摘 要：提出一種基于機(jī)器學(xué)習(xí)的先格點(diǎn)訂正區(qū)域誤差、后站點(diǎn)訂正局地誤差的100 m高度風(fēng)速短期預(yù)報(bào)訂正方法。首先，基于100 m高度風(fēng)速格點(diǎn)實(shí)況資料，采用深度學(xué)習(xí)算法對(duì)數(shù)值天氣預(yù)報(bào)進(jìn)行格點(diǎn)訂正；然后，基于測(cè)風(fēng)塔100 m高度風(fēng)速觀測(cè)資料，采用隨機(jī)森林集成預(yù)報(bào)訂正方法對(duì)站點(diǎn)風(fēng)速預(yù)報(bào)進(jìn)行訂正；最后，選用內(nèi)蒙古中部某站點(diǎn)進(jìn)行分析驗(yàn)證。結(jié)果表明，訂正前未來(lái)84小時(shí)風(fēng)速預(yù)報(bào)均方根誤差（RMSE）為4.25 m/s，格點(diǎn)訂正后RMSE降至3.16～3.79 m/s，站點(diǎn)集成訂正后RMSE降至2.81 m/s。格點(diǎn)訂正后預(yù)報(bào)誤差明顯降低，站點(diǎn)集成訂正后誤差進(jìn)一步減小。

關(guān)鍵詞：100 m高度風(fēng)速預(yù)報(bào)；預(yù)報(bào)訂正；機(jī)器學(xué)習(xí)；深度學(xué)習(xí)；集成預(yù)報(bào)

中圖分類號(hào)：TM614 """""""""""" """""""文獻(xiàn)標(biāo)志碼：A

0 引 言

準(zhǔn)確的風(fēng)速預(yù)報(bào)是風(fēng)力發(fā)電功率預(yù)測(cè)的關(guān)鍵，風(fēng)速數(shù)值預(yù)報(bào)產(chǎn)品準(zhǔn)確率的提升也一直是風(fēng)資源預(yù)報(bào)的難點(diǎn)和重點(diǎn)［1］。

當(dāng)前，中國(guó)氣象局CMA-WSP預(yù)報(bào)、歐洲中心EC預(yù)報(bào)、美國(guó)GFS預(yù)報(bào)等中尺度數(shù)值天氣預(yù)報(bào)，提供的格點(diǎn)預(yù)報(bào)產(chǎn)品空間分辨率分別為9.0、12.5、25.0 km，受限于數(shù)值計(jì)算方法的穩(wěn)定性、微物理過(guò)程參數(shù)化方案不完善、復(fù)雜的地形處理、觀測(cè)資料的缺乏等因素，現(xiàn)有的數(shù)值預(yù)報(bào)技術(shù)無(wú)法直接加工輸出水平空間尺度為百米級(jí)或公里級(jí)、精細(xì)到風(fēng)電場(chǎng)的小尺度風(fēng)速預(yù)報(bào)。因此需開(kāi)展風(fēng)速數(shù)值預(yù)報(bào)訂正技術(shù)研究，以提高風(fēng)速預(yù)報(bào)產(chǎn)品在風(fēng)電場(chǎng)小尺度的預(yù)報(bào)準(zhǔn)確率。

國(guó)內(nèi)外學(xué)者做了大量有關(guān)風(fēng)速預(yù)報(bào)訂正的研究，機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等方法在風(fēng)電場(chǎng)風(fēng)速和發(fā)電功率預(yù)測(cè)具有廣泛的應(yīng)用［1-2］。近年來(lái)，長(zhǎng)短期記憶網(wǎng)絡(luò)（long short-term memory，LSTM）、門(mén)控循環(huán)單元（gated recurrent unit，GRU）方法及其變種被應(yīng)用于風(fēng)電場(chǎng)風(fēng)速預(yù)報(bào)訂正［3-8］，但該類方法對(duì)于長(zhǎng)時(shí)間序列數(shù)據(jù)特征表征能力有限，且訓(xùn)練過(guò)程無(wú)法并行。CUnet（correction unet）模型［9］把預(yù)報(bào)訂正問(wèn)題轉(zhuǎn)化為圖像翻譯問(wèn)題，利用格點(diǎn)實(shí)況資料訂正格點(diǎn)預(yù)報(bào)資料，提出一種有效的空間預(yù)報(bào)偏差訂正思路。DeepLab系列［10-13］、ViT［14-16］模型具有較強(qiáng)的圖像特征提取能力，被廣泛應(yīng)用于圖像處理領(lǐng)域，也為格點(diǎn)風(fēng)速格點(diǎn)預(yù)報(bào)訂正算法提供了更多選擇。集成預(yù)報(bào)［17］是一種提高預(yù)報(bào)可靠性的方法，基于機(jī)器學(xué)習(xí)方法進(jìn)行風(fēng)速的集成預(yù)報(bào)訂正［18-20］，在風(fēng)能行業(yè)也有較廣泛應(yīng)用。

