CN109726867A - 一种基于多模式集合的高分辨率电力气象预报方法 - Google Patents

Abstract

本发明提供一种基于多模式集合的高分辨率电力气象预报方法，包括太阳能电场电力气象预报过程和风电场电力气象预报过程；太阳能电场电力气象预报过程包括：将N个基于地表辐射晴空插值的太阳能电场预报模块和N个基于中尺度模拟的太阳能电场预报模块组成太阳能电场预报成员集合；对太阳能电场预报成员进行权重评估；建立地表辐射场神经网络模型进行预测修正。优点为：本发明极大地改善了现有电力气象预报精度，可有效提升风电功率预测、光伏发电功率预测、海上风电场综合气象保障、电网气象灾害预警等服务的准确性及可靠性。

Description

一种基于多模式集合的高分辨率电力气象预报方法

技术领域

本发明属于电力气象预报技术领域，具体涉及一种基于多模式集合的高分辨率电力气象预报方法。

背景技术

电力气象是与新能源发电应用密切相关的应用气象学分支领域，主要涉及风能、太阳能等清洁能源的开发利用。

进入21世纪后，在各国政策的扶持下，风电、光伏发电在全球范围内增长迅速，截至2017年年初，我国的风电、光伏发电装机容量已跃居世界首位。受天气变化影响，风电、光伏发电存在波动性、随机性和间歇性，被称为波动性电源。为了消纳更多的风能和太阳能，发电企业必须对未来几天的发电功率进行预测，以便电网公司提前安排日前发电计划，这一业务被称为新能源发电功率短期预测。对于短期功率预测而言，未来几天的天气预报是最为基础的输入数据。其中，对风电并网影响最大的气象要素是近地面不同层高的风速和风向，而影响光伏发电并网的主要气象要素是全天空向下短波辐射，即水平面总辐射。因此，风电场和太阳能电场的运营离不开高分辨率的精准电力气象预报服务，这对提升短期功率预测精度、减少弃风弃光、增加电站经济效益至关重要。

长期以来，我国的气象预报服务由气象主管部门负责提供，即中国气象局、省市气象局等。气象局提供的专业气象预报信息和公共气象预报信息均来自同一套业务化预报系统，时空分辨率粗糙，误差较大，难以满足电力行业的应用需求。

发明内容

针对现有技术存在的缺陷，本发明提供一种基于多模式集合的高分辨率电力气象预报方法，可有效解决上述问题。

本发明采用的技术方案如下：

本发明提供一种基于多模式集合的高分辨率电力气象预报方法，包括太阳能电场电力气象预报过程和风电场电力气象预报过程；

所述太阳能电场电力气象预报过程包括以下步骤：

步骤1，设共采用N个全球预报模块，分别为Q₁、Q₂,…,Q_N；

建立N个基于地表辐射晴空插值的太阳能电场预报模块，分别为F₁、F₂,…,F_N；对于任意的基于地表辐射晴空插值的太阳能电场预报模块F_i，均唯一对应全球预报模块Q_i；其中，i＝1、2,…,N,任意的基于地表辐射晴空插值的太阳能电场预报模块F_i，均以全球预报模块Q_i预报到的未来指定时间段的指定地点的全天空向下短波辐射值作为输入数据，预报得到未来指定时间段的指定地点的逐15分钟全天空向下短波辐射值；

步骤2，建立N个基于中尺度模拟的太阳能电场预报模块，分别为Z₁、Z₂,…,Z_N；对于任意的基于中尺度模拟的太阳能电场预报模块Z_j，均唯一对应全球预报模块Q_j；其中，j＝1、2,…,N，任意的基于中尺度模拟的太阳能电场预报模块Z_j，均以全球预报模块Q_i预报到的未来指定时间段的指定地点的不同层高的温度、湿度、气压、风速、风向三维大气要素作为输入数据，预报得到未来指定时间段的指定地点的逐15分钟全天空向下短波辐射值；

步骤3，将N个基于地表辐射晴空插值的太阳能电场预报模块和N个基于中尺度模拟的太阳能电场预报模块组成太阳能电场预报成员集合，因此，所述太阳能电场预报成员集合共有2N个太阳能电场预报成员；用指定地点的逐15分钟全天空向下短波辐射的实际观测值对2N个所述太阳能电场预报成员进行权重评估，得到每一个所述太阳能电场预报成员的权重值；

