CN114021858B - 一种输电线路的精细化风速预测方法 - Google Patents

Abstract

本发明公开了一种输电线路的精细化风速预测方法，包括如下步骤：利用CALMET模块对现有天气预报***的预报数据进行风速降尺度计算，获取1km水平分辨率的精细化风场预报资料；获取输电线路的电力杆塔点温度、气压、湿度和风速的监测数据；将CALMET动力降尺度所得的1km水平分辨率的风速预报资料与输电线路的监测数据进行数据融合，建立基于偏最小二乘回归方法的风速订正预报模型，分析不同预报订正方法近地面风速与观测风速的差异，进行多元数据融合的风速预测；对风速订正预报模型及风速预测进行不同样本数量和数值预报融合方案的检验，凝练出针对不同电网台风灾情的优化方案，提供精细网格化的近地面风速订正预报场。

Description

一种输电线路的精细化风速预测方法

技术领域

本发明涉及气象预报技术领域，具体涉及一种输电线路的精细化风速预测方法。

背景技术

浙江地处东南沿海地区，每年夏天的重要天气***台风是对浙江电网造成事故最多、损失最大、范围最广的天气***之一。2006年，台风“桑美”在浙江南部登陆，造成27条输电线路故障、98座铁塔倒塌；2013年10月在浙闽交界登陆的秋季台风“菲特”，对温州地区的输电线路造成了很大的破坏，50多处110kV和220kV线路出现风偏、断线，甚至倒塔的风灾事故；2015年第9号台风“灿鸿”和第13号台风“苏迪罗”也引起温州多处线路出现风偏事故。因此，如何精准、高效的做好风力预报对电力***的正常运行具有长远意义。对于风速的预报，一直是公众天气预报的难题之一。目前，对于风速的预测方法主要以数值天气预报法和统计方法为主。数值天气预报法考虑了较多动力过程，预报时效长，但是其预报精度会随预报时效的增加而降低。现阶段WRF模式受物理参数化方案不完善、地形不够精确、分辨率低等因素的影响，导致其风速预报结果相对观测差异较大。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种预测更加精确且快速可靠的输电线路的精细化风速预测方法。

本发明的目的是通过如下技术方案来完成的，一种输电线路的精细化风速预测方法，包括如下步骤：

1)利用CALMET模块对现有天气预报***的预报数据进行风速降尺度计算，获取1km水平分辨率的精细化风场预报资料；

2)在现有天气预报***基础上，根据准业务预报实际需求，综合利用输电线路在线微气象监测、自动气象站观测及模式预报方面的数据，获取输电线路的电力杆塔点温度、气压、湿度和风速的监测数据；

3)将CALMET动力降尺度所得的1km水平分辨率的风速预报资料与输电线路的监测数据进行数据融合，建立基于偏最小二乘回归方法的风速订正预报模型，对局地站点预报订正方案开展测试对比，分析不同预报订正方法近地面风速与观测风速的差异，进行多元数据融合的风速预测；

4)对风速订正预报模型及风速预测进行不同样本数量和数值预报融合方案的检验，凝练出针对不同电网台风灾情的优化方案，提供精细网格化的近地面风速订正预报场。

进一步地，步骤3)中，建立所述风速订正预报模型包括如下步骤：首先将历史模式预报数据作为自变量，同时刻观测数据作为因变量，建立模型并获取参数；再将建模参数带入需订正的预报时刻，算出风速的“观测值”，即所谓的风速订正值；同时刻建模：每次预报有1～24小时累计24个时次预报值，建模时采用同时次预报值与对应的观测值建模，对于起报时刻为t的预报风速；首先按照上述建模方案选取历史样本，并计算相应的自变量x_i和因变量y，然后用偏最小二乘回归算法得到每个自变量的回归系数β_i，最后利用起报时刻t的自变量X_i，得到在未来时刻t+Δt的风速订正结果Y。

进一步地，步骤3)中，所述风速预测的具体步骤为：

利用多要素短临预报方法进行短临预报，短临预报通过以下方程实现：

H(t_i)＝H(t_i-1)+f_T[H_NWP(t_i)-H_NWP(t_i-1)] (1)

其中，f_T是考虑云量预报偏差影响的系数，由以下方程获取：

f_T＝1+c_NC_ERR (2)

其中C_ERR是云量预报误差，c_N是经验系数，c_N取0.5-0.7之间；对于温度预报，f_T是重要的影响因子，而对于风速预报，云量影响较小，且在风速订正过程已考虑湿度和温度的影响因素，因此不用考虑云量预报偏差所带来的风速误差，即取f_T＝1；

