本发明涉及一种风电场短期风速集合预报方法，属于风电功率预测领域。
背景技术
随着全球经济的快速发展，化石类燃料日益枯竭，寻求清洁可再生能源迫在眉睫。风能作为清洁可再生能源，技术比较成熟，成本不断下降，不仅能够缓解能源的过度开发问题，在环境保护方面也有着突出优势。在风力发电中，风能的间歇性是制约风电发展的最根本原因。风能始源于大气的运动，具有很大的随机性、间接性，且风机的出力与风速的三次方近似成正比，从而风电输出功率具有很大的波动性和随机性，对电网的安全稳定运行带来影响。因此风速预测的准确性是风机出力预测极其重要的关键因素，尤其对复杂地形下的风速预测研究具有重要的意义。
目前，常采用wrf等中尺度数值模式来预报短期风速。对于复杂地形地区，风速预报的准确率一直是难点和重点，根据地形、地表粗糙度、障碍物、气象等因素的影响，各不同位置风速必然有一定的差异。在风资源评估中，风场的湍流现象需要特别关注，会对风电机组的运行性能有不利影响。湍流属于不规则运动，湍流每一点上的速度、方向、压强、温度等物理特性等随机涨落。而湍流过程需要边界层参数化方案来描述，不同的边界层参数化方案都有其侧重的优势，在不同区域往往有不同表现，可使用不同的边界层参数化方案来弥补其局限性。对于复杂地形下，各种湍流过程都可能出现的情况下不同边界层都有可行性。因此，在应用wrf模式进行风速预报的模拟研究中，必须选择合适的边界层参数化方案。但采用单一的边界层参数化方案预报风速时，即使与本地区结合最好的参数化方案很有可能在其它地区完全不适用。而集合预报则为解决单一的确定性预报存在的不确定问题提供了一条新的途径，把不同的预报模型对风速的多种预报结果综合在一起，从而得到一个优于单一方案预报的预报结果。因此，可采用多种边界层参数化方案来集合预报风速风向等气象数据，得到较好的预报结果。
技术实现要素：
本发明为了解决现有技术中存在的问题，提供一种基于wrf模式，选取6种不同的边界层参数化方案来集合预报风速，并将各单一边界层参数化方案预报的风速和实测风速数据，应用随机森林算法建立集合预报模型的预报方法。
为了达到上述目的，本发明提出的技术方案为：一种风电场短期风速集合预报方法，包括如下步骤：
步骤一、采集风电场实测风速数据，并进行数据预处理；
步骤二、进行wrf模式方案设计；
步骤三、选取多种不同的边界层参数化方案及相应的近地面层参数化方案。
步骤四、基于wrf模式，用选取的多种不同边界层参数化方案预报风速等气象要素，并与实测数据进行误差分析；
步骤五、应用随机森林算法将各单一边界层参数化方案预报的风速和实测风速数据，建立集合预报模型，对风电场的风速进行预报。
对上述技术方案的进一步设计为：所述多种不同的边界层参数化方案设有六种，分别为ysu方案、acm2方案、qnse方案、mynn2.5方案、myj方案、boulac方案。
所述六种不同的边界层参数化方案分别对应的近地面层参数化方案为mm5monin-obukhov方案、pleim-xiusurfacelayer方案、qnsesurfacelayer方案、mynnsurfacelayer方案、monin-obukhov方案和mm5monin-obukhov方案。
所述wrf模式方案采用三重嵌套网格，网格数分别为50×60、55×52、67×64。
与现有技术相比，本发明的有益效果是：
1、单一方案的确定性预报只提供了风速的一种可能性，随机性较大。而采用多种边界层参数化方案来集合预报风速，解决了单一方案的确定性预报存在的不确定问题，把不同的预报模型对风速的多种预报结果综合在一起，从而得到一个优于单一方案预报方法的预报结果。
2、相比于单一边界层参数化方案预报的风速，采用集合预报方法，预报的风速数据平均绝对误差(mae)、均方根误差(rmse)、相对平均绝对误差(rmae)以及相对均方根误差(rrmse)均明显减小，预测效果明显提高。
