CN102930177A - 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 - Google Patents

Abstract

本发明公开了一种基于精细边界层数值模式的复杂地形风电场风速预测方法。所述的方法对历史测风塔数据进行采集，将获取的地理信息系统等地形地貌数据转化为中尺度天气预报模式及精细边界层数值模式可直接调用的静态数据。对中尺度天气预报模式及精细边界层数值模式进行风电场本地化配置使得模式气象环境模拟最优。并以中尺度天气预报模式及精细边界层数值模式为主体，建立风电场风速预测系统，进行风电场周边500平方公里，为期3-7天，水平网格分辨率为100米，时间间隔为5-15分钟动态可调的风电场风速预报。由于引入精细的地形地貌数据，并采用精细边界层数值模式进行100米分辨率的动力降尺度预报，该方法更适合复杂地形条件下的风电场风速预测。

Description

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

技术领域

本发明属于风电场技术领域，具体涉及风电场风速预报方法。

背景技术

复杂地形条件下的风电场局地风速由不同尺度的大气运动波动叠加而成：1由于海陆热力差异所驱动的时间尺度为数月的季节性季风环流，又称之为大尺度背景环流；2伴随冷锋，暴雨，台风等天气过程，时间尺度为数天的中尺度天气过程环流；3由局地热力性质差异所驱动的局地环流，例如海陆风，山谷风，城市热岛环流等等，局地环流通常具有明显的日变化；4由于实际粗糙元例如树木，建筑物等等对气流的拖曳，阻挡等等，导致局地风速具有明显的波动、间歇及风速突变等湍流阵性特征。这些不同尺度的风速波动叠加，形成了风电场局地风速。当风电场所在地形地貌较为复杂时，局地环流及湍流特征对实际风速的影响较大，从而导致了风速预测非常困难。

目前风电厂风速预测多采用统计方法，如持续性算法[1]、卡尔曼滤波法[2]、时间序列法[3]以及组合预测法[4,5]等。统计方法具有系统误差小的优点，但通常需要大量的、长期的历史测风资料[6]，这就为风电厂风速预测带来了困难。同时，统计方法的预测时间尺度也往往在1-10h之内，而风力发电并入电网需要风电场至少提供1-2d的提前预报[7]。由此可见，单纯的统计预测方法并不能满足风电厂对风速预测时间长度和预测精度的要求。

基于确立的数学物理定律建立的气象数值模式，其风速预报方程既包括气候及天气尺度的平均量风速的预测，也包括局地影响因子的湍流高频量的预测。当前中尺度天气预报模式WRF，RAMS，及ARPS等性能稳定，能够实现风电场及周边1公里水平分辨率的预报[8-14]。然而当风电场所在地为海边及山地等较为复杂的地形地貌时，地形地貌所激发的局地环流及湍流阵性特征更为多变且难以预测。采用分辨率为100米的精细边界层数值模式能够更好的预测复杂地形对近地层风速的影响。基于中尺度天气预报模式1公里分辨率的预报基础上，采用精细边界层数值模式进行100米分辨率的风速的动力降尺度预测，是复杂地形条件下风电场风速预测的一种有效办法。

精细边界层数值模式曾广泛的应用于城市气象环境的研究[15-18]及城市规划的气象环境评估领域[19-21]，尚未曾用于风电场风速预测领域。

参考文献：

[1]Alexiadis M C,Dokopoulos P S,Sahsamanoglou H S,et al.Short-term forecasting of windspeed and related electrical power.Solar Energy.1998,63(1):61—68.

[2]卢峰本.卡尔曼滤波在沿海冬半年风力预报中的应用.气象.1998,24(3):50—53.

[3]冬雷,王丽婕,郝颖,等.基于自回归滑动平均模型的风力发电容量预测.太阳能学报.2011,32(5):617—622.

[4]刘永前,韩爽,杨勇平,等.提前三小时风电机组出力组合预报研究.太阳能学报.2007(08):839—843.

[5]彭怀午,刘方锐,杨晓峰.基于组合预测方法的风电场短期风速预测.太阳能学报.2011,32(4):543—547.

[6]Ernst B,Oakleaf B,Ahlstrom M L,et al.Predicting the Wind.IEEE Power & EnergyMagazine.2007,5(6):78—89.

[7]Lazar L,Goran

Wind forecasts for wind power generation using the Eta model.Renewable Energy.2010,35(6):1236—1243.

[8]袁春红,薛桁,杨振斌.近海区域风速数值模拟试验分析.太阳能学报.2004(06):740—743.

