基于盘古模型与机器学习修正的电网覆冰预测：以2021年12月下旬新疆北部为例

《Atmosphere》：Ice Accretion Forecast for Power Grids Based on Pangu Model and Machine Learning Correction: A Case Study on Late December 2021 in Xinjiang, China

本文结合人工智能气象模型（Pangu）与多种机器学习算法，构建了新疆北部电网覆冰厚度的短期预报校正模型。研究揭示了覆冰灾害形成的气象条件（温度?14 °C至?3 °C、相对湿度>80%、风速4.5–7.5 m s?1、气压919–928 hPa）及大尺度环流背景（双槽一脊结构与乌拉尔山阻塞高压），通过交叉验证表明24–72小时预报技巧显著提升（R2最高达0.61），为电网防灾减灾提供了可靠技术支撑。

　　

3.1. 覆冰过程的时空演变与气象条件

通过对新疆电网11个监测站覆冰数据与气象要素的分析，研究发现覆冰现象主要出现在无降水时段。在2732条记录中，79.5%的覆冰发生在无降水条件下，仅0.62%伴随降水。这表明新疆北部地区的覆冰类型以雾凇（rime ice）为主，即空气中的水汽直接凝华或过冷雾滴在输电线路上冻结形成冰层，而非雨凇（rain ice）主导。

图2展示了2021年12月23日至27日每日8个时次覆冰厚度的时空演变特征。覆冰灾害最严重的区域集中在北疆西部（Ane#49、Tiedong#97、Tiee#78、Tierun#107、Tieyi#94站），最大覆冰厚度普遍超过10毫米。北疆中部次之（Hailong#39、Hailong#73、Hailong#80站），最大厚度接近或超过1毫米。北疆东部受影响最轻（Mayou#101、Hashan#57站），覆冰厚度接近或低于1毫米。从时间演变看，覆冰厚度在23日至24日逐渐增加，25日达到峰值，26日开始下降，27日基本消失，呈现明显的发生-发展-消退过程。

为明确北疆覆冰灾害的适宜气象条件，研究计算了覆冰发生时地面温度、相对湿度、风速和气压的概率分布函数（PDF）。结果表明，当温度处于?14 °C至?3 °C、相对湿度大于80%、风速介于4.5 m s^?1至7.5 m s^?1之间、气压在919 hPa至928 hPa范围内时，北疆地区发生覆冰灾害的概率显著升高。需注意，这些条件定性指示了覆冰高发的气象要素区间，但无法定量确定覆冰厚度。

3.2. 大尺度环流与覆冰过程的物理成因

为阐明2021年12月下旬北疆覆冰的天气成因，研究分析了每日00时500 hPa位势高度场及其相对于1991–2020年的异常。12月23日，乌拉尔山以东至贝加尔湖以西受强正位势高度异常控制，而西欧和东北地区存在显著负高度异常，中高层大气环流呈现“两槽一脊”结构。此时北疆位于阻塞高压南侧，全疆盛行平直东风异常。24日至25日，阻塞高压加强并向南向东扩展，新疆大部被正高度异常覆盖，高压东侧的东北风异常有利于中高纬度冷空气南下至北疆，创造覆冰所需的低温条件。26日至27日，阻塞高压东移减弱并略有北缩，逐渐移出新疆。

近地面温度场显示，新疆原始温度普遍低于零度，但其异常呈现南负北正的双极型空间结构。这种温度配置使得北疆温度维持在?14 °C至?3 °C的适宜区间，而南疆过低温度易导致水滴以降雪形式下落，难以在导线覆冰。对比位势高度与温度异常发现，500 hPa高度异常与新疆2 m温度异常密切相关：北疆受正高度异常控制，通过晴空辐射效应增强地表太阳辐射，抬升温度异常；南疆受负高度异常影响，温度异常降低。随着阻塞高压移出，北疆的暖异常自23日至27日逐渐减弱，近地面温度缓慢下降至?15 °C以下，过低温度不利于覆冰形成，导致灾害消退。

湿度场方面，23日至24日新疆低层相对湿度约50%，未达到覆冰最适湿度条件（>80%）。25日至26日，随着中层阻塞高压东移南扩，低层水汽输送改变，北疆相对湿度升高（尤其在北疆西部受西南气流影响），逐渐升至80%左右，满足覆冰有利条件。至27日，随着高压系统移出，区域湿度再次下降，覆冰灾害衰退。综上，此次北疆覆冰事件主要受中高层“两槽一脊”环流结构与乌拉尔山阻塞高压的空间移动调控，通过改变近地面温湿分布，触发严重覆冰事件。

