基于WRF模式的广东海上风资源评估
《2024年中尺度WRF模式在风电功率预测中的应用研究》范文
《中尺度WRF模式在风电功率预测中的应用研究》篇一一、引言随着可再生能源的快速发展，风能作为清洁、可再生的能源，其开发和利用日益受到重视。
然而，风能的间歇性和不稳定性给风电功率的准确预测带来了挑战。
为了更好地利用风能资源，提高风电功率预测的准确性，本文研究了中尺度WRF（Weather Research and Forecasting）模式在风电功率预测中的应用。
二、WRF模式简介WRF模式是一种中尺度气象数值预报模式，具有较高的空间分辨率和时间分辨率，能够提供详细的气象要素预报信息。
该模式广泛应用于气象预报、气候模拟、空气质量预测等领域。
在风电功率预测中，WRF模式可以提供精确的风速、风向、温度等气象数据，为风电功率预测提供重要的参考依据。
三、WRF模式在风电功率预测中的应用1. 数据获取与处理首先，收集历史风电功率数据和WRF模式输出的气象数据。
对数据进行预处理，包括数据清洗、格式转换、缺失值填充等。
同时，建立风电场的气象数据与风电功率之间的关联模型，为后续的预测提供基础。
2. WRF模式输出气象数据的处理WRF模式输出的气象数据包括风速、风向、温度、气压等。
这些数据需要经过进一步的处理，如空间插值、时间匹配等，以适应风电功率预测的需求。
同时，结合风电场的地形、地貌等特征，对气象数据进行修正和优化。
3. 风电功率预测模型的构建基于历史风电功率数据和WRF模式输出的气象数据，构建风电功率预测模型。
常用的模型包括线性回归模型、神经网络模型、支持向量机模型等。
通过训练和优化模型参数，提高预测的准确性。
4. 预测结果的评估与验证使用历史数据进行模型训练，并对预测结果进行评估和验证。
常用的评估指标包括均方根误差（RMSE）、平均绝对误差（MAE）等。
通过对比实际风电功率数据和预测结果，评估模型的性能和准确性。
四、实验结果与分析本文以某风电场为例，进行了WRF模式在风电功率预测中的应用研究。
实验结果表明，WRF模式输出的气象数据能够有效地反映风电场的实际运行情况。
《2024年中尺度WRF模式在风电功率预测中的应用研究》范文
《中尺度WRF模式在风电功率预测中的应用研究》篇一一、引言随着风能资源日益受到重视，风电功率预测成为了提高风能利用率、确保电网稳定运行的关键技术之一。
而中尺度气象模式，如WRF（Weather Research and Forecasting）模式，在气象预报领域具有广泛的应用，其高分辨率的模拟能力为风电功率预测提供了有力的支持。
本文旨在探讨中尺度WRF模式在风电功率预测中的应用研究。
二、WRF模式简介WRF模式是一种先进的中尺度气象模式，可模拟各种天气现象和气候状况。
其具有较高的时空分辨率，可针对不同地区、不同尺度的气象变化进行精细化的模拟和预测。
此外，WRF模式具有开源、灵活、可定制等特点，使其在气象领域得到了广泛的应用。
三、WRF模式在风电功率预测中的应用1. 数据获取与处理在风电功率预测中，首先需要获取风电场所在地区的气象数据。
这些数据包括历史气象数据、实时气象数据以及未来气象预报数据。
通过WRF模式，可以模拟出未来一段时间内的气象变化情况，为风电功率预测提供基础数据支持。
同时，还需要对数据进行预处理，如缺失值填充、异常值处理等，以保证数据的准确性和可靠性。
2. 模型建立与训练基于WRF模式模拟的气象数据，可以建立风电功率预测模型。
常见的模型包括线性回归模型、神经网络模型等。
通过训练模型，可以使其具备根据气象数据预测风电功率的能力。
在训练过程中，需要使用历史风电功率数据和对应的气象数据进行训练，以优化模型的参数和性能。
3. 预测结果分析与应用通过模型预测出的风电功率结果，可以与实际风电功率进行对比分析。
通过对预测结果的评估，可以了解模型的性能和预测准确度。
同时，还可以根据预测结果进行风电调度和优化，以提高风电的利用率和降低运行成本。
此外，预测结果还可以为风电场的规划和建设提供参考依据。
四、研究现状与展望目前，中尺度WRF模式在风电功率预测中的应用已经得到了广泛的研究和探索。
许多学者和研究者通过不同的方法和手段，对WRF模式在风电功率预测中的应用进行了深入的研究和探讨。
《2024年中尺度WRF模式在风电功率预测中的应用研究》范文
《中尺度WRF模式在风电功率预测中的应用研究》篇一摘要：随着风力发电的快速发展，风电功率预测对于电网的稳定运行至关重要。
本文研究了中尺度WRF（Weather Research and Forecasting）模式在风电功率预测中的应用，通过详细分析WRF模式的数值模拟技术、数据同化方法以及其在风电功率预测中的具体应用，探讨了该模式在提高风电功率预测精度方面的潜力和挑战。
一、引言风能作为一种清洁的可再生能源，在全球能源结构中扮演着越来越重要的角色。
然而，风力资源的间歇性和不稳定性给风电功率的准确预测带来了挑战。
因此，利用先进的数值天气预报模型，如WRF模式，对风电功率进行精确预测成为了一个重要的研究方向。
二、WRF模式概述WRF模式是一种中尺度气象数值预报模式，具有较高的空间和时间分辨率。
