計及轉折性天氣過程識別與檢驗的短期風電功率預測

王勃，馮雙磊，劉曉琳，王釗

（1. 新能源與儲能運行控制國家重點實驗室，中國電力科學研究院有限公司，北京 100192；2. 電力氣象國家電網有限公司聯合實驗室，北京 100192）

0 引言

短期風電功率預測可單次預測未來24~72 h 的風電功率，這為中時間尺度下的電力調度計劃提供了依據。一般情況下短期風電功率預測主要依賴于數值天氣預報（numerical weather prediction，NWP），通常將日前甚至更長時間跨度的數值天氣預報關鍵氣象要素，例如風速、風向、溫度、濕度、氣壓等相關量作為人工智能算法的輸入特征進行功率預測［1-7］受制于NWP 的預報精度，且隨著預見期的增加，短期風電功率預測精度也會惡化，其主要原因是NWP 預報精度隨預見期增加而變差。為解決NWP 預報精度的問題，常采用天氣類型劃分［8］、波動場景劃分［9］等方法來提高精細化建模精度。

盡管日前NWP 預報具有較高精度，但是在極端甚至轉折性天氣過程條件下，NWP 經常存在預報偏差，這一偏差主要表現在NWP 關鍵氣象要素，例如風速、降水、氣溫等預報信息在預報網格區域內存在落區范圍偏大或偏小、關鍵氣象要素預報時序超前或滯后、要素幅值偏高或偏低等情況［10-13］，這些預報偏差也會給風電功率預測產生不利影響，造成風電功率序列在時序和幅值上的偏差［14］。

以往的研究大多是對NWP 特征進行聚類分型或者引入歷史功率序列來提高短期風電功率預測精度，師洪濤等［15］為提升風電功率的多區間復合預測性能對功率序列的一階差分序列進行趨勢聚類，分趨勢對短期風電功率進行預測，提升了多區間復合預測性能。文獻［16］采用k-means 聚類方法對原始數據進行聚類分型，并將聚類后的數據進行核主成分特征降維，提高了短期風電功率預測精度。文獻［17］為減小風的隨機性和波動性帶來的預測誤差，基于搖擺窗算法識別風的波動性，采用BFSN（broad first search neighbors）算法對波動風速序列進行聚類劃分，根據預測時段的風速波動過程進行匹配建模，提升了風電功率短期預測的精度。文獻［18］基于最大相關最小冗余的方法，提取風電功率預測關鍵氣象特征，并對風速波動程度進行細化分型，分波動大小分別訓練模型，提升了整體預測精度。

為進一步挖掘相關信息，已有文獻采用特征提取或序列分解重構的方法，文獻［19］對氣象因素提取多時間尺度下的統計特征、組合特征和類別特征，并基于深度學習模型進行特征排序得到最優特征組合，提高了短期風電功率預測精度。文獻［20］利用 CEEMDAN （complete ensemble empirical mode decomposition with adaptive noise） 算法對風電功率序列進行分解，結合關鍵氣象要素進行模型訓練和建模，對預測序列進行重構，提升了功率預測精度。文獻［21］采用魯棒回歸模型對原始數據進行預處理，并基于變分模態分解對原始功率序列進行分解后預測重構，證明了該方法的有效性。

以上的短期風電功率提升預測精度的思路大多是考慮NWP 數據特征提取或是規律性挖掘，并結合歷史功率序列的方法，鮮有考慮轉折性天氣過程導致NWP 預報偏差所帶來的風電功率預測精度變差的情況。基于以上分析，本文考慮轉折性天氣過程下，NWP 預報精度變差的情況，對轉折性天氣過程進行識別，并基于轉折性天氣過程識別結果采用面向對象的診斷檢驗方法（method for objectbased on diagnostic evaluation，MODE）進行檢驗；對各類轉折性完整天氣過程進行分天氣過程單獨建模的思路，采用天氣過程匹配的方式對短期風電功率進行預測。

1 總體研究思路

本文主要提出了一種考慮轉折性天氣過程識別與檢驗的風電功率短期預測方法，其主要分為以下4個步驟。

1） 轉折性天氣過程識別：首先對于NWP 大量的冗余特征采用隨機森林進行特征重要性分析，得到少數幾個與天氣過程具有較強相關性的特征，基于特征重要性分析結果，采用門控循環單元（gated recurrent unit，GRU）神經網絡對原始NWP 15 min采樣間隔的樣本進行逐點轉折性天氣時點的識別檢測。

