本研究探讨了如何使用高效的参数优化方法来优化WRF模型的参数，以改进风速模拟。WRF模型高耗时的计算是影响其参数优化的关键问题，为解决这一问题，首先使用多变量自适应回归抽样（MARS）的全局敏感性方法，从WRF模型的物理参数化方案的可调参数中，筛选出影响涡轮高度风速模拟的敏感参数；然后利用基于替代模型的自适应优化算法（ASMO）来优化敏感参数。模拟区域选在中国东部的四省交界区域（见图１）。模拟时间从2014年6月到2015年5月中，选取八个独立的天气过程，分成 16个3天事件进行风速模拟。

图1：三网格水平嵌套域，d01为外层网格，d02为中间网格，d03为内层网格，其包括中国东部的河南(HN)、安徽(AH)、湖北(HB)、湖南(HN)和江西(JX)五省的交界处。红点代表涡轮高度风速观测站，蓝点代表探空站。

结果表明，使用全局MARS敏感性分析方法，执行270次模拟，从WRF七个物理过程方案的27个可调参数中，确定了对风速模拟最敏感的七个参数；然后用ASMO方法优化这七个参数，只需要132次模拟就找到最优参数值，其将每小时涡轮高度风速模拟精度提高了8.7％（见图2）。

图2：包含默认和最优参数的WRF模型对16个事件的风速模拟比较

优化结果评估主要体现以下五个方面：1) 风速时间序列的变化分析表明，具有默认参数的WRF模拟会高估风速，而具有优化参数的WRF模拟会大大降低高估趋势；2) 通过比较模拟的Weibul频率分布，发现具有最佳参数的WRF模型降低了模拟强风的频率，增加了模拟轻风的频率，使优化结果更接近于观测(见图3)；3) 除了改善涡轮高度风速模拟外，具有最佳参数的WRF模型还改进了风速和温度廓线模拟；4) 除了将作为目标函数的RMSE提高8.7％外，它还将涡轮高度风速模拟的R值提高了约4％，风功率密度(WPD)提高约36％；5) 从最佳风速模拟的WPD空间分布中（见图4），还发现虽然大多数观测站建在高风能区，但有些观测站建立在风能低的地区，有一定的不合理性。

图3. 观测和模拟的Weibull PDF比较

图4. 最优WRF模式模拟的WPD空间分布, 其中红色星号代表观测站的位置。

最后，本研究对六个新验证事件也分别做了默认模式和优化模式的风速模拟比较，结果每小时涡轮高度风速模拟的RMSE改进了7.58%，R改进了6.49%。从而较全面地证实了WRF最优参数的适用性和ASMO优化方法改进复杂模式的可行性。该研究方法和成果已被北京金风科技有限公司业务研发部门所采用。

文章来源：Improving WRF model turbine-height wind-speed forecasting using a surrogate- based automatic optimization method

（供稿人：李梅)