第 29 卷第 2 期 2011 年 6 月文章编号 :1006-7639(2011)-02-0161-07 干旱气象 JournalofAridMeteorology Vol.29 No.2 June,2011 中尺度 WRF 模式在西北西部地区低层风场中的应用和检验 王澄海 1, 胡菊 1, 靳双龙 1, 冯双磊 2 2, 刘纯 (1. 兰州大学大气科学学院, 半干旱气候变化教育部重点实验室, 甘肃兰州 730000;2. 中国电力科学研究院, 北京 100192) 摘要 : 通过 WRF 模式对西北地区 1 4 月份风速的, 检验了大气数值模式的性能和误差大小 结果表明,WRF 模式在风场上具有较好的性能, 在地面加热较强 增温较快 风速较大的 4 月份效果要好于强风频发但风速较 4 月份小的 1 月份 ;4 月份 10~70m 各高度上 48h 内的平均误差在 10% 以下, 相关系数 >0.80, 通过 99% 的置信度 ;1 月份各高度 48h 的平均误差在 20% 以内, 但二者呈负相关, 相关系数绝对值 >0.30, 通过 99% 的置信度 ; 在选取的 2 个时段内, 在阵性大风出现的时段值明显小于值 意味着风作为高层动量下传 低层地形和热力作用共同的产物, 在西北地区植被稀疏 地形复杂的环境下, 模式边界层的参数化是关键 关键词 :WRF 模式 ; 误差 ; 中国西北 ; 风场预测 ; 风电功率中图分类号 :P435 +.1 文献标识码 :A 引言 在风能资源的应用中, 由于风能的间歇性和不连续性, 在以分为单位的时间尺度上, 很难准确预测风速和风向, 也就很难知道风电场在 1min 后所发的电量 ; 从而使风能转换系统与电力网络的整合成为短期电力综合预测的一个关键而又重要的问题 [1] 目前, 我国风电装机比例较高的东北电网 内蒙古西部电网调峰问题已经成为制约风电发展的主要问题 [2-6] 到目前为止, 对风的预测方法主要分为 2 类 : 一类是寻求风和其他气象要素之间的线性和非线性关系, 另一类是分析风的时间序列, 或风的概率分布函数来建立模型预测 二者都是基于概率和数理统计的预测方法 现代的统计方法如卡尔漫滤波法 (Kalman-filters) [7] 时间序列法 (ARMA) [8] 人工神经网络法 (ANN) [9-10] 模糊逻辑法 (FuzyLogic) 等 [11], 也是属于统计学的范畴 而统计学方法的内涵是对已有规律的外延, 回报准确率高, 预报准确率低 同时, 以统计为基础的预测模型的预报存在有 效预报时效较短的缺点, 而借助于数值气象预报则可有效延长预测时间, 目前的数值模式在 72h 内的预测水平达到了 80% 以上 [12] 风作为大气运动的产物, 必然是一个集地形 高低层天气系统相互作用 地面非绝热加热 海陆温差等物理过程的综合产物 其最终的预测途径必然是以求解大气运动的物理方程组为基础的数值天气预报 ; 风电预测系统准确率的提高, 最终也决定于数值预报的准确率的提高 因此, 未来风电预测系统准确率的提高依赖于数值天气预报系统的发展和完善 目前, 世界各国的数值天气预报已成为日常天气预报的基本手段 数值天气预报的短期 (1~3d) 预报水平得到了显著提高, 稳定性有了基本的保证 因此, 在风电发展较为成熟的国家, 如丹麦里索国家实验室的 Prediktor 德国的 SOWIE 系统和 Priviento 加拿大的中尺度气象模式和大尺度气候背景场分类方法的风能资源评估数值模式系统 WEST 模型 英国以及美国 Ewind 模型等 [13], 已经在数值天气预报的基础上研发出各自用于风电场功率短期预测的系 收稿日期 :2011-03-28; 改回日期 :2011-04-27 基金项目 : 公益性行业 ( 气象 ) 科研专项 (GYHY201006035), 国家科技支撑计划 风光储输示范工程关键技术研究 共同资助 作者简介 : 王澄海, 男, 博士, 教授, 主要从事数值及气候变化研究.E-mail:wch@lzu.edu.cn JournalofAridMeteorology,2011,29(2):161-167 161
