劉偉 李艷 杜欽

(1 南京信息工程大學(xué) 大氣科學(xué)學(xué)院 南京 210044；2 呼倫貝爾市氣象臺(tái)，內(nèi)蒙古 呼倫貝爾 021000；3 重慶市氣象科學(xué)研究所，重慶 401147)

引 言

能源是世界發(fā)展和經(jīng)濟(jì)增長(zhǎng)的源動(dòng)力，是人類文明生存的基礎(chǔ)，但隨著石油、煤炭等傳統(tǒng)能源的迅速開(kāi)發(fā)和利用，其產(chǎn)生的污染物以及CO2等溫室氣體對(duì)環(huán)境的危害也日益突顯。風(fēng)能作為一種無(wú)污染的可再生能源具有巨大的發(fā)展?jié)摿?，既可以?yōu)化能源需求結(jié)構(gòu)，又能有效緩解環(huán)境問(wèn)題。我國(guó)風(fēng)能具有巨大的開(kāi)發(fā)潛力[1-2]，但由于風(fēng)的變化具有波動(dòng)性和間歇性，風(fēng)電的不可控性很大，風(fēng)電場(chǎng)接入電網(wǎng)使電力運(yùn)行系統(tǒng)不確定性增多，影響供電質(zhì)量[3]。因此為了增強(qiáng)電網(wǎng)調(diào)度的主動(dòng)性，改善風(fēng)電場(chǎng)運(yùn)行管理效能，提高風(fēng)電發(fā)電量比重，準(zhǔn)確的風(fēng)能預(yù)報(bào)尤為重要。

風(fēng)能預(yù)報(bào)的本質(zhì)是基于風(fēng)速、濕度等氣象要素的預(yù)報(bào)結(jié)果，借助數(shù)值天氣預(yù)報(bào)技術(shù)，使不穩(wěn)定的風(fēng)電可預(yù)知，從而有效減輕風(fēng)電對(duì)電網(wǎng)沖擊的影響，提高風(fēng)能資源的利用效率和風(fēng)電場(chǎng)的運(yùn)行效益。目前，風(fēng)能預(yù)報(bào)的主要方法有統(tǒng)計(jì)預(yù)報(bào)、動(dòng)力預(yù)報(bào)以及動(dòng)力—統(tǒng)計(jì)相結(jié)合的方法等[4]。統(tǒng)計(jì)預(yù)報(bào)通過(guò)建立風(fēng)電場(chǎng)大氣資料和風(fēng)電量輸出資料之間的經(jīng)驗(yàn)關(guān)系以及合理的經(jīng)驗(yàn)系數(shù)，進(jìn)行外推直接得到風(fēng)電量預(yù)報(bào)值，該方法更多地考慮風(fēng)場(chǎng)的統(tǒng)計(jì)規(guī)律，具有計(jì)算簡(jiǎn)單、運(yùn)行速度快的特征，常用的方法有持續(xù)法、時(shí)間序列法(ARMA)、人工神經(jīng)網(wǎng)絡(luò)法、卡爾曼濾波法等。但統(tǒng)計(jì)預(yù)報(bào)方法過(guò)分依賴觀測(cè)資料且預(yù)報(bào)時(shí)效短[5]。動(dòng)力預(yù)報(bào)是基于大氣質(zhì)量、動(dòng)量、能量守恒以及大氣狀態(tài)方程等基本物理原理模擬大氣運(yùn)動(dòng)的計(jì)算流體動(dòng)力學(xué)模式(Computational Fluid Dynamics, CFD)，也稱為物理大氣模式[6]。動(dòng)力預(yù)報(bào)可延長(zhǎng)風(fēng)電預(yù)測(cè)的有效時(shí)間，目前動(dòng)力預(yù)報(bào)在72 h內(nèi)的預(yù)測(cè)水平達(dá)到了80%以上，是風(fēng)電功率短期預(yù)報(bào)的有效方法之一，相對(duì)于統(tǒng)計(jì)預(yù)報(bào)，更適用于復(fù)雜地形的風(fēng)能精細(xì)化預(yù)報(bào)[7]。但大氣數(shù)值模式是一個(gè)離散化的數(shù)值模型，在模式模擬過(guò)程中描述的大氣過(guò)程與真實(shí)大氣過(guò)程存在誤差，這種誤差由于隨著積分時(shí)間的延長(zhǎng)增加而成為制約數(shù)值預(yù)報(bào)準(zhǔn)確率的一個(gè)重要因素。因此，僅使用統(tǒng)計(jì)方法或動(dòng)力方法進(jìn)行預(yù)報(bào)都具有一定的局限性，為了提高風(fēng)能短期預(yù)報(bào)的準(zhǔn)確性，目前普遍采用動(dòng)力和統(tǒng)計(jì)相結(jié)合的預(yù)報(bào)方法，該方法適用于電網(wǎng)調(diào)度和電力市場(chǎng)管理，時(shí)效通常為0～48 h[8]。

