CN105279576A - 一种风速预报的方法 - Google Patents

Abstract

本发明所提供的一种风速预报的方法，包括风速预报模型建立的步骤以及风速预报的步骤。本发明依据预报所在地的具体气象情况，生成该地区的风速预报方案，实现准确预报风速，相比于现有技术，降低预报误差，为风电场功率预测提供相对更加准确的数据支持。

Description

一种风速预报的方法

技术领域

本发明涉及风速预报技术领域，特别涉及一种风速预报的方法。

背景技术

风电场功率预测是缓解电力系统调峰、调频压力，提高风电接纳能力的有效手段之一。同时，风电功率预测还可以知道风电场的检修计划，提高风能利用率，提高风电场的经济效益。近年来，国内外已出现的大量的研究成果表明，中尺度数值气象预报模式(WRF，WeatherResearchandForecastingModel)可以较好的模拟风频、风向的大小，且48小时的误差范围较小。

近年来，大规模开发并已建成的风电项目也多分布在我国风资源丰富的三北(西北、东北和华北)地区和沿海一带。从风气候特性来看，我国三北地区和沿海一带，特别是东南沿海地区差异显著。与风资源有关的近地层风特性差异，主要有以下几方面：1)风的稳定性差异：风速大小的波动和风向稳定性；2)空气密度的差异：由于气温和空气中水汽含量以及气压的差异而造成；3)大风的形成机制和致灾特点明显不同。

由于上述问题的存在，增加了风速预报的难度，如何提高风速预测的精确性便成了亟待解决的问题。

发明内容

有鉴于此，本发明的主要目的在于，提供一种风速预报的方法，依据预报所在地的具体气象情况生成该地区的风速预报修正方案，实现准确预报风速，相比于现有技术降低预报误差，提高风速预测的精确性，为风电场功率预测提供相对更加准确的数据支持。

所述风速预报的方法包括，风速预报模型建立的步骤：

A、获取目标区域的全球预报系统的历史数据，确定目标区域所出现过的天气类型；

B、采用中尺度数值气象预报模式，计算所述历史数据，得到与步骤A对应时间的风速、风向、温度、气压、湿度和垂直风速；

C、将不同天气类型下的风速、温度、气压、湿度和垂直风速作为风速预报模型的输入端，对应时间的实际风速作为输出端，对预报模型进行训练；

以及，风速预报的步骤：

D、获取目标区域的全球预报系统的预报数据，判断其天气类型；

E、采用中尺度数值气象预报模式，计算所述预报数据，得到与步骤D对应时间的风速、风向、温度、气压、湿度和垂直风速；

F、将步骤E计算出的风速、风向、温度、气压、湿度和垂直风速依照步骤D判断的天气类型，带入到该类型的风速预报模型，以输出风速预报。

由上，依据预报所在地的具体气象情况生成该地区的风速预报修正方案，实现准确预报风速，相比于现有技术降低预报误差，从而为风电场功率预测提供相对更加准确的数据支持。

可选的，所述天气类型为归纳天气类型，包括，依据气旋类型以及气流方向将天气类型细分为27种类型：

采用以下六计算式，将所述27种子类型进行归纳，包括：平直气流类、气旋旋转类、反气旋旋转类、气旋混合类、反气旋混合类以及未定义类：

具体通过以下算法获得：

$u=\frac{1}{2}(p12+p13)-\frac{1}{2}(p4+p5)......\left(1\right)$

$v=\frac{1}{4cos\mathrm{\α}}\[(p5+2p9+p13)-(p4+2p8+p12)\]......\left(2\right)$

$V={\left(u^2+v^2\right)}^{\frac{1}{2}}......\left(3\right)$

${\mathrm{\ξ}}_u=\frac{sin\mathrm{\α}}{2{\mathrm{sin\α}}_1}(p15+p16-p8-p9)-\frac{sin\mathrm{\α}}{2{\mathrm{sin\α}}_2}(p8+p9-p1-p2)......\left(4\right)$

