貴州省數值預報風速產品檢驗及訂正

夏曉玲,尚媛媛,鄭 奕

(貴州省氣象服務中心,貴州 貴陽 550002)

0 引言

風能，具有可再生性，是一種清潔能源，且儲量巨大,是當今世界上可再生能源開發技術最成熟的發電技術，且在減輕污染等方面展現了良好的發展前景，在可再生能源中最適合大規模開發利用[1-3]。風電能占整個電網比例的大小取決于很多因素，最重要的是風速的預測[4]。由于大氣邊界層中的風場具有間歇性和不確定性[5-6]，因此現有的中尺度數值模式模擬風場[7-9]，特別是近地層風場具有較大誤差。風速的瞬時性、脈動性以及對地形的依賴和敏感性，模式的風速模擬結果具有很大的不確定性[10-11]。目前風電場風速模擬預測的誤差在25%～40%之間[12-13]。貴州省多山地地形，風能資料的利用難度和平原省份相比較大[14]，而風速預報的準確性是風功率預測的基礎，對風電場的運行效率產生直接的影響。將數值預報的風速產品進行檢驗是研究風速預報的一種普遍的方法。關于數值預報對于風速預報的檢驗，國內已有很多研究成果[15-19]。對數值預報產品的誤差進行訂正的常用方法包括數據產品解釋應用MOS方法、神經網絡、支持向量機[20]、非線性回歸、最小偏二乘估計[21]、Kalman濾波等，其中應用最為廣泛的是MOS方法[22-23]和Kalman濾波。梁志文檢驗了T639模式和利用BP神經網絡方法對T639模式訂正后的集寧站的風速預報效果，結果表明，經人工神經網絡訂正后，風速預報比T639模式預報有明顯的改善[24]，張穎超等運用了ELM算法對WRF模式預報風速進行訂正，并發現相比其他智能算法(BP神經網絡，SVM算法)，ELM算法對WRF模式預報風速具有較好的訂正效果[25]，石嵐等研究了多模式風速融合的預報應用，并認為融合現有數值預報產品，對改善單一數值預報性能具有明顯效果，但是對風速的轉折波動預測還存在一定不足之處[26]，丁圣等檢驗了基于WRF的模式的元江羊岔街風電場功率短期預報效果，發現進行離群值修正后的預報結果滿足超短期(4 h)和短期預測月均方根誤差要求，可以投入業務運行[27]。

目前針對貴州省范圍內的數值預報風速效果的研究較少，本文檢驗了ECWMF(以下簡稱EC)、GRAPES和JAPAN對貴州省84個站點的10 m風速預報效果，考察3種模式風速預報的平均絕對誤差、標準差、相關系數和正確率，并運用BP神經網絡方式對兩種模式風速預報進行訂正，檢驗訂正效果。

1 數據與方法

1.1 數據

本文檢驗了EC、GRAPES模式和Japan 3種模式預報時效為48 h的風速預報情況，3種模式的時間分辨率均為逐3 h，其中EC模式數據自2017年10月1日—2018年4月10日共192 d，剔除實況和預報缺值、空白和異常數據后，有效樣本數為95.37%；GRAPES模式數據自2017年4月20日—2018年5月31日共407 d，有效樣本數為98.25%；Japan模式數據自2017年4月20日—2018年5月31日共407 d，有效樣本數為75.98%。

1.2 方法

1.2.1 誤差檢驗 平均絕對誤差可以用來反映預報值與實況值之間的偏離程度，可以反映總誤差情況，是用來衡量預報誤差比較常用的一個統計參數。平均絕對誤差公式如下：其中xf為實況值，xo為預報值。

標準差反映了檢驗區域內誤差幅度的平均狀況，對誤差的極值反映較為敏感，可以反映誤差的離散程度，標準差公式如下：

1.2.2 趨勢檢驗 檢驗數值模式對風速趨勢的預報效果，本文采用相關系數來檢驗，相關系數是用來反映預報值與實況值的線性相關程度，相關系數的絕對值越接近1，說明模式對風速的變化趨勢有一定的預報能力。相關系數的公式如下：

