大气压的差值对风速空间相关性预测的影响分析

杨正瓴，王如雪，乔健，张玺，杨钊，张军

大气压的差值对风速空间相关性预测的影响分析

杨正瓴1，王如雪1，乔健1，张玺1，杨钊1，张军2

（1．天津大学电气自动化与信息工程学院，天津市 南开区 300072；2．天津市过程检测与控制重点实验室(天津大学)，天津市 南开区 300072）

风速空间相关性预报是风电功率预测的有效方法。为提高风速空间相关性预报的效果，文中分析了动力气象学中大气运动的基本方程，可知气压梯度力、地球引力以及摩擦力是大气运动的基本动力。在短期、超短期风电功率预测的时间尺度里，地球引力、摩擦力通常可以看作已知量或不变量，因此气压梯度力是引起风的首要动力。定量分析了我国东南沿海发展空间相关性预报的价值，认为我国季风区的空间相关性明显超过欧美，且东南沿海的近海风能明显高于陆地，特别适合空间相关性预测，采用大气压的空间相关性预测是我国季风区风电功率预测的可靠基础方法之一。

风电功率预测；风速；气压；压差；空间相关性

0 引言

风是影响电力系统的重要自然因素之一，风不仅是风力发电的主要动力，还会引起电力负荷变化、架空线因振动断股断线、碰线故障、相间闪络等。因此，准确可靠的风力预报是智能电网、全球能源互联网等的主要基础信息之一[1-4]，风电功率预测是电力系统关键基础技术[5-11]。

目前公认的提高风电功率预测效果的2个基本技术步骤，一是提高对未来风的预报，二是从风到风机出力的准确折算[12]。特别是对超短期、短期风电功率预测，其要求的准确性更高，因此这些时间尺度的风预报显得更重要。目前预报风的主要方法有数值天气预报(numerical weather prediction，NWP)、利用本地长期天气历史资料的预报方法和利用周围地区天气资料的空间相关性方法[13-16]等。受制于全球模式NWP发展的限制，风场使用的NWP难以成为今后若干年内我国提高风预报效果的首选途径。依据本地长期天气历史资料的预测方法，会受到相关性指标和预测模型发展的限制。以上这2种通用方法都会受到“家族性缺陷”[6]的制约。而空间相关性预测是预测原理上不同于前面2类方法的新途径，有望弥补“家族性缺陷”。

利用周边地区天气信息的空间相关性方法，已经用于中长期[17]、短期[18]、超短期[19]各个时间尺度的预报实践。空间相关性方法是当前我国季风区提高风预报效果的首选研究方法，特别是在东南沿海地带。为进一步可靠地提高空间相关性风预报的效果，本文将重点阐述大气压在其中的重要作用，这是目前国际电力系统界还没有充分认识到的重要天气因子。

1 数值天气预报的困境

1.1 当前NWP的预报效果

由于受到大气探测技术的应用和对某些天气现象机理认识的限制，不少天气要素如降水、风等的预报结果与实况有一定差距[20]。实际预报中，需要在数值预报产品的基础上进行人工订正，从而对天气形势作出诊断和预报，进而作出具体的天气预报。

尽量提高风与光的预报准确率是供电部门对气象预报最期盼的要求，但实现起来有很大难度。气象预报人员可以做出100%的努力，但尚难以达到90%以上准确率的需求。而且，NWP做不到对大风的更准确预报。如果风的变化比较剧烈，会使风压场不断调整，对预报的准确率会有影响，如果风向风速都较稳定，对预报影响不大。

风电功率大体上正比于有效风速的2~3次方。因此提高风速的预报效果，是保证风电功率预报准确性的核心之一。但是，NWP没有保证大风预报准确性的能力，而且对强对流的预报效果会更差。

1.2 ECMWF当前的风速预报误差

欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts，ECMWF)是当今世界数值天气预报领域的领头羊，其预报效果超过了美国大气海洋局(National Oceanic and Atmospheric Administration，NOAA)的下一代全球预测系统(next generation global prediction system，NGGPS)。

ECMWF对欧洲地区提前60h和72h风速预报的平均误差和标准差逐年降低的过程见图1。

图1 ECMWF在欧洲地区提前60 h和72 h风速预报误差

由图1可见，大约从2002年开始，对风速的预报效果基本上处在波动状态。提高风速等预报效果，需要更密集的实际天气状态观测网站，以及大体按照指数方式增加的计算机能力。目前形势下，这些方面短期内明显提高的可能性不大。目前NWP的误差主要来源是初值(对实际天气因子的准确观测)，而不是NWP自身的计算。我国风场的风速NWP情况基本相同[21]。

