[0001] 本发明涉及气象风能预测技术领域， 具体地， 涉及 ·种包含上下游效应实时监测的 超短期预测方法。

背景技术

[0002] I I前， 风力发电¾ «际上 有广阔应用前 的绿色^沽能源之一， 风能的准确预报 对风能的合理调配利用、 网稳 ' 、 商业运营、 以及决策服务等方而^着非常 I 要的作 Jfj， 它一般釆用统计预报和动力预报。 通过对风 场风场的预报， 结合风 ¾场发 a的情况， 可 以得到风电场风 量的预报， 即风能预报。 风能预报的时间尺度， 有短期预报 （如 Fi预报） 和超短期预报 （如小时预报）。

[0003] 20世纪 90年代初期， 欧洲一些国家就已经开始研制开发风能预报系 统并用于预报服 务。 预报技术多采用中期天气预报模式嵌^高分辨� �有限 域模式对风电场发电量进行预 报， 如丹麦的 Prediktor 预报系统， 前已川于丹安、 西班牙、 爱尔 和德 W的短期风能预 报业务。 同时， 风电功率预测工具 ( Wind PowerPrediction Tool, 简称 WPPT) , 也用 Γ·欧洲 -些地 ^的风能预报业务。

[0004] 90年代屮期以后， 美国 True Wind Solutions 公司也丌始商业化的风能预报服务， 他 们研发的风能预报软件 eWind, 足山高分辨率的中尺度气象数值模式和统计学 模式构成的用 •ί-风场和发电量的预报系统。 eWind和 Prediktor (Ξ)前在美因加利福尼亚同时用于两个大型风 ' 场的预报服务。

100051 2002年 10月， 欧盟委员会资助启动了 "为陆地和离岸大规模风电场建设发展下 -代 风资源预报系统" （ANEMOS ) 计划， 目标是发展优于现冇方法的、 先进的预报模式， ： 点 强调复杂地形和极端气象条件下的预报， ^时也发展近海风能预报。 加拿大的风能资源数值 1' ^: 估预报软件 WEST是将中尺度气象模式 MC2与 WASP相结合制作分辨率为 100〜200 m 的风能阁谱并进行预报。 W外， I I前用于风能业务预报的系统, 还^德国的 Previento, 两 班牙的 LocalPred 和 RegioPred, 以及爱尔^与丹麦的 HIRPOM等。

10006] 1A1此， 改进基于天气预报产品为初值的中尺度模式， 通过统计降尺度方法， 改善 风电场风速预报的主流方法， 需要针对某些复杂的地形 （如廿肃河西地区） 和下垫面， 、 V：用 数值预报和统计的方法， 开发适介本地区的风速预报方法和流程， 幵展风电场必须的各 风 速短期和临近预报。 [0007] 在现有技术中， ·般是改进基于天气预报产品为初值的中尺度� ��式， 通过统 降尺 度方法改善风电场风速预报， 如何提髙复杂地形和极端气象条件下的预报精 皮目前还^ -个 技术难题。 针对 H'淑河西地区复杂的地形和下垫而， 没有有效的风速短期和临近预报方法， 另外现 Ά模式对突发性天气的预报精度较差， 对于风塔 10~20min 风速的预报存在一^的难 度。

[0008] 在实现本发明的过程中， 发明人发现现有技术中至少存在预测精度低、 预测准确性 差与适川范围小等缺陷。

发明内容

[0009] 本发明的 Π的在于， 针对上述问题， 提出 -种包含上下游效、'、/:实时监测的超短期预 测方法， 以实现预测精度高、 预测准确性好与适用范围大的优点。

[0010] 为实现上述 0的, 本发明采用的技术方案足： 种乜含上下游效应实时监测的超短 期预测方法， 包括：

a、 基于 T639 全球谱模式场库数据源、 CALMET 风场诊断模型、 以及静态数据， 通过模式 格点， 利用 WRF-RUC系统， 应用 WRF3DVAR变分冋化技术， 获取超短期校式预报结果； b、 基] '·目标风屯基地风塔资料数据库、 并结合上下游参考指标站风向风速实时监测数 椐， 进行数值分析与统计， 建立相应的参考指标站与各 ί·:Ι标风塔之问的上下游效应统计力 ！；， 对 Η标风^上下游效应进行运算；

