基于统计模型预报海上风电场高空风场数据的方法及设备

技术领域

本发明涉及气象技术领域，具体涉及一种基于统计模型预报海上风电场高空风场数据的方法及设备。

背景技术

众所周知，沿海地区多为滩涂地形，风电建设成本低、台风灾害影响少、风电转化率较高，是名副其实的“风电宝地”。目前海上风电气象服务需求巨大，但由于海上环境复杂多变，海上风电设备的运输、施工以及运营维护等面对的挑战较大，海上施工人员的安全、通讯联络以及资产安全等问题亟待解决。将海上风场数字化能够更好地进行施工调度以及各环节的监测。因此，研究海上风场对海上风电项目有着统领全局的作用，对后续海上风电工程施工建设具有参考意义，各沿海省市气象服务中心以此为契机，利用数值预报进行海上风场气象服务综合保障。

然而，由于数值模式和初值的不确定性，模式预报不可避免地会出现误差。为了改进海上风场预报效果，基于统计模型采用高空综合探测资料订正方法对数值预报产品进行误差订正和释用是非常必要的，更有效地为灾害性天气提供预报预警服务信息，且可推广使用，应用前景广阔。

近几年来，随着科学的不断进步和计算机技术的突飞猛进，尤其是自动观测系统的广泛应用，气象数据在种类和数量上大幅度增加。气象大数据的种类包括气象观测产品数据、气象观测原始数据、气象服务产品数据和气象业务产品数据等，气象观测数据的种类从传统的地面和高空观测资料转变为融合了实况观测数据、气象雷达资料、气象卫星资料和数值预报产品的综合数据资料，气象观测数据数量涨幅惊人。如此庞大的气象数据，对气象预报准确率的提高既是机遇也是挑战。

提高气象预报的根本途径在于研究和掌握大气运动的基本原理，使用气象大数据预测也是提高气象预报准确率的一种方法。使用传统的气象预报技术来处理这些海量的数据，得出的预报结果和预报精度需较好地满足人类的生产生活，各个气象预报要素中，风场的变化与人们的生活息息相关，人们可以利用风资源，但风资源也可能会对人类生产生活和经济发展造成一定的影响，因此，提高风场预报准确率，对海上风场气象服务综合保障有重要意义。

发明内容

本发明的目的是针对现有技术存在的不足，提供基于统计模型预报海上风电场高空风场数据的方法及设备。

为实现上述目的，在第一方面，本发明提供了基于统计模型预报海上风电场高空风场数据的方法，包括：

步骤1、采集历史N天的ECMWF细网格预报数据和目标海上风电场所属地区的探空站数据，并对其进行数据解析；

步骤2、基于历史N天的ECMWF细网格预报数据分析场数据，并利用最邻近插值法将分析获得的场数据插值至目标海上风电场所属地区的探空站和目标海上风电场上，以获得历史N天ECMWF预报的目标海上风电场所属地区的探空站和目标海上风电场的风数据，然后结合机器学习方法搭建目标海上风电场所属地区的探空站50米高度风与目标海上风电场50米高度风的一元线性回归模型；

步骤3、基于步骤2中获得的获得历史N天ECMWF预报的目标海上风电场所属地区的探空站的风数据和步骤1中采集的历史N天的目标海上风电场所属地区的探空站数据，并结合机器学习方法搭建目标海上风电场所属地区的探空站50米高度风与ECMWF预报的目标海上风电场所属地区的探空站10米风、100米风、200米风的多元线性回归模型；

步骤4、将ECMWF实时预报的目标海上风电场所属地区的探空站10米风、100米风、200米风数据代入至所述多元线性回归模型中，以获得ECMWF预报的目标海上风电场所属地区的探空站50米高度风数据；

步骤5、将步骤4中计算获得的ECMWF预报的目标海上风电场所属地区的探空站50米高度风数据代入至一元线性回归模型中，以计算出未来设定时段内目标海上风电场50米高度风数据。

