夏曉玲,尚媛媛,鄭 奕

(貴州省氣象服務(wù)中心,貴州 貴陽(yáng) 550002)

0 引言

風(fēng)能，具有可再生性，是一種清潔能源，且儲(chǔ)量巨大,是當(dāng)今世界上可再生能源開(kāi)發(fā)技術(shù)最成熟的發(fā)電技術(shù)，且在減輕污染等方面展現(xiàn)了良好的發(fā)展前景，在可再生能源中最適合大規(guī)模開(kāi)發(fā)利用[1-3]。風(fēng)電能占整個(gè)電網(wǎng)比例的大小取決于很多因素，最重要的是風(fēng)速的預(yù)測(cè)[4]。由于大氣邊界層中的風(fēng)場(chǎng)具有間歇性和不確定性[5-6]，因此現(xiàn)有的中尺度數(shù)值模式模擬風(fēng)場(chǎng)[7-9]，特別是近地層風(fēng)場(chǎng)具有較大誤差。風(fēng)速的瞬時(shí)性、脈動(dòng)性以及對(duì)地形的依賴(lài)和敏感性，模式的風(fēng)速模擬結(jié)果具有很大的不確定性[10-11]。目前風(fēng)電場(chǎng)風(fēng)速模擬預(yù)測(cè)的誤差在25%～40%之間[12-13]。貴州省多山地地形，風(fēng)能資料的利用難度和平原省份相比較大[14]，而風(fēng)速預(yù)報(bào)的準(zhǔn)確性是風(fēng)功率預(yù)測(cè)的基礎(chǔ)，對(duì)風(fēng)電場(chǎng)的運(yùn)行效率產(chǎn)生直接的影響。將數(shù)值預(yù)報(bào)的風(fēng)速產(chǎn)品進(jìn)行檢驗(yàn)是研究風(fēng)速預(yù)報(bào)的一種普遍的方法。關(guān)于數(shù)值預(yù)報(bào)對(duì)于風(fēng)速預(yù)報(bào)的檢驗(yàn)，國(guó)內(nèi)已有很多研究成果[15-19]。對(duì)數(shù)值預(yù)報(bào)產(chǎn)品的誤差進(jìn)行訂正的常用方法包括數(shù)據(jù)產(chǎn)品解釋?xiě)?yīng)用MOS方法、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)[20]、非線性回歸、最小偏二乘估計(jì)[21]、Kalman濾波等，其中應(yīng)用最為廣泛的是MOS方法[22-23]和Kalman濾波。梁志文檢驗(yàn)了T639模式和利用BP神經(jīng)網(wǎng)絡(luò)方法對(duì)T639模式訂正后的集寧站的風(fēng)速預(yù)報(bào)效果，結(jié)果表明，經(jīng)人工神經(jīng)網(wǎng)絡(luò)訂正后，風(fēng)速預(yù)報(bào)比T639模式預(yù)報(bào)有明顯的改善[24]，張穎超等運(yùn)用了ELM算法對(duì)WRF模式預(yù)報(bào)風(fēng)速進(jìn)行訂正，并發(fā)現(xiàn)相比其他智能算法(BP神經(jīng)網(wǎng)絡(luò)，SVM算法)，ELM算法對(duì)WRF模式預(yù)報(bào)風(fēng)速具有較好的訂正效果[25]，石嵐等研究了多模式風(fēng)速融合的預(yù)報(bào)應(yīng)用，并認(rèn)為融合現(xiàn)有數(shù)值預(yù)報(bào)產(chǎn)品，對(duì)改善單一數(shù)值預(yù)報(bào)性能具有明顯效果，但是對(duì)風(fēng)速的轉(zhuǎn)折波動(dòng)預(yù)測(cè)還存在一定不足之處[26]，丁圣等檢驗(yàn)了基于WRF的模式的元江羊岔街風(fēng)電場(chǎng)功率短期預(yù)報(bào)效果，發(fā)現(xiàn)進(jìn)行離群值修正后的預(yù)報(bào)結(jié)果滿足超短期(4 h)和短期預(yù)測(cè)月均方根誤差要求，可以投入業(yè)務(wù)運(yùn)行[27]。