${\mathrm{\ξ}}_v=\frac{1}{8{\cos }^2\mathrm{\α}}\left[\begin{array}{c}(p6+2p10+p14)\\ -(p5+2p9+p13)\\ +(p3+2p7+p11)\\ -(p4+2p8+p12)\end{array}\right]......\left(5\right)$

ξ＝ξ_u+ξ_v……(6)

式中，p_n(n＝1,2，…16)表示在目标区域划分出的16个计算点的海平面气压值；风电场区域的中心点为A0，A1和A2是与A0在相同经度不同纬度的两点，α、α₁和α₂分别表示A0、A1、A2三个点的纬度值；V表示地转风；μ和ν作为中间量，分别表示地转风的纬向量和经向量；ξ表示地转涡度；ξ_u是μ的经向梯度；ξ_v是ν的纬向梯度；

|ξ|＜V时，归纳为平直气流类；

|ξ|＞2V时，归纳为气旋旋转或反气旋旋转类；

V＜|ξ|＜2V时，归纳为气旋混合类或反气旋混合类；

V＜6，并且|ξ|＜6时，归纳为未定义类。。

由上，通过上述天气类型归纳，以概括目标区域的情况，针对气候较单一的区域或者时间，一方面可以保持后续风速预报计算过程中的精度，另一方面可以减少前期预报模型建立时的运算量。

可选的，所述风速预报模型为BP神经网络模型。

可选的，在步骤C后，还包括对风速预报模型预报结果测试的步骤。

可选的，所述对于风速预报模型预报结果测试的步骤包括：

以月为单位，逐月计算该月的预报风速与实际风速的相关性；

式中α为相关性、V’t为通过风速预报模型计算的各时间点的预报风速值、表示其平均值、Vt为对应时间点测风塔所实测的风速值、表示其平均值、N为每日预报风速的个数。

可选的，所述对于风速预报模型预报结果测试的步骤包括：以月为单位，逐月计算该月的功率与实际功率的功率误差；

式中：RMSE为功率误差、W’t为通过风速预报模型得出的预报风速计算出的预测功率、Wt为对应时间点的实际功率、N为每日预报风速的个数、Q为装机容量。

可选的，风速预报的步骤还包括：依据对于风速预报模型预报结果测试的结果，调整风速预报模型的步骤。

可选的，调整风速预报模型的步骤包括：重复步骤A～F，各步骤中所述的天气类型为细分天气类型，包括：依据气旋类型以及气流方向将天气类型细分为27种类型。

由上，针对测试结果，可以对测试结果不尽人意的区域或时间段重新采用细分天气类型。即保证了预测精度，又最大限度的减少了前期的计算量。

可选的，所述天气类型为细分天气类型，包括，依据气旋类型以及气流方向将天气类型细分为27种类型。

由上，采用27种细分天气类型，虽然运算量较大，但可以精确的预报出风速。

附图说明

图1为风速预报的方法的流程图；

图2为福建平潭风电场区域示意图；

图3为风速预报模型示意图。

具体实施方式

为克服现有技术存在的缺陷，本发明提供一种风速预报的方法，可依据预报所在地的具体气象情况生成该地区的风速预报修正方案，实现准确预报风速，相比于现有技术，降低预报误差，从而为风电场功率预测提供相对更加准确的数据支持。

如图1所示，本方法包括以下步骤：

步骤S10：获取目标区域的GFS数据。

本发明以福建平潭风电场为例，进行说明。获取包含2012年1月1日至2014年7月31日每15分钟间隔的全场实际风速数据和逐日美国国家环境预报中心的全球预报系统(GFS，GooieFileSysten)预报数据(空间分辨率为0.5°*0.5°，时间分辨率为3小时)。需要说明的是，为了后续步骤中对不同天气类型进行归类统计和误差计算，取电网考核的时间段，GFS数据用的是UTC18时的第24～45小时，预报数据是15分钟间隔，GFS数据代表的预报数据时间段如下表1所示。