國(guó)外基于動(dòng)力統(tǒng)計(jì)相結(jié)合的風(fēng)能預(yù)報(bào)開(kāi)展地較早，1990s中期，美國(guó)的True Wind公司就已經(jīng)將其研發(fā)的Ewind風(fēng)能預(yù)報(bào)系統(tǒng)投入使用，該模型通過(guò)自適應(yīng)統(tǒng)計(jì)方法來(lái)消除物理模型的系統(tǒng)誤差[5-9]。為提高預(yù)報(bào)精度，由7個(gè)國(guó)家的23個(gè)機(jī)構(gòu)共同參與研發(fā)的ANEMOS項(xiàng)目使用多個(gè)物理模型與統(tǒng)計(jì)模型相結(jié)合對(duì)海洋和陸地的風(fēng)電場(chǎng)短期風(fēng)速及風(fēng)功率進(jìn)行預(yù)報(bào)，且預(yù)報(bào)誤差僅有10%左右[10]，我國(guó)風(fēng)電場(chǎng)風(fēng)能預(yù)報(bào)工作雖然開(kāi)展較晚，但發(fā)展較快。江瀅等[11]利用多種統(tǒng)計(jì)方法對(duì)甘肅兩個(gè)風(fēng)電場(chǎng)風(fēng)速進(jìn)行訂正，誤差率減少了19.6%～10.8%；王彬?yàn)I等[12]利用BP神經(jīng)網(wǎng)絡(luò)對(duì)MM5模式的預(yù)報(bào)結(jié)果進(jìn)行修正，取得了較好的預(yù)報(bào)效果；程興宏等[13]利用中尺度WRF模式和自適應(yīng)偏最小二乘回歸法相結(jié)合，也證實(shí)了統(tǒng)計(jì)訂正方法可以有效提高風(fēng)電功率短期預(yù)報(bào)的準(zhǔn)確率。許楊等[14]利用MM5耦合CALMET模式，對(duì)比物理法和動(dòng)力統(tǒng)計(jì)法的預(yù)報(bào)效果發(fā)現(xiàn)，動(dòng)力統(tǒng)計(jì)法更適應(yīng)復(fù)雜山區(qū)地形。葉小嶺等[15]利用WRF模式和隨機(jī)森林算法建立集成預(yù)報(bào)模型，提高了風(fēng)速預(yù)報(bào)的精度。

本文以內(nèi)陸山區(qū)重慶市的齊躍山風(fēng)電場(chǎng)作為研究區(qū)域，以中尺度數(shù)值模式(Weather Research and Forecasting Model, WRF)與CALMET相結(jié)合作為風(fēng)資源動(dòng)力預(yù)報(bào)系統(tǒng)，通過(guò)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行統(tǒng)計(jì)訂正，對(duì)2015年11月研究區(qū)域內(nèi)25座測(cè)風(fēng)塔進(jìn)行高時(shí)空分辨率的逐5 min的滾動(dòng)預(yù)報(bào)，探討該動(dòng)力—統(tǒng)計(jì)預(yù)報(bào)方法對(duì)中國(guó)典型內(nèi)陸山區(qū)的適用性，檢驗(yàn)統(tǒng)計(jì)訂正方法對(duì)動(dòng)力預(yù)報(bào)的改善效果，以期提高內(nèi)陸山區(qū)風(fēng)電場(chǎng)的運(yùn)行效益，為電網(wǎng)運(yùn)行的安全性提供有效的保障。

1 資料與方法

1.1 試驗(yàn)區(qū)域

重慶市位于我國(guó)西南部的長(zhǎng)江上游地區(qū)，其北部、東部及南部分別有大巴山、巫山、武陵山和大婁山環(huán)繞。地勢(shì)最低處海拔為78.12 m，地勢(shì)最高處海拔為2 794.72 m。地貌以丘陵和山地為主，坡地面積較大。重慶市西北部和中部主要為丘陵和低山，地勢(shì)較低，東北部和東南部分別有大巴山與武陵山兩座大山脈，地勢(shì)較高，屬于亞熱帶季風(fēng)氣候。受到地形差異影響，其氣候隨海拔高度呈現(xiàn)出垂直分異性，這對(duì)風(fēng)能資源的空間分布影響較大，呈現(xiàn)出風(fēng)速隨海拔高度而增大的特點(diǎn)[16]。空間上，風(fēng)速的區(qū)域性差異非常明顯，大致的分布特點(diǎn)是東北部東端最大，西部次之，中間地帶最小。特殊的地理環(huán)境使重慶市的平均風(fēng)速整體較小，但因?yàn)榈匦蔚奶厥庑?，像齊躍山等地處山口和河谷的地區(qū)風(fēng)資源仍較為豐富。齊躍山風(fēng)電場(chǎng)位于重慶市東南部七曜山山脈，隸屬石柱縣豐都鎮(zhèn)。風(fēng)電場(chǎng)全長(zhǎng)約71 km，呈東北—西南向的長(zhǎng)條形分布，場(chǎng)內(nèi)地形復(fù)雜。風(fēng)電場(chǎng)內(nèi)設(shè)置有25座代表測(cè)風(fēng)塔，位于七曜山山峰處，呈西南—東北向排列(圖1)。