然后，采用以下公式，得到对应时间和对应地点的逐15分钟全天空向下短波辐射的加权平均预报值F_ensemble；

其中：

F_ensemble：逐15分钟全天空向下短波辐射的加权平均预报值；

F_k：太阳能电场预报成员预报到的逐15分钟全天空向下短波辐射值；

w_k：太阳能电场预报成员的成员权重；

步骤4，建立地表辐射场神经网络模型；所述地表辐射场神经网络模型包括输入层、隐含层和输出层；

所述输入层包括3个结点，为太阳能电场预报成员预报到的指定时间段的指定地点的逐15分钟全天空向下短波辐射的加权平均预报值、逐15分钟太阳高度角、逐15分钟晴空指数；所述输出层包括1个结点，为指定时间段的指定地点的逐15分钟全天空向下短波辐射的实际观测值；

利用训练样本训练所述地表辐射场神经网络模型，从而得到训练完成的地表辐射场神经网络模型；

然后，将太阳能电场预报成员预报到的指定时间段的指定地点的逐15分钟全天空向下短波辐射的加权平均预报值、逐15分钟太阳高度角、逐15分钟晴空指数输入所述训练完成的地表辐射场神经网络模型中，所述训练完成的地表辐射场神经网络模型输出值即为指定时间段的指定地点的逐15分钟全天空向下短波辐射的最终预报值；

所述风电场电力气象预报过程包括以下步骤：

步骤1A，设共采用N个全球预报模块，分别为Q₁、Q₂,…,Q_N；

建立N个基于近地层风速场诊断的风电场预报模块，分别为D₁、D₂,…,D_N；对于任意的基于近地层风速场诊断的风电场预报模块D_i，均唯一对应全球预报模块Q_i；其中，i＝1、2,…,N,任意的基于近地层风速场诊断的风电场预报模块D_i，均以全球预报模块Q_i预报到的未来指定时间段的指定地点的不同层高的温度、湿度、气压、风速、风向三维大气要素作为输入数据，预报得到未来指定时间段的指定地点的指定层高的逐15分钟风速/风向数据；

步骤2A，建立N个基于中尺度模拟的风电场预报模块，分别为E₁、E₂,…,E_N；对于任意的基于中尺度模拟的风电场预报模块E_j，均唯一对应全球预报模块Q_j；其中，j＝1、2,…,N,任意的基于中尺度模拟的风电场预报模块E_j，均以全球预报模块Q_i预报到的未来指定时间段的指定地点的不同层高的温度、湿度、气压、风速、风向三维大气要素作为输入数据，预报得到未来指定时间段的指定地点的指定层高的逐15分钟风速/风向数据；

步骤3A，将N个基于近地层风速场诊断的风电场预报模块和N个基于中尺度模拟的风电场预报模块组成风电场预报成员集合，因此，所述风电场预报成员集合共有2N个风电场预报成员；用指定地点的指定层高的逐15分钟风速/风向的实际观测值对2N个所述风电场预报成员进行权重评估，得到每一个所述风电场预报成员的权重值；

然后，采用以下公式，得到对应时间和对应地点的指定层高的逐15分钟风速/风向的加权平均预报值F’_ensemble；

其中：

F’_ensemble：逐15分钟风速/风向的加权平均预报值；

F_s：风电场预报成员预报到的逐15分钟风速/风向值；

w_s：风电场预报成员的成员权重；

步骤4A，建立风速场神经网络模型；所述风速场神经网络模型包括输入层、隐含层和输出层；

所述输入层包括5个结点，为风电场预报成员预报到的指定时间段的指定地点的指定层高的逐15分钟风速/风向的加权平均预报值、逐15分钟温度、逐15分钟湿度、逐15分钟气压；所述输出层包括2个结点，为指定时间段的指定地点的指定层高的逐15分钟风速/风向的实际观测值；

利用训练样本训练所述风速场神经网络模型，从而得到训练完成的风速场神经网络模型；

然后，将风电场预报成员预报到的指定时间段的指定地点的指定层高的逐15分钟风速/风向的加权平均预报值、逐15分钟温度、逐15分钟湿度、逐15分钟气压输入所述训练完成的风速场神经网络模型中，所述训练完成的风速场神经网络模型输出值即为指定时间段的指定地点的指定层高的逐15分钟风速/风向的最终预报值。

优选的，步骤1中，任意的基于地表辐射晴空插值的太阳能电场预报模块F_i，均以全球预报模块Q_i预报到的未来指定时间段的指定地点的全天空向下短波辐射值作为输入数据，预报得到未来指定时间段的指定地点的逐15分钟全天空向下短波辐射值，具体包括：

