2 中国科学院大学, 北京100049
2 University of Chinese Academy of Sciences, Beijing 100049
随着科技的日益发展,人们生活水平的提 高,人类对能源的需求也越来越多,但是由于目前人类采用的能源主要来源于煤、石油和天然气等不可再生资源,在未来的发展中受限于这些资源的 储量,并且对这些能源的使用可能导致环境的恶化,因此寻求清洁的可再生能源日益受到人们的重视。风电作为环保清洁的可再生资源,逐渐受到各个国家的重视,1990年以来,世界各国竞相发展使用风电技术,而我国近年来也开始大力推广风电技术。到2010年,我国风电总装机容量达到44781兆瓦,居世界首位。
虽然风电有清洁环保以及可再生等优势,但是由于风力的间歇性、波动性以及不可控性,使风电的介入对电网的安全稳定以及调度带来影响,这个影响是多层面以及多时间尺度的,尤其是十几分钟到几小时再到几天的超短期以及短期尺度。因此建立有效的风速波动与风电功率预报系统是十分必要的。
风电的功率预报,国外的研究与实用起步较早。例如1994年以来丹麦的WPPT(Wind Power Prediction Tool)(Nielsen and Madsen, 2000)已经在丹麦的一些电力系统中开始使用,其他类似的还有丹麦的Zephry(Jursa and Rohrig, 2008)、德国的Previento(Lange et al., 2002)以及美国的eWind(Bailey and Brower, 1999)等,这些风电功率预报系统起步早、技术比较成熟,目前已经大量地 使用在多个国家的电力系统中(Pinson et al., 2004;Costa et al., 2008;Lei et al., 2009;Giebel et al., 2011),并且他们还在不断地探索研制下一代的系统(Giebel et al., 2006;Kariniotakis et al., 2006; Marti et al., 2006;Bessa et al., 2011)。相比之下,我国的风电总装机量虽然比较大,但是功率预测系统的研究工作还处于起步探索阶段(谷兴凯等,2007)。
目前成熟的功率预测系统,核心的部分就是对风速的预测,而采用的方法主要有数值天气预报模式(Ramirez-Rosado et al., 2009)的动力预测方法,还有利用人工神经网络(Pinson et al., 2003;Nielsen et al., 2006;Jursa and Rohrig, 2008)、支持向量机(Sideratos and Hatziargyriou, 2007;戚双斌等,2010)等的统计预测方法,但统计方法要进行较长时间尺度(如12 h以上)的预测,还是要基于动力方法预测的一些结果。因此,动力预测方法可以说是风电功率预测和风速预报最重要的基础。不仅如此,动力预测方法还可以进行温度、气压以及降水等的预报,可以为风电场的运行维护提供更多的参考信息。
关于风速预报,国内也做了一些探索工作,除了少量的统计方法外(潘长明和叶卓文,1994;涂小萍等,2008;戚双斌等,2009),目前主要还是基于MM5等较早期开发的一些中尺度气象模式(凌铁军等,2004;高荣珍等,2007;孙川永等,2009;贺志明等,2010)。WRF模式(Weather Research and Forecasting Model)是美国多个研究单位共同开发出的新一代中尺度气象模式,目前已经发展较为成熟,广泛使用在科研和实际预报工作中(Michalakes et al., 2005;Skamarock et al., 2008)。本文选取江苏如东作为验证分析WRF模式的风速预报能力的典型站点。如东位于我国东海海岸,是我国东部海岸风电建设典型的选址地,未来将被建设形成具有陆地、潮间带和近海三线风力发电并举格局的站点,将成为亚洲最大的海上风电场。
2 数据与方法本文使用的数据资料主要有我国气象台站常规观测风速资料、美国国家环境预报中心和美国国家大气研究中心(NCEP-NCAR)的再分析资料(Kalnay et al., 1996)以及WRF模式的实时预报结果。
研究时间段是从2009年7月1日00:00(协调世界时,下同)到2009年7月31日23:00以及2010年1月1日00:00到2010年1月31日23:00,即夏季和冬季各选用了一个月。以下研究若无特别说明,时间均是指世界时。
本文采用了江苏如东气象站和南通市(以下简称南通)气象站的气象常规观测资料,由于如东气象站为县级气象站,风速观测为6 h一次,因此一天仅有4个时次的观测,加上缺测等因素,实际的观测时次为一天3次左右。表 1所示如东2009年7月逐小时的时间序列744个时次中,实际仅有79个有效观测,而2010年1月中实际也仅有88个有效观测。南通为市级观测站,因此观测间隔为3 h一次,表 2所示,2009年7月实际有效观测为166个,2010年1月实际有效观测有154个。
NCEP-NCAR再分析资料的水平空间分辨率是2.5°(纬度)×2.5°(经度),每天4个时次即00:00、06:00、12:00和18:00。