2） MODE 空間檢驗及評價：對轉折性天氣過程進行MODE空間檢驗并針對檢驗結果計算評價指標以判別NWP 在不同轉折性天氣過程條件下對實況場的預報能效。

3） NWP 預報規律性挖掘：基于MODE 檢驗結果，對不同轉折性天氣場景下NWP 的預報規律進行分析挖掘以得到其在不同轉折性天氣過程下的預報規律性以便于后續的分場景建模。

4） 分天氣場景預測建模：基于NWP 預報規律性分析考慮不同轉折性天氣場景下NWP 的預報能效，采用不同的模型來匹配不同的天氣類型以達到最佳的預測效果，對確定性轉折天氣過程單獨訓練模型用于預測時段天氣類型匹配和功率預測。其主要流程如圖1所示。

圖1 整體研究思路流程圖Fig. 1 Flow chart of overall research ideas

2 轉折性天氣過程識別及檢驗

2.1 轉折性天氣過程識別

本文主要考慮對NWP 時點的轉折性天氣類型進行識別，其識別機制主要是將時點的轉折性天氣過程關鍵氣象要素輸入門控循環單元深度學習分類器，輸出則是對應的天氣過程類別，劃分出對應的天氣過程。

考慮到循環神經網絡RNN 計及過去時刻信息的訓練方法容易導致梯度消失，造成信息損失或者導致過去時刻信息占比增加，導致訓練效果變差的情況，提出了長短期記憶網絡來解決這一問題［22］。而GRU 在LSTM 遺忘門的基礎上做了一定的簡化，這一簡化使得GRU 在性能上優于LSTM 網絡。GRU 把內部狀態向量和輸出向量合并，統一為狀態向量h，門控數量也減少到2 個，其分別是復位門和更新門，其可以保存很久之前的信息，并且提取相關信息，解決了梯度消失問題［23-24］，其內部運行機制如式（1）—（4）所示，網絡結構如圖2所示。

圖2 GRU網絡結構Fig. 2 GRU network structure

其中重置門rt可表示為：

更新門ut可表示為：

候選隱藏層狀態h?t可表示為：

隱藏狀態ht可表示為：

式中：rt、ut分別為重置門和更新門在t時刻的輸出；wr和br分別為重置門的參數矩陣和殘差向量；wu和bu分別為更新門的參數矩陣和殘差向量；σ為激活函數，一般為sigmoid 函數；tanh 為雙曲線激活函數；xt為t時刻模型的輸入；ht-1為模型t- 1時刻的網絡輸出。

2.2 MODE空間檢驗

為挖掘NWP 對于各類轉折性天氣過程的預報規律性，對各類轉折性天氣過程進行MODE 檢驗，評估NWP 對于此類天氣過程的預報準確程度，這一檢驗過程主要包括預報場和實況場的預報落區范圍匹配度，預報場預報要素在幅值或相位上的偏差，其主要檢驗過程如下［10］。

1） 平滑處理：剔除診斷目標范圍內的零散細碎小目標，設置卷積半徑R，其作用主要是平滑掉半徑小于R的目標物，減小細碎小目標對檢驗結果的干擾。

2） 檢驗要素閾值確定和掩膜場構建：由于轉折性天氣過程中預報要素的檢驗是對其某一閾值，即天氣過程發展程度進行檢驗，這一閾值衡量了該要素的影響程度，此時設定要素閾值為T，僅對≥T的要素范圍進行檢驗，設定閾值后對滿足閾值條件的原始場進行要素重構，滿足≥T的落區保留，反之剔除，從而得到掩膜場，如式（5）所示。

式中：D(x，y)為掩膜場，D(x，y) = 1表示原始場要素保留，D(x，y) = 0表示原始場要素剔除；C(x，y)為原始場檢驗要素。

3） 重構場生成：基于閾值設定得到掩膜場后，由于網格位置由0 或1 表示，此時為得到重構場，需要將滿足閾值條件的原始場檢驗要素重新賦值給掩膜場得到重構場，即原始場要素與掩膜場作乘積，其表達式為：