最后，采用“blending”思想，将外推风速预报与数值模式预报相融合，其融合方式为：

H(t)＝wt(t)×H_DZ(t)+(1-wt(t))×H_NWP(t) (3)

其中H_DZ(t)和H_NWP(t)分别为t时刻订正预报和数值预报风速，wt(t)为t时刻权重，取值如下

其中α和β分别是数值预报在t＝0和t＝6的权重，γ代表在融合时段中间部分wt(t)的斜率，根据方程(4)，H(t)前两小时的预报主要是基于外推预报结果，而在预报的后端，数值预报的比重随着时间的增加而增加，另外，为了令wt(t)从t+2到t+4小时的变化较为平滑，γ值被设定为约等于1。

本发明的有益技术效果在于：本发明将以往研究中有效的风速精细化研究技术方法有效结合，合理优化监测资料、预报数据和实际应用之间的时效性差异，以服务电网安全可靠运行、提升电网防灾减灾能力为宗旨，结合电网实际运行情况，面向电网输变电设备提供了专业、快速、可靠、有效的指导意见。

附图说明

图1为本发明所述精细化风速预测方法的流程框图；

图2为偏最小二乘回归建模流程示意图；

图3为风速订正业务的基本框架示意图；

图4为刻建模方案技术路线示意图；

图5为数值预报占融合预报结果的比重示意图。

具体实施方式

为使本领域的普通技术人员更加清楚地理解本发明的目的、技术方案和优点，以下结合附图和实施例对本发明做进一步的阐述。

如图1-5所示，本发明所述的一种输电线路的精细化风速预测方法，包括如下步骤：

1)利用CALMET模块对现有天气预报***的预报数据进行风速降尺度计算，获取1km水平分辨率的精细化风场预报资料。CALMET模块(加利福尼亚天气/光化学模式)主要被用来处理气象资料的高分辨率风场诊断模式，已经在风场的动力降尺度研究中得到了较为广泛的应用。依据90m分辨率的地形数据和CALMET模块，可以将粗网格的风场预报结果降尺度到1km分辨率，以提供更为精细和准确度更高的风场预报和分析产品。

2)在现有天气预报***基础上，根据准业务预报实际需求，综合利用输电线路在线微气象监测、自动气象站观测及模式预报方面的数据，获取输电线路的电力杆塔点温度、气压、湿度和风速的监测数据。

3)将CALMET动力降尺度所得的1km水平分辨率的风速预报资料与输电线路的监测数据进行数据融合，建立基于偏最小二乘回归方法的风速订正预报模型，对局地站点预报订正方案开展测试对比，分析不同预报订正方法近地面风速与观测风速的差异，进行多元数据融合的风速预测；偏最小二乘回归可以较好地解决许多以往用普通多元回归无法解决如自变量之间的多重相关性、样本数问题等，可以实现多种数据分析方法的综合运用。

4)对风速订正预报模型及风速预测进行不同样本数量和数值预报融合方案的检验，凝练出针对不同电网台风灾情的优化方案，提供精细网格化的近地面风速订正预报场。

偏最小二乘回归被誉为第二代统计回归技术,是一种多元统计方法。最先产生于化学领域，1983年由伍德和阿巴诺等人首次提出。因其应用上的便捷性、出色的预测能力以及能实现多种数据分析方法的综合应用，近年来在金融、化学、生物等众多领域得到广泛应用。气象问题研究方面，舒守娟等应用该方法对中国区域降水分布进行估算；宋金杰等提出了基于该方法的热带气旋强度统计预报方法；经过评估检验都得到了不错的预测效果。

该算法理论而言是一种数学优化技术，在统计学上可实现多因变量对多自变量建模，实际应用中能较好的解决许多以往用普通多元回归无法解决的问题,如风速订正中自变量之间的多重相关性问题、历史观测偶有缺失问题等。图2是偏最小二乘回归建模的流程。与常规建模方案不同的是，偏最小二乘回归首先从自变量向量X中提取第一有效成分t₁，它既是自变量的线性组合，又能最大程度的携带中的数据变异，假设因变量向量Y＝B_PLS1t₁+e_Y，经过交叉有效性检验，若方程没有达到满意的精度，则利用X和Y被t₁解释后的残余信息e_X和e_Y进行第2轮成分提取，直到达到满意精度，最终再还原成关于原始变量的回归方程Y＝B_PLSX。