1.2 數(shù)據(jù)資料

本文所用到的測(cè)風(fēng)塔資料來(lái)自齊躍山25座測(cè)風(fēng)塔2015年11月1—30日不同高度上的風(fēng)速觀測(cè)資料以及風(fēng)機(jī)的輸出風(fēng)功率，資料時(shí)間間隔為5 min。測(cè)風(fēng)塔觀測(cè)項(xiàng)目包括風(fēng)速、風(fēng)向、氣壓、溫度和濕度等。25座測(cè)風(fēng)塔均為70 m風(fēng)塔，每座測(cè)風(fēng)塔在10、30、50、60和70 m處分別安裝風(fēng)速計(jì)，除70 m高度上安裝兩套風(fēng)速計(jì)，其余高度上各安裝一套風(fēng)速計(jì)，10和70 m分別安裝一套風(fēng)向設(shè)備。目前，風(fēng)機(jī)輪轂高度多數(shù)在60～70 m，因此70 m風(fēng)速預(yù)報(bào)的準(zhǔn)確性對(duì)風(fēng)電企業(yè)來(lái)說(shuō)至關(guān)重要[17]。本文選取了齊躍山風(fēng)電場(chǎng)70 m高度的風(fēng)速觀測(cè)數(shù)據(jù)以及風(fēng)機(jī)輸出功率作為標(biāo)準(zhǔn)樣本，用來(lái)檢驗(yàn)?zāi)Ｊ筋A(yù)報(bào)數(shù)據(jù)的準(zhǔn)確性。此數(shù)據(jù)基本能夠代表齊躍山穩(wěn)定大氣層結(jié)狀態(tài)下的風(fēng)場(chǎng)分布特征。另外，其時(shí)間分辨率是5 min，也能夠較好的反映大氣層結(jié)相對(duì)穩(wěn)定的背景下齊躍山風(fēng)電場(chǎng)的風(fēng)場(chǎng)瞬變特征與日變化特點(diǎn)。

圖1 25個(gè)風(fēng)機(jī)所處的地理位置及空間分布(陰影代表地形高度，單位：m)Fig.1 Location and spatial distribution of 25 wind turbines (shadow represents topographic height， unit: m)

1.3 WRF/CALMET/BP預(yù)報(bào)系統(tǒng)

近年來(lái)，通過(guò)中尺度模式與風(fēng)場(chǎng)診斷模型CALMET結(jié)合來(lái)對(duì)區(qū)域風(fēng)場(chǎng)進(jìn)行研究的方法已經(jīng)被廣泛應(yīng)用[18]。本文以WRF/CALMET為風(fēng)場(chǎng)動(dòng)力預(yù)報(bào)系統(tǒng)，針對(duì)2015年11月進(jìn)行的水平分辨率為3 km，時(shí)間分辨率為5 min的24 h風(fēng)場(chǎng)滾動(dòng)預(yù)報(bào)。以WRF的模式輸出數(shù)據(jù)作為驅(qū)動(dòng)CALMET運(yùn)行的初始場(chǎng)與邊界條件，完成風(fēng)電場(chǎng)的動(dòng)力預(yù)報(bào)過(guò)程。將動(dòng)力預(yù)報(bào)結(jié)果與風(fēng)機(jī)觀測(cè)數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集與檢驗(yàn)集，對(duì)該地區(qū)風(fēng)能資源進(jìn)行統(tǒng)計(jì)訂正預(yù)報(bào)，最終給出風(fēng)電場(chǎng)每臺(tái)風(fēng)機(jī)的每5 min的24 h滾動(dòng)預(yù)報(bào)。

1.3.1 WRF/CALMET模式

WRF模式是由美國(guó)國(guó)家大氣研究中心(NCAR)、國(guó)家環(huán)境預(yù)報(bào)中心(NCEP)及其他部門聯(lián)合開(kāi)發(fā)的新一代高分辨率中尺度天氣預(yù)報(bào)數(shù)值模式[19]。WRF采用三重雙向嵌套網(wǎng)格，水平方向分辨率為27、9和3 km，最外層網(wǎng)格覆蓋了中國(guó)大部、南海及部分太平洋地區(qū)，最內(nèi)層網(wǎng)格覆蓋了整個(gè)研究地區(qū)。垂直方向上設(shè)置51層，模式頂設(shè)在50 hPa。模式的微物理過(guò)程參數(shù)化方案包括：WSM3簡(jiǎn)單冰方案、RRTM長(zhǎng)波輻射方案、Dudhia短波輻射方案YSU邊界層參數(shù)化方案、Kain-Frisch積云參數(shù)化方案以及Noah陸面參數(shù)化方案。模式的初始場(chǎng)與邊界條件均采用FNL (Final Operational Global Analysis) 全球再分析資料，該資料具有空間分辨率高、資料長(zhǎng)度長(zhǎng)且連續(xù)，并且融合了大量的衛(wèi)星反演資料及站點(diǎn)觀測(cè)資料的優(yōu)點(diǎn)，近些年來(lái)被廣泛應(yīng)用于氣候的診斷、天氣預(yù)報(bào)及數(shù)值模式的研究中[20]。

CALMET模式是非穩(wěn)態(tài)拉格朗日煙團(tuán)模型CALPUFF中的網(wǎng)格化風(fēng)場(chǎng)模塊，其核心為診斷風(fēng)場(chǎng)模塊與微氣象模塊，結(jié)合地形數(shù)據(jù)模擬輸出逐時(shí)風(fēng)場(chǎng)、三維溫度場(chǎng)和混合層高度等氣象要素，其生成的風(fēng)場(chǎng)垂直方向最多可達(dá)25層，適用于模擬從幾十米到幾十千米的中小尺度范圍。中尺度數(shù)值模式由于受模式設(shè)計(jì)和計(jì)算條件限制，不能提供更高水平分辨率的輸出產(chǎn)品，因此利用CALMET風(fēng)場(chǎng)診斷模型進(jìn)行降尺度處理，對(duì)中尺度數(shù)值模式模擬風(fēng)場(chǎng)進(jìn)行地形動(dòng)力學(xué)、坡面流、地形阻塞效應(yīng)調(diào)整，產(chǎn)生第一步風(fēng)場(chǎng)。導(dǎo)入觀測(cè)數(shù)據(jù)后，通過(guò)插值、平滑處理、垂直速度計(jì)算、輻散最小化等產(chǎn)生最終風(fēng)場(chǎng)。微氣象模塊根據(jù)參數(shù)化方法，利用地表熱通量、邊界層高度、摩擦速度、對(duì)流速度、莫寧—奧布霍夫長(zhǎng)度等參數(shù)描述邊界層結(jié)構(gòu)。本文中CALMET所選區(qū)域中心為(30.0°N，107.8°E)，格點(diǎn)數(shù)為500×500，水平分辨率為1 km。