它能够提供详细的天气信息，包括风速、风向、气压、温度等，为风电功率预测提供了重要的气象数据支持。
WRF模式通过数值模拟技术，结合数据同化方法，可以实现对未来一段时间内气象条件的准确预测。
三、WRF模式的数值模拟技术WRF模式的数值模拟技术主要包括气象动力框架、物理过程参数化方案、数值解法等。
其中，气象动力框架是WRF模式的核心部分，它通过求解大气运动的基本方程组，得到未来一段时间内的气象场变化。
物理过程参数化方案则是对大气中的物理过程进行参数化处理，以便更好地描述大气运动。
数值解法则是对气象方程组进行求解的方法，包括有限差分法、有限元法等。
四、数据同化方法在WRF模式中的应用数据同化是将观测数据与模型预测结果进行融合的过程。
在WRF模式中，数据同化方法可以有效地提高气象预测的准确性。
常用的数据同化方法包括最优插值法、卡尔曼滤波法等。
这些方法可以将观测数据与模型预测结果进行加权平均，得到更为准确的气象预测结果。
五、WRF模式在风电功率预测中的应用WRF模式在风电功率预测中的应用主要包括两个方面：一是提供准确的气象数据支持，二是通过数值模拟技术对未来一段时间内的风速、风向等进行预测。
广东某海上风电场波浪能资源分析
２ ０ １ ６年 第 ３卷 第 ４期
２ ０ １ ６ Ｖｏ １ ． ３ Ｎｏ ． ４
南 方 能 源 建 设
Ｓ ＯＵＴ ＨＥＲＮ ＥＮＥＲＧＹ ＣＯＮＳ ＴＲＵＣＴＩ ＯＮ
勘 测 设 计
Ｓ ｕ ｒ ｖ ｅ ｙ ＆ Ｄｅ ｓ ｉ ｇ ｎ
ＤＯ Ｉ ： １ ０ ． １ ６ ５ １ ６ ／ ｊ ． ｇ ｅ ｄ ｉ ． ｉ ｓ ｓ ｎ ２ ０ ９ ５ — ８ ６ ７ ６ ． ２ ０ １ ６ ． ０ ４ ． ０ ２ ４
基于wrf模式的不同地形条件下风速模拟研究
２０１９年第１１期２０１９Ｎｕｍｂｅｒ１１水电与新能源ＨＹＤＲＯＰＯＷＥＲＡＮＤＮＥＷＥＮＥＲＧＹ第３３卷Ｖｏｌ.３３ＤＯＩ:１０.１３６２２/ｊ.ｃｎｋｉ.ｃｎ４２－１８００/ｔｖ.１６７１－３３５４.２０１９.１１.０１３收稿日期:２０１９－０８－０６作者简介:李晓明ꎬ男ꎬ工程师ꎬ主要从事风资源评估方面的工作ꎮ基于ＷＲＦ模式的不同地形条件下风速模拟研究李晓明１ꎬ尚雄斌１ꎬ陈㊀玲１ꎬ刘㊀霄２ꎬ张㊀杰１ꎬ宁文瑶１(１.中国电力工程顾问集团中南电力设计院有限公司ꎬ湖北武汉㊀４３００７１ꎻ２.武汉大学水资源与水电工程科学国家重点实验室ꎬ湖北武汉㊀４３００７２)摘要:以广东省两个风电场为例ꎬ通过研究ＷＲＦ模式在平原和山地地形下的网格划分及嵌套方案ꎬ分别建立适用于不同地形的风速模拟模型ꎬ对两风电场进行一个完整年的风速模拟分析结果表明ꎬ基于ＷＲＦ模式的风速模拟模型在不同地形条件下均具有较高的精度ꎬ且平原的模拟效果优于山地ꎮ关键词:ＷＲＦ模式ꎻ地形ꎻ网格方案ꎻ风速模拟中图分类号:ＴＭ６１４㊀㊀㊀文献标志码:Ａ㊀㊀㊀文章编号:１６７１－３３５４(２０１９)１１－００６０－０５ＷｉｎｄＳｐｅｅｄＳｉｍｕｌａｔｉｏｎｕｎｄｅｒＤｉｆｆｅｒｅｎｔＴｅｒｒａｉｎＣｏｎｄｉｔｉｏｎｓｂａｓｅｄｏｎＷＲＦＭｏｄｅｌＬＩＸｉａｏｍｉｎｇ１ꎬＳＨＡＮＧＸｉｏｎｇｂｉｎ１ꎬＣＨＥＮＬｉｎｇ１ꎬＬＩＵＸｉａｏ２ꎬＺＨＡＮＧＪｉｅ１ꎬＮＩＮＧＷｅｎｙａｏ１(１.ＣｅｎｔｒａｌＳｏｕｔｈｅｒｎＣｈｉｎａＥｌｅｃｔｒｉｃＰｏｗｅｒＤｅｓｉｇｎＩｎｓｔｉｔｕｔｅꎬＣｈｉｎａＰｏｗｅｒＥｎｇｉｎｅｅｒｉｎｇＣｏｎｓｕｌｔｉｎｇＧｒｏｕｐＣｏｒｐｏｒａｔｉｏｎꎬＷｕｈａｎ４３００７１ꎬＣｈｉｎａꎻ２.ＳｔａｔｅＫｅｙＬａｂｏｒａｔｏｒｙｏｆＷａｔｅｒＲｅｓｏｕｒｃｅｓａｎｄＨｙｄｒｏｐｏｗｅｒＥｎｇｉｎｅｅｒｉｎｇＳｃｉｅｎｃｅꎬＷｕｈａｎＵｎｉｖｅｒｓｉｔｙꎬＷｕｈａｎ４３００７２ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:ＷｉｎｄｓｐｅｅｄｓｉｍｕｌａｔｉｏｎｏｆａｗｈｏｌｅｙｅａｒｉｓｃａｒｒｉｅｄｏｕｔｆｏｒｔｗｏｗｉｎｄｆａｒｍｓｉｎＧｕａｎｇｄｏｎｇＰｒｏｖｉｎｃｅｂａｓｅｄｏｎＷＲＦｍｏｄｅｌ.ＴｈｅｇｒｉｄｄｉｖｉｓｉｏｎａｎｄｎｅｓｔｉｎｇｓｃｈｅｍｅｓｏｆｔｈｅＷＲＦｍｏｄｅｌａｒｅｉｎｖｅｓｔｉｇａｔｅｄｆｉｒｓｔｌｙ.Ｔｈｅｎꎬｗｉｎｄｓｐｅｅｄｓｉｍｕ￣ｌａｔｉｏｎｍｏｄｅｌｓｆｏｒｄｉｆｆｅｒｅｎｔｔｅｒｒａｉｎｓａｒｅｔｈｅｎｅｓｔａｂｌｉｓｈｅｄ.ＳｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｓｐｅｅｄｓｉｍｕｌａｔｉｏｎｍｏｄｅｌｓｂａｓｅｄｏｎＷＲＦｍｏｄｅｌａｒｅａｌｌｏｆｈｉｇｈａｃｃｕｒａｃｙｆｏｒｄｉｆｆｅｒｅｎｔｔｅｒｒａｉｎｃｏｎｄｉｔｉｏｎｓ.Ｗｈｉｌｅｔｈｅｓｉｍｕｌａｔｉｏｎｏｆｐｌａｉｎｔｅｒｒａｉｎｉｓｏｆｂｅｔｔｅｒｐｅｒｆｏｒｍａｎｃｅｔｈａｎｔｈａｔｏｆｍｏｕｎｔａｉｎｏｕｓａｒｅａ.