基于数值模式的太阳辐射预报往往存在一定的系统性偏差,AVT订正方法能够有效降低预报偏差,本文利用该方法对甘肃河西地区两个光伏电站的太阳辐射预报结果进行订正。结果表明:(1)订正前预报偏差呈现明显的“先增加、后减小”日变化特征,订正后日变化特征不明显,并且订正前预报偏差与观测值线性关系显著,订正后线性关系减弱(相关系数降低、拟合优度降低);(2)太阳辐射存在明显的年变化特征,其预报偏差春季最高,其次为夏季,冬季最小,订正后不同季节的预报偏差均降低,春季和夏季降低较为明显。
基于ECWMF模式预报数据对2018年3—11月降水和2 m温度进行统计降尺度,利用先频率匹配法、再阈值法对插值后的降水订正,利用Kalman滤波型的递减平均统计降尺度法对插值后的温度订正,最终获得逐小时降水量和温度的预报。结果表明:(1)对于晴雨预报准确率,绝大多数预报时效频率匹配法和阈值法均对其有明显提高,前者最大改进幅度可达20%以上。对于相对误差,阈值法对空报现象有较显著改进。对于1 h降雨量大于等于20 mm的短时强降水,频率匹配法订正后的TS评分有明显提高。对2018年“安比”台风事件,除具有以上改进效果外,频率匹配法提高了降水主体形态和量级的预报水平,阈值法对空报站订正正确。(2)对于温度的ECWMF模式预报检验,几乎在任何预报时效内都是3月的绝对误差最大。通过Kalman滤波型的递减平均统计降尺度法后,各月的绝对误差都有不同程度减小。总体上,订正后的绝对误差曲线仍具有订正前的周期性波动,波峰、波谷位置也与订正前基本一致,且绝对误差越大,订正幅度越大。个例分析也表明订正后保留了温度预报空间分布的准确性,且绝对误差有明显下降。
基于欧洲中期天气预报中心(ECMWF)的精细化数值预报产品、中国气象局下发的降水指导产品(TP_CMA)及甘肃省340个气象站点降水实况数据,利用泰森多边形与K-means空间聚类方法(spatial cluster and Tyson polygon,SCTP),对2017—2019年4—9月甘肃省340站降水资料进行客观分区。在此基础上,采用随机森林算法(random forest,RF),筛选出与降水相关的物理量因子构建模型,开展甘肃省短期定量降水客观预报订正试验,并进行预报效果检验。结果表明:(1)甘肃省4—9月降水客观分区依次为7、6、14、13、14和11个。(2)就晴雨预报而言,SCTP-RF订正产品对甘肃省汛期的晴雨预报能力较TP_CMA指导产品和ECMWF模式产品有一定提升,提升幅度分别为6.1%、4.2%;在空间上,SCTP-RF算法对甘肃省340站的晴雨预报均具有一定的订正能力,大部分站点晴雨预报准确率提升了5%,特别是河东地区。(3)在分级降水预报中,SCTP-RF订正产品对中雨和大雨的预报能力均优于TP_CMA指导产品和ECMWF模式产品,且全省大部的订正效果较好,特别是河东中部及陇东南地区,但在强降水过程中对小雨和暴雨的预报订正不稳定,尤其是陇东南地区的小雨。
利用山西省18个积冰站电线积冰观测资料和91个气象站常规观测资料,采用逐步回归分析方法,针对不同气候区分别构建电线覆冰设计冰厚的气象估算模型,推算各站30 a、50 a、100 a重现期下的设计冰厚。在此基础上,结合DEM数据和电网运行覆冰观测资料,对设计冰厚进行地形订正和易冰区微地形运行经验修正,最终得到山西省电网电线覆冰厚度空间分布及区划结果。