步骤1.1，获取全球预报模块Q_i预报到的未来指定时间段的指定地点的全天空向下短波辐射初始值；

步骤1.2，对步骤1获取到的所述全天空向下短波辐射初始值进行预处理，得到逐3小时全天空向下短波辐射平均值SR_3h；

步骤1.3，利用Bird晴空模式计算对应时间段的对应地点的逐3小时晴空向下短波辐射CSR_3h；

然后，利用下式计算逐3小时晴空指数kt_3h：

步骤1.4，对步骤1.3得到的逐3小时晴空指数kt_3h进行线性插值，得到逐15分钟晴空指数kt_15min；

步骤1.5，利用Bird晴空模式计算逐15分钟晴空向下短波辐射CSR_15min，并根据下式得到逐15分钟全天空向下短波辐射值SR_15min：

SR_15min＝CSR_15min×kt_15min

步骤1.6，结束本步骤。

本发明提供的一种基于多模式集合的高分辨率电力气象预报方法具有以下优点：

本发明极大地改善了现有电力气象预报精度，可有效提升风电功率预测、光伏发电功率预测、海上风电场综合气象保障、电网气象灾害预警等服务的准确性及可靠性。

附图说明

图1为本发明提供的一种基于多模式集合的高分辨率电力气象预报方法的流程示意图。

具体实施方式

为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明提供一种基于多模式集合的高分辨率电力气象预报方法，包括太阳能电场电力气象预报过程和风电场电力气象预报过程。太阳能电场电力气象预报过程和风电场电力气象预报过程的整体思路相同，区别主要包括两点：第一，太阳能电场电力气象预报过程，预报参数为全天空向下短波辐射值；风电场电力气象预报过程，预报参数为风速和风向值；第二，太阳能电场电力气象预报过程，以基于地表辐射晴空插值的太阳能电场预报模块和基于中尺度模拟的太阳能电场预报模块作为集合成员；而风电场电力气象预报过程，以基于近地层风速场诊断的风电场预报模块和基于中尺度模拟的风电场预报模块作为集合成员。下面分别对太阳能电场电力气象预报过程和风电场电力气象预报过程进行详细介绍：

(一)太阳能电场电力气象预报过程

太阳能电场电力气象预报过程包括以下步骤：

步骤1，设共采用N个全球预报模块，分别为Q₁、Q₂,…,Q_N；

实际应用中，可采用8个全球预报模块，分别为欧洲中期预报中心ECMWF HRES、日本气象厅GSM、环境加拿大GEPS、德国气象局ICON、英国气象局UM、法国气象局ARPEGE、美国环境预报中心GFS、澳大利亚气象局ACCESS。

建立N个基于地表辐射晴空插值的太阳能电场预报模块，分别为F₁、F₂,…,F_N；对于任意的基于地表辐射晴空插值的太阳能电场预报模块F_i，均唯一对应全球预报模块Q_i；其中，i＝1、2,…,N,任意的基于地表辐射晴空插值的太阳能电场预报模块F_i，均以全球预报模块Q_i预报到的未来指定时间段的指定地点的全天空向下短波辐射值作为输入数据，预报得到未来指定时间段的指定地点的逐15分钟全天空向下短波辐射值；

地表辐射晴空插值是利用晴空模式对全天空向下短波辐射进行时间插值处理的一种方法。8种全球预报模块预报到的全天空向下短波辐射要素一般为多小时平均值或多小时累计值，分辨率不统一，为了将其转换为逐15分钟全天空向下短波辐射值，需对其进行时间插值处理。然而，由于太阳的高度在时刻变化，常规的插值方法无法反映全天空向下短波辐射的日变化。为了解决这一问题，本发明提出以下处理流程：

步骤1.1，获取全球预报模块Q_i预报到的未来指定时间段的指定地点的全天空向下短波辐射初始值；

步骤1.2，对步骤1获取到的所述全天空向下短波辐射初始值进行预处理，得到逐3小时全天空向下短波辐射平均值SR_3h；

步骤1.3，利用Bird晴空模式计算对应时间段的对应地点的逐3小时晴空向下短波辐射CSR_3h；

然后，利用下式计算逐3小时晴空指数kt_3h：

步骤1.4，对步骤1.3得到的逐3小时晴空指数kt_3h进行线性插值，得到逐15分钟晴空指数kt_15min；

步骤1.5，利用Bird晴空模式计算逐15分钟晴空向下短波辐射CSR_15min，并根据下式得到逐15分钟全天空向下短波辐射值SR_15min：

SR_15min＝CSR_15min×kt_15min

步骤1.6，结束本步骤。

具体的，8种全球预报模块预报到的全天空向下短波辐射的时空分辨率是不一样的，所以，首先通过步骤1.2对其进行预处理，变为统一时空分辨率的数据。然后采用本发明前面介绍的间接模式，可得到精确的逐15分钟全天空向下短波辐射值。经试验证明，本发明采用的上述间接模式的步骤，能够有效提高逐15分钟全天空向下短波辐射值的精度。