GFS UTC18	预报数据起始时间	预报数据结束时间
			24	1:00:00	3:45:00
27	4:00:00	6:45:00
			30	7:00:00	9:45:00
33	10:00:00	12:45:00
			36	13:00:00	15:45:00
39	16:00:00	18:45:00
			42	19:00:00	21:45:00
45	22:00:00	0:45:00(+1)

表1

步骤S20：判断目标区域的天气类型。

图2所示为福建平潭风电场区域示意图，如图所示，对应要计算的区域是15.5～35.5°N，104.5～134.5°E，整个风电场区域的中心点为A0，A1和A2是与A0在相同经度不同纬度的两点。

利用GFS数据每日每3小时海平面气压场，根据计算所选区域内地转风(V)和地转涡度(ξ)、地转风的方向(μ和ν)，将环流型分为气流型、旋转型和混合型等三大类，进一步，再将上述三大类细分为总共27个子类的天气类型。

对整个风电场区域进行划分，需覆盖整个区域，各分区大小需近似，且可以体现出出差异性，基于此，将该区域划分为P1～P16个计算格点，16个计算格点连成等压线，采用以下6个计算式：

$u=\frac{1}{2}(p12+p13)-\frac{1}{2}(p4+p5)......\left(1\right)$

$v=\frac{1}{4cos\mathrm{\α}}\[(p5+2p9+p13)-(p4+2p8+p12)\]......\left(2\right)$

$V={\left(u^2+v^2\right)}^{\frac{1}{2}}......\left(3\right)$

${\mathrm{\ξ}}_u=\frac{sin\mathrm{\α}}{2{\mathrm{sin\α}}_1}(p15+p16-p8-p9)-\frac{sin\mathrm{\α}}{2{\mathrm{sin\α}}_2}(p8+p9-p1-p2)......\left(4\right)$

${\mathrm{\ξ}}_v=\frac{1}{8{\cos }^2\mathrm{\α}}\left[\begin{array}{c}(p6+2p10+p14)\\ -(p5+2p9+p13)\\ +(p3+2p7+p11)\\ -(p4+2p8+p12)\end{array}\right]......\left(5\right)$

ξ＝ξ_u+ξ_v……(6)

上述各式中，p_n(n＝1,2，…16)表示要计算的16个格点上的海平面气压值；α、α₁和α₂分别表示目标区域中心区域纵向排列的A0、A1、A2三个点的纬度值(A0为整个区域的中间点)；V表示地转风；μ和ν作为中间量，表示地转风的纬向量和经向量；ξ表示地转涡度；ξ_u是μ的经向梯度；ξ_v是ν的纬向梯度。

将大气类型依据气旋类型(气旋和反气旋)以及流方向(8个方向)分为27种，具体分类情况如表2所示。例如某一区域的类型为Anticlyclone，说明该区域为高压(反气旋控制)；如为Cyclone，说明该区域为低压(气旋控制)；如为N型，表示该区域为偏北的地转风气流控制，在此不一一赘述。

由于我国地域辽阔，若采用上述分类将整个风电场区域按27类进行划分，无疑会增加后续步骤的运算量，并且，针对一些区域或者某一区域的大多数时间段天气类型较为单一。采用上述细分天气类型无疑会增加许多无谓的运算，因此，为方便统计计算，本发明将27种天气类型按一定算法进行统计计算后，归类为以下几类：平直气流类(天气类型归类代码为1)、气旋类(天气类型归类代码为2)、气旋类混合类(天气类型归类代码为3)、反气旋类(天气类型归类代码为4)以及反气旋混合类(天气类型归类代码为5)。

