基于數值分析的電網精細化氣象預報?

梁 允，李 哲，孟高軍，苑司坤，高 陽

(1.國網河南省電力公司電力科學研究院，河南 鄭州 450052；2.南京工程學院電力工程學院，江蘇 南京 211167)

隨著電網規模的不斷擴大和延伸，災害性天氣對電網安全運行的影響越來越大。同時，隨著全球氣候變暖、環流異常，災害性天氣產生的幾率逐年上升，對電網安全運行的威脅不斷增大。架空線路等輸變電設備長期暴露于大氣環境之中，其能否安全可靠運行與外部環境有密切關系，因此，精細化氣象預報和輸電線路的故障關聯特性，提升電網運行可靠性水平一直是電力系統規劃、調度運行、設備維修等工作所關注的重點[1－3]。嚴重的強對流大風、暴雨等偶發性天氣均會影響輸電線路運行穩定性，嚴重的氣象變化會導致聚集性故障，對電力系統可靠運行危害極大。因此研究氣象要素精細化預報，是避免電網發生氣象災害穩定運行的重點。

在氣象因素對輸電線路運行影響研究方面，文獻[4]采用一種新的集合深度學習方法，對數值模式預報結果進行訂正，并將其應用于數值模式預報誤差通常較大的新疆烏魯木齊城市群地區，文獻[5]以氣象數值模式數據為基礎，設計風電功率預測系統的整體框架，基于高分辨率中尺度氣象模式，利用卡爾曼濾波方法和實時觀測資料對模式輸出結果進行訂正，文獻[6]從氣象對電網影響的周期性特征出發，采用統計算法計算全年縱向時間方向故障率分布函數，提出了一次基波傅里葉函數描述輸電線路逐月故障率分布。文獻[7]基于歷史統計數據，分析天氣隨機變化特點，采用單項S－粗規律分析方法，建立F－分解規律分析氣候對可靠性指標的影響程度，對輸電線路故障率進行預測。文獻[8]基于氣象學原理和電網風險評估技術，建立電網臺風災害預警系統，綜合處理臺風信息和輸電線路位置參數，給出輸電線路的臺風災害分析和相應預警等級。文獻[9]引入絕對值函數，以輸電線路有功潮流與線路傳輸容量比值的絕對值定義輸電線路負載率，建立一個惡劣天氣條件下考慮電網載荷均衡程度及N－1 安全約束的防災經濟調度模型，文獻[10]采用數據解析服務器分析采集氣象數據寫入數據庫內，設計氣象精細化數據電網災害檢測預警系統，實現電網系統運行脆性部位精確定位，并對氣象災害快速響應制定應急方案。

本文基于區域數值預報產品獲得某地區未來三天的氣象要素預報。采用動力降尺度技術消除具體地形和障礙物差值對氣象數據的影響，通過歷史樣本統計分析，同時引入實時預報誤差作為訂正因子，利用回歸統計方法，建立參考目標格點處的精細化訂正模型，提升氣象數據預報精度，并對氣象數據及電網數據按照不同規則進行元素拆解，研究電力氣象的數值分析整合，提高電網附近區域氣象要素預報精度。

1 建立精細化氣象預報模型

對于數值預報數據建立誤差指標，采用經驗統計方法對連續變量(風速、相對濕度和氣溫)進行檢驗，包括偏差檢驗(Bias Inspect，BIAS)和均方根誤差(Root Mean Squared Error，RMSE)分析。

式中:Vobs，i代指INCA 預報的氣象要素值，Vmodel，i代指WRF 預報的氣象要素值，M表示統計樣本個數，BIAS 為偏差檢驗值，RMSE 為均方根誤差值。

依據氣象要素平均絕對誤差分析值分析氣溫、濕度、風速和風向等數值誤差變化趨勢，各要素的絕對誤差變化值與奧地利國家氣象局開發的短臨集成分析預報系統(Integrated Nowcasting through Comprehensive Analysis，INCA)預報效果進行對比分析，數值預報基于高精度氣象模擬軟件(Weather Research Forecast，WRF)開發完成，WRF 模式中包括輻射過程、邊界層參數化過程、對流參數過程、次網格湍流擴散過程、以及微物理過程等，利用衛星資料反演了土地利用類型、葉面積指數、植被覆蓋度等產品[11]，在此基礎上形成了可直接應用的數值模式。