步骤2，建立N个基于中尺度模拟的太阳能电场预报模块，分别为Z₁、Z₂,…,Z_N；对于任意的基于中尺度模拟的太阳能电场预报模块Z_j，均唯一对应全球预报模块Q_j；其中，j＝1、2,…,N,任意的基于中尺度模拟的太阳能电场预报模块Z_j，均以全球预报模块Q_i预报到的未来指定时间段的指定地点的不同层高的温度、湿度、气压、风速、风向等三维大气要素作为输入数据，预报得到未来指定时间段的指定地点的逐15分钟全天空向下短波辐射值；

具体的，基于中尺度模拟的太阳能电场预报模块，是以WRF(Weather Researchand Forecasting Model)中尺度模式为工具，以GFS(Global Forecast System)全球预报模块预报到的不同层高的温度、湿度、气压、风速、风向等三维大气要素为初始边界条件，通过动力降尺度实现对全天空向下短波辐射等气象要素的预报，预报方式可以为确定性预报方式和扰动集合预报方式。

确定性预报的实现步骤如下：

(1)在服务器上安装开源的WRF中尺度模式工具，并完成调试；

(2)从美国环境预报中心(NCEP)网站下载最新的GFS全球预报模块；

(3)以GFS全球预报模块为WRF的初始边界条件，对特定区域进行多层嵌套，然后对目标时段的未来大气状况进行积分运算；

(4)从运算结果中提取全天空向下短波辐射，即为基于中尺度模拟的太阳能电场预报模块预报到的逐15分钟全天空向下短波辐射值。

扰动集合预报的实现步骤如下：

(1)在服务器上安装开源的WRF中尺度模式工具，并完成调试；

(2)从美国环境预报中心(NCEP)网站下载最新的GFS全球预报模块；

(3)以GFS全球预报模块为WRF的初始边界条件，采用多种不同组合的物理参数化方案对特定区域目标时段的未来大气状况进行积分运算；

(4)从多个运算结果中提取所需气象要素，即：全天空向下短波辐射，对其进行平均处理即得到扰动集合预报产品，即：基于中尺度模拟的太阳能电场预报模块预报到的逐15分钟全天空向下短波辐射值。

由于大气的初始边界条件和中尺度模式的参数化方案均存在不确定性和随机性，这些因素皆会影响最终的预报精度。确定性预报仅以一种边界条件为初值，积分过程也只依赖一套参数化方案配置，因此，预报结果误差较大。扰动集合预报可选择不同的参数化方案，并将其组合为多套模式配置，有效地克服了确定性预报单一配置的不足。不过，扰动集合预报的模式成员较多，计算量巨大，效率低，耗时长。

所以，如果仅单一的采用确定性预报模式或扰动集合预报模式，确定性预报模式误差较大、扰动集合预报初值条件单一及计算量巨大，而本发明提供的基于多模式集合的高分辨率电力气象预报方法，不仅综合考虑了不同大气初始边界条件、不同物理参数化方案的不确定性，而且节省了大量计算资源，利用该方法得到的数值天气预报可为风电功率预测、光伏发电功率预测、海上风电场综合气象保障、电网气象灾害预警、巡检天气窗口等不同应用提供高分辨率的数据接入。

中尺度模拟是利用中尺度模式对未来大气状况进行推导计算的数值模拟过程。本发明以WRF(Weather Research and Forecasting Model)为中尺度模拟工具，该模式可通过互联网开放获取。以8个全球天气预报模块预报到的不同层高的温度、湿度、气压、风速、风向等三维大气要素为初始边界条件，可得到8个中尺度模拟结果。中尺度模拟之前，利用WRF自带的WRFDA资料同化模块可对8个初始边界条件进行优化，实时观测资料来自国家气象信息中心39946个地面观测站和81个高空站。最终的全天空向下短波辐射预报空间分辨率为10公里，时间分辨率皆为15分钟。

步骤3，将N个基于地表辐射晴空插值的太阳能电场预报模块和N个基于中尺度模拟的太阳能电场预报模块组成太阳能电场预报成员集合，因此，所述太阳能电场预报成员集合共有2N个太阳能电场预报成员；用指定地点的逐15分钟全天空向下短波辐射的实际观测值对2N个所述太阳能电场预报成员进行权重评估，得到每一个所述太阳能电场预报成员的权重值；