162 干旱气象 29 卷 统并在业务中使用, 产生了显著效益, 也奠定了未来风电功率预测的基础和方向 风电功率预测系统基本上都使用气象部门提供的数值气象预报结果作为预测系统的输入, 尤其是欧盟资助 7 个国家 23 个机构参加的 ANEMOS 项目 ANEMOS 的前端是预报气象要素场的数值模式, 模式的产品用现代统计方法释用, 即选用非线性神经网络等方法进行训练迭代, 将物理和统计 2 种模型结合到一起 该项目建成后将成为既可以适用于陆上, 也可以适用于海上风电场短期功率预测的方法和工具, 以优化风电场的储能系统和需要的备用容量 在我国, 开展的风能资源评估和风能资源详查工作中, 使用了中尺度模式 MM5 和 MC2 [14] 均在 MM5 的基础上对区域的风能资源进行了评估, 基于中尺度模式 MM5 对风能资源可以得到较为详细的分布 但是, 仍然存在着 2 方面的工作需要进一步深入 : 一是中尺度模式的发展趋势,WRF 已替代了 MM5, 而 WRF 模式对风的能力如何需要大量的试验检验 ; 其次风作为边界层内的物理过程, 具有较高的瞬间性 阵发性和区地化等显著特点, 通过风速误差的分析, 寻找并发展模式边界层参数化具有基础的理论意义 二是 WRF 模式作为发展比较成熟的中尺度天气预报模式, 已成功地运用于短期天气预报业务并取得了显著成绩 但是, 如何运用于风速 ( 能 ) 的预测并满足业务需求, 需要对 WRF 在不同的下垫面和地形条件下试验检验, 分析误差大小的规律和可能原因 StormBrandon 等比较了 WRF 的不同参数化方案对低空急流进行, 发现各种参数化方案都能出低空急流的形式, 却各有所长, 可用于风电功率的预测 [15] 研究也表明, 多层次嵌套和复杂地形 [16-17] 下较细分辨率的设置对风速和风电功率有较好的预测效果 在我国, 数值模式 WEST(WindEn ergysimulationtoolkit) [13] MM5 [16-17] TAPM(The AirPolutionModel) [18-19] WRF(Weatherresearch model) [17,20] RAMS(RegionalAtmosphericModeling System) [21] 等数值模式都用于风能资源评估与预测 位于我国西北地区的甘肃 新疆等地, 气候干燥, 植被稀少, 风速大而且每年中大风日数较多, 具有丰富的风能资源, 是发展风力发电的重要地区, 也是风电功率预测难度较大的地区 如已有的研究表明地面非绝热加热旺盛, 是产生大风的重要条 件 [22-23] 为了探索中尺度数值模式 WRF 在风电预测中的可行性, 我们将 WRF 模式应用于我国西北地区, 分析我国西北地区风的变化规律及特征, 检验中尺度数值模式 WRF 在河西地区风速的能力 1 模式简介及资料 WRF(WeatherResearchForecasting) 是由美国多个研究部门及大学共同参与开发研究的新一代中尺度预报模式 该模式中包括了如辐射过程 边界层参数化过程 对流参数化过程 次网格湍流扩散过程以及微物理过程等物理过程, 是一个完全可压的非静力模式, 控制方程组都写为通量形式 网格采用有利于在高分辨率中提高准确性的 Arakawa C 格点 地形追随混合 б 垂直坐标, 动能 熵 动量守恒,2 阶有限差分格式 质量坐标框架 (ARW, EM) 采用地形追随非静力气压垂直坐标,ArakawaC -grid,3 阶 Runge-Kuta 显式时间分离差分方案,5 阶或 6 阶平流差分方案, 质量 动量 干熵及其标量守恒, 应用通量形式的诊断方程 WRF 模式系统具有可移植 易维护 可扩充 高效率 方便等诸多特性, 是目前最为先进的中尺度数值天气模式, 目前已经在世界大多数国家的天气预报业务和相关的业务部门及科研单位广泛应用 在本研究中, 边界资料取自 NCEP 每 6h 一次 分辨率为 1 1 的再分析资料 模式进行 3 重嵌套, 相应的水平网格距分别为 45km 15km 5km, 垂直方向从 1000hPa 到 100hPa 分为 35 层, 最外层积分步长为 120s, 每 15min 输出一次结果, 积分时长为 96h 通过天气气候分析, 在甘肃河西地区, 由于降水量少 气候干燥, 下垫面植被稀少, 同时综合考虑气候背景和下垫面的陆面特征, 在反复试验和诊断的基础上, 确定了的区域 (Domain) 如图 1 所示 通过敏感性试验和结果比较, 采用以下的物理参数化方案 : 微物理过程方案为 WSM3 类简单冰方案, 长波辐射为 RRMT 方案, 短波辐射方案为 Dudhia 方案, 边界层方案为 YSU 方案 风速的资料来自于我国西北甘肃河西地区某风电场的风塔数据 该风塔垂直设置 4 层风速自动系统, 分别为 10m,30m,50m,70m, 每 10min 平均取样 时间为 1a, 本文取其中 2 个月和结果对比分析 风电场位于祁连山西 162 JournalofAridMeteorology,2011,29(2):161-167
