CN102628876B - 一种包含上下游效应实时监测的超短期预测方法 - Google Patents
一种包含上下游效应实时监测的超短期预测方法 Download PDFInfo
- Publication number
- CN102628876B CN102628876B CN2012100316819A CN201210031681A CN102628876B CN 102628876 B CN102628876 B CN 102628876B CN 2012100316819 A CN2012100316819 A CN 2012100316819A CN 201210031681 A CN201210031681 A CN 201210031681A CN 102628876 B CN102628876 B CN 102628876B
- Authority
- CN
- China
- Prior art keywords
- wind
- upstream
- data
- target
- downstream effect
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000011144 upstream manufacturing Methods 0.000 title claims abstract description 74
- 230000000694 effects Effects 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 230000003068 static effect Effects 0.000 claims abstract description 7
- 230000005611 electricity Effects 0.000 claims description 34
- 230000003595 spectral effect Effects 0.000 claims description 32
- 238000004458 analytical method Methods 0.000 claims description 24
- 238000005516 engineering process Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000012937 correction Methods 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 abstract 1
- 238000001228 spectrum Methods 0.000 abstract 1
- 208000024780 Urticaria Diseases 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 230000003203 everyday effect Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003653 coastal water Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Wind Motors (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种包含上下游效应实时监测的超短期预测方法，包括：基于T639全球谱模式场库数据源、CALMET风场诊断模型与静态数据，通过模式格点，获取超短期模式预报结果；基于目标风电基地风塔资料数据库、结合上下游参考指标站风向风速实时监测数据，建立相应的参考指标站与各目标风塔之间的上下游效应统计方程，获取目标风塔上下游效应，对各目标风塔超短期风速变化进行预测预报，结合超短期模式预报结果进行订正，形成目标风电基地风塔超短期风速变化的预测预报；经多次循环，获取目标风电基地各风电场在目标区域内各高度层未来超短期风速变化的预测预报。本发明所述预测方法，具有预测精度高、预测准确性好与适用范围大的优点。
Description
技术领域
本发明涉及气象风能预测技术领域，具体地，涉及一种包含上下游效应实时监测的超短期预测方法。
背景技术
目前，风力发电是国际上具有广阔应用前景的绿色清洁能源之一，风能的准确预报对风能的合理调配利用、电网稳定、商业运营、以及决策服务等方面有着非常重要的作用，它一般采用统计预报和动力预报。通过对风电场风场的预报，结合风电场发电量的情况，可以得到风电场风电量的预报，即风能预报。风能预报的时间尺度，有短期预报（如日预报）和超短期预报（如小时预报）。
20世纪90年代初期，欧洲一些国家就已经开始研制开发风能预报系统并用于预报服务。预报技术多采用中期天气预报模式嵌套高分辨率有限区域模式对风电场发电量进行预报，如丹麦的Prediktor预报系统，目前已用于丹麦、西班牙、爱尔兰和德国的短期风能预报业务。同时，风电功率预测工具（Wind PowerPrediction Tool，简称WPPT），也用于欧洲一些地区的风能预报业务。
90年代中期以后，美国True Wind Solutions 公司也开始商业化的风能预报服务，他们研发的风能预报软件eWind，是由高分辨率的中尺度气象数值模式和统计学模式构成的用于风场和发电量的预报系统。eWind和Prediktor目前在美国加利福尼亚同时用于两个大型风电场的预报服务。