图2是ECMWF对欧洲地区风速预报的均方根误差随预报时间的变化。由图2可见，2014年对欧洲提前12h风速预报的均方根误差超过了2.15m/s。

风是地理空间大范围的天气运动。受制于全球模式NWP提供侧边界条件的预报误差，风场预报普遍采用的NWP与微尺度NWP模型嵌套方案[22]，难以通过提高空间分辨率做到真正提高风场的风预报效果。综上，风场NWP难以作为未来若干年提高风电功率预测的主要方法。

图2 ECMWF对欧洲地区风速预报的均方根误差与提前时间

2 空间相关性预报的影响因素关系分析

2.1 空间相关性预报简介

空间相关性预报是一种利用本地周围地区的历史天气资料、未来天气预报对本地进行预报的方法。空间相关性预报具有可靠地提高大风预报效果的特殊优势。在欧美地区，空间相关性预报的范围一般在100km、4h以内；在我国季风区，则可以超过2000km、20h[14]。

由于电力系统研究人员一般不是气象专家，所以目前世界范围的风速空间相关性预报，在确定风向后，几乎都把周边的风速作为首选影响因子，从而导致本地风速预报误差较大。只有极少量的研究者认识到气压才是空间相关性风速预报的首要影响因子[23-25]。

一些风场采用本地的长期历史气象资料(如最近20年以上)，通过机器学习等也较好地预报了本地的未来风速。对于我国季风区，在空间相关性预报的框架内，将当前的天气观测值和长期历史气象资料相结合，有望实现高精度、高可靠性的未来风预报[5]。特别是在回归预报阶段中采用大气运动方程的空间相关性预报，更是一种高级形式的空间相关性预报。这是一种独立于NWP的预报方法，可望成为提高我国季风区短期风电功率预报的基础方法之一。

2.2 大气运动的基本作用力

对于气象上研究的大气运动来说，作用力主要是气压梯度力、地球引力以及摩擦力[26]。影响方程求解的边界条件和初始条件包括空间大尺度的地形、地表起伏等。

对于风场的短期、超短期风电功率预测，可以认为地球引力变化已知，摩擦力基本不变或可以从历史资料分析中得出，边界条件和初始条件来自观测值或全球模式NWP，所以，气压梯度力(上游与本地的大气压差值)是本地风速空间相关性预报的首选天气因子，其次是温度、风向等。

2.3 气压梯度与风速之间的定量关系

在地球的旋转坐标系中，应用牛顿第二定律，气象学中的大气矢量运动方程[26-27]可写为

自由大气中，空气的水平运动称为地转风，地转风是实际风的一个良好近似。由此得到地转风公式[28]：

由于等高面上气压梯度与等压面上的高度梯度方向相同，在海拔不太高时，

由式(4)、(5)可知，风速大小与水平气压梯度力的大小成正比。由式(7)、(8)可知，在通常天气预报涉及的高度内，风速大小与重力位势梯度的大小成正比。

综上可见：对于空间相关性预报，压差就是本地风速。这里的压差是上游对本地的水平气压梯度力，压差可以用上游大气压减去本地大气压来近似表示。压差作用的具体示例如表1[25]所示。

表1 澳仔风速预测的误差统计

3 全球气压分布与我国的风速预报

NOAA提供的1985—2014年近30年逐月平均的全球位势高度(大气压)分布如图3所示。位势高度图中等高线的间隔越小，风速越大。

从图3可以清楚地发现：我国的大气变化，明显比美洲、欧洲等地区复杂。

再结合NOAA的地表矢量风速分布等其他同期历史资料，可以发现：

1）亚洲上空，特别是我国上空的气压、风速变化是全球最复杂的，这意味着：在相同的风速观测精度和观测塔空间距离的情况下，我国大多数地区风速、风向预测的准确率和可靠性，有明显低于欧美的倾向。

2）蒙古高压不仅是我国冬季风的直接成因，还在每年10月—次年3月(共计6个月)对我国北部非季风区的风能有直接影响。我国最主要的风能资源丰富区(包括西北地区大部、华北北部、东北大部)的风能与蒙古高压有密切关系。