WRF模式的区域设置如图 1所示,整个模式为三重双向嵌套,即模式有3个区域,最外层的区域覆盖了中国东部的大部分地区以及东海、渤海、日本海以及西北太平洋部分地区等,此区域内模式的水平空间分辨率为0.24°(纬度)×0.24°(经度)(约27 km)。模式初边值场来自NOAA(美国国家大气海洋局)和NCEP的GFS全球预报模式,数据步长为3h,水平空间分辨率为0.5°(纬度)×0.5°(经度),海洋表面温度(SST)为GFS配套的海洋模式实时预报的SST。区域 d02是双向嵌套3层嵌套的第二层,大致范围是以如东为中心的周边600 km的范围,包含了中国大陆东部大部分地区和周边沿海,水平空间分辨率为0.08°(纬度)×0.08°(经度)(约9 km),区域内地形比较复杂,模式每1h输出一次预报结果。三层嵌套的最里层,即d03,水平空间分辨率为0.03°(纬度)×0.03°(经度)(约为3 km),主要是如东站周边200 km范围内的区域,包含江苏省的大部地区以及对应的东海沿海,整个区域地形比较简单,大部为平原,有少量丘陵。
图 2是如东站预报风速序列和观测值的对比,其中2009年7月的台站观测值时间间隔是6 h,而预报的时间间隔是1 h,预报时效分别是1~24 h、25~48 h、49~72 h。总体上,各个预报序列都能较好地预报风速的变化,在量值上是比较相近的,而且变化趋势也与观测基本吻合,但是由于观测资料的时间分辨率不够高,因此在预报结果中的很多峰值在观测资料中得不到验证;不同预报时间的预报结果与观测值对比的统计数据见表 1。相对观测数据,预报的结果总体偏大,相对说来1~24 h的预报更接近观测值。为了定量比较预报结果与观测的关系及其差异,我们采用观测与预报结果时间序列之间的相关系数和均方根误差等统计数据来定量衡量,由于观测时次数远比预报时次少,因此将预报的输出结果先求6 h平均以与观测对应,再求相关系数、均方根误差等,结果见表 3。2009年7月预报结果与观测的71个有效数据数据1~24 h预报的相关系数达到0.59,通过了置信度99.9%的置信度检验,均方根误差为2.66 m/s;相对说来,25~48 h的预报准确度就要差一些,相关系数仅为0.47,但同样通过了置信度为99.9%的置信度检验,而其均方根误差也要大一些,为2.88 m/s。
图 2b是如东站2010年1月的时间序列。相对夏季的预报,模式对于冬季的预报准确度要高一些,1~24 h的预报量值稍微有些偏大,但是变化趋势与观测吻合地很好,相关系数达到0.61;而25~72 h预报,虽然预报风速仍然稍偏大,但是预报风速的量值变化和实际风速的变化趋势也是非常一致的,相关系数也比较高。从表 1的统计数据来看,预报结果相对实际观测值确实偏大,无论是平均值还是最大值都偏大很多。同时,表 3的均方根误差也表明,预报结果与观测结果的差值较大,但是表 3的相关系数表明,模式1~24 h预报值与2010年1月的88个有效观测值之间的相关系数可以达到0.61,通过了99.9%的置信度检验,均方根误差为3.77 m/s;25~48 h的相关系数为0.40,虽然相比1~24 h的值要小,但是也通过了信度为99.9%的置信度检验,而且比2009年7月份的25~48 h预报结果要好一些。虽然1月的预报结果和实际观测值之间均方根误差都比较大,比7月的均方根误差还要大,但是相关系数相对7月较高,因此可以做一个线性修正,以1~24 h预报为例,修正以后均方根误差可以缩小到1.22 m/s(修正前为3.51 m/s)。
为了进一步验证WRF模式对风速的预报效能,我们分析了模式对距离如东气象站较近并有更多有效观测的南通气象站的预测结果。南通气象站为市级站,观测的时间间隔为3 h,观测数据更为丰富一些。从图 3a可以看出,WRF模式对南通站 2009年7月的风速也能较好地预报,不管是提前24 h、48 h还是72 h,预报的风速值都比较接近实际的风速值,对风速的变化趋势也能较好地预报出来;并且相比如东站的7月风速预报,并没有出现明显的风速偏大的现象,这点从表 2的统计数据中也能看到。仔细观察也能发现,在7月1日到7月5日之间以及7月26日到7月30日之间分别观测到有一次极大风速的过程,但是预报的风速都略微偏小。相对而言1~24 h的预报结果更接近实际一些,这一点在表 3中有更明显的反映(其中南通站预报结果为3 h平均以后再做相关和均方根误差分析)。1~24 h预报的风速与实际观测的风速共有150个对应的时间点,其相关系数为0.61,均方根误差为1.61 m/s,通过了置信度为99.9%的相关系数显著性检验;而25~48 h和49~72 h预报风速和实际观测风速分别有140和128个对应的时间点,相关系数分别为0.40和0.35,都通过了置信度为99.9%的置信度检验。均方根误差分别为2.12 m/s和1.99 m/s,可以看出,相对于如东站,模式预报结果和观测相比的相关系数更大,而均方根误差更小。
