基于敏感性因素分析的數(shù)值天氣預(yù)報(bào)修正方法

叢智慧，劉 倩，劉永前，韓 爽

(1.大唐(赤峰)新能源有限公司，內(nèi)蒙古 赤峰 024000；2.廣東電網(wǎng)有限責(zé)任公司惠州供電局，廣東 惠州 516003； 3.華北電力大學(xué)新能源學(xué)院，北京 昌平 102206)

0 引言

數(shù)值天氣預(yù)報(bào)是近些年來(lái)發(fā)展起來(lái)的定量預(yù)報(bào)方法，現(xiàn)今較為成熟的數(shù)值天氣預(yù)報(bào)模型有：美國(guó)國(guó)家環(huán)境預(yù)報(bào)中心用于業(yè)務(wù)預(yù)報(bào)的ETA模式、美國(guó)賓夕法尼亞大學(xué)和國(guó)家大氣研究中心合作研制的MM5模式、科羅拉多州立大學(xué)研發(fā)的區(qū)域大氣模擬系統(tǒng)——RAMS等。隨著近代觀測(cè)技術(shù)的發(fā)展以及計(jì)算機(jī)性能的不斷提升，數(shù)值天氣預(yù)報(bào)技術(shù)得到了跨越式發(fā)展，成為風(fēng)電和光伏出力預(yù)測(cè)的關(guān)鍵技術(shù)。Aoife M. Foley等[1]詳細(xì)介紹了全球各地的數(shù)值天氣預(yù)報(bào)模型，文獻(xiàn)[2]針對(duì)我國(guó)數(shù)值天氣預(yù)報(bào)的最新研究和發(fā)展進(jìn)行了總結(jié)。

盡管如此，數(shù)值天氣預(yù)報(bào)(numerical weather prediction，NWP)數(shù)據(jù)與真實(shí)的天氣狀況依舊存在較大的差別, 這種誤差主要產(chǎn)生于建立初始場(chǎng)時(shí)的誤差以及模型的模式誤差[3]。可通過(guò)改進(jìn)模型分辨率和模型參數(shù)化方案減少預(yù)報(bào)模式誤差，同時(shí)提高計(jì)算效率，但會(huì)給網(wǎng)格模擬仿真帶來(lái)很大的計(jì)算負(fù)擔(dān)，同時(shí)也很難消除估計(jì)地表氣象參數(shù)時(shí)的初始化或系統(tǒng)誤差。

因此人們開(kāi)始關(guān)注另一種根據(jù)觀測(cè)資料來(lái)修正模式誤差的統(tǒng)計(jì)方法[4]。統(tǒng)計(jì)校正方法包括2種形式：線上校正和線下校正。與在線修正相比，離線修正方法使用誤差統(tǒng)計(jì)來(lái)改善模型輸出，不需要將修正嵌入到模型集成過(guò)程中。模型輸出統(tǒng)計(jì)(model output statistics, MOS)是一種廣泛使用的離線修正方法，通過(guò)建立較長(zhǎng)時(shí)間內(nèi)的觀測(cè)數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù)的統(tǒng)計(jì)關(guān)系來(lái)修正預(yù)報(bào)誤差。在風(fēng)電功率預(yù)測(cè)研究中，許多研究同樣也提前通過(guò)MOS方法提前對(duì)NWP數(shù)據(jù)進(jìn)行修正，提高功率預(yù)測(cè)的準(zhǔn)確性。

