数值天气预报模型与统计处理相结合的阵风估计方法外文翻译资料

英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料

数值天气预报模型与统计处理相结合的阵风估计方法

Platon Patlakasa, Eleni Drakakia, George Galanisa,

Christos Spyroua and George Kallosa,*

摘要：风力发电场的开发等离岸活动的不断增多需要可靠的技术支持，以便将相关项目不同阶段的成本问题和运营安全风险降至最低。这一类研究的最重要的参数便是阵风。本研究的目的是建立一个基于数值天气预报模型和统计处理相结合的地面阵风估计方法。该方法已经在美国的西海岸线进行了测试，并利用NOAA浮标网络的观测数据进行了评估。

1.引言

近海和近岸活动的不断增加以及风电场等的发展需要采用最先进的风险评估技术[1,2]。这些技术的应用取决于可能造成影响的环境特征，如风速和浪高。风险分析可适应的相应的气候特征，并规定了工程设计应遵循的安全标准。

除了事先进行的风险分析之外，还需要可靠的技术支持，以便在施工和运行阶段以及维护活动期间将成本问题和人为风险降至最低。 地面阵风的存在和大小是这种类型分析的一个重要参数，它被定义为一段时间内所观测到的最大风速[3,4]。 有关阵风的文献提出了不止一个阵风定义。 例如，极端操作阵风（EOG）和极端相干阵风（ECG）在IEC 61400风能标准[5]中所定义。 此外，还有几个参数和公式被应用于阵风的描述和估计。

这项工作的目的是研究与发展一项数值天气预报（NWP）模型和基于卡尔曼滤波的动态统计工具所结合的阵风预报方法。为此，本文所采用的方法是基于物理参数化，该参数考虑了阵风形成的所有过程，即风速估算（WGE）方法[6]。这已经在许多研究中得到应用[7-12]，并取得了令人感兴趣和有希望的结果，并在大气模拟系统SKIRON / Dust [13]的框架内实施。该模型在四个选定的月份进行运行，分辨率相对较低（资源需求量小），并使用来自美国西海岸NOAA浮标网络的观测资料对结果进行评估。此外，对于特定的情况，可以采用卡尔曼滤波方法[14,15]去除系统误差，从而更准确地对阵风进行预报。

2.实验设计

2.1 SKIRON/Dust模式系统

SKIRON / Dust是由雅典大学从大气建模和天气预报组[13,16]在国家和欧盟（EU）资助的项目（如SKIRON，MEDUSE（地中海沙尘实验），ADIOS （大气沉降和对地中海开放的影响），CIRCE（气候变化和影响研究）以及最近的MARINA（海洋可再生综合应用平台）。 最近，模型进行了更新，以包括快速辐射传输模型RRTMG [17-20]。 关于各种模型参数化方案的更多细节可以在上述研究和相关参考文献中找到。

2.2地表阵风在SKIRON/Dust模式的参数化

导致阵风形成的过程在边界层湍流，深对流，山波和尾流现象之间变化[21]。 在计算资源不足的情况下，这些现象很难被NWP系统很好地解决[21,22]。 此外，分量表交互有时不能被充分描述，因此会产生错误或不确定性。

一般来说，阵风预报是基于从实验研究得到的半经验公式[23-25]，统计模型（使用观测值，例如MOS-模型输出统计[26,27]）和在阵风的形成过程中考虑大气条件的物理参数。

在这项研究中，提出了一种基于NWP模型和动态优化统计算法的阵风综合预报方法。主要的阵风预测方案是由Brasseur [6]提出的WGE方法。根据这种方法，边界层的湍流风场可以被看作是大量不同尺寸涡流的叠加。较大的涡旋具有与边界层深度相当的尺度，而较小的涡旋通过摩擦迅速消散。这导致动力向上运输和向下运输。在特定的条件下，漩涡内的空气团可能会向表面偏转，从而导致阵风波动[7]。这些过程已被纳入SKIRON / Dust建模框架，来估计地面阵风。

2.3卡尔曼滤波

数值天气预报模型在某些气象参数的预报中往往表现出系统误差。 这可以归因于模型处理子网格过程的困难以及所使用的参数化的可能的缺点。 在这项研究中，用于计算阵风的参数化主要受地表通量的影响，结果可能暴露于系统误差。 上述错误的持续存在可以追溯到所研究地点的地方特色。