c、 基 Τ·各目标风塔上下游效应的运算结果， 对各 Π标风塔未来超短期的风速变化进行预测 预报， 并结合所述超短期模式预报结果进行订正， 形成目标风电基地风塔的超短期风速变化 的预测预报；

d、 经多次循环进行上述操作， 获取目标风 基地各风电场在目标区域内各, 度层未来超短 期风速变化的预测预报。

[0011] 进一步地， 歩骤 a具体包括：

al、 基于 CALMET风场诊断模型， 对静态数据进行处理， 降低 WRF 中尺度数值预报模式 的尺度， 生成模式格点；

a2、 ¾丁 Τ639 ^球诺校式场库数 ¾源， 读収 Τ639全球谱校式同化资料， 对 Τ639全球^模 式同化资料中 GRIB格式的气象场资料进行解析， 并插值到相应的模式格点；

a3、 基-于模式格点上的气象场信 ,ΰ、， 生成初始场和边界条件； 利用 WRF-RUC 系统， 、V:用 WRF3DVAR变分问化技术， 通过分析， 建.、 V：用于循环式进行积分预报运送的投式主 ft!J† ^: : a4、 β动模式主程序， 进行循环运行， 实现超短时预报， 获取超短期模式预报结果。 [0012] 进一歩地， 在歩骤 a屮还包括:

a5、 利用绘图设备输出模式产品， 输出超短期模式预报结果。

[0013] 进一 地， 在歩骤 a2屮， 将 T639全球谱模式同化资料屮 GRIB格式的气象场资料的 解析结果插值到相应的模式格点的操作， 具体包括：

a2 K 将 T639全球谱模式 |π」化资料中 GRIB格式的气象场资料的解析结果， 水平插位到相应 的校式格点；

a22、 将 T639全球谱模式 |nj化资料中 GRIB格式的气象场资料的解析结果， 垂直插值到相应 的模式格点。

[0014] 进一歩地， 在歩骤 a21之前， 还包括：

获取 T639全球谱模式同化资料中 GRIB格式的气象场资料的解析结果/ > ， 进行格点化准备 操作或模式格点化操作。

[0015] 进一 地， 在歩骤 a4屮， 所述循环运行 A体包括每人 8次循环运行： 在该 8次循环 运行屮， 1200UTC起始的循环为冷启动， 其他吋次为热启动。

[0016] 进一歩地， 歩骤 b M.体包括：

bl、 基于目标风电基地风塔资料数据) ， 获取参考风塔实况监测数据；

b2、 针对每个 [ |标风塔， 通过最优子^方法， 筛选得到不同风 |i，j上下游效应相关性 ¾奵的参 考指标站：

b3、 基于参考风塔实况监测数据， 通过数值分析 '统计， 建立参考指标站 'J各目标风^之问 的上下游效应统计方程；

b4、 根据上下游参考指标站风向风速实吋监测数¾� �� 通过相 /、'、/:的参考指标站 各 1标风塔之 fFiJ的上下游效应统计方程， 对 G1标风^上下游效应进行运算；

b5、 基于各 H标风塔上下游效应的运 结果， 对各 标风塔未来超短期的风速变化进行预测 预报。

[0017] 进一步地， 歩骤 b4所述上下游参考指标站风向风速实吋监测数 ¾， 包括风逨的上下 游效应与高低¾效应。

[0018] 进一 地， 在歩骤 b3 中， 所述参考指标站与各目标风塔之问的上下游效 )、'、/:统计方 禾 ， 包括未来 0-3小时风 ¾基地风速预报方程；

在歩骤 b5中， 所述未来超短期的设定时间包括 5-10分钟。

[0019] 优选地， 在步骤 d屮， 所述 LI标区域包括 10- 120m范 fl;l内问隔 10m的区域， 所述各 度 包括 10m卨-度层、 70m高度 100m高度^ 所述 I I标风电基地各风电场在 ί I标区 域内各髙度层未来超短期风速变化的预测预报 中， 预报有效吋效 60h， 预报问隔为 15min。