2002年10月，欧盟委员会资助启动了“为陆地和离岸大规模风电场建设发展下一代风资源预报系统”（ANEMOS）计划，目标是发展优于现有方法的、先进的预报模式，重点强调复杂地形和极端气象条件下的预报，同时也发展近海风能预报。加拿大的风能资源数值评估预报软件WEST是将中尺度气象模式MC2与WASP相结合制作分辨率为100～200 m 的风能图谱并进行预报。另外，目前用于风能业务预报的系统，还有德国的 Previento、西班牙的LocalPred 和 RegioPred、以及爱尔兰与丹麦的HIRPOM等。
因此，改进基于天气预报产品为初值的中尺度模式，通过统计降尺度方法，是改善风电场风速预报的主流方法，需要针对某些复杂的地形（如甘肃河西地区）和下垫面，应用数值预报和统计的方法，开发适合本地区的风速预报方法和流程，开展风电场必须的各层风速短期和临近预报。
在现有技术中，一般是改进基于天气预报产品为初值的中尺度模式，通过统计降尺度方法改善风电场风速预报，如何提高复杂地形和极端气象条件下的预报精度目前还是一个技术难题。针对甘肃河西地区复杂的地形和下垫面，没有有效的风速短期和临近预报方法，另外现有模式对突发性天气的预报精度较差，对于风塔10~20min风速的预报存在一定的难度。
在实现本发明的过程中，发明人发现现有技术中至少存在预测精度低、预测准确性差与适用范围小等缺陷。
发明内容
本发明的目的在于，针对上述问题，提出一种包含上下游效应实时监测的超短期预测方法，以实现预测精度高、预测准确性好与适用范围大的优点。
为实现上述目的，本发明采用的技术方案是：一种包含上下游效应实时监测的超短期预测方法，包括：
a、基于T639全球谱模式场库数据源、CALMET风场诊断模型、以及静态数据，通过模式格点，利用WRF-RUC系统，应用WRF3DVAR变分同化技术，获取超短期模式预报结果；
b、基于目标风电基地风塔资料数据库、并结合上下游参考指标站风向风速实时监测数据，进行数值分析与统计，建立相应的参考指标站与各目标风塔之间的上下游效应统计方程，对目标风塔上下游效应进行运算；
c、基于各目标风塔上下游效应的运算结果，对各目标风塔未来超短期的风速变化进行预测预报，并结合所述超短期模式预报结果进行订正，形成目标风电基地风塔的超短期风速变化的预测预报；
d、经多次循环进行上述操作，获取目标风电基地各风电场在目标区域内各高度层未来超短期风速变化的预测预报。
进一步地，步骤a具体包括：
a1、基于CALMET风场诊断模型，对静态数据进行处理，降低WRF中尺度数值预报模式的尺度，生成模式格点；
a2、基于T639全球谱模式场库数据源，读取T639全球谱模式同化资料，对T639全球谱模式同化资料中GRIB格式的气象场资料进行解析，并插值到相应的模式格点；
a3、基于模式格点上的气象场信息，生成初始场和边界条件；利用WRF-RUC系统，应用WRF3DVAR变分同化技术，通过分析，建立用于循环式进行积分预报运送的模式主程序；
a4、启动模式主程序，进行循环运行，实现超短时预报，获取超短期模式预报结果。
进一步地，在步骤a中还包括：
a5、利用绘图设备输出模式产品，输出超短期模式预报结果。
进一步地，在步骤a2中，将T639全球谱模式同化资料中GRIB格式的气象场资料的解析结果插值到相应的模式格点的操作，具体包括：
a21、将T639全球谱模式同化资料中GRIB格式的气象场资料的解析结果，水平插值到相应的模式格点；
a22、将T639全球谱模式同化资料中GRIB格式的气象场资料的解析结果，垂直插值到相应的模式格点。
进一步地，在步骤a21之前，还包括：
获取T639全球谱模式同化资料中GRIB格式的气象场资料的解析结果后，进行格点化准备操作或模式格点化操作。
进一步地，在步骤a4中，所述循环运行具体包括每天8次循环运行；在该8次循环运行中，1200UTC起始的循环为冷启动，其他时次为热启动。
进一步地，步骤b具体包括：
b1、基于目标风电基地风塔资料数据库，获取参考风塔实况监测数据；
b2、针对每个目标风塔，通过最优子集方法，筛选得到不同风向上下游效应相关性最好的参考指标站；
b3、基于参考风塔实况监测数据，通过数值分析与统计，建立参考指标站与各目标风塔之间的上下游效应统计方程；
b4、根据上下游参考指标站风向风速实时监测数据，通过相应的参考指标站与各目标风塔之间的上下游效应统计方程，对目标风塔上下游效应进行运算；
b5、基于各目标风塔上下游效应的运算结果，对各目标风塔未来超短期的风速变化进行预测预报。
进一步地，步骤b4所述上下游参考指标站风向风速实时监测数据，包括风速的上下游效应与高低空效应。
进一步地，在步骤b3中，所述参考指标站与各目标风塔之间的上下游效应统计方程，包括未来0-3小时风电基地风速预报方程；
在步骤b5中，所述未来超短期的设定时间包括5-10分钟。
优选地，在步骤d中，所述目标区域包括10-120m范围内间隔10m的区域，所述各高度层包括10m高度层、70m高度层与100m高度层；所述目标风电基地各风电场在目标区域内各高度层未来超短期风速变化的预测预报中，预报有效时效60h，预报间隔为15min。