图 3b是2010年1月南通站观测风速的时间序列及其对应的模式预报时间序列。和2009年7月的情形类似,模式都能较好地预报这个站点的风速值及其变化,但与7月不同的是,总体来说预报结果都有些偏大(同见表 2)。根据表 3可以知道,3个时段的预报结果与实际观测的风速之间的相关系数都较高,因此如果做一个线性回归的修正,那么预报结果与实际观测的风速将十分吻合。1月和如东类似都比2009年7月的相关系数要大(表 3),说明模式对冬季风速的变化趋势预报准确度要比夏季高一些,但是均方根误差比7月大一些,说明对冬季风速变化幅度的预报要比夏季差一些。而和夏季类似,南通1月预报和观测的相关系数都比如东站的对应时间段的相关系数要高,同时均方根误差要小,说明模式对这两个地方的预报能力是不一样的。
由于预报结果时间步长较短,时间分辨率较高,因此可以用来研究风速风向的日循环等特征。图 4是模式预报2009年7月如东站风矢量的逐小时变化以及对应的月平均日变化图。由其中逐小时风矢量图可以看出,如东站7月大部分时间为偏南风,这是由于如东地处东亚季风区,7月基本受夏季风影响,因此大部风时间为偏南风,只是在少数时候受天气系统影响而吹偏北风。由于如东站同时还位于海陆交界区,因此海陆风的日夜交替也较为明显,在月平均风矢量日变化中,能够较为清楚地看到这种海陆风的变化。从协调世界时06:00也即是当地时间14:00开始,随着陆地逐渐升温,风由海洋吹向陆地,海风逐渐占主导地位。而从协调世界时18:00即当地时间凌晨02:00开始,随着陆地快速降温,海洋表面温度高于陆地,风由陆地吹向海洋,陆风开始占主导地位。但这种海陆风的日变化在逐小时的图中并不明显,这可能是由于局地天气系统的影响,例如从7日到11日,由于天气系统的影响,风向基本保持为西南风,并持续了5 d左右。总体来说,WRF模式预报的风矢量日变化是比较合理的,对风电场的实际应用来说是比较实用的。
以上探讨了如东和南通两个测站风速的数值模式预报准确度,总体看来在这两个气象站附近数值模式可以很好地预报其风速,那么它们周边的大范围内又是怎样的呢?这里选取模式三层嵌套中的中间一层即d02作为研究区域。首先分析一下再分析资料中风速的平均分布。图 5a是2009年7月NCEP再分析资料中风速的平均值,而图 5b是对应的WRF模式1~24 h预报值。由图 5a可以看到,整个地区风速基本上呈梯度分布,东南方向海面风速较大,而西北内陆风速则要小一些,而且在海岸线附近可以清楚地看到一条风速大小的分界线。在浙江、福建和江西等省交界的地方也能清楚地看到一个风速相对较小的地方。通过对比再分析资料和模式预报资料可以发现,模式预报的风速总体较实际风速偏大一些,尤其是在海面和内陆,而在海岸线附近的海面上,预报结果与观测值则比较接近。预报风速在整个区域内总体偏大,在福建东南的海面上偏大则特别明显,而山东半岛以西的内陆地区误差则相对较小。从图 5c预报风速与再分析资料之间的时间相关系数的空间分布图可以看到,在整个地区预报都较为准确,相关系数都比较大,特别是在海面上,相关系数达到了0.70以上,通过了置信度为99%的统计检验;而沿海地区以及较为内陆的地区(西北方向)相关系数也较大。相比较之下,内陆和沿海之间的区域相关系数比较低,尤其是江西、浙江和福建3省交界的地区,相关系数非常低,基本在0.30以下,甚至没有通过置信度95%的置信度检验。这个地区基本上是丘陵地带,山脉纵横、河网众多,地形特别复杂,下垫面情况复杂多变,因此在夏天,各种小尺度的天气系统变化特别频繁,模式不能较好地描述这些复杂下垫面下的小尺度系统,导致模式未能较好地预报这个地区的风速。从月平均风速的再分析和模式预报结果对比可以看到,模式基本上能较好地预报整个地区的风速,但是基本上预报风速仍然整体偏大。而从再分析资料和预报结果的时间序列相关系数的空间分布图也可以看出模式基本能较好地预报整个区域的风速;但是这种预报能力是有地区差异的,海上预报效果最好,沿海和内陆深处次之;这种情况的原因和下垫面情况以及地理环境极为相关,当然也和夏季的天气活动情况相关极大。
图 6a和6b分别是2010年1月的再分析月平均风速值和对应的模式1~24 h预报的月平均风速值。和夏季的情况类似,月平均风速的分布也是从海上到内陆依次递减,而且预报风速整体偏大,尤其是在东南海面上与山东、江苏两省沿海地区较为明显。从预报风速与再分析资料时间相关系数的空间分布来看(图 6c),整个海洋上与大部分陆地上的相关系数都相当之高,超过了0.70,这是远远高于夏季的相关系数的;只有少部分地区的相关系数比较低,尤其是在浙闽丘陵和武夷山一带,相关系数甚至低于0.3,虽然这个最低值和2009年7月的差不多,但是范围则要小得多。说明虽然冬季山区风速依然比较难于预报,但是相比夏季的小尺度对流活动,冬季的大尺度气团运动要更容易预报一些。