文獻(xiàn)[5-8]運(yùn)用Kalman 濾波對(duì)NWP模型的輸出進(jìn)行過(guò)濾以消除NWP的系統(tǒng)誤差。Yan[9]等人基于疊加去噪自編碼算法，建立了NWP和機(jī)組實(shí)測(cè)數(shù)據(jù)的多對(duì)多映射結(jié)構(gòu)。Hoolohan[10]等人通過(guò)建立NWP和實(shí)測(cè)氣象數(shù)據(jù)的高斯過(guò)程回歸模型修正近地表的NWP風(fēng)速，并且在修正過(guò)程中考慮了大氣穩(wěn)定性對(duì)模型性能的影響。Xu[11]等通過(guò)一種不良數(shù)據(jù)分析器研究風(fēng)電功率預(yù)測(cè)誤差與從原始NWP提取出的幾個(gè)新特征之間的關(guān)系，進(jìn)而建立短期功率預(yù)測(cè)模型。文獻(xiàn)[12]運(yùn)用支持向量機(jī)(support vector machine, SVM)修正NWP誤差，通過(guò)粗糙集降維的方法提取不同點(diǎn)位NWP的關(guān)鍵因素，作為修正模型輸入，學(xué)習(xí)NWP數(shù)據(jù)和實(shí)測(cè)數(shù)據(jù)的關(guān)系。文獻(xiàn)[13]分別采用線性回歸、徑向基函數(shù)(radical basis function, RBF)神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)建立數(shù)值天氣預(yù)報(bào)和觀測(cè)結(jié)果之間的關(guān)系來(lái)修正誤差，結(jié)果表明Elman網(wǎng)絡(luò)具有更加良好的單點(diǎn)修正能力。文獻(xiàn)[14-18]用神經(jīng)網(wǎng)絡(luò)的方法來(lái)修正短期NWP輸出風(fēng)速的誤差。Zhao[19]等人通過(guò)統(tǒng)計(jì)分析NWP結(jié)果與實(shí)測(cè)數(shù)據(jù)的殘差特征，設(shè)計(jì)了非線性和非參數(shù)相結(jié)合的算法對(duì)原始預(yù)測(cè)值進(jìn)行修正。Chu[20]等在變權(quán)疊加算法的基礎(chǔ)上，提出了基于集成疊加的數(shù)值天氣預(yù)報(bào)校正方法減小預(yù)報(bào)誤差。文獻(xiàn)[21]提出一種數(shù)值預(yù)報(bào)風(fēng)速序列傳遞校正算法，建立了5個(gè)常用的數(shù)值預(yù)報(bào)風(fēng)速誤差修正模型。文獻(xiàn)[22]運(yùn)用小波將NWP數(shù)據(jù)分解，再用線性模型修正低頻成份的誤差。

上述方法使得NWP輸出結(jié)果更加接近預(yù)測(cè)機(jī)組點(diǎn)位處的實(shí)測(cè)數(shù)據(jù)，有效修正NWP數(shù)據(jù)的系統(tǒng)誤差并且計(jì)算量小，均側(cè)重于提高統(tǒng)計(jì)修正模型的性能以及尋找更加準(zhǔn)確的統(tǒng)計(jì)方法。本文則從影響NWP風(fēng)速誤差的相關(guān)因素入手，分析不同因素對(duì)NWP精度的影響模式，得到對(duì)NWP風(fēng)速誤差影響最大的因素。最后以該敏感因素為劃分依據(jù)建立分段修正模型提高NWP風(fēng)速的準(zhǔn)確度。

1 NWP風(fēng)速誤差的敏感因素分析

1.1 NWP誤差的定義

NWP的空間分辨率低，再加上本身的誤差，NWP風(fēng)速與機(jī)組實(shí)測(cè)風(fēng)速存在較大的偏差。這種偏差可以用絕對(duì)誤差(absolute error, AE)、平均絕對(duì)誤差(mean absolute error, MAE)和均方根誤差(root mean square error, RMSE)來(lái)衡量。三種誤差的計(jì)算方法如下。

(1) 絕對(duì)誤差(AE)。某時(shí)刻N(yùn)WP風(fēng)速值和實(shí)測(cè)風(fēng)速值的差值。該誤差有正負(fù)區(qū)別，當(dāng)差值為正數(shù)時(shí)表示此刻N(yùn)WP風(fēng)速值比實(shí)測(cè)風(fēng)速值大，反之表示此刻N(yùn)WP風(fēng)速值比實(shí)測(cè)風(fēng)速小。

eAE=u′i-ui

(1)