[9]李晓燕,余志.基于MM5的沿海风资源数值模拟方法研究.太阳能学报.2005,26(3):400-408.

[10]穆海振,徐家良,杨永辉.数值模拟在上海海上风能资源评估中的应用.高原气象.2008,27(S1):196-202.

[11]辛渝,汤剑平,赵逸舟,等.模式不同分辨率对新疆达坂城—小草湖风区地面风场模拟结果的分析.高原气象.2010(04):884-893.

[12]邓国卫,高晓清,惠小英,等.酒泉地区风能资源开发优势度分析.高原气象.2010,29(6):1634—1640.

[13]惠小英,高晓清,桂俊祥,等.酒泉风电基地高分辨率风能资源的数值模拟.高原气象.2011,30(2):538-544.

[14]陈玲，赖旭，刘霄等.wrf模式在风电场风速预测中的应用.武汉大学学报（工学版），2012，45（1）：101-103

[15]Jiang Weimei,Zhou Mi,Xu Min,et al.Study on development and application of a regionalPBL num米erical model.Bound-Layer Meteor.,2002,104:491~503

[16]周幂，蒋维楣，徐敏，王卫国.一个区域PBL模式建立与应用研究.南京大学学报(自然科学)，2001，37（3）：395～400

[17]蒋维楣，周荣卫，刘红年.精细城市边界层模式的建立及应用.南京大学学报(自然科学)，2009,45(6):769-778

[18]蒋维楣,王咏薇等.多尺度城市边界层数值模式系统.南京大学学报（自然科学版）2007,43(3):221-237

[19]周荣卫，蒋维楣，刘罡，等.热力粗糙度引入精细城市边界层模式的初步应用,大气科学，2007，31（4）：611-620

[20]《北京城市规划建设与气象条件及大气污染关系研究》课题组，城市规划与大气环境，气象出版社，北京，2004

[21]汪光焘，气象，环境与城市规划，北京出版社，2004

[22]Pielke R S．Mesoscale meteorological modeling，2nd edn．Academic Press．SanDiego．2002．676pp．

发明内容

本发明目的在于提出运用精细边界层模式进行风电场风速预报，该种方法能够更加准确的进行复杂地形条件下风电场局地风速的预测。

本发明具体采用以下技术方案。

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，该方法包括以下步骤：

（1）采集三个月以上风电场测风塔实测风速数据作为中尺度天气预报模式及精细边界层数值模式对比的验证数据，对风电场测风塔实测风速数据进行纠错补缺处理；

（2）获取风电场及其周边精细地形地貌数据，包括土地利用类型、植被类型、土壤类型及海拔高度数据，并对所述地形地貌数据进行分辨率及数据存储格式的转化，生成能够被中尺度天气预报模式及精细边界层数值模式直接调用的静态数据；

（3）中尺度天气预报模式中有众多的次网格尺度物理过程参数化方案可选择，不同的参数化方案对于不同纬度，不同天气背景，不同地形地貌的风电场的适应性不同，首先通过敏感试验对中尺度天气预报模式的次网格尺度物理过程参数化方案进行本地化配置的选择,同时，对精细边界层数值模式中地表特征参数，包括动力学粗糙度、反照率、植被覆盖度等通过敏感试验进行调整，获取最适合风电场风速预报的局地量值，完成精细边界层数值模式的本地化配置；

（4）采用步骤（3）经过本地化配置的中尺度天气预报模式对当前风电场的天气状况信息进行预测模拟，所述天气状况信息包括空气温度、湿度、风速、气压、空气密度、地表温度、地表湿度，并将模拟结果作为精细边界层数值模式的初始及边界气象条件；

（5）在中尺度天气预报模式和精细边界层数值模式中引入经过分辨率及数据存储格式转化的精细地形地貌数据，以本地化配置的中尺度天气预报模式及精细边界层数值模式作为主体，建立适用于复杂地形下的风速预测数值模式系统；