通过以上的研究可以发现,简单配置的三重双向嵌套WRF模式能较好地预报如东和南通站甚至大部分沿海地区以及较为内陆地区的提前1~72 h的风速,也能较好地预报对应风速的变化趋势等。但是由于下垫面的复杂性以及小尺度天气系统 的影响加上阵风、湍流等现象本身的复杂性,所以预报的精度也会受到一些影响,不同季节和不同地方风速预报的准确度是不一样的。例如大部分地区的预报风速偏大,冬季预报风速相对夏季更为准确,沿海地区的风速基本上能较好地预报,山区的风速几乎不能很好地预报等等。总体来说,WRF模式对沿海风电场的风速中短期预报是具有一定技巧的,值得进一步的细化研究。但是由于在实际的应用中,所要求的预报风速高度应该是实际风电机所在的高度,而不是10 m表面风;实际风电场的尺度更小,对模式分辨率会要求更高;而且实际应用中要求的短期甚至临近预报只有中尺度气象模式也是不能胜任的。因此,在未来的研究与实际应用中,可以考虑:
(1)采用更高的分辨率,更加细致地刻画地形以及下垫面的属性,详细描述风电场内及其周边的环境因子,以更准确地预报风电场内不同位置的风速差异,并采用风电场的高时空分辨率资料进行更详细的验证分析。
(2)选择适当的边界层参数化方案,并相应提高其垂直方向的分辨率,甚至采用多种边界层参数化方案集合的方式,以提供不同高度的风速预报。
(3)采用数据同化的方法,整合多普勒雷达、风廓线雷达以及风电场本身的加密观测等资料,提高模式的预报精度。
(4)可以采用与统计方法如时间序列处理的相关方法、随机过程处理的相关方法等相结合,提供更短时间尺度的预报。
(5)采用风电场相关设备和过程参数化的方法,直接输出功率预报,为电力调度等系统提供更直观更详细的参考依据;并考虑风电场本身布局等对风场环流场的影响等。
[1] | Bailey B M, Brower J Z. 1999. Short-term wind forecasting: development and application of a mesoscale model [C]. // European Wind Energy Conference. Nice. France. 1062-1065 . |
[3] | Bessa R J, Miranda V, Botterud A, et al. 2011. ‘Good’ or ‘Bad’ wind power forecasts: A relative concept [J]. Wind Energy, 14 (5): 625-636. |
[5] | Costa A, Crespo A, Navarro J, et al. 2008. A review on the young history of the wind power short-term prediction [J]. Renewable and Sustainable Energy Reviews, 12 (6): 1725-1744. |
[7] | 高荣珍, 杨育强, 孙桂平. 2007. 基于MM5的青岛近海风速精细化预报[J]. 海洋湖沼通报, 29 (4): 30-36. Gao Rongzhen, Yang Yuqiang, Sun Guiping. 2007. Study on refined wind speed forecast for Qingdao offshore zones [J]. Transactions of Oceanology and Limnology (in Chinese), 29 (4): 30-36. |
[9] | Giebel G, Badger J, Perez I M, et al. 2006. Short-term forecasting using advanced physical modelling-the results of the ANEMOS project [C]. // European Wind Energy Conference (EWEC). Athens, Greece. |
[11] | Giebel G, Brownsword R, Kariniotakis G, et al. 2011. The State-of-the-art in short-term prediction of wind power: A literature overview [R]. ANEMOS. plus . |
[13] | 谷兴凯, 范高锋, 王晓蓉, 等. 2007. 风电功率预测技术综述 [J]. 电网技术, 31 (增刊2): 335-338. Gu Xingkai, Fan Gaofeng, Wang Xiaorong, et al. 2007. Summarization of wind power prediction technology [J]. Power System Technology (in Chinese), 31 (Supplement 2): 335-338. |
[15] | 贺志明, 吴琼, 陈建萍. 2010. 沙岭风场风速预报试验分析 [J]. 资源科学, 32 (4): 656-662. He Zhiming, Wu Qiong, Chen Jianping. 2010. An experimental analysis of wind speed prediction in Shaling wind field [J]. Resources Science (in Chinese), 32 (4): 656-662. |