本发明各实施例的包含上下游效应实时监测的超短期预测方法，由于包括：基于T639全球谱模式场库数据源、CALMET风场诊断模型、以及静态数据，通过模式格点，利用WRF-RUC系统，应用WRF3DVAR变分同化技术，获取超短期模式预报结果；基于目标风电基地风塔资料数据库、并结合上下游参考指标站风向风速实时监测数据，进行数值分析与统计，建立相应的参考指标站与各目标风塔之间的上下游效应统计方程，对目标风塔上下游效应进行运算；基于各目标风塔上下游效应的运算结果，对各目标风塔未来超短期的风速变化进行预测预报，并结合超短期模式预报结果进行订正，形成目标风电基地风塔的超短期风速变化的预测预报；经多次循环进行上述操作，获取目标风电基地各风电场在目标区域内各高度层未来超短期风速变化的预测预报；可以预报目标风塔10-20min风速，开展风电场必须的各层风速短期和临近预报；从而可以克服现有技术中预测精度低、预测准确性差与适用范围小的缺陷，以实现预测精度高、预测准确性好与适用范围大的优点。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为根据本发明包含上下游效应实时监测的超短期预测方法的流程示意图；
图2为根据本发明包含上下游效应实时监测的超短期预测方法中将T639全球谱模式同化资料插值到模式格点的具体流程示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
根据本发明实施例，如图1和图2所示，提供了一种包含上下游效应实时监测的超短期预测方法。
如图1所示，本实施例的包含上下游效应实时监测的超短期预测方法，包括：
步骤100：基于T639全球谱模式场库数据源，读取T639全球谱模式同化资料；
在步骤100中，T639模式是TL639L60全球谱模式的简称，是国家气象中心在T213L31全球谱模式的基础上升级发展而来。T639模式对一般性降水的雨区范围、位置及移动趋势都做出了较正确的预报，24 h小雨预报TS评分为56；对主要影响系统如高原槽、低空西南急流及西南涡和亚欧中高纬大尺度环流背景均有较准确的刻画；在各种物理量场检验中，反映暴雨动力结构的涡度场、散度场及全风速的模式预报性能稍差，反映水汽条件的比湿及水汽通量散度场预报效果较好；
步骤101：基于CALMET风场诊断模型，对静态数据进行处理，降低WRF中尺度数值预报模式的尺度，生产模式格点；
步骤102：对步骤100所得T639全球谱模式同化资料中GRIB格式的气象场资料，进行解析，获取解析结果，并将解析结果插值到步骤101所得模式格点的相应格点中；
步骤103：基于步骤102中相应模式格点上的气息场信息，生成初始场和边界条件；
步骤104：基于步骤103所得初始场和边界条件，利用WRF-RUC系统，应用WRF3DVAR变同化技术，通过分析，建立用于循环式进行积分预报运算的模式主程序；
步骤105：启动步骤104所得模式主程序，进行每天多次循环运行，实现超短时预报；
在步骤105中，可以使模式主程序进行每天4次的循环运行，在每天的4次循环运行中，12UTC和00UTC起始的循环为冷启动，其他时次为热启动；
步骤106：利用绘图设备输出模式主程序的模式产品，即输出超短期模式预报结果；
步骤107：基于目标风电基地风塔资料数据库，获取参考风塔实况监测数据；
步骤108：基于步骤107所得参考风塔实况监测数据，针对每个目标风塔，通过最优子集方法，筛选得到不同风向上下游效应相关性最好的参考指标站；
步骤109：基于参考风塔实况监测数据，通过数值分析与统计，建立步骤108所得参考指标站与各目标风塔之间的上下游效应统计方程；
在步骤109中，参考指标站与各目标风塔之间的上下游效应统计方程，包括未来0-3小时风电基地风速预报方程；
步骤110：根据上下游参考指标站风向风速实时监测数据，通过相应的参考指标站与各目标风塔之间的上下游效应统计方程，对目标风塔上下游效应进行运算；
在步骤110中，上下游参考指标站风向风速实时监测数据，包括风速的上下游效应与高低空效应；
步骤111：基于步骤110所得目标风塔上下游效应运算结果，对目标风塔未来超短期（如未来5-10分钟）的风速变化进行预测预报；
步骤112：结合步骤106所得超短期模式预报结果，对步骤111所得目标风塔未来5-10分钟超短期的风速变化预测预报结果，进行订正，形成目标风电基地风塔的超短期风速变化的预测预报；
步骤113：经多次循环上述操作，进而完成目标风电基地（即目标区域的风电基地）各风电场10-120m间隔10米各高度层（可以包括10m高度层、70m高度层与100m高度层）未来超短期风速变化的预测预报；
在步骤113中，目标风电基地各风电场在目标区域内各高度层未来超短期风速变化的预测预报中，预报时效为48h，预报间隔为1h。
如图2所示，在上述实施例中，将T639全球谱模式同化资料中GRIB格式的气象场资料的解析结果插值到相应的模式格点的操作，具体包括：
步骤200：读取T639全球谱模式同化资料中GRIB格式的气象场资料，并进行解析，执行步骤201或步骤205或步骤206；
步骤201：获取T639全球谱模式同化资料中GRIB格式的气象场资料的解析结果后，进行格点化准备操作，执行步骤202；
步骤202：经步骤201格点化准备操作后，将T639全球谱模式同化资料中GRIB格式的气象场资料的解析结果，水平插值到相应的模式格点，执行步骤203；
步骤203：经步骤203水平插值完成后，将T639全球谱模式同化资料中GRIB格式的气象场资料的解析结果，垂直插值到相应的模式格点，执行步骤204；
步骤204：获取模式格点上的气象场信息；
步骤205：获取T639全球谱模式同化资料中GRIB格式的气象场资料的解析结果后，进行模式格点化操作，执行步骤202或步骤206；
步骤206：将T639全球谱模式同化资料中GRIB格式的气象场资料的解析结果，水平插值到相应的模式格点，执行步骤207；
