[发明专利]一种基于多尺度特征的预报风速订正方法和系统

说明书

本发明提供了一种基于多尺度特征的预报风速订正方法和系统，包括：基于风速变化的物理过程将预报风速序列分解为多尺度特征；从历史观测资料中选取与所述预报风速序列相似的观测数据；基于相似的观测数据分别对所述预报风速序列中各尺度特征进行订正，然后合成得到订正后的预报风速。本发明提供的技术方案提取多尺度特征，突破目标统计订正中无物理机理、订正效果有限的瓶颈，消除了天气尺度误差，进一步提高风速预报的准确率。

技术领域

本发明涉及风速预报领域，具体涉及一种基于多尺度特征的预报风速订正方法和系统。

背景技术

精准的预报风速不仅是支撑新能源发电功率预测的重要数据，更是避免风偏、舞动等电网故障，保障大电网安全稳定运行的基础数据。目前，受数值预报准确率的限制，不能完全满足电网运行业务需求，尤其是在极端天气事件背景下，天气尺度及次天气尺度扰动更为剧烈，风速预报偏差更大。

基于数值模式开展风速预报及应用，存在不可避免的系统误差和随机误差。在提升数值模式精细化的基础上，通常采用模式输出统计、卡尔曼滤波以及变分修正等模式后处理订正技术，提升风速预报的准确度。然而，上述方法仅从统计学角度出发，而没有考虑风速变化的物理机理及其多尺度特征。

基于数值天气预报模式，开展近地面层风速的时间序列预报，是风电场发电功率预测的基础。然而，由于数值模式物理过程方案、垂直分辨率以及对复杂地形的过渡平滑等原因，导致近地层的风速预报具有较大误差。对数值模式预报的风速序列采用各种统计或动力订正校准，是提高预报准确率的有效手段。

常见的预报误差校准方法有模式输出统计（MOS）方法、人工神经网络、支持向量机、非线性回归、最小偏二乘估计、Kalman滤波等。最具代表性的是MOS方法和Kalman滤波。MOS方法需要积累数年的数据作为训练样本，可以订正局地效应和季节变化，但对短期变化的天气过程校准效果不好。Kalman滤波是一种动态系统的自适应回归最优化顺序估计过程，与MOS方法相比，其优势在于仅需要较少的训练样本和很短的训练期，能够快速适应天气过程、季节变化以及模式的升级，较好的订正模式的偏差。但由于Kalman滤波的顺序性，不能预测由剧烈天气过程转变引起的预报误差的快速变化，而边界层风场随时间的变化尤其剧烈，更不能预测极端的误差事件。总体而言，现有方法在边界层风场高时空分辨率精细预报校准中的表现均不理想。

模式输出统计（MOS）方法的是从数值预报模式的结果中选取预报因子向量x_t,求出预报量y_t的同时或近似得到预报关系式 ,在实际应用时,就把数值预报输出的结果代入相应的预报关系中。MOS建立在多元线性回归技术基础上,研究预报量Y与多个因子之间的定量统计关系:

式中，Y为预报对象，B为回归系数，X为预报因子，E为预报误差。

MOS方法需要积累长达数年的数值天气预报模式数据，作为训练样本，并且需要采用统计检验的方法，确认预报对象与预报因子之间有显著的回归关系，要使用求解求逆紧凑算法，对因子逐步剔除和引进，需要很长的训练订正时间，虽可以订正局地效应和季节变化，但由于没有物理过程及发展机理的支撑，对短期变化的天气过程校准效果不好。

发明内容

一种基于多尺度特征的预报风速订正方法，包括：

基于风速变化的物理过程将预报风速序列分解为多尺度特征；

从历史观测资料中选取与所述预报风速序列相似的观测数据；

基于相似的观测数据分别对所述预报风速序列中各尺度特征进行订正，然后合成得到订正后的预报风速。

优选的，所述多尺度特征包括：气候尺度特征、天气尺度特征和次天气尺度特征。

优选的，所述基于风速变化的物理过程将预报风速序列分解为多尺度特征，包括：