基于上述研究，本文提出一種基于機(jī)器學(xué)習(xí)的100 m高度風(fēng)速短期預(yù)報(bào)訂正方法，首先，基于100 m高度風(fēng)速格點(diǎn)實(shí)況資料，采用CUnet、DeepLabv3+、SeaFormer這3種深度學(xué)習(xí)算法，對(duì)100 m高度風(fēng)速數(shù)值天氣預(yù)報(bào)結(jié)果進(jìn)行訂正，得到訂正后的格點(diǎn)100 m高度風(fēng)速預(yù)報(bào)結(jié)果，減小區(qū)域預(yù)報(bào)誤差；然后，在前者基礎(chǔ)上，基于測(cè)風(fēng)塔100 m高度風(fēng)速觀測(cè)資料，采用隨機(jī)森林集成預(yù)報(bào)訂正方法，對(duì)站點(diǎn)風(fēng)速預(yù)報(bào)進(jìn)行訂正，得到訂正后的站點(diǎn)100 m高度風(fēng)速預(yù)報(bào)，減小局地預(yù)報(bào)誤差；最后，選用內(nèi)蒙古中部某站點(diǎn)進(jìn)行算例分析，使用中國(guó)氣象局全球大氣實(shí)況分析系統(tǒng)的100 m風(fēng)速格點(diǎn)實(shí)況產(chǎn)品和內(nèi)蒙古某氣象觀測(cè)站測(cè)風(fēng)塔的100 m風(fēng)速觀測(cè)數(shù)據(jù)，對(duì)中國(guó)氣象局風(fēng)能太陽(yáng)能氣象預(yù)報(bào)系統(tǒng)CMA-WSP中的100 m風(fēng)速預(yù)報(bào)產(chǎn)品進(jìn)行訂正，選用2022年全年數(shù)據(jù)作為訓(xùn)練集，選用2023年1—6月份數(shù)據(jù)作為測(cè)試集，驗(yàn)證該方法的合理性和有效性。

1 深度學(xué)習(xí)風(fēng)速格點(diǎn)預(yù)報(bào)訂正

1.1 CUnet原理

Unet是的一種U型結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)，1個(gè)Unet模型由1個(gè)編碼器和1個(gè)解碼器組成，編碼器通過(guò)下采樣完成不同層級(jí)特征的提取，解碼器通過(guò)上采樣和跳層連接完成特征到輸出的映射。

CUnet由韓雷等［9］提出，是Unet模型的一種擴(kuò)展，用于對(duì)EC未來(lái)10天的預(yù)報(bào)進(jìn)行訂正。與Unet唯一的區(qū)別在于，CUnet 在上采樣中使用亞像素（sub-pixel）代替插值。

1.2 DeepLabv3+原理

2015年，谷歌發(fā)布了第一個(gè)版本的DeepLab模型［10］，用于解決圖像處理中的語(yǔ)義分割問(wèn)題。后通過(guò)空洞卷積技術(shù)，升級(jí)圖像特征提取能力，發(fā)展了DeepLabv1［11］、DeepLabv2［12］、DeepLab-v3［13］等方法。為融合多尺度信息，DeepLabv3+［14］對(duì)模型框架進(jìn)行調(diào)整，引入在語(yǔ)義分割中常用的Encoder-Decoder，通過(guò)空洞卷積平衡精度和耗時(shí)，進(jìn)一步提升模型的精度。

1.3 SeaFormer原理

隨著ViT［14］的發(fā)展，包括語(yǔ)義分割在內(nèi)的很多計(jì)算機(jī)視覺(jué)任務(wù)都使用ViT來(lái)完成。然而，傳統(tǒng)ViT計(jì)算量和內(nèi)存消耗都很大，對(duì)于算法的部署不友好，尤其是對(duì)于高分辨率的語(yǔ)義分割任務(wù)。為解決這個(gè)問(wèn)題，研究人員提出SeaFormer［16］算法，做為一個(gè)輕量級(jí)語(yǔ)義分割Transformer模型，最小的參數(shù)量?jī)H6×106大小，通過(guò)設(shè)計(jì)一種具有壓縮軸向和細(xì)節(jié)增強(qiáng)的注意力模塊，使其能夠更好地在移動(dòng)端應(yīng)用。SeaFormer的亮點(diǎn)主要有：

1）設(shè)計(jì)了帶有軸向壓縮和細(xì)節(jié)增強(qiáng)的注意力模塊；

2）輕量級(jí)的分割頭；

3）兼顧速度和精度。

1.4 風(fēng)速格點(diǎn)預(yù)報(bào)訂正模型設(shè)計(jì)

基于100 m高度風(fēng)速實(shí)況格點(diǎn)資料，通過(guò)CUnet、DeepLabv3+、SeaFormer這3種模型分別對(duì)數(shù)值預(yù)報(bào)中的100 m高度風(fēng)速進(jìn)行訂正。本文假設(shè)100 m高度風(fēng)速實(shí)況格點(diǎn)資料同數(shù)值天氣預(yù)報(bào)數(shù)據(jù)相比，與風(fēng)速的實(shí)際值更接近，否則格點(diǎn)預(yù)報(bào)訂正模型無(wú)效。參照CUnet文獻(xiàn)［9］中的方法，按預(yù)報(bào)時(shí)效分組訓(xùn)練訂正模型。風(fēng)速格點(diǎn)預(yù)報(bào)訂正模型為：

