1 引言

风力发电是利用风吹动风力发电机发电来获取能源的方式。发电过程中没有其他能源消耗，是真正的“零排放”，因此风电是世界上最清洁的能源之一。在全球变暖背景下，风电成为了一种备受青睐的能源利用方式。目前，全世界风电装机容量每年以30％的速度递增(IEA，2009，2010)。我国海上和陆地上的风能储量大约有10亿千瓦，风力发电资源十分丰富，有很高的开发利用价值，我国在十一五期间加快加大了在风能利用方面的投入(Ma et al.,2010; IEA，2006)。

由于近地层风速具有显著的湍流特征，风力发电很难像火力或水力等发电方式一样以恒定功率发电，这就给风电的调度作业以及并网利用带来极大的困难。而变化功率的发电方式，对风力发电电网安全和发电效率有着重要的影响。在一些极端的情况下，如果不能预知风力发电功率而盲目并网，很可能造成输电网络的崩溃，引起灾难性的后果。因此风力发电功率的预报等保障性措施，对风力发电的高效利用来说是非常关键的环节。按照风电调度以及风电厂并网的技术标准发展要求，最理想的情况是对每个风力发电机提供准确的72小时瞬时风速预报，这样可以从容调度。事实上，这一点在实际操作过程中很难实现。目前一些风电发展发达国家的业务应用24小时风速预报日平均相对误差在20％～25％(Costa et al.,2008)，而从国内的相关研究文献上可以看到，我国24小时风速预报的日平均相对误差在22％～30％之间，略低于国际水平(刘永前等，2007；杨秀媛等，2005)。

在这一研究领域，神经网络等数理统计方法和MM5或WRF等中尺度气象数值模式数值预报，是目前国外较为流行的为风电厂提供风速预报的方法。统计方法是充分考虑风机历史风速观测的基本事实，利用相关的数学模型，进行未来几小时的“外推”，从而实现风速预报。由于这种方法缺少影响风速变化的动力学方面的信息，因此对12～72小时的风速预测，几乎没有很好的预报技巧。MM5、WRF等业务用数值模式的预报能力毋庸置疑，已经被广泛应用于风能资源评估领域(李艳等，2009)，但直接应用于风电场风速短期预报时仍存在某些时段预报不够准确的问题。为此，本文以内蒙古乌兰察布风电场为例，选用WRF模式，采用三种边界层参数化方案进行一年的风速预报试验，并分析了三种方案预报误差的日变化和月变化。并从天气学角度初步探讨了影响预报准确度的一些天气背景因素。以期得出中尺度数值模式在风电场短时风速预报领域的应用能力和值得改进的方向。

2 数值方案和研究资料

本文用于对比研究的风电场位于内蒙古乌兰察布市境内(41°07ʹN，112°33ʹE)，海拔高度为2040 m。研究表明(张宇等，2010)，中尺度数值天气预报模式水平分辨率在3 km以下时，不同分辨率对单站边界层风速的预报能力差别不大，因此为达到预报时效性要求，缩短预报所需计算时间，乌兰察布风电场数值模式实时业务预报采用27 km水平分辨率。风电预报试验为保证和风电场实时预报一致，也采用和业务预报相同的水平分辨率(27 km)和预报范围(15°～55°N，80°～140°E，包含整个中国大陆地区)，并且同样采用NCEP的GFS全球预报资料作为初始场和边界场。试验预报时间也和实时预报相同，每日08:00(北京时间，下同)开始预报，每次预报72小时。由于风力发电机主要位于大气边界层内，因此不同边界层参数化方案对预报能力的影响也是本文研究内容之一。数值预报试验的主要参数化方案见表 1。

表 1(Table 1)

表 1 WRF预报试验各参数化方案 Table 1 Parameterization schemes of WRF forecast experiments 方案A 方案B 方案C 辐射过程参数化 RRTM/Dudhia1 RRTM/Dudhia RRTM/Dudhia 微物理过程参数化 WSM62 WSM6 WSM6 积云对流参数化 Kain-Fritsch3 Kain-Fritsch Kain-Fritsch 近地层参数化 MM5 相似理论 Eta 相似理论5 RUC LSM6 边界层参数化 Yonsei University 方案7 Mellor-Yamada-Janjic 方案8 NCEP GFS 方案9 注：上标1(Dudhia，1989; Mlawer et al.,1997)；2(Dudhia et al.,2008)；3(Kain，2004)；4(Beljaars，1995; Dyer and Hicks，1970; Paulson 1970; Webb 1970; Zhang and Anthes，1982)；5(Janjic，1996)；6(Smirnova et al.,1997)；7(Hong et al.,2006)；8(Mellor and Yamada，1982)；9(Hong and Pan，1996)