1.3.2 BP神經(jīng)網(wǎng)絡(luò)法

風(fēng)電場(chǎng)風(fēng)速預(yù)報(bào)是一個(gè)復(fù)雜的非線性過(guò)程，人工神經(jīng)網(wǎng)絡(luò)通過(guò)模擬人腦的信息處理機(jī)制，在很大程度上簡(jiǎn)化了建模工作，使預(yù)報(bào)的結(jié)果更為精準(zhǔn)[21]。本文選用的BP模型是目前應(yīng)用最為廣泛和成熟的方法之一，該模型學(xué)習(xí)算法的基本原理是梯度下降法，通過(guò)調(diào)整權(quán)值使期望值與網(wǎng)絡(luò)的實(shí)際輸出值的誤差最小。BP神經(jīng)網(wǎng)絡(luò)包括輸入層、隱層和輸出層，其中隱層可以有一層或多層，同層節(jié)點(diǎn)中沒(méi)有任何連接。本文選用三層BP神經(jīng)網(wǎng)絡(luò)對(duì)齊躍山25座測(cè)風(fēng)塔的數(shù)值預(yù)報(bào)風(fēng)速產(chǎn)品進(jìn)行模式的解釋?xiě)?yīng)用，其結(jié)構(gòu)如圖2，圖中輸入層設(shè)有n個(gè)輸入節(jié)點(diǎn)x1，x2，……，xn，輸出層設(shè)有m個(gè)輸出節(jié)點(diǎn)y1，y2，……，yn，隱含層有θj個(gè)神經(jīng)元；ωij是輸入層與中間層的連接權(quán)值，ωjk是中間層與輸出層的連接權(quán)值。在實(shí)際應(yīng)用中，由于神經(jīng)網(wǎng)絡(luò)輸出層的激活函數(shù)是有限的，因此需要將網(wǎng)絡(luò)訓(xùn)練的目標(biāo)數(shù)據(jù)映射到激活函數(shù)的值域。例如本文的輸出層采用的S形激活函數(shù)，它的值域限制在[0，1]之間，因此必須對(duì)輸入風(fēng)速數(shù)據(jù)進(jìn)行歸一化處理。文中采用了兩種歸一化函數(shù)，其一為premnmx函數(shù)，主要用于歸一化訓(xùn)練集數(shù)據(jù)；其二為tramnmx函數(shù)，主要用于歸一化預(yù)測(cè)集數(shù)據(jù)。經(jīng)過(guò)歸一化的輸出風(fēng)速數(shù)據(jù)范圍限制在[0，1]之間，要得到實(shí)際的風(fēng)速值，則需再一步反歸一化，文中所用的反歸一化函數(shù)為postmnmx，主要用于輸出的風(fēng)速數(shù)據(jù)。

圖2 BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)[22]Fig.2 Model structure of BP neural network[22]

1.3.3 模型建立

本文針對(duì)研究區(qū)域內(nèi)測(cè)風(fēng)塔2015年的11月的風(fēng)場(chǎng)單獨(dú)建模，建模時(shí)，將風(fēng)速序列分為訓(xùn)練集及預(yù)測(cè)集，訓(xùn)練集選取樣本的前1/3，預(yù)測(cè)集選擇樣本的后2/3。為縮短仿真時(shí)間，考慮到風(fēng)向等信息對(duì)風(fēng)速影響較小，僅以風(fēng)速作為網(wǎng)絡(luò)單一輸入。在本次試驗(yàn)設(shè)置中，訓(xùn)練集中的訓(xùn)練向量為2015年11—10日25座測(cè)風(fēng)塔的風(fēng)速觀測(cè)數(shù)據(jù)和WRF/CALMET風(fēng)速模擬值，時(shí)間間隔為5 min，共5 760個(gè)數(shù)據(jù)。將這些數(shù)據(jù)輸入BP神經(jīng)網(wǎng)絡(luò)，從而預(yù)報(bào)11月11日24 h每5 min的70 m風(fēng)塔風(fēng)速值，根據(jù)70 m風(fēng)塔的風(fēng)速與該風(fēng)機(jī)輸出風(fēng)功率的擬合關(guān)系預(yù)報(bào)當(dāng)日24 h每5 min的風(fēng)機(jī)輸出功率。根據(jù)上述流程，采用預(yù)報(bào)間隔為24 h的循環(huán)預(yù)報(bào)方法，預(yù)報(bào)2015年11月11—30日的每5 min的70 m測(cè)風(fēng)塔的風(fēng)速和風(fēng)機(jī)輸出功率。

2 齊躍山11月風(fēng)能資源特征

2.1 空間分布

齊躍山風(fēng)電場(chǎng)的70 m風(fēng)速和風(fēng)機(jī)輸出風(fēng)功率的區(qū)域平均值分別為6.15 m·s-1、554.34 kW·min-1(圖3)，整體呈現(xiàn)西北高、東南低的特征，最大值分別為7.34 m·s-1、779.75 kW·min-1，最小值分別為4.38 m·s-1、252.7 kW·min-1。對(duì)比2015年《中國(guó)風(fēng)能太陽(yáng)能資源年景公報(bào)》的統(tǒng)計(jì)結(jié)果，全國(guó)各省陸面70 m高度平均風(fēng)速在3.8～6.5 m·s-1之間，齊躍山風(fēng)電場(chǎng)11月70 m可利用風(fēng)能資源較為豐富。