[yt+i×Δt=fjixt+i×Δt，yt] （1）

式中：[t]——數(shù)值天氣預(yù)報(bào)的起報(bào)時(shí)間；[Δt]——相鄰兩個(gè)時(shí)次的實(shí)況或預(yù)報(bào)的時(shí)間間隔；[i]——單次預(yù)報(bào)時(shí)效內(nèi)，實(shí)況和預(yù)報(bào)時(shí)間匹配的數(shù)量；[j]——訂正模型的數(shù)量，取值""3分別代表上述3種深度學(xué)習(xí)模型；[yt]——起報(bào)時(shí)間[t]時(shí)刻的風(fēng)速實(shí)況格點(diǎn)產(chǎn)品數(shù)據(jù)；[yt+i×Δt]——預(yù)報(bào)時(shí)間[t+i×Δt]時(shí)刻的風(fēng)速實(shí)況格點(diǎn)產(chǎn)品數(shù)據(jù)；[xt+i×Δt]——預(yù)報(bào)時(shí)間[t+i×Δt]時(shí)刻的風(fēng)速預(yù)報(bào)格點(diǎn)產(chǎn)品數(shù)據(jù)；[fji]——第[i]個(gè)時(shí)次的第[j]個(gè)訂正模型，針對(duì)每個(gè)預(yù)報(bào)和實(shí)況可匹配的時(shí)次，分別建立3個(gè)深度學(xué)習(xí)訂正模型。

在模型訓(xùn)練中，應(yīng)在數(shù)據(jù)預(yù)處理階段對(duì)實(shí)況和預(yù)報(bào)數(shù)據(jù)進(jìn)行時(shí)空匹配，在時(shí)間匹配方面，挑選實(shí)況和預(yù)報(bào)同時(shí)存在的時(shí)刻進(jìn)行配對(duì)即可，無(wú)需進(jìn)行插值等處理；在空間匹配方面，實(shí)況與預(yù)報(bào)數(shù)據(jù)的水平空間分辨率應(yīng)相同或相當(dāng)，若實(shí)況和預(yù)報(bào)的空間分辨率存在不同，則應(yīng)通過(guò)空間插值方法將實(shí)況數(shù)據(jù)插值到預(yù)報(bào)數(shù)據(jù)的分辨率，以保證訂正后預(yù)報(bào)數(shù)據(jù)分辨率不變。

在模型預(yù)測(cè)時(shí)，以預(yù)報(bào)和起報(bào)時(shí)次的實(shí)況作為模型輸入，采用與訓(xùn)練階段相同的空間匹配方法進(jìn)行數(shù)據(jù)預(yù)處理，然后選擇與預(yù)報(bào)時(shí)間相鄰最近的訂正模型進(jìn)行預(yù)報(bào)訂正。同一個(gè)預(yù)報(bào)時(shí)次的模型輸入數(shù)據(jù)，在訂正后可分別得到3種模型訂正的結(jié)果。

2 機(jī)器學(xué)習(xí)風(fēng)速站點(diǎn)集成預(yù)報(bào)訂正

2.1 隨機(jī)森林原理

隨機(jī)森林（random forest，RF）算法是一種基于決策樹(shù)模型的集成算法，采用Bagging算法隨機(jī)選擇樣本和特征，訓(xùn)練多個(gè)決策樹(shù)弱分類器，最后通過(guò)平均或加權(quán)平均得到將每個(gè)決策樹(shù)的預(yù)測(cè)結(jié)果進(jìn)行集成，得到最終預(yù)測(cè)結(jié)果。

2.2 風(fēng)速站點(diǎn)集成預(yù)報(bào)訂正模型設(shè)計(jì)

基于100 m高度風(fēng)速實(shí)況站點(diǎn)資料，通過(guò)隨機(jī)森林模型，對(duì)多種不同格點(diǎn)預(yù)報(bào)數(shù)據(jù)在站點(diǎn)上的預(yù)報(bào)值進(jìn)行集成預(yù)報(bào)訂正。站點(diǎn)集成預(yù)報(bào)訂正模型為：

[y=fx1，x2，…，xn，Nday，Nhour] （2）

式中；[y]——實(shí)況站點(diǎn)風(fēng)速觀測(cè)；[f]——集成預(yù)報(bào)訂正模型；[x1，x2，…，xn]——不同的站點(diǎn)預(yù)報(bào)值；[Nday]——預(yù)報(bào)數(shù)據(jù)時(shí)間是一年中的第幾天；[Nhour]——預(yù)報(bào)數(shù)據(jù)時(shí)間是一天中的第幾小時(shí)。

3 風(fēng)速預(yù)報(bào)訂正流程及預(yù)報(bào)評(píng)價(jià)指標(biāo)

3.1 風(fēng)速預(yù)報(bào)訂正流程

本文提出的風(fēng)速預(yù)報(bào)訂正方法包括深度學(xué)習(xí)格點(diǎn)預(yù)報(bào)訂正、機(jī)器學(xué)習(xí)電站預(yù)報(bào)訂正兩部分，如圖1所示。

1）首先對(duì)100 m風(fēng)速格點(diǎn)預(yù)報(bào)和100 m風(fēng)速格點(diǎn)實(shí)況進(jìn)行時(shí)空匹配預(yù)處理，預(yù)處理結(jié)果的每條數(shù)據(jù)包含一個(gè)預(yù)報(bào)時(shí)次的預(yù)報(bào)數(shù)據(jù)和一個(gè)起報(bào)時(shí)次的實(shí)況數(shù)據(jù)。

2）分別通過(guò)CUnet、DeepLabv3+、SeaForme 這3個(gè)格點(diǎn)預(yù)報(bào)訂正模型，計(jì)算出3個(gè)格點(diǎn)預(yù)報(bào)訂正結(jié)果。其中模型選擇時(shí)，根據(jù)預(yù)報(bào)數(shù)據(jù)的預(yù)報(bào)時(shí)效，選擇時(shí)間上最鄰近的格點(diǎn)預(yù)報(bào)訂正模型。