3）喜马拉雅山脉区域上空的低压，与我国西南部的风能资源丰富区有直接关系。

4）我国季风区的东南沿海，特别是台湾海峡周围，应是我国风电未来发展的重点区域。沿海区域不仅风能资源丰富，而且适合空间相关性预测。

我国大多数地区的气压、风速都具有明显高于欧美的复杂变化，这也会引起“风速-出力”散点图关系(功率曲线)的分散性。因为水平轴风力发电机的出力变化与风速的变化之间存在近似的确定性函数关系[29]，并且降低水平轴风机叶片的机械惯性，可以降低出力的分散性。解决风电功率预测“中国特殊问题”[6]与大气压的使用密不可分。

4 我国与荷兰风速性质差异分析

采用我国东南沿海某地、荷兰某地同一年的1 h风速观测值，定量分析我国东南沿海发展空间相关性预报的价值，如图4、5所示。

我国季风区的风速，在冬季风、夏季风时期有较高的规律性，春秋的季风过渡时期变化相对混乱。从图4的小波周期图，以及表2、3的量化指标，都可以明显看到这个性质。

这里的“冬季风1”指年初的冬季风；类似地，“冬季风2”指年末的冬季风。典型的冬季风时间为12月1日—次年2月20日，典型夏季风在6月10日—8月20日。

Hurst指数、信息熵的数值越大，表明风速的变化越混乱。

从我国国家发展和改革委能源研究所、国际能源署2011年《中国风电发展路线图2050》，以及中国气象局风能太阳能资源中心“全国风能资源详查和评价”给出的东部沿海70m高度20年平均风能分布图等都可见，我国东南沿海海岸线和近海的风能明显高出海岸线内的陆地。因此，沿海岸线及其近海的风能开发，不仅能源密度高，还不占用陆地，且可以采用大区域的空间相关性进行短期风电功率预测。

从图3以及NOAA同期的地表矢量风速分布图[14]，并结合多年逐月的矢量风速分布图可见：我国冬季风、夏季风路径具有长期的相对稳定性。

图3 近30年逐月平均的全球位势高度分布

图4 我国某地风速时间序列及其小波周期图

图5 荷兰某地风速时间序列及其小波周期图

因此采用长期气象观测资料的空间相关性预报，是我国季风区风预报的可靠的基础方法之一。由于风速、风向是大气压活动的结果，所以空间相关性预报的首要影响因子是大气压，而不是目前电力系统领域普遍使用的风速、风向。

表2 2组风速时间序列各个时期Hurst指数统计

表3 2组风速时间序列各个时期信息熵统计

5 结论

1）大气压的差值，是引起风(风速、风向)的首要作用力，其次是地球引力和摩擦力。对于风的空间相关性预报，大气压的差值是主要因素，未来的风速、风向是该差值引起的结果。

2）我国东南沿海的季风区，不仅是能源需求区域，还是空间相关性预报的合适区域。

3）我国东南沿海是未来发展风力发电的重点地区之一。利用季风可以较好地保证短期、超短期风电功率预测的可靠性和准确性。

4）我国东南沿海往往午后风速较大，不与电力负荷呈现典型的“反相位”特征。所以该区域的风电与抽水蓄能电站相结合，可以较为可靠地实现本地可再生能源的利用。近海岛屿的“风–水”结合具有提供该区域居民基本生活用电的可能性。

致 谢

感谢以色列耶路撒冷希伯来大学(The Hebrew University of Jerusalem)的Amit Tubi博士在全球天气历史资料方面的帮助！

[1]周原冰．全球能源互联网及关键技术[J]．科学通报，2019，64(19)：1985-1994．

ZHOY Y B．Global energy interconnection vision and key technologies[J]．Chinese Science Bulletin，2019，64(19)：1985-1994．

[2]龚钢军，张桐，魏沛芳，等．基于区块链的能源互联网智能交易与协同调度体系研究[J]．中国电机工程学报，2019，39(5)：1278-1289．

GONG G J，ZHANG T，WEI P F，et al．Research on intelligent trading and cooperative scheduling system of energy internet based on blockchain[J]．Proceedings of the CSEE，2019，39(5)：1278-1289．

[3]舒印彪，张智刚，郭剑波，等．新能源消纳关键因素分析及解决措施研究[J]．中国电机工程学报，2017，37(7)：1-8．

SHU Y B，ZHANG Z G，GUO J B，et al．Study on key factors and solution of renewable energy accommodation[J]．Proceedings of the CSEE，2017，37(7)：1-8．

