制下的西南向气流；AW表示在反气旋控制下的西向 气流;ANW表示在反气旋控制下的西北向气流。
[0072] 结合步骤S10所获取的GK数据，统计2012年1月1日至2014年7月31日的 GK数据所计算出结果依据表2将待测地区W每15分钟为单位，对应归纳为不同类型。
[0073] 步骤S30 :驱动WRF模式，获取天气预报数据。
[0074] WRF技术主要研究大气中尺度运动，关系到区域重大灾害性天气的产生和发展变 化。主要应用卫星、雷达、风廓线仪和自动观测站等探测工具，对中尺度天气过程进行模拟 研究和预报试验。
[00巧]WRF系统具有巨大的、惊人的计算量，包括前处理（WP巧模块、主模式模块W及后 处理模块。
[0076] 前处理模块对步骤S10中所获取的GK数据进行处理；接着启动WRF主模式模块 进行积分运算；最后启动WRF系统中的后处理模块对WRF计算结果进行后处理，输出风速、 风向、溫度、气压、湿度和垂直风速等天气预报数据。由于驱动WRF模式已属于现有技术，在 此不对其进行寶述。
[0077] 步骤S40 :依据归纳后的天气类型更新天气预报数据。
[007引依据历史数据，在2012年7月1日至2014年7月31日的每日预报数据增加一列 归纳后的天气类型的代码，更新天气预报数据，W2014年4月17日为例，预报数据如表3 所示：
[0079]
[0080] 表 3
[0081] 通过上述表3的天气类型划分结果可W看出，针对福建平潭风电场运W目标区 域，归纳后，将原有的27种天气类型的范围归纳为4种（1、2、3、5)。由于范围的减小，针对 并未出现的天气情况可W减少风速预报模型的训练量。
[0082] 步骤S50 :修正所更新的天气预报数据，建立风速预报模型，并对预报模型进行训 练。
[0083] 建立如图3所示的风速预报模型，所述风速预报模型为BP神经网络模型。图3中 可W看到，针对每一种归纳后的天气类型，其输入端包括针对不同类型下的所对应的天气 预报数据，具体包括：风速、气压、溫度、湿度和垂直风速，输出端为测风塔的实测风速。通过 导入大量数据（至少一年的历史数据）实现对于BP神经网络模型隐含层的训练。
[0084] 通过对预报模型进行训练，可W得到福建平潭风电场区域所出现的不同气象类型 下的风速预报模型。
[00化]选择2013-07-01至2014-06-30 -年的数据作为测试数据，仍w表3中的数据为 例，将每间隔15分钟的风速、气压、溫度、湿度和垂直风速对应其所述的气象类型，分别带 入至对应已训练好的BP神经网络，输出即为修正后的预报风速。例如2:00:00~3:45:00 的数据便带入到天气类型1的风速预报模型，4:00:00~6:00:00数据便带入到天气类型5 的风速预报模型，等等。 W86]W月为单位，逐月计算该月修正后的预报风速与实际风速的相关性，从 而对于采用本发明方案后的预报风速进行测试。具体的，相关性计算采用公式
'式中V't为通过BP神经网络后的各时间点的预报 风速值、巧表示其平均值、Vt为对应时间点测风塔所实测的风速值、打表示其平均值、N为 每日预报风速的个数（每天间隔15分钟进行一次预报）。计算结果如下表4所示，可W看 出对比引入天气类型W后所做出的风速预报，与实际风速的相关性相比提高了 13%，结果 表明，预测结果相比于现有技术更接近真实风速。
[0087]
[0089]表 4
[0090] 进一步的，采用均方根误差（MS巧算法，逐月计算出的该月的功率误差，进行修 正预报值与真值的偏差分析评价，即
式中：W't为通 过BP神经网络修正后的预报风速值计算出的预测功率、化为对应时间点的实际功率、N为 每日预报风速的个数（每天间隔15分钟进行一次预报）、Q为装机容量。通过表5,将引入 天气类型后的功率预报误差与采用原业务预报的功率预测误差进行对比，可W看到预报误 差下降了 3. 18%。不仅如此，合格天数也比采用原业务预报时增加了 36天。
[0091]
[0093] 表 5
[0094] 采用本发明，首先针对不同地区，可将其所出现的天气类型范围由27种进行一定 数量的缩减；其次，针对该地区所出现的天气类型，采用历史数据训练风速预报模型，使其 最接近真实值。通过采用2013-07-01至2014-06-30 -年的数据作为测试数据进行验证 的结果可W看出，引入天气类型W后所做出的风速预报，与实际风速的相关性相比提高了 13%，功率预测误差下降了 3. 18%，合格天数增加了 36天。由于风具有波动性、间歇性和低 能量密度等特点，因此，风电场向电网输出的功率也是波动的、间歇的。上述预报风速准确 性的提升具有重要的意义，包括：为电力系统的优化调度服务，减少旋转备用，W确保电网 的经济运行；为风电基地提供有效的管理手段，便于规划机组检修和维护计划，提高设备利 用率；风电场准确有效的短期功率预报系统能为风电系统的优化调度、机组检修和维护计 划提供基础数据和依据。可W选择风力较小或无风的时候进行风电机组的维护和维修，W 提高风电企业的竞争力，有利于风力发电的竞价上网。w提高风电场设备有效利用率和风 电场的发电量。满足电力市场交易需求，提高风电企业的竞争力。 阳0巧]步骤S60 :依据所述风速预报模型进行风速预报。