所述步骤3)中，建立所述风速订正预报模型包括如下步骤：首先将历史模式预报数据作为自变量，同时刻观测数据作为因变量，建立模型并获取参数；再将建模参数带入需订正的预报时刻，算出风速的“观测值”，即所谓的风速订正值；同时刻建模：每次预报有1～24小时累计24个时次预报值，建模时采用同时次预报值与对应的观测值建模，对于起报时刻为t的预报风速；首先按照上述建模方案选取历史样本，并计算相应的自变量x_i和因变量y，然后用偏最小二乘回归算法得到每个自变量的回归系数β_i，最后利用起报时刻t的自变量X_i，得到在未来时刻t+Δt的风速订正结果Y。

所述步骤3)中，风速预测的具体步骤为：

利用多要素短临预报方法进行短临预报，短临预报通过以下方程实现：

H(t_i)＝H(t_i-1)+f_T[H_NWP(t_i)-H_NWP(t_i-1)] (1)

其中，f_T是考虑云量预报偏差影响的系数，由以下方程获取：

f_T＝1+c_NC_ERR (2)

其中C_ERR是云量预报误差，c_N是经验系数，c_N取0.5-0.7之间；对于温度预报，f_T是重要的影响因子，而对于风速预报，云量影响较小，且在风速订正过程已考虑湿度和温度的影响因素，因此不用考虑云量预报偏差所带来的风速误差，即取f_T＝1；

最后，采用“blending”思想，将外推风速预报与数值模式预报相融合，其融合方式为：

H(t)＝wt(t)×H_DZ(t)+(1-wt(t))×H_NWP(t) (3)

其中H_DZ(t)和H_NWP(t)分别为t时刻订正预报和数值预报风速，wt(t)为t时刻权重，取值如下

其中α和β分别是数值预报在t＝0和t＝6的权重，γ代表在融合时段中间部分wt(t)的斜率，根据方程(4)，H(t)前两小时的预报主要是基于外推预报结果，而在预报的后端，数值预报的比重随着时间的增加而增加，另外，为了令wt(t)从t+2到t+4小时的变化较为平滑，γ值被设定为约等于1。

实施例：

根据本项目研究内容，拟针对2020年第4号台风“黑格比”应用上述技术路线开展研究。该台风于2020年8月1日在日本吕宋岛以东洋面生成，随后一路向西北方向以东，强度逐渐加强，并于8月4日凌晨3时30分前后以近巅峰强度在浙江省乐清市沿海登陆，登陆时中心附近最大风力达13级，随后纵穿浙江和江苏两省后，强度逐渐减弱为热带风暴后移入黄海海面。受“黑格比”环流小、能量集中、登陆后移速慢等特点影响，该台风造成的直接经济高达104.6亿元。同时，其在浙江境内造成了断线、风偏等电网事故共计34次(将同一个事故点3小时以内事故记录归类为1次)，其中断线、杆塔受损类较为严重的事故6次，是近年来对电力***影响最严重的台风天气过程之一。“黑格比”登陆时处于台风级别，其造成的事故主要位于温州境内，集中分布在台风移动路径的两侧。

由于断线和受损对电网的影响远高于其他事故类型，为此下文将针对以上两类事故开始试验，剩余事故点用作评估。表1为离事故点附近最近的气象站点，其中除了K8507站离事故点距离超过10km以外，其他站点皆小于2km，基本可代表事故点的监测数据。事故发生的时间主要集中在台风登陆前后6小时以内。事故发生时所有站点的极大风速都大于30m/s，超过了输电线路的设计风速。10分钟平均风速、2分钟平均风速和阵风风速时间变化趋势类似。K3266站在台风移动路径附近，可以监测到从02时到04时疑似台风眼经过，风速变化呈现减弱又加强的趋势。经过CALMET降尺度后的预报风速有所下降，但是变化不明显。引入自动站监测后的订正预报风速，整体下降了约3m/s,风速订正效果较为明显。紫色线图为经过融合之后的预报风速，相对PLS订正风速有部分优化。可见整体来看，经过降尺度，订正和融合方案一套流程后的预报风速呈现与监测风速越来越接近的趋势。表2为定量统计结果，初始的WRF预报风速绝对误差为5.54m/s，最后融合方案后预报风速绝对误差下降至2.95m/s。均方根误差和相对误差也有类似的统计结论。