步骤207：经步骤206水平插值完成后，将T639全球谱模式同化资料中GRIB格式的气象场资料的解析结果，垂直插值到相应的模式格点，执行步骤204。
上述实施例的包含上下游效应实时监测的超短期预测方法，基于T639全球谱模式同化资料，应用改进和优化的WRF中尺度数值预报模式，开展酒泉风电基地风电场10-120m间隔10米各高度层风速预报；预报有效时效60h，预报间隔为15min，水平分辨率为3km。利用CALMET风场诊断模型，对WRF中尺度模式降尺度，提高预报能力和精度；利用WRF-RUC系统，应用WRF3DVAR变分同化技术，通过分析和循环，每天共计4次循环运行（具体启动方式为：12UTC和00UTC起始的循环为冷启动，其他时次为热启动，实现超短时预报。该预测方法属于气象风能预测技术领域，可以应用于电力行业风电调度。
例如，可以针对甘肃省河西地区复杂的地形和下垫面，应用数值预报和统计的方法，开发适合本地区的风速预报方法和流程，通过分析风塔风速变化特征，研究上游风塔风速的变化、传播对下游风塔的影响，最终建立上下游预报方程，预报目标风塔10~20min风速，开发短时预报订正技术，开展风电场必须的各层风速短期和临近预报。
通过统计酒泉地区风塔变化特征，利用酒泉风电基地区域内风向盛行偏东风和偏西风，风向有较好的一致性，风速的传播存在一定规律的特性，通过分析20个风塔风速变化特征，研究上游风塔风速的变化、传播对下游风塔的影响，最终建立上下游预报方程，预报目标风塔10~20min风速，开发短时预报订正技术；研究风速的上下游效应和高低空效应，建立未来0-3小时风电基地风速预报方程；利用统计学方法，对酒泉风电基地风塔资料及气象测站、自动站资料进行分析，研究风塔风速时空变化规律及风速随高度变化特征，分析风塔风速与周围测站风速的关系,找出上游指标站。
又如，可以结合甘肃省酒泉地区天气气候特点，基于国内T639同化资料，应用优化的WRF中尺度数值预报模式，开展酒泉风电基地风电场风速预报，预报水平精度9km，预报层次10m、70m、100m，有效预报时效60小时，预报间隔15min。尝试用CALMET风场诊断模型，提高风要素预报的水平精度；利用风塔上下游效应，开发短时预报订正预报技术；建立酒泉风电基地风功率预报系统，开发预报准确率较高业务化风电预报产品，为风电调度提供技术支撑。
具体地，可以统计分析酒泉风电基地20个风塔观测资料，针对每个目标风塔挑选出不同风向上下游效应参考指标站，通过最优子集方法筛选相关性最好的参考站，通过资料分析、统计建立参考站与目标风塔之间的上下游效应统计方程。
根据上游参考指标站风向风速实时监测，通过相对应的各风塔上下游效应统计方程运算，预报目标风塔未来5-10分钟的风速变化。结合模式输出预报结果进行订正，形成风塔的超短期风速预测。
上述实施例的包含上下游效应实时监测的超短期预测方法，至少具有以下特点：
⑴改进优化中尺度数值预报模式、降尺度方法和风塔等气象资料同化技术，提高预报准确率；
⑵继续改进短临预报技术，完成风塔布设格距调整，进行风塔观测资料质量控制；
⑶研究上游风塔风速的变化、传播对下游风塔的影响，开发了上下游预报方法，应用于短时临近预报技术，为超短时风力预测提供一种新的思路；
⑷研究风塔风速时空变化规律及风速随高度变化特征，分析风塔风速与周围测站风速的关系,确立风速预报上游参考指标站；
⑸在短时风力预测方面，经过对15分钟70米高度风速预报和风塔资料进行对比效果检验，结果表明，24h内预报相对误差为22.9-30%，平均相对误差为26.97%；绝对误差为1.6-2.3m/s，平均绝对误差为1.8m/s，可以达到电力调度的要求。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种包含上下游效应实时监测的超短期预测方法，其特征包括：
a、基于T639全球谱模式场库数据源、CALMET风场诊断模型、以及静态数据，通过模式格点，利用WRF-RUC系统，应用WRF3DVAR变分同化技术，获取超短期模式预报结果；
步骤a具体包括：
a1、基于CALMET风场诊断模型，对静态数据进行处理，降低WRF中尺度数值预报模式的尺度，生成模式格点；
a2、基于T639全球谱模式场库数据源，读取T639全球谱模式同化资料，对T639全球谱模式同化资料中GRIB格式的气象场资料进行解析，并插值到相应的模式格点；
a3、基于模式格点上的气象场信息，生成初始场和边界条件；利用WRF-RUC系统，应用WRF3DVAR变分同化技术，通过分析，建立用于循环式进行积分预报运送的模式主程序；
a4、启动模式主程序，进行循环运行，实现超短时预报，获取超短期模式预报结果；
b、基于目标风电基地风塔资料数据库、并结合上下游参考指标站风向风速实时监测数据，进行数值分析与统计，建立相应的参考指标站与各目标风塔之间的上下游效应统计方程，对目标风塔上下游效应进行运算；
步骤b具体包括：
b1、基于目标风电基地风塔资料数据库，获取参考风塔实况监测数据；
b2、针对每个目标风塔，通过最优子集方法，筛选得到不同风向上下游效应相关性最好的参考指标站；
b3、基于参考风塔实况监测数据，通过数值分析与统计，建立参考指标站与各目标风塔之间的上下游效应统计方程；
b4、根据上下游参考指标站风向风速实时监测数据，通过相应的参考指标站与各目标风塔之间的上下游效应统计方程，对目标风塔上下游效应进行运算；
b5、基于各目标风塔上下游效应的运算结果，对各目标风塔未来超短期的风速变化进行预测预报；