Ｋｅｙｗｏｒｄｓ:ＷＲＦｍｏｄｅｌꎻｔｅｒｒａｉｎꎻｇｒｉｄｓｃｈｅｍｅｓꎻｗｉｎｄｓｐｅｅｄｓｉｍｕｌａｔｉｏｎ㊀㊀中尺度ＷＲＦ模式是由美国国家大气研究中心(ＮＣＡＲ)㊁国家环境预报中心(ＮＣＥＰ)等数家单位联合参与开发的新一代中尺度气象数值模式ꎬ重点针对数公里至数十公里尺度的天气系统进行数值模拟ꎬ具有开源㊁可移植㊁高效率等特性ꎮＷＲＦ模式为完全可压缩非静力模式ꎬ水平方向采用可嵌套的ＡｒａｋａｗａＣ网格ꎬ垂直方向采用地形追随质量σ坐标ꎬ时间积分方案采用二阶或三阶Ｒｕｎｇｅ－Ｋｕｔｔａ算法ꎬ主导方程组由反映大气运动的热力学和流体动力学方程组组成ꎬ计算时通过尺度简化法对主导方程组进行近似求解ꎮＷＲＦ模式垂直坐标采用地形追随质量σ坐标ꎬ可以表示为η＝(ｐｄｈ－ｐｄｈｔ)/ｕｄ式中:ｕｄ为柱内干燥大气的质量ꎻｐｄｈ为该处干燥大气静压ꎻｐｄｈｔ为顶层干燥大气静压ꎮＷＲＦ模式主导方程多数情况下被称为欧拉方程ꎬ在直角坐标下ꎬ由以下公式组成:ƏｔＵ＋(∇∗Ｖｕ)＋ｕｄαƏｘｐ＋(α/αｄ)ƏηｐƏｘϕ＝ＦＵƏｔＶ＋(∇∗Ｖｖ)＋ｕｄαƏｙｐ＋(α/αｄ)ƏηｐƏｙϕ＝ＦＶƏｔＷ＋(∇∗Ｖｗ)－ｇ[(α/αｄ)Əηｐ－ｕｄ]＝ＦＷƏｔΘ＋(∇∗Ｖθ)＝ＦΘƏｔｕｄ＋(∇∗Ｖ)＝０Əｔϕ＋ｕｄ－１[(Ｖ∗∇ϕ)－ｇＷ]＝０ƏｔＱｍ＋(∇∗Ｖｑｍ)＝ＦＱｍ式中:Ｖ＝ｕｄ∗ｖꎻΘ＝ｕｄ∗θꎻαｄ为干燥空气密度的倒数ꎻα为空气密度的倒数ꎻＵ㊁Ｖ㊁Ｗ分别为东西㊁南北㊁垂直方向上的速度ꎮ受地理环境和气候条件的影响ꎬ风能资源的分布０６李晓明ꎬ等:基于ＷＲＦ模式的不同地形条件下风速模拟研究２０１９年１１月具有很强的地域性ꎮ零散的可利用风能资源分布点众多且覆盖面积小ꎮ摸清当地风能资源情况ꎬ在此基础上ꎬ制定风电发展和电网配套建设规划ꎬ可以实现风能资源的有序开发利用ꎬ保证风能开发的经济效益ꎬ避免由于风电场选址失误所带来的生产损失ꎮ而评估风能资源的前提就是得到准确的风速分布ꎮ盛春岩等研究去掉某一部分地形对ＷＲＦ模式风速模拟的影响ꎬ发现渤海北部地形对东北大风有重要影响ꎬ辽宁东部地形对黄海北部海面风速有阻挡作用ꎻ曾莉萍等认为网格精度会影响ＷＲＦ模式对区域中小尺度气候的模拟能力ꎬ且提高网格分辨率可以优化各气象要素的模拟精度ꎻ黄海波等采用不同水平分辨率对新疆 ５.２５ 暴雨过程进行模拟ꎬ结果表明ＷＲＦ模式的模拟效果并不总是随着网格分辨率的提高而提高ꎬ且模式分辨率的提高存在明显的阈值ꎮ当模式的水平分辨率提高到超过这一阈值以后ꎬ模拟效果开始转差ꎮ本文研究ＷＲＦ模式在不同地形条件下的最优网格划分ꎬ搭建分别适用于平原和山地的风速模拟模型ꎮ并以平原和山地两风电场为例ꎬ验证模型的模拟效果优劣ꎬ为ＷＲＦ模式在不同地形条件下的风速模拟和资源评估提供参考ꎮ１㊀风电场介绍和模型建立１.１㊀不同地形条件下的例证风电场广东省风能资源丰富ꎮ平原和山地地形条件下的例证风电场分别选取位于雷州半岛徐闻县的华海风电场及位于惠州市惠东县的卡子岽风电场ꎬ采用场内某测风塔的实测风速来检验ＷＲＦ模式模型的应用效果ꎮ华海风电场(１１０.１４ʎＥ㊁２０.５３ʎＮ)周围地形总体起伏平缓ꎬ地面高程在１００~２００ｍ之间ꎬ地貌类型单一ꎬ测风塔处海拔高度约为２００ｍꎻ卡子岽风电场(１１５.１５ʎＥ㊁２３.０１ʎＮ)周围地形较为复杂ꎬ主要为山丘地形ꎬ山顶高程在８５０~１３３７ｍ之间ꎬ测风塔处海拔高度为９５３ｍꎬ在测风塔东北㊁西北及正南方分别有一个山丘ꎬ海拔为１１９５㊁９６０㊁９８９ｍꎬ东南方地势较低ꎬ西南方有一峡谷ꎮ１.２㊀模式资料和方案设计ＷＲＦ模式采用１ʎˑ１ʎ的美国国家环境预报中心(ＮＣＥＰ)逐６ｈ再分析资料作为模式初始场和侧边界条件ꎮ地形㊁土壤资料㊁植被覆盖等地表静态资料采用美国地质勘探局(ＵＳＧＳ)提供的下垫面资料ꎬ包括１０ᶄ(约２０ｋｍ)㊁５ᶄ(约１０ｋｍ)㊁２ᶄ(约４ｋｍ)和３０ᵡ(约１ｋｍ)４种类型ꎬ根据网格划分大小选择合适的精度ꎮ本文针对平原和山地地形分别设计了４组网格划分试验方案ꎮ以场内测风塔作为研究区域中心点ꎬ网格嵌套层数由１层(ｄ０１)增加到４层(ｄ０１)ꎬ各层网格数从外至内分别为３０ˑ３０㊁４２ˑ４２㊁６０ˑ６０㊁９０ˑ９０ꎬ相邻两层网格的分辨率比为１ʒ３ꎬ每层网格分辨率如表１所示ꎮ地形资料选取与网格分辨率相近的数据集ꎮＷＲＦ模式采用物理过程参数化的方法来描述网格尺度与次网格尺度之间的相互作用ꎮ刘霄等研究表明ꎬ在各项物理过程参数化中ꎬ对低空风场影响较大的有长波辐射㊁短波辐射㊁陆面过程以及行星边界层等ꎮ本文在多次模拟试验的基础上ꎬ选取了效果较优的参数化方案ꎬ即:辐射方案均采用ＲＲＴＭ长波方案和Ｄｕｄｈｉａ短波方案ꎻ陆面过程均采用Ｎｏａｈ方案ꎻ行星边界层均采用ＭＹＪ方案ꎮ风能资源的开发主要取决于近地层风场的分布ꎬ风机轮毂高度(５０~８０ｍ)也是风能资源评估所重点关注的高度ꎮ模型中将近地层的垂直层加密ꎬ地面１００ｍ以下共设置４层(１０㊁２５㊁５０㊁７０ｍ)ꎬ总垂直层为２７层ꎮ时间积分步长设为１００ｓꎬ每１ｈ输出一次模拟结果ꎮ平原以２０１２－０４－０１日至２０１２－０４－０６日的为周期进行逐时模拟ꎬ山地由于缺乏同期测风资料ꎬ故以２０１３－０４－０１日至２０１３－０４－０６日为周期进行计算ꎮ提取各方案模拟结果中的７０ｍ高度逐时风速与测风塔实测风速进行对比分析ꎮ表１㊀网格划分试验方案表ｋｍ㊀组方案网格分辨率ｄ０１ｄ０２ｄ０３ｄ０４平原Ａ１０－－－Ｂ１０３.３３－－Ｃ１０３.３３１.１１－Ｄ３０１０３.３３１.１１山地ａ３０－－－ｂ３０１０－－ｃ３０１０３.３３－ｄ３０１０３.３３１.