然后，采用以下公式，得到对应时间和对应地点的逐15分钟全天空向下短波辐射的加权平均预报值F_ensemble；

其中：

F_ensemble：逐15分钟全天空向下短波辐射的加权平均预报值；

F_k：太阳能电场预报成员预报到的逐15分钟全天空向下短波辐射值；

w_k：太阳能电场预报成员的成员权重；

具体的，权重评估的主要作用是：利用现场实际观测到的逐15分钟全天空向下短波辐射值，对各个太阳能电场预报成员预报到的逐15分钟全天空向下短波辐射值进行验证，据此计算各个太阳能电场预报成员的权重。

例如，与实际观测值越接近的太阳能电场预报成员，说明其预测效果越好，从而赋予越高的权重值；而对于与实际观测值偏离较大的太阳能电场预报成员，说明其预测效果较差，从而赋予越低的权重值；然后，根据各个太阳能电场预报成员的权重值，对其进行排序。然后，利用现场实测逐15分钟全天空向下短波辐射值对历史预报进行验证后，可获取16个太阳能电场预报成员在不同季节和气候区的太阳能预报性能，并据此计算每一集合成员的权重，之后综合得到16个太阳能电场预报成员的加权平均集合预报。

步骤4，建立地表辐射场神经网络模型；所述地表辐射场神经网络模型包括输入层、隐含层和输出层；

所述输入层包括3个结点，为太阳能电场预报成员预报到的指定时间段的指定地点的逐15分钟全天空向下短波辐射的加权平均预报值、逐15分钟太阳高度角、逐15分钟晴空指数；所述输出层包括1个结点，为指定时间段的指定地点的逐15分钟全天空向下短波辐射的实际观测值；

利用训练样本训练所述地表辐射场神经网络模型，从而得到训练完成的地表辐射场神经网络模型；

然后，将太阳能电场预报成员预报到的指定时间段的指定地点的逐15分钟全天空向下短波辐射的加权平均预报值、逐15分钟太阳高度角、逐15分钟晴空指数输入所述训练完成的地表辐射场神经网络模型中，所述训练完成的地表辐射场神经网络模型输出值即为指定时间段的指定地点的逐15分钟全天空向下短波辐射的最终预报值；

本步骤实质为一种统计后处理方式，是一种利用现场气象观测资料订正步骤3得到的加权平均集合预报结果的统计方法，需要多年历史观测资料作为样本数据，对神经网络模型进行训练，可被称为模式输出统计(Model Output Statistics)。本发明设计了一种基于BP(Back Propagation)人工神经网络的动态模式输出统计法，仅需要1-2个月的历史观测资料即可建模，有效减小预报中的系统性误差。

(二)风电场电力气象预报过程

在风电场电力气象预报过程中，对于与太阳能电场电力气象预报过程相同的一些解释，例如，对中尺度模拟的解释、对集合预报成员权重的解释、对基于神经网络进行修正的解释等，在风电场电力气象预报过程中不再详述。

所述风电场电力气象预报过程包括以下步骤：

步骤1A，设共采用N个全球预报模块，分别为Q₁、Q₂,…,Q_N；

建立N个基于近地层风速场诊断的风电场预报模块，分别为D₁、D₂,…,D_N；对于任意的基于近地层风速场诊断的风电场预报模块D_i，均唯一对应全球预报模块Q_i；其中，i＝1、2,…,N,后续步骤中，以N等于8为例进行介绍；任意的基于近地层风速场诊断的风电场预报模块D_i，均以全球预报模块Q_i预报到的未来指定时间段的指定地点的不同层高的温度、湿度、气压、风速、风向等三维大气要素作为输入数据，预报得到未来指定时间段的指定地点的指定层高的逐15分钟风速/风向数据；

具体的，近地层风速场诊断是利用CALMET进行风速、风向模拟的一种方法。本发明中，CALMET是三维非定长拉格朗日高斯烟团扩散模式CALPUFF中的天气诊断模块，以全球预报模块预报到的不同层高的温度、湿度、气压、风速、风向等三维大气要素为初始场，通过地形适应和客观分析两步流程，实现对三维风速场、温度场、降水场等的模拟，空间分辨率最高可达几十米。为了调整近地面层风速场，地形适应需借助精细的地形数据和下垫面资料，而客观分析则依赖地面和高空观测资料。本发明的方案分别以8种全球预报模块预报到的风速/风向数据为初始场，以SRTM(Shuttle Radar Topography Mission)数字高程模型为地形和下垫面资料，利用CALMET对近地面层风电场进行模拟，空间分辨率1公里，时间分辨率1小时。其中，地面和高空观测资料来自中国气象局国家气象信息中心。获得风电场的U、V分量后，利用简单的时间插值即可得到近地面层的逐15分钟风速/风向数据。