3、与bp神经网络集合预报和等权集合预报相比较，基于wrf模式，将各单一边界层参数化方案预报的风速和测风塔实测风速数据，应用随机森林算法来建立集合预报模型进行风电场短期风速预报，误差减小，精度更高，对实测风速的拟合效果更好。
附图说明
图1.wrf模式模拟区域示意图；
图2.集合预报流程图；
图3.实测风速数据分布图；
图4.实测风速日变化曲线图；
图5.实测风向和预测风向玫瑰图分布；
图6.等权、bp神经网络、随机森林算法三种集合方式的风速预测效果。
具体实施方式
下面结合附图以及具体实施例对本发明进行详细说明。
本实施例的一种风电场短期风速集合预报方法，其步骤如下，
1、采集风电场实测风速数据，结合周边风场数据以及历史数据进行数据预处理，预处理包括剔除异常值、对缺失数据进行填补等，得到去噪后的风速数据，通过完整性和合理性检验。
2、wrf模式方案设置
本实施例选用的wrf模式方案设计如下：采用三重嵌套网格，预报区域如图1所示。积分网格设计，网格数分别为50×60、55×52、67×64，水平网格分辨率分别为27km、9km、3km，网格中心点位于29.788°n、108.227°e。采用全球1°×1°，6h一次的gfs预报场资料作为wrf模式的初始场和侧边界条件。wrf模式参数化方案选择为：微物理过程方案为wsm6类冰雹方案，长波辐射为rrtm方案，短波辐射为dudhia方案，陆面过程采用noah陆面过程方案，积云参数化方案第一及第二重模拟区域选用浅对流kain-fritsch(neweta)方案，而最内层区域分辨率能够解析积云对流过程，因此不进行积云参数化。
3、边界层参数化方案选取
本实施例采用六种边界层参数化方案，分别选取如下：ysu方案、acm2方案、qnse方案、mynn2.5方案、myj方案、boulac方案。这些边界层方案都有自己侧重的优势，对于地形复杂地区各种湍流运动过程都可能出现的情况下这些方案都有可行性。在wrf模式中，每一个使用的边界层参数化方案都有相应的近地面层方案，具有一定的匹配关系，边界层方案和近地面层方案的6种组合试验方案设置见表1。
表1模拟试验方案设计
4、集合预报流程图
如图2所示为预报流程图。以复杂地形下某风电场为研究对象，基于wrf模式，选取6种不同的边界层参数化方案预报风速风向等气象数据，比较各单一方案预报的风速与测风塔实测风速数据误差；再将各单一边界层参数化方案预报的风速，应用随机森林算法来建立集合预报模型，对风电场的风速进行预报。将预报风速数据与测风塔实测风速数据进行误差分析，分析集合预报可行性及优势。
为验证本发明的集合预报方法用于风电场短期风速预报的可行性，本实施例采用重庆某风电场为研究对象，风电场测风塔所在区域的地形比较复杂。实测数据来自于测风塔70m高度处采集的2011年全年的风速、风向等气象数据，预报数据以6种不同边界层参数化方案2011年全年的wrf数据作为实验资料，数据时间分辨率为10min。选择2011年1、4、7、10月数据作为全年的代表数据进行模拟。选取的4个月份中将每个月份的最后3天，共1728组数据作为测试样本集，每个月份的其他天数数据作为训练样本集，通过mae、rmse、rmae、rrmse指标来评价预测效果。验证内容包括如下内容：
1、分析风电场风速特性
通过对数据的分析，该测风塔70m高度处风速数据分布如图3所示，由图可知，风速主要集中在2-9m/s，风能分布较为集中。月平均得到的风速日变化曲线如图4所示，由图可知：白天风速偏小，夜晚风速偏大。3时到17时，风速呈下降趋势；17时到次日3时，风速呈明显的上升趋势。
2、验证复杂地形下应用wrf模式预报风电场风速风向可行性
测风塔处实测风向玫瑰图和6种不同边界层参数化方案预测风向玫瑰图如图5所示。实测风速主要分布在se-s范围内，主风向为sse或se，风向较集中在主风向上，与当地的气候特征相符合。由风速数据分布图和实测风向玫瑰图可知，该处风向较为稳定，风能分布较为集中，适合风力发电。6种边界层参数化方案预测的风速分布略有差异，但都集中分布在ese-sse范围内，主风向为se。wrf模式预报的风向与测风塔实测的风向也略有差异，但有较好的一致性，说明wrf模式预报数据能较好地反应所研究区域的风速、风向等气象要素，证明在复杂地形条件下利用wrf模式预报风电场短期风速是可行的。