(2) 均方根誤差(RMSE)。NWP風(fēng)速與實(shí)測(cè)風(fēng)速值偏差的平方和與樣本容量n比值的平方根。衡量某段時(shí)間內(nèi)NWP風(fēng)速和實(shí)測(cè)風(fēng)速值偏差的統(tǒng)計(jì)平均值。

(2)

(3) 平均絕對(duì)誤差(MAE)。NWP風(fēng)速與實(shí)測(cè)風(fēng)速值偏差絕對(duì)值的平均值。

(3)

式中：u′i為i時(shí)刻的NWP風(fēng)速值；ui為i時(shí)刻實(shí)測(cè)風(fēng)速值；n為樣本容量。

1.2 NWP風(fēng)速誤差敏感性分析

1.2.1 NWP風(fēng)速誤差對(duì)NWP與實(shí)測(cè)數(shù)據(jù)相關(guān)度的敏感性分析

表1中列出了某風(fēng)電場(chǎng)全年各月的NWP風(fēng)速和實(shí)測(cè)風(fēng)速的平均值、NWP風(fēng)速誤差以及NWP風(fēng)速和實(shí)測(cè)風(fēng)速的相關(guān)系數(shù)。該風(fēng)電場(chǎng)8月15日至9月16日全部機(jī)組數(shù)據(jù)均缺失，因此只列出了10個(gè)月的數(shù)據(jù)。

表1 全年NWP風(fēng)速和實(shí)測(cè)風(fēng)速對(duì)比Table 1 Comparison of annual NWP wind speed and measured wind speed

從計(jì)算結(jié)果看出：

(1) 全年NWP風(fēng)速和實(shí)測(cè)風(fēng)速變化趨勢(shì)相同，存在較明顯的正相關(guān)關(guān)系，全年兩者的相關(guān)系數(shù)高達(dá)0.78，說(shuō)明了基于實(shí)測(cè)數(shù)據(jù)對(duì)NWP風(fēng)速進(jìn)行修正的可行性。

(2) NWP風(fēng)速誤差的變化趨勢(shì)和兩者相關(guān)系數(shù)的變化趨勢(shì)相反，NWP風(fēng)速和實(shí)測(cè)風(fēng)速11月份的相關(guān)系數(shù)最大，相應(yīng)11月份NWP風(fēng)速的誤差較小。

(3) NWP風(fēng)速值越大，NWP風(fēng)速的均方根誤差值越大。12月份NWP風(fēng)速值最大，其誤差值也最大。

1.2.2 NWP風(fēng)速誤差對(duì)時(shí)間的敏感性分析

計(jì)算了代表機(jī)組點(diǎn)位處NWP風(fēng)速在全年各時(shí)間點(diǎn)的絕對(duì)誤差，圖1為按月繪制的NWP風(fēng)速誤差頻率分布直方圖。

圖1 各月NWP風(fēng)速誤差頻率分布直方圖Fig.1 Monthly NWP wind speed error frequency distribution histogram

從圖1看出，各月的NWP風(fēng)速誤差分布特征基本相同，接近正態(tài)分布。誤差最大頻率都在0 m/s附近，表明誤差均值靠近0 m/s，NWP風(fēng)速大于實(shí)測(cè)風(fēng)速和小于實(shí)測(cè)風(fēng)速的頻率基本相同。說(shuō)明NWP風(fēng)速誤差在各月的分布模式相似，對(duì)月份敏感性不高。

1.2.3 NWP風(fēng)速誤差對(duì)天氣因素的敏感性分析

NWP數(shù)據(jù)主要包括風(fēng)速、風(fēng)向、溫度、氣壓和濕度參數(shù)，下面分析上述參數(shù)對(duì)NWP風(fēng)速誤差的影響規(guī)律。

(1) NWP風(fēng)速誤差對(duì)風(fēng)速的敏感性分析。

全年NWP風(fēng)速誤差在不同風(fēng)速區(qū)間的頻率分布如圖2所示?？梢钥闯觯琋WP風(fēng)速誤差在不同風(fēng)速區(qū)間頻率分布差異較明顯。