第 期 王澄海等 中尺度 ＷＲＦ模式在西北西部地区低层风场中的应用和检验 段 河西走廊平原及马鬃山附近 由于南北高中间低 的地形特点 加之地形的狭管作用对风的加速作用 该地既是风电场的理想之地 但也增大了对该地区 风速的难度 图 试验的范围 分别代表 重嵌套的网格范围 Ｆ Ｔｈ ｄ ｍ ｘ ｍ ｕ ｍ 结果的分析比较 对于一个固定地点 由于风速和风向具有季节 性 受到环流背景和天气系统的影响也不一致 因 此 为检验 ＷＲＦ模式在不同季节的性能 我们 对甘肃河西地区风速大 变化剧烈的 月份 图 和的 月 日各高度上的风速 月份风速较小的 月份中随机选择 ｄ ｈ 进行 ｍ ｍ ｃ ｍ ｄ ｍ 风速分析 从气候背景来看 月份甘肃河西 Ｆ Ｔｈ ｗ ｄ ｄ ｄ 地区地面受冷高压控制 高空为新疆脊前的西北气 Ｊ ｄ 流控制 由于主要受冷空气的东进南下的影响 河西 ｍ ｍ ｃ ｍ ｄ ｍ 地区的风速较大 而 月份 由于气温开始回升 高 空环流处于经向环流向纬向环流调整阶段 且地面 ｈ的结果则表明 尽管用于平均的时间尺度 升温较快 因此 近地层风速往往较大 也是大风和 较长 但除了 ｍ外其余各高度层的平均误差 沙尘暴灾害频发的时段 如 年 月 日 明显增大 从图 也可以看出 对 ｈ效果较 的沙尘暴等 差 也说明 ｈ的效果比前 ｈ差 而在 对于风电功率预测而言 低层风速 特别是风机 ｈ的平均误差虽然较小 但误差 轮毂高度 ｍ 的风速尤为重要 低层风速 却有所增大 模式能力减弱 从表 可以看出 的准确程度直接影响风电功率预测的精度 这 ｈ的相关系数在 范围内变化 尽 也是本文研究的重点 资料表明 月份 ｍ 管通过了 的置信度 但值与实际值呈反相 的平均风速为 ｍ 月份 ｍ的平均风速为 关 也即在风速较大时值偏小 风速小值偏 ｍ 大 除过模式的性能外 观 测 值 是 ｍ 的 平 均 图 给出了 年 月 日和 值 而值是瞬时值 在时段内 由于 个时 个高度 ｍ ｍ ｍ ｍ 的风速比较 从图 段出现了阵性大风过程 例如 月 日 时 中可以看出 在模式运行稳定后 风速的和 月 日 时至 日 时 结果都偏小 没能很 ｍ各高度 基本吻合 综合表 平均而言 好地再现出实际的风速变化 尤其在 ｍ ｍ ｈ ｈ的平均误差均在 以下 并且在 高度上 图 ｃ ｄ 可以明显地看出 时间尺度在 ｍ和 ｍ处误差值为正 在 ｍ和 ｍ误差 ｈ的阵风较多 而模式不能很好地再现出这种变 为负 误 差 值 随 高 度 减 小 高 层 模 拟 值 偏 小 化 表明在西北植被稀疏 降水偏少 空气干燥的干 Ｊ ｕ Ａ ｄｍ ｙ
164 干旱气象 29 卷 旱区, 模式采用目前的参数化方案的结果在阵性大风时段出现偏小的系统误差, 需要对边界层参 数化方案深入研究 综上也可以看出, 该地的 1 月份风电功率预测的有效时段在 48h 内 表 1 1 月 2~6 日和的风速误差 Tab.1 TherelativeerorofwindspeedbetweenobservationandsimulationonJan.2-6 24h 48h 72h 96h 10m 30m 50m 70m 误差 % 误差 % 误差 % 误差 % 7.70 6.85 11.61 7.52 7.13 11.31 7.14 6.29-2.92 6.83 6.41 13.92 2.67 3.26 42.34 2.39 2.74 36.44 2.13 2.74 38.38 2.32 2.75 40.26 8.53 7.56 2.35 8.66 7.87 0.45 8.27 6.91-12.4 7.85 7.04 3.63 2.59 3.28 38.45 2.24 2.76 31.87 2.19 2.91 35.19 2.47 2.89 36.82 9.94 8.05-7.55 10.08 8.37-9.01 9.89 7.32-22.6 9.17 7.47-9.16 2.82 3.97 39.94 2.39 3.39 33.63 2.54 3.90 39.43 3.04 3.67 40.02 11.42 8.17-17.9 11.26 8.60-16.4 11.04 7.48-29.3 10.31 7.64-17.7 3.27 5.24 45.88 2.71 4.31 38.28 2.96 4.90 44.38 3.58 4.50 43.65 表 2 1 月 2~6 日和值的相关系数 Tab.2 Thecorelationcoeficientbetweenobserved andsimulatedwindspeedonjan.2-6 高度 24h 48h 72h 96h 10m -0.52-0.31 0.24 0.24 30m -0.49-0.33 0.38 0.35 50m -0.58-0.46 0.35 0.34 70m -0.48-0.44 0.33 0.38 注 : 表示通过 99% 的信度检验 图 3 给出了 2009 年 4 月 26~30 日和的 4 个高度 (10m,30m,50m,70m) 的风速比较 图 4 给出了 1 