c、基于各目标风塔上下游效应的运算结果，对各目标风塔未来超短期的风速变化进行预测预报，并结合所述超短期模式预报结果进行订正，形成目标风电基地风塔的超短期风速变化的预测预报；
d、经多次循环进行上述操作，获取目标风电基地各风电场在目标区域内各高度层未来超短期风速变化的预测预报。
2.根据权利要求1所述的包含上下游效应实时监测的超短期预测方法，其特征在于，在步骤a中还包括：
a5、利用绘图设备输出模式产品，输出超短期模式预报结果。
3.根据权利要求1或2所述的包含上下游效应实时监测的超短期预测方法，其特征在于，在步骤a2中，将T639全球谱模式同化资料中GRIB格式的气象场资料的解析结果插值到相应的模式格点的操作，具体包括：
a21、将T639全球谱模式同化资料中GRIB格式的气象场资料的解析结果，水平插值到相应的模式格点；
a22、将T639全球谱模式同化资料中GRIB格式的气象场资料的解析结果，垂直插值到相应的模式格点。
4.根据权利要求3所述的包含上下游效应实时监测的超短期预测方法，其特征在于，在步骤a21之前，还包括：
获取T639全球谱模式同化资料中GRIB格式的气象场资料的解析结果后，进行格点化准备操作或模式格点化操作。
5.根据权利要求1或2所述的包含上下游效应实时监测的超短期预测方法，其特征在于，在步骤a4中，所述循环运行具体包括每4次循环运行；在4次运行中，12UTC和00UTC起始的循环为冷启动，其他时次为热启动。
6.根据权利要求1所述的包含上下游效应实时监测的超短期预测方法，其特征在于，步骤b4所述上下游参考指标站风向风速实时监测数据，包括风速的上下游效应与高低空效应。
7.根据权利要求1所述的包含上下游效应实时监测的超短期预测方法，其特征在于，在步骤b3中，所述参考指标站与各目标风塔之间的上下游效应统计方程，包括未来0-3小时风电基地风速预报方程；
在步骤b5中，所述未来超短期的设定时间包括5-10分钟。
8.根据权利要求1所述的包含上下游效应实时监测的超短期预测方法，其特征在于，在步骤d中，所述目标区域包括10-120m范围内间隔10m的区域，所述各高度层包括10m高度层、70m高度层与100m高度层；所述目标风电基地各风电场在目标区域内各高度层未来超短期风速变化的预测预报中，预报有效时效60h，预报间隔为15min。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2012100316819A CN102628876B (zh) | 2012-02-13 | 2012-02-13 | 一种包含上下游效应实时监测的超短期预测方法 |
| US14/378,358 US20150039228A1 (en) | 2012-02-13 | 2013-02-06 | Ultra-short-term forecasting method including real-time monitoring of the effect of upper and lower courses |
| PCT/CN2013/000123 WO2013120395A1 (zh) | 2012-02-13 | 2013-02-06 | 一种包含上下游效应实时监测的超短期预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2012100316819A CN102628876B (zh) | 2012-02-13 | 2012-02-13 | 一种包含上下游效应实时监测的超短期预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102628876A CN102628876A (zh) | 2012-08-08 |
| CN102628876B true CN102628876B (zh) | 2013-07-31 |
Family
ID=46587170
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2012100316819A Active CN102628876B (zh) | 2012-02-13 | 2012-02-13 | 一种包含上下游效应实时监测的超短期预测方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20150039228A1 (zh) |
| CN (1) | CN102628876B (zh) |
| WO (1) | WO2013120395A1 (zh) |
Families Citing this family (37)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102628876B (zh) * | 2012-02-13 | 2013-07-31 | 甘肃省电力公司风电技术中心 | 一种包含上下游效应实时监测的超短期预测方法 |
| CN103197559B (zh) * | 2013-03-29 | 2016-02-24 | 华北电力大学 | 一种改善双馈机组接入后系统小干扰稳定性的方法 |
| CN104036121B (zh) * | 2014-05-20 | 2017-02-15 | 中国能源建设集团江苏省电力设计院有限公司 | 基于概率分布转移的测风数据风速订正方法 |