[0096] 当风速预报模型确定后，即可将未来一段时间（例如未来12小时）的天气预报 数据，首先采用与步骤S20相同的方法判断未来每隔15分钟的天气类型；其次采用与步骤 S30相同的方法计算出未来每隔15分钟的风速、气压、溫度、湿度和垂直风速；而后，将步骤 计算出的风速、风向、溫度、气压、湿度和垂直风速依照步骤对应时间所判断出的天气类型， 带入到该类型的风速预报模型中，W输出风速预报。
[0097] 较佳的，还包括步骤S70 :依据前述测试结果调整风速预报模型。
[0098] 通过表4和表5所示的验证结果可W发现，采用本发明的风速预报方法在整体预 报的准确性上有较佳的提高，但是针对各别月份风速相关性较低或功率误差较大时（例如 10月，由于其属于该地区的特征月份），需分析特征月份的历史数据，对其天气类型重新判 断，重新判断则依据天气类型归纳前的27种天气而非归纳后的5种类型进行，并且针对判 断出来的天气类型建立天气预报模型W及训练。由此，采用细化的27种天气情况建立天气 预报模型，克服在对天气进行整体归纳时，特征月风速预报精度下降的缺陷，进一步提高了 整体风速预报的精确度。
[0099] W上所述仅为本发明的较佳实施例而已，并不用W限制本发明。总之，凡在本发明 的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之 内。
【主权项】
1. 一种风速预报的方法，其特征在于，包括风速预报模型建立的步骤： A、 获取目标区域的全球预报系统的历史数据，确定目标区域所出现过的天气类型； B、 采用中尺度数值气象预报模式，计算所述历史数据，得到与步骤A对应时间的风速、 风向、温度、气压、湿度和垂直风速； C、 将不同天气类型下的风速、温度、气压、湿度和垂直风速作为风速预报模型的输入 端，对应时间的实际风速作为输出端，对风速预报模型进行训练； 以及，风速预报的步骤： D、 获取目标区域的全球预报系统的预报数据，判断其天气类型； E、 采用中尺度数值气象预报模式，计算所述预报数据，得到与步骤D对应时间的风速、 风向、温度、气压、湿度和垂直风速； F、 将步骤E计算出的风速、风向、温度、气压、湿度和垂直风速依照步骤D判断的天气类 型，带入到该类型的风速预报模型，以输出风速预报。2. 根据权利要求1所述的方法，其特征在于，所述天气类型为归纳天气类型，包括，依 据气旋类型以及气流方向将天气类型细分为27种类型： 采用以下六计算式，将所述27种子类型进行归纳，包括：平直气流类、气旋旋转类、反 气旋旋转类、气旋混合类、反气旋混合类以及未定义类： 具体通过以下算法获得：式中，ρη (η = 1，2,…16)表示在目标区域划分出的16个计算点的海平面气压值；风 电场区域的中心点为ΑΟ, Α1和Α2是与Α0在相同经度不同炜度的两点，a、a jP α 2分别 表示Α0、Α1、Α2三个点的炜度值；V表示地转风；μ和ν作为中间量，分别表示地转风的炜 向量和经向量；ξ表示地转涡度；ξ u是μ的经向梯度；ξ v是ν的炜向梯度； ξ | <乂时，归纳为平直气流类； ξ | > 2V时，归纳为气旋旋转或反气旋旋转类； V < | ξ | < 2V时，归纳为气旋混合类或反气旋混合类； V < 6,并且| ξ | < 6时，归纳为未定义类。3. 根据权利要求1所述的方法，其特征在于，所述风速预报模型为BP神经网络模型。4. 根据权利要求1所述的方法，其特征在于，在步骤C后，还包括对风速预报模型预报 结果测试的步骤。5. 根据权利要求4所述的方法，其特征在于，所述对于风速预报模型预报结果测试的 步骤包括： 以月为单位，逐月计算该月的预报风速与实际风速的相关性；式中α为相关性、V' t为通过风速预报模型计 算的各时间点的预报风速值、表示其平均值、Vt为对应时间点测风塔所实测的风速值、 菸表示其平均值、N为每日预报风速的个数。6. 根据权利要求4所述的方法，其特征在于，所述对于风速预报模型预报结果测试的 步骤包括：以月为单位，逐月计算该月的功率与实际功率的功率误差；式中：RMSE为功率误差、W' t为通过风速预报模 X. 型得出的预报风速计算出的预测功率、Wt为对应时间点的实际功率、N为每日预报风速的 个数、Q为装机容量。7. 根据权利要求4所述的方法，其特征在于，风速预报的步骤还包括：依据对于风速预 报模型预报结果测试的结果，调整风速预报模型的步骤。8. 根据权利要求7所述的方法，其特征在于，调整风速预报模型的步骤包括：重复步骤 A~F，各步骤中所述的天气类型为细分天气类型，包括：依据气旋类型以及气流方向将天 气类型细分为27种类型。9. 根据权利要求1所述的方法，其特征在于，所述天气类型为细分天气类型，包括，依 据气旋类型以及气流方向将天气类型细分为27种类型。
【专利摘要】本发明所提供的一种风速预报的方法，包括风速预报模型建立的步骤以及风速预报的步骤。本发明依据预报所在地的具体气象情况，生成该地区的风速预报方案，实现准确预报风速，相比于现有技术，降低预报误差，为风电场功率预测提供相对更加准确的数据支持。
【IPC分类】G06Q10/04, G06Q50/06
【公开号】CN105279576
【申请号】CN201510697616
【发明人】陈欣, 李俊海, 赵君丽, 张吉, 何广昌, 岳捷, 姜源
【申请人】中能电力科技开发有限公司
【公开日】2016年1月27日
【申请日】2015年10月23日