１１１.３㊀评价指标平均相对误差ｂｉａｓ及均方根误差ｒｍｓｅ定义为ε＝ｖｓｉｍ－ｖｍｅａ１６水电与新能源２０１９年第１１期ｂｉａｓ＝εｒｍｓｅ＝ðｎ１εｉ２Ｎ式中:ｖｓｉｍ是风速模拟值ꎻｖｍｅａ是风速实测值ꎻＮ为参与计算的风速个数ꎮ２㊀试验结果对比与分析表２为不同地形条件下网格划分试验的误差对比结果ꎮ分析表２可以得出:平原的ＷＲＦ模式模型各网格划分方案的平均相对误差在０.４~１.５ｍ/ｓ之间ꎬ均方根误差在２.３~２.５ｍ/ｓ之间ꎻ山地模型的平均相对误差在０.４~１.６ｍ/ｓ之间ꎬ均方根误差在２.８~４.５ｍ/ｓ之间ꎮ可见平原的模拟效果总体优于山地ꎬ且平原模型对于某一方案的不同网格层及不同方案的相同分辨率网格层ꎬ模拟效果均较为接近ꎬ模拟稳定度较高ꎻ山地模型的各方案的平均相对误差则无明显规律ꎬ均方根误差整体呈增大趋势ꎮ表２㊀网格划分试验误差结果表ｍ/ｓ㊀组方案ｂｉａｓｄ０１ｄ０２ｄ０３ｄ０４ｒｍｓｅｄ０１ｄ０２ｄ０３ｄ０４平原Ａ－１.０１－－－２.５０－－－Ｂ－０.６７－０.６６－－２.４３２.４７－－Ｃ－０.５２－０.４３－０.４１－２.３４２.３５２.３４－Ｄ－１.４４－１.２６－１.２１－１.１９２.４４２.４３２.４５２.４７山地ａ－０.４５－－－２.８２－－－ｂ０.５８０.７５－－３.２４３.１１－－ｃ－０.６４０.８２０.７８－３.３９３.５２３.８３－ｄ－１.５２－０.４８－０.６２－０.５８３.５８３.８６４.４６４.５２㊀㊀对于平原模型ꎬ当网格嵌套层数为３层ꎬ最高分辨率为１.１１ｋｍ时模拟效果最好ꎮ方案Ａ~Ｃꎬ网格嵌套层数增加ꎬ网格分辨率提高ꎬ模拟误差逐渐略有下降ꎬ这是因为外层网格给内层网格提供了更为精确的边界条件ꎬ同时由于模拟区域地形平坦ꎬ地貌对风速的影响较小ꎬ故优化效果不明显ꎮ方案Ｄ增加嵌套层数时模拟误差略有增加ꎬ可能是由于最外层网格分辨率过低ꎬ对于小尺度的天气现象模拟能力降低ꎬ且在多层网格之间的信息传递与反馈中引入了较多误差ꎮ对于山地模型ꎬ当网格为单层㊁分辨率为３０ｋｍ时模拟效果最佳ꎬ而当网格嵌套层数及网格分辨率提高时ꎬ模型精度逐渐降低ꎮ这是因为:①当下垫面资料与网格分辨率不一致时ꎬＷＲＦ模式采用插值方法对下垫面资料进行修补制作ꎮ当模拟区域位于山地等复杂地形时ꎬ插值误差较大ꎬ与实际地形相比失真较为严重ꎬ为近地层风场的模拟带来较大误差ꎻ②ＷＲＦ模式垂直方向采用地形追随质量σ坐标ꎬσ坐标系下的气压梯度力为两个大量减小差ꎬ在地形复杂ꎬ山势陡峭时ꎬ计算误差可能相当大ꎻ③随着网格嵌套层数的增加ꎬ由于多层网格之间的信息反馈与负反馈ꎬ导致误差逐渐累积ꎬ甚至出现愈是内层网格㊁分辨率愈高ꎬ模拟误差愈大的现象ꎮ综上所述ꎬ①基于ＷＲＦ模式的风速模拟模型在平原地区具有较高的精度ꎬ随着网格嵌套层数及网格分辨率的提高ꎬ模拟效果略有改善ꎬ但效果并不明显ꎮ针对本文例证风电场ꎬ当网格为３层嵌套ꎬ分辨率为１０㊁３.３３㊁１.１１ｋｍ时模拟效果最优ꎮ②ＷＲＦ模式模型在山地的模拟效果一般ꎬ当嵌套层数及网格分辨率提高时ꎬ由于ＷＲＦ模式自身的局限性以及下垫面资料的不匹配性ꎬ导致模拟效果反而会变差ꎬ此时通过将模拟区域划分为单层㊁低分辨率的网格ꎬ可以减小模式计算及信息传递带来的误差ꎬ从而较准确地反映出区域范围的中尺度气候现象ꎮ针对本文例证风电场ꎬ当网格为单层ꎬ分辨率３０ｋｍ时模拟效果最优ꎮ３㊀实例应用３.１㊀数值模拟结果采用上一节选取的ＷＲＦ模式模型在平原和山地的最优网格划分方案ꎬ分别对两例证风电场进行为期１年的风速模拟ꎮ平原的模拟时段为２０１２－０３－２４２６李晓明ꎬ等:基于ＷＲＦ模式的不同地形条件下风速模拟研究２０１９年１１月日至２０１３－０３－２３日ꎬ山地的模拟时段为２０１２－０９－２２日至２０１３－０９－２１日ꎮ将模拟风速序列与实测风速序列进行误差计算ꎬ表３为全年风速的模拟结果评价ꎮ表３㊀全年风速模拟误差结果表ｍ/ｓ㊀月份平原ｂｉａｓｒｍｓｅ山地ｂｉａｓｒｍｓｅ１０.８２２.４４３.８７５.１０２０.３７２.１７２.３８４.４８３０.６６２.４０１.２２３.８５４０.０５２.６７０.１５３.１１５０.１３２.５５－０.４０２.７２６０.４６２.７０－０.５７２.９７７０.３４２.７２－２.３４３.７３８－０.１０２.２８－１.３９３.８９９－０.１１２.２２－０.７４３.１０１００.１０２.２８－０.５８３.９２１１０.９２２.６３２.００４.３７１２１.０７２.７６３.４４５.４４全年０.３９２.４９０.５８３.９８㊀㊀由表３可知ꎬ基于ＷＲＦ模式的风速模拟模型在平原地区的平均相对误差为０.３９ｍ/ｓꎬ约占６％ꎬ在山地的平均相对误差为０.５８ｍ/ｓꎬ约占９％ꎬ二者与邓国卫等对于酒泉地区的模拟误差相当或偏小ꎻ均方根误差平原为２.４９ｍ/ｓꎬ山地为３.９８ｍ/ｓꎬ均小于５ｍ/ｓꎬ模拟效果较好ꎮ说明通过选取合适的网格划分方案ꎬＷＲＦ模式在不同地形条件下均可以取得较好成果ꎬ且在平原地形条件下的应用效果要优于山地ꎮ３.２㊀结果分析平原及山地各选择４个月ꎬ分别代表春㊁夏㊁秋㊁冬ꎬ图１为平原地区２０１３年２月㊁２０１２年５月㊁２０１２年８月及２０１２年１２月ꎬ山地２０１３年４月㊁２０１３年７月㊁２０１２年９月及２０１３年１月的模拟风速与实测风速对比图ꎮ从图１可以看出ꎬ在分别选取最优的网格划分方案后ꎬＷＲＦ模式在不同地形条件下对风速的变化趋势均模拟地较好ꎬ逐时模拟结果与实测结果吻合度较高ꎮ分析图１(ａ)㊁图１(ｂ)㊁图１(ｃ)㊁图１(ｄ)可知ꎬ在采用３层嵌套㊁最内层分辨率为１.