式中F(x，y)為生成的重構場。

3 算例分析

為驗證本文所提出的計及轉折性天氣過程識別與檢驗的短期風電功率預測方法的有效性，選取吉林省2019—2021 年3 年的全網格的NWP 預報數據和實測氣象數據進行算例分析，其中2019—2020年兩年的數據用于轉折性天氣過程的識別建模與NWP 轉折性天氣過程的寒潮、系統性降水、冷鋒過境等關鍵氣象要素的MODE 檢驗，2021 年全年數據用于天氣過程識別和風電功率短期預測分析。本文所使用的NWP 預報數據和實測氣象數據時間分辨率均為15 min，而空間分辨率為3 km×3 km，風電場額定裝機容量為149.9 MW。

3.1 評價指標

3.1.1 轉折性天氣過程識別評價指標

由于轉折性天氣過程的識別可以認為是一種有監督模式的分類問題，所以本文在考慮轉折性天氣過程的識別時采用多分類評價指標的準確率（Accuracy）、精確率（Precision）、特異性（Specificity）、靈敏度（Sensitivity）等指標，其公式如下［25］。

式中：TP為實際為正類預測為正類的數量；FP為實際為正類預測為負類的數量；TN為實際為負類預測為負類的數量；FN為實際為負類預測為正類的數量。其中，準確率反映了所有正例和負例中完全預測正確的樣本比例；精確率表示預測為正例的樣本中有多少比例的樣本為正例；特異性反映了真實為負例的樣本中有多少比例的樣本被預測為負例；靈敏度反映了真實為正例的樣本中有多少比例的樣本被預測為正例。這幾個指標越接近1，表示預測結果精度越高，模型性能越好。

3.1.2 MODE檢驗評價指標

MODE 檢驗評估指標主要是針對檢驗對象所提出的用于評價NWP 預報準確程度的指標集，其主要包括：面積比、質心距離、軸角差、交集比、綜合匹配度等指標，其計算方法如下［10］。

1） 面積比：表示預報場和實況場目標物面積之比，其中面積比越接近于1 則目標場與實況場匹配效果越好。

2） 質心距離：表示預報場目標物質心與實況場目標物質心之間的空間距離，其中質心距離越小，表示目標場與實況場目標單體越接近，預報效果越好。

3） 軸角差：表示預報場和實況場目標物對稱軸與東西向水平軸線所成銳角之差，其中軸角差越小，表示預報場和實況場匹配效果越好。

4） 交集比：表示預報場和實況場目標物重疊部分所占比值，其中交集比越接近于1，表示預報場預報效果與實況場更接近。

5） 匹配度參數：用于衡量目標單體之間的綜合匹配度，這一指標越接近于1，表示預報場預報效果與實況場更接近。

3.1.3 風電功率預測結果評價指標

本文誤差評價指標有：平均絕對誤差EMAE（mean absolute error，MAE）、均方根誤差ERMSE（root mean square error，RMSE），其計算公式為：

式中：n為預測序列的點預測數量；Pi為實際值；為預測值；Cap為額定裝機容量。

3.2 轉折性天氣過程識別

由于本文主要考慮寒潮、系統性降水、冷鋒過境等轉折性天氣過程的識別，而天氣過程識別因子與這些天氣過程息息相關，考慮到寒潮天氣過程常導致短時間內氣溫驟降，冷鋒過境時溫度下降同時氣壓上升，系統性降水則是與降水相關，同時考慮一些輔助誘因，此時將原始特征序列進行隨機森林重要特征的篩選，以得出原始特征的重要性。如圖3 所示，可以看出降水量、氣壓和溫度重要性占比較大，因此考慮將氣溫、海平面氣壓、大尺度降水等作為識別轉折性天氣過程的識別要素。為提升寒潮以及冷鋒過境等天氣類型的識別準確率，對溫度以及海平面氣壓進行一階差分序列重構［26］，得到24 h 采樣間隔的一階差分溫度序列和海平面氣壓序列，作為輔助新增敏感特征，其計算公式如下。

圖3 原始特征重要性占比Fig. 3 Percentages of importance of original features

式中：Temp為間隔24 h 的溫度一階差分值；temp，i表為實時溫度值；Pressure為間隔24 h 的海平面氣壓一階差分值；pressure，i為實時海平面氣壓值；n為序列樣本數量，其中樣本間采樣間隔為15 min。