[17] | Jursa R, Rohrig K. 2008. Short-term wind power forecasting using evolutionary algorithms for the automated specification of artificial intelligence models [J]. International Journal of Forecasting, 24 (4): 694-709. |
[19] | Kalnay E, Kanamitsu M, Kistler R, et al. 1996. The Ncep/NCAR 40-year reanalysis project [J]. Bull. Amer. Meteor. Soc., 77 (3): 437-471. |
[21] | Kariniotakis G, Halliday J, Brownsword R, et al. 2006. Next generation short-term forecasting of wind power-overview of the ANEMOS project [C]. // European Wind Energy Conference, EWEC 2006. Athens, Greece. |
[23] | Lange M, Focken U, Heinemann D. 2002. Previento-regional wind power prediction with risk control [C]. // Proceedings of the World Wind Energy Conference. Berlin . |
[25] | Lei M, Luan S Y, Jiang C W, et al. 2009. A review on the forecasting of wind speed and generated power [J]. Renewable and Sustainable Energy Reviews, 13 (4): 915-920. |
[27] | 凌铁军, 张蕴斐, 杨学联, 等. 2004. 中尺度数值模式 (MM5) 在海面风场预报中的应用 [J]. 海洋预报, 21 (4): 1-9. Lin Tiejun, Zhang Yunfei, Yang Xuelian, et al. 2004. The application of MM5 model to predict sea surface wind field[J]. Marine Forecasts (in Chinese), 21 (4): 1-9. |
[29] | Marti I, Kariniotakis G, Pinson P, et al. 2006. Evaluation of advanced wind power forecasting models-results of the ANEMOS project [C]. // European Wind Energy Conference, EWEC 2006. Athens, Greece. |
[31] | Michalakes J, Dudhia J, Gill D, et al. 2005. The Weather Research and Forecast (WRF) model: software architecture and performance [R]. Proceedings of the Eleventh ECMWF Workshop on the Use of High Performance Computing in Meteorology. W. Zwieflhofer and G. Mozdzynski: 156-168 |
[33] | Nielsen T S, Madsen H. 2000. WPPT—a tool for wind power prediction[C]. // Procedings of Wind Power for the 21st Century. Kassel, Germany. |
[35] | Nielsen T S, Madsen H, Nielsen H A, et al. 2006. Short-term wind power forecasting using advanced statistical methods [C]. // The European Wind Energy Conference, EWEC. Athens, Greece. |
[37] | 潘长明, 叶卓文. 1994. 利用GMDH方法作风速预报 [J]. 气象, 20 (5): 33-35. Pan Changming, Ye Zhuowen. 1994. GMDH for forecasting wind-velocity [J]. Meteorological Monthly (in Chinese), 20 (5): 33-35. |
