[发明专利]融合数值天气预报的日前风速多步预报方法

说明书

技术领域

本发明涉及一种新型的日前风速的多步预报方法，特别涉及一种融合数值天气预报(NWP)的日前风速多步预报方法，属于风速预报技术领域。

背景技术

风力发电是目前新能源电力行业研究的热点问题。但是由于风具有很强的间歇性和不可控性，因此风功率也是随风波动并且不可控的。这种不可控性改变了电网原有的运行模式(在发电侧注入了强随机不确定性电源)，使得大规模风电并网后对电网造成严重冲击，影响着电网的安全稳定运行。对风电场风电功率进行准确的预测是解决该问题的重要基础，有利于电网调度部门及时掌握风电场功率输出情况，及时调整调度计划，确定旋转备用。而风速是风电功率最主要的影响因素，因此对风速进行准确预测，是风功率预测的重要前提。其中以“小时”为单位的1—24小时的日前风速预报可以帮助电网合理调度，保证供电质量，为风电场参与竞价上网提供保证。

近年来，国内外很多学者开始关注融合数值天气预报的日前风速预报方法，并展开了相关的研究。其中，得到广泛应用的思路是利用统计模型(如神经网络等)对数值天气预报的预报结果进行修正，从而得到最终的预报结果。A.Vaccaroa使用中尺度数值天气预报、局部高精度数值天气预报、实测风速与气象参数组成一个特征向量，设计了基于K紧邻的Lazy学习算法，以历史上k个最相似向量的平均值来进行预测。Federico使用了NWP与卡尔曼滤波结合的办法，对数值天气预报的预测结果进行动态修正，指出卡尔曼滤波算法可以减小NWP中的系统误差。蔡祯祺以历史NWP预报的风速及相关数据为输入，相应时间段实测数据为输出训练神经网络，得到修正模型，随后以预报日的NWP数据为输入，得到预报日修正的NWP风速。然而，目前的研究没有考虑到数值天气预报和实测数据这两种信息的有效性问题，而是用两种方法来分别预测相同时间长度后直接进行简单融合。事实上，数值天气预报及统计方法的可预报时间存在着很大的差异。实测风速数据只含有短周期瞬时分量，不含有长周期气象过程分量，所以，利用统计方法得到的风速预测值在短期可信度高，而预测时间增大时，预报的精度会降低。数值天气预报(NWP)是根据当地天气情况，在时均意义下用湍流模型来封闭方程组，并在初始条件和边界条件下求解大气基本方程组，预报未来时刻的大气状态，得到风速预测值，所以，NWP系统的输出结果为每一个计算网格的空间和时间平均值，而不模拟湍流的瞬态过程。因此NWP的计算原理决定了NWP的预报能力，其只含有长周期气象过程分量，而不含有短周期湍流分量，计算结果输出步长为1h，瞬时预报的效果不理想。

因此，需要分析数值天气预报及统计方法各自的可预报时间，然后根据各自的信息有效性采取一定的融合方法建立预报模型给出预报结果。

发明内容

本发明的目的是提出一种融合数值天气预报的日前风速多步预报方法，以解决针对现有的方法直接数值天气预报融合的预测误差大，风电功率的预测精度低的问题。

本发明为解决上述技术问题所采用的技术方案是：

本发明所述的融合数值天气预报的日前风速多步预报方法，是按照以下步骤实现的：

步骤一、分析原始风速序列的信息有效性，确定统计预报模型的可预报时长，并得到可预报时长内的风速预报结果；

步骤二、对数值天气预报模型进行信息有效性分析，确定数值天气预报模型的可预报时长，并得到可预报时长内的风速预报结果；

步骤三、根据步骤一和步骤二得到的风速预报结果，建立日前风速融合预报模型，对实际风速进行预报。

本发明的有益效果是：

1、本发明分析了数值天气预报和实测数据的信息有效性，得到了两种方法的预报结果的差异性和互补性：数值天气预报只含有长周期气象过程分量，而不含有短周期湍流分量；而利用实测数据的统计方法短时期的预测效果较好，随着预测时间的增长预测效果会变差。所以，利用两种方法各自的优势进行互补，在不同的预报时间段内根据两种信息的有效性采用不同的融合方式，来得到最终的预报结果，相比于不融合数值天气预报的统计预报结果，在24小时内预报结果的平均相对误差均有所减小，最大可减小25％，从而提高了风速预报的精度，满足风电并网要求。

附图说明

图1为本发明方法的流程示意图；

图2为Mallat小波分解算法示意图；

图3为Mallat小波重构算法示意图；

图4为实测的风速数据图；

图5为风速数据的三层小波多尺度分解结果图，图中从上至下依次为三层小波分解后得到的第三层低频分量第三层高频分量第二层高频分量及第一层高频分量