共查询到20条相似文献，搜索用时 31 毫秒
1.
风速预测是风电场风功率预测的基础,其准确度严重影响着风电场的运行效率。为了提高短期风速预测的准确性,本研究采用了WRF中尺度数值模式,对我国东部沿海某风电场的风速进行预报。在此基础上,利用极限学习机算法(ELM)对WRF模式预报的风速进一步订正。实验结果表明,WRF模式对风速、风向等气象要素有着较好的回报效果,利用ELM算法对WRF模式预报风速进行订正后,预报风速的误差进一步减小,相对均方根误差和相对平均绝对误差降低了20%～30%。与其他的智能算法(BP神经网络、SVM算法)对比分析后得出,ELM算法对WRF模式预报风速具有较好的订正效果,能够有效提高风速预报准确率。 相似文献
2.
为了提高GRAPES_3 km（Global/Regional Assimilation and Prediction System）模式在2018年平昌冬奥会气象服务中的预报能力,采用一阶自适应的卡尔曼滤波方法对GRAPES_3 km模式的2 m气温、2 m相对湿度和10 m风开展偏差订正。结果表明:偏差订正方法明显提高了地面要素的预报效果,其中2 m气温的均方根误差整体减小到2℃左右,站点订正改善率为10%~60%;10 m风速的均方根误差减小到2 m·s-1左右,站点订正改善率为10%~45%;2 m相对湿度减小到20%以下,站点订正改善率为0~20%。与韩国气象厅LDAPS（Local Data Assimilation and Prediction System）及美国宇航局NU-WRF（NASA-Unified WRF）模式相比,GRAPES_3 km模式的风速预报表现更为优异,各站点整体预报效果明显优于LDAPS和NU-WRF模式。偏差订正方法可有效改善模式在复杂地形条件下的预报能力,是提高精细化预报准确率的重要手段。 相似文献
3.
4.
5.
采用一种基于相似误差的模式后处理方法,对2011年10月18日—2012年1月5日WRF模式24 h预报的陕西延长风电场风速进行误差订正。该方法通过寻找与当前预报相似的历史预报来进行误差订正,克服了一般基于时间顺序的误差订正方法的不足,即不能处理由于天气系统的剧烈转变引起的预报误差的快速变化。相似误差订正方法减小了预报的均方根误差和中心均方根误差,相对原始预报分别减小9%和10%左右。该方法不仅可以减小系统误差,还可以减小随机误差,从而提高预报准确率。同时,订正结果相对原始预报具有更好的Taylor图模态相关。相似误差订正方法对风能预报敏感区的订正效果更为显著,均方根误差和中心均方根误差分别减小了12%和22%左右。该方法尤其适用于基于风能模式预报的风速误差订正,同时该方法对其他的预测系统和预报变量也有很好的应用潜力。 相似文献
6.
线性滚动极值处理方法对数值模拟风速的订正研究 总被引：2，自引：2，他引：0
为了进一步提高WRF模式对风速预报的准确性,以我国某风电场01#测风塔2007年5月和11月的数据为例,通过线性回归方法并结合滚动和极值处理技术,对WRF模式模拟风速进行了订正。结果表明,直接使用线性回归方法对于模拟风速的订正无明显效果;采用滚动技术的线性回归订正效果与步长有关,与线性回归订正相比总体上有较大改进,其中3 h步长改进更明显;相同步长,线性滚动极值处理订正较线性滚动订正相比有进一步改进,其中1 h步长线性滚动极值处理效果最优,如5月和11月订正前模拟风速的相对均方根误差(rRMSE)分别为29.274%、33.583%,订正后下降为14.714%、14.493%。订正后精度明显提高,更接近实况风速,线性滚动极值处理订正方法能够较好订正模式模拟风速,有效提高风速预报准确率。 相似文献
7.
为了实现更准确的站点风预报,结合中尺度数值模式WRF预报结果和自动气象站观测数据,采用反距离加权插值法,将模式网格和观测站点的数据进行融合构建训练集,利用3种机器学习方法对WRF预报的风场结果进行订正,优化风场预报准确率。其中随机森林模型实现风速的预报均方根误差(RMSE)平均降低了18.22%,风向降低了15.97%;LightGBM模型对于风速、风向的RMSE平均降低了18.60%和17.56%;深度神经网络模型对于风速、风向的RMSE平均降低了5.53%和9.10%。对2020年宁波市9个大风过程进行检验,利用LightGBM模型对于3个站点预报进行订正,结果表明风速的RMSE从4.61 m/s下降到2.14 m/s,平均降低了53.58%,风向的RMSE从30.31°下降到18.20°,平均降低了39.95%。 相似文献
8.