具体算法为：针对上述六个计算式的计算结果，如果|ξ|＜V，归纳为平直气流类；

如果|ξ|＞2V，归纳为气旋旋转类或反气旋旋转类；

如果V＜|ξ|＜2V，归纳为气旋混合类或反气旋混合类；

如果V＜6，并且|ξ|＜6，属于未定义类，具体归类情况如下表2所示。

表2

表2中，N表示气流方向为北；NE表示气流方向为东北；E表示气流方向为东；SE表示气流方向为东南；S表示气流方向为南；SW表示气流方向为西南；W表示气流方向为西；NW表示气流方向为西北；Anticlyclone表示反气旋；Cyclone表示气旋；CN表示在气旋控制下的北向气流；CNE表示在气旋控制下的东北向气流；CE表示在气旋控制下的东向气流；CSE表示在气旋控制下的东南向气流；CS表示在气旋控制下的南向气流；CSW表示在气旋控制下的西南向气流；CW表示在气旋控制下的西向气流；CNW表示在气旋控制下的西北向气流；AN表示在反气旋控制下的北向气流；ANE表示在反气旋控制下的东北向气流；AE表示在反气旋控制下的东向气流；ASE表示在反气旋控制下的东南向气流；AS表示在反气旋控制下的南向气流；ASW表示在反气旋控制下的西南向气流；AW表示在反气旋控制下的西向气流；ANW表示在反气旋控制下的西北向气流。

结合步骤S10所获取的GFS数据，统计2012年1月1日至2014年7月31日的GFS数据所计算出结果依据表2将待测地区以每15分钟为单位，对应归纳为不同类型。

步骤S30：驱动WRF模式，获取天气预报数据。

WRF技术主要研究大气中尺度运动，关系到区域重大灾害性天气的产生和发展变化。主要应用卫星、雷达、风廓线仪和自动观测站等探测工具，对中尺度天气过程进行模拟研究和预报试验。

WRF系统具有巨大的、惊人的计算量，包括前处理(WPS)模块、主模式模块以及后处理模块。

前处理模块对步骤S10中所获取的GFS数据进行处理；接着启动WRF主模式模块进行积分运算；最后启动WRF系统中的后处理模块对WRF计算结果进行后处理，输出风速、风向、温度、气压、湿度和垂直风速等天气预报数据。由于驱动WRF模式已属于现有技术，在此不对其进行赘述。

步骤S40：依据归纳后的天气类型更新天气预报数据。

依据历史数据，在2012年7月1日至2014年7月31日的每日预报数据增加一列归纳后的天气类型的代码，更新天气预报数据，以2014年4月17日为例，预报数据如表3所示：

表3

通过上述表3的天气类型划分结果可以看出，针对福建平潭风电场这以目标区域，归纳后，将原有的27种天气类型的范围归纳为4种(1、2、3、5)。由于范围的减小，针对并未出现的天气情况可以减少风速预报模型的训练量。

步骤S50：修正所更新的天气预报数据，建立风速预报模型，并对预报模型进行训练。

建立如图3所示的风速预报模型，所述风速预报模型为BP神经网络模型。图3中可以看到，针对每一种归纳后的天气类型，其输入端包括针对不同类型下的所对应的天气预报数据，具体包括：风速、气压、温度、湿度和垂直风速，输出端为测风塔的实测风速。通过导入大量数据(至少一年的历史数据)实现对于BP神经网络模型隐含层的训练。

通过对预报模型进行训练，可以得到福建平潭风电场区域所出现的不同气象类型下的风速预报模型。

选择2013-07-01至2014-06-30一年的数据作为测试数据，仍以表3中的数据为例，将每间隔15分钟的风速、气压、温度、湿度和垂直风速对应其所述的气象类型，分别带入至对应已训练好的BP神经网络，输出即为修正后的预报风速。例如2:00:00～3:45:00的数据便带入到天气类型1的风速预报模型，4:00:00～6:00:00数据便带入到天气类型5的风速预报模型，等等。

以月为单位，逐月计算该月修正后的预报风速与实际风速的相关性，从而对于采用本发明方案后的预报风速进行测试。具体的，相关性计算采用公式式中V’t为通过BP神经网络后的各时间点的预报风速值、表示其平均值、Vt为对应时间点测风塔所实测的风速值、表示其平均值、N为每日预报风速的个数(每天间隔15分钟进行一次预报)。计算结果如下表4所示，可以看出对比引入天气类型以后所做出的风速预报，与实际风速的相关性相比提高了13％，结果表明，预测结果相比于现有技术更接近真实风速。