圖3 2015年11月25個(gè)風(fēng)機(jī)70 m高度風(fēng)速(a， 單位: m·s-1)和風(fēng)機(jī)輸出功率(b， 單位: kW·min-1)的月平均值Fig.3 Monthly average of wind speed(a，unit: m·s-1) and wind power(b，unit: kW·min-1) at 70 m height of 25 wind turbines in November 2015

2.2 日變化及頻率分布

重慶地區(qū)風(fēng)的日變化受小氣候影響明顯，齊躍山風(fēng)電場(chǎng)風(fēng)速變化整體呈現(xiàn)傍晚增大，夜間減小的變化趨勢(shì)，其中最小值出現(xiàn)在16時(shí)(北京時(shí),下同)，平均最小風(fēng)速為5.08 m·s-1，最大值出現(xiàn)在23時(shí)，平均最大風(fēng)速為6.88 m·s-1，06—08時(shí)風(fēng)速出現(xiàn)短暫增大過(guò)程。日風(fēng)機(jī)輸出功率也呈現(xiàn)先減小后增大的趨勢(shì)，最小值出現(xiàn)時(shí)間為14時(shí)，最大值出現(xiàn)時(shí)間為23時(shí)，范圍為473.86～922.94 kW·min-1(圖4a)。

風(fēng)電場(chǎng)風(fēng)機(jī)實(shí)際發(fā)電過(guò)程中，在3～25 m·s-1風(fēng)速段內(nèi)，風(fēng)機(jī)能夠正常工作，圖4b為11月風(fēng)速與風(fēng)能頻率的直方分布，可知，2015年11月70 m風(fēng)速最大值為19 m·s-1。小于3 m·s-1的樣本占總樣本數(shù)的21.73%，3～8 m·s-1風(fēng)速段樣本占樣本總量的51.31%，8 m·s-1以上風(fēng)速出現(xiàn)的頻率為26.96%。該地區(qū)主要風(fēng)速段為3～8 m·s-1，風(fēng)速可利用率達(dá)到78.27%。

圖4 25個(gè)風(fēng)機(jī)平均風(fēng)速(單位：m·s-1)和風(fēng)功率(單位：kW·min-1)的日變化(a)以及累計(jì)頻率分布(b)Fig.4 Daily variation of (a) average wind speed (unit: m·s-1) and wind power (unit: kW·min-1) and (b) cumulative frequency distribution of 25 wind turbines

3 WRF/CALMET/BP預(yù)報(bào)風(fēng)能檢驗(yàn)

風(fēng)能預(yù)報(bào)誤差的檢驗(yàn)分為絕對(duì)檢驗(yàn)和相對(duì)檢驗(yàn)。絕對(duì)檢驗(yàn)提供的是獨(dú)立于其他方法的預(yù)報(bào)系統(tǒng)的估量，如均方根誤差(Root Mean Square Error, RMSE)、平均絕對(duì)值誤差(Mean Absolute Error, MAE)、相關(guān)系數(shù)(Correlation Coefficient, CC)和標(biāo)準(zhǔn)差比率(Standard Deviation Ratio, SDR)等，相對(duì)檢驗(yàn)是一個(gè)預(yù)報(bào)方法對(duì)于其他方法性能的評(píng)估，最常用的相對(duì)檢驗(yàn)方法是對(duì)持續(xù)性預(yù)報(bào)方法的技巧評(píng)分。本文使用泰勒?qǐng)D通過(guò)均方根誤差、相關(guān)系數(shù)和標(biāo)準(zhǔn)差比率等統(tǒng)計(jì)量，對(duì)統(tǒng)計(jì)訂正前后的預(yù)報(bào)結(jié)果進(jìn)行了總體效果檢驗(yàn)、日變化效果檢驗(yàn)和不同風(fēng)速等級(jí)的誤差檢驗(yàn)，從不同角度檢驗(yàn)該模式的預(yù)報(bào)精度。

泰勒?qǐng)D常用于評(píng)價(jià)模式的精度[23]，它能夠?qū)⑷S評(píng)價(jià)指標(biāo)的相關(guān)信息在二維平面圖中表示出來(lái)，可以全面清晰反映多模式或同模式多站點(diǎn)的模擬能力，泰勒?qǐng)D上的每個(gè)點(diǎn)代表不同站點(diǎn)預(yù)報(bào)的結(jié)果，該點(diǎn)到坐標(biāo)原點(diǎn)的距離表示模擬結(jié)果與實(shí)測(cè)風(fēng)速的標(biāo)準(zhǔn)差比率，表示模式對(duì)中心振幅的模擬能力，標(biāo)準(zhǔn)差比率越接近1.0表示模擬能力越好，其所在半徑與水平方向夾角的余弦值代表預(yù)報(bào)與觀測(cè)的相關(guān)系數(shù)，該點(diǎn)到REF(表示觀測(cè)參考點(diǎn))的距離代表預(yù)報(bào)與觀測(cè)的中心化均方根誤差。因此，泰勒?qǐng)D不僅可以比較全面的反應(yīng)預(yù)報(bào)與觀測(cè)時(shí)間序列的變化趨勢(shì)、振幅及誤差程度，而且可以反映出位相誤差和振幅誤差對(duì)于均方根誤差的貢獻(xiàn)。

3.1 總體效果檢驗(yàn)