[0020] 本发明各实施例的包含上下游效应 ¾时监测的超短期预测方法， 由于包括： ^于 T639 全球谱模式场库数据源、 CALMET风场诊断模型、 以及静态数据， 通过校式格点， 利 川 WRF-RUC系统， 应川 WRF3DVAR变分 M化技术， 获取超短期模式预报结 ； 基千 | 标 风 it!基地风塔资料数据^、 并结合上下游参考指标站风向风速实时监测数 据， 进行数位分析 ¾统计， 建立相应的参考指标站与各 标风^之间的上下游效应统计方程， 对 H标风塔上下 游效应进行运算： 基于各目标风塔上下游效应的运算结果， 对各 ΙΐΙ标风 ^未来超短期的风速 变化进行预测预报， 并结合超 期模式预报结果进行订正， 形成 Η标风电基地风塔的超短期 风速变化的预测预报； 经多次循环进行上述操作， 获取 Η标风电 ¾地各风电场在 标 Κ域内 各 ^度层未来超短期风速变化的预测预报: J以预报目标风塔 10-20min 风速， 开展风 场 必须的各 ^风速短期和临近预报： 从而可以克服现冇技术中预测精度低、 预测准确性 ^适 用范围小的缺陷， 以实现预测精度高、 预测准确性好与适用范围大的优点。

[0021] 本发明的 Jt-它特征和优点将在随后的说明书中阐述， 并 1L , 部分地从说明书屮变得 ^而易见， 或者通过实施本发明而了解。 本发明的 ί:Ι的和 他优点可通过在所' 的说明 15、 权利要求书、 以及附图' I ¹ 所特别指出的结构来实现和获得。

[0022] 下面通过附图和实施例， 对本发明的技术方案做进…步的详细描述。

咐图说明

[0023] 附图用来提供对本发明的进- ·歩理解， 并. f .构成说明书的 ·部分， 与木发明的 施 例 ·起用于解释本发明， 并不构成对本发明的限制。 在附阁中：

图 1为根据本发明包含上下游效应实时监测的超� �期预测方法的流程示怠图；

2为根据本发明包含上下游效应实时监测的超� �期预测方法中将 T639全球 模式 M化资 料插值到模式格点的具体流程 意阁。

具体实施方式

[0024] 以下结合附图对本发明的优选实施例进行说明 ， 应当理解， 此处所描述的优选实施 例仅用于说明和解释本发明， 并不用于限定本发明。

[0025] 根据本发明实施例， 如^! 1 和图 2 所示， 提供了 -种包含上下游效应 ¾时监测的超 短期预测方法。

[0026] 如阁 1所 ， 本实施例的包含上下游效应实时监测的超短期 预测方法， 包括： 歩骤 100: 基于 T639全球谱投式场库数据源， 读取 T639 A球谱校式同化资料：

在步骤 100中， T639校式 ¾ TL639L60全球谱模式的简称， 是 W家 象中心在 T213L31 全 球谱模式的基础上升级发展而来。 T639 模式对一般性降水的雨区范围、 位置及移动趋势都 做出了较 JH确的预报， 24 h小雨'预报 TS评分为 56; 对主要影响系统如高原槽、 低空西南急 流及西南涡和亚欧中高纬大尺度环流背景均有 较准确的刻画； 在各种物理量场检验屮， 反映 暴雨动力结构的涡度场、 散度场及全风速的模式预报性能稍差， 反映水汽条件的比湿及水汽 通量散度场预报效果较好；

歩骤 101 : 基于 CALMET风场诊断模型， 对静态数据进行处理， 降低 WRF中尺度数值预报 模式的尺度， 生产模式格点；

歩骤 102: 对步骤 100所得 T639全球谱模式同化资料中 GRIB格式的气象场资料， 进行解 析， 获取解析结果， 并将解析结果插值到歩骤 101所得模式格点的相应格点屮；

歩骤 103 : 基于歩骤 102中相应模式格点上的气息场信息， 生成初始场和边界条件； 歩骤 104: 基于歩骤 103所得初始场和边界条件， 利用 WRF-RUC系统， 应用 WRF3DVAR 变同化技术， 通过分析， 建立用于循环式进行积分预报运算的模式主程 序；

歩骤 105 : 启动歩骤 104所得模式主程序， 进行每天多次循环运行， 实现超短时预报； 在步骤 105 中， 可以使模式主程序进行每天 4次的循环运行， 在每天的 4次循环运行中，