针对上述问题，提出了卡尔曼滤波局部自适应模型。 主要目标是将偏差yt估计为模型输出mt（同一步骤）的函数：

其中系数（xi，t）是必须由滤波器估计的参数，Vt是高斯非系统误差。

在此基础上，观察结果与最近的预测相结合，使相应的偏差的权重最小化。 更多细节可以在[14,15,28-32]中找到。

在我们所研究的情况下，所采用的统计模型在线性模式下运行的结果令人满意，并且直接应用于阵风，因为它是根据模型预测计算的，运行周期设置为24小时。 该系统是为了修正与预测的第一天，第二天和第三天（0-24h / 24-48h / 48-72h）分别对应的三个不同子集而开发的。 所提出的方法的主要优点是容易适应观察和应用所需的短运行周期。

2.4 模式设置-所用数据

为了评估模型估计阵风，进行了一系列试验。 该模型在美洲大陆西海岸和邻近太平洋的大部分地区进行了为期四个月（2014年7月和10月以及2015年1月和3月）的整合。 测试期间选择了两个标准：1）包括每个季节的一个月，以便检查潜在的偏差。2）确保浮标数据的可用性。 计算域如图1所示。水平网格增量为0.07度（约7公里），而垂直方向的网格为45度，从表面延伸至20公里。 每日NCEP GFS操作领域（水平分辨率为0.5度）用于初始和侧面边界条件。 因为我们需要评估阵风预报系统在运行模式下的能力所以没有使用再分析的方法。

图1. SKIRON域以及NOAA国家数据浮标中心的六个选定站的位置，代码为46005,46025,46028,46047,46086和46069。

模型的时间步长设置为20秒，辐射驱动器每15分钟调用一次。 该模型经过修改，每10分钟提供一次输出，以便与在运行模式下运行的实际可用数据（如下所述）相一致：对于研究中的每日，该模型提供了72小时的预测。 这使我们能够进一步研究应用于不同预测视野（24h，48h和72h预报）的方法的能力。

为了评估阵风参数化方案，使用了NOAA国家数据浮标中心的观测资料。 浮标的位置如图1所示。这些台站在测量小时期间提供阵风数据作为最大5秒峰值阵风，在最后一小时的10分钟段报告。 具体浮标是考虑到的几个月内的可用数据所选择的。

2.5统计方法评估

各种各样的预测验证程序都涉及研究预报或预报集合与预测的相应观测值之间的关系，在我们的例子中是“地面阵风”。 在目前的工作中，所提出的方法的评估基于五个不同的统计值：确定系数，均方根误差，偏差，均值归一化偏差和纳什 - 萨特克里夫模型效率系数[33,34]。

前四个是相当普遍的指标。 关于纳什 - 萨特克利夫模型效率系数，它从-infin;到1变化，其中1表示观测和模型预测之间的完美匹配。 零值表明模型的准确性与观测值的平均值的准确度一样好。

3.结论与讨论

根据相应的观测数据，利用测试期间（2014年7月和10月，2015年1月和3月）的模型输出和阵风数据评估阵风时间序列。 图2显示了2015年1月46028站（24小时，48小时和72小时预报）的指示性例子。

图2.浮标数据（蓝）的时间序列和24h（红），48h（黄）和72h（紫）预报的模式预报。

很显然，第一天的预测显示出模型结果和数据之间的很好的一致性。 第二天和第三天的预报偏离了测量的阵风，特别是最小值和最大值。 这是预料之中的事情，因为数值天气预报的误差通常随着预测时间的长度而增长。 这个例子首先表明SKIRON / Dust模型用于阵风计算的方法是可靠的，并且提供了可接受的结果。 为了达到更清晰和一致的应用参数化评估结果，阵风发生次数的分布如图3a-f所示。

图3.每个阵风出现次数（紫）和相应的24小时（蓝），48小时（绿）和72小时（黄）预测的模型结果的直方图。

此外，在整个模拟期间和三个预测日期计算了一些统计评分[34]。结果如表1所示。该分析证明，该模型能够代表大多数情况下的阵风分布。 SKIRON模式在第一个预测日表现良好，随着预测时间的增加，所有的统计评分都有所偏差。对于第二天和第三天的预报，由于截断和参数化错误，准确地描述阵风变得越来越困难。一般来说，在预测中模型精度受到附近初始条件的快速分歧和核心模型缺陷的限制[22]，因此随着预测范围的增加，预测结果偏离了实际情况。 St46086统计中记录了这种模式的一个例外。然而，精确度增加的幅度在统计学上并不显著，这可归因于时间序列的长度有限。

