[发明专利]一种提高风速预报精度的方法

说明书

技术领域

本发明涉及天气预报技术领域，特别涉及一种提高风速预报精度的方法。

背景技术

风功率预测准确的关键因素在于风速预报的准确性。目前，风功率预测的方法主要是由数值气象预报输出气象要素，包含风速、风向、温度、压力、湿度，通过统计模型对数值气象的结果进行订正，从而输出预报功率。这种方法主要依赖于统计模型的修正，并未对数值气象预报结果从根本上进行数据挖掘。

数值气象预报一般采用天气预报模式（WRF，Weather Research and Forecasting Mode），对结果影响较大的参数化方案主要有微物理过程、辐射过程、近地面层方案、陆面过程方案、边界层方案、积云参数化方案。

现有技术主要采用两种方法配置物理参数化方案：第一种是配置一套经验参数化方案。这种方法常适用于业务化预报方案，如每日天气预报。但上述方案不适用于各类天气系统，容易出现某日误差较大的情况；

第二种是对个例研究，例如已公开文献《不同云微物理参数化方案对舟曲/8.80暴雨过程模拟的影响》。但上述对个例的研究不能用于业务系统长期预报。

发明内容

本发明提供一种提高风速预报精度的方法，通过选取特征月份，配置适合不同特征月份的最优物理参数化方案，并对所输出的风速进行修正，以提高风速预报精度。

本发明所提供的提高风速预报精度的方法包括步骤：

A、依据风向、风能确定特征月份；

B、依据各特征月份的历史气象数据，结合对特征月份进行WRF模式计算，确定WRF模式的主程序参数方案；

C、依据所确定的主程序参数方案计算出预测风速，结合BP神经网络进行修正，以得出风速预报。

由上，通过选取特征月份，配置适合不同特征月份的最优物理参数化方案，并对所输出的风速进行修正，以提高风速预报精度。

可选的，所述步骤B中包括：

B1：运行WRF模式前处理阶段，建立预报区域的三维嵌套模型；

B2：分别采用主程序参数方案中所包含的参数变量对各特征月的历史气象数据进行日模拟计算，得出WRF模式预报的风速值；

B3：依据计算得出风速值的误差大小，确定一定数量的备选参数方案。

由上，通过将所有参数进行WRF模式运算，以得出各参数方案的预测结果。

可选的，所述步骤B3中包括：

B31：对步骤B2所计算出的风速值进行误差计算；

B32：对误差进行由小到大排序，以确定备选参数方案。

由上，通过误差分析确定误差最小的参数方案。

可选的，所述步骤B31中，采用均方根误差算法，式中：V’t为WRF模式中结合各参数方案所预报的的风速值、Vt为对应时间的实测风速值、N为每日预报风速的个数。

可选的，所述步骤B32中，对特征月份风速值误差的日平均值进行排序，平均值为式中i代表参数方案的序数。

由上，对各种参数化方案所计算出的特征月份中每天的风速结果进行测量值与真值的偏差分析评价，准确，参考价值高。

可选的，所述步骤B32之后还包括步骤：依据步骤B32中备选参数方案所计算出的特征月的风速日变化图，与该特征月的实测风速日变化图进行比较，剔除与实测风速日变化图变化趋势相悖的参数方案。

由上，对所得的误差最小的参数方案进行验证，并排除与实际不符的参数方案，以进一步提高预报精度。

可选的，所述步骤A中包括：

A1：将主导风向一致的月份进行归类，确定预报区域的大风月、小风月和过渡月；

A2：确定大风月、小风月和过渡月中的特征月份。

由上，通过确定特征月份，减小WRF模式的计算数量，在提高风速预报精度的前提下，同时提高效率。

可选的，所述步骤A2中计算大风月、小风月和过度月中各月风速的标准差值，采用公式进行计算，式中，Vi代表当月每间隔一定时间所检测的风速、代表所检测风速的平均值、n代表本月所检测风速的个数，将大小风月类型中标准差最大的月份作为典型月。

可选的，所述步骤C中包括步骤：

C1：依据步骤B所确定的WRF模式主程序参数方案，选择大风月、小风月和过度月至少累计6个月的历史预报数据进行WRF模式计算，分别得出日风速值；

C2：将所述日风速值作为输入层，并将与其对应时间的实际日风速值作为输出值，对BP神经网络的隐含层进行训练；