目前針對(duì)貴州省范圍內(nèi)的數(shù)值預(yù)報(bào)風(fēng)速效果的研究較少，本文檢驗(yàn)了ECWMF(以下簡(jiǎn)稱(chēng)EC)、GRAPES和JAPAN對(duì)貴州省84個(gè)站點(diǎn)的10 m風(fēng)速預(yù)報(bào)效果，考察3種模式風(fēng)速預(yù)報(bào)的平均絕對(duì)誤差、標(biāo)準(zhǔn)差、相關(guān)系數(shù)和正確率，并運(yùn)用BP神經(jīng)網(wǎng)絡(luò)方式對(duì)兩種模式風(fēng)速預(yù)報(bào)進(jìn)行訂正，檢驗(yàn)訂正效果。

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)

本文檢驗(yàn)了EC、GRAPES模式和Japan 3種模式預(yù)報(bào)時(shí)效為48 h的風(fēng)速預(yù)報(bào)情況，3種模式的時(shí)間分辨率均為逐3 h，其中EC模式數(shù)據(jù)自2017年10月1日—2018年4月10日共192 d，剔除實(shí)況和預(yù)報(bào)缺值、空白和異常數(shù)據(jù)后，有效樣本數(shù)為95.37%；GRAPES模式數(shù)據(jù)自2017年4月20日—2018年5月31日共407 d，有效樣本數(shù)為98.25%；Japan模式數(shù)據(jù)自2017年4月20日—2018年5月31日共407 d，有效樣本數(shù)為75.98%。

1.2 方法

1.2.1 誤差檢驗(yàn) 平均絕對(duì)誤差可以用來(lái)反映預(yù)報(bào)值與實(shí)況值之間的偏離程度，可以反映總誤差情況，是用來(lái)衡量預(yù)報(bào)誤差比較常用的一個(gè)統(tǒng)計(jì)參數(shù)。平均絕對(duì)誤差公式如下：其中xf為實(shí)況值，xo為預(yù)報(bào)值。

標(biāo)準(zhǔn)差反映了檢驗(yàn)區(qū)域內(nèi)誤差幅度的平均狀況，對(duì)誤差的極值反映較為敏感，可以反映誤差的離散程度，標(biāo)準(zhǔn)差公式如下：

1.2.2 趨勢(shì)檢驗(yàn) 檢驗(yàn)數(shù)值模式對(duì)風(fēng)速趨勢(shì)的預(yù)報(bào)效果，本文采用相關(guān)系數(shù)來(lái)檢驗(yàn)，相關(guān)系數(shù)是用來(lái)反映預(yù)報(bào)值與實(shí)況值的線性相關(guān)程度，相關(guān)系數(shù)的絕對(duì)值越接近1，說(shuō)明模式對(duì)風(fēng)速的變化趨勢(shì)有一定的預(yù)報(bào)能力。相關(guān)系數(shù)的公式如下：

1.2.3 準(zhǔn)確率檢驗(yàn) 分別定義誤差小于0.5 m/s、1 m/s、2 m/s時(shí)為預(yù)報(bào)準(zhǔn)確,統(tǒng)計(jì)預(yù)報(bào)準(zhǔn)確率,查看模式對(duì)風(fēng)速的預(yù)報(bào)效果。

1.2.4 訂正方法 本文檢驗(yàn)數(shù)值預(yù)報(bào)對(duì)風(fēng)速的預(yù)報(bào)效果，首先定義誤差為實(shí)況值減預(yù)報(bào)值，分站點(diǎn)，分區(qū)域檢驗(yàn)實(shí)況與預(yù)報(bào)的相關(guān)系數(shù)，誤差的標(biāo)準(zhǔn)差、平均絕對(duì)誤差，并分別檢驗(yàn)誤差小于0.5 m/s、1 m/s、2 m/s時(shí)的準(zhǔn)確率。訂正數(shù)值預(yù)報(bào)首先隨機(jī)選取一部分?jǐn)?shù)據(jù)，運(yùn)用一元線性回歸方式和BP神經(jīng)網(wǎng)絡(luò)建立訂正模型，然后運(yùn)用其余數(shù)據(jù)，帶入訂正模型，檢驗(yàn)訂正后的相關(guān)系數(shù)、標(biāo)準(zhǔn)差、平均絕對(duì)誤差和準(zhǔn)確率。

2 模式風(fēng)速預(yù)報(bào)效果檢驗(yàn)