| EP3262732B1 (en) * | 2015-02-23 | 2020-06-24 | Okinawa Institute of Science and Technology School Corporation | System and method of determining forecast error for renewable energy fluctuations |
| CN107526910A (zh) * | 2016-06-21 | 2017-12-29 | 中国辐射防护研究院 | 一种核设施事故场外后果评价中的风场诊断方法 |
| CN106919645A (zh) * | 2017-01-17 | 2017-07-04 | 广西师范学院 | 复杂地貌大景区的景点气象要素智能精细预测方法 |
| CN108536881B (zh) * | 2017-03-06 | 2020-10-16 | 新疆金风科技股份有限公司 | 用于计算风电场发电量的方法和设备 |
| TWI623890B (zh) * | 2017-07-04 | 2018-05-11 | 台灣電力股份有限公司 | 由多個類神經網路組成的發電量預測系統與其方法 |
| CN107688906B (zh) * | 2017-09-04 | 2021-11-09 | 北京玖天气象科技有限公司 | 多方法融合的输电线路气象要素降尺度分析系统及方法 |
| CN109977346B (zh) * | 2017-12-28 | 2023-06-09 | 北京金风慧能技术有限公司 | 用于对区域风场进行风速预报的方法和装置 |
| CN108152867A (zh) * | 2017-12-29 | 2018-06-12 | 南方电网科学研究院有限责任公司 | 输电线路的台风预警系统及方法 |
| CN112149859B (zh) * | 2019-06-28 | 2023-10-31 | 北京金风慧能技术有限公司 | 风速预测方法和风速预测装置 |
| CN110619432B (zh) * | 2019-09-17 | 2022-08-30 | 长江水利委员会水文局 | 一种基于深度学习的特征提取水文预报的方法 |
| CN111143477B (zh) * | 2019-09-18 | 2023-12-08 | 中国电力工程顾问集团西北电力设计院有限公司 | 一种空冷气象风速扇区相关快速统计的方法及装置 |
| CN112782788B (zh) * | 2019-11-06 | 2022-05-31 | 中国科学院国家空间科学中心 | 一种区域大气水文耦合预警决策系统及方法 |
| CN110705924B (zh) * | 2019-11-13 | 2024-04-23 | 许继集团有限公司 | 一种基于风向扇区的测风塔测风数据处理方法及装置 |
| CN112600189A (zh) * | 2020-01-17 | 2021-04-02 | 北京金风慧能技术有限公司 | 用于预测发电功率的方法及装置 |
| CN111353640B (zh) * | 2020-02-26 | 2022-04-08 | 西南交通大学 | 一种组合法风速预测模型构建方法 |
| US11294063B2 (en) * | 2020-04-02 | 2022-04-05 | Mitsubishi Electric Research Laboratories, Inc. | System and method for fast wind flow measurement by LiDAR in a complex terrain |
| CN111639865B (zh) * | 2020-06-02 | 2021-03-19 | 中国气象局气象探测中心 | 一种高铁沿线气象灾害发生风险分析方法 |
| CN111652435A (zh) * | 2020-06-03 | 2020-09-11 | 上海眼控科技股份有限公司 | 风切变预测方法、装置、计算机设备及可读存储介质 |
| CN111984910B (zh) * | 2020-08-17 | 2024-02-09 | 国家气象信息中心 | 一种秒级探空前30s风速求算及效果检验方法 |
| CN112200346B (zh) * | 2020-09-07 | 2024-03-26 | 中国农业大学 | 一种天气波动过程划分与匹配的短期风电功率预测方法 |
| CN112329977A (zh) * | 2020-09-10 | 2021-02-05 | 国家电网有限公司 | 一种面向极端场景的风电功率预测系统 |
| CN112731568B (zh) * | 2020-11-27 | 2022-06-17 | 北京城市气象研究院 | 一种基于相似理论的地面站点风速预报偏差订正的方法 |
| CN112630864B (zh) * | 2020-12-10 | 2022-11-22 | 中国人民解放军63796部队 | 一种高分辨率高空风的短期预报方法 |
| CN113127530A (zh) * | 2021-03-05 | 2021-07-16 | 中国气象科学研究院 | 一种基于铁路网的大气三维结构动态探测信息群同化系统 |
| CN114137636B (zh) * | 2021-11-11 | 2022-08-12 | 四川九通智路科技有限公司 | 一种环形压力传感器的区域气象监测管理方法及系统 |
| CN114004430B (zh) * | 2022-01-05 | 2022-04-29 | 中国电力科学研究院有限公司 | 一种风速预报方法和系统 |