1.2.3 準確率檢驗 分別定義誤差小于0.5 m/s、1 m/s、2 m/s時為預報準確,統計預報準確率,查看模式對風速的預報效果。

1.2.4 訂正方法 本文檢驗數值預報對風速的預報效果，首先定義誤差為實況值減預報值，分站點，分區域檢驗實況與預報的相關系數，誤差的標準差、平均絕對誤差，并分別檢驗誤差小于0.5 m/s、1 m/s、2 m/s時的準確率。訂正數值預報首先隨機選取一部分數據，運用一元線性回歸方式和BP神經網絡建立訂正模型，然后運用其余數據，帶入訂正模型，檢驗訂正后的相關系數、標準差、平均絕對誤差和準確率。

2 模式風速預報效果檢驗

2.1 EC模式檢驗

EC模式對于貴州氣象站點風速預報的平均誤差在-1.9～1.7 m/s之間(圖略)，其中73.8%的站點平均誤差小于0，故EC模式對貴州省風速的預報較實況偏大。全省站點平均絕對誤差在0.6～2.1 m/s之間(圖1c)，可以看出省的北部地區平均絕對誤差較中部和南部明顯偏小，中部次之，西部平均絕對誤差最大，其中省的西部烏蒙山附近的威寧、畢節、織金、納雍；苗嶺附近的晴隆，長順，為偏差高值中心，平均絕對誤差均大于1.5 m/s。標準差分布情況和平均絕對誤差相似，北部地區最低，中部次之，西部最高，全省站點標準差在0.8～2.5 m/s之間(圖1a)。

從相關系數分布(圖1b)可以看出，全省站點相關系數平均數為0.5，相關系數較低的幾個站點均在省的東部地區，分別位于武陵山脈附近的沿河、松桃、思南；以及省東部的臺江和錦屏。可以看出誤差分布和相關系數的分布并不相似，預報誤差較大的站點，趨勢預報效果不一定較差。

風速預報誤差絕對值為2 m/s的準確率全省平均值為83%，站點準確率分布圖(圖1d)可以看出，其分布規律與平均絕對誤差相似。北部地區準確率最高，基本在80%以上；準確率低于70%的幾個站點都在省的西部地區，其中織金的準確率最低為54%。

圖1 EC模式在貴州風速預報效果圖Fig.1 Wind speed forecasting effect of EC mode in Guizhou

2.2 GRAPES模式檢驗

GRAPES模式對于貴州氣象站點風速預報的平均誤差在-3.1～0 m/s之間(圖略)，所有站點平均誤差小于0，GRAPES模式對貴州省風速的預報較實況明顯偏大，應該存在系統誤差。全省站點平均絕對誤差在1.1～3.3 m/s之間(圖2c)，可以看出省的東部和西南部部分地區平均絕對誤差較西北部和北部部分地區明顯偏小，中部次之，西北部平均絕對誤差最大，其中省的西部烏蒙山附近的威寧、六盤水、織金、納雍；苗嶺附近的長順，為偏差高值中心，平均絕對誤差均大于2.8 m/s。標準差分布情況和平均絕對誤差相似，東部和西南部邊緣最低，北部次之，西部最高，全省站點標準差在1.1～3.3 m/s之間(圖2a)。

圖2 GRAPES模式在貴州風速預報效果圖Fig.2 Wind speed forecasting effect of GRAPES mode in Guizhou

從相關系數分布(圖2b)可以看出，全省站點相關系數平均數為0.4，相關系數較低的幾個站點均在省邊緣地區，分別為省東北部邊緣的沿河、務川，西南部邊緣的冊亨和西北部邊緣的赫章。與EC相似的可以看出誤差分布和相關系數的分布并不相似，預報誤差較大的站點，趨勢預報效果不一定較差。

風速預報誤差絕對值為2 m/s的準確率全省平均值為56%，站點準確率分布圖(圖2d)可以看出，其分布規律與平均絕對誤差相反。東部部地區準確率最高，基本在60%以上；準確率低于40%的兩個站點都在省的中西部地區，其中長順的準確率最低為32%。