表1 展示了測試集3 類轉折性天氣過程和正常天氣過程按15 min 分辨率的樣本數量，可以看到，轉折性天氣過程出現的情況較少，僅占整個數據集的16%，其中冷鋒過境天氣過程占比最少，僅為1.79%。圖4 展示了驗證集的轉折性天氣過程的分類混淆矩陣圖，可以看到，采用GRU 作為分類器時，寒潮天氣過程識別效果最好，其余3 種天氣過程均存在一定的誤識別，但是總體的識別準確率達到了99.58%，其中各類天氣過程識別精確率、特異性和靈敏度指標如表2 所示，可以看到各類轉折性天氣過程的識別結果評價指標相差不大，且處于較高的準確率范圍內。圖5 展示了各類天氣過程識別結果評價指標的對比圖，其結果不僅體現了識別精度同時也反映了模型具有較為突出的識別性能。

表1 各類天氣過程樣本占比Tab. 1 Percentages of samples for each type of weather process

表2 各類天氣過程分類結果評估指標Tab. 2 Evaluation indicators of various types of classification results of weather processes%

圖4 分類結果混淆矩陣圖Fig. 4 Confusion matrix of classification results

圖5 各類天氣過程分類評價指標Fig. 5 Classification and evaluation indicators for each type of weather process

為突出GRU 深度學習模型的分類性能，采用極限學習機（extreme learning machine，ELM）、隨機森林（random forest，RF）、長短期記憶網絡（long and short-term memory，LSTM）等模型進行對比，其分類評價指標如表3所示。其中基于GRU分類器得到的識別準確率相較于LSTM 以及ELM 和RF 均要高，其中相較于LSTM 深度學習分類器準確率提升有限，但是基于傳統的淺層網絡的ELM以及集成學習算法的RF 準確率具有較高提升，采用GRU作為轉折性天氣過程的識別效果突出。

表3 各分類器的轉折性天氣過程識別結果Tab. 3 Results of transitional weather process identification for each classifier%

為衡量模型的預測效能，對GRU 識別結果繪制其ROC 曲線對預測模型進行綜合分析。如圖6所示，其中ROC 曲線在基準曲線上方所占面積越大表示模型分類準確率越高，可以看到采用GRU 深度學習分類器所得ROC 曲線面積接近于1，具有較高識別精度，滿足轉折性天氣過程的分類準確率要求。

圖6 GRU模型分類結果ROC曲線Fig. 6 ROC curve of GRU model classification results

為衡量模型的預測效能，對GRU 識別結果繪制其ROC 曲線對預測模型進行綜合分析。如圖6所示，其中ROC 曲線在基準曲線上方所占面積越大表示模型分類準確率越高，可以看到采用GRU 深度學習分類器所得ROC 曲線面積接近于1，具有較高識別精度，滿足轉折性天氣過程的分類準確率要求。

3.3 MODE空間檢驗及NWP預報能效挖掘

由于NWP 在極端或轉折性天氣條件下的預報精度存在差異性，并且不同的轉折性天氣過程的預報性能也有所差異，通常來說，轉折性天氣過程的預報誤差大于正常天氣過程。為挖掘NWP 在不同天氣過程下的預報規律性，對轉折性天氣過程進行MODE 檢驗。而本文主要是檢驗與風電功率強相關的NWP 關鍵氣象要素在轉折性天氣過程條件下的預報偏差并挖掘其預報規律性，用于指導風電功率預測，因此在各類轉折性天氣過程條件下其檢驗要素均為風速。其中，對發生在2019 年11 月24 日的寒潮天氣過程、2019 年11 月17 日的冷鋒過境天氣過程以及2019 年7 月29 日的系統性降水天氣過程進行MODE空間檢驗。

2019年11月24日寒潮天氣過程存在持續大風，其中NWP 預報范圍內不同位置處的當日平均風速變化如圖7 所示，其中可以看到吉林省西南部分區域的風速相較于整個吉林省來說偏大，其平均風速已超過10 m/s，而吉林省位于NWP 網格范圍的中部，其風速值偏低，而MODE檢驗結果顯示，在寒潮持續時間范圍內，吉林省存在大風天氣過程，這說明NWP 存在漏報，其預報風速幅值偏低，沒能捕獲到關鍵大風天氣現象。

圖7 NWP預報范圍內風速日平均曲線Fig. 7 Daily average wind speed curves within the NWP forecast range