12UTC和 00UTC起始的循环为冷启动， 其他时次为热启动；

歩骤 106: 利用绘图设备输出模式主程序的模式产品， 即输出超短期模式预报结果； 歩骤 107: 基于目标风电基地风塔资料数据库， 获取参考风塔实况监测数据；

步骤 108: 基于^骤 107所得参考风塔实况监测数据， 针对每个 H标风塔， 通过最优子集方 法， 筛选得到不同风向上下游效应相关性最好的参 考指标站；

歩骤 109: 基于参考风塔实况监测数据， 通过数值分析与统计， 建立歩骤 108所得参考指标 站与各目标风塔之间的上下游效应统计方程；

在歩骤 109中， 参考指标站与各目标风塔之间的上下游效应统 计方程， 包括未来 0-3小时风 电基地风速预报方程；

歩骤 110: 根据上下游参考指标站风向风速实时监测数据 ， 通过相应的参考指标站与各 F1标 风塔之间的上下游效应统计方程， 对目标风塔上下游效应进行运算；

在步骤 110中， 上下游参考指标站风向风速实吋监测数据， 包括风速的上下游效应与高低空 效应；

歩骤 111 : 基于步骤 110所得 标风塔上下游效应运算结果， 对目标风塔未来超短期 （如未 来 5-10分钟） 的风速变化进行预测预报；

歩骤 112: 结合歩骤 106所得超短期模式预报结果， 对步骤 111所得目标风塔未来 5-10分钟 超短期的风速变化预测预报结果， 进行订 ιΚ， 形成 Μ标风电基地风塔的超短期风速变化的预 测预报；

歩骤 113 : 经多次循环上述操作， 进而完成 Η标风 基地 （即目标区域的风 地） 风电 场 10- 120m间隔 10米各 度层 （Μί以包括 10m高度层、 70m高度; ₃ ' 100m高度层） 未来 超短期风速变化的预测预报；

在歩骤 1 13 中， 1:1标风 基地各风 ill场在 Π标区域内各高度 未来超短期风逨变化的预测预 报中， 预报时效为 48h， 预报间隔为 lh。

[0027] 如图 2所示， 在上述实施例中， 将 T639全球谱模式问化资料中 GRIB格式的 象场 资料的解析结果插值到相应的模式格点的操作 ， 具体包括：

步骤 200 _: 读取 T639全球谱模式同化资料屮 GRIB格式的 〔象场资料， 并进行解析， 执行 步骤 201或歩骤 205或歩骤 206;

歩骤 201 : 获取 T639全球谱模式同化资料屮 GRIB格式的 ^ (象场资料的解析结果 ， 进行 格点化准备操作， 执行:步骤 202;

歩骤 202: 经歩骤 201 格点化准备操作后， 将 T639全球谱模式同化资料中 GRIB格式的气 象场资料的解析结果， 水平插值到相应的模式格点， 执行歩骤 203 ;

^骤 203 : 经歩骤 203水平插值完成后， 将 T639全球谱模式同化资料屮 GRIB格式的 象 场资料的解析结采， 垂直插值到 Π应的模式格点， 执行歩骤 204;

歩骤 204: 获取模式格点上的气象场信息；

歩骤 205 : 获取 T639全球谱模式同化资料中 GRIB格式的 象场资料的解析结果后， 进行 模式格点化操作， 执行步骤 202或歩骤 206:

歩骤 206: 将 T639全球谱模式 M化资料中 GRIB格式的气象场资料的解析结果， 水 f插值 到相应的模式格点， 执行歩骤 207:

歩骤 207: 经歩骤 206水平插值完成后， 将 T639全球谱模式同化资料中 GRIB格式的 象 场资料的解析结 ， 垂. ίΐ插值到相应的模式格点， 执行步骤 204。

[0028] 上述实施例的包含上下游效应实时监测的超短 期预测方法， ¾于 Τ639全球谱投式同 化资料， 应用改进和优化的 WRF 中尺度数值预报模式， 开展酒 风屯基地风屯场 10-120m 问隔 10米各高度层风速预报； 预报有效时效 60h， 预报间隔为 15min， 水平分辨率为 3km。 利用 CALMET 风场诊断模型， 对 WRF 屮尺度模式降尺度， 提卨'预报能力和精度： 利用 WRF-RUC系统， 应用 WRF3DVAR变分 |nj化技术， 通过分析和循环， 每天共计 4次循环运 行 体启动方式为： 12UTC和 00UTC起始的循环为冷启动， 其他时次为热启动， ¾现超 短时预报。 该预测方法属于气象风能预测技术领域， 可以应用于电力行业风电调度。