3）采用最近鄰空間匹配方法，從3個(gè)格點(diǎn)預(yù)報(bào)訂正結(jié)果中提取站點(diǎn)預(yù)報(bào)信息，并添加時(shí)間等信息，完成站點(diǎn)預(yù)報(bào)數(shù)據(jù)提取。

4）采用隨機(jī)森林站點(diǎn)集成預(yù)報(bào)訂正模型，對(duì)3個(gè)站點(diǎn)預(yù)報(bào)進(jìn)行集成，得到最終的100 m風(fēng)速站點(diǎn)預(yù)報(bào)訂正結(jié)果。其中，考慮到風(fēng)電場(chǎng)應(yīng)用場(chǎng)景中，普遍無(wú)法實(shí)時(shí)獲取風(fēng)速觀測(cè)數(shù)據(jù)的現(xiàn)狀，風(fēng)電場(chǎng)風(fēng)速觀測(cè)不作為站點(diǎn)集成預(yù)報(bào)訂正模型的輸入。

3.2 模型評(píng)價(jià)指標(biāo)

選用均方根誤差（root mean square error，RMSE）、平均絕對(duì)誤差（mean absolute error，MAE）和相關(guān)系數(shù)[R]作為評(píng)價(jià)指標(biāo)，對(duì)模型效果就行檢驗(yàn)評(píng)價(jià)，計(jì)算方法如式（3）～式（5）所示。

[vRMSE=1Ni=1Nxf-xo2i] （3）

[vMAE=1Ni=1Nxf-xoi] （4）

[R=i=1Nxf-xfxo-xoi=1Nxf-xf2i=1Nxo-xo2] （5）

式中：[vRMSE]——統(tǒng)計(jì)時(shí)段內(nèi)預(yù)報(bào)均方根誤差；[vMAE]——統(tǒng)計(jì)時(shí)段內(nèi)預(yù)報(bào)平均絕對(duì)誤差；[R]——統(tǒng)計(jì)時(shí)段內(nèi)預(yù)報(bào)相關(guān)系數(shù)；[xf、xo]——預(yù)報(bào)值和觀測(cè)值；[xf]、[xo]——預(yù)報(bào)值和觀測(cè)值的平均值；[N]——統(tǒng)計(jì)時(shí)段內(nèi)樣本總量；[i]——統(tǒng)計(jì)時(shí)段內(nèi)樣本序號(hào)。

4 算例分析

4.1 數(shù)據(jù)來(lái)源

本文采用內(nèi)蒙古中部某地面氣象觀測(cè)站2022年1月1日—2023年6月30日的測(cè)風(fēng)塔100 m高度風(fēng)速觀測(cè)值作為算例進(jìn)行分析，觀測(cè)數(shù)據(jù)為逐小時(shí)整點(diǎn)觀測(cè)，每日24個(gè)數(shù)據(jù)點(diǎn)。

數(shù)值天氣預(yù)報(bào)來(lái)源于中國(guó)氣象局風(fēng)能太陽(yáng)能氣象預(yù)報(bào)系統(tǒng)CMA-WSP中的100 m高度風(fēng)速預(yù)報(bào)產(chǎn)品，時(shí)間分辨率未來(lái)14天逐15分鐘分辨率，空間分辨率9 km×9 km，每日更新兩次，在北京時(shí)08：00和20：00各起報(bào)1次，預(yù)報(bào)滯后時(shí)間為6 h。CMA-WSP產(chǎn)品于2022年由中國(guó)氣象局面向全國(guó)氣象部門(mén)下發(fā)。

格點(diǎn)實(shí)況數(shù)據(jù)采用中國(guó)氣象局全球大氣實(shí)況分析系統(tǒng)中的逐6小時(shí)100 m高度風(fēng)速實(shí)況產(chǎn)品，空間分辨率10 km×10 km，每日更新4次，產(chǎn)品滯后時(shí)間為4 h。中國(guó)氣象局全球大氣實(shí)況分析系統(tǒng)基于四維集合變分混合同化方法，實(shí)時(shí)收集并融合應(yīng)用中國(guó)特有常規(guī)與衛(wèi)星觀測(cè)資料及國(guó)際交換數(shù)據(jù)，產(chǎn)出全球10 km、6 h分辨率的三維溫度、濕度、風(fēng)、位勢(shì)高度等大氣實(shí)況分析產(chǎn)品，質(zhì)量總體與國(guó)際同類產(chǎn)品相當(dāng)，時(shí)效明顯優(yōu)于國(guó)外產(chǎn)品，于2021年在中國(guó)氣象局開(kāi)展業(yè)務(wù)運(yùn)行。

在本文算例中，選取以地面氣象觀測(cè)站為中心的96×96個(gè)格點(diǎn)作為格點(diǎn)預(yù)報(bào)訂正區(qū)域，選取地面氣象觀測(cè)站為站點(diǎn)集成預(yù)報(bào)訂正的點(diǎn)位，研究區(qū)域如圖2所示。選取北京時(shí)20：00起報(bào)，未來(lái)3.5 d（84 h）逐小時(shí)數(shù)據(jù)的100 m風(fēng)速預(yù)報(bào)進(jìn)行訂正，剔除掉預(yù)報(bào)滯后時(shí)間，使用逐6小時(shí)的實(shí)況格點(diǎn)與預(yù)報(bào)進(jìn)行匹配，共可訓(xùn)練（84-6）/6+1=14組格點(diǎn)預(yù)報(bào)訂正模型，每組中包含CUnet、DeepLabv3+、SeaFormer共3個(gè)模型。