降尺度預報采用微尺度模式中的網格化復雜地形風場動力診斷模式來進行，它利用質量守恒原理對風場進行動力診斷[12]，主要考慮了地形對近地層大氣的動力效應、斜坡氣流產生和障礙物阻擋效應，并采用三維無輻散處理消除插值產生的虛假波動。主要原理是，假設地形作用產生的垂直氣流w與氣流輻合輻散的關系為:

式中:f是模式網格平均風速，ht是地形高度，z是距地面的高度，k是與穩定度相關的衰減系數，表示為:

式中:N為布倫特－維賽拉頻率。斜坡氣流的速度采用經驗的方法:

式中:Se是斜坡氣流的平衡風速，Le是平衡尺度。障礙物阻擋的熱力和動力效應用局地弗勞德數來衡量，局地弗勞德數表示為:

式中:Δht是障礙物的有效高度。如果局地弗勞德數小于等于臨界弗勞德數且網格點風速有上坡的分量，則風向就調整為與地形的切線一致，風速不變；如果局地弗勞德數大于臨界弗勞德數[13－15]，就不進行調整。

采用微尺度模式對兩個重點實驗區進行動力降尺度計算[16－18]，生成重點區域水平分辨率1 km 的未來3 天逐小時預報結果，預報要素包括氣溫、風速、風向、氣壓、濕度、降水等，預報高度層為地面、30 m、50 m 和70 m。對于地面氣象要素而言，不同預報時效、不同區域存在不同的誤差分布特征，在降尺度預報的基礎上采用統計訂正預報技術。

2 氣象統計訂正預報技術

首先利用地形訂正的方法將氣象站觀測資料修正至臨近模式格點處，得到參考目標格點處的觀測和預報序列[19]；利用回歸統計方法，建立參考目標格點處的精細化訂正模型；利用反距離插值和地形訂正相結合的方法，得到參考目標格點處的觀測和預報序列，將精細化的訂正模型拓展至模式預報的全網格[20]。

訂正模型中引入實時預報誤差作為訂正因子，模型的業務運行穩定性受到一定限制；訂正方案中大多引入全球再分析資料進行誤差分析和預報訂正，適用于時空尺度較大的區域范圍預報，模式預報誤差在時間上，隨著預報時效的增長逐漸增大，可用預報信息減少，且預報誤差具有顯著的日變化特征，需要針對各個預報時次建立不同的訂正模型；空間上相對濕度和氣溫的誤差大小與海拔有密切關系，即海拔高的地方，誤差也相對較大，這可能與該模式下參數設置比較粗糙有關，需要按照地形特征分區域建立不同的訂正模型。

依據海拔差異的影響個例分析，氣象站與模式格點的距離分別約為4 km 和7 km，距離較近，但氣象站的海拔比模式最近格點處的海拔偏低約100 m，地形差異可引起較大的氣溫和相對濕度的變化。

在海拔訂正基礎上，利用回歸統計方法，依次計算站點匹配的格點訂正模型系數a和b；空間一致性檢驗及優化，即大于1 個氣象站匹配同一個模式格點時，從數學的角度計算出多套統計訂正模型，則對比模型相關系數、模型訂正系數與周圍臨近格點的訂正系數差異，選出最優且唯一的格點訂正模型；全網格點訂正模型:空間外推及平滑，最終建立了氣象要素(地面氣溫和相對濕度)的精細化訂正模式。

選取風速較大資料中質量較好的氣象站為優選站，在每個優選站周圍選取n個模式預報格點，將n個模式格點值插值到優選氣象站點，按月份建立優選站點觀測風速與模式預報風速的相關模型，用模式風速計算高精準預報值。每個模式格點周圍選m個優選站，將m個優選站點位置的高精準預報值插值到模式格點，得到模式格點的高精準預報值?？傆嬤x出675 個優選站，模式預報格點為2 298 個。對于風速訂正技術，首先選取風速較大資料中質量較好的氣象站為優選站，在每個優選站周圍選取n個模式預報格點，將n個模式格點值插值到優選氣象站點，按月份建立優選站點觀測風速與模式預報風速的相關模型，用模式風速計算高精準預報值。每個模式格點周圍選m個優選站，將m個優選站點位置的高精準預報值插值到模式格點，得到模式格點的高精準預報值。