表 1 WRF预报试验各参数化方案 Table 1 Parameterization schemes of WRF forecast experiments

对比观测资料来自风电场附近测风塔观测记录，观测高度为70 m，记录为10分钟风向风速平均，记录长度为2009年1月1日至2009年12月31日。为和观测保持一致，本文从数值预报结果中用插值法提取出和观测地理位置相同的风速记录。其中水平方向上采用反距离加权平均法插值(Richard，1982)，垂直方向上利用近地层风速分布的对数相似规律插值(盛裴轩等，2005)。

在27 km水平分辨率下，中尺度数值气象模式的预报结果仍以大中尺度天气信号为主，对天气背景形势预报的准确度在很大程度上决定了边界层风速预报的准确度。因此本文也研究了影响预报的天气因素。赵天保和符淙斌(2006，2009)，肖霞等(2009)的研究表明，ECMWF的ERA再分析资料集相较其他再分析资料在中国区域的适用性更好，因此，我们选用该资料集作为天气实况同WRF预报的天气背景做对比分析。

3 预报结果对比分析

本文计算了三种参数化方案预报结果之间的日均误差和时均误差，以及各方案预报结果同观测之间的日均误差和时均误差。本文定义绝对误差为|U_sim－U_obs|，相对误差为|U_sim－U_obs|/U_obs，其中计算日均误差时U_sim为数值预报的日平均风速，U_obs为观测的日平均风速，计算时均误差时则分别为相应的小时平均风速。计算结果见图 1和2。

图 1

Fig. 1

图 1 不同参数化方案预报风速间相对误差。AB为方案A相对于方案B的误差；AC为方案A相对于方案C的误差；BC为方案B相对于方案C 的误差Fig. 1 Relative error between different parameterization schemes. AB is the relative error of scheme A with respect to B; AC is the relative error of scheme A with respect to C; BC is the relative error of scheme A with respect to C

图 2

Fig. 2

图 2 不同参数化方案预报风速同观测间相对误差Fig. 2 Relative errors of parameterization schemes with respect to observations

图 1为三种参数化方案预报风速的差异。由图可知，三种方案预报风速的日均相对误差不是 很大，基本都在8%以内，说明它们的预报能力较为接近。表 2列举了三种参数化方案具体预报差 异。由表中数据可知，总体上参数化方案A的预报能力最好，C、B次之。但从图 2可以发现，并不是所有的参数化方案自始至终都能保持较好的预报能力，对于方案A预报差的日期，方案B、C可能预报得较好。出现这种情况的天数很多，限于篇幅，本文仅举出几个典型例子分析。例如，6月14日的数值预报，方案A日均相对误差为56.75%，方案C仅为19.06%。由该日预报风速的趋势图也可看出，方案A预报风速同观测几乎呈反位相，而方案C仅在白天同观测位相相反(图 3)。

表 2(Table 2)

表 2 三种参数化方案预报能力差异 Table 2 Prediction capacities of three parameterization schemes 参数化方案 平均相对误差 相对误差的均方差 相对误差大于20%天数占总分析天数百分比 方案A 11.78% 9.93% 14.04% 方案B 14.66% 14.69% 25.73% 方案C 13.45% 13.11% 21.93%

表 2 三种参数化方案预报能力差异 Table 2 Prediction capacities of three parameterization schemes

图 3

Fig. 3

图 3 2009年6月14～15日风速预报：（a）方案A；（b）方案CFig. 3 Wind speed forecast and prediction error during 14～15 Jun 2009: (a) Scheme A; (b) scheme C

鉴于参数化方案A在整体上预报能力最好，本文着重分析了该方案的预报结果。由图 3、图 4和图 8a、b可以发现，数值模式预报结果较为平滑，不能够再现风速的瞬时变化，但对风速变化的大尺度特征预报得比较准确。从图 5可看出，几乎总是在风速急速下降的时候，预报结果较差，说明了模式对中小尺度系统的预报能力不足，这和张宇(2010)等的研究结果也是一致的。此外，在弱风情况下，较小的绝对误差可能因为基数过小而产生较大的相对误差，从而得出预报很差的结论(图 6)。如2009年5月9日和6月4日的预报结果，从总体趋势上看同观测较为接近，日均绝对误差也很小，但日均相对误差则都在40%以上。尽管风机一般的切入速度为2.5 m/s，切出速度为25 m/s，对于风能发电，研究弱风速基数下的误差意义不大，但就全面客观地评估一个模式的预报能力而言，仍具有一定的科学意义。

图 4

Fig. 4

图 4 2009年5月9～10日和6月4～5日预报结果Fig. 4 Wind speed forecast and prediction error during May 9～10 and Jun 4～5, 2009

图 5

Fig. 5

图 5 参数化方案A预报风速和观测风速及预报相对误差Fig. 5 Wind speed forecasted with parameterization scheme A and observed wind speed, and relative error of forecast with respect to observations

