数值天气预报模式输出卡尔曼滤波的风速和风能预报外文翻译资料

 2022-12-02 19:37:22

英语原文共 13 页，剩余内容已隐藏，支付完成后下载完整资料

数值天气预报模式输出卡尔曼滤波的风速和风能预报

费德里科卡索拉 a,马西马里亚诺布兰多 b *

a 热那亚大学物理学院 via Dodecaneso 33，16146 热那亚 意大利,

b热那亚大学土木，环境和建筑工程系, via Montallegro 1，16145 热那亚 意大利,

要点：

NWP模型无法在复杂的地形上提供可靠的风速预报。

卡尔曼滤波技术被广泛用于改进NWP模型的预测。

卡尔曼滤波器被调整以找到最适合的配置来预测风速。

该过滤器用于预测风电场的风速和风力。

通过卡尔曼滤波进行校正的仿真在测量时显示出非常低的误差。

关键词：风速临近预报 短期风能预测 NWP模式性能 卡尔曼滤波 利古里亚风气候

摘要：

尽管数值天气预报（NWP）在过去几十年取得了重大进展，但由于水平分辨率，物理参数，初始条件和边界条件的不足，气象模型通常无法提供可靠的地表风速预报，尤其是在复杂的地形区域。为了减少这些缺点，最成功的方法之一是卡尔曼滤波技术，它结合了递归观测和模型预测，以最小化相应的偏差。在气象学中，卡尔曼滤波器被广泛用于改进以明确周期性为特征的变量的预测，而风速的演变通常不太规则。在本文中，卡尔曼滤波器进行了分析，以找到风速和风力发电的最佳配置预测。该程序已经以后报方式进行了测试，具有由NWP模型提供的2年长的风速数据集和位于意大利利古里亚东部的两个风速测量站。结果表明，该方法能够对风速模型的直接输出进行有效的预测改进，特别是用于短期预报时，可以通过调整滤波器的时间步长和预测范围。在这个配置中，卡尔曼滤波风速数据已经用于预测瓦雷泽 - 利古雷附近风电场的风能输出。经过2年的测试，模拟值与实测值之间的百分比误差仍然很低，表现出稳定的演变。

1. 全面介绍风能问题

风能是当今最重要的可再生能源全球能源。 它的增长速度非常快，这意味着电气系统能够吸收大量的风力电力并在市场上使用。 但由于自然的随机性，风能不是可控的能源无法按照与传统化石相同的方式安排和计划产量，以及风的累积能量输入发电厂进入电网可能会造成危险的波动在电力系统中。 因此可靠的风力发电预测系统需要几分钟到几周的时间尺度，即为了优化所产生的电力市场要求（单位承诺，经济调度，参与电力市场等），以及相应的不确定性信息优化决策由使用预测而产生的过程。

由Giebel等人给出了风电预报综述[1]。一般来说，短期风功率预测可以通过两种不同的方法获得：纯粹的统计技术，如卡尔曼滤波 [2,3] ，自回归模糊逻辑模型 [4,5] ，人工神经网络等[6-8]，试图找出一些之间的关系解释变量和在线测量功率数据（例如从监控和数据采集系统的风力涡轮机）;物理方法主要使用物理考虑因素如数值天气预报（NWP）模型结果，以获得对当地风速预测的估计。通常情况下，使用NWP预测的预测模型要优于统计预测时间3-6小时，而统计对于非常短期的预测来说，方法是相当可靠的，即少于6小时。最佳模型可能包含在一个混合的方式，这是经常被公用事业公司采用的将高度准确度与极短的视野结合在一起更长的预测长达48-72小时。在本文中，我们重点介绍基于使用NWP模型耦合到一个混合的方法基于卡尔曼滤波技术的统计模型。数值天气预报模型是通用的模型原则上可以用于任何问题涉及风力气象学等大气物理学。然而，它们并不具体用于风能应用，他们可以达到的最大分辨率是两个非静水压力版本，而风能应用程序和微型，特别通常更高的分辨率是必需的。此外，NWP模式也是众所周知的在某些气象预报中表现出系统误差参数，如风速和方向，特别是在沿海和内陆[9,10]，其中主要的错误来源之一只是模型水平分辨率，因为相关的平滑和平均的地形和景观特征导致对当地影响的弱表现气流。增加模型分辨率可能会提供相当大的改善小规模流量特性的表示。

尽管如此，仍然存在一个悬而未决的问题更高分辨率的有限区域模型的使用改善了预测技巧相当。即使这是真的，它仍然是不确定的这样的改进是否补偿了使用增加这些应用所需的计算资源。实际上，对预测误差的进一步贡献通常是由物理参数化的缺点给出。随后由NWP模型无法成功处理子网格尺度现象，以及插值到地区并不接近模型水平。除了这些模型相关的问题之外，NWP模型预测中的不准确也可能是由于在初始和侧面边界条件导致的错误模拟。[11]最后，值得注意的是一个错误由NWP模型预测的风速为实际风速的三倍，当风速转换成风力时，所以使用NWP模型比其他应用程序测量风力更精确。