2.3 JAPAN模式檢驗

JANPA模式對于貴州氣象站點風速預報的平均誤差在-3～1.9 m/s之間(圖略)，54%的站點平均誤差小于0，JAPAN模式對貴州省風速的預報較實況偏大。全省站點平均絕對誤差在0.6～3.1 m/s之間(圖3c)，可以看出全省大部分地區平均絕對誤差小于1.7 m/s，省的中部部分地區和西部邊緣平均絕對誤差最大，其中省西部的赫章；苗嶺附近的長順、龍里，為偏差高值中心，平均絕對誤差均大于2.5 m/s。標準差分布情況和平均絕對誤差相似，東部和西南部邊緣最低，北部次之，西部和中部最高，全省站點標準差在0.8～2.2 m/s之間(圖3a)。

從相關系數分布(圖3b)可以看出，全省站點相關系數平均數為0.5，相關系數較低的幾個站點均在省邊緣地區，其中省的東北部邊緣的沿河、和西北部邊緣的赫章相關系數小于0.2。

風速預報誤差絕對值為2 m/s的準確率全省平均值為75%，從站點準確率分布圖(圖3d)可以看出，其分布規律與平均絕對誤差相反。全省82%的站點準確率在60%以上；準確率低于30%的兩個站點都在省的中部地區，其中長順的準確率最低為29%。

2.4 3種模式預報效果對比

針對貴州9個地州市對比分析3個模式風速預報效果(表1)，可以看出24 h預報時效內EC模式的預報效果明顯優于其他兩個模式，標準差和平均絕對誤差基本低于其他兩個模式，相關系數和準確率也高于其他兩個模式。將同一模式的4個檢驗指數相加，用于綜合評價模式對該地區的預報效果，由于標準差和平均絕對誤差是越小越好，故相加的為其相反數，相加的數值越大，證明預報效果越好(表略)。其中，EC模式對銅仁地區的預報效果最好，黔西南的預報效果最差，GRAPES模式對遵義地區的預報效果最好，畢節地區的預報效果最差；JAPAN模式對遵義地區的預報效果最好，黔西南地區的預報效果最差。3個模式中有兩個在黔西南地區的預報效果不佳。

圖3 JANPA模式在貴州風速預報效果圖Fig.3 Wind speed forecasting effect of JANPA mode in Guizhou

表1 3種模式對9個地州市預報效果檢驗
Tab.1Testingtheforecasteffectofthreemodelsinninecities

標準差/(m/s)ECGEAPESJAPAN相關系數ECGEAPESJAPAN平均絕對誤差/(m/s)ECGEAPESJAPAN準確率/%ECGEAPESJAPAN安順1.572.161.710.570.480.501.201.881.430.820.620.75畢節1.572.371.830.490.400.371.392.331.370.760.530.77黔南1.532.141.850.570.440.551.292.021.950.790.580.58貴陽1.582.291.990.580.500.471.211.921.510.820.610.73黔東南1.401.921.670.550.410.451.171.711.320.830.660.78六盤水1.462.221.490.510.410.461.112.281.150.860.520.84銅仁1.231.951.380.520.310.330.951.741.050.900.660.87黔西南1.712.002.070.470.460.181.291.631.600.790.690.70遵義1.212.051.550.460.340.820.931.931.180.900.610.83

3 模式訂正及效果檢驗

運用MATLAB神經網絡工具箱，選取3種模式中80%的數據用于建立預報和實況的訂正模型，剩余20%數據用于檢驗訂正模型效果，由于神經網絡隱藏層數和隱藏層節點數對模型的準確性有一定的影響，故本文建立的隱藏層數為1～2層，每層神經網絡節點數為1～10個，共110個神經網絡結構，并檢驗訂正后數據和實況之間的相關系數，誤差的標準差、平均絕對誤差、誤差小于2 m/s時的準確率。

