论文部分内容阅读
我国典型地形风能的精确预报有利于风能产业的发展与我国经济的可持续发展。本文选取江苏及内蒙分别作为中国沿海滩涂与内陆复杂高原山地的典型地形代表,利用中尺度模式WRF V3.3.1(Weather Research and Forecasting Model),通过两种不同边界层参数化方案(YSU/MRF)的对比检验,选择WRF/Noah/YSU作为我国典型地形的风场预报系统。并利用此预报系统对研究区域分别进行了2010年1km水平分辨率,10min时间分辨率的48h风场滚动预报。进一步通过功率谱检验、风向风速玫瑰图检验、季节变化检验,以及日变化检验,证明了WRF/Noah/YSU的风场预报方案能够较准确地预报出测风塔的风场特征,对风场的能量频谱分布,主导风速风向的特点,风场的日变化与季节变化的预报特征基本与测风塔观测一致。预报系统对春季、秋季的预报效果优于夏季,日变化的预报效果因地形而异,无统一变化规律。此外,从风能预报的单一统计预报方法与组合统计预报模型的角度,通过简单介绍目前较为常见的几类统计预报方法,如时间序列法、卡尔曼滤波法、神经网络法、支持向量机法,小波分析法、小波—支持向量机法等,进一步综合对比分析了其优劣特点,希望在风能统计预报中更好地发挥各方法的优势。通过回顾及总结已有的研究成果发现：单一统计预报方法中,传统的统计预报方法适用于处理相对简单的风速预报问题,预报精度相对较低；人工智能统计方法优于传统方法,适用于解决较为复杂的风能预报问题,预报精度较高；多种统计方法结合的组合统计预报方法能够克服单一统计方法的局限性,是一种提高风能预报精度的重要方法。最后,本文选择我国风能资源较为丰富的内蒙古自治区作为复杂山地地形的代表,以对2010年研究区域内四座测风塔风速动力预报的结果为数据基础,选择BP神经网络法(BP-ANN)、最小二乘支持向量机法(LS-SVM)进行短期预报风速的逐10min统计订正；持续法-—BP神经网络法、持续法—最小二乘支持向量机法进行超短期(P6-BP, P6-SVM)及临近预报(P1-BP, P1-SVM)风速的逐10min统计订正,进行风能预报的精细化对比研究。通过总体预报效果检验、风速玫瑰图检验、月变化预报检验及日变化预报检验发现,统计订正后风速更接近实测值,订正效果显著,且临近预报风速订正效果优于超短期预报优于短期预报。在不同等级风速的预报检验中发现,所有订正模型均存在风速大时误差大、风速小时误差小的特征,对中间风速阶段(8-14m s-1)改善效果最优。