2019 年11 月17 日冷鋒天氣過程仍存在持續大風，其中NWP 預報范圍內不同位置處的當日平均風速變化如圖8 所示。此時吉林省西南部的日平均風速明顯高于其余范圍，但是風電場所在網格處的風速也相對較大，但是基于MODE 檢驗結果顯示，在同一檢驗時間下，經過掩模場生成后，其預報場的風速總是超前于實測場，經過時間延遲得到錯位時間點的MODE檢驗結果顯示其預報場和實測場目標匹配較好，即NWP 預報序列具有超前效應。2019 年7 月29 日的系統性降水天氣過程的MODE檢驗結果顯示，這一次系統性降水天氣過程中各位置處的平均風速并無明顯偏大的現象，尤其是風電場所在網格處的風速如圖9所示。其中圖10展示了此次檢驗的冷鋒過境天氣過程下，預報風速與實際風速的在持續時間內的變化趨勢，可以看到NWP預報風速在幅值上與實際風速相近，但是在相位上，NWP 風速峰值時刻顯著超前于實際風速序列。

圖8 NWP預報范圍內風速日平均曲線Fig. 8 Daily average wind speed curves within the NWP forecast range

圖9 NWP預報范圍內風速日平均曲線Fig. 9 Daily average wind speed curves within the NWP forecast range

圖10 冷鋒過境天氣過程下的預報風速與實際風速序列Fig. 10 Forecasted wind speed and actual wind speed series under cold front weather processes

圖11-13 分別展示了寒潮、冷鋒過境以及系統性降水天氣過程MODE檢驗結果。其中寒潮天氣過程存在明顯的漏報現象，實況場第6 目標對在預報場中未被檢驗到，而實況場和預報場其余目標對的匹配結果顯示數值天氣預報基本涵蓋了實況場的檢驗目標，在這一天氣條件下，NWP 具有一定的預報效果。在冷鋒過境天氣過程下，預報場預報要素有超前于實況場要素的情況出現，經過將預報場時間延遲1 h 后的MODE 檢驗結果與實況場對比，其預報場和實況場目標對具有較好的匹配效果，說明在冷鋒過境天氣條件下，NWP 存在一定的預報時序偏移。在系統性降水天氣過程條件下，預報場和實況場目標對匹配得較好，系統性降水天氣過程對NWP得風速預報影響較小，其中表4展示了MODE檢驗結果的預報場和實況場的目標對匹配結果的診斷指標，可以看到寒潮天氣過程除去漏報場景，其余目標對匹配效果較好，冷鋒過境天氣過程考慮預報時序偏差后其預報場和實況場目標對匹配結果最佳，系統性降水天氣過程，其NWP 預報結果與實際結果具有較好的匹配度，說明NWP 在不同轉折性天氣場景下具有一定的預報能效，在實際使用NWP 時，應充分考慮不同天氣場景下的預報規律。

表4 各轉折性天氣過程MODE檢驗的診斷指標Tab. 4 Diagnostic indicators for the MODE test for each transitional weather process

圖11 寒潮天氣過程的MODE檢驗結果Fig. 11 MODE test results for cold weather processes

圖12 冷鋒天氣過程的MODE檢驗結果Fig. 12 MODE test results for cold front weather processes

圖13 系統性降水天氣過程的MODE檢驗結果Fig. 13 MODE test results for systematic precipitation weather processes

3.4 計及轉折性天氣過程和NWP規律性挖掘的風電功率短期預測

基于MODE 空間檢驗結果可知，寒潮天氣過程與冷鋒天氣過程類似，在以上空間檢驗結果中顯示，寒潮天氣過程其預報風速在幅值上存在明顯偏低的情況，這可能導致最終預測模型不收斂，此時考慮采用深度學習模型GRU 提高模型的收斂能力；而冷鋒過境天氣過程檢驗結果顯示，其風速預報要素存在時序超前性，此時考慮采用BILSTM 模型挖掘時序特征進行該天氣過程的功率預測；而系統性降水過程所涉及到的關鍵氣象要素較少，對風電功率預測結果影響較小，考慮其與正常天氣過程一樣，采用淺層網絡的ELM 進行建模和預測。

由于本文所考慮的轉折性天氣過程在連續時間序列上并沒有同時出現的情況，在測試階段考慮選取2019 年一年中出現轉折性天氣過程的離散時段進行測試，以檢驗本文所提出的考慮轉折性天氣過程識別與檢驗的短期功率預測方法的有效性。此時基于GRU 深度學習分類器的轉折性天氣過程識別結果，對每一種天氣過程選取兩次非連續的發生的轉折性天氣事件進行功率預測。