进一步的，所述目标海上风电场所属地区的探空站50米高度风与目标海上风电场50米高度风的一元线性回归模型表示为Y＝kX+e，其中，X为目标海上风电场所属地区的探空站50米高度风，Y为目标海上风电场50米高度风，k为斜率，e为一元线性回归模型的常数项。

进一步的，所述目标海上风电场所属地区的探空站50米高度风与ECMWF预报的目标海上风电场所属地区的探空站10米风、100米风、200米风的多元线性回归模型表示为Y＝aX1+bX2+cX3+d，其中X1为ECMWF预报的目标海上风电场所属地区的探空站10米风，X2为ECMWF预报的目标海上风电场所属地区的探空站100米风，X3为ECMWF预报的目标海上风电场所属地区的探空站200米风，Y目标海上风电场所属地区的探空站50米高度风，a为ECMWF预报的目标海上风电场所属地区的探空站10米风的权重系数，b为ECMWF预报的目标海上风电场所属地区的探空站100米风的权重系数，c为ECMWF预报的目标海上风电场所属地区的探空站200米风的权重系数，d为多元线性回归模型的常数项。

进一步的，所述N的取值为30。

进一步的，所述未来设定时段为未来72小时，且计算出的目标海上风电场50米高度风数据为逐1小时的数据，并以JSON格式文件输出。

在第二方面，本发明提供了基于统计模型预报海上风电场高空风场数据的设备，包括：

数据采集模块，用以采集历史N天的ECMWF细网格预报数据和目标海上风电场所属地区的探空站数据，并对其进行数据解析；

第一模型构建模块，用以基于历史N天的ECMWF细网格预报数据分析场数据，并利用最邻近插值法将分析获得的场数据插值至目标海上风电场所属地区的探空站和目标海上风电场上，以获得历史N天ECMWF预报的目标海上风电场所属地区的探空站和目标海上风电场的风数据，然后结合机器学习方法搭建目标海上风电场所属地区的探空站50米高度风与目标海上风电场50米高度风的一元线性回归模型；

第二模型构建模块，用以基于第一模型构建模块获得的获得历史N天ECMWF预报的目标海上风电场所属地区的探空站的风数据和数据采集模块采集的历史N天的目标海上风电场所属地区的探空站数据，并结合机器学习方法搭建目标海上风电场所属地区的探空站50米高度风与ECMWF预报的目标海上风电场所属地区的探空站10米风、100米风、200米风的多元线性回归模型；

第一计算模块，用以将ECMWF实时预报的目标海上风电场所属地区的探空站10米风、100米风、200米风数据代入至所述多元线性回归模型中，以获得ECMWF预报的目标海上风电场所属地区的探空站50米高度风数据；

第二计算模块，用以将第一计算模块计算获得的ECMWF预报的目标海上风电场所属地区的探空站50米高度风数据代入至一元线性回归模型中，以计算出未来设定时段内目标海上风电场50米高度风数据。

进一步的，所述目标海上风电场所属地区的探空站50米高度风与目标海上风电场50米高度风的一元线性回归模型表示为Y＝kX+e，其中，X为目标海上风电场所属地区的探空站50米高度风，Y为目标海上风电场50米高度风，k为斜率，e为一元线性回归模型的常数项。

进一步的，所述目标海上风电场所属地区的探空站50米高度风与ECMWF预报的目标海上风电场所属地区的探空站10米风、100米风、200米风的多元线性回归模型表示为Y＝aX1+bX2+cX3+d，其中X1为ECMWF预报的目标海上风电场所属地区的探空站10米风，X2为ECMWF预报的目标海上风电场所属地区的探空站100米风，X3为ECMWF预报的目标海上风电场所属地区的探空站200米风，Y目标海上风电场所属地区的探空站50米高度风，a为ECMWF预报的目标海上风电场所属地区的探空站10米风的权重系数，b为ECMWF预报的目标海上风电场所属地区的探空站100米风的权重系数，c为ECMWF预报的目标海上风电场所属地区的探空站200米风的权重系数，d为多元线性回归模型的常数项。