對于氣溫和濕度訂正技術，模式預報誤差在時間上，隨著預報時效的增長，誤差逐漸增大，可用預報信息減少，且預報誤差具有顯著的日變化特征，需要針對各個預報時次建立不同的訂正模型；空間上相對濕度和氣溫的誤差大小與海拔有密切關系，即海拔高的地方，誤差也相對較大，這可能與該模式下參數設置比較粗糙有關，需要按照地形特征分區域建立不同的訂正模型。因此，研究中將建立分月、分時次、分站點的精細化訂正模型。

3 算例分析

以中部某省區域的數值預報為例對本文氣象精細化數值分析技術進行驗證，針對該地區氣象要素，依據不同預報時效、不同區域誤差分布特征，開展統計訂正預報技術研究，以精細化專業氣象預報服務的時空需求為目標，通過歷史樣本的統計分析，針對地面要素建立精細化的客觀訂正預報模型，以期提高面向專業服務的氣象要素預報精度。

利用某省121 個國家級氣象觀測站和2 274 個區域自動氣象站的逐小時地面觀測資料，對模式近地層的氣象要素(風速、氣溫和相對濕度)進行統計訂正。某省地區自動氣象站的分布如圖1 所示，其中六要素指風速、風向、氣溫、相對濕度、氣壓和雨量，單要素為簡易雨量站。時間范圍取某地區14 個月數據。

其中圓形為國家站、三角形為六要素區域站、正方形為四要素區域站、圓點為單要素區域站。

數值模式逐小時預報資料:某省9 km 未來0～72 h 數值預報資料，時間范圍為14 個月。首先利用地形訂正的方法將氣象站觀測資料修正至臨近模式格點處，得到參考目標格點處的觀測和預報序列；利用回歸統計方法和第2 節參考目標格點處的精細化訂正模型；利用反距離插值和地形訂正相結合的方法，將精細化的訂正模型拓展至模式預報的全網格。

在海拔訂正基礎上，利用回歸統計方法，依次計算站點匹配的格點訂正前模型系數和訂正后模型系數；空間一致性檢驗及優化，即大于1 個氣象站匹配同一個模式格點時，從數學的角度計算出多套統計訂正模型，則對比模型相關系數、模型訂正系數與周圍臨近格點的訂正系數差異，比選出最優且唯一的格點訂正模型；全網格點訂正模型:空間外推及平滑，最終建立了氣象要素(地面氣溫和相對濕度)的精細化訂正模式。

選擇某省西部山區的某站點進行海拔差異影響研究，氣象站見圖1?？梢?，氣象站的距離分別約為4 km，距離較近，但氣象站的海拔比模式最近格點處的海拔偏低約100 m，地形差異可引起較大的氣溫和相對濕度的變化。

為了檢驗訂正模型的預報效果，圖2 和圖3 給出了訂正前后預報誤差(以RMSE 為指標)的對比。

圖2 地形訂正前觀測點與臨近格點預報圖

圖3 地形訂正后觀測點與臨近格點預報圖

圖4 中為地面濕度平面對比結果，圖中<0 代表訂正后的誤差比訂正前的誤差小，圖中可見訂正模型在某省西部山區訂正效果明顯，東部平原地區也有正的訂正效果，可見空間上訂正效果理想。圖5中的線條代表全區域平均的誤差隨預報時次的對比，圖5 中虛線線條代表訂正后的誤差，實線為訂正前的誤差，橫坐標代表未來1 個～73 個預報時次，圖中可見，在未來73 個預報時次上，訂正后的誤差都普遍小于訂正前?？傮w而言，地面氣溫的精細化訂正模型在時間、空間上都具有明顯的正效果。