（6）采用步骤（5）建立的风速预测系统进行风电场周边500平方公里，为期3-7天，水平网格分辨率为100米，时间间隔为5-15分钟的近地层风速预报。

本发明基于中尺度天气预报数值模拟基础上，采用精细边界层数值模式进行风电场风速的动力降尺度预测。从精细边界层数值模式的特征分析，首先模式中引入100米分辨率的静态地形数据，对于陡峭地形更为真实的再现。从模式本身说，该模式为地形跟随坐标下的非静力平衡模型，采用超松弛迭代法求解扰动气压的泊松方程，该种模式的配置能够更好的保证陡峭地形条件下气压的计算，并确保了气压梯度力计算的准确，从而使模式能够准确的响应地形的变化对风速的影响。同时该模式采用既保证计算准确率又保证计算效率的E－ε1.5阶湍流闭合方案，以及两层的土壤植被模型，这些参数化方案使得模式能够较好的计算不同植被及土地利用类型等地貌特征对风速的影响。精细边界层数值模式从地理信息静态数据来说能够分辨更陡峭的地形，从模式框架来说为地形跟随坐标系下的非静力平衡模式，同时考虑高阶的湍流闭合方案及二层的土壤植被模型，从总体计算方案讲，该模式为计算陡峭地形对风速影响的较好选择。

以中国西南山地条件下某风电场风速预测的实例表明，精细边界层模式的引入能够提高近地层风速的预报性能。采用精细边界层数值模式之后，与中尺度天气预报模式WRF 1公里分辨率的预报结果相比，70米高度近地层风速预测与观测的平均均方根误差从3.13米/秒提高到2.62米/秒，相关系数从0.56提高到0.59.

附图说明

附图1是本发明风速预测系统的结构示意图；

附图2是本发明具体实施方式中风速预测方法的流程图；

附图3是数值模式中不同分辨率的地形高度；

附图4WRF模式中9种边界层参数化方案模拟风速与实测风速的日平均误差分布；

附图5是中尺度天气预报模式1公里分辨率与精细边界层数值模式100米分辨率近地层风速预测结果的对比。

具体实施方式

下面结合附图通过具体实施方式来进一步说明本发明的技术方案。

附图1是本发明具体实施方式中风速预报方法的结构示意图。该预报系统包括高分辨地形地貌数据数据处理过程，测风塔数据采集纠错过程，中尺度天气预报模式参数化方案优化配置过程，精细边界层数值模式参数优化配置过程，以中尺度天气预报模式及精细边界层数值模式为主体的风电场风速预测系统。

高分辨地形地貌数据处理将获取的不同分辨率的地形地貌数据转化为中尺度天气预报模式及精细边界层数值模式所需的数据。

测风塔数据采集纠错主要用于测风塔数据的采集，缺测补缺，纠错并进行错误的订正。

中尺度天气预报模式的本地化优化配置过程。调试模式中的参数化方案及相关参数，使得模式适应风电场局地的地形地貌环境，并取得较好的预报效果。

精细边界层数值模式的本地化配置过程。调试模式中的参数化方案及相关参数，使得模式适应风电场局地的地形地貌环境，并取得较好的预报效果。

以中尺度天气预报模式及精细边界层数值模式为主体建立风电场风速预测系统。采用该系统可进行风电场范围100-200平方公里，水平分辨率100米，为期3-7天，间隔5-15分钟的风速预测。

附图2为本发明设计风速预测实施步骤，主要包括：

（1）采集三个月以上风电场测风塔实测风速数据作为中尺度天气预报模式及精细边界层数值模式对比的验证数据，对该数据进行纠错补缺等处理。由于测风塔测风仪器常年处于野外观测状态，仪器容易受到风沙等磨损，电源稳定性，且受到鸟类等，飞行物的扰动导致实测数据往往会出现一些突变的值，这些值必须被剔除掉，并进行相应的补缺。本发明对风速测量错误的判断依据主要通过风速阈值判定法，当风速大于50m/s，或者小于0m/s时判断风速测量错误，并通过幂指数风廓线法进行缺测高度风速数据的补缺。

（2）采用遥感，GIS等手段获取精细风电场局地的地形及地貌数据，包括土地利用、地形高度、土壤类型、植被类型等数据，并转化为适用于中尺度天气预报模式和精细边界层数值模式的静态数据。附图3以中国西南某山地风电场的地形特征为例，给出了分别适合中尺度天气预报模式1公里分辨率（附图3a）以及精细边界层数值模式100米分辨率（图3b）的地形高度数据，并将不同分辨率的地形高度数据与实际地形（附图3c）进行了对比。附图3a及附图3b中黑色实三角形的位置为该风电场测风塔的位置。通过对比发现，测风塔处实际地形高度为2675米左右（图3c），1公里分辨率（附图3a）能够分辨出测风塔处地形高度为2400米，100米分辨率（附图3b）能够分辨出测风塔处地形高度为2600米。由此表明，100米分辨率时模式能够更好的分辨出实际地形高度。