结果表明:(1)山西省电线覆冰的设计冰厚整体与气温、相对湿度、风速、水汽压等密切相关,其中高山区的设计冰厚还与降水量、日照时数关系密切,且受连续3 d的气象条件影响,而丘陵和平原区则与当日和前一日或前二日的气象条件密切相关;(2)构建的分区设计冰厚气象估算模型对各气候区的覆冰厚度模拟效果较好,估算偏差五台山前约2 mm,其余地区小于1.2 mm;(3)地形订正后的结果更为合理地反映山西省各重现期下电线覆冰厚度的空间特征,即覆冰厚度随纬度降低而减小,中、重冰区主要分布在恒山、五台山、管涔山、吕梁山、太岳山和太行山等高海拔地区,而沿黄河一带和盆地为轻冰区,且盆地覆冰最轻;(4)易覆冰区经运行经验修正后,其覆冰厚度能够更加精确表达局部微地形区覆冰真实情况,这对电力部门具有实际参考价值。
利用2008—2019年湖北省荆州、荆门、宜昌、咸宁、随州地区日最大电力负荷值和同期国家气象观测站气象资料,分析最大气象负荷的变化率(Lpm)与温湿指数(I)、气象敏感负荷条件指数(MSLI)、人体舒适度(ET)、体感温度指数(Te)等4种舒适度指数和温度的关系,采用多元回归和BP神经网络方法建立基于上述4种舒适度指数的日最大电力负荷预测模型。结果表明:Lpm与气温、4种舒适度指数在夏季呈正相关,冬季呈负相关,且夏季相关性比冬季显著;综合温度、湿度、风速的4种舒适度指数的变化能够引起Lpm的变化,且这种变化在夏季,尤其是7月和8月更明显;BP神经网络模型和多元回归模型的误差基本控制在电力部门的要求范围内;BP神经网络预测效果优于多元回归,后期业务应用中荆门和咸宁地区建议选取ET指数,其他地市4种指数皆可。
基于1990—2017年河北石家庄输电线路雷击事故资料,结合输电线路雷击发生前6 h的气象要素数据,利用发生概率、发生频率、线性趋势和波动幅度等统计方法,分析该地区输电线路雷击发生规律以及输电线路雷击发生前6 h内的定时风向、气压、相对湿度、气温和地温变化;通过界定输电线路雷击累计发生频率确定其气象指标,并利用EC数值预报和自动站实况对比,检验2018年8月9日石家庄井陉县输电线路雷击事故等级预报的准确性。结果表明:近来年石家庄输电线路雷击事件呈逐年明显增加趋势,呈现出3个高峰期,主要发生在夏季的午后至次日清晨,其中8月03:00—04:00输电线路雷击事故发生概率最大;当出现偏东风,气压和相对湿度上升,或气温和地表温度下降时,输电线路雷击事故发生次数较多;在6 h内当气压上升0.0~2.0 hPa,空气湿度上升0~14%,气温下降0.0~3.0 ℃,地表温度下降0.0~6.5 ℃,定时风向在以东风为中心风向的90°范围内时极易发生输电线路雷击事故;输电线路雷击的发生规律和气象指标在2018年8月9日得到较好的预测检验,对防范雷击事故有一定指导意义。
利用2010—2019年青海省33个闪电定位监测站闪电监测资料和48个市县区雷电灾害实时资料,采用数理统计和ArcGIS空间分析方法对青海省雷电灾害的空间分布及其风险区划进行了分析。结果表明,闪电次数较多、正负闪电流强度较强的地区主要分布于青海省中东部,雷暴日数高值区主要分布在祁连山区局地和青海省南部。青海省雷电灾害风险在空间上呈现出明显的地域分异特征。其中,高风险区主要位于境内的昆仑山、祁连山、念青唐古拉山、巴颜喀拉山和阿尼玛卿雪山以及青南牧区局部;柴达木盆地西北部、青南牧区东南部及环青海湖局部地区属中等风险地区;东部农业区大部、柴达木盆地局部、五道梁和沱沱河地区风险水平较低。