風(fēng)機(jī)輸出功率的預(yù)測(cè)結(jié)果主要取決于風(fēng)速預(yù)報(bào)的準(zhǔn)確性，故本文僅對(duì)風(fēng)速預(yù)報(bào)結(jié)果進(jìn)行檢驗(yàn)。由圖5可知，WRF-CALMET模式對(duì)于風(fēng)速的模擬效果不穩(wěn)定，經(jīng)過(guò)BP訂正后，預(yù)報(bào)風(fēng)速更貼近實(shí)況風(fēng)俗，整體風(fēng)速誤差值減小。

圖5 實(shí)況風(fēng)速與訂正前后風(fēng)速對(duì)比(a，單位:m·s-1)，以及訂正前后風(fēng)速誤差值(b，單位:m·s-1)Fig.5 The comparison between the observed wind speed and the wind speed before and after the revision (a， unit: m·s-1)， and the error value of the wind speed before and after the rivison (b， unit: m·s-1)

為了定量比較模式預(yù)報(bào)能力的整體情況，分別計(jì)算了25個(gè)風(fēng)機(jī)的誤差統(tǒng)計(jì)量，并將其表示在泰勒?qǐng)D上，圖6顯示了25個(gè)風(fēng)機(jī)在WRF-CALMET模式(紅色)下的預(yù)報(bào)結(jié)果，以及經(jīng)過(guò)BP神經(jīng)網(wǎng)絡(luò)訂正后(藍(lán)色)的預(yù)報(bào)結(jié)果，可以看出，WRF-CALMET模式模擬結(jié)果與實(shí)測(cè)風(fēng)速的標(biāo)準(zhǔn)差比率主要集中在0.9～1.1范圍內(nèi)，說(shuō)明動(dòng)力模式對(duì)中心振幅的模擬能力較好，經(jīng)過(guò)BP神經(jīng)網(wǎng)絡(luò)訂正后，標(biāo)準(zhǔn)差比率分散在0.25～1.25范圍內(nèi)，說(shuō)明統(tǒng)計(jì)訂正后，預(yù)報(bào)結(jié)果的振幅變小，標(biāo)準(zhǔn)差比率相對(duì)于1.0更加離散，預(yù)報(bào)結(jié)果趨于均值。從相關(guān)系數(shù)角度來(lái)看，模式預(yù)報(bào)和訂正結(jié)果的相關(guān)系數(shù)均小于0.3，預(yù)報(bào)結(jié)果與觀測(cè)值的相關(guān)性較弱，模式對(duì)于風(fēng)速變化趨勢(shì)的模擬能力有待提高。從中心化均方根誤差角度來(lái)看，統(tǒng)計(jì)訂正后，半數(shù)風(fēng)機(jī)的預(yù)報(bào)結(jié)果到參考點(diǎn)(REF)的距離更近，中心化均方根誤差更小，預(yù)報(bào)結(jié)果更貼近實(shí)況風(fēng)速?？傮w來(lái)看，WRF-CALMET模式對(duì)于中心振幅的模擬能力較好，而經(jīng)過(guò)BP神經(jīng)網(wǎng)絡(luò)訂正后，預(yù)報(bào)結(jié)果趨于均值，但超過(guò)半數(shù)風(fēng)機(jī)的中心化均方根誤差降低，預(yù)報(bào)結(jié)果更貼近實(shí)況風(fēng)速，但是，由于模式訓(xùn)練數(shù)據(jù)集較少，故預(yù)報(bào)結(jié)果與實(shí)況風(fēng)速相關(guān)性較低，對(duì)于風(fēng)速變化趨勢(shì)的預(yù)報(bào)能力有待提高。

3.2 日變化檢驗(yàn)

風(fēng)速的日變化直接影響風(fēng)電功率的輸出，造成對(duì)電網(wǎng)的沖擊，所以我們需要討論風(fēng)速預(yù)報(bào)的日變化效果，以期減緩這種影響，更好地服務(wù)于風(fēng)電企業(yè)。從25個(gè)風(fēng)機(jī)風(fēng)速日變化與模擬預(yù)報(bào)風(fēng)速日變化的對(duì)比(圖7)來(lái)看，模式對(duì)于25個(gè)風(fēng)機(jī)風(fēng)速預(yù)報(bào)適應(yīng)性各不相同，訂正前后預(yù)報(bào)風(fēng)速與實(shí)況風(fēng)速的誤差值各有不同，其中1、7、8、9和16號(hào)風(fēng)機(jī)的預(yù)報(bào)誤差較大。

