数据间存在时间横向误差和幅值纵向误差。对此,提出了一种基于时间序列相关性检验和残差通道注意力网络的NWP风速误差修正模型,将预报点处NWP风速修正为风电场轮毂风速。然后,结合修正后的NWP风速和风电场实时出力数据构建了基于双向门控循环网络的风电预测模型。最后,以华东某风电场的数据验证了所提方法的有效性。

基于非参数核密度估计与数值天气预报的风速预测修正方法

提出一种风速预测偏差修正方法。建立基于非参数核密度估计的风速修正模型,利用预测点之前一段时间内风速的初始预测误差来估计预测时刻的预测误差,从而对初始风速预测结果进行修正;结合数值天气预报法建立风速相位误差修正模型,有效减小风速预测的相位误差,在一定程度上防止风速突变拐点处"误修正"的出现。某地区实际风速数据的预测仿真结果表明,所提方法可有效降低初始风速预测偏差。

多点数值天气预报风速和辐照度集中式修正方法研究

数值天气预报(numerical weather prediction,NWP)修正是提升风光功率预测精度的关键技术之一,但目前鲜有对NWP辐照度修正的研究,同时现有的NWP风速修正方法大多只考虑单一位置,忽略了风速间的时空耦合特性,影响修正效果。针对这一问题,提出了考虑区域风光资源时空相关性的多点NWP风速和辐照度集中式修正方法。以区域内多个风电场和光伏电站的实测风速、辐照度数据为修正模型的学习目标,建立基于注意力神经网络的多点NWP集中修正模型,同时修正多个具有一定相关性的场站级NWP数据。结合某区域8个风电场和7个光伏电站的NWP数据和历史风速/辐照度数据,对所提方法进行验证,结果表明,相比于传统的单点NWP修正方法,所提方法能够有效提高NWP精度。

基于敏感性因素分析的数值天气预报修正方法

模型输出统计作为数值天气预报(numerical weather prediction,NWP)修正常用的方法,可有效修正系统误差,节省计算资源和时间。为了提高NWP的预测精度,从影响NWP精度的因素出发,分析不同因素对NWP误差的影响模式,得到对NWP风速误差影响最大的因素。然后以该敏感因素为划分依据建立分段修正模型提高NWP的准确性。为防止研究结果依赖于某种特定建模方法,采用4种常用的统计方法建立模型。算例结果表明:NWP风速误差对风向最为敏感,以风向为划分依据建立的修正模型精度最高。以线性回归方法为例,以风向为划分依据比以风速和气压为划分依据的NWP误差分别降低了3.6%和5.3%。

弹道解算用数值天气预报风修正系数辨识

为了快速准确获取弹道解算用数值天气预报中风的预报误差,实现对弹道解算用数值天气预报中风预报误差的数值修正,提升火炮气象保障精度,以原始预报气象数据为基础气象条件,以质点弹道模型为系统模型,以风修正系数描述风的预报误差,基于无迹卡尔曼滤波算法,对实测弹道数据进行处理,提取风的预报误差。以一段实测弹道数据和WRF模式原始预报气象数据为例,对该方法的辨识效果进行检验。结果表明:与实测的风修正系数相比,辨识所得纵风修正系数和横风修正系数的相对误差分别为7.20%和3.97%;原始预报气象数据中的纵风和横风经修正后,其误差分别减小85.19%和79.27%。

数值天气预报全球谱模式的数值计算过程

研究了基于谱方法的数值天气预报的全球预报谱模式的数值计算过程 .该数值计算过程基于欧拉U -V模型 ,在垂直方向上将大气分成NLEV层 ,这些层通过两层之间半层的压强来表示 .预测变量在垂直方向的离散就是基于这种表示 ,在水平方向采用谱方法进行离散 。

基于数值天气预报的光伏功率短期预测分类组合算法

为了提高光伏功率日前短期预测的准确率,基于日前数值天气预报,建立考虑了季节循环和日循环的统计预测模型,然后分不同时刻应用3种算法(分类中位数、分类回归和分类聚类)对原始短期预测值进行修正,并应用最小方差组合算法对这3种单体算法进行组合。以浙江宁波地区4个光伏场站为研究对象,与日前原始预测值平均绝对误差(mean absolute error,MAE)相比,3种单体算法修正后MAE均有所下降;等权重和最小方差组合算法修正后的MAE进一步降低,其中最小方差组合算法修正后的效果最好,MAE平均下降1.606%。结果表明,最小方差组合算法能够适应不同季节且具有较高的预测精度。