2.1 EC模式檢驗(yàn)

EC模式對(duì)于貴州氣象站點(diǎn)風(fēng)速預(yù)報(bào)的平均誤差在-1.9～1.7 m/s之間(圖略)，其中73.8%的站點(diǎn)平均誤差小于0，故EC模式對(duì)貴州省風(fēng)速的預(yù)報(bào)較實(shí)況偏大。全省站點(diǎn)平均絕對(duì)誤差在0.6～2.1 m/s之間(圖1c)，可以看出省的北部地區(qū)平均絕對(duì)誤差較中部和南部明顯偏小，中部次之，西部平均絕對(duì)誤差最大，其中省的西部烏蒙山附近的威寧、畢節(jié)、織金、納雍；苗嶺附近的晴隆，長(zhǎng)順，為偏差高值中心，平均絕對(duì)誤差均大于1.5 m/s。標(biāo)準(zhǔn)差分布情況和平均絕對(duì)誤差相似，北部地區(qū)最低，中部次之，西部最高，全省站點(diǎn)標(biāo)準(zhǔn)差在0.8～2.5 m/s之間(圖1a)。

從相關(guān)系數(shù)分布(圖1b)可以看出，全省站點(diǎn)相關(guān)系數(shù)平均數(shù)為0.5，相關(guān)系數(shù)較低的幾個(gè)站點(diǎn)均在省的東部地區(qū)，分別位于武陵山脈附近的沿河、松桃、思南；以及省東部的臺(tái)江和錦屏。可以看出誤差分布和相關(guān)系數(shù)的分布并不相似，預(yù)報(bào)誤差較大的站點(diǎn)，趨勢(shì)預(yù)報(bào)效果不一定較差。

風(fēng)速預(yù)報(bào)誤差絕對(duì)值為2 m/s的準(zhǔn)確率全省平均值為83%，站點(diǎn)準(zhǔn)確率分布圖(圖1d)可以看出，其分布規(guī)律與平均絕對(duì)誤差相似。北部地區(qū)準(zhǔn)確率最高，基本在80%以上；準(zhǔn)確率低于70%的幾個(gè)站點(diǎn)都在省的西部地區(qū)，其中織金的準(zhǔn)確率最低為54%。

圖1 EC模式在貴州風(fēng)速預(yù)報(bào)效果圖Fig.1 Wind speed forecasting effect of EC mode in Guizhou

2.2 GRAPES模式檢驗(yàn)

GRAPES模式對(duì)于貴州氣象站點(diǎn)風(fēng)速預(yù)報(bào)的平均誤差在-3.1～0 m/s之間(圖略)，所有站點(diǎn)平均誤差小于0，GRAPES模式對(duì)貴州省風(fēng)速的預(yù)報(bào)較實(shí)況明顯偏大，應(yīng)該存在系統(tǒng)誤差。全省站點(diǎn)平均絕對(duì)誤差在1.1～3.3 m/s之間(圖2c)，可以看出省的東部和西南部部分地區(qū)平均絕對(duì)誤差較西北部和北部部分地區(qū)明顯偏小，中部次之，西北部平均絕對(duì)誤差最大，其中省的西部烏蒙山附近的威寧、六盤(pán)水、織金、納雍；苗嶺附近的長(zhǎng)順，為偏差高值中心，平均絕對(duì)誤差均大于2.8 m/s。標(biāo)準(zhǔn)差分布情況和平均絕對(duì)誤差相似，東部和西南部邊緣最低，北部次之，西部最高，全省站點(diǎn)標(biāo)準(zhǔn)差在1.1～3.3 m/s之間(圖2a)。

圖2 GRAPES模式在貴州風(fēng)速預(yù)報(bào)效果圖Fig.2 Wind speed forecasting effect of GRAPES mode in Guizhou

從相關(guān)系數(shù)分布(圖2b)可以看出，全省站點(diǎn)相關(guān)系數(shù)平均數(shù)為0.4，相關(guān)系數(shù)較低的幾個(gè)站點(diǎn)均在省邊緣地區(qū)，分別為省東北部邊緣的沿河、務(wù)川，西南部邊緣的冊(cè)亨和西北部邊緣的赫章。與EC相似的可以看出誤差分布和相關(guān)系數(shù)的分布并不相似，預(yù)報(bào)誤差較大的站點(diǎn)，趨勢(shì)預(yù)報(bào)效果不一定較差。