為了定量說(shuō)明全天各時(shí)次模式預(yù)報(bào)能力的情況，采用與圖6相同的計(jì)算方法分別將全天各時(shí)次的25個(gè)風(fēng)機(jī)誤差統(tǒng)計(jì)量表示在泰勒?qǐng)D上(圖8)。從相關(guān)系數(shù)角度來(lái)看，WRF-CALMET模式模擬結(jié)果與實(shí)況風(fēng)速的相關(guān)系數(shù)在0～0.5范圍內(nèi)波動(dòng)，其中12—19時(shí)模擬結(jié)果相關(guān)系數(shù)最大值達(dá)到0.4～0.5，為全天峰值階段，說(shuō)明動(dòng)力模式在午后至傍晚時(shí)段對(duì)于風(fēng)速變化趨勢(shì)的模擬效果有所改善。而B(niǎo)P訂正后的模擬風(fēng)速與觀測(cè)值的相關(guān)系數(shù)主要集中在0～0.25區(qū)間內(nèi)，個(gè)別風(fēng)機(jī)在午夜至凌晨時(shí)段相關(guān)系數(shù)增大到0.4左右，說(shuō)明經(jīng)過(guò)BP神經(jīng)網(wǎng)絡(luò)對(duì)于風(fēng)速值的訂正，動(dòng)力系統(tǒng)對(duì)于風(fēng)速變化趨勢(shì)的模擬效果減弱。從標(biāo)準(zhǔn)差比率的角度來(lái)看，除去18—22時(shí)，風(fēng)機(jī)預(yù)報(bào)效果偏離參考點(diǎn)，其余時(shí)段動(dòng)力模式的標(biāo)準(zhǔn)差比率均集中在1.0附近，統(tǒng)計(jì)訂正后，在12—17時(shí)，標(biāo)準(zhǔn)差比率集中在1.0附近，全天中該時(shí)段中心振幅誤差較小。從標(biāo)準(zhǔn)化均方根誤差的角度來(lái)看，在12—16時(shí)，無(wú)論是WRF/CALMET模式模擬的風(fēng)速還是經(jīng)過(guò)BP神經(jīng)網(wǎng)絡(luò)訂正后的模擬風(fēng)速結(jié)果均有所改善，泰勒?qǐng)D中風(fēng)機(jī)位置距離參考點(diǎn)(REF)的距離減小。綜上，該模式對(duì)于正午至傍晚時(shí)段的風(fēng)速模擬效果較好。

圖6 模式模擬訂正前后25個(gè)風(fēng)機(jī)泰勒分布Fig.6 Taylor diagram of 25 wind turbines before and after revision

3.3 不同等級(jí)風(fēng)速預(yù)報(bào)檢驗(yàn)

圖7 25個(gè)風(fēng)機(jī)的觀測(cè)風(fēng)速(OBS)、CALMET模擬值和BP訂正值的日變化(a—y分別為1～25號(hào)風(fēng)機(jī)，單位：m·s-1)Fig.7 Diurnal variation of observed wind speed and the wind speed before and after the revision of 25 wind turbines(a-y stand for 1-25 turbine，unit：m·s-1)

在風(fēng)電場(chǎng)風(fēng)機(jī)實(shí)際發(fā)電過(guò)程中，風(fēng)速達(dá)到3 m·s-1左右，風(fēng)機(jī)開(kāi)始啟動(dòng)；3～8 m·s-1時(shí)，風(fēng)機(jī)逐漸運(yùn)轉(zhuǎn)，產(chǎn)生功率緩慢上升；當(dāng)達(dá)到8～14 m·s-1時(shí)，風(fēng)機(jī)產(chǎn)生功率快速增長(zhǎng)；在14 m·s-1時(shí)，達(dá)到額定風(fēng)速，25 m·s-1時(shí)達(dá)到切出風(fēng)速，風(fēng)力機(jī)停止運(yùn)轉(zhuǎn)，因此14～25 m·s-1時(shí)，風(fēng)力機(jī)穩(wěn)定工作，發(fā)電功率平穩(wěn)[21]。所以針對(duì)風(fēng)機(jī)實(shí)際運(yùn)行情況，將風(fēng)速大小分為3個(gè)階段進(jìn)行檢驗(yàn)分析，分別為3～8、8～14和14～25 m·s-1。由于齊躍山風(fēng)電場(chǎng)風(fēng)速分布主要集中在3～8和8～14 m·s-1風(fēng)速段，部分風(fēng)機(jī)并未觀測(cè)到大于14 m·s-1的風(fēng)速數(shù)據(jù)，故圖9c中14～25 m·s-1風(fēng)速段存在缺測(cè)值，部分風(fēng)機(jī)未在圖中顯示。從標(biāo)準(zhǔn)差比率角度來(lái)看，動(dòng)力模式對(duì)于低風(fēng)速段(3～8 m·s-1)風(fēng)速段的模擬效果最好，隨著風(fēng)速增大，標(biāo)準(zhǔn)差比率更加偏離1.0，對(duì)于中心振幅模擬的準(zhǔn)確率降低，且結(jié)合表1可以看出，統(tǒng)計(jì)訂正前后的風(fēng)速模擬結(jié)果均存在隨著風(fēng)速增大，均方根誤差和標(biāo)準(zhǔn)差比率增大，模擬結(jié)果準(zhǔn)確率降低的情況。

經(jīng)過(guò)統(tǒng)計(jì)訂正后，中風(fēng)速段(8～14 m·s-1)的標(biāo)準(zhǔn)差比率明顯減小，更加靠近1.0。結(jié)合表1分析，在風(fēng)速的3個(gè)階段中，經(jīng)過(guò)統(tǒng)計(jì)訂正后，預(yù)報(bào)值的均方根誤差均減小，修正效果顯著。各站點(diǎn)由低風(fēng)速階段到高風(fēng)速階段預(yù)報(bào)準(zhǔn)確率分別提高了11.5%、14.6%、11.2%，顯示該訂正方法對(duì)8～14 m·s-1風(fēng)速段的訂正效果最為顯著，其他兩個(gè)風(fēng)速段的訂正效果稍差。

圖8 同圖6，但為全天各時(shí)次Fig.8 The same pictures for each hour per day as fig.6

圖9 不同風(fēng)速等級(jí)訂正前后泰勒分布: (a)3～8 m·s-1; (b)8～14 m·s-1; (c)≥14 m·s-1Fig.9 Taylor diagrams of different wind speed classes before and after statistical revision: (a)3～8 m·s-1; (b)8～14 m·s-1; (c)≥14 m·s-1