步骤2A，建立N个基于中尺度模拟的风电场预报模块，分别为E₁、E₂,…,E_N；对于任意的基于中尺度模拟的风电场预报模块E_j，均唯一对应全球预报模块Q_j；其中，j＝1、2,…,N,任意的基于中尺度模拟的风电场预报模块E_j，均以全球预报模块Q_i预报到的未来指定时间段的指定地点的不同层高的温度、湿度、气压、风速、风向等三维大气要素作为输入数据，预报得到未来指定时间段的指定地点的指定层高的逐15分钟风速/风向数据；

步骤3A，将N个基于近地层风速场诊断的风电场预报模块和N个基于中尺度模拟的风电场预报模块组成风电场预报成员集合，因此，所述风电场预报成员集合共有2N个风电场预报成员；用指定地点的指定层高的逐15分钟风速/风向的实际观测值对2N个所述风电场预报成员进行权重评估，得到每一个所述风电场预报成员的权重值；

然后，采用以下公式，得到对应时间和对应地点的指定层高的逐15分钟风速/风向的加权平均预报值F’_ensemble；

其中：

F’_ensemble：逐15分钟风速/风向的加权平均预报值；

F_s：风电场预报成员预报到的逐15分钟风速/风向值；

w_s：风电场预报成员的成员权重；

步骤4A，建立风速场神经网络模型；所述风速场神经网络模型包括输入层、隐含层和输出层；

所述输入层包括5个结点，为风电场预报成员预报到的指定时间段的指定地点的指定层高的逐15分钟风速/风向的加权平均预报值、逐15分钟温度、逐15分钟湿度、逐15分钟气压；其中，风电场预报成员预报到的指定时间段的指定地点的指定层高的逐15分钟风速/风向的加权平均预报值，为两个结点，一个结点对应风电场预报成员预报到的指定时间段的指定地点的指定层高的逐15分钟风速的加权平均预报值，另一个结点对应风电场预报成员预报到的指定时间段的指定地点的指定层高的逐15分钟风向的加权平均预报值；所述输出层包括2个结点，为指定时间段的指定地点的逐15分钟风速/风向的实际观测值；即：一个结点对应指定时间段的指定地点的逐15分钟风速的实际观测值，另一个结点对应指定时间段的指定地点的逐15分钟风向的实际观测值；

利用训练样本训练所述风速场神经网络模型，从而得到训练完成的风速场神经网络模型；

然后，将风电场预报成员预报到的指定时间段的指定地点的指定层高的逐15分钟风速/风向的加权平均预报值输入、逐15分钟温度、逐15分钟湿度、逐15分钟气压输入所述训练完成的风速场神经网络模型中，所述训练完成的风速场神经网络模型输出值即为指定时间段的指定地点的指定层高的逐15分钟风速/风向的最终预报值。

实际应用中，太阳能电场电力气象预报过程和风电场电力气象预报过程集成到一个系统中，该系统具有全球预报模块的N个接口，用于接收N个全球预报模块预报到的气象数据；然后，当需要进行太阳能场预报时，采用以下方式：将N个全球预报模块预报到的气象数据输入到基于地表辐射晴空插值的太阳能电场预报模块，得到逐15分钟全天空向下短波辐射值；将N个全球预报模块预报到的气象数据输入到基于中尺度模拟的太阳能电场预报模块，得到逐15分钟全天空向下短波辐射值；再采用权重评估模块对2N个太阳能电场预报成员进行权重评估，再采用神经网络模型进行修正，即得到逐15分钟全天空向下短波辐射的最终预报值。

当需要进行风电场预报时，采用以下方式：将N个全球预报模块预报到的气象数据输入到基于近地层风速场诊断的风电场预报模块，得到逐15分钟风速/风向数据；将N个全球预报模块预报到的气象数据输入到基于中尺度模拟的风电场预报模块，得到逐15分钟风速/风向数据；再采用权重评估模块对2N个风电场预报成员进行权重评估，再采用神经网络模型进行修正，即得到逐15分钟风速/风向数据的最终预报值。

利用全国382座风能观测塔和98个地面辐射观测站2017年的历史资料对本发明进行了回溯验证，并将预报结果同WRF确定性预报、扰动集合预报进行了横向对比。误差分析显示，本发明计算效率较高，预报精度最优。以近地层100米层高风速预报为例，本发明的相对均方根误差(rRMSE)平均值约为15.7％，WRF确定性预报的rRMSE平均值约为25.9％，扰动集合预报的平均rRMSE约为20.4％。以全天空向下短波辐射为例，本发明的相对均方根误差(rRMSE)平均值约为11.3％，WRF确定性预报、扰动集合预报的结果分别为37.6％和31.2％。因此，本发明极大地改善了现有电力气象预报精度，可有效提升风电功率预测、光伏发电功率预测、海上风电场综合气象保障、电网气象灾害预警等服务的准确性及可靠性。