圖2 不同風(fēng)速區(qū)間NWP誤差頻率分布直方圖Fig. 2 Histogram of NWP error frequency distribution in different wind speed regions

誤差最高頻率位置差異：小風(fēng)速段，誤差最高頻率位置偏向零的左側(cè)，表明較多的誤差為負(fù)值；中間風(fēng)速段，頻率最高位置開(kāi)始向0的正方向偏移，并逐漸遠(yuǎn)離0，表明隨著風(fēng)速的增大正值誤差的數(shù)量增加并超過(guò)負(fù)誤差的數(shù)量；高風(fēng)速段，誤差最高頻率位置遠(yuǎn)大于0，表明正值誤差數(shù)量遠(yuǎn)大于負(fù)值誤差數(shù)量，NWP風(fēng)速平均誤差達(dá)到最大。在25.2～28 m/s風(fēng)速段，誤差全部為正值，誤差平均水平高達(dá)9 m/s左右。這與前面的分析結(jié)果相一致，NWP風(fēng)速越大，其風(fēng)速誤差也越大。

誤差頻率的幅值差異：低風(fēng)速段，誤差頻率幅值較大，直方圖形狀較窄，表明誤差在某一區(qū)間的數(shù)據(jù)量明顯超過(guò)其它區(qū)間；中間風(fēng)速段，頻率幅值較小，直方圖形狀較寬，表明誤差在各區(qū)間分布均勻；高風(fēng)速段，幅值小幅度增大，但在最高風(fēng)速段幅值突然增大且直方圖形狀均不同于其它風(fēng)速區(qū)間。

上述研究表明，NWP風(fēng)速誤差對(duì)風(fēng)速值大小較為敏感，建立NWP修正模型時(shí)有必要針對(duì)不同風(fēng)速段建立不同模型。

(2) NWP風(fēng)速誤差對(duì)風(fēng)向的敏感性分析。

圖3為不同風(fēng)向的NWP風(fēng)速誤差頻率分布直方圖?？梢钥闯觯?dāng)風(fēng)向角度較小時(shí)，最高頻率位置處的幅值較小，而當(dāng)風(fēng)向角較大時(shí)幅值較大。另外不同風(fēng)向時(shí)誤差最高頻率的位置和頻率直方圖的形狀存在差異，因此NWP風(fēng)速誤差對(duì)風(fēng)向同樣較為敏感。

圖3 不同風(fēng)向的NWP風(fēng)速誤差頻率分布直方圖Fig.3 Histogram of frequency distribution of NWP wind speed error in different wind directions

(3) NWP風(fēng)速對(duì)氣壓的敏感性分析。

圖4為不同氣壓的NWP風(fēng)速誤差頻率分布直方圖。氣壓值較小時(shí)，NWP風(fēng)速誤差最高頻率位置處的幅值較小，且直方圖形狀矮而寬；隨著氣壓的增大，誤差頻率幅值開(kāi)始增大，直方圖形狀變窄；后2張圖中在氣壓達(dá)到最高值時(shí)，直方圖的分布形狀發(fā)生變化，不再是類似于正態(tài)分布的形狀。因此NWP風(fēng)速誤差對(duì)氣壓也較為敏感。

圖4 不同氣壓下NWP風(fēng)速誤差分布直方圖Fig.4 NWP wind speed error distribution histogram for different pressure

(4) NWP風(fēng)速誤差對(duì)溫度敏感性分析。

圖5為NWP風(fēng)速在不同溫度區(qū)間的頻率分布直方圖。除溫度極小值和溫度極大值兩處頻率分布直方圖的形狀有所不同外，其余溫度區(qū)間NWP風(fēng)速誤差頻率分布圖基本相同，因此NWP風(fēng)速誤差對(duì)溫度的敏感性較差。