圖14 顯示了寒潮天氣過程的功率預測結果，可以看到，寒潮天氣過程下風電功率實際值較正常天氣過程存在一定波動，并且其功率幅值偏大，在這一天氣過程下采用GRU 深度模型結合天氣過程劃分的預測結果相較不劃分的方法以及其余模型的預測結果，誤差更低，更能擬合實際功率曲線。圖15顯示了系統性降水天氣過程的功率預測結果，由于系統性降水天過程一次持續時間較長，兩次這樣的天氣過程持續時間接近一周，而實際上采用上述的3 種預測方法得到的預測誤差相差并不大，但是ELM 結合分天氣過程的預測模式，誤差相對更低。圖16 顯示了冷鋒過境天氣過程的功率預測結果，其中這一天氣過程與寒潮天氣過程類似，具有強風天氣過程，其實際出力相較于正常天氣過程偏大，采用BILSTM 其預測結果誤差更低，尤其是結合天氣過程劃分的方法，其RMSE 值為0.039，MAE 值為0.035。圖17 為其他天氣過程的功率預測結果，由于其他天氣過程較少受到轉折性天氣過程的影響，其NWP 預報精度稍微偏高，導致最后的預測序列在預測方法上要求不高，即各模型預測誤差較接近，采用天氣劃分的方法能在一定程度上提高預測效果。

圖15 系統性降水天氣過程功率預測曲線Fig. 15 Power prediction curves for systematic precipitation weather processes

圖16 冷鋒過境天氣過程功率預測曲線Fig. 16 Power prediction curves of cold front transit weather process

圖17 其他天氣過程功率預測曲線Fig. 17 Power prediction curves of other weather process

其中各類天氣類型的不同預測方法所得到的預測結果的誤差評價指標如表5 所示，可以看到寒潮和冷鋒過境天氣過程其各模型預測誤差均偏大，尤其是不采用天氣類型劃分的方法，其誤差相對于劃分的方法高出2%~7%左右，而系統性降水天氣過程以及正常天氣過程由于對NWP 預報影響偏小，其與風電功率息息相關的敏感要素預報偏差較小，此時其預測誤差偏低。采用天氣類型劃分的方法所所能減小的誤差也相對有限，其中系統性降水天氣過程條件下，進行天氣過程劃分的方法相較于不劃分以及其余模型，其降低誤差0.4%~2%，而正常天氣過程能降低1%~3%。采用天氣過程劃分再分模型預測的方法能夠有效降低預測誤差。

表5 各類天氣過程下各模型預測誤差評價指標Tab. 5 Evaluation indexs of prediction errors of each model under each type of weather process

4 結論

本文提出了一種計及轉折性天氣過程識別與檢驗的風電功率短期預測方法，首先是基于轉折性天氣過程要素進行天氣過程的識別，基于識別結果采用基于面向對象的MODE空間方法對轉折性天氣過程進行檢驗，以挖掘各類轉折性天氣過程的NWP預報規律性，并根據規律性分析采用分天氣過程建模和預測的思路對不同轉折性天氣過程進行風電功率預測，得出以下結論。

1） 采用GRU 深度學習分類器進行轉折性天氣過程識別時，不同天氣過程識別準確率較高，相較于LSTM 深度學習分類器其準確率提升不大，但是相較于傳統機器學習模型的ELM 以及RF 其分類準確率較高，證明本文采用GRU 作為轉折性天氣過程識別的有效性。

2） 基于面向對象的MODE空間檢驗方法對3種不同的天氣過程的檢驗結果顯示：寒潮天氣過程存在風速漏報現象，冷鋒天氣過程NWP 風速存在時序預報偏差現象，系統性降水天氣過程風速預報結果較好。

3） 考慮天氣類型劃分和分模型預測的方法所得到的風電功率預測誤差更小，不同的模型適合不同的天氣過程預測，寒潮和冷鋒天氣過程預測誤差較大，而系統性降水和其他天氣過程預測誤差更小，采用本文所提及的預測模式，各天氣過程下RMSE 值分別下降了3.88%、0.99%、3.88%、2.34%， MAE 值分別下降了3.54%、 1.13%、3.31%、1.85%。

盡管本文所提出的考慮轉折性天氣過程的識別方法具有一定的有效性，但是其識別對象主要是針對分辨率為15 min的采樣點，而一個完整的天氣過程應該是一段連續的時間序列，在今后的研究中將進一步考慮完整天氣過程的識別與校正，并提高天氣過程的功率預測精度。