数值模式在中长期天气预报中的应用浅析

在分析数值模式工作原理的基础上,对如何提高中长期天气预报中数值模式应用能力提出了参考建议,这对提高数值预报的释用能力和修正能力具有一定的现实意义。

计及多误差场景集划分的超短期NWP风速修正方法

超短期风电功率预测对于机组运行控制和能源调度有着指导性的作用。为了削弱数值天气预报(numerical weather prediction,NWP)风速对超短期预测精度的影响,提出了一种计及多误差场景集划分的超短期NWP风速修正方法。采用双向长短期记忆网络(bidirectional long-short term memory,BILSTM)对NWP风速未来4 h的预报误差进行预测,对风速误差预测值进行误差场景集划分,根据误差场景集训练不同的BILSTM网络进行误差匹配和风速预报误差预测对风速进行修正,再根据修正结果采用多模型进行风电功率超短期预测。将所提方法应用于中国内蒙古某风电场进行算例验证。结果表明,该方法有效降低了NWP风速预报误差,在原有数据基础上,相较于未修正NWP的风速,RMSE值降低了1.859,MAE值降低了1.464,MAPE值降低了26.01%。其中,BP神经网络超短期功率预测精度提高了7.5%,GRU深度网络提高了8.7%,多元线性回归模型提高了9.6%,证明了该方法的有效性。

科学决策是业务系统建设持续发展的根本保证——国家气象中心数值预报业务系统建设回忆

回顾了中央气象台60年来,数值天气预报(NWP)业务系统的发展历程。指出NWP系统是一项气象工程系统建设,是多学科理论和技术相结合的结果。回顾了从目标方向、技术路线、工作方式、人才队伍培养以及土建设计等方面的科学决策和实践过程,阐述了科学决策是业务系统建设持续发展的根本保证。从建设事例中可以看到30年来NWP顺利发展的历史证明了科学发展观的正确性。

基于机器学习的NWP ZTD长短期预测模型

对流层延迟是影响全球卫星导航系统(GNSS)定位精度的主要误差源之一,利用数值天气预报(NWP)模型估计天顶对流层延迟(ZTD)是常用的方法之一,但NWP模型预报资料估计的ZTD精度有限;NWP模型再分析资料估计的ZTD不能用于GNSS实时定位,且目前大多数文献未能对ZTD长短期预测分别进行研究。因此,利用欧洲中期天气预报中心(ECMWF)的第五代全球气候再分析资料数据集(ERA5)和国际GNSS服务组织(IGS)的高精度ZTD数据,研究基于反向传播(BP)神经网络、支持向量机和长短期记忆网络3种机器学习算法构建以年为时间窗口的ZTD长期预测模型和以24h为时间窗口的ZTD短期预测模型的可行性。实验结果表明:构建的ZTD长期预测模型和短期预测模型可以有效提高预测ZTD的精度。

基于OS-ELM的风速修正及短期风电功率预测

随着时间的推移,风电场风电功率预测模型的适用性逐渐降低,导致预测精度下降。为了解决该问题,基于在线序列-极限学习机(OS-ELM)算法提出了风电场短期风电功率预测模型的在线更新策略,建立的OS-ELM模型将风电场的历史数据固化到隐含层输出矩阵中,模型更新时,只需将新产生的数据对当前网络进行更新,大大降低了计算所需的资源。采用极限学习机(ELM)算法对数值天气预报(NWP)的预测风速进行修正,并根据风电功率的置信区间对预测功率进行二次修正。实验结果表明,采用OS-ELM算法更新后的模型适用性增强,预测精度提高;采用基于风电功率置信区间的功率修正模型后,风电功率的预测精度明显提高。

一种新的多因子约束下的NWP反演ZTD残差改正模型

对流层延迟是GNSS定位的主要误差源之一,利用NWP模型的气象数据积分反演ZTD是当前研究热点.然而,采用两大气象预报中心(ECMWF和NCEP)的再分析资料反演ZTD的残差一般在±60mm之间浮动,预报资料反演的ZTD的精度更差,都不能直接用于精密定位.一般是先将此反演的ZTD作为初值,设定先验方差,将残差作为未知参数求解.NWP反演的ZTD的精度,将直接影响对流层和模糊度参数在滤波过程中收敛速度.前人的研究表明.NWP反演ZTD的残差大小与测站所在纬度相关.利用纬度与残差的相关函数可提高NWP反演ZTD的精度.但效果并不明显.针对以上问题,比较ECMWF和NCEP再分析资料反演ZTD的精度,然后分析精度较高的ECMWF资料反演的ZTD的残差随温度、湿度、纬度、季节等因子变化的规律,并结合基于最小绝对残差法的多项式拟合方法拟合残差,提出一种新的多因子约束下的NWP反演ZTD的残差改正模型,从而提高NWP反演ZTD的精度.为验证模型的性能.以133个IGS站高精度ZTD为参考.拟合2015年ECMWF反演ZTD的残差.构建残差改正模型.并利用此模型改正2016年ECMWF反演的ZTD.实验结果表明:在纬度高于15°的地区.NWP反演的ZTD的平均残差和均方根误差比使用模型前分别减小了86.9%和36.3%.另外,对于较低纬度地区.此残差改正模型的效果不明显.