使用2022年1月1日—12月31日的數(shù)據(jù)進(jìn)行模型訓(xùn)練，2023年1月1日—6月30日的數(shù)據(jù)進(jìn)行預(yù)測(cè)和模型評(píng)估，其中數(shù)據(jù)缺測(cè)時(shí)次約占10%。

4.2 格點(diǎn)預(yù)報(bào)訂正結(jié)果分析

以實(shí)況格點(diǎn)資料為真值，采用前述格點(diǎn)預(yù)報(bào)訂正模型對(duì)預(yù)報(bào)格點(diǎn)資料進(jìn)行訂正。在模型評(píng)價(jià)指標(biāo)的計(jì)算中，先使用96×96格點(diǎn)值統(tǒng)計(jì)每個(gè)時(shí)次各項(xiàng)指標(biāo)，然后再按預(yù)報(bào)時(shí)效進(jìn)行平均。按預(yù)報(bào)時(shí)效對(duì)14組格點(diǎn)預(yù)報(bào)訂正模型的檢驗(yàn)結(jié)果進(jìn)行統(tǒng)計(jì)，結(jié)果如圖3所示。其中，因剔除掉預(yù)報(bào)滯后時(shí)間后，第1組訂正模型訓(xùn)練對(duì)應(yīng)的預(yù)報(bào)時(shí)效為6 h，所以在針對(duì)圖3中預(yù)報(bào)時(shí)效為0 h風(fēng)速進(jìn)行訂正時(shí)，按模型預(yù)測(cè)時(shí)按時(shí)間匹配規(guī)則，采用的是第1組訂正模型（即由預(yù)報(bào)時(shí)效為6 h樣本數(shù)據(jù)訓(xùn)練而來(lái)）?？傮w檢驗(yàn)結(jié)果如表1所示。

如圖3所示，14組格點(diǎn)預(yù)報(bào)訂正模型分別對(duì)應(yīng)的預(yù)報(bào)時(shí)效為6、12、18、24、30、36、42、48、54、60、66、72、78、84 h，整體上在各個(gè)時(shí)效均具有訂正效果。其中，CUnet 模型在12、18、42、60、66等時(shí)效部分訂正后指標(biāo)差于訂正前，DeepLabv3+ 和 SeaFormer 模型訂正效果相當(dāng)，除部分時(shí)次部分指標(biāo)外整體優(yōu)于 CUnet 模型，且在各預(yù)報(bào)時(shí)效均明顯優(yōu)于CMA-WSP 。以上結(jié)果表明，按預(yù)報(bào)時(shí)效分組的格點(diǎn)預(yù)報(bào)訂正具有可行性，在不同預(yù)報(bào)時(shí)效上，CUnet、DeepLabv3+、SeaFormer這3種模型之間存在性能差異。

進(jìn)一步分析圖3可知，CMA-WSP及3種模型的訂正結(jié)果誤差均存在日周期變化的特征，初步分析是因?yàn)镃MA-WSP及其訂正結(jié)果在該區(qū)域的預(yù)報(bào)能力不足導(dǎo)致的。近地面風(fēng)速存在日周期性變化［21-23］，在日出日落前后邊界層大氣穩(wěn)定度處于轉(zhuǎn)換階段，物理過(guò)程復(fù)雜，風(fēng)速的精準(zhǔn)預(yù)報(bào)難度大。

如表1所示，同訂正前的CMA-WSP相比，CUnet、DeepLabv3+、SeaFormer這3種模型訂正效果明顯，各項(xiàng)指標(biāo)上均有提升。綜合來(lái)看，SeaFormer 表現(xiàn)最優(yōu)，訂正后均方根誤差RMSE相對(duì)于訂正前降低21.3%，訂正后平均絕對(duì)誤差MAE相對(duì)于訂正前降低23.5%，訂正后相關(guān)系數(shù)R相對(duì)于訂正前提升20%；DeepLabv3+ 在 RMSE和MAE兩項(xiàng)指標(biāo)上略差于SeaFormer，但相關(guān)系數(shù)R略優(yōu)于SeaFormer；CUnet同其他兩種算法相比，存在明顯差距。以上結(jié)果表明，深度學(xué)習(xí)格點(diǎn)預(yù)報(bào)訂正減小了區(qū)域內(nèi)CMA-WSP 100 m風(fēng)速格點(diǎn)預(yù)報(bào)同全球大氣實(shí)況分析系統(tǒng)中100 m風(fēng)速格點(diǎn)實(shí)況之間的誤差，在模型性能方面，DeepLabv3+和SeaFormer訂正效果相當(dāng)，整體優(yōu)于CUnet。

4.3 站點(diǎn)集成預(yù)報(bào)訂正結(jié)果分析

以站點(diǎn)觀測(cè)為真值，對(duì)格點(diǎn)預(yù)報(bào)訂正后的結(jié)果在站點(diǎn)上進(jìn)一步進(jìn)行集成訂正。按預(yù)報(bào)時(shí)效對(duì)未來(lái)3.5 d（84 h）逐小時(shí)站點(diǎn)集成預(yù)報(bào)訂正模型的檢驗(yàn)結(jié)果進(jìn)行統(tǒng)計(jì)，結(jié)果如圖4所示。站點(diǎn)集成預(yù)報(bào)訂正的總體檢驗(yàn)結(jié)果如表2所示。其中，Analysis代表中國(guó)氣象局全球大氣實(shí)況分析系統(tǒng)的100 m高度風(fēng)速實(shí)況產(chǎn)品。

