融合数值天气预报的日前风速多步预报方法
【技术领域】
[0001] 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】
[0002] 风力发电是目前新能源电力行业研宄的热点问题。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1一24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。
[0003]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 开了相关的研宄。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，目前的研宄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lh， 瞬时预报的效果不理想。
[0004] 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】
[0005]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。
[0006] 本发明为解决上述技术问题所采用的技术方案是：
[0007] 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：
[0008] 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；
[0009] 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；
[0010] 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。
[0011] 本发明的有益效果是：
[0012] 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】
[0013] 图1为本发明方法的流程示意图；
[0014] 图2为Mailat小波分解算法示意图；
[0015] 图3为Mailat小波重构算法示意图；
[0016] 图4为实测的风速数据图；
[0017] 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、第二层高频分量丨^}及第一层高频 分量;
[0018] 图6为各频率尺度分量序列的自相关函数值随相关长度的变化曲线图，图中从上 至下依次对应M)、《}、{vf}及丨屮四个分量的自相关分析结果；
[0019] 图7自相关系数达到0. 8的相关长度随着小波分解层数的变化曲线图；
[0020] 图8为不同预测结果的平均相对误差随预测步长的变化曲线图；
[0021] 图9为不同预测结果的均方根误差随预测步长的变化曲线图；
[0022] 图10为数值天气预报误差分布图；
[0023] 图11为融合数值天气预报（NWP)的日前风速多步预报方法得到的预测结果与实 测风速的对比图；
[0024] 图12为测试集上平均相对误差随预测步长的变化曲线图。
【具体实施方式】
【具体实施方式】 [0025] 一：结合图1说明本实施方式，本实施方式所述的一种融合数值天 气预报的日前风速多步预报方法，包括以下步骤：
[0026] 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；
[0027] 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；
[0028] 步骤三、根据步骤一和步骤二得到的风速预报结果，根据数值天气预报模型和实 测数据的差异性和互补性进行融合建模，建立日前风速融合预报模型，对实际风速进行预 报。
[0029] 本实施方式所述的融合数值天气预报（NWP)的日前风速多步预报方法的思路如 下：我们认识到数值天气预报（NWP)得到的预报结果是时均意义下的，其只含有长周期气 象过程分量，而不含有短周期湍流分量；而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，所以统计方法的预测步长受到一定的局限。在这两个前提下，以往的在 相同