月份和 4 月份的 10min 平均风速 >15m/s 的频率分布, 和 1 月份的情况比较而言,4 月份的结果明显要好一些 ( 表 3, 表 4) 在 10~70m 高度范围,24h 和的平均误差在 -20% ~-10% 之间,48h 的平均误差在 10% 以内,72h 的误差范围在 -10% ~10% 之间 72h 48h 各高度的误差均有加大 同样, 96h 的误差的由于平均的时间尺度较长, 虽然和 72h 的误差保持相当的水平, 但是从表 3 可以看出, 其对应的误差及误差都有较为明显的增大, 表明在 72~96h 时段预报效果变差 我们也注意到, 模式开始的前 24h 的预报效果比其后的 24~48h 差, 主要原因是在 26 日的 12~15 时连续出现风速 >15m/s 的大风而结果并没能很好的再现, 导致各高度处的误差较大 意味着如果出现瞬间风速较大的时段, 其误差 图 3 和的 4 月 26~30 日各高度上的风速 (a)10m,(b)30m,(c)50m,(d)70m Fig.3 Thewindspeedofobservationandsimulation onapril26-30atdiferentlevels (a)10m,(b)30m,(c)50m,(d)70m 164 JournalofAridMeteorology,2011,29(2):161-167
第 期 王澄海等 中尺度 ＷＲＦ模式在西北西部地区低层风场中的应用和检验 也就较大 和图 的 月份相比 时间尺度在 通过 的置信 和值之间的相关系数 ｈ的大风过程较少 风速的变化比较平稳 度 由此也看出 月份的有效时段在 ｈ左 ｈ的 和相关分析结果表明 表 右 图 月 月各高度风速 ｍ ｄ的频率分布 Ｆ Ｔｈ ｑ ｕ ｃ ｙ ｗ ｄ ｄｍ ｈ ｍ ｄ ｙ Ｊ ｄａ ｄ 表 月 日和的风速误差 Ｔ Ｔｈ ｕ ｗ ｄ ｄ ｄ Ａ ｈ ｍ ｍ ｍ ｍ ｈ ｈ ｈ 表 月 日和值的相关系数 约为 月份的几十倍 但是 我们也可以看到 高低 Ｔ Ｔｈ ｃ ｃ ｃ ｗ 层大风出现的频率相差不大 表明地面和高层对 ｄ ｗ ｄ ｄ Ａ ｍ高度的风速都产生影响 月份风速的均方 高度 ｍ ｍ ｈ ｈ ｈ ｈ 差也较 月份大 图 风速 风速均方差随高度增 大 的均方差的随高度的变化规律基本和 一致 但是 不管是 月还是 月 的均方差都 ｍ 小于的均方差 也就是说模式对于极端值的模 ｍ 拟较小 大 注 表示通过 的信度检验 月份的结果显著好于 月份 原因可能 来自 个方面 一是春季 月份 地面加热强 温度 由图 可以看出 月份 ｍ 平均风速 上升快 同时出现 ｍ 的频率高 平均风速较 ｍ 的风出现的频率远远少于 月份 且 ｍ 大 二是 月份陆气之间的能量 水分 热量交换相 的风主要出现在 ｍ处 ｍ处没有出现过 对要比 月份强 反映在低层出现 ｍ 大风的 ｍ 的强风 ｍ处 ｍ 的大风发生的次数较 频数也较多 综合图 图 和已有的研究 可以 ｍ少近 倍 意味着冬季该地的大风过程主要 看出地表非绝热加热的变化在大风的形成过程中也 受到高层的影响 月份 ｍ 的大风出现频率 是十分重要的因素 Ｊ ｕ Ａ ｄｍ ｙ
166 干旱气象 29 卷 务模式在北美地区 500hPa 的高度场在 72h 内预测的技巧得分大约为 30% [12], 而边界层内的风速在目前的日常天气预报业务中对预报精度的要求低于降水等的要求 我们的分析结果表明, 如果在 WRF 模式中选择合适的参数化方案, 就风速的预测误差而言, 可达到目前的风电功率预测的业务要求, 和风电功率预测发达国家的水平相当 图 5 1 月 4 月各高度及的 48h 风速的, 上方及右边坐标为均方差, 下方及左边轴为的均方差 Fig.5 Therootmeansquareofwindspeedof observedandsimulatedinfirst48hinjan.andapril atdiferentlevels(topandrightaxisforsimulated value,botomandleftaxisforobservedvalue) 3 讨论和小结 在风电功率预测中, 风的预测是一个基本和决定性的前提 由于风既受高层大气运动的支配, 也与地形地貌和下垫面的性质联系密切 这就给风能资源丰富的地区的风的预测带来了难度 在实际地形条件下, 在下垫面性质特殊的西北地区, 我们通过试验就 WRF 模式对风场的性能进行了检验和误差分析 得到以下初步结论 : (1)WRF 模式在西北河西地区风速的结果表明,WRF 在风场的上具有较好的性能 4 月份各高度 48h 内的平均误差在 10% 以下, 相关系数为 0.80, 通过了 99% 的信度检验 ;1 月份各高度的 48h 的平均误差在 