本发明提供的一种基于多模式集合的高分辨率电力气象预报方法，具有以下特点：

(1)以N等于8为例，本发明采用多模式集合预报法，数值模式包含8个全球天气模式和1个中尺度模式，初始边界条件包含8种全球预报模块的预报数据，充分考虑了模式在参数化方案和初始场方面的不确定性和随机性，以及每一集合成员的权重，可有效减少最终预报的误差，预报效果优于传统的确定性预报以及扰动集合预报。

(2)在风电场预报时，本发明依赖高性能运算的只有8个确定性预报及8个近地面风速场诊断环节，计算量远远低于扰动集合预报，可有效减少运算时间，节省机时成本。

(3)本发明在诊断近地层风速场时，没有采用常见的风廓线诊断法，而是采用了CALMET模式，并充分考虑了地形信息、下垫面信息和观测资料，有效提升了风电场的预报精度。

(4)本发明在处理全球预报模块进行全天空向下短波辐射要素时，采用了晴空插值法，与常见的线性插值法相比，更具有物理意义，可以有效捕捉地表辐照度的日变化特征。

(5)本发明在中尺度模拟中加入了资料同化环节，实时数据来自中国气象局国家气象信息中心39946个地面观测站、382座风能观测塔和81个高空站，极大地弥补了国内电力气象预报资料同化缺失造成的不足。

(6)本发明的统计后处理方案采用动态模式输出统计，与传统方法相比，只需1-2个月的现场资料即可建模。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (2)

1.一种基于多模式集合的高分辨率电力气象预报方法，其特征在于，包括太阳能电场电力气象预报过程和风电场电力气象预报过程；

所述太阳能电场电力气象预报过程包括以下步骤：

步骤1，设共采用N个全球预报模块，分别为Q₁、Q₂,…,Q_N；

建立N个基于地表辐射晴空插值的太阳能电场预报模块，分别为F₁、F₂,…,F_N；对于任意的基于地表辐射晴空插值的太阳能电场预报模块F_i，均唯一对应全球预报模块Q_i；其中，i＝1、2,…,N,任意的基于地表辐射晴空插值的太阳能电场预报模块F_i，均以全球预报模块Q_i预报到的未来指定时间段的指定地点的全天空向下短波辐射值作为输入数据，预报得到未来指定时间段的指定地点的逐15分钟全天空向下短波辐射值；

步骤2，建立N个基于中尺度模拟的太阳能电场预报模块，分别为Z₁、Z₂,…,Z_N；对于任意的基于中尺度模拟的太阳能电场预报模块Z_j，均唯一对应全球预报模块Q_j；其中，j＝1、2,…,N，任意的基于中尺度模拟的太阳能电场预报模块Z_j，均以全球预报模块Q_i预报到的未来指定时间段的指定地点的不同层高的温度、湿度、气压、风速、风向三维大气要素作为输入数据，预报得到未来指定时间段的指定地点的逐15分钟全天空向下短波辐射值；

步骤3，将N个基于地表辐射晴空插值的太阳能电场预报模块和N个基于中尺度模拟的太阳能电场预报模块组成太阳能电场预报成员集合，因此，所述太阳能电场预报成员集合共有2N个太阳能电场预报成员；用指定地点的逐15分钟全天空向下短波辐射的实际观测值对2N个所述太阳能电场预报成员进行权重评估，得到每一个所述太阳能电场预报成员的权重值；

然后，采用以下公式，得到对应时间和对应地点的逐15分钟全天空向下短波辐射的加权平均预报值F_ensemble；

其中：

F_ensemble：逐15分钟全天空向下短波辐射的加权平均预报值；

F_k：太阳能电场预报成员预报到的逐15分钟全天空向下短波辐射值；

w_k：太阳能电场预报成员的成员权重；

步骤4，建立地表辐射场神经网络模型；所述地表辐射场神经网络模型包括输入层、隐含层和输出层；

所述输入层包括3个结点，为太阳能电场预报成员预报到的指定时间段的指定地点的逐15分钟全天空向下短波辐射的加权平均预报值、逐15分钟太阳高度角、逐15分钟晴空指数；所述输出层包括1个结点，为指定时间段的指定地点的逐15分钟全天空向下短波辐射的实际观测值；

