基于模式输出统计预报方法的云量精细化预报

通过对T639数值预报产品的释用,结合地面气象观测站资料,以环渤海地区兴城站为例,建立了云量的精细化预报模型.从云形成的基本条件出发,选取4类天气学意义明确的预报因子:水汽类、大气不稳定度类、大气上升运动类和天气系统强度类,以总云量、低云量为预报对象,通过逐步回归法建立兴城站逐月、逐时次的云量预报方程.结果表明,云量主要受水汽、大气上升运动和大气不稳定度影响.回代检验结果表明,总云量平均绝对误差为20%,低云量平均绝对误差为16%,低云量的预报方程预报效果更好;总云量夏半年预报准确率更高,低云量冬半年预报准确率更高,可为云量精细化预报提供参考.

精细化逐时滚动温度预报方法及检验

以Grapes数值模式预报为基础,首先利用卡尔曼滤波方法对Grapes模式的温度预报进行释用,再将模式统计输出方法应用于卡尔曼滤波结果,从而得到站点逐时滚动温度预报,最后通过站点-格点映射方法将站点预报误差反馈到最匹配的格点上,实现精细化逐时滚动温度预报(SHUF)。检验结果表明,Grapes模式的24小时温度预报CSI评分稳定在0.4左右;卡尔曼滤波方法的CSI评分介于0.47～0.43之间;而SHUF的CSI评分在1～6小时内由0.91降至0.64,7～16小时的CSI评分由0.6逐渐降低至0.52,17～24小时的CSI介于0.5～0.45之间,均优于同期Grapes模式预报和卡尔曼滤波释用结果。精细化逐时滚动温度预报方法利用最新的气象观测要素对数值模式预报的结果进行订正,可有效改进数值模式的短时温度预报能力。

基于线性回归的风电功率预测误差修正方法

风电功率预测精度的好坏直接关系到发电计划的合理制定和风电功率的优先调度。为提高风电功率的预测精度,文中利用模式输出统计方法对风电功率的预测误差进行分析,根据模式输出统计方法可自动修正数值预报偏差特点,提出了基于线性回归的风电输出功率预测误差修正方法。基于实际风电场历史数据的研究表明,该方法数学原理简单、适用性强,可有效改善风电功率的预测精度,具有很好的工程实用价值。