[0029] 例如， 可以针对甘肃省河西地区复杂的地形和下垫面 ， 应用数值预报和统计的方 法， 开发适合本地区的风速预报方法和流程， 通过分析风塔风速变化特征， 研究上游风塔风 速的变化、 传播对下游风塔的影响， 最终建立上下游预报方程， 预报目标风塔 10~20min风 速， 开发短时预报订.1卜:技术， 开展风电场必须的各层风速短期和临近预报。

[0030] 通过统计酒泉地区风塔变化特征， 利用酒泉风电基地区域内风向盛行偏东风和偏 西 风， 风向有较好的一致性， 风速的传播存在一定规律的特性， 通过分析 20 个风塔风速变化 特征， 研究上游风塔风速的变化、 传播对下游风塔的影响， 最终建立上下游预报方程， 预报 目标风塔 10~20min 风速， 开发短时预报订: ||·:技术； 研究风速的上下游效应和高低空效应， 建立未来 0-3 小时风电基地风速预报方程； 利用统计学方法， 对酒泉风电基地风塔资料及气 象测站、 自动站资料进行分析， 研究风塔风速时空变化规律及风速随高度变化 特征， 分析风 塔风速与周围测站风速的关系,找出上游指标� �。

[0031] 又如， 可以结合甘肃省酒泉地区天气气候特点， 基于国内 Τ639 同化资料， 应用优化 的 WRF中尺度数值预报模式， 开展酒泉风电基地风电场风速预报， 预报水平精度 9km, 预 报层次 10m、 70m, 100m, 有效预报时效 60小时， 预报间隔 15min。 尝试用 CALMET风场 诊断模型， 提高风要素预报的水平精度； 利用风塔上下游效应， 开发短时预报订正预报技 术； 建立酒泉风电基地风功率预报系统， 开发预报准确率较高业务化风电预报产品， 为风电 调度提供技术支撑。

[0032] 具体地， 可以统计分析酒泉风电基地 20 个风塔观测资料， 针对每个目标风塔挑选出 不同风向上下游效应参考指标站， 通过最优子集方法筛选相关性最好的参考站， 通过资料分 析、 统计建立参考站与目标风塔之间的上下游效应 统计方程。

[0033] 根据上游参考指标站风向风速实时监测， 通过相对应的各风塔上下游效应统计方程 运算， 预报目标风塔未来 5-10 分钟的风速变化。 结合模式输出预报结果进行订正， 形成风 塔的超短期风速预测。

[0034] 上述实施例的包含上下游效应实时监测的超短 期预测方法， 至少具有以下特点： ω改进优化中尺度数值预报模式、 降尺度方法和风塔等气象资料同化技术， 提高预报准确 率；

(2)继续改进短临预报技术， 完成风塔布设格距调整， 进行风塔观测资料质量控制；

(3)研究上游风塔风速的变化、 传播对下游风塔的影响， 开发了上下游预报方法， 应用于短时 临近预报技术， 为超短吋风力预测提供一种新的思路； (4)研究风塔风速时空变化规律及风速随高度变 化特征， 分析风塔风速与周围测站风速的关系， 确立风速预报上游参考指标站；

(5)在短时风力预测方面， 经过对 15分钟 70米高度风速预报和风褡资料进行对比效 检½， 结果表明， 24h 内预报相对误差为 22.9-30%， 平均相对误差为 26.97% ; 绝对误¾为 1.6- 2.3m/s, 平均绝对误差为 1.8m/s, 可以达到电力调度的要求。

(0035] 最后应说明的是： 以上所述仅为本发明的优选实施例而巳， 并不用于限制本发明， 尽 ^; 参照前述实施例对本发明进行了详细的说 明， 对于本领域的技术人员来说， 其依然可以 对前述各实施例所记载的技术方案进行修改， 或 对 Κ中部分技术特征进行等同 换。 凡在 木发明的精神和原则之内， 所作的任何修改、 等问杼换、 改进等， 均应包含在本发明 ί 保护 范围之内。