进一步的，所述N的取值为30。

进一步的，所述未来设定时段为未来72小时，且计算出的目标海上风电场50米高度风数据为逐1小时的数据，并以JSON格式文件输出。

有益效果：本发明基于历史30天探空站数据、ECMWF模式预报10米、100米、200米风场数据，采用统计模型订正目标海上风电场所属地区的探空站50米风场，再搭建目标海上风电场所属地区的探空站50米风场与目标海上风电场50米风场统计回归模型，从而达到间接订正目标海上风电场50米风场预报数据的目的，在一定程度上提高了风场预报准确率，对海上风场气象服务综合保障有重要意义。

附图说明

图1是一种基于统计模型预报海上风电场高空风场数据的方法的流程示意图；

图2是一种基于统计模型预报海上风电场高空风场数据的设备的原理框图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，本实施例在以本发明技术方案为前提下进行实施，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。

如图1所示，本发明实施例提供了一种基于统计模型预报海上风电场高空风场数据的方法，包括：

步骤1、采集历史N天的ECMWF细网格预报数据和目标海上风电场所属地区的探空站数据，并对其进行数据解析。其中，N的取值优选为30，即采集历史30天内的ECMWF细网格预报数据和目标海上风电场所属地区的探空站数据。

步骤2、基于历史N天的ECMWF细网格预报数据分析场数据，并利用最邻近插值法将分析获得的场数据插值至目标海上风电场所属地区的探空站和目标海上风电场上，以获得历史N天ECMWF预报的目标海上风电场所属地区的探空站和目标海上风电场的风数据，然后结合机器学习方法搭建目标海上风电场所属地区的探空站50米高度风与目标海上风电场50米高度风的一元线性回归模型，从而得到目标海上风电场所属地区的探空站50米高度风与目标海上风电场50米高度风的关系方程。

具体的，上述目标海上风电场所属地区的探空站50米高度风与目标海上风电场50米高度风的一元线性回归模型可表示为Y＝kX+e，其中，X为目标海上风电场所属地区的探空站50米高度风，Y为目标海上风电场50米高度风，k为斜率，e为一元线性回归模型的常数项。k、e的数值即通过上述机器学习方法确定。

步骤3、基于步骤2中获得的获得历史N天ECMWF预报的目标海上风电场所属地区的探空站的风数据和步骤1中采集的历史N天的目标海上风电场所属地区的探空站数据，并结合机器学习方法搭建目标海上风电场所属地区的探空站50米高度风与ECMWF预报的目标海上风电场所属地区的探空站10米风、100米风、200米风的多元线性回归模型。

具体的，上述目标海上风电场所属地区的探空站50米高度风与ECMWF预报的目标海上风电场所属地区的探空站10米风、100米风、200米风的多元线性回归模型表示为Y＝aX1+bX2+cX3+d，其中，X1为ECMWF预报的目标海上风电场所属地区的探空站10米风，X2为ECMWF预报的目标海上风电场所属地区的探空站100米风，X3为ECMWF预报的目标海上风电场所属地区的探空站200米风，Y目标海上风电场所属地区的探空站50米高度风，a为ECMWF预报的目标海上风电场所属地区的探空站10米风的权重系数，b为ECMWF预报的目标海上风电场所属地区的探空站100米风的权重系数，c为ECMWF预报的目标海上风电场所属地区的探空站200米风的权重系数，d为多元线性回归模型的常数项。a、b、c、d的数值通过机器学习方法确定。

步骤4、将ECMWF实时预报的目标海上风电场所属地区的探空站10米风、100米风、200米风数据代入至上述多元线性回归模型中，以获得ECMWF预报的目标海上风电场所属地区的探空站50米高度风数据。

步骤5、将步骤4中计算获得的ECMWF预报的目标海上风电场所属地区的探空站50米高度风数据代入至一元线性回归模型中，以计算出未来设定时段内目标海上风电场50米高度风数据。上述未来设定时段优选为未来72小时，且计算出的目标海上风电场50米高度风数据为逐1小时的数据。具体的，在步骤4、5中需要取ECMWF实时预报的未来72小时、逐1小时的数据，对应依次计算出未来72小时、逐1小时的目标海上风电场所属地区的探空站50米高度风数据和目标海上风电场50米高度风数据。最后将计算出的高度风数据写入JSON格式文件，从而以JSON格式文件输出。