風(fēng)速預(yù)報(bào)誤差絕對(duì)值為2 m/s的準(zhǔn)確率全省平均值為56%，站點(diǎn)準(zhǔn)確率分布圖(圖2d)可以看出，其分布規(guī)律與平均絕對(duì)誤差相反。東部部地區(qū)準(zhǔn)確率最高，基本在60%以上；準(zhǔn)確率低于40%的兩個(gè)站點(diǎn)都在省的中西部地區(qū)，其中長(zhǎng)順的準(zhǔn)確率最低為32%。

2.3 JAPAN模式檢驗(yàn)

JANPA模式對(duì)于貴州氣象站點(diǎn)風(fēng)速預(yù)報(bào)的平均誤差在-3～1.9 m/s之間(圖略)，54%的站點(diǎn)平均誤差小于0，JAPAN模式對(duì)貴州省風(fēng)速的預(yù)報(bào)較實(shí)況偏大。全省站點(diǎn)平均絕對(duì)誤差在0.6～3.1 m/s之間(圖3c)，可以看出全省大部分地區(qū)平均絕對(duì)誤差小于1.7 m/s，省的中部部分地區(qū)和西部邊緣平均絕對(duì)誤差最大，其中省西部的赫章；苗嶺附近的長(zhǎng)順、龍里，為偏差高值中心，平均絕對(duì)誤差均大于2.5 m/s。標(biāo)準(zhǔn)差分布情況和平均絕對(duì)誤差相似，東部和西南部邊緣最低，北部次之，西部和中部最高，全省站點(diǎn)標(biāo)準(zhǔn)差在0.8～2.2 m/s之間(圖3a)。

從相關(guān)系數(shù)分布(圖3b)可以看出，全省站點(diǎn)相關(guān)系數(shù)平均數(shù)為0.5，相關(guān)系數(shù)較低的幾個(gè)站點(diǎn)均在省邊緣地區(qū)，其中省的東北部邊緣的沿河、和西北部邊緣的赫章相關(guān)系數(shù)小于0.2。

風(fēng)速預(yù)報(bào)誤差絕對(duì)值為2 m/s的準(zhǔn)確率全省平均值為75%，從站點(diǎn)準(zhǔn)確率分布圖(圖3d)可以看出，其分布規(guī)律與平均絕對(duì)誤差相反。全省82%的站點(diǎn)準(zhǔn)確率在60%以上；準(zhǔn)確率低于30%的兩個(gè)站點(diǎn)都在省的中部地區(qū)，其中長(zhǎng)順的準(zhǔn)確率最低為29%。

2.4 3種模式預(yù)報(bào)效果對(duì)比

針對(duì)貴州9個(gè)地州市對(duì)比分析3個(gè)模式風(fēng)速預(yù)報(bào)效果(表1)，可以看出24 h預(yù)報(bào)時(shí)效內(nèi)EC模式的預(yù)報(bào)效果明顯優(yōu)于其他兩個(gè)模式，標(biāo)準(zhǔn)差和平均絕對(duì)誤差基本低于其他兩個(gè)模式，相關(guān)系數(shù)和準(zhǔn)確率也高于其他兩個(gè)模式。將同一模式的4個(gè)檢驗(yàn)指數(shù)相加，用于綜合評(píng)價(jià)模式對(duì)該地區(qū)的預(yù)報(bào)效果，由于標(biāo)準(zhǔn)差和平均絕對(duì)誤差是越小越好，故相加的為其相反數(shù)，相加的數(shù)值越大，證明預(yù)報(bào)效果越好(表略)。其中，EC模式對(duì)銅仁地區(qū)的預(yù)報(bào)效果最好，黔西南的預(yù)報(bào)效果最差，GRAPES模式對(duì)遵義地區(qū)的預(yù)報(bào)效果最好，畢節(jié)地區(qū)的預(yù)報(bào)效果最差；JAPAN模式對(duì)遵義地區(qū)的預(yù)報(bào)效果最好，黔西南地區(qū)的預(yù)報(bào)效果最差。3個(gè)模式中有兩個(gè)在黔西南地區(qū)的預(yù)報(bào)效果不佳。

圖3 JANPA模式在貴州風(fēng)速預(yù)報(bào)效果圖Fig.3 Wind speed forecasting effect of JANPA mode in Guizhou