表1 統(tǒng)計(jì)訂正前后不同風(fēng)速等級(jí)均方根誤差平均值對(duì)比Table 1 Comparison of average RMSE of different wind speed classesbefore and after statistical revision

4 結(jié)論

準(zhǔn)確的風(fēng)能預(yù)報(bào)可以提高風(fēng)能的利用率，促進(jìn)風(fēng)電產(chǎn)業(yè)的發(fā)展。本文以重慶市齊躍山風(fēng)電場(chǎng)25臺(tái)風(fēng)機(jī)為例，利用2015年11月逐5 min的風(fēng)能觀測(cè)數(shù)據(jù)，以中尺度數(shù)值模式WRF/CALMET作為風(fēng)電場(chǎng)動(dòng)力預(yù)報(bào)系統(tǒng)，以BP神經(jīng)網(wǎng)絡(luò)法(BP-ANN)作為風(fēng)電場(chǎng)的統(tǒng)計(jì)訂正預(yù)報(bào)系統(tǒng)，對(duì)齊躍山風(fēng)電場(chǎng)進(jìn)行了時(shí)間分辨率為5 min的24 h風(fēng)速、風(fēng)功率的滾動(dòng)預(yù)報(bào)試驗(yàn)。主要結(jié)論如下:

(1)使用泰勒?qǐng)D將模擬結(jié)果與實(shí)測(cè)風(fēng)速的標(biāo)準(zhǔn)差比率、相關(guān)系數(shù)和中心化均方根誤差3個(gè)評(píng)價(jià)指標(biāo)在二維平面圖形中表示出來(lái)，從而評(píng)估模式模擬效果的優(yōu)劣。對(duì)比分析發(fā)現(xiàn)，WRF/CALMET模式對(duì)于風(fēng)速中心振幅的模擬能力較好，但是經(jīng)過(guò)BP神經(jīng)網(wǎng)絡(luò)訂正后，模擬結(jié)果會(huì)出現(xiàn)趨于均值的現(xiàn)象，整體風(fēng)速波動(dòng)減弱。由于訓(xùn)練集數(shù)據(jù)較少，故統(tǒng)計(jì)訂正前后，風(fēng)速模擬值與觀測(cè)值的相關(guān)系數(shù)均較小，說(shuō)明WRF/CALMET/BP模式對(duì)于風(fēng)速變化趨勢(shì)的模擬效果不理想，模擬值相位誤差較大。WRF/CALMET/BP預(yù)報(bào)系統(tǒng)的風(fēng)速預(yù)報(bào)誤差隨著風(fēng)速的增大而增大，對(duì)3～8 m·s-1風(fēng)速段的預(yù)報(bào)效果最好，其中，BP神經(jīng)網(wǎng)絡(luò)對(duì)中風(fēng)速段(8～14 m·s-1)預(yù)報(bào)結(jié)果的訂正效果最明顯。

(2)在山區(qū)，各測(cè)風(fēng)塔所處的下墊面情況復(fù)雜多變，由于局地環(huán)流的影響使得流經(jīng)山區(qū)的氣流改變方向，所以在山區(qū)即使是相鄰的兩地，風(fēng)速、風(fēng)向以及風(fēng)壓也往往會(huì)有很大的差別。而數(shù)值模式由于模式本身的分辨率，下墊面數(shù)據(jù)及陸面過(guò)程和網(wǎng)格的局限性，很難準(zhǔn)確捕捉測(cè)風(fēng)塔所處下墊面的真實(shí)地形、地貌條件。因此，相對(duì)于平原地區(qū)，模式不能很好地模擬復(fù)雜山區(qū)的局地小尺度系統(tǒng)，造成系統(tǒng)預(yù)報(bào)誤差較大。并且，當(dāng)大氣層結(jié)比較穩(wěn)定時(shí)，風(fēng)速往往較低且穩(wěn)定少變，數(shù)值模擬的風(fēng)場(chǎng)預(yù)報(bào)誤差較小。但是當(dāng)大氣出現(xiàn)層結(jié)不穩(wěn)定，或是出現(xiàn)天氣現(xiàn)象變化時(shí)，小尺度天氣系統(tǒng)的差異以及湍流等現(xiàn)象本身的復(fù)雜性等，使預(yù)報(bào)精度受到了影響。

(3)值得注意地是，BP神經(jīng)網(wǎng)絡(luò)訂正會(huì)削弱WRF-CALMET系統(tǒng)對(duì)于風(fēng)速變化趨勢(shì)的模擬效果，推測(cè)可能原因?yàn)?，BP神經(jīng)網(wǎng)絡(luò)的特點(diǎn)是信號(hào)的向前計(jì)算與誤差的反向傳播，整個(gè)網(wǎng)絡(luò)在訓(xùn)練過(guò)程中會(huì)不斷對(duì)預(yù)報(bào)值進(jìn)行修正，修正過(guò)程中，風(fēng)速波動(dòng)性減弱，極大值與極小值存在被平滑的跡象。神經(jīng)網(wǎng)絡(luò)方法存在容易陷入局部最優(yōu)、泛化能力易受歷史資料影響等不足的特征[24-25]。因此，BP統(tǒng)計(jì)訂正后風(fēng)速預(yù)報(bào)的均值誤差將減少，但波動(dòng)幅度也會(huì)減少。應(yīng)該慎重對(duì)待BP神經(jīng)網(wǎng)絡(luò)的統(tǒng)計(jì)訂正，需要兼顧考慮大氣的背景場(chǎng)如溫度、氣壓等變化，減少對(duì)于風(fēng)速瞬變特征預(yù)報(bào)的不足。這也正是作者下一步的工作重點(diǎn)。