为了减少上述缺点的影响在NWP模型的最终产出中，已使用各种基于统计学的方法。他们大部分是从模型输出统计（MOS）派生的，这能够解释当地的影响和季节性变化。 MOS使用多元线性回归在特定地点产生改进的预测通过使用模型预测变量和之前的观察结果预测因子。 [12-13]MOS仍然是一个有用的工具，在2002年冬奥会过程中，基于MM5的MOS大众由MM5产生的原生预测与奥运预测小组的人为预测相比，同样或更有技巧。[14] 但是，在MOS模式的短期天气变化或大气演变中发现了差异。[15-17]

解决这个问题最成功的方法之一就是使用卡尔曼滤波。它们由一组数学方程和一组有效的计算最小二乘法的解。事实上，卡尔曼滤波是动态统计最优的顺序估计程序系统。选取前一时刻的递归结果来预测使用权尊重重最小化对应的差别。这个统计方法的主要优点是MOS很容易适应任何观测的变化以及它可以利用短系列背景的事实信息。递归性质是卡尔曼滤波的一个非常重要的特点，做出实际的实施比例如维纳的实施更可行，它被设计为直接操作所有的数据为每个估计。相反，卡尔曼滤波通过递归调节并隐含了当前对所有过去测量结果的估计。

就气象应用而言，卡尔曼滤波在数据同化和改进中得到了广泛的应用。[2,17,19-27]在天气预报尤其是应用程序卡尔曼滤波已被证明对温度和风速两者预测都有令人鼓舞的结果，可以大幅度降低系统性错误。[17,23-25] 一些希望使用到风力发电预测技术具体的尝试同样也正在进行。[24-28]本文介绍了利用卡尔曼滤波器在瓦雷泽利古雷（意大利北部）风电场场地对NWP模型的风速和风力发电的低分辨率数值预测进行局部调整。

这个过程的目的是测试一个NWP模型预测的风速，并通过卡尔曼滤波以△Vi进行订正在i= 1的坐标系（xi，yi）（i=1，hellip;hellip;I）可以用来预测其他坐标为{（xj，yj），其中j =I 1hellip;hellip;J的点的风速。特别地，在测量可用的地点（xi，yi）插值订正的 以便估计相应的修正值 ，在风速为= 时，需要考虑能量输出。现有的模式是基于NWP模型BOLAM的模拟，两个风速测量在Casoni di Suvero和Lago di Giacopiane坐标（xi，yi）风速和能源生产数据，离位于Varese Ligure不远的风电场的风速和能源生产数据已被用于测试整个程序的性能。 值得注意的是，这个过程可以用于能源生产的风电场的短期预测和评估风力资源没有直接测量的地方，但是风速测量站点附近有站点。

为了找到性能最好的滤波器配置，要对卡尔曼滤波技术也进行了一些测试：根据更新过程中采用的标准，在不同的预测层次上应用滤波，除了经典的线性算法，如Galanis等人提出的在滤波器中实现非线性多项式函数，已经被考虑过了。[23]将卡尔曼调整后的风速与Casoni di Suvero和Lago di Giacopiane的两个风速测量桅杆的观测值进行统计比较，以测试不同配置的性能。

现有的数值模拟和风速测量以及Varese Ligure的风力发电场在第2节中进行了描述。简要介绍了卡尔曼滤波器以及本工作中采用的具体方法在第3节中，分别介绍了关于卡尔曼滤波器优化风速预测的结果和卡尔曼滤波在风电预测中的应用。 最后，在第6节中得出结论。

  1. 数值模拟，风速和能源生产数据集

在本研究中，已经使用了三种不同的数据：通过NWP模型模拟的风速数据; 在两个风速测量桅杆（Casoni di Suvero和Lago di Giacopiane）测量的风速数据，用于通过卡尔曼滤波校正以前的模拟; （Varese Ligure）的风速和能源生产数据，用于测试卡尔曼滤波修正，并检查修正的质量是否足够满足风能目的。 在下面的小节中，将简要描述上述三种数据。

2.1 NWP的模型BOLAM

所提出的方法已经被应用于当地改善由意大利博洛尼亚国家研究委员会（CNR）大气与气候科学研究所（ISR）开发的BOLAM模型提供的风速预报。 这是一个有限差分，原始方程，静水压力，有限区域的NWP模型，并在利古里亚地区的气象水文中心（CFMI-PC）和意大利热那亚大学物理系（DIFI）的海洋和大气物理学小组进行操作性使用，[29-30]这要归功于这两者之间的特殊协议 三个机构。 它也用于雅典国家天文台（希腊）和撒丁岛地区（意大利）的农业气象部门。[31]

