The forecast of wind energy is closely linked to the prediction of the variation of winds over very short time intervals. Four wind towers located in the Inner Mongolia were selected to understand wind power resources in the compound plateau region. The mesoscale weather research and forecasting combining Yonsei University scheme and Noah land surface model (WRF/YSU/Noah) with 1-km horizontal resolution and 10-min time resolution were used to be as the wind numerical weather prediction (NWP) model. Three statistical techniques, persistence, back-propagation artificial neural network (BP-ANN), and least square support vector machine (LS-SVM) were used to improve the wind speed forecasts at a typical wind turbine hub height (70 m) along with the WRF/YSU/Noah output. The current physical-statistical forecasting techniques exhibit good skill in three different time scales: (1) short-term (day-ahead); (2) immediate-short-term (6-h ahead); and (3) nowcasting (1-h ahead). The forecast method, which combined WRF/YSU/Noah outputs, persistence, and LS-SVM methods, increases the forecast skill by 26.3-49.4% compared to the direct outputs of numerical WRF/YSU/Noah model. Also, this approach captures well the diurnal cycle and seasonal variability of wind speeds, as well as wind direction. Predicción de vientos en una altiplanicie a la altura del eje con el esquema de la Universidad Yonsei/Modelo Superficie Terrestre Noah y la predicción estadísticaResumenLa estimación de la energía eólica está relacionada con la predicción en la variación de los vientos en pequeños intervalos de tiempo. Se seleccionaron cuatro torres eólicas ubicadas al interior de Mongolia para estudiar los recursos eólicos en la complejidad de un altiplano. Se utilizó la investigación climática a mesoscala y la combinación del esquema de la Universidad Yonsei con el Modelo de Superficie Terrestre Noah (WRF/YSU/Noah), con resolución de 1km horizontal y 10 minutos, como el modelo numérico de predicción meteorológica (NWP, del inglés Numerical Weather Prediction). Se utilizaron tres técnicas estadísticas, persistencia, propagación hacia atrás en redes neuronales artificiales y máquina de vectores de soporte-mínimos cuadrados (LS-SVM, del inglés Least Square Support Vector Machine), para mejorar la predicción de la velocidad del viento en una turbina con la altura del eje a 70 metros y se complementó con los resultados del WRF/YSU/Noah. Las técnicas de predicción físico-estadísticas actuales tienen un buen desempeo en tres escalas de tiempo: (1) corto plazo, un día en adelante; (2) mediano plazo, de seis días en adelante; (3) cercano, una hora en adelante. Este método de predicción, que combina los resultados WRF/YSU/Noah con los métodos de persistencia y LS-SVM incrementa la precisión de predicción entre 26,3 y 49,4 por ciento, comparado con los resultados directos del modelo numérico WRF/YSU/Noah. Además, este método diferencia la variabilidad de las estaciones y el ciclo diurno en la velocidad y la dirección del viento.
Free-Form Surface Reconstruction Method from Second-Derivative Data