20% 以内, 满足目前风电功率预测的精度要求 (2) 在春季的 4 月份,WRF 模式的性能好于冬季的 1 月份 1 月份的平均风速要小于 4 月份, 但由于西北地区的温度日较差较大,1~3 h 尺度的较大风速过程较多, 即阵性大风多发, 因而的误差较大 ; 而在春季, 由于此时段正是地面加热快 风速较大的季节, 但该季节该地区的短时间尺度 (1~3h) 风速变化较小, 效果较为理想 (3)2 个时段的结果表明, 结果在阵性大风时段则有偏小的系统误差, 反映出风作为高层动量下传 低层地形和热力作用共同的产物, 在西北地区的植被稀疏 地形复杂的环境下, 模式中的边界层的参数化的处理需要仔细考虑 目前的中尺度数值预报的结果, 如 NCEP 的业 参考文献 : [1] 戴慧珠, 王伟胜, 迟永宁. 风电场接入电力系统研究的新进展 [J]. 电网技术,2007,31(20):16223. [2] 迟永宁, 刘燕华, 王伟胜, 等. 风电接入对电力系统的影响 [J]. 电网技术,2007,31(3):77281. [3] 杨秀媛, 肖洋, 陈树勇. 风电场风速和发电功率预测研究 [J]. 中国电机工程,2005,25(11):1-5. [4] 刘永前, 韩爽, 胡永生. 风电场出力短期预报研究综述 [J]. 现代电力,2007,24(90),6-11. [5] 中国电力科学研究院, 吉林省电力有限公司. 吉林省电网风力发电接入能力研究 [R].2005. [6] 西北电网有限公司, 中国电力科学研究院. 西北地区风电开发与利用研究 [R].2007. [7]BosanyiEA.Short-term windpredictionusingkalmanfilters [J].WindEngineering,1985,9(1):1-8. [8]ToresJL,AGarcia,M.DeBlas,etal.ForecastofHourlyAverage WindSpeedwithARMAModelsinNavare(Spain)[J].SolarEn ergy,2005,79:65-77. [9] MohamedA Mohandes,ShafiqurRehman,TalalO Halawani.A neuralnetworksapproachforwindspeedprediction[j].renewable Energy,1998,13(3):345-354. [10]ThanasisGBarbounis,JohnBTheochairs,MinasCAlexiadis,et al.long-term WindSpeedandPowerForecastingUsingLocal RecurentNeuralNetworkModels[J].IEEETransactionsonEner gyconversion,2006,21(1):273-284. [11]PinsonP,NSiebert,GKariniotakis.ForecastingofRegionalWind GenerationbyaDynamicFuzy-NeuralNetworksBasedUpscaling Approach.InProceedingsCD-ROM[Z].EuropeanWindEnergy Conference&ExhibitionEWEC2003,Madrid. [12]Kalnay,E.AtmosphericModelingDataAsimilationandPredic tion[m].camberge,unitekingdom,2003,1-3. [13] 张德, 朱蓉, 罗勇, 等. 风能系统 WEST 在中国风能数值中的应用 [J]. 高原气象,2008,27(1):202-207. [14] 中国气象局风能太阳能资源评估中心. 中国风能资源评估 (2009)[M]. 北京 : 气象出版社,2010.1-37. [15]StormBrandon,DudhiaJimy,Basu,Sukanta,etal.Evaluationof theweatherresearchandforecastingmodelonforecastinglow- leveljets:implicationsforwindenergy[j].windenergy,2009, 12(1):81-90. [16]AmbarishJash,AlbinJ,Gasiewski.FinalStatusReportonHigh ResolutionNumericalWindForecasting[Z],2009,Report. [17] 冯双磊, 王伟胜, 刘纯, 等. 风电场功率预测物理方法研究 [J]. 166 JournalofAridMeteorology,2011,29(2):161-167