表1 3種模式對(duì)9個(gè)地州市預(yù)報(bào)效果檢驗(yàn)
Tab.1Testingtheforecasteffectofthreemodelsinninecities

標(biāo)準(zhǔn)差/(m/s)ECGEAPESJAPAN相關(guān)系數(shù)ECGEAPESJAPAN平均絕對(duì)誤差/(m/s)ECGEAPESJAPAN準(zhǔn)確率/%ECGEAPESJAPAN安順1.572.161.710.570.480.501.201.881.430.820.620.75畢節(jié)1.572.371.830.490.400.371.392.331.370.760.530.77黔南1.532.141.850.570.440.551.292.021.950.790.580.58貴陽(yáng)1.582.291.990.580.500.471.211.921.510.820.610.73黔東南1.401.921.670.550.410.451.171.711.320.830.660.78六盤(pán)水1.462.221.490.510.410.461.112.281.150.860.520.84銅仁1.231.951.380.520.310.330.951.741.050.900.660.87黔西南1.712.002.070.470.460.181.291.631.600.790.690.70遵義1.212.051.550.460.340.820.931.931.180.900.610.83

3 模式訂正及效果檢驗(yàn)

運(yùn)用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱，選取3種模式中80%的數(shù)據(jù)用于建立預(yù)報(bào)和實(shí)況的訂正模型，剩余20%數(shù)據(jù)用于檢驗(yàn)訂正模型效果，由于神經(jīng)網(wǎng)絡(luò)隱藏層數(shù)和隱藏層節(jié)點(diǎn)數(shù)對(duì)模型的準(zhǔn)確性有一定的影響，故本文建立的隱藏層數(shù)為1～2層，每層神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)為1～10個(gè)，共110個(gè)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并檢驗(yàn)訂正后數(shù)據(jù)和實(shí)況之間的相關(guān)系數(shù)，誤差的標(biāo)準(zhǔn)差、平均絕對(duì)誤差、誤差小于2 m/s時(shí)的準(zhǔn)確率。

3.1 EC模式訂正及效果檢驗(yàn)

EC模式檢驗(yàn)中，隨機(jī)選取了418 155個(gè)樣本進(jìn)行訓(xùn)練和建立神經(jīng)網(wǎng)絡(luò)模型，運(yùn)用剩余104 539個(gè)樣本進(jìn)行檢驗(yàn)。可以看出，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)對(duì)風(fēng)速進(jìn)行訂正后，5個(gè)檢驗(yàn)數(shù)據(jù)都有明顯的提高。訂正后的平均誤差的范圍在-0.012～0.001 m/s之間，相比未訂正過(guò)的-0.282 m/s有明顯的提高，且平均絕對(duì)誤差相比未訂正的下降0.09 m/s左右，誤差的標(biāo)準(zhǔn)差下降0.08 m/s左右，說(shuō)明神經(jīng)網(wǎng)絡(luò)訂正方法降低的EC模式預(yù)報(bào)誤差的離散程度，對(duì)誤差的極值有一定的訂正效果。訂正后的正確率提高0.04左右，相關(guān)系數(shù)改善較小，說(shuō)明BP神經(jīng)網(wǎng)絡(luò)對(duì)模式預(yù)報(bào)的風(fēng)速趨勢(shì)變化影響不大。

表2 EC模式BP神經(jīng)網(wǎng)絡(luò)檢驗(yàn)結(jié)果Tab.2 EC model BP-Neural network test results

3.2 GRAPES模式訂正及效果檢驗(yàn)

GRAPES模式檢驗(yàn)中，隨機(jī)選取了913 682個(gè)樣本進(jìn)行訓(xùn)練和建立神經(jīng)網(wǎng)絡(luò)模型，運(yùn)用剩余228 421個(gè)樣本進(jìn)行檢驗(yàn)?？梢钥闯?，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)對(duì)風(fēng)速進(jìn)行訂正后，5個(gè)檢驗(yàn)數(shù)據(jù)都有明顯的提高。訂正后的平均誤差的范圍在-0.003～0.009 m/s之間，相比未訂正過(guò)的-1.6 m/s有明顯的提高，平均絕對(duì)誤差相比未訂正的下降0.9 m/s左右，誤差的標(biāo)準(zhǔn)差下降0.6 m/s左右，同EC模式相比，對(duì)離散程度的改進(jìn)效果明顯。訂正后的正確率提高0.2 m/s左右，相關(guān)系數(shù)改善較小，說(shuō)明BP神經(jīng)網(wǎng)絡(luò)對(duì)模式預(yù)報(bào)的風(fēng)速趨勢(shì)變化影響不大。