１１ｋｍ的网格后ꎬＷＲＦ模式在平原地区的全年模拟效果均较好ꎬ对于风速的上升或下降均能准确地反映ꎬ但是幅值的大小可能略有偏差ꎬ如图１(ａ)㊁图１(ｄ)所示ꎻ对于实测风速较为平缓的突变现象ꎬＷＲＦ模式也能准确地进行捕捉及描述ꎬ如图１(ｃ)所示ꎮ分析图１(ｅ)㊁图１(ｆ)㊁图１(ｇ)㊁图１(ｈ)可知ꎬ在采用单层网格㊁分辨率为３０ｋｍ的模型后ꎬＷＲＦ模式对于山地的风速模拟也能取得较好的成果ꎮ在春㊁秋季节ꎬ模型能够较准确地反映出风速大小及变化趋势ꎬ模拟效果与平原地区接近ꎬ如图１(ｅ)㊁图１(ｇ)所示ꎻ夏㊁冬季则模拟风速与实测风速误差较大ꎬ且偏差呈现一定的规律性ꎬ如图１(ｆ)㊁图１(ｈ)所示ꎮ这是因为当山地模型采用低分辨率的网格时ꎬＷＲＦ模式能够较准确地模拟出区域的中尺度气候现象ꎬ但是在夏季时ꎬ季风主要为来自太平洋的东南风及来自印度洋的西南风ꎬ而在测风塔东南方向地势较低ꎬ随着海拔增高ꎬ地势较低处至测风塔处风速逐渐增大ꎻ西南方向有一峡谷ꎬ 狭管效应 对于风速也有增大作用ꎬ因此测风塔处实测风速相对偏大ꎮ冬季风主要为来自西伯利亚和蒙古一带的西北季风和东北季风ꎬ测风塔东北和西北方向分别有海拔１１９５㊁９６０ｍ的山丘ꎬ对于测风塔处风速有遮挡作用ꎬ导致实测风速相对于区域整体风速偏小ꎮ而ＷＲＦ模式在山地的最优网格划分方案为低分辨率的单层网格ꎬ这导致ＷＲＦ模式对于地形的变化敏感性不高ꎬ局部区域的地形突变不能准确地描述ꎬ因而模拟结果虽然能够较为准确地反映出模拟区域的平均风场ꎬ但是在某些局部区域可能会出现规律性的偏差ꎮ４㊀结㊀语１)本文以广东省两个风电场为例ꎬ研究基于ＷＲＦ模式的风速模拟模型在不同地形条件下适用的网格划分方案ꎬ并据此进行了一个完整年的风速模拟ꎬ结果表明ꎬＷＲＦ模式在平原的表现要优于山地ꎬ当平原采用多层嵌套㊁高分辨率网格时模拟精度最高ꎬ但相比其他方案优化效果并不明显ꎻ山地需采用低分辨率的单层网格ꎬ此时模拟误差较小ꎮ对于本文选取的风电场ꎬ平原地形推荐网格方案为３层嵌套ꎬ分辨率为１０㊁３.３３㊁１.１１ｋｍꎻ山地风电场推荐单层网格ꎬ分辨率为３０ｋｍꎮ２)山地的模拟误差主要是由于ＷＲＦ模式自身尺度的局限性以及地形资料的不匹配导致ꎬ且误差多呈现一定的规律性ꎮ３６水电与新能源２０１９年第１１期图１㊀平原与山地代表月模拟风速与实测风速对比图㊀㊀３)对于缺少观测资料的拟建风场ꎬ采用ＷＲＦ模式搭建风速模拟模型进行风能资源评估是可行的ꎮ参考文献:[１]ＧＢ/Ｔ１８７１０－２００２ꎬ风电场风能资源评估方法[Ｓ][２]方艳莹.基于ＷＲＦ与ＣＦＤ模式结合的风能资源数值模拟研究[Ｄ].南京:南京信息工程大学ꎬ２０１２[３]朱蓉ꎬ何晓凤ꎬ周荣卫ꎬ等.区域风能资源的数值模拟评估方法[Ｊ].风能ꎬ２０１０(６):５０－５４[４]刘霄ꎬ赖旭ꎬ陈玲.大气模式物理过程参数化对风电场风速预报的影响[Ｊ].水电能源科学ꎬ２０１２ꎬ３０(８):２０８－２１０ꎬ１４５[５]孙川永ꎬ陶树旺ꎬ罗勇ꎬ等.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ꎬ２００９ꎬ３０(８):１０９７－１０９９[６]覃丹宇ꎬ沈桐立ꎬ于治英ꎬ等.中尺度数值模式的自适应网格设计[Ｊ].南京气象学院学报ꎬ１９９８ꎬ２１(２):２４３－２５０[７]ＭｕｒｐｈｙＡＨ.Ｓｋｉｌｌｓｃｏｒｅｓｂａｓｅｄｏｎｔｈｅｍｅａｎｓｑｕａｒｅｅｒｒｏｒａｎｄｔｈｅｉｒｒｅｌａｔｉｏｎｓｈｉｐｓｔｏｔｈｅｃｏｒｒｅｌａｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔ[Ｊ].ＭｏｎｔｈｌｙＷｅａｔｈｅｒＲｅｖｉｅｗꎬ１９８８ꎬ１１６(１２):２４１７－２４２４[８]ＨｏｕＤꎬＫａｌｎａｙＥꎬＤｒｏｅｇｅｍｅｉｅｒＫ.ＯｂｊｅｃｔｉｖｅｖｅｒｉｆｉｃａｔｉｏｎｏｆｔｈｅＳＡＭＥＸ'９８ｅｎｓｅｍｂｌｅｆｏｒｅｃａｓｔｓ[Ｊ].ＭｏｎｔｈｌｙＷｅａｔｈｅｒＲｅ￣ｖｉｅｗꎬ２００１ꎬ１２９(１):７３－９１[９]孙希进.区域模式单向嵌套和双向嵌套的理论分析与应用比较[Ｄ].北京:中国气象科学研究院ꎬ２０１３[１０]邓莲堂ꎬ王建捷.新一代中尺度天气预报模式 ＷＲＦ模式简介[Ｃ]//新世纪气象科技创新与大气科学发展 中国气象学会２００３年年会 城市气象与科技奥运 分会论文集.２００３[１１]贺志明ꎬ聂秋生ꎬ曾辉.鄱阳湖区风能资源数值模拟[Ｊ].江西农业大学学报ꎬ２００８ꎬ３０(１):１６９－１７３４６。
一种基于WRF和随机森林获取风资源风速的方法[发明专利]
![一种基于WRF和随机森林获取风资源风速的方法[发明专利]](https://img.taocdn.com/s3/m/b1f2f334240c844768eaee7a.png)
专利名称：一种基于WRF和随机森林获取风资源风速的方法专利类型：发明专利
发明人：王玲霞,吕新杰,魏爱萍,罗培韬,李君
申请号：CN202010972191.3
申请日：20200916
公开号：CN112100921A