利用WRF模式对美国NCEP发布的CFS气候预测业务产品在中国区域内进行动力降尺度预报,可得到预报时效为45天的逐6小时、30 km分辨率基础气象要素预测产品。再利用全国气象站观测资料和3个风电场70 m高度风速、温度观测资料对2015年冬季预测结果进行检验评估和分析,最后通过线性方法对地面要素预测结果和70 m高度风速、温度预测结果进行统计订正。结果表明:（1）2 m温度和相对湿度的全国预报平均绝对误差分别为4.71 ℃和18.81%,在华东、华中和华南地区误差较小;（2）10 m风速预报平均绝对误差为2.42 m/s,在东北、华北和西北地区误差较小;（3）线性订正后,2 m气温、相对湿度和10 m风速的预报绝对误差分别减小1.05 ℃、5.29%和1.47 m/s,并且订正后误差随时间变化更平稳;（4）订正后70 m高度风速和温度的预报绝对误差均减小,风速平均误差减小最大可达1.29 m/s（B塔）,气温平均绝对误差减小最大可达3 ℃（C塔）。研究结果表明,基于CFS产品和WRF模式的、与月尺度风电预报关系密切的气象要素预报性能较好,未来可将该方法尝试于风电场的月尺度功率预测产品研发。 相似文献
9.
针对风电场风功率预测所需的定点、逐时风速预报,对利用中央气象台发布的MM5格点输出的数值预报风速插值到福建沿海某个风电场测风塔高度的预报结果进行误差分析,发现由于海陆交界的特殊下垫面等原因,存在一定的系统误差;根据误差的后延相关性和测风塔实时发回的气象资料,探讨了利用前期误差观测值和测风塔湍流指标对MM5数值预报风速进行动态修订的方法,建立了订正值方程,结果表明,订正后的预报风速平均绝对误差降低31%~54%,有效提高了预报精度。 相似文献
10.
通过开展湖北省九宫山风电场短期风电功率预报方法的研究,以不断提高预报准确率,为风电场提供更有价值的预报服务,该文利用MM5耦合CALMET模式模拟风电场风速资料,采用物理法和动力统计法探讨风电场各种情况下预报应用效果。结果表明:模拟风速释用订正能有效降低风速预报误差,但难以修正预报趋势;动力统计法更适用于九宫山风电场的复杂山区地形,可能由于该方法能自发适应风电场地理位置;采用实测数据建立的风电功率预报模型优于理论风电功率模型,这也与风机实际运行环境会影响风机输出功率有关。 相似文献
11.
对2017年春季黑龙江省大、小兴安岭林区的6个代表站点10 m风场进行降尺度分析,并结合观测数据对比分析了WRF模式和CALMET降尺度模式的10 m风速、风向预报结果。结果表明：两模式逐小时风速预报与观测的相关系数为0.5-0.7,且随着风速的增加,模式的预报准确率逐渐提高,夜间的风速预报偏差较大,进入白天后,偏差明显减小。WRF模式对风速变化趋势的预报效果优于CALMET模式,与观测的风速相关性更高,而CALMET模式对较大风速的预报效果优于WRF模式。在风向预报方面,WRF和CALMET的风向模拟与观测风向均有较好的一致性,模式预报准确率较高的两个风向也刚好对应各站的盛行风向。同时,本文用回归方法对日平均风速进行订正发现,订正后各站的日平均风速预报准确率平均提高了50%,具有较好的业务应用价值。 相似文献
12.