表4

进一步的，采用均方根误差(RMSE)算法，逐月计算出的该月的功率误差，进行修正预报值与真值的偏差分析评价，即式中：W’t为通过BP神经网络修正后的预报风速值计算出的预测功率、Wt为对应时间点的实际功率、N为每日预报风速的个数(每天间隔15分钟进行一次预报)、Q为装机容量。通过表5，将引入天气类型后的功率预报误差与采用原业务预报的功率预测误差进行对比，可以看到预报误差下降了3.18％。不仅如此，合格天数也比采用原业务预报时增加了36天。

表5

采用本发明，首先针对不同地区，可将其所出现的天气类型范围由27种进行一定数量的缩减；其次，针对该地区所出现的天气类型，采用历史数据训练风速预报模型，使其最接近真实值。通过采用2013-07-01至2014-06-30一年的数据作为测试数据进行验证的结果可以看出，引入天气类型以后所做出的风速预报，与实际风速的相关性相比提高了13％，功率预测误差下降了3.18％，合格天数增加了36天。由于风具有波动性、间歇性和低能量密度等特点，因此，风电场向电网输出的功率也是波动的、间歇的。上述预报风速准确性的提升具有重要的意义，包括：为电力系统的优化调度服务，减少旋转备用，以确保电网的经济运行；为风电基地提供有效的管理手段，便于规划机组检修和维护计划，提高设备利用率；风电场准确有效的短期功率预报系统能为风电系统的优化调度、机组检修和维护计划提供基础数据和依据。可以选择风力较小或无风的时候进行风电机组的维护和维修，以提高风电企业的竞争力，有利于风力发电的竞价上网。以提高风电场设备有效利用率和风电场的发电量。满足电力市场交易需求，提高风电企业的竞争力。

步骤S60：依据所述风速预报模型进行风速预报。

当风速预报模型确定后，即可将未来一段时间(例如未来12小时)的天气预报数据，首先采用与步骤S20相同的方法判断未来每隔15分钟的天气类型；其次采用与步骤S30相同的方法计算出未来每隔15分钟的风速、气压、温度、湿度和垂直风速；而后，将步骤计算出的风速、风向、温度、气压、湿度和垂直风速依照步骤对应时间所判断出的天气类型，带入到该类型的风速预报模型中，以输出风速预报。

较佳的，还包括步骤S70：依据前述测试结果调整风速预报模型。

通过表4和表5所示的验证结果可以发现，采用本发明的风速预报方法在整体预报的准确性上有较佳的提高，但是针对各别月份风速相关性较低或功率误差较大时(例如10月，由于其属于该地区的特征月份)，需分析特征月份的历史数据，对其天气类型重新判断，重新判断则依据天气类型归纳前的27种天气而非归纳后的5种类型进行，并且针对判断出来的天气类型建立天气预报模型以及训练。由此，采用细化的27种天气情况建立天气预报模型，克服在对天气进行整体归纳时，特征月风速预报精度下降的缺陷，进一步提高了整体风速预报的精确度。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明。总之，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 (9)