圖5 不同溫度下NWP風(fēng)速誤差頻率分布直方圖Fig.5 Histogram of frequency distribution of NWP wind speed error at different temperatures

(5) NWP風(fēng)速誤差對(duì)濕度的敏感性分析。

圖6為NWP風(fēng)速誤差在不同濕度區(qū)間的頻率分布直方圖。所有濕度區(qū)間的直方圖形狀、頻率幅值以及最大頻率位置大致相同，說(shuō)明NWP風(fēng)速對(duì)天氣的濕度敏感性很差。

圖6 不同濕度下NWP風(fēng)速誤差頻率分布直方圖Fig.6 Histogram of error frequency distribution of NWP wind speed with different humidity

1.2.4 NWP風(fēng)速誤差敏感性總結(jié)

通過(guò)上述分析可見(jiàn)，NWP風(fēng)速誤差對(duì)風(fēng)速和風(fēng)向數(shù)據(jù)敏感，對(duì)氣壓值也較為敏感。因此在建立NWP風(fēng)速修正模型時(shí)，依據(jù)上述3個(gè)因素，將歷史數(shù)據(jù)劃分成不同的區(qū)間，在各個(gè)區(qū)間分別建立NWP風(fēng)速修正模型，最后比較基于風(fēng)速、風(fēng)向和氣壓這3個(gè)敏感性因素的的修正效果，將修正精度最高的模型的敏感因素設(shè)置為最終的劃分依據(jù)，為風(fēng)電場(chǎng)功率預(yù)測(cè)提供修正的NWP。

2 NWP風(fēng)速修正模型建模過(guò)程

NWP風(fēng)速修正是通過(guò)風(fēng)電場(chǎng)歷史數(shù)據(jù)探求NWP風(fēng)速和實(shí)測(cè)風(fēng)速之間的映射關(guān)系，并依此映射關(guān)系修正未來(lái)時(shí)刻的NWP風(fēng)速。研究中常用統(tǒng)計(jì)方法來(lái)尋找輸入變量和輸出變量之間的這種映射關(guān)系，論文采用的NWP風(fēng)速修正方法包括線性回歸方法、支持向量機(jī)方法、BP神經(jīng)網(wǎng)絡(luò)方法以及隨機(jī)森林方法這4種主流方法。

根據(jù)NWP風(fēng)速誤差的敏感性因素將風(fēng)電場(chǎng)歷史數(shù)據(jù)劃分為不同的類型，這些不同類型數(shù)據(jù)的天氣演變過(guò)程存在差異，更能準(zhǔn)確捕獲NWP風(fēng)速和實(shí)測(cè)風(fēng)速之間的關(guān)系，進(jìn)而提高NWP風(fēng)速的修正精度。主要建模過(guò)程如下。

步驟1：數(shù)據(jù)預(yù)處理。包括缺失數(shù)據(jù)的插補(bǔ)、異常數(shù)據(jù)的刪除以及數(shù)據(jù)歸一化處理。

步驟2：確定修正模型的輸入和輸出變量。模型輸入是機(jī)組點(diǎn)位處的NWP風(fēng)速，模型輸出為機(jī)組實(shí)測(cè)風(fēng)速數(shù)據(jù)。

步驟3：劃分修正模型訓(xùn)練集和測(cè)試集。模型的訓(xùn)練集為全年各月前20天的歷史數(shù)據(jù)，其余數(shù)據(jù)為測(cè)試集數(shù)據(jù)。

步驟4：根據(jù)NWP風(fēng)速誤差的天氣敏感因素，將訓(xùn)練集劃分為不同的區(qū)間數(shù)據(jù)，在各個(gè)區(qū)間利用統(tǒng)計(jì)學(xué)習(xí)方法訓(xùn)練歷史數(shù)據(jù)，分別建立NWP風(fēng)速修正模型。

步驟5：對(duì)未來(lái)的數(shù)值天氣預(yù)報(bào)數(shù)據(jù)先確定其所處的區(qū)間，再使用該區(qū)間的NWP風(fēng)速修正模型進(jìn)行NWP風(fēng)速的修正。