3.3. 基于盘古模型的覆冰预测初步研究

本节利用盘古模型（Pangu model）探讨其对2021年12月23–27日北疆覆冰事件的预测能力。针对覆冰最严重的北疆西部5个站点，将模型预报数据双线性插值至站点位置。由于盘古模型不直接输出相对湿度，研究采用温度、气压和比湿通过近似公式计算：RH ≈ 0.263 p q [exp(17.67(T – T₀)/(T – 29.65))]^?1（T₀=273.16 K），该公式在-40 °C至+40 °C范围内具有较高精度。

覆冰厚度与温度、相对湿度、风速、气压密切相关，研究采用多元线性回归构建统计模型：ice_thickness= a₀+ a₁×T + a₂×RH + a₃×spd + a₄×p。为检验模型能力并防止过拟合，采用留十交叉验证法（leave-ten-out cross-validation）：将200个数据点（5站×40时次）按顺序分为10个连续点一组，每次留出一组作为测试集，其余作为训练集建立回归模型进行预测，循环遍历所有数据。分别对24小时、48小时、72小时预报数据应用此过程，并通过相关系数R评估预测技巧。

图7显示，原始盘古模型的24小时、48小时、72小时预报能大致刻画覆冰厚度随时间“先增后减”的特征，但普遍低估实际观测值（尤其#78和#94站），且峰值时间滞后。预测技巧较低：24小时预报R=0.35，48小时为0.32，72小时仅0.26。因此需对模型数据进行偏差校正。

研究采用随机森林（random forest）、梯度提升（gradient boosting）、线性回归、岭回归、支持向量回归（SVR）和神经网络六种机器学习算法，分别对温度、湿度、气压、风速的预报值进行偏差校正，根据均方误差（MSE）、平均绝对误差（MAE）和决定系数（R2）选择最优算法。表2、表3显示，梯度提升和随机森林算法校正效果最佳。图8表明，经偏差校正后的模型数据与站点观测吻合良好，各要素相关系数接近或超过0.90（99%置信水平），其中湿度和气压校正效果最优，温度和风速次之。

校正后，不同预报时效的覆冰厚度预测技巧显著提升（图9）。24小时预报技巧提升62.9%（R=0.57），48小时提升90.6%（R=0.61），72小时提升92.3%（R=0.50）。预报时效越长，技巧提升幅度越高。需注意，校正后模型对#78和#94站的覆冰峰值预测仍有偏差，这可能与站点观测代表性及模型系统误差有关，提示对极端覆冰事件的预测仍需加强观测和改进模型性能。

4. 讨论

本研究存在一定局限性。盘古模型水平分辨率（0.25°×0.25°）对电网微尺度区域仍较粗糙，双线性插值无法完美表征网格点数据。未来可采用WRF模式动力降尺度或人工智能降尺度方法获取更高分辨率数据。此外，基于多元回归的预测模型在其他地区的适用性需重新评估，因主导覆冰的气象因子存在区域差异。尽管如此，基于数据驱动的机器学习算法与盘古模型全球输出的组合校正预测方法，对其他地区覆冰事件具有重要参考价值和可移植性。总体而言，该模型能有效挖掘多源数据中的预报信息，提升业务系统对覆冰厚度的短临预报时效，为电网防冰减灾提供可靠技术支持。

5. 结论

（1）2021年12月23–27日北疆（尤其西部）发生严重覆冰灾害，过程呈现23–24日发展、25日达峰、26–27日消退的特征。统计显示北疆覆冰适宜气象条件为：温度?14 °C至?3 °C、相对湿度>80%、风速4.5–7.5 m s^?1、气压919–928 hPa；

（2）此次覆冰事件主要受中层“两槽一脊”环流与乌拉尔山阻塞高压移动调控，通过改变近地面温湿配置触发灾害；

（3）盘古模型对北疆冬季覆冰有一定预测能力但技巧较低，经机器学习算法偏差校正后，24–72小时预报技巧提升60%–90%，72小时预报技巧达0.50，显著提升业务预报能力。