如圖4所示，Analysis在各個(gè)時(shí)次的均方根誤差 RMSE 、平均絕對(duì)誤差MAE和相關(guān)系數(shù)R均明顯優(yōu)于CMA-WSP，滿足格點(diǎn)預(yù)報(bào)訂正模型的假設(shè)條件，以Analysis為真值進(jìn)行格點(diǎn)預(yù)報(bào)訂正具有合理性。3種格點(diǎn)預(yù)報(bào)訂正模型在各預(yù)報(bào)時(shí)效訂正效果明顯，從均方根誤差RMSE和平均絕對(duì)誤差MAE兩項(xiàng)指標(biāo)可看出，SeaFormer訂正效果優(yōu)于DeepLabV3+，DeepLabv3+訂正效果優(yōu)于CUnet?；陔S機(jī)森林的站點(diǎn)集成預(yù)報(bào)訂正模型RF在各時(shí)次的均方根誤差RMSE和平均絕對(duì)誤差MAE指標(biāo)均優(yōu)于格點(diǎn)預(yù)報(bào)訂正，說(shuō)明該站點(diǎn)集成預(yù)報(bào)方法穩(wěn)定性好。3種格點(diǎn)預(yù)報(bào)訂正模型及站點(diǎn)集成預(yù)報(bào)訂正模型對(duì)于相關(guān)系數(shù)[R]的指標(biāo)提升幅度相對(duì)不明顯，存在部分時(shí)次比訂正前差的情況，但從各個(gè)時(shí)次整體上看，CMA-WSP的相關(guān)系數(shù)[R]在大部分時(shí)次最差，SeaFormer和RF在大部分時(shí)次最好。

由表2可看出，Analysis均方根誤差為2.46 m/s，平均絕對(duì)誤差為1.9 m/s，相關(guān)系數(shù)[R]為0.86，各項(xiàng)指標(biāo)均優(yōu)于訂正前后的預(yù)報(bào)數(shù)據(jù)。CMA-WSP預(yù)報(bào)均方根誤差 RMSE為4.25 m/s，格點(diǎn)訂正后RMSE降至3.16～3.79 m/s，站點(diǎn)集成訂正后RMSE降至2.81 m/s；CMA-WSP預(yù)報(bào)平均絕對(duì)誤差MAE為3.48 m/s，格點(diǎn)訂正后MAE降至2.51～3.06 m/s，站點(diǎn)集成訂正后MAE降至2.21 m/s；CMA-WSP預(yù)報(bào)相關(guān)系數(shù)R為0.7"格點(diǎn)訂正后R提升至0.72～0.75，站點(diǎn)集成訂正后R為0.75。3種格點(diǎn)訂正方法 CUnet、DeepLabv3+、SeaFormer 訂正后的各項(xiàng)指標(biāo)，相對(duì)于未訂正的CMA-WSP均有提升。使用 RF 進(jìn)行集成訂正后，RMSE、MAE相對(duì)于格點(diǎn)訂正效果最好的 SeaFormer 仍有提升。綜合來(lái)看，RF集成訂正后效果最好。以上結(jié)果表明，站點(diǎn)集成預(yù)報(bào)訂正在格點(diǎn)預(yù)報(bào)訂正基礎(chǔ)之上，進(jìn)一步降低了100 m風(fēng)速預(yù)報(bào)誤差，并提高了一定的預(yù)報(bào)精度。

5 結(jié) 論

針對(duì)數(shù)值天氣預(yù)報(bào)中100 m高度風(fēng)速短期預(yù)報(bào)與風(fēng)光觀測(cè)存在的誤差，本文提出一種基于機(jī)器學(xué)習(xí)的先格點(diǎn)訂正區(qū)域誤差、后站點(diǎn)訂正局地誤差的預(yù)報(bào)訂正方法，先通過(guò) CUnet、DeepLabv3+、SeaFormer 模型對(duì)100 m風(fēng)速短期預(yù)報(bào)進(jìn)行區(qū)域訂正，然后再基于隨機(jī)森林方法集成格點(diǎn)預(yù)報(bào)訂正結(jié)果進(jìn)行站點(diǎn)訂正，在內(nèi)蒙古中部某區(qū)域數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)驗(yàn)證，可得出以下結(jié)論：

1）按預(yù)報(bào)時(shí)效分組的格點(diǎn)預(yù)報(bào)訂正具有可行性，在不同預(yù)報(bào)時(shí)效上，CUnet、DeepLabv3+、SeaFormer這3種模型之間存在性能差異。

2）基于深度學(xué)習(xí)方法的100 m風(fēng)速格點(diǎn)預(yù)報(bào)訂正模型，能有效減少區(qū)域內(nèi)數(shù)值天氣預(yù)報(bào)風(fēng)速與實(shí)際風(fēng)速的偏差，提高預(yù)報(bào)風(fēng)速與實(shí)際風(fēng)速的相關(guān)性。其中 DeepLabv3+和SeaFormer 訂正效果相當(dāng)，整體優(yōu)于CUnet 。