（3）中尺度天气预报模式的本地化配置。中尺度天气预报模式中有众多的参数化方案可选择，其中边界层参数化方案对近地层风速的模拟至关重要，不同边界层参数化方案对于不同纬度，不同天气背景，不同地形地貌的风电场的适应性不同。需要对中尺度天气预报模式的参数化方案进行本地化配置的选择。同时，数值模式中地表特征参数，包括动力学粗糙度、反照率、植被覆盖度对襟低层风速的预报至关重要，需要通过试验进行调整，获取最适合风电场局地的量值。

设置中尺度天气数值预报模式中不同的次网格尺度物理过程参数化方案并设定地表特征参数为不同的值，运行中尺度数值模式模拟风电场局地3个月以上历史天气状况，并与历史测风塔风速观测数据进行对比，通过对比模拟风速与观测风速的误差最小的参数化方案，获取适用于风电场局地天气状况模拟的中尺度天气预报模式的本地化配置方案。

附图4以该山地风电场3个月模拟的结果为例，给出了分别采用WRF模式中9种不同边界层参数化方案模拟所得70m风速与观测风速的日平均误差分布。从图中可以看出，MRF边界层参数化方案模拟结果的日平均误差最小，该方案为适合该山地风电场风速预测的最优边界层参数化方案。

（4）采用步骤（3）经过本地化配置的中尺度天气预报模式对当前风电场的天气状况信息进行预测，所述天气状况信息包括空气温度、湿度、风速、气压、空气密度、地表温度、地表湿度，并将模拟结果作为精细边界层数值模式的初始及边界气象条件；

（5）在中尺度天气预报模式和精细边界层数值模式中引入经过分辨率及数据存储格式转化的精细地形地貌数据，以本地化配置的中尺度天气预报模式及精细边界层数值模式作为主体，建立适用于复杂地形下的风速预测数值模式系统；

（6）采用步骤（5）建立的风速预测系统进行为期3-7天，水平网格分辨率为100米，时间间隔为5-15分钟的风电场风速预报。附图5对比了该风电场为期一个月的中尺度天气预报模式WRF1km分辨率预测风速、精细边界层数值模式100m分辨率预测风速与观测风速的对比。由图可见，精细边界层数值模式的引入能够提高近地层风速的预报性能。采用精细边界层数值模式之后，与中尺度天气预报模式WRF1公里水平分辨率的结果比较，70米高度近地层风速模拟与观测的均方根误差从3.13米/秒提高到2.62米/秒，相关系数从0.56提高到0.59.

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (1)

1.一种基于精细边界层模式的复杂地形风电场风速预测方法，该方法包括以下步骤：

（1）采集三个月以上风电场测风塔实测风速数据作为中尺度天气预报模式及精细边界层数值模式对比的验证数据，对风电场测风塔实测风速数据进行纠错补缺处理；

（2）获取风电场及其周边精细地形地貌数据，包括土地利用类型、植被类型、土壤类型及海拔高度数据，并对所述地形地貌数据进行分辨率及数据存储格式的转化，生成能够被中尺度天气预报模式及精细边界层数值模式直接调用的静态数据；

（3）中尺度天气预报模式中有众多的次网格尺度物理过程参数化方案可选择，不同的参数化方案对于不同纬度，不同天气背景，不同地形地貌的风电场的适应性不同，首先通过敏感试验对中尺度天气预报模式的次网格尺度物理过程参数化方案进行本地化配置的选择,同时，对精细边界层数值模式中地表特征参数，包括动力学粗糙度、反照率、植被覆盖度等通过敏感试验进行调整，获取最适合风电场风速预报的局地量值，完成精细边界层数值模式的本地化配置；

（4）采用步骤（3）经过本地化配置的中尺度天气预报模式对当前风电场的天气状况信息进行预测模拟，所述天气状况信息包括空气温度、湿度、风速、气压、空气密度、地表温度、地表湿度，并将模拟结果作为精细边界层数值模式的初始及边界气象条件；

（5）在中尺度天气预报模式和精细边界层数值模式中引入经过分辨率及数据存储格式转化的精细地形地貌数据，以本地化配置的中尺度天气预报模式及精细边界层数值模式作为主体，建立适用于复杂地形下的风速预测数值模式系统；

（6）采用步骤（5）建立的风速预测系统进行风电场周边500平方公里，为期3-7天，水平网格分辨率为100米，时间间隔为5-15分钟的近地层风速预报。

Images