首站日预测的最佳统计评分在46028站达到，偏差和均方根误差分别为-0.471和2.554。归一化偏差也接近于0（-0.066），而纳什 - 萨特克利夫系数接近理想值1（0.656）。这表明该模型能够正确地捕捉阵风参数化所需的大气参数，从而获得可接受的结果。同时，该模型预测与海上站46005相对应，根据偏差（0.224）和均方根（2.45）的统计指标表现出令人满意的表现。预测期第1天的归一化偏差和纳什 - 萨特克利夫系数分别为0.026和0.594。值得注意的是，对于靠近海岸的浮标站，模型低估了测得的阵风。这可以归因于该地区的海岸线和地形变化的代表性，NWP模型的网格结构以及海陆空相互作用过程。相反，在公海海域，系统高估了浮标观测值。这可能是由于在建模系统中实施的参数化来估计阻力系数以及与浮标测量（尤其是在高波浪条件下）相关的问题。

表1：测量的阵风与1,2和3天预测的相应模型结果之间的统计评分。

与所提出的建模系统的总体良好性能相反，46069站的统计得分较低，RMSE值高达5.34，第一天的预测偏差为-4.265。 因此，归一化的偏差值为0.54，测定的系数最低为0.369。 由于这些与实际阵风数据的偏差，将卡尔曼滤波方法应用于模型输出中，如2.3节所述。 根据修正后的模型数据，第一天，第二天和第三天的阵风分布如图4a-c所示。

图4.对于未校正的模型数据为每一阵风箱出现次数直方图（蓝），观察（绿）和修正后的模型结果（黄）的24h（a）和48h（b）72h（c）预测。

显然，卡尔曼滤波方法的使用大大提高了预测结果。重新计算统计评分预测三天（表2）。拜厄斯在第一天里已经提高了第二，89%天提高了90%，第三天提高了88%。这是预料中的事，因为卡尔曼滤波方法主要是一种偏置校正技术。此外，大多数其他统计数字也有相当大的改进。纳什 - 萨特克利夫系数由第一天提高109%，86%，第二天和77%天的第三。均方根误差降低为第一天，25%，29%，第二天和27%天的第三。最后，标准化偏倚在第一天内提高了12%，第二天和第三天提高了9%。唯一没有实际改善的指数是决定系数。这是在预期内的，因为过滤器的应用往往会产生可能导致较弱的线性时间序列的相移。同样值得注意的是，通过使用卡尔曼滤波器，我们能够改进三天的阵风预报，这对操作系统来说是非常重要的。

同样的方法被应用于46086站，以便在模型不偏离测量的情况下检验方法的有效性。 相应的统计得分在相同的表（2）中给出。 偏见有显著的改善。 因此，第一，二，三日预测的均方根误差分别下降了27％，26％和25％，结果显示出良好的改善。 与此同时，纳什 - 萨特克利夫系数在所有的预测期都有显著的改善。 最后，归一化偏差如预期般改善，而决定系数则下降（〜21-34％），这是由于前面所讨论的原因。

上述分析表明，该方法用于预报至少三天地表阵风上可能是一个有价值的工具。

表2：对于浮标46069和46086的1天，2天和3天的预测，更新了测量阵风与修正模型结果之间的统计评分。

4．总结

在这项研究中，通过把动态和统计学技术相结合，得出了一种估算地面阵风的先进技术。 基于Brasseur [6]的工作，SKIRON / Dust有限区域模型已被修改，以提供阵风预报，以满足对可靠的极端天气预报的需求增加。 该模型应用NOAA的国家数据浮标中心的数据，运行了四个月的预测模式，并用三个预测天数，即24h（第一天预报），48h（第二天预报）和72h（第三天预报）计算了多个统计评分。 此外，本文还提出了一个动态统计方法，用卡尔曼滤波器来校正模型结果。

在大多数评估案例中，系统根据各种计算的统计指标取得了成功的表现。 三个预测期都是如此，第一天的预测在大多数的测试中都能取得最好的结果。 对于接近海岸线的位置，模型低估了测得的阵风，主要是由于陆地边界的代表性较差以及相关的过程。

卡尔曼滤波器优化系统已经被应用，以便以较好的结果来校正模型预测。该程序提高了统计评分，显著证明了它可以用于运行风力预报系统。

总之，我们可以看到，NWP阵风估算系统和卡尔曼滤波器的组合可用于预测与支持海上风电场和其他设施的建设，特别是在模拟极端天气事件方面。

参考文献：

[1] Patlakas, P., Galanis, G., Barranger, N., Kallos, G. (2016) “Extreme wind events in a complex maritime environment: ways of quantification.” J. Wind Eng. Ind. Aerodyn. DOI information: 10.1016/j.jweia.2015.11.006

[2] Larseacute;n X.G., Badger J., Hahmann A.,

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[22638]，资料为PDF文档或Word文档，PDF文档可免费转换为Word