[4]ANDREW K．Share data on wind energy[J]．Nature，2016，529(7584)：19-21．

[5]薛禹胜，陈宁，王树民，等．关于利用空间相关性预测风速的评述[J]．电力系统自动化，2017，41(10)：161-169．

XUE Y S，CHEN N，WANG S M，et al．Review on wind speed prediction based on spatial correlation[J]．Automation of Electric Power Systems，2017，41(10)：161-169．

[6]乔颖，鲁宗相，闵勇，等．提高风电功率预测精度的方法[J]．电网技术，2017，41(10)：3161-3169．

QIAO Y，LU Z X，MIN Y，et al．Research & application of raising wind power prediction accuracy[J]．Power System Technology，2017，41(10)：3161-3169．

[7]樊新东，杨秀媛，金鑫城．风电场有功功率控制综述[J]．发电技术，2018，39(3)：268-276．

FAN X D，YANG X Y，JIN X C．An overview of active power control in wind farms[J]．Power Generation Technology，2018，39(3)：268-276．

[8]葛维春．大规模弃风储热供暖协调计算方法[J]．发电技术，2018，39(4)：291-295．

GE W C．A coordinated calculation method of abandoned large-scale wind heat storage for heating[J]．Power Generation Technology，2018，39(4)：291-295．

[9]王羽．风电出力时序特性及其对省级电网的影响[J]．发电技术，2018，39(5)：475-482．

WANG Y．Analysis on the characteristics of wind power time series and its impact on provincial power grid[J]．Power Generation Technology，2018，39(5)：475-482．

[10]戴仲覆．毕节地区风电集中接入变电站电压偏高成因及应对措施[J]．发电与空调，2017，38(4)：52-55．

DAI Z F．Cause and corresponding countermeasure analysis of high voltage problems in the substations integrated with wind farms in bijie area[J]．Power Generation & Air Conditioning，2017，38(4)：52-55．

[11]刘志超，王洪彬，沙浩，等．我国风电利用技术现状及其前景分析[J]．发电技术，2019，40(4)：389-395．

LIU Z C，WANG H B，SHA H，et al．Status and prospect analysis of wind power utilization technology in China[J]．Power Generation Technology，2019，40(4)：389-395．

[12]兰维，张中泉，雷阳，等．风电机组出力性能分析方法研究[J]．发电与空调，2017，38(3)：26-29．

LAN W，ZHANG Z Q，LEI Y，et al．Study on output performance analysis of wind turbine [J]．Power Generation & Air Conditioning，2017，38(3)：26-29．

[13]叶林，赵永宁．基于空间相关性的风电功率预测研究综述[J]．电力系统自动化，2014，38(14)：126-135．

YE L，ZHAO Y N．A review on wind power prediction based on spatial correlation approach[J]．Automation of Electric Power Systems，2014，38(14)：126-135．

[14]杨正瓴，刘仍祥，李真真．基于季风和大气压分布的我国风电功率预测研究[J]．分布式能源，2018，3(2)：29-38．

YANG Z L，LIU R X，LI Z Z．Survey on China wind power prediction based on monsoons and atmospheric pressure distribution[J]．Distributed Energy，2018，3(2)：29-38．

[15]OKUMUS I，DINLER A．Current status of wind energy forecasting and a hybrid method for hourly predictions [J]．Energy Conversion and Management，2016，123：362-371．

[16]JUNG J，BROADWATER R P．Current status and future advances for wind speed and power forecasting [J]．Renewable and Sustainable Energy Reviews，2014，31：762-777．

[17]叶林，陈小雨，靳晶新，等．考虑风功率密度和风向特征的风能资源MCP评估方法[J]．电力系统自动化，2019，43(3)：24-32．

YE L，CHEN X Y，JIN J X，et al．Measure-correlate-predict assessment method of wind energy resource considering wind power density and wind direction[J]．Automation of Electric Power Systems，2019，43(3)：24-32．

[18]YE L，ZHAO Y，ZENG C，et al．Short-term wind power prediction based on spatial model[J]．Renewable Energy，2017，101：1067-1074．

[19]杨正瓴，赵强，吴炳卫，等．采用k近邻进行空间相关性超短期风速预测[J]．电力自动化设备，2019，39(3)：175-181．

YANG Z L，ZHAO Q，WU B W，et al．Ultra-short term wind speed prediction based on spatial correlation by k-nearest neighbor[J]．Electric Power Automation Equipment，2019，39(3)：175-181．