利用2019年甘肃省7个光伏电站太阳总辐射、气温、相对湿度等观测数据和WRF模式太阳总辐射预报产品及FY静止卫星总云量数据,在大气透过率与气象要素相关性分析及数值模式预报能力评估基础上,对甘肃太阳总辐射短临预报误差进行订正研究。结果表明:大气透过率与气温呈显著正相关(相关系数为0.61),而与相对湿度、气压、总云量呈显著负相关(相关系数依次为-0.44、-0.31、-0.81),总云量对太阳辐射的衰减作用贡献最大,其次为相对湿度。太阳辐射预报偏差较大,误差呈明显的“单峰型”月际分布,6月最大,均方根误差在冬季最小为45.63 W·m-2,夏季最大为240.4 W·m-2;预报能力在晴天强、云天较差,其误差主要来源于位相偏差和系统偏差。考虑云量的太阳辐射短临预报订正效果显著,阴天太阳辐射预报订正后的均方根误差降幅为101~216.4 W·m-2,平均绝对误差降幅为59.5~173.07 W·m-2;误差最大的夏季,太阳辐射预报订正后的均方根误差降幅为1.92~64.23 W·m-2。
利用国家气象信息中心CLDAS格点温度实况、中央气象台SCMOC格点温度预报以及山西省站点观测温度,采用非独立性检验综合评估CLDAS在山西区域的适用性。在此基础上,采用滑动训练期订正方案,基于格点实况开展SCMOC温度预报场的客观订正。结果表明:(1)复杂地形对山西CLDAS格点温度实况的精度有一定影响,但最高气温的分析精度优于最低气温,表明地形对最低气温的偏差影响更显著,高海拔地区CLDAS最低气温一般对应为负偏差,低海拔地区一般对应为正偏差。(2)CLDAS格点温度实况的偏差空间分布具有时间延续性,进行简单的系统偏差订正后,最高、最低气温格点实况的精度分别提升1.1%、9.7%,与站点观测更为吻合。(3)基于改进后的CLDAS格点温度实况,采用滑动偏差订正方案,显著改善了山西省SCMOC温度预报的准确率。2019年,滑动偏差订正后的24 h时效最高、最低气温预报准确率较SCMOC温度预报分别提升2.7%、4.7%,订正后的短期温度预报质量有较大提高,优于预报员主观预报。
利用西安市2009年11月15日至2019年3月14日供暖期燃气负荷及气象观测逐日资料,分析西安市供暖期、节假日、双休日燃气负荷的变化规律,采用相关分析方法,筛选相关性显著的因子作为燃气负荷影响因子。在此基础上,采用多元线性回归分析方法,构建供暖期日燃气负荷预测模型,并对模型进行检验评估。结果表明:近10 a西安市供暖期燃气用量逐年增加,且日燃气负荷呈单峰型波动变化,峰值出现在1月。供暖期燃气负荷具有双休日、节假日效应,其燃气负荷明显低于工作日,且节假日越长影响越明显。供暖期燃气负荷与前一日燃气负荷呈显著正相关,而与最高气温、最低气温、平均气温及人体舒适度等气象因子呈显著负相关,分离基础燃气负荷后的供暖燃气负荷与上述气象因子的相关性明显提高。基于上述5个影响因子构建的供暖期日燃气负荷动态预测模型,经检验,平均相对误差为3.4%,且用气高峰期模型预测更稳定,相对误差为2.77%,能够满足天然气公司供暖期燃气调度需求。
基于2002—2018年北京市采暖季天然气消耗量和地面常规气象观测资料以及社会统计年度资料,采用经验模态分解、相关分析等方法分析北京地区采暖季天然气消耗量的年际变化特征及影响要素。在此基础上,利用BP神经网络方法构建采暖季天然气消耗量预测模型,并对模型进行评估检验。结果表明:(1)近17 a北京市采暖季天然气消耗量呈现持续增加趋势,经验模态分解方法能够较好地分离出天然气的社会消耗量和气象消耗量,分别反映了天然气消耗量的长期变化趋势和短期波动特征。(2)采暖季天然气的社会消耗量与GDP、集中供热面积和常住人口数量呈显著正相关;气象消耗量与气温和负积温呈显著负相关,而与降水量和持续低温日数呈显著正相关,当采暖季气温明显偏低或出现较强降雪、持续低温等天气过程时,天然气的气象消耗量将大幅增加。(3)北京市采暖季天然气消耗量EMD_BP预测模型具有较好的预测效果,平均相对误差为5.6%,能够准确预测天然气气象消耗量的峰谷变化。