3）基于隨機(jī)森林方法的100 m風(fēng)速站點(diǎn)集成預(yù)報(bào)訂正模型，能夠在格點(diǎn)預(yù)報(bào)訂正基礎(chǔ)上，進(jìn)一步減少站點(diǎn)上數(shù)值天氣預(yù)報(bào)風(fēng)速與實(shí)際風(fēng)速的偏差，訂正前未來(lái)84 h風(fēng)速預(yù)報(bào)RMSE為4.25 m/s，格點(diǎn)訂正后RMSE降至3.16～3.79 m/s，站點(diǎn)集成訂正后RMSE降至2.81 m/s，驗(yàn)證了本文方法的合理性和有效性。

在今后的研究中，將考慮利用近地面風(fēng)速日周期變化特征對(duì)風(fēng)速預(yù)報(bào)進(jìn)行訂正，并通過(guò)增加訓(xùn)練樣本量和特征維度的方式改善預(yù)報(bào)訂正的精度，重點(diǎn)研究如何融合與風(fēng)速相關(guān)的時(shí)間周期信息、地理地形信息、高低空氣象要素?cái)?shù)據(jù)，進(jìn)一步優(yōu)化模型的性能。

［參考文獻(xiàn)］

［1］ 趙澤妮， 云斯寧， 賈凌云， 等. 基于統(tǒng)計(jì)模型的短期風(fēng)能預(yù)測(cè)方法研究進(jìn)展［J］. 太陽(yáng)能學(xué)報(bào)， 202""43（11）： 224-234.

ZHAO Z N， YUN S N， JIA L Y， et al. Recent progress in short-term forecasting of wind energy based on statistical models［J］. Acta energiae solaris sinica， 202""43（11）： 224-234.

［2］ 冉靖， 張智剛， 梁志峰， 等. 風(fēng)電場(chǎng)風(fēng)速和發(fā)電功率預(yù)測(cè)方法綜述［J］. 數(shù)理統(tǒng)計(jì)與管理， 2020， 39（6）： 1045-1059.

RAN J， ZHANG Z G， LIANG Z F， et al. Review of wind speed and wind power prediction methods［J］. Journal of applied statistics and management， 2020， 39（6）： 1045-1059.

［3］ HU Y L， CHEN L. A nonlinear hybrid wind speed forecasting model using LSTM network， hysteretic ELM and Differential Evolution algorithm［J］. Energy conversion and management， 2018， 173： 123-142.

［4］ 姚萬(wàn)業(yè)， 黃璞， 姚吉行， 等. 一種基于深度學(xué)習(xí)的FRS-CLSTM風(fēng)速預(yù)測(cè)模型［J］. 太陽(yáng)能學(xué)報(bào)， 2020， 41（9）： 324-330.

YAO W Y， HUANG P， YAO J X， et al. A FRS-CLSTM wind speed prediction model based on deep learning［J］. Acta energiae solaris sinica， 2020， 41（9）： 324-330.

［5］ 李大中， 李穎宇. 基于深度學(xué)習(xí)與誤差修正的超短期風(fēng)電功率預(yù)測(cè)［J］. 太陽(yáng)能學(xué)報(bào)， 202""42（12）： 200-205.

LI D Z， LI Y Y. Ultra-short term wind power prediction based on deep learning and error correction［J］. Acta energiae solaris sinica， 202""42（12）： 200-205.

［6］ 王華彪， 魯冠軍， 李小勇. 基于卷積和共享權(quán)系數(shù)長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的空時(shí)融合機(jī)制在風(fēng)速預(yù)測(cè)上的應(yīng)用研究［J］. 太陽(yáng)能學(xué)報(bào)， 202""43（11）： 156-165.

WANG H B， LU G J， LI X Y. Research on application of spatio-temporal fusion mechanism based on convolution and shared weight long short-term memory network in wind speed prediction［J］. Acta energiae solaris sinica， 202""43（11）： 156-165.

［7］ SHAHID F， ZAMEER A， MUNEEB M. A novel genetic LSTM model for wind power forecast［J］. Energy， 202""223： 120069.

［8］ 楊國(guó)清， 劉世林， 王德意， 等. 基于Attention-GRU風(fēng)速修正和Stacking的短期風(fēng)電功率預(yù)測(cè)［J］. 太陽(yáng)能學(xué)報(bào)， 202""43（12）： 273-281.

YANG G Q， LIU S L， WANG D Y， et al. Short-term wind power forecasting based on Attention-GRU wind speed correction and stacking［J］. Acta energiae solaris sinica， 202""43（12）： 273-281.

［9］ HAN L， CHEN M X， CHEN K K， et al. A deep learning method for bias correction of ECMWF 24-240 h forecasts［J］. Advances in atmospheric sciences， 202""38（9）： 1444-1459.

［10］ CHEN L C， PAPANDREOU G， KOKKINOS I， et al. Semantic image segmentation with deep convolutional nets and "fully "connected "CRFs［J/OL］. "arXiv， "2014： arXiv： 1412.7062.

［11］ CHEN L C， PAPANDREOU G， KOKKINOS I， et al. DeepLab： semantic image segmentation with deep convolutional nets， atrous convolution， and fully connected CRFs［J］. IEEE transactions on pattern analysis and machine intelligence， 2018， 40（4）： 834-848.

［12］ CHEN L C ， PAPANDREOU G ， SCHROFF F ， et al. Rethinking atrous convolution for semantic image segmentation［J/OL］. arXiv， 2017： arXiv.1706.05587.