[20]黄瑞芳，周园春，鞠永茂，等．气象与大数据[M]．北京：科学出版社，2017：128-129．

HUANG R F，ZHOU Y C，JU Y M，et al．Meteorology and Big Data[M]．Beijing：Science Press ，2017：128-129．

[21]中国电力科学研究院．风电功率预测体系及运行机制研究项目报告[R]．北京：中国电力科学研究院，2012．

China Electric Power Research Institute．Wind power forecast system and operation mechanism research project report[R]．Beijing：China Electric Power Research Institute，2012．

[22]马文通，朱蓉，李泽椿，等．基于CFD动力降尺度的复杂地形风电场风电功率短期预测方法研究[J]．气象学报，2016，74(1)：89-102．

MA W T，ZHU R，LI Z C，et al．Study of the short-term wind power forecasting method for complex terrain wind farm based on the CFD dynamical downscalling[J]．Acta Meteorologica Sinica，2016，74(1)：89-102．

[23]OPTIS M，PERR-SAUER J．The importance of atmospheric turbulence and stability in machine-learning models of wind farm power production[J]．Renewable & Sustainable Energy Reviews，2019，112：27-41．

[24]ZJAVKA L，MISAK S．Direct wind power forecasting using a polynomial decomposition of the general differential equation[J]．IEEE Transactions on Sustainable Energy，2018，9(4)：1529-1539．

[25]杨正瓴，吴炳卫，赵强，等．我国冬季风路径上风速与其影响因子的优化延迟相关性分析[J]．电力系统保护与控制，2018，46(19)：51-58．

YANG Z L，WU B W，ZHAO Q，et al．Analysis of the optimal lag time of wind speeds and their influence factors on the main path of China winter monsoon[J]．Power System Protection and Control，2018，46(19)：51-58．

[26]叶笃正，李崇银，王必魁．动力气象学[M]．北京：科学出版社，1988：50．

YE D Z，LI C Y，WANG B K．Dynamic meteorology[M]．Beijing：Science Press ，1988：50．

[27]ZDUNKOWSKI W，BOTT A．Dynamics of the atmosphere：a course in theoretical meteorology[M]．Cambridge：Cambridge University Press，2003：258．

[28]EMEIS S．Wind energy meteorology：atmospheric physics for wind power generation，green energy and technology [M]．Berlin：Springer-Verlag，2013：386．

[29]YANG Z L，LI Z Z，LIU R X，et al．Fitting the variations from the wind speed to the active power of a wind powered generator by a low-pass filter[C]//Proceedings of the 2018 13th World Congress on Intelligent Control and Automation．Changsha，China，2018：1685-1690．

Analysis of the Influence of Atmospheric Pressure Difference on Spatial Correlation Prediction of Wind Speed

YANG Zhengling1, WAGN Ruxue1, QIAO Jian1, ZHANG Xi1, YANG Zhao1, ZHANG Jun2

(1. School of Electrical and Information Engineering, Tianjin University, Nankai District, Tianjin 300072, China;2. Key Laboratory of Process Measurement and Control (Tianjin University), Nankai District, Tianjin 300072, China)

Spatial correlation prediction of wind speed is an effective method for wind power prediction. In order to improve the effect of spatial correlation prediction of wind speed, the basic equations of atmospheric motion in dynamic meteorology were analyzed, and pressure gradient force, Earth gravity force and the friction force are the basic forces of atmospheric motion. In the time scale of short-term and super-short-term wind power prediction, gravity and friction of the earth can usually be regarded as known quantities or invariants, so pressure gradient force is the primary force causing wind. The value of development spatial correlation and prediction was quantitative analyzed on the southeastern coast of China. It shows that the spatial correlation of monsoon region in China is obviously higher than that in Europe and America，and the southeast coast of offshore wind power are significantly higher than the land, especially suitable for spatial correlation prediction. The spatial correlation of atmospheric pressure prediction is one of the reliable basics methods for prediction of monsoon wind power in China.

wind power prediction; wind speed; atmospheric pressure; pressure difference; spatial correlation

10.12096/j.2096-4528.pgt.19126

TK 89

国家自然科学基金委员会–国家电网公司联合基金(U1766210)。

Project Supported by National Natural Science Foundation of China-State Grid Corporation of China Joint Fund Project (U1766210).

2020-06-29。

(责任编辑 辛培裕)