表3 GRAPES模式BP神經(jīng)網(wǎng)絡(luò)檢驗(yàn)結(jié)果Tab.3 GRAPES Model BP-Neural network test results

3.3 JAPAN模式訂正及效果檢驗(yàn)

JAPAN模式檢驗(yàn)中，隨機(jī)選取了706 563個(gè)樣本進(jìn)行訓(xùn)練和建立神經(jīng)網(wǎng)絡(luò)模型，運(yùn)用剩余176 641個(gè)樣本進(jìn)行檢驗(yàn)?？梢钥闯?，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)對(duì)風(fēng)速進(jìn)行訂正后，5個(gè)檢驗(yàn)數(shù)據(jù)都有明顯的提高。訂正后的平均誤差的范圍在-0.017～0.003 m/s之間，相比未訂正過(guò)的-0.217 m/s有明顯的提高，且平均絕對(duì)誤差相比為訂正的下降0.1 m/s左右，誤差的標(biāo)準(zhǔn)差下降0.2 m/s左右，訂正后的正確率提高0.06 m/s左右，相關(guān)系數(shù)改善較小，說(shuō)明BP神經(jīng)網(wǎng)絡(luò)對(duì)模式預(yù)報(bào)的風(fēng)速趨勢(shì)變化影響不大。且3種模式中所有神經(jīng)網(wǎng)絡(luò)模型中最大值和最小值相差較小，說(shuō)明對(duì)于提高預(yù)報(bào)正確率和相關(guān)系數(shù)，隱藏層節(jié)點(diǎn)個(gè)數(shù)影響程度不明顯。

表4 JAPAN模式BP神經(jīng)網(wǎng)絡(luò)檢驗(yàn)結(jié)果Tab.4 JAPAN Model BP-Neural network test results

4 結(jié)論

本文對(duì)目前業(yè)務(wù)運(yùn)行中常用的3種數(shù)值預(yù)報(bào)模式風(fēng)速產(chǎn)品在貴州的預(yù)報(bào)效果進(jìn)行了檢驗(yàn)，運(yùn)用平均誤差、平均絕對(duì)誤差、相關(guān)系數(shù)、誤差絕對(duì)值和2 m/s的準(zhǔn)確率作為檢驗(yàn)指標(biāo)。其中EC模式的預(yù)報(bào)效果優(yōu)于另外兩種模式，EC模式的平均誤差和平均絕對(duì)誤差較小，說(shuō)明EC模式預(yù)報(bào)的離散程度較低。相關(guān)系數(shù)3個(gè)模式相差不大，說(shuō)明3個(gè)模式對(duì)風(fēng)速的變化趨勢(shì)預(yù)報(bào)效果相近。但EC模式的2 m/s的準(zhǔn)確率明顯高于其他模式，故整體而言EC對(duì)于貴州省內(nèi)風(fēng)速的預(yù)報(bào)效果較好。

運(yùn)用BP神經(jīng)網(wǎng)絡(luò)對(duì)3個(gè)模式的風(fēng)速預(yù)報(bào)進(jìn)行訂正，訂正后的預(yù)報(bào)效果均有明顯改善，其中誤差、正確率的改善較為明顯，相關(guān)系數(shù)的提高較小。運(yùn)用BP神經(jīng)網(wǎng)絡(luò)訂正后誤差和正確率的改善最為明顯，訂正后的3個(gè)模式的正確率均為80%以上，其中GRAPES模式的正確率提升了20%，說(shuō)明這種訂正方法對(duì)數(shù)值預(yù)報(bào)的離散程度有較好的改善。但是相關(guān)系數(shù)的訂正效果不明顯，說(shuō)明BP神經(jīng)網(wǎng)絡(luò)的訂正方式對(duì)數(shù)值預(yù)報(bào)風(fēng)速產(chǎn)品的變化趨勢(shì)預(yù)報(bào)效果改進(jìn)不明顯，但總體而言，BP神經(jīng)網(wǎng)絡(luò)訂正方式對(duì)風(fēng)速的訂正效果良好。