为降低风电场短期预报风速误差,减少风电场短期风功率偏差积分电量,提高风电场发电功率预测准确率,分季节研究了相似误差订正方法对ECMWF单台风机预报风速的订正效果。结果表明:相似误差订正后不同风机预报风速的误差差距减小;预报风速的平均绝对偏差和均方根误差明显降低,其中夏季和秋季华能义岗风电场两个指标降低幅度均超过0.1 m/s、会宁丁家沟风电场均超过0.2 m/s;订正风速削减了原始预报的极值,可反映大部分时段实况风速3 h内的趋势变化,个别时段订正风速与实况趋势相反;订正后预报风速在风功率敏感区的平均绝对偏差明显降低,华能义岗风电场四季降低幅度在0.112~0.242 m/s之间、会宁丁家沟风电场四季降低幅度在0.131~0.430 m/s之间,有效降低了原始预报误差带来的短期风功率偏差积分电量扣分值;订正风速较原始预报更多分布在风功率敏感区。该方法实际应用灵活,对提高风电场短期预报风速准确率有可观的效果,并可有效减少短期风功率偏差积分电量考核。 相似文献
13.
《气象与环境学报》2018,(5)
利用2015年大连地区7个主要气象站的地面气温、降水、风向风速和相对湿度观测资料,针对东北区域中尺度数值模式(Weather Research and Forecast,WRF)产品中常规天气要素进行检验分析,了解掌握WRF模式对不同天气要素的预报能力,以期为天气预报业务中WRF模式产品的订正提供参考。结果表明:WRF模式产品的气温预报准确率整体上08时起报的比20时起报的稍好,最低气温预报效果比最高气温稍好,且WRF模式对升温和降温的趋势预报较好,具有一定参考性。WRF模式产品的降水预报准确率相对较高; WRF模式对风向的预报准确率可以达到50%左右,而风速的预报准确率可以达到60%—70%;大雾天气的预报,可以相应参考WRF模式的相对湿度。 相似文献
14.
为提高数值模式对阵风风速预报能力,采用概率密度匹配方法 (Probability Density Function Matching Method,简称PDF方法)对WRF模式地面极大风速预报数据开展误差订正。结果表明:①基于PDF方法订正后的阵风预报效果明显优于WRF预报结果,当实况极大风力≤5级时,两种预报结果均与实况较为一致;当实况极大风力≥6级时,WRF预报相比实况明显偏小,而PDF方法订正结果则与实况较为接近;②对比不同地形条件下两种预报结果发现,在实况风力整体偏弱的平原地区,WRF预报和PDF订正结果对极大风的预报效果均较好;在风力偏强的山区和沿江河谷地区,PDF订正结果的预报效果相比WRF预报则有明显提升;③对2017年安徽省81个国家站逐日极大风速的预报效果检验发现:预报误差和过去五年整体拟合误差基本相当,说明基于2012—2016年历史数据建立的概率密度分布函数可以代表安徽各站多年的实况和WRF预报极大风速的联合分布特征,利用PDF方法进行逐日极大风速预报具有一定的可靠性。 相似文献
15.
海面风速对航运及海上生产作业影响重大,但数值模式对于海面的风速预报仍存在较大误差。为降低数值模式海面10 m风速预报的系统性误差,提高海上大风预报准确率,基于2017—2019年中国气象局地面气象观测资料对ECMWF确定性模式的10 m风场预报结果进行检验评估,并采用概率密度匹配方法对模式误差进行订正。分析结果表明,概率密度匹配方法可有效地改善数值模式10 m风速预报的系统性误差,订正后风速在各个预报时效和风速量级的平均误差均较订正前有所降低。对于大量级风速的预报,经概率密度匹配方法订正后的风速预报的漏报率可减少10%以上。订正后12 h预报时效的8、9级风速预报的平均绝对误差分别由4.15 m/s、5.61 m/s降低至3.12 m/s、4.08 m/s,120 h预报时效的8、9级风速预报的平均绝对误差由7.38 m/s、9.35 m/s减小至6.46 m/s、8.07 m/s。在冷空气、台风大风天气过程中,基于概率密度匹配方法订正后的风速与实况观测更接近,能够为我国近海洋面10 m风速的预报提供更准确的参考。 相似文献
16.
风电场风速数值预报的误差分析及订正 总被引：2，自引：1，他引：1
使用WRF模式对内蒙古某风电场区域内的2011年1-6月,50m高度的风速进行了模拟,并结合实测风速对模拟结果进行了评估。在此基础上再利用自回归模型(AR模型)和持续法对WRF模式模拟结果进行了订正预报,订正结果表明:AR模型和持续法都能有效地减小WRF模式风速的模拟误差,AR模型订正效果优于持续法。为能对订正预报时效进行延长,提出了"假设观测值"概念。在AR模型的基础上建立一种新的订正模型称之为New AR模型。其订正预报结果表明:新模型能在12h时效内,改善WRF模式风速模拟精度,其中6h的改进效果较好。 相似文献
17.