3.1 EC模式訂正及效果檢驗

EC模式檢驗中，隨機選取了418 155個樣本進行訓練和建立神經網絡模型，運用剩余104 539個樣本進行檢驗。可以看出，運用BP神經網絡對風速進行訂正后，5個檢驗數據都有明顯的提高。訂正后的平均誤差的范圍在-0.012～0.001 m/s之間，相比未訂正過的-0.282 m/s有明顯的提高，且平均絕對誤差相比未訂正的下降0.09 m/s左右，誤差的標準差下降0.08 m/s左右，說明神經網絡訂正方法降低的EC模式預報誤差的離散程度，對誤差的極值有一定的訂正效果。訂正后的正確率提高0.04左右，相關系數改善較小，說明BP神經網絡對模式預報的風速趨勢變化影響不大。

表2 EC模式BP神經網絡檢驗結果Tab.2 EC model BP-Neural network test results

3.2 GRAPES模式訂正及效果檢驗

GRAPES模式檢驗中，隨機選取了913 682個樣本進行訓練和建立神經網絡模型，運用剩余228 421個樣本進行檢驗。可以看出，運用BP神經網絡對風速進行訂正后，5個檢驗數據都有明顯的提高。訂正后的平均誤差的范圍在-0.003～0.009 m/s之間，相比未訂正過的-1.6 m/s有明顯的提高，平均絕對誤差相比未訂正的下降0.9 m/s左右，誤差的標準差下降0.6 m/s左右，同EC模式相比，對離散程度的改進效果明顯。訂正后的正確率提高0.2 m/s左右，相關系數改善較小，說明BP神經網絡對模式預報的風速趨勢變化影響不大。

表3 GRAPES模式BP神經網絡檢驗結果Tab.3 GRAPES Model BP-Neural network test results

3.3 JAPAN模式訂正及效果檢驗

JAPAN模式檢驗中，隨機選取了706 563個樣本進行訓練和建立神經網絡模型，運用剩余176 641個樣本進行檢驗。可以看出，運用BP神經網絡對風速進行訂正后，5個檢驗數據都有明顯的提高。訂正后的平均誤差的范圍在-0.017～0.003 m/s之間，相比未訂正過的-0.217 m/s有明顯的提高，且平均絕對誤差相比為訂正的下降0.1 m/s左右，誤差的標準差下降0.2 m/s左右，訂正后的正確率提高0.06 m/s左右，相關系數改善較小，說明BP神經網絡對模式預報的風速趨勢變化影響不大。且3種模式中所有神經網絡模型中最大值和最小值相差較小，說明對于提高預報正確率和相關系數，隱藏層節點個數影響程度不明顯。

表4 JAPAN模式BP神經網絡檢驗結果Tab.4 JAPAN Model BP-Neural network test results

4 結論

本文對目前業務運行中常用的3種數值預報模式風速產品在貴州的預報效果進行了檢驗，運用平均誤差、平均絕對誤差、相關系數、誤差絕對值和2 m/s的準確率作為檢驗指標。其中EC模式的預報效果優于另外兩種模式，EC模式的平均誤差和平均絕對誤差較小，說明EC模式預報的離散程度較低。相關系數3個模式相差不大，說明3個模式對風速的變化趨勢預報效果相近。但EC模式的2 m/s的準確率明顯高于其他模式，故整體而言EC對于貴州省內風速的預報效果較好。

運用BP神經網絡對3個模式的風速預報進行訂正，訂正后的預報效果均有明顯改善，其中誤差、正確率的改善較為明顯，相關系數的提高較小。運用BP神經網絡訂正后誤差和正確率的改善最為明顯，訂正后的3個模式的正確率均為80%以上，其中GRAPES模式的正確率提升了20%，說明這種訂正方法對數值預報的離散程度有較好的改善。但是相關系數的訂正效果不明顯，說明BP神經網絡的訂正方式對數值預報風速產品的變化趨勢預報效果改進不明顯，但總體而言，BP神經網絡訂正方式對風速的訂正效果良好。