3、应用wrf模式单一边界层参数化方案预报风速
表2为6种不同的边界层参数化方案wrf模式预报风速与测风塔70m高度处实测风速数据的误差分析。由表2可知，6种参数化方案预报的风速mae在2.70-3.19m/s范围内，平均值为2.89m/s；rmse在3.23-3.81m/s范围内，平均值为3.47m/s；rmae在43.84％-51.67％范围内，平均值为46.90％，rrmse在52.46％-61.83％范围内，平均值为56.34％，相对均方根误差rrmse和相对平均绝对误差rmae都较大；误差较大的是方案3和方案5，误差最小的是方案4。总的分析来说，6种参数化方案对风速的预报效果略有差异，其中方案4预报风速效果最好，当需要采用单一方案预报风速时，可以选择方案4作为模式模拟的最优模拟方案。但由表格数据分析知，即使采用单一最优的边界层参数化方案预报风速，其预报风速相比测风塔实测风速的误差仍较大。因此，仅采用wrf模式单一方案预报风速效果不能满足要求，应采用wrf模式多种边界层参数化方案来集合预报风速，以此来提高wrf模式预报风速的准确率。
表2wrf模式单一边界层参数化方案预报风速与实测风速误差分析
4、应用多种边界层参数化方案集合预报风速
在各单一边界层参数化方案预报的风速基础上，应用随机森林算法来建立集合预报模型，对风电场风速进行预报。本文首先应用随机森林算法对6种边界层参数化方案预报的风速进行集合，再根据表2评价指标(mae、rmse、rmae、rrmse)选取单一方案预报效果较差的两种边界层参数化方案(即方案3和方案5)预报的风速，应用随机森林算法进行集合。将上述2种情况的集合预报风速结果与测风塔实测数据进行对比分析，具体如表3所示。由表格可知，采用多种边界层参数化方案集合预报风速方法，各误差指标均明显减小，mae降低了约1.1m/s，rmse降低了约1.2m/s，rmae降低了约18％，rrmse降低了约20％。而且根据评价指标选择两种预报效果较差的边界层参数化方案来集合预报风速，其预报结果也比单一最优的边界层参数化方案预报的风速效果要好。即任意选择两种边界层参数化方案来集合预报风速，其预报结果比单一最优的边界层参数化方案预报的风速效果要好。说明采用集合预报方法能更准确的反映所研究区域风速、风向等气象要素，提高了风速预报的精度。因此，采用wrf模式预报风速时，应采用集合预报方法进行风速预报。
表3集合预报订正风速与实测风速误差分析
5、验证应用随机森林算法建立集合预报模型进行风电场短期风速预报的优越性
采用等权集合预报和bp神经网络集合预报对wrf模式预报的风速进行集合预报研究，将随机森林算法、bp神经网络和等权3种集合方式的风速预报结果和实测风速数据进行对比分析，结果如图6所示。从图中可以看出，采用单一最优的边界层参数化方案预报的风速和等权集合预报的风速效果均较差，而采用随机森林算法和bp神经网络集合预报方式，预报的风速结果更接近测风塔实测风速数据，预测效果较好。因此，在应用wrf模式进行风电场短期风速预测时，应采用集合预报方法来预报风速，得到更准确的风速，从而提高风速预测的精度。同时，与bp神经网络和等权集合预报相比，采用随机森林算法来集合预报的风速更接近实测风速。
表4列出了采用不同集合方式集合预报的风速数据与测风塔实测风速数据的误差比较。从表中可以看出，采用随机森林算法进行集合预报后的风速误差比采用bp神经网络和等权集合预报后的风速误差结果小，说明采用随机森林算法集合预报风速方式要优于其它集合预报风速方式，对风速的预测精度高，预报效果较好。
表4三种集合方式预报的风速误差
本发明的技术方案不局限于上述各实施例，凡采用等同替换方式得到的技术方案均落在本发明要求保护的范围内。