公开日：
20201218
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于WRF和随机森林获取风资源风速的方法，下载ERA5气象数据,分辨率为0.25°×0.25°格点气象数据；运行WRF模拟目标区域风场得到3km×3km格点气象数据；搜集研究区域周边测风塔实测数据，获得测风塔实测数据；将WRF运行数据线性插值到测风塔处，获得测风塔处WRF中尺度运行结果，得到测风塔处WRF风速数据；用随机森林模型训练得到测风塔实测数据与WRF插值高度层的气象数据的模型；将WRF中尺度数据线性插值到风机站点处，得到站点处WRF模拟风速结果；利用建立的随机森林模型预测风速，与风机站点处WRF中尺度数据加权求平均，修正WRF模拟风速结果，得到目标站点的风速结果。
本发明通过将WRF与随机森林相结合，可以减少数据使用量并保持较低风资源的计算误差。
申请人：平衡机器科技(深圳)有限公司
地址：518027 广东省深圳市前海深港合作区前湾一路1号A栋201室
国籍：CN
代理机构：北京天江律师事务所
代理人：任崇
更多信息请下载全文后查看。
《2024年中尺度WRF模式在风电功率预测中的应用研究》范文
《中尺度WRF模式在风电功率预测中的应用研究》篇一一、引言随着可再生能源的日益重要，风能作为其中一种重要的清洁能源，其开发和利用在全球范围内得到了广泛的关注。
然而，风能具有显著的间歇性和不稳定性，给风电功率的预测带来了巨大的挑战。
近年来，中尺度气象模型如WRF（Weather Research and Forecasting）模式在风电功率预测中的应用逐渐成为研究热点。
本文旨在探讨中尺度WRF模式在风电功率预测中的实际应用及其效果。
二、WRF模式简介WRF模式是一种中尺度气象模式，主要用于天气预报和气候模拟。
其特点在于能够提供高分辨率的气象数据，包括风速、风向、气压、温度等，这些数据对于风电功率的预测至关重要。
WRF模式通过数值方法求解大气动力学和热力学方程，从而模拟出大气运动的过程。
三、WRF模式在风电功率预测中的应用1. 数据获取与处理：首先，需要收集风电场的历史气象数据和风电功率数据。
然后，利用WRF模式对风电场所在区域进行气象模拟，获取高分辨率的气象数据。
2. 模型建立：基于收集到的数据，建立风电功率与气象因素之间的数学模型。
这个模型可以反映风电功率与风速、风向、温度等气象因素之间的关系。
3. 预测分析：利用WRF模式模拟出的气象数据，结合建立的数学模型，对未来的风电功率进行预测。
通过不断调整模型参数，提高预测的准确度。
4. 结果评估：将预测结果与实际风电功率数据进行对比，评估预测的准确性和可靠性。
通过分析误差来源，进一步优化模型和预测方法。
四、应用效果分析通过实际应用发现，中尺度WRF模式在风电功率预测中具有以下优势：1. 高分辨率气象数据：WRF模式能够提供高分辨率的气象数据，使得风电功率的预测更加精细和准确。
2. 反映大气动力学过程：WRF模式通过数值方法求解大气动力学和热力学方程，能够更好地反映大气动力学过程对风电功率的影响。
3. 提高预测准确度：通过建立合理的数学模型，结合WRF 模式模拟出的气象数据，可以显著提高风电功率的预测准确度。
基于鲲鹏处理器的WRF移植与评估
基于鲲鹏处理器的WRF移植与评估在科技的海洋中，鲲鹏处理器如同一艘破浪前行的巨轮，其强大的计算能力令人瞩目。
而将天气研究与预报模型（WRF）移植到这艘巨轮上，无疑是一场充满挑战与机遇的航行。
本文旨在对这一移植过程进行深入剖析，并对其性能进行评估。
首先，让我们来探讨一下这场航行的起点——为何要选择鲲鹏处理器作为WRF的运行平台。
鲲鹏处理器，以其卓越的性能和高效的能耗比，成为了众多高性能计算任务的首选。
而WRF作为一个复杂的气象模拟系统，对计算资源的需求极为庞大。
将WRF移植到鲲鹏处理器上，就像是为一艘巨轮装上了强大的引擎，有望大幅提升其运算速度和处理能力。
然而，这场航行并非一帆风顺。
移植过程中的种种困难，如同海上的风浪，考验着船员们的智慧和勇气。
首当其冲的是兼容性问题。
WRF原本设计运行在传统的X86架构上，而鲲鹏处理器则采用了不同的架构。
这就像是将一辆设计用于公路的汽车，突然改放到赛道上行驶，需要对车辆进行大量的调整和优化。
此外，编译器的选择、内存管理、并行计算等问题也都需要在移植过程中逐一解决。
接下来，让我们聚焦于这场航行的终点——性能评估。
经过艰苦的努力，WRF终于成功运行在了鲲鹏处理器上。
那么，它的性能表现如何呢？经过测试，我们发现移植后的WRF在运算速度上有了显著的提升。
就像是巨轮破浪前行，速度比以往任何时候都要快。
同时，由于鲲鹏处理器的高效能耗比，WRF的运行成本也得到了有效的控制。
这无疑是一个令人振奋的结果。
然而，我们也不得不面对一些潜在的问题。
虽然移植后的WRF在性能上有所提升，但在某些特定场景下，其稳定性仍有待进一步验证。
这就像是巨轮在海上航行时，偶尔会遇到的风暴和暗流一样，需要我们时刻保持警惕。
最后，我想强调的是，这场航行的意义不仅仅在于提升WRF的性能。
更重要的是，它为我们探索新的技术路径、推动气象模拟技术的发展提供了宝贵的经验。