[39] | Pinson P, Chevallier C, Kariniotakis G. 2004. Optimizing benefits from wind power participation in electricity market using advanced tools for wind power forecasting and uncertainty Assessment [C]. // Proc. of the 2004 European Wind Energy Association Conference, EWEC’04. London, United Kingdom. |
[41] | Pinson P, Siebert N, Kariniotakis G. 2003. Forecasting of regional wind generation by a dynamic fuzzy-neural networks based upscaling approach [C]. // European Wind energy and Conference. Madrid: Spain. |
[43] | 戚双斌, 王维庆, 张新燕. 2009. 基于支持向量机的风速与风功率预测方法研究 [J]. 华东电力, 37 (9): 1600-1603. Qi Shuangbin, Wang Weiqing, Zhang Xinyan. 2009. Wind speed and wind power prediction based on SVM [J]. East China Electric Power (in Chinese), 37 (9): 1600-1603. |
[45] | 戚双斌, 王维庆, 张新燕, 等. 2010. 基于SVM的风速风功率预测模型[J]. 可再生能源, 28 (4): 25-32. Qi Shuangbin, Wang Weiqing, Zhang Xinyan, et al. 2010. Model building for wind speed and wind power prediction based on SVM [J]. Renewable Energy (in Chinese), 28 (4): 25-32. |
[47] | Ramirez-Rosado I J, Fernandez-Jimenez L A, Monteiro C, et al. 2009. Comparison of two new short-term wind-power forecasting systems [J]. Renewable Energy, 34 (7): 1848-1854. |
[49] | Sideratos G, Hatziargyriou N D. 2007. An advanced statistical method for wind power forecasting [J]. IEEE Transactions on Power Systems, 22 (1): 258-265. |
[51] | Skamarock W C, Klemp J B, Dudhia J, et al. 2008. A description of the advanced research WRF Version 3 [R]. NCAR Technical Note. Boulder, Colorado. |
[53] | 孙川永, 陶树旺, 罗勇, 等. 2009. 高分辨率中尺度数值模式在风电场风速预报中的应用 [J]. 太阳能学报, 30 (8): 1097-1099. Sun Chuanyong, Tao Shuwang, Luo Yong, et al. 2009. The application of high resolution mesoscale model in wind speed forecasting in wind farm [J]. Acta Energiae Solaris Sinica (in Chinese), 30 (8): 1097-1099. |
[55] | 涂小萍, 赵声蓉, 曾晓青, 等. 2008. KNN方法在11~3月中国近海测站日最大风速预报中的应用 [J]. 气象, 34 (6): 67-73. Tu Xiaoping, Zhao Shengrong, Zeng Xiaoqing, et al. 2008. Application of an updated KNN method to daily maximum wind forecast for coastal weather station from November to March [J]. Meteorological Monthly (in Chinese), 34 (6): 67-73. |