圖4 地面氣溫平面對比圖

圖5 地面氣溫誤差對比圖

與氣溫訂正類似，下圖中給出的相對濕度的訂正效果，對比結果也顯示出了較好的訂正效果(見圖6 及圖7)。

圖6 地面濕度平面對比圖

圖7 相對濕度誤差對比圖

風速訂正效果分析從總體特征、地理分布特征、時間分布特征三個角度來分析訂正效果，具體分析如表1、圖8 和圖9 所示。

表1 某省不同預報時段氣象站點風速統計結果 單位:m/s

表2 某省不同預報時段模式所有格點風速統計結果

圖8 次氣象站點風速絕對誤差分布

圖9 次氣象站點訂正與模式風速絕對誤差分布

總體特征:如表1 所示，從所有優選站30 天72 個預報結果總體均值來看，訂正均值與觀測均值非常接近，偏差僅為0.1 m/s～0.3 m/s；而模式預報均值偏差達到1.4 m/s～1.8 m/s。從絕對誤差來看，模式的絕對誤差為1.8 m/s，訂正后絕對誤差為0.9 m/s，92%優質站67.2%的時次都有改進。從675 個優質站推廣到2 298個格點，與675 個優質站的統計結果非常接近。

次氣象站點風速依據地理分布特征如圖8 和圖9 所示，從訂正效果的絕對誤差來看，中東部平原地區的誤差小，西部山地誤差大；和模式的絕對誤差相比，訂正后絕對差減小幅度最大的是北部和中東部，絕對誤差減小1.0 m/s 以上；西部山地減小幅度不大，絕對誤差減小不到0.5 m/s，部分地區訂正后絕對誤差比模式誤差還大。次氣象站點風速均值如圖10 所示，模式與訂正風速與觀測風速的日變化特征基本一致，白天風速大，夜間風速小。訂正誤差在第二天中午前后最大，其他時間比較平穩。

圖10 次氣象站點風速均值統計結果

為了驗證資料同化的作用，該部分工作主要將INCA 預報產品和同期的輸入INCA 的區域模式場資料與某省境內119 個國家氣象站常規觀測資料進行相同參數的統計對比分析，檢驗資料同化對地面要素預報性能的影響。

各要素預報平均絕對誤差曲線如圖11 所示:從分析時刻到12 h 預報時效，氣溫、濕度、風速、風向預報誤差緩慢增長，各要素的INCA 系統預報絕對誤差增長情況為:溫度從0.3°增加到1.5°，相對濕度誤差從3%增加到10%，風速從0.3 m/s 增加到1.8 m/s，風向從30°增加到50°，這種預測準確率的水平與INCA 在奧地利的應用水平相當，各要素INCA 預報的效果均優于數值預報結果。

圖11 INCA 系統在某省預報區預報效果檢驗

通過上述統計檢驗及分析可知，應用INCA 系統同化融合了某省區域幾千個區域站資料及14 部雷達資料后，常規要素(溫度、風速、風向、濕度等)和降水的預報效果均得到了改善，在12 h 預報時效內，均是INCA 的效果比INCA 接入的背景場BJRUC效果優。

4 結論

本文基于準確的氣象要素預報提出了基于數值分析的電網精細化氣象數值分析技術，通過研究得出以下結論。

①數值分析預處理以實時資料融合及外推預報系統INCA 開展某省區域地面觀測資料在數值預報產品中的融合同化及預報技術研究，在0～6 h 內的多要素預測結果都是外推結果，而6 h～12 h 之間是外推預報和數值預報的融合結果，

②降尺度預報采用微尺度模式來進行，利用質量守恒原理對風場進行動力診斷，采用三維無輻散處理消除插值產生的虛假波動，生成重點區域水平分辨率為1 km 的未來三天逐小時預報結果，預報要素包括氣溫、風速、風向、氣壓、濕度和降水等，預報高度層為地面、30 m、50 m 和70 m。

③訂正模型引入實時預報誤差作為訂正因子，針對地面要素建立精細化的客觀訂正預報模型，通過訂正模型前后對比效果驗證，訂正模型提高面向電網的氣象要素預報精度。