基于太阳角度模型和兼具精度-稳定性的光伏发电组合预测方法

太阳辐射强度和太阳角度是影响固定光伏板出力的重要影响因素,常见的光伏出力预测忽略了太阳角度的影响,仅使用太阳水平辐射强度及温度等气象特征。因此,提出基于太阳角度建模和数据驱动的光伏出力组合预测方法,以提高光伏出力预测的精度和稳定性。首先,基于太阳运行模型对太阳高度角和时间角进行了建模求解;然后,基于气象预测数据和求解的太阳角度数据训练多种不同的神经网络模型、树模型等点预测模型以及长短期记忆(LSTM)神经网络、门控循环单元(GRU)、卷积双向LSTM(CBiLSTM)等时序预测模型,并提出基于误差-方差权重的预测模型融合方法。基于真实光伏场数据集下的不同时间尺度出力预测测试表明:在仅有短波辐射气象预测时,太阳角度特征的加入使预测误差降低了11.5%;提出的基于偏差-方差的组合预测模型相比单个模型的预测误差平均降低了约3%,预测标准差从额定容量的2.9%降低到了1.4%,降低了50%,显著提高了预测稳定性。

计及气象因素和风速空间相关性的风电功率预测模型

建立了一种计及数值天气预报中气象因素和风速空间相关性的组合加权风电功率预测模型。首先,考虑到数值天气预报数据中的风速精确度不高,建立了基于高斯过程的数值天气预报风速修正模型,计入其他气象因素,如风向、温度、湿度、气压等,进行风电预测。同时,基于目标风电场与相邻风电场区域的风速空间相关性分析,求得其最大相关系数点的延迟时间,建立风速空间相关性预测模型。然后,基于数值天气预报偏差修正的风电功率预测模型和空间相关性预测模型,建立组合加权预测模型,并利用拉格朗日乘子法求得组合模型中各个单一模型的加权值。算例结果表明,所提模型及方法能够有效提高风电功率预测的精度。

基于聚类分析的风电场短期功率预测方法研究

为了充分利用历史风速数据所蕴含的信息,本文根据风速和风电功率的日相似性提出基于聚类分析的短期功率预测方法,通过对原样本数据进行预处理,选取与预测日NWP特征参数相似的历史日数据,以此作为建立模型的训练样本,将气象部门提供预测日的NWP信息作为预测日的特征参数,计算特征参数间的欧式距离,以此作为相似性度量的依据,最后利用聚类后的相似样本建立预测模型,以NWP数据为输入参数,实际风电功率为目标值,经过训练后得到聚类风电功率短期预测模型。经实际风电场测试,预测精度明显提高。

基于多目标协同训练的风电功率预测提升算法

“双碳”目标下,电力系统加速转型,风电预测技术对构建高比例新能源的新型电力系统具有重要意义。为提升风电功率预测的准确性和鲁棒性,文中提出一种基于多目标协同训练的数值天气预报(numerical weather predicition,NWP)隐式校正算法。首先,分析了NWP校正的必要性和基于NWP显式校正的二步预测法存在的问题;然后,针对二步预测法存在的问题,基于多目标协同训练的优化方式利用神经网络进行NWP隐式校正,以端到端的方式训练模型,同时实现NWP隐式校正和风电功率预测的功能。结合某风电场实测数据开展具体算例分析,证明了所提算法对短期及中长期风电功率预测均有提升作用。此外,该算法仅需1个网络且避免了二次计算,节省了计算存储成本。

基于粒子群优化极限学习机的风功率预测

风电功率预测为电网规划提供重要的依据,研究风电功率预测方法对确保电网在安全稳定运行下接纳更多的风电具有重要的意义。针对极限学习机(ELM)回归模型预测结果受输入参数影响的问题,现将粒子群优化算法(PSO)应用于ELM中,提出了一种基于粒子群优化极限学习机的风功率预测方法。该方法首先将数值天气预报信息(NWP)数据进行数据预处理,并构建出训练样本集,随后建立ELM模型,利用粒子群算法优化ELM中的输入权值和阈值,从而建立起基于NWP和PSO-ELM风功率预测模型。对华东地区3个不同装机容量的风场NWP数据进行实验。结果表明:该方法的预测精度高且稳定性能好,能够为风电场功率预测以及风电并网安全可靠性提供科学有效的参考依据。

On the development of the GRAPES――A new generation of the national operational NWP system in China

Numerical weather prediction (NWP) has become one of the most important means for weather fore-casts in the world. It also mirrors a nation's comprehensive strength in meteorology. In 2000, China Meteorological Administration (CMA) established the National Innovative Base for Meteorological Numerical Prediction in the Chinese Academy of Meteorological Sciences (CAMS), to work on developing a new generation of the national operational NWP system――Global/Regional Assimilation and PrEdiction System (GRAPES), to enhance meteorological services in China in the new century. In recent years, the GRAPES has witnessed a fast development. The GRAPES has been set up as an integration of the model framework, data assimilation, regional and global NWP system, which can be commonly used for both operation and research. In this paper, a brief review is made for illustrating the GRAPES system, including the advanced designs of the GRAPES, its diverse applications in multifields, and efficiencies of the regional and global GRAPES in operational applications based on hindcast results.