参见图2，基于以上实施例，本领域技术人员可以轻易理解，本发明还提供了一种基于统计模型预报海上风电场高空风场数据的设备，包括数据采集模块1、第一模型构建模块2、第二模型构建模块3、第一计算模块4和第二计算模块5。

其中，数据采集模块1用以采集历史N天的ECMWF细网格预报数据和目标海上风电场所属地区的探空站数据，并对其进行数据解析。其中，N的取值优选为30，即采集历史30天内的ECMWF细网格预报数据和目标海上风电场所属地区的探空站数据。

第一模型构建模块2用以基于历史N天的ECMWF细网格预报数据分析场数据，并利用最邻近插值法将分析获得的场数据插值至目标海上风电场所属地区的探空站和目标海上风电场上，以获得历史N天ECMWF预报的目标海上风电场所属地区的探空站和目标海上风电场的风数据，然后结合机器学习方法搭建目标海上风电场所属地区的探空站50米高度风与目标海上风电场50米高度风的一元线性回归模型，从而得到目标海上风电场所属地区的探空站50米高度风与目标海上风电场50米高度风的关系方程。

具体的，上述目标海上风电场所属地区的探空站50米高度风与目标海上风电场50米高度风的一元线性回归模型可表示为Y＝kX+e，其中，X为目标海上风电场所属地区的探空站50米高度风，Y为目标海上风电场50米高度风，k为斜率，e为一元线性回归模型的常数项。k、e的数值即通过上述机器学习方法确定。

第二模型构建模块3用以基于第一模型构建模块2获得的获得历史N天ECMWF预报的目标海上风电场所属地区的探空站的风数据和数据采集模块采集的历史N天的目标海上风电场所属地区的探空站数据，并结合机器学习方法搭建目标海上风电场所属地区的探空站50米高度风与ECMWF预报的目标海上风电场所属地区的探空站10米风、100米风、200米风的多元线性回归模型。

具体的，上述目标海上风电场所属地区的探空站50米高度风与ECMWF预报的目标海上风电场所属地区的探空站10米风、100米风、200米风的多元线性回归模型表示为Y＝aX1+bX2+cX3+d，其中，X1为ECMWF预报的目标海上风电场所属地区的探空站10米风，X2为ECMWF预报的目标海上风电场所属地区的探空站100米风，X3为ECMWF预报的目标海上风电场所属地区的探空站200米风，Y目标海上风电场所属地区的探空站50米高度风，a为ECMWF预报的目标海上风电场所属地区的探空站10米风的权重系数，b为ECMWF预报的目标海上风电场所属地区的探空站100米风的权重系数，c为ECMWF预报的目标海上风电场所属地区的探空站200米风的权重系数，d为多元线性回归模型的常数项。a、b、c、d的数值通过机器学习方法确定。

第一计算模块4用以将ECMWF实时预报的目标海上风电场所属地区的探空站10米风、100米风、200米风数据代入至多元线性回归模型中，以获得ECMWF预报的目标海上风电场所属地区的探空站50米高度风数据。

第二计算模块5用以将第一计算模块4计算获得的ECMWF预报的目标海上风电场所属地区的探空站50米高度风数据代入至元线性回归模型中，以计算出未来设定时段内目标海上风电场50米高度风数据。具体的，在第一计算模块4和第二计算模块5需要取ECMWF实时预报的未来72小时、逐1小时的数据，对应依次计算出未来72小时、逐1小时的目标海上风电场所属地区的探空站50米高度风数据和目标海上风电场50米高度风数据。最后将计算出的高度风数据写入JSON格式文件，从而以JSON格式文件输出。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，其它未具体描述的部分，属于现有技术或公知常识。在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。