表1选用的自动气象站及距离差异

表2参数化方案前各方案预报误差

上述分析可知PLS方案对风速的订正效果明显，但并未考虑样本数量对于预报结果的影响。以往研究结果显示样本数量对预报结果有显著影响。因此下文拟将样本数量对风速订正效果的影响开始敏感性实验。样本数量对统计误差的影响并非呈线性变化的，当样本数很少只有3至4个时，所有的统计误差都比较大；当样本数逐渐上升到5至6个时，统计误差逐渐减小，这一点在MRE的变化有明显体现，而当样本数进一步增多至7个以上，统计误差的表现开始呈现不稳定趋势，总体误差比样本数只有5至6个时大。表3为样本数量对风速预报效果影响的定量结果，为了体现整体效果，已将6个站点的结果进行了平均。可见当样本数量为5时，3个统计误差都是最小的，即：当使用提前5小时的calmet预报结果对风速预报进行统计订正，所得的风速订正预报相对监测结果误差最小。

表3样本数量对风速订正提升效果的定量结果

将上述风速订正结果应用到其他28个事故点，为了体现预报方案的普适性，将优化后的方案应用到每个事故点周围3km范围内所有有监测数据的站点，发生风偏事故和其他类型事故时预报绝对误差主要集中在2.5至3.5m/s之间，受异物影响的事故点预报绝对误差略高，主要分布在4m/s。经过方案优化后风偏和其他类型事故预报绝对误差整体下降至2.5m/s附近，两个异物事故点预报绝对误差都下降至3.5m/s以下。可见优化后的方案不仅对于断线受损等严重的事故类型有所改进，对风偏等影响较小的事故也有明显的正效果。同时对比风偏等其他事故类型绝对误差箱体图，可以发现，误差异常值也有明显的减少。因此改进的风速预报方案整体对于电网事故点的预报有显著的改善。

本文中所描述的具体实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，但凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (1)

1.一种输电线路的精细化风速预测方法，其特征在于：包括如下步骤：

1)利用CALMET模块对现有天气预报***的预报数据进行风速降尺度计算，获取1km水平分辨率的精细化风场预报资料；

2)在现有天气预报***基础上，根据准业务预报实际需求，综合利用输电线路在线微气象监测、自动气象站观测及模式预报方面的数据，获取输电线路的电力杆塔点温度、气压、湿度和风速的监测数据；

3)将CALMET动力降尺度所得的1km水平分辨率的风速预报资料与输电线路的监测数据进行数据融合，建立基于偏最小二乘回归方法的风速订正预报模型，对局地站点预报订正方案开展测试对比，分析不同预报订正方法近地面风速与观测风速的差异，进行多元数据融合的风速预测；

4)对风速订正预报模型及风速预测进行不同样本数量和数值预报融合方案的检验，凝练出针对不同电网台风灾情的优化方案，提供精细网格化的近地面风速订正预报场；

步骤3)中，建立所述风速订正预报模型包括如下步骤：首先将历史模式预报数据作为自变量，同时刻观测数据作为因变量，建立模型并获取参数；再将建模参数带入需订正的预报时刻，算出风速的“观测值”，即所谓的风速订正值；同时刻建模：每次预报有1～24小时累计24个时次预报值，建模时采用同时次预报值与对应的观测值建模，对于起报时刻为t的预报风速；首先按照上述建模方案选取历史样本，并计算相应的自变量x_i和因变量y，然后用偏最小二乘回归算法得到每个自变量的回归系数β_i，最后利用起报时刻t的自变量X_i，得到在未来时刻t+Δt的风速订正结果Y；

步骤3)中，所述风速预测的具体步骤为：

利用多要素短临预报方法进行短临预报，短临预报通过以下方程实现：

H(t_i)＝H(t_i-1)+f_T[H_NWP(t_i)-H_NWP(t_i-1)] (1)

其中，f_T是考虑云量预报偏差影响的系数，由以下方程获取：

f_T＝1+c_NC_ERR (2)

其中C_ERR是云量预报误差，c_N是经验系数，c_N取0.5-0.7之间；对于温度预报，f_T是重要的影响因子，而对于风速预报，云量影响较小，且在风速订正过程已考虑湿度和温度的影响因素，因此不用考虑云量预报偏差所带来的风速误差，即取f_T＝1；

最后，采用“blending”思想，将外推风速预报与数值模式预报相融合，其融合方式为：

H(t)＝wt(t)×H_DZ(t)+(1-wt(t))×H_NWP(t) (3)

其中H_DZ(t)和H_NWP(t)分别为t时刻订正预报和数值预报风速，wt(t)为t时刻权重，取值如下

其中α和β分别是数值预报在t＝0和t＝6的权重，γ代表在融合时段中间部分wt(t)的斜率，根据方程(4)，H(t)前两小时的预报主要是基于外推预报结果，而在预报的后端，数值预报的比重随着时间的增加而增加，另外，为了令wt(t)从t+2到t+4小时的变化较为平滑，γ值被设定为约等于1。