正如哥伦布发现新大陆一样，这次移植也为我们在科技领域开辟了一片新的天地。
WRF模式在风能开发中的应用研究进展
WRF模式在风能开发中的应用探究进展随着全球能源需求的增长和对可再生能源的需求日益增加，风能作为一种清洁、可再生的能源形式被广泛关注和应用。
然而，风能开发过程中的诸多挑战，如风场特性猜测和建模等问题，依旧存在。
为了解决这些挑战，WRF（Weather Research and Forecasting）模式应运而生。
本文将介绍。
1. WRF模式概述WRF模式是美国国家大气探究中心（NCAR）和其他机构合作开发的一种基于静力-不行压缩方程的大气模式。
它具有高时空区分率、灵活性和可定制性的特点，适用于气象猜测、气候模拟和环境应用等领域。
由于风能开发对于准确的风场特性猜测分外重要，WRF模式能够提供可靠的天气和风场猜测，因此在风能领域得到广泛应用。
2. WRF模式在风能资源评估中的应用风能资源评估是风电项目规划和设计的重要步骤。
利用WRF模式进行风能资源评估可以通过模拟和猜测风场的时空分布，确定潜在的风能资源丰度和可利用性。
探究人员通过在不同地理位置和气象条件下进行模拟，可以评估不同区域的风能潜力，优化风电场的布局，并为风电项目标前期决策提供科学依据。
3. WRF模式在风机性能猜测中的应用风机的性能评估对于风能开发和电力产量猜测至关重要。
通过结合WRF模式的风场猜测和风机模型，可以模拟风机在不同气象条件下的性能表现。
这有助于设计优化风机参数、猜测风电场的发电量，提高风机的利用率和经济效益。
4. WRF模式在风电场微观标准建模中的应用为了更好地理解和优化风电场的布局和设计，需要对微观标准下的风场特性进行建模和分析。
WRF模式可以提供高区分率的风场猜测，援助探究人员更全面地了解风电场内部的流淌特性和风能分布状况，指导风电场的布局优化和风机位置的选择。
5. WRF模式在风能猜测和运维中的应用风能猜测和运维是提高风电场经济效益和电力系统稳定性的关键环节。
利用WRF模式结合实时观测数据，可以实现短期和中期的风力猜测。
中尺度WRF模式在风电功率预测中的应用研究
中标准WRF模式在风电功率猜测中的应用探究一、引言随着环境保卫意识的增强和能源结构的调整，风力发电已经成为可再生能源领域中重要的组成部分。
然而，由于风力资源的变化性和不确定性，风电功率猜测一直以来都是一个具有挑战性的问题。
准确的风电功率猜测可以提高风力发电场的运行效率，降低对传统能源的依靠程度，推动可持续进步。
近年来，中标准WRF（Weather Research and Forecasting）模式在风电功率猜测中的应用日益受到关注。
二、中标准WRF模式简介中标准WRF模式是一种基于大气动力学方程的数值气象模式，广泛应用于气象学、环境科学和气候变化探究中。
中标准WRF 模式以地球表面为起算面，通过网格化的方式将大气分为一系列小单元，通过数值计算模拟大气的运动和状态变化。
该模式能够提供精细、高时空区分率的气象预报，为风电功率猜测提供了可能。
三、中标准WRF模式在风电功率猜测中的应用1. 天气预报数据的得到中标准WRF模式利用气象观测资料、卫星遥感数据等，通过建立数学模型对将来一段时间的天气进行猜测。
通过得到精确的天气预报数据，可以提供风速、风向等关键气象参数，为风电功率猜测提供基础。
2. 风电功率模型的建立基于中标准WRF模式提供的天气预报数据，可以建立风电功率模型。
该模型基于风能转化理论和风力发电机组的性能曲线，通过思量温度、湿度等气象因素对风能损失的影响，对将来一段时间的风电功率进行猜测。
通过与实际观测数据进行对比和验证，可以不息优化和改进风电功率模型的准确性和可靠性。
3. 风电功率猜测系统的搭建中标准WRF模式可以与其他数据处理和分析工具结合，构建完整的风电功率猜测系统。
该系统可以实时得到天气数据，并进行数值模拟和猜测，最终提供风电场的功率猜测结果。
通过提供准确的猜测数据，风电场可以制定合理的运行和调度策略，提高发电效率。
四、案例分析以某风电场为例，利用中标准WRF模式建立风电功率猜测系统并进行实际应用，取得了一定的探究效果。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
文献 标识 码 ： Ａ
文章 编 号 ： １ ６ ７ ２ —９ ２ ４ ２ （ ２ ０ １ ３ ） ０ ５～０ ０ ０ １ － ０ ６
Ｏｆ ｉｓ ｈｏ ｒ ｅ Ｗｉ ｎ ｄ Ｒｅ ｓ ｏ ｕｃ ｅ Ａｓ ｓ ｅ ｓ ｓ ｍｅ ｎｔ Ｂａ ｓ ｅ ｄ ｏ ｎ Ｗ ＲＦ ｎｏ ｄｅ ｌ
ＣＨ ＥＮ Ｎａｎ ，Ｙ ＡＮ Ｇ Ｐｉ ｎｇ 一，ＺＯ Ｕ Ｓｈ ｕ 一， Ｘ Ｕ Ｚｈｉ —ｒ ｏ ｎ ｇ ＇