1.一种风速预报的方法，其特征在于，包括风速预报模型建立的步骤：

A、获取目标区域的全球预报系统的历史数据，确定目标区域所出现过的天气类型；

B、采用中尺度数值气象预报模式，计算所述历史数据，得到与步骤A对应时间的风速、风向、温度、气压、湿度和垂直风速；

C、将不同天气类型下的风速、温度、气压、湿度和垂直风速作为风速预报模型的输入端，对应时间的实际风速作为输出端，对风速预报模型进行训练；

以及，风速预报的步骤：

D、获取目标区域的全球预报系统的预报数据，判断其天气类型；

E、采用中尺度数值气象预报模式，计算所述预报数据，得到与步骤D对应时间的风速、风向、温度、气压、湿度和垂直风速；

F、将步骤E计算出的风速、风向、温度、气压、湿度和垂直风速依照步骤D判断的天气类型，带入到该类型的风速预报模型，以输出风速预报。

2.根据权利要求1所述的方法，其特征在于，所述天气类型为归纳天气类型，包括，依据气旋类型以及气流方向将天气类型细分为27种类型：

采用以下六计算式，将所述27种子类型进行归纳，包括：平直气流类、气旋旋转类、反气旋旋转类、气旋混合类、反气旋混合类以及未定义类：

具体通过以下算法获得：

$u=\frac{1}{2}(p12+p13)-\frac{1}{2}(p4+p5)......\left(1\right)$

$v=\frac{1}{4cos\mathrm{\α}}\[(p5+2p9+p13)-(p4+2p8+p12)\]......\left(2\right)$

$V={(u^2+v^2)}^{\frac{1}{2}}......\left(3\right)$

${\mathrm{\ξ}}_u=\frac{sin\mathrm{\α}}{2{\mathrm{sin\α}}_1}(p15+p16-p8-p9)-\frac{sin\mathrm{\α}}{2{\mathrm{sin\α}}_2}(p8+p9-p1-p2)......\left(4\right)$

${\mathrm{\ξ}}_v=\frac{1}{8{\cos }^2\mathrm{\α}}\left[\begin{array}{c}(p6+2p10+p14)\\ -(p5+2p9+p13)\\ +(p3+2p7+p11)\\ -(p4+2p8+p12)\end{array}\right]......\left(5\right)$

ξ＝ξ_u+ξ_v……(6)

式中，p_n(n＝1,2，…16)表示在目标区域划分出的16个计算点的海平面气压值；风电场区域的中心点为A0，A1和A2是与A0在相同经度不同纬度的两点，α、α₁和α₂分别表示A0、A1、A2三个点的纬度值；V表示地转风；μ和ν作为中间量，分别表示地转风的纬向量和经向量；ξ表示地转涡度；ξ_u是μ的经向梯度；ξ_v是ν的纬向梯度；

|ξ|＜V时，归纳为平直气流类；

|ξ|＞2V时，归纳为气旋旋转或反气旋旋转类；

V＜|ξ|＜2V时，归纳为气旋混合类或反气旋混合类；

V＜6，并且|ξ|＜6时，归纳为未定义类。

3.根据权利要求1所述的方法，其特征在于，所述风速预报模型为BP神经网络模型。

4.根据权利要求1所述的方法，其特征在于，在步骤C后，还包括对风速预报模型预报结果测试的步骤。

5.根据权利要求4所述的方法，其特征在于，所述对于风速预报模型预报结果测试的步骤包括：

以月为单位，逐月计算该月的预报风速与实际风速的相关性；

式中α为相关性、V’t为通过风速预报模型计算的各时间点的预报风速值、表示其平均值、Vt为对应时间点测风塔所实测的风速值、表示其平均值、N为每日预报风速的个数。

6.根据权利要求4所述的方法，其特征在于，所述对于风速预报模型预报结果测试的步骤包括：以月为单位，逐月计算该月的功率与实际功率的功率误差；

$RMSE=\sqrt{\frac{1}{N}\underset{t=1}{\overset{N}{\Σ}}{({W^{\′}}_t-W_t)}^2/Q}.$ 式中：RMSE为功率误差、W’t为通过风速预报模型得出的预报风速计算出的预测功率、Wt为对应时间点的实际功率、N为每日预报风速的个数、Q为装机容量。

7.根据权利要求4所述的方法，其特征在于，风速预报的步骤还包括：依据对于风速预报模型预报结果测试的结果，调整风速预报模型的步骤。

8.根据权利要求7所述的方法，其特征在于，调整风速预报模型的步骤包括：重复步骤A～F，各步骤中所述的天气类型为细分天气类型，包括：依据气旋类型以及气流方向将天气类型细分为27种类型。

9.根据权利要求1所述的方法，其特征在于，所述天气类型为细分天气类型，包括，依据气旋类型以及气流方向将天气类型细分为27种类型。