图 6

Fig. 6

图 6 参数化方案A预报风速相对观测的日均相对误差和绝对误差Fig. 6 Day mean absolute error and relative error of parameterization scheme A forecast with respect to observations

对不同季节天气的预报(图 7)，参数化方案A对冬、春风速的预报能力较差，夏、秋相对较好。夏季8月份的预报相对误差虽然很高，但是该月绝对误差很低，因此并不能认为预报得不好。从均方差来看，1月和6月的预报能力最不稳定。

图 7

Fig. 7

图 7 参数化方案A预报能力的月变化Fig. 7 Monthly variationof prediction capacity of parameterization scheme A

4 天气背景分析

本文选取风速预报较差的几个个例，从天气背景形势预报效果的角度来探讨影响风电场风速短期预报准确度的可能因子。

经过对比分析发现，总体上WRF预报的背景天气形势是准确的，但个别时间也会有较大的预报误差。冬春季节的预报不准确主要与背景天气形势预报不准确相关，这种不准确往往造成预报的风速整体偏大或偏小；而夏秋季节的预报不准确则与特定的天气系统有关，这种系统出现时往往引起预报风速的演变趋势相对于观测位相偏移，从而造成很大的预报误差。通过对每日天气图的分析，发现符合这两种情况的天数为27天，占总预报较差天数的58%。由于数量较多，限于文章篇幅，以下仅选取两个较为典型的个例分析。

以2009年1月2日为例，由该日风速趋势可看出，WRF预报风速整体比观测偏大。结合当天的天气形势可以看出，蒙古气旋为当天影响风电场的主要天气系统。WRF预报出的气旋强度要比实际更强，位置也更靠近风电场，导致预报风速偏大(图 8a、a1、a2)。

图 8

Fig. 8

图 8 （a、b）数值预报同观测风速对比及相对误差；500 hPa等压面天气分析：（a1、b1）ECMWF再分析天气背景，（a2、b2）WRF预报天气背景。 （a、a1、a2）2009年1月2日08时；（b、b1、b2）2009年6月6日08时。（a1、b1、a2、b2）实线为等位势高度线；虚线为等温线；风矢标按 WMO标准定义：短划表示2 m/s，长划表示4 m/s，三角旗表示20 m/s Fig. 8 (a, b) Wind speed of numerical forecast and relative error with respect to observations; 500-hPa isobaric surfacesynoptic analysis: (a1, b1) ECMWF reanalysis weather situation, (a2, b2) WRF forecast weather situation. (a, a1, a2) 0800 BT (Beijing time) 2 Jan 2009; (b, b1, b2) 0800 BT 6 Jun 2009. (a1, b1, a2, b2) Solid line: geopotential height; dashed line: isotherm; wind bar is in WMO definition, half ticks represent 2m/s, full ticks represent 4m/s, pennants represent 20 m/s

以2009年6月6日为例，该日WRF预报的风速基本同观测呈反位相。结合该天的天气形势可以看出，风电场主要受东北气旋和蒙古气旋的影响。WRF预报的这两个天气系统比实况要提前发展了几个小时，ECMWF再分析中的两大气旋均呈温度场落后高度场，气旋发展阶段，而WRF预报结果中温度场已完成和高度场同步，气旋进入了锢囚消亡阶段。这导致预报前半段风速大于观测，而后半段小于观测(图 8b、b1、b2)。

对天气背景的分析可以得知，影响该风电场风速预报准确度的天气系统主要为北方温带气旋，这与风电场所处的地理位置是相符的。当气旋生成发展时大气运动会更加复杂多变，数值天气预报的技巧也相应下降，从而导致预报能力变差。

5 结论

通过上文的研究分析我们可以得出如下结论：

(1)数值模式边界层参数化方案对边界层风速的预报有一定的影响，但是影响有限。没有一种最好的参数化方案，不同方案在不同时间区域预报能力各有优劣，就平均意义而言，MM5近地层参数化方案和YUS边界层参数化方案组合优于其他。

(2)数值模式在天气演变较为平缓的时段，预报技巧较高，在天气演变剧烈的时候，预报技巧较低，从天气背景分析可以找出一些影响预报准确度的主要因子。准确的预报大气中小尺度运动对提高预报能力非常重要。不同季节的整体预报能力也不相同。

(3)对于本文风电场而言，蒙古气旋和东北气旋的发生发展对风速预报影响很大。在风速急速下降 时预报误差往往较大，夏秋季预报能力要强于冬春。对于其他地区的风电场，相信可以通过类似方法找到主要影响的天气系统。

综上，WRF数值天气模式直接用于风电场风速预报总体上效果较好，但也存在预报较差的时段。由于大幅提升数值模式预报能力涉及众多的 研究领域，短期内难以实现。因此，用本文的方法细致研究风电场历史预报水平，分析主要影响因子，并针对这些因子对预报影响的特点，通过其他方法订正，不失为一种快速提高预报能力的经济可行方法。