3 算例分析

3.1 數(shù)據(jù)描述

選取我國(guó)華北地區(qū)某風(fēng)電場(chǎng)NWP數(shù)據(jù)和機(jī)組實(shí)測(cè)數(shù)據(jù)為研究對(duì)象。該風(fēng)電場(chǎng)有24臺(tái)額定功率為2 MW的機(jī)組，選取2014年1月1日至2014年12月31日機(jī)組數(shù)據(jù)采集與監(jiān)視控制(supervisory control and data acquisition, SCADA)系統(tǒng)，即SCADA系統(tǒng)中采集的實(shí)測(cè)風(fēng)速和對(duì)應(yīng)時(shí)刻風(fēng)電場(chǎng)范圍內(nèi)的28組NWP風(fēng)速、風(fēng)向、溫度、濕度、氣壓數(shù)據(jù)，其中24組NWP數(shù)據(jù)位置為風(fēng)電機(jī)組機(jī)位，另外4組為該風(fēng)電場(chǎng)范圍內(nèi)隨機(jī)位置處的數(shù)據(jù)。實(shí)測(cè)數(shù)據(jù)和NWP數(shù)據(jù)的時(shí)間分辨率為10 min。2014年8月15日至9月16日，該風(fēng)電場(chǎng)24臺(tái)機(jī)組的實(shí)測(cè)數(shù)據(jù)全部缺失，因此對(duì)這2月的數(shù)據(jù)不做研究。

3.2 修正模型

為進(jìn)一步探求NWP風(fēng)速誤差對(duì)風(fēng)速、風(fēng)向以及氣壓哪一因素最為敏感，根據(jù)不同NWP風(fēng)速誤差敏感因素分別建立以下3種對(duì)比模型：以NWP風(fēng)速為劃分依據(jù)建立的分段修正模型、以NWP風(fēng)向?yàn)閯澐忠罁?jù)建立的分段修正模型和以NWP氣壓為劃分依據(jù)建立的分段修正模型。

以NWP風(fēng)速為劃分依據(jù)建立分段修正模型：根據(jù)NWP風(fēng)速將研究數(shù)據(jù)等間隔劃分為10個(gè)風(fēng)速區(qū)間，對(duì)各個(gè)區(qū)間數(shù)據(jù)利用四種統(tǒng)計(jì)方法建立修正模型。風(fēng)速間隔值為

(4)

式中：vmax和vmin分別為NWP風(fēng)速的最大值和最小值。

以NWP風(fēng)向?yàn)閯澐忠罁?jù)建立分段修正模型：根據(jù)NWP風(fēng)向?qū)⒀芯繑?shù)據(jù)等間隔地劃分成10個(gè)風(fēng)向區(qū)間，區(qū)間間隔為36°，并對(duì)各個(gè)區(qū)間數(shù)據(jù)利用四種統(tǒng)計(jì)方法建立修正模型。

以NWP氣壓為劃分依據(jù)建立分段修正模型：根據(jù)NWP氣壓將研究數(shù)據(jù)等間隔劃分為10個(gè)氣壓區(qū)間，對(duì)各個(gè)區(qū)間數(shù)據(jù)利用4種統(tǒng)計(jì)方法建立修正模型。氣壓間隔值pbin(Pa)為

(5)

式中：pmax和pmin分別為NWP氣壓的最大值和最小值。

3.3 NWP修正結(jié)果對(duì)比與分析

表2是分別以風(fēng)速、風(fēng)向以及氣壓為劃分依據(jù)的修正模型修正后的NWP風(fēng)速與實(shí)測(cè)風(fēng)速之間的均方根誤差以及原始均方根誤差。

表2 不同敏感因素的NWP風(fēng)速修正結(jié)果Table 2 Results of NWP wind speed correction for different sensitive factors m/s