（ １ ． Ｇ ｕ ａ ｎ ｇ ｄ ｏ ｎ ｇ Ｅ ｌ ｅ ｃ ｔ ｒ ｉ ｃ Ｐ ｏ ｗｅ ｒ Ｄｅ ｓ ｉ ｇ ｎ Ｉ ｎ ｓ ｔ ｉ ｔ ｕ ｔ ｅ ， Ｃ ｈ ｉ ｎ ａ Ｅ ｎ ｅ ｒ ｇ ｙ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｉ ｒ ｎ ｇ Ｇ ｒ ｏ ｕ ｐ Ｃ ｏ ． ， Ｌ ｔ ｄ ， Ｇ ｕ ａ ｎ ｇ ｚ ｈ ｏ ｕ ５ １ ０ ６ ６ ３ ， Ｃ ｈ ｉ ｎ ａ ； ２ ． Ｎａ ｔ ｉ ｏ ｎ ａ ｌ — Ｌ ｏ ｃ ａ ｌ Ｊ ｏ ｉ ｎ ｔ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ Ｌ ａ ｂ ｏ ｒ ａ ｔ ｏ ｒ ｙ ｆ ｏ ｒ Ｗｉ ｎ ｄ Ｐ ｏ ｗｅ ｒ Ｃ ｏ ｎ ｔ ｒ ｏ ｌ ａ ｎ ｄ Ｉ ｎ ｔ ｅ ｇ ｒ ａ ｔ ｉ ｏ ｎ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ， Ｇ ｕ ａ ｎ ｇ ｚ ｈ ｏ ｕ ５ １ １ ４ ５ ８ ， Ｃ ｈ ｉ ｎ ａ ）
法进 行探 讨 。首 先 ， 详 细分析 了基 于 Ｗ １ Ｌ Ｆ 模 式 的 海上 风 资源评 估 的过程 ； 其 次使 用珠 江 口某设计 中的海上 风 场作 为 算例 ， 进 行 了风 资源量 化 估计 ， 并对 结 果进 行 了对 比 。得 出的 主要 结论 为 ， 鉴 Ｔｒ ａ ｄ ｉ ｔ ｉ ｏ ｎ ａ ｌ ｗｉ ｎ ｄ ｒ ｅ ｓ ｏ ｕ ｒ ｃ ｅ ａ ｓ ｓ ｅ ｓ ｓ ｍｅ ｎ ｔ ｍｅ ｔ ｈ ｏ ｄ ｓ ｗｅ ｒ ｅ ｓ ｕ ｍｍａ ｒ ｉ ｚ ｅ ｄ ． Ｔｈ ｅ Ｗ ＲＦ ｍｏ ｄ ｅ ｌ ｂ ａ ｓ ｅ ｄ ｏ ｆｓ ｈ ｏ ｒ ｅ ｗｉ ｎ ｄ ｒ ｅ ｓ ｏ ｕ ｒ ｃ ｅ
2装备环境工程2013年10月近年来我国风电事业飞速发展而陆上风力资1源分布的不均衡性导致风电资源得不到较充分的2对广东海上风资源评估的方法23利用同时大规模风电高渗透率并网带来了电网3安全稳定运行的问题促使国家开始着手发展海上通过wrf数据建立对海上区域风资源评估的风力资源
第ｌ ０ 卷
第５ 期
装 备 环 境 工 程
预报 给 出的评估 结果 无显 著差 别 。 关键 词 ： 海 上风 资 源评估 ； 数 值 天 气预报 ； Ｗｔ ｋ Ｆ 模 式
Ｄ０Ｉ： １ ０ ． ７ ６ ４ ３ ／ ｉ ｓ ｓ ｎ． １ ６ ７ ２ －９ ２ ４ ２． ２ ０１ ３ ． ０ ５． ０ ０１
中图分 类 号 ： Ｘ８ ２ ０ ． １
３ ． Ｇｕ ａ ｎ ｇ ｄ ｏ ｎ ｇ Ｋｅ ｙ Ｌａ ｂ ｏ ｒ ａ ｔ ｏ ｒ ｙ ｏ ｆ Ｃｌ ｅ ａ ｎ Ｅｎ ｅ ｒ ｇ ｙ Ｔｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ， Ｇｕ ａ ｎ ｇ ｚ ｈ ｏ ｕ ５ １ １ ４ ５ ８， Ｃｈ ｉ ｎ ａ ；
４ ． Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｅｌ ｅ ｃ ｔ ｉ ｒ ｃ ｉ ｔ ｙ Ｐ ｏ ｗｅ ｒ ，Ｓ ｏ ｕ ｔ ｈ Ｃｈ ｉ ｎ ａ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ， Ｇｕ ａ ｎ ｇ ｚ ｈ ｏ ｕ ５ １ ０ ６ ４ ０， Ｃｈ ｉ ｎ ａ ）
面积 的海 上 测风 网 ， 使 用数 值 天 气预报 对 海 上风 资 源进 行评 估是 必须 的 ； 风切 变指数 的 变化剧 烈 ， 不应 视 作
常数 ； 数 值 预 报数 据 应根 据 测风 塔 数据 进 行校 正 ； 对 于 选定 了位 置 的风 场 ， 根 据现 场 测风塔 和根 据 数值 天气
３ ． 广东省绿色能源技术重点实验室 ， 广州 ５ １ １ ４ ５ ８ ； ４ ． 华南理工大学 电力学院 ， 广州 ５ １ ０ ６ ４ ０ ）
摘要 ： 在 概 述 风 资源评 估传 统 方 法的基 础 上 ， 通 过 以 下两个 方 面对基 于 ＷＲＦ 模 式的 海上风 资 源评 估 方
Ｅ ＱＵＩ Ｐ ＭＥ ＮＴ ＥＮＶＩ ＲＯＮＭＥ ＮＴ ＡＬ Ｅ ＮＧＩ ＮＥ ＥＲＩ ＮＧ ・ １ ・
２ ０ １ ３ 年１ ０ 月
謦簪 曲黛 棒弹彝誊
基于 ＷＲ Ｆ 模 式 的广 东海上风资源评估
陈楠 ， 杨苹 一 ， 邹澍。 一 ， 许志荣 ＇
（ １ ． 广东省 电力设计研究院， 广州 ５ １ ０ ６ ６ ３ ； ２ ． 风电控制与并网技术国家地方联合工程实验室 ， 广州 ５ １ １ ４ ５ ８ ；
ｄｅ ｔ ａ ｉ ｌ ；ｓ ｅ ｃｏ ｎｄ ｌ ｙ ．ｔ ｈ ｅ ｗｉ ｎ ｄ ｒ ｅ ｓ ｏｕ ｒ ｃ ｅ ｗａ ｓ ｑｕａ ｎ ｔ ｉ ｔ ａ ｔ ｉ ｖ ｅ ｌ ｙ ｅ ｓ ｔ ｉ ｍａ ｔ ｅ ｄ ｗｉ ｔ ｈ ｅ ｘａ ｍｐｌ ｅｓ ｏｆ Ｐｅ ａ ｒ ｌ Ｒｉ ｖ ｅ ｒ ｏ ｆ ｆ ｓ ｈ ｏｒ ｅ ｗｉ ｎｄ ｆ ａ ｒ ｍｓ ．ａ ｎｄ ｔ ｈｅ ｒ ｅ ｓ ｕｌ ｔ ｓ
ａ ｓ ｓ ｅ ｓ ｓ ｍｅ ｎ ｔ ｍｅ ｔ ｈ ｏ ｄ ｗａ ｓ ｄ ｉ ｓ ｃ ｕ ｓ ｓ ｅ ｄ ｆ ｒ ｏ ｍ ｔ ｗｏ ａ ｓ ｐ ｅ ｃ ｔ ｓ ． Ｆ ｉ ｒ ｓ ｔ ． ｍａ ｒ ｉ ｎ ｅ ｗｉ ｎ ｄ ｒ ｅ ｓ ｏ ｕ ｒ ｃ ｅ ａ ｓ ｓ ｅ ｓ ｓ ｍｅ ｎ ｔ ｂ ａ ｓ ｅ ｄ ｏ ｎ Ｗ ＲＦ ｍｏ ｄ ｅ ｌ ｗａ ｓ ａ ｎ ａ ｌ ｙ ｚ ｅ ｄ ｉ ｎ