排序方式： 共有6条查询结果，搜索用时 93 毫秒
1
1.
在WRF模式中选取不同的边界层、近地面层以及陆面过程参数化方案,设计了4种不同物理过程参数化方案,组合模拟福建沿海某测风塔站2010年1月1-11日和7月1-11日的逐时风速,将数值模拟结果和同期测风塔观测数据进行对比,以寻求最佳参数化方案.经分析比较,采用MYJ边界层方案,Monin-Obukhov近地面层方案以及Noah陆面过程方案的方案2模拟效果最好.使用该方案对2010年1月和7月的风速进行模拟,按不同风速级别分别对数值模拟结果进行对比分析,结果表明:方案2对6～15m/s风速模拟的平均相对误差在20％左右,能够满足风电预测的精度需求;而对0～6m/s风速模拟的误差相对较大,这可能是由于模式地形分辨率不够精细以及风塔所处海陆交界处的特殊位置,使低风速容易受地面扰动以及海陆气流影响所致. 相似文献
2.
3.
综合分析国内外风速预报相关文献,从物理方法、统计与机器学习方法、组合方法3个方面对超短期风速预报方法的研究现状进行归纳总结,对比了主要预报方法的优缺点,给出了不确定分析和误差评价指标,探讨了在超短期风速预报研究中应重点解决的问题和发展方向。 相似文献
4.
5.
利用甘肃省某风电场2017—2020年测风数据，基于长短期记忆神经网络（LSTM）模型，通过评估不同输入数据和模型时间窗口长度下的预报精度，设计一套适用于风电场的风速超短期快速滚动预报方案。结果表明：通过输入不同的特征变量，在风速的超短期(未来4 h内)预报中，风速自身变化起主导作用，模型输入变量中只加入各高度层的风速能得到更好的模拟效果。通过评估LSTM模拟时间窗口长度L对模拟效果的影响，当时间窗口长度L≤24 h时，模拟效果较好，说明超短期风速变化主要和风速自身临近时刻的变化有关；当L>24 h时，模拟效果快速下降，说明过长的L会削弱模拟能力，降低模拟精度。 通过分析LSTM在未来4 h内的风速模拟能力，发现随着预报时长的增加，模拟精度逐步下降，但在未来2 h内的风速均方根误差RMSE均小于2 m〖DK〗·s-1，结果较为理想，且该方法对计算资源要求不高，经济实用性强，在业务中具有较高的应用潜力。 相似文献
6.
基于气象历史观测资料，将长短期记忆网络LSTM方法和Transformer模型结合提出了混合短期风速多步预测模型BLSTM TRA。以山东半岛南部沿海6个台站为研究区域，通过气象台站观测数据构建数据集。经与2018年ECMWF模式6 h预报结果对比分析，得出如下结论：构建的BLSTM TRA多步预测模型可大幅度降低风速误差，BLSTM TRA的1 h单步预测结果和ECMWF预报模式结果对比，其RMSE平均降低了58.9%，MAE平均降低了63.2%；风速误差和大风统计过程分析发现，BLSTM TRA模型具有一定的抗干扰能力，可以抓住短时大风等敏感信息，对于大风预报结果明显优于ECWMF模式和传统LSTM模型。 相似文献
1