第 2 期 王澄海等 : 中尺度 WRF 模式在西北西部地区低层风场中的应用和检验 167 中国电机工程学报,2010,30(2):1-6. [18] 马彦宏, 汪宁渤, 刘福潮, 等. 甘肃酒泉风电基地风电预报系统 [J]. 电力系统自动化,2009,33(16):88-90. [19] 穆海振, 徐佳良, 杨永辉. 数值在上海海上风能资源评估中的应用 [J]. 高原气象,2008,27(Suppl):196-202. [20] 辛渝, 汤剑平, 赵逸舟, 等. 模式不同分辨率对新疆达坂城 小草湖风区地面风场结果的分析 [J]. 高原气象,2010,29 (4):884-893. [21] 孙川永, 陶树旺, 罗勇, 等. 高分辨率中尺度数值模式在风电场风速预报中的应用 [J]. 太阳能学报 2009,30(8):1097-1099. [22] 朱飙, 李春华, 陆登荣. 甘肃酒泉区域风能资源评估 [J]. 干旱气象,2009,27(2):152-156. [23] 王澄海, 靳双龙, 杨世莉. 新疆 2.28 大风过程中热 动力作用的分析研究 [J]. 中国沙漠, 接受, 待刊. ApplicationandTestofLowerLevelWindFieldSimulationwith Meso-scaleModelWRFinWesternRegionofNorthwestChina WANGChenghai 1,HUJu 1,JINShuanglong 1,FENGShuanglei 2,LIUChun 2 (1.KeyLaboratoryforSemi-AridClimateChangeoftheMinistryofEducation, ColegeofAtmosphericSciences,LanzhouUniversity,Lanzhou730000,China; 2.ChinaElectricPowerResearchInstitute,Beijing100192,China) Abstract:Inthispaper,theperformanceofWRFmodelisvalidatedbysimulatingwindvelocityinJanuaryandAprilovernorthwestern China,andtheerorsbetweensimulatedandobservedvalueswereinvestigated.ResultsshowthatWRFperformancewasbeterinA pril,whenwindspeedwasbigandsteady,surfaceheatingstrongandtemperatureincreasingfaster,butinjanuarywindspeedwas lowerbutgustfrequentlyoccured.therelativeerorin48hoursatdiferentlevelswasunder10%,thecorelationcoeficient(above 0.8)betweenobservedandsimulatedvalueswassignificantat90% inapril.injanuary,themeanvalueofrelativeerorin48hours atdiferentlevelswasintherangeof20%,andtheabsolutevalueofthecorelationcoeficientwasmorethan0.30andsignificantat the99% confidencelevel.duringthetwosimulationdurations,thesimulatedvaluewasobviouslysmalerthanobservedvaluewhen windspeedwashigh.duetowinddominatedbyhigherlevelmomentum transferdownwards,terainandthermodynamicfunctionof landsurface,thepblparametersschemeinmodeliscrucialinsimulationofwind,especialyinnorthwestchina,wherevegetableis sparseandteraincomplex. Keywords:WRFmodel;simulationerors;northwesternChina;windsimulation JournalofAridMeteorology,2011,29(2):161-167 167