［13］ CHEN L C， ZHU Y K， PAPANDREOU G， et al. Encoder-decoder with atrous separable convolution for semantic image ""segmentation［M］. "Lecture ""Notes ""in ""Computer Science. Cham： Springer International Publishing， 2018： 833-851.

［14］ DOSOVITSKIY A ， BEYER L ， KOLESNIKOV A ，et al. An Image is worth 16x16 words： transformers for image recognition at scale［C］//International Conference on Learning Representations. Virtual Online Conference，2021.

［15］ LIU Z， LIN Y T， CAO Y， et al. Swin transformer： hierarchical vision transformer using shifted windows［C］//2021 IEEE/CVF International Conference on Computer Vision （ICCV）. Montreal， QC， Canada， 2021： 10012-10022.

［16］ WAN Q， HUANG Z L ， LU J C， et al. SeaFormer： squeeze-enhanced axial transformer for mobile semantic segmentation［C］//International Conference on Learning Representations. Kigali， Rwanda， 2023.

［17］ 周海， 秦昊， 吉璐瑩， 等. 地面氣象要素多模式集成預(yù)報(bào)研究進(jìn)展［J］. 大氣科學(xué)學(xué)報(bào)， 202""45（6）： 815-825.

ZHOU H， QIN H， JI L Y， et al. Research progresses of multimodel ensemble forecast of surface meteorological elements［J］. Transactions of atmospheric sciences， 202""45（6）： 815-825.

［18］ 江瀅， 宋麗莉， 程興宏. 風(fēng)電場(chǎng)風(fēng)速預(yù)報(bào)集合訂正方法的嘗試性研究［J］. 資源科學(xué)， 2013， 35（3）： 673-680.

JIANG Y， SONG L L， CHENG X H. An integrated and revised method of forecasting wind speed for wind farms［J］. Resources science， 2013， 35（3）： 673-680.

［19］ 徐麗娜， 申彥波， 馮震， 等. 多種風(fēng)電場(chǎng)風(fēng)速預(yù)報(bào)訂正方法的適用性研究與集成應(yīng)用［J］. 干旱區(qū)地理， 202""45（4）： 1114-1124.

XU L N， SHEN Y B， FENG Z， et al. Applicability research and integrated application of various correction methods for wind speed forecast in a wind farm［J］. Arid land geography， 202""45（4）： 1114-1124.

［20］ 許沛華， 陳正洪， 孫延維， 等. 湖北山區(qū)復(fù)雜地形條件下風(fēng)電功率預(yù)報(bào)算法研究［J］. 干旱氣象， 202""39（3）： 524-532.

XU P H， CHEN Z H， SUN Y W， et al. Research on wind power prediction algorithm under complicated terrain in mountainous area of Hubei Province［J］. Journal of arid meteorology， 202""39（3）： 524-532.

［21］ 陳鶴， 周順武， 熊安元， 等. 河北省風(fēng)能詳查區(qū)風(fēng)速日變化特征［J］. 干旱氣象， 201""29（3）： 343-349.

CHEN H， ZHOU S W， XIONG A Y， et al. Analysis on diurnal variation of wind velocity in Hebei Province［J］. Journal of arid meteorology， 201""29（3）： 343-349.

［22］ 烏日柴胡， 王建捷， 孫靖， 等. 北京山區(qū)與平原冬季近地面風(fēng)的精細(xì)觀測(cè)特征［J］. 氣象學(xué)報(bào)， 2019， 77（6）： 1107-1123.

WU R， WANG J J， SUN J， et al. An observational investigation of fine features of near surface winds in winter over Beijing area［J］. Acta meteorologica sinica， 2019， 77（6）： 1107-1123.

［23］ 朱蓉， 王陽(yáng)， 向洋， 等. 中國(guó)風(fēng)能資源氣候特征和開(kāi)發(fā)潛力研究［J］. 太陽(yáng)能學(xué)報(bào)， 202""42（6）： 409-418.

ZHU R， WANG Y， XIANG Y， et al. Stydy on climate characteristics and development potential of wind energy resources in China［J］. Acta energiae solaris sinica， 202""42（6）： 409-418.

SHORT-TERM 100-METERS WIND SPEED FORECAST

CORRECTION METHOD BASED ON MACHINE LEARNING

Gao Jinbing1-3，Cao Rundong1-3，Yu Tingzhao"3，Yao Jinfeng""Shen Yanbo1-3

（1. Public Meteorological Service Center of China Meteorological Administration， Beijing 10008""China；

2. Wind and Solar Energy Centre of China Meteorological Administration， Beijing 10008""China；

3. Key Laboratory of Energy Meteorology， China Meteorological Administration， Beijing 10008""China）

Abstract：In this paper， a forecast correction method based on machine learning is proposed， which first corrects regional errors with gridded analysis products and then corrects local errors with station observation data. The method utilizes the gridded wind speed analysis products at 100-meter height to correct the results of numerical weather prediction through deep learning algorithms， and then corrects the station wind speed forecast results with a random forest integrated forecast approach based on the observation data of wind speed at 100-meter height from the anemometer tower. An empirical analysis of a meteorological station in central Inner Mongolia shows that after correction with the proposed method， the root mean square error （RMSE） of wind speed prediction for the next 84 hours is significantly reduced from 4.25 m/s to 3.16-3.79 m/s after gridded forecast correction and to 2.81 m/s after station integrated correction. Therefore， the proposed method can effectively reduce forecast errors.

Keywords：wind speed forecast at 100-meter height； forecast correction； machine learning； deep learning； integrated forecast