BOLAM是Sigma;坐标系下的网格点静力模型，在垂直方向上具有可变间距，从而在地表附近提供更高的分辨率，并且在对流层顶附近提供更小的分辨率。静力和节能的二阶对流方案的水平离散是在ArakawaC网格上进行的。预测变量是：纬向（u）和经向（v）风分量，位温（h），比湿（q）和表面压力（ps）。物理包裹包括垂直扩散，干绝热调整，土壤水和能量平衡，辐射，大规模降水和蒸发以及湿对流的参数化。具体而言，就边界层的参数化而言，局限于对流层下部的垂直扩散是动量，潜在温度和比湿度的湍流混合的参数化。该方案基于混合长度假设，交换系数取决于理查森数。上述量的底部边界通量是最低西格玛水平的风速的线性函数在最低Sigma;水平和地面之间的层中的数量的垂直梯度。比例常数取决于地面以上的这个层的Richardson数和表面粗糙度。

BOLAM模型已经开始投入使用，其在考虑地形条件下预测降水率和地形影响下发展的极端事件。该模型同样也在一个研究框架中对四种不同的中尺度气象资料进行降水预报模型的比对测试。而且，这一模型在雅典国家天文台集成配置中被使用。[29,31-35]

自2003年6月以来，DIFI每天都有不同空间水平分辨率的BOLAM版本。 对于目前的研究，该模型的最高分辨率版本（BOLAM 7）已被使用，[36]集中在意大利北部，水平网格间距约7公里。[37] 初始和边界条件由模型的较粗版本（BOLAM 21）提供，覆盖北欧和中欧以及非洲北部海岸，空间分辨率为21 km。 图1显示了左图中BOLAM 7的计算域。预报每3小时归档一次，运行长度为42小时，每天从06 UTC开始。 NCEP全球模型GFS网格化水平分辨率为1°*1°的BOLAM 21模拟。

2.2 Casoni di Suvero和Lago di Giacopiane的风速数据集

观测数据库包括来自属于由环境保护局（ARPAL）管理的利古里亚地区气象水文观测站（OMIRL）的两个风速测量站在10 m AGL的风速记录。测量结果平均超过10分钟，采样率也是10分钟。本研究中使用的每个数据集为2年，即从2007年1月1日至2008年12月31日。

在表1第2至4列中，报告了每个考虑地点的地理坐标和海拔高度，而在图1（右图）中，提出了一个突出显示两个地点（圆圈）位置的利古里亚领土图像。这两个站位于相当高的海拔，在典型的内陆环境中。在图2中，每个站点的风玫瑰分为7个速度等级和16个扇区22.5？呈现每个振幅。值得注意的是，尽管利古里亚领土的情况复杂，但这两个电台位于非常相似的庇护区和通道效应，正如所观察到的风速和方向统计分布的形状所指出的那样。然而，Casoni di Suvero的风速高于Lago di Giacopiane，如表1第5栏所示，该报告列出了所考虑的2年期间的平均风速值。这可能是由于Casoni di Suvero站位于亚平宁山脉的主脊之上，而Lago di Giacopiane站位于山谷的最高部分，加速效应不太重要。

2.3 Varese Ligure风力发电场生产的风速和能源的数据集

自2000年以来，在Passo della Cappelletta地区（图2中的方形符号），靠近Varese Ligure，高度稍低于1100米的ASL，风电场一直在生产可再生能源。 风电场由四台风力涡轮机组成，总额定功率为3.2兆瓦，即2000年安装两台NEG MICON 750/48，2005年安装两台Vestas V52。所有涡轮机的轮毂高度均为50 m AGL。本研究中使用的数据库包括2007年1月1日至2008年12月31日期间两台NEG MICON 750/48风机的日平均风速和能源生产数据。两台风机的坐标和表1中报告了安装在机舱上的风速计在轮毂高度测得的平均风速。

表1研究地点的地理坐标和海拔高度，平均风速

图1 Casoni di Suvero和Lago di Giacopiane的雷达图像

图2：Casoni di Suvero和Lago di Giacopiane的风玫瑰图

3.卡尔曼滤波器的概述

1960年，卡尔曼发表了他着名的论文，描述了离散数据线性滤波问题的递归解决方案[38]。自那时以来，由于数字计算技术的进步，卡尔曼滤波器一直是广泛研究和应用的主题，特别是在自主或辅助导航领域[18,39-43]。卡尔曼滤波器是一种算法，它以最小化平方误差均值的方式提供有效的计算（递归）均值来估计过程的状态。这个过滤器在很多方面都

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[21721]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章