利用训练样本训练所述地表辐射场神经网络模型，从而得到训练完成的地表辐射场神经网络模型；

然后，将太阳能电场预报成员预报到的指定时间段的指定地点的逐15分钟全天空向下短波辐射的加权平均预报值、逐15分钟太阳高度角、逐15分钟晴空指数输入所述训练完成的地表辐射场神经网络模型中，所述训练完成的地表辐射场神经网络模型输出值即为指定时间段的指定地点的逐15分钟全天空向下短波辐射的最终预报值；

所述风电场电力气象预报过程包括以下步骤：

步骤1A，设共采用N个全球预报模块，分别为Q₁、Q₂,…,Q_N；

建立N个基于近地层风速场诊断的风电场预报模块，分别为D₁、D₂,…,D_N；对于任意的基于近地层风速场诊断的风电场预报模块D_i，均唯一对应全球预报模块Q_i；其中，i＝1、2,…,N,任意的基于近地层风速场诊断的风电场预报模块D_i，均以全球预报模块Q_i预报到的未来指定时间段的指定地点的不同层高的温度、湿度、气压、风速、风向三维大气要素作为输入数据，预报得到未来指定时间段的指定地点的指定层高的逐15分钟风速/风向数据；

步骤2A，建立N个基于中尺度模拟的风电场预报模块，分别为E₁、E₂,…,E_N；对于任意的基于中尺度模拟的风电场预报模块E_j，均唯一对应全球预报模块Q_j；其中，j＝1、2,…,N,任意的基于中尺度模拟的风电场预报模块E_j，均以全球预报模块Q_i预报到的未来指定时间段的指定地点的不同层高的温度、湿度、气压、风速、风向三维大气要素作为输入数据，预报得到未来指定时间段的指定地点的指定层高的逐15分钟风速/风向数据；

步骤3A，将N个基于近地层风速场诊断的风电场预报模块和N个基于中尺度模拟的风电场预报模块组成风电场预报成员集合，因此，所述风电场预报成员集合共有2N个风电场预报成员；用指定地点的指定层高的逐15分钟风速/风向的实际观测值对2N个所述风电场预报成员进行权重评估，得到每一个所述风电场预报成员的权重值；

然后，采用以下公式，得到对应时间和对应地点的指定层高的逐15分钟风速/风向的加权平均预报值F’_ensemble；

其中：

F’_ensemble：逐15分钟风速/风向的加权平均预报值；

F_s：风电场预报成员预报到的逐15分钟风速/风向值；

w_s：风电场预报成员的成员权重；

步骤4A，建立风速场神经网络模型；所述风速场神经网络模型包括输入层、隐含层和输出层；

所述输入层包括5个结点，为风电场预报成员预报到的指定时间段的指定地点的指定层高的逐15分钟风速/风向的加权平均预报值、逐15分钟温度、逐15分钟湿度、逐15分钟气压；所述输出层包括2个结点，为指定时间段的指定地点的指定层高的逐15分钟风速/风向的实际观测值；

利用训练样本训练所述风速场神经网络模型，从而得到训练完成的风速场神经网络模型；

然后，将风电场预报成员预报到的指定时间段的指定地点的指定层高的逐15分钟风速/风向的加权平均预报值、逐15分钟温度、逐15分钟湿度、逐15分钟气压输入所述训练完成的风速场神经网络模型中，所述训练完成的风速场神经网络模型输出值即为指定时间段的指定地点的指定层高的逐15分钟风速/风向的最终预报值。

2.根据权利要求1所述的一种基于多模式集合的高分辨率电力气象预报方法，其特征在于，步骤1中，任意的基于地表辐射晴空插值的太阳能电场预报模块F_i，均以全球预报模块Q_i预报到的未来指定时间段的指定地点的全天空向下短波辐射值作为输入数据，预报得到未来指定时间段的指定地点的逐15分钟全天空向下短波辐射值，具体包括：

步骤1.1，获取全球预报模块Q_i预报到的未来指定时间段的指定地点的全天空向下短波辐射初始值；

步骤1.2，对步骤1获取到的所述全天空向下短波辐射初始值进行预处理，得到逐3小时全天空向下短波辐射平均值SR_3h；

步骤1.3，利用Bird晴空模式计算对应时间段的对应地点的逐3小时晴空向下短波辐射CSR_3h；

然后，利用下式计算逐3小时晴空指数kt_3h：

步骤1.4，对步骤1.3得到的逐3小时晴空指数kt₃进行线性插值，得到逐15分钟晴空指数kt_15min；

步骤1.5，利用Bird晴空模式计算逐15分钟晴空向下短波辐射CSR_15min，并根据下式得到逐15分钟全天空向下短波辐射值SR_15min：

SR_15min＝CSR_15min×kt_15min

步骤1.6，结束本步骤。