基于Kalman滤波的风功率预测方法难以捕获风电场的风力空间分布特征,集成计算流体力学CFD模型和Kalman滤波能将风资源分布纳入风力发电预报框架,对提高微尺度风能利用率有重要意义。以黄土高原沟壑区的中国华电集团公司甘肃省环县南湫风电场为研究区,首先利用CFD模拟风电场风速分布特征和划分风区,再利用Kalman滤波订正BJ-RUC模式预报的各风区长时间序列风速变化,并对比不同风区的订正效果,最终基于发电能力评估风电场的风功率预报效果与效益。结果表明:(1)风电场内部的风机均不同程度地受到复杂地形的影响,围绕"马蹄形"山梁和山谷形成明显的"阶梯式"风区,风速差最高达2.78 m·s~(-1);(2)CFD与Kalman滤波的集成订正方法使风速预报准确率由BJ-RUC的20%~30%提高到90%以上,并使风功率预报准确率达到80%以上,显著提高了微尺度沟壑区风速-风功率预报精度;(3)风电场容量因子C_P平均在12.4%~16.8%之间,弃风率η为5.5%~17.5%,表明该电场的风功率预报精度明显受其发电效益制约;(4)还讨论了风电机组监控数据采集控制系统SCADA的数据质量、CFD计算效率和能源部门决策等不确定性因素对风速分区及风功率预报的影响。 相似文献
18.
利用以中尺度数值模式WRF/CALMET作为风电场预报系统的动力模块,及BP神经网络法(BP-ANN)作为风电场预报系统的统计订正方法,对重庆市齐跃山风电场进行了一次时间分辨率为5 min的24 h风速、风功率的滚动预报试验,探讨了适用于中国典型内陆山区的风电场预报系统。结果显示:以WRF/CALMET/BP组成的动力—统计预报系统能够较好地模拟出内陆山区的风场特征,系统对正午至傍晚时段的风速预报准确率较高。WRF/CALMET动力模式对于风速中心振幅的模拟能力较好,经过BP神经网络订正后,模拟结果会趋于均值。不同风速段中,模式对低风速段(3~8 m·s^(-1))的预报效果较好,BP神经网络对中风速段(8~14 m·s^(-1))预报结果的订正效果最明显。 相似文献
19.
以鄱阳湖区典型湖陆山地复杂地形为试验区域,采用WRF模式MRF和MYJ两种边界层参数化方案,对2010年该区域近地层风速进行高时空分辨率预报,并结合3个测风塔观测资料对预报结果进行检验。结果表明:WRF模式对鄱阳湖区70 m高度风速预报效果较好,预报值能够较好地反映近地层风速变化,且边界层MRF方案预报效果略好于MYJ方案。地形对近地层风速预报影响明显,地形相对平坦的吉山预报效果最好,而地形最为复杂的狮子山预报效果相对较差。不同强度的近地层风速预报效果差异较大,5~25 m·s^-1风速段预报效果明显优于0~5 m·s^-1风速段。位相偏差是造成鄱阳湖区近地层风速预报误差的主要来源,其贡献率在60%以上,而系统偏差和振幅偏差的误差贡献率相对较小,通过线性订正方法可在一定程度上提高该区域风速预报效果。 相似文献
20.
将中尺度数值天气预报模式与BP神经网络模型相结合用于风电功率预测,以WRF模式回算了2008年6月至2009年6月试验风电场的气象要素,精度检验结果显示风速预报值与对应实测值之间的相关系数达到0.72,风向、气温、湿度、气压的预报也比较准确,满足建立BP神经网络预报模型的需要.逐一建立试验风电场40台风电机组输出功率的BP神经网络预报模型,分析了数据标准化方法、隐含层神经元数对预报精度的影响.进行了26天实效为24 h的逐10 min预报试验,并以独立样本进行预报精度检验,结果显示单台风电机组输出功率相对均方根误差在24.8％～32.6％之间,预报值与实测值之间的相关系数现在0.45～0.68之间;风电场整体相对均方根误差为19.5％,预报值与实测值之间的相关系数为0.74.研究结果表明该方法可以用于实际的风电功率预测. 相似文献