| CN115755220B (zh) * | 2022-10-21 | 2023-07-25 | 中国民用航空飞行学院 | 基于数值模拟与深度学习结合的机场突风预报和订正方法 |
| CN116010525B (zh) * | 2023-02-02 | 2023-10-13 | 国家气象信息中心(中国气象局气象数据中心) | 一种气象模式数据解码处理方法 |
| CN116187559B (zh) * | 2023-02-21 | 2024-03-15 | 华润电力技术研究院有限公司 | 一种集中式风电超短期功率预测方法、系统和云端平台 |
| CN116388184B (zh) * | 2023-06-05 | 2023-08-15 | 南京信息工程大学 | 一种基于风速日波动特征的超短期风速修订方法、系统 |
| CN116663458A (zh) * | 2023-07-25 | 2023-08-29 | 国网甘肃省电力公司经济技术研究院 | 基于多杆塔风速关联分析的杆塔状态监测控制方法及系统 |
| CN116720627B (zh) * | 2023-07-28 | 2024-03-19 | 北京工业大学 | 一种监测站点风速和风向协同时序预测方法及系统 |
| CN117369025B (zh) * | 2023-11-20 | 2024-04-19 | 海南国际商业航天发射有限公司 | 一种高空风预报方法、装置、设备及存储介质 |
| CN117452527B (zh) * | 2023-12-26 | 2024-03-12 | 贵州省气象台(贵州省气象决策服务中心) | 一种数字气象智能服务方法及系统 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5646343A (en) * | 1993-07-02 | 1997-07-08 | Pritchard; Declan Nigel | System and method for monitoring wind characteristics |
| JPH08166465A (ja) * | 1994-12-12 | 1996-06-25 | East Japan Railway Co | 風速予測方法及びその風速予測方法に基づく交通手段運行方法 |
| CN102005760B (zh) * | 2010-11-18 | 2012-12-26 | 西北电网有限公司 | 一种通用风电功率短期预报方法 |
| CN102044872A (zh) * | 2010-11-18 | 2011-05-04 | 西北电网有限公司 | 一种风电功率中长期预报方法 |
| CN102055188B (zh) * | 2011-01-07 | 2012-12-26 | 西北电网有限公司 | 基于时间序列法的超短期风电功率预报方法 |
| CN102102626B (zh) * | 2011-01-30 | 2012-08-29 | 华北电力大学 | 风电场短期功率预测方法 |
| CN102269124B (zh) * | 2011-06-30 | 2013-04-03 | 内蒙古电力勘测设计院 | 超短期风电场发电功率预测系统 |
| CN102628876B (zh) * | 2012-02-13 | 2013-07-31 | 甘肃省电力公司风电技术中心 | 一种包含上下游效应实时监测的超短期预测方法 |
-
2012
- 2012-02-13 CN CN2012100316819A patent/CN102628876B/zh active Active
-
2013
- 2013-02-06 WO PCT/CN2013/000123 patent/WO2013120395A1/zh active Application Filing
- 2013-02-06 US US14/378,358 patent/US20150039228A1/en not_active Abandoned
Also Published As
| Publication number | Publication date |
|---|---|
| US20150039228A1 (en) | 2015-02-05 |
| WO2013120395A1 (zh) | 2013-08-22 |
| CN102628876A (zh) | 2012-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102628876B (zh) | 一种包含上下游效应实时监测的超短期预测方法 | |
| CN102930177B (zh) | 一种基于精细边界层模式的复杂地形风电场风速预测方法 | |
| Curto et al. | A renewable energy mix to supply small islands. A comparative study applied to Balearic Islands and Fiji | |
| Zheng et al. | Wind energy and wave energy resources assessment in the East China Sea and South China Sea | |