可以看出，4種方法中，線性回歸方法修正精度最高。按影響因素分析，以風(fēng)向數(shù)據(jù)劃分的修正模型，除BP神經(jīng)網(wǎng)絡(luò)方法外，其余3種方法對(duì)NWP風(fēng)速的修正效果均為最佳。以線性回歸方法為例，它的NWP誤差比以風(fēng)速和氣壓為劃分依據(jù)的方法分別小3.6%和5.3%，由此可以看出NWP風(fēng)速誤差對(duì)風(fēng)向最為敏感，其次為風(fēng)速，對(duì)氣壓的敏感性相對(duì)較差。

圖7為風(fēng)電場(chǎng)所有機(jī)組以風(fēng)速、風(fēng)向和氣壓為劃分依據(jù)，線性回歸方法修正模型修正后NWP風(fēng)速的年均方根誤差。除2號(hào)機(jī)組外，其他所有機(jī)組以風(fēng)向?yàn)閯澐忠罁?jù)的NWP風(fēng)速誤差均達(dá)到最小，而2號(hào)機(jī)組處以風(fēng)向和風(fēng)速為劃分依據(jù)的誤差基本相同。表明全場(chǎng)機(jī)組點(diǎn)位處的NWP風(fēng)速誤差均對(duì)風(fēng)向最為敏感，具有統(tǒng)一性和普遍性。

圖7 考慮不同敏感性因素的NWP的年均方根誤差Fig.7 Annual mean root square error of NWP considering different sensitivity factors

圖8為18號(hào)機(jī)組所在位置處21天的NWP修正風(fēng)速，可以看出以風(fēng)向?yàn)閯澐忠罁?jù)的修正模型能更加準(zhǔn)確的捕獲NWP風(fēng)速和實(shí)測(cè)風(fēng)速的關(guān)系，優(yōu)于其它兩種劃分依據(jù)的修正效果。

圖8 不同天氣劃分依據(jù)的NWP修正風(fēng)速時(shí)間序列對(duì)比圖Fig. 8 Comparison of NWP modified wind speed time series based on different weather classification

4 結(jié)論

論文通過(guò)計(jì)算NWP風(fēng)速誤差在不同時(shí)間以及天氣因素區(qū)間的分布特征，分析了時(shí)間、風(fēng)速、風(fēng)向、氣壓、溫度、濕度幾個(gè)因素對(duì)NWP風(fēng)速誤差的影響程度，初步確定NWP風(fēng)速誤差的敏感因素。然后建立考慮不同敏感因素的NWP風(fēng)速修正模型，通過(guò)比較修正精度定量確定NWP風(fēng)速誤差對(duì)各種敏感因素的敏感性大小。為防止研究結(jié)果依賴某種特定建模方法，采用反向傳播(back propagation, BP)神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、隨機(jī)森林以及線性回歸四種統(tǒng)計(jì)方法建立模型。通過(guò)算例分析得到以下結(jié)論：

(1) NWP風(fēng)速誤差在各月的分布特征基本相同，其對(duì)月份敏感性不高。

(2) 通過(guò)分析全年NWP風(fēng)速誤差在不同風(fēng)速、風(fēng)向、氣壓、溫度以及濕度區(qū)間的頻率分布中誤差最高頻率位置差以及誤差頻率幅值和分布圖形狀，發(fā)現(xiàn)NWP風(fēng)速誤差對(duì)風(fēng)速、風(fēng)向以及氣壓敏感。

(3) 比較不同敏感因素的NWP修正模型精度，發(fā)現(xiàn)NWP風(fēng)速誤差對(duì)風(fēng)向最為敏感。以線性回歸方法為例，以風(fēng)向?yàn)閯澐忠罁?jù)的NWP誤差比以風(fēng)速和氣壓為劃分依據(jù)分別降低了3.6%和5.3%。并計(jì)算了全場(chǎng)風(fēng)電機(jī)組的NWP修正情況，結(jié)果表明全場(chǎng)機(jī)組點(diǎn)位處的NWP風(fēng)速誤差均對(duì)風(fēng)向最為敏感，具有普遍性。