| Lee et al. | Assessment of offshore wind energy at Younggwang in Korea | |
| Li et al. | Onshore and offshore wind energy potential assessment near Lake Erie shoreline: A spatial and temporal analysis | |
| Yu et al. | Profiling the regional wind power fluctuation in China | |
| Holttinen et al. | Variability of load and net load in case of large scale distributed wind power | |
| CN106505631B (zh) | 智能风电风功率预测系统 | |
| CN102254239A (zh) | 基于微地形风场分布及台风叠加效应的电网风灾预警系统 | |
| Karamanis et al. | Wind energy resources in the Ionian Sea | |
| El Alimi et al. | Modeling and investigation of the wind resource in the gulf of Tunis, Tunisia | |
| CN102945508A (zh) | 一种基于模型校正的风电功率预测预报系统及方法 | |
| CN103514328A (zh) | 一种基于wrf的极端干旱地区风场模拟方法 | |
| CN103955749A (zh) | 太阳直接辐射值预测方法和系统 | |
| Singh et al. | Evaluation of current status and future directions of wind energy in India | |
| CN107194141B (zh) | 一种区域风能资源精细化评估方法 | |
| CN109978242A (zh) | 基于统计升尺度的光伏发电集群功率预测方法及装置 | |
| Vallejo-Díaz et al. | Wind energy potential assessment of selected locations at two major cities in the Dominican Republic, toward energy matrix decarbonization, with resilience approach | |
| CN105279576A (zh) | 一种风速预报的方法 | |
| CN104239979A (zh) | 一种风电场发电功率超短期预测方法 | |
| Potter et al. | Wind power data for grid integration studies | |
| Wang et al. | Method for short-term photovoltaic generation power prediction base on weather patterns | |
| Ji-Hang et al. | Analysis of wind power assessment based on the WRF model | |
| Wang et al. | Climate change characteristics of coastal wind energy resources in Zhejiang Province based on ERA-Interim data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| ASS | Succession or assignment of patent right |
Owner name: STATE GRID CORPORATION OF CHINA Effective date: 20121113 |
|
| C41 | Transfer of patent application or patent right or utility model | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20121113 Address after: Qilihe District of Gansu city in Lanzhou Province, 730050 West East Road No. 475 Applicant after: Wind Power Technology Center, Gansu Electric Power Co., Ltd. Applicant after: State Grid Corporation of China Address before: Qilihe District of Gansu city in Lanzhou Province, 730050 West East Road No. 475 Applicant before: Wind Power Technology Center, Gansu Electric Power Co., Ltd. |
|
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |