2.1 極端風速

為保證風電機組的安全性和長期穩定可靠運行，風電機組的設計需要考慮運行環境條件的影響，主要體現在荷載、使用壽命和正常工作等幾個方面。各類環境條件分為正常外部條件和極端外部條件，正常外部條件涉及的是長期疲勞荷載和運行狀態，極端外部條件是潛在的臨界外部設計條件。臺風及以上級別熱帶氣旋是風電機組設計和風電場設備選型必須考慮的極端外部條件之一，了解每個工程項目所在區域的設計風速是保障安全度過臺風而不發生屈服性破壞的基礎。

電力工程在分析設計風速時：①選擇代表氣象站，然后進行站址環境變遷調查、資料三性分析，計算設計風速；②根據GB50009—2012的風壓來反推算設計風速；③根據工程所在環境條件，綜合分析兩種方法成果合理性，選擇其中之一作為設計風速推薦取值。由基本風壓計算離地面10m高度處風速，最基本的方法要經過兩次換算：首先，由規范基本風壓及其風剖面換算至大氣邊界層梯度高度處風速，再由該風速按工程場地處風剖面換算得出離地10m高度處風速。風電場一般建設有測風塔，而且至少有完整一年數據，因此在分析輪轂高度設計風速時與一般電力工程稍有區別。本節主要介紹風電場各機位輪轂高度重現期計算過程。

2.1.1 氣象站設計風速分析

2.1.1.1 站點篩選

作為重現期設計風速計算的參證站，至少滿足下列要求：①擁有30年以上測風資料；②站點周圍地形平整度較好；③四周較開闊空曠，周圍無高大植被阻擋，附近障礙物對測風的最大遮擋角不大于5°；或者測風點與障礙物距離至少大于10倍的障礙物高度；④通過“三性（代表性、一致性、可靠性）”審查。沿海氣象站周邊環境對比如圖2-1所示，其中某些站周邊環境已經發生了巨大改變，該站不適宜作為區域代表站，如圖2-1（c）所示的氣象站受到嚴重的城市化影響，圖2-1（d）所示的氣象站與障礙物距離相對較近。

2.1.1.2 資料審核即“三性”審查

選擇的氣象站點要求具有代表性、一致性和可靠性。

1．代表性

要求選取位于同一氣候區，即氣候平均狀況相似，受城市化發展影響較小的氣象站點。

2．一致性

數據的一致性主要是考察氣象數據歷史序列是否連續、一致。一致性檢驗的具體方法如下：

根據測站周圍環境變化、遷站和更換儀器等情況審查原始序列曲線，若出現明顯不連續的年份，稱該年為間斷年，將該年之前（不包括該年）的風速序列稱為子序列1，其后的序列稱為子序列2。設子序列1為x1, x2, …, xn1，子序列2為y1, y2, …, yn2，全部數據的平均記為, n1個數據和n2個數據的平均值分別為，于是

全部數據對的偏差平方和為

式（2-2）中右端括號內兩個平方和反映了各組數據內部本身的差異程度，稱之為組內偏差平方和，右端第二項則反映了兩組數據之間的差異程度，稱之為組間偏差平方和，要判斷組間差異是否顯著，就要考慮這兩項的比值，需用F檢驗方法來進行顯著性檢驗，即

取顯著性水平0.05, F值的檢驗標準為：當n（n=n1+n2）≥50時，F＞4;10≤n＜50時，F＞5，可以認為有顯著差異。

訂正的序列還必須進行訂正適當性檢驗，對于比值訂正法，其訂正的標準為

例如，對1961—2013年的資料進行均一性檢驗訂正，由于n=53，故只要訂正前后序列的相關系數大于0.491，即認為訂正是適當的。

3．可靠性

了解氣象站使用風速儀器的沿革（儀器型號、安裝高度、使用情況、儀器記錄風速風向的精度及故障情況），通過地區比較、天氣系統過程分析、要素相關分析或專門大風調查，對顯著偏大或偏小的風速資料進行分析處理。

2.1.1.3 資料標準化處理

1．高度訂正

近地層風速的垂直分布主要取決于地表粗糙度和低層大氣的層結狀態。在中性大氣層結下，對數和冪指數方程都可以較好地描述風速的垂直廓線，實測數據檢驗結果表明，在華南地區冪指數公式比對數公式能更精確地擬合風速的垂直廓線，GB50009—2012也要求用冪指數律風速廓線公式把不同高度的風速換算高標準高度風速，其表達式為

式中 v——標準高度風速，m/s；

z——風速儀實際高度，m；

vz——風速儀觀測風速，m/s；

α——空曠平坦地區地面粗糙度系數，取α=0.15。

采用式（2-5），將區域參證氣象站歷年最大風速訂正到標準高度10m處數值。

2．時次和時距轉換

對于區域參證氣象站以往非自記的定時觀測資料，均應通過適當修正后加以采用，氣象站風速資料為定時觀測2min平均或瞬時極大值時，應進行觀測次數和風速時距的換算，統一訂正至GB50009—2012所要求的自記10min平均風速。

（1）計算方法。設v是某氣象站某年自記10min平均最大風速，v2是該站同一年的4次或3次定時2min平均最大風速，假定自記10min平均最大風速與定時2min平均最大風速之間的關系為

v 10min=av 2min+b+e

式中 a、b——待定的常數；

e——隨機誤差項。

通常，可不考慮隨機誤差項，即

v10min=av2min+b

確定a、b常數的方法如下：

1）從有風速自記記錄的臺站中，分別挑取年自記10min平均最大風速值，并將其換算到標準高度，得到序列y1, y2, …, yn；

2）從相應的臺站及相同年份中對應于yi（i=1, 2, …, n）挑出4次或3次定時2 m in平均最大風速值，并換算到標準高度值，得到與y1, y2, y3, …, yn對應的序列x1, x2, …, xn;

3）根據最小二乘法求常數a、b，即

4）求相關系數R，即

（2）回歸效果統計檢驗。建立了4次和3次定時2min平均最大風速與自記10min平均最大風速相關方程式（亦稱回歸方程式），其是否真實地反映了變量之間的客觀聯系、可靠性如何，可以用數理統計中的F檢驗方法（與站點資料一致性審查中的F檢驗方法類似），進行回歸效果檢驗。

2.1.1.4 氣象站50年一遇最大風速計算方法

目前，國內外公認的不同重現期下最大風速極值計算方法，按樣本序列的不同分為長年代序列極值計算、短期序列極值計算和超短序列極值計算等3種模型。對不同時長的樣本序列使用的計算方法也不同。所謂長年代序列指每年挑一個極端值組成的樣本序列，世界氣象組織（WMO）規定，序列年限不少于30年，常用的有Weibull分布、Fisher Tippett（極值Ⅰ型或龔貝爾）分布、P-Ⅲ型分布。

當工程點及鄰近海域可利用的資料不足20年時，不適合使用上述3種概率分布模型，推薦使用Poisson-Gumbel聯合分布模型。

如果觀測資料年代較短，用統計方法推斷出的風速代表性差。因此，應用Monte Carlo方法模擬臺風，建立臺風年最大風速概率分布，推斷各重現期風速，以彌補這些地區存在的風速資料問題是一種非常有效的途徑。

1．極值Ⅰ型概率分布

極值Ⅰ型（亦稱Gumbel分布）的分布函數為

F（x）=exp{-exp[-a（x-u）]}（a＞0, -∞＜u＜∞）

式中 a——分布的尺度參數；

u——分布的位置參數。

重現期為R（概率為1/R）時，有

其參數估計有三種方法，具體如下：

（1）矩法。

一階矩（數學期望）

y≈0.57222

二階矩（方差）

由此得到

（2）Gumbel法。Gumbel法是一種直接與經驗概率相結合的參數估計方法。假定數據有序序列：x1≤x2≤…≤xn，則經驗分布函數為

取序列yi=-ln{-ln[F*（xi）]}（i=1, 2, …, n），可得

（3）極大似然法。在統計學理論上，極大似然法是一種較優的參數估計方法。極值Ⅰ型分布函數的概率密度函數為

當觀測資料x1, x2, …, xn給定時，作極大似然函數并取對數，得

將a、u看作變量，將式（2-12），再分別對a、u求導并令其為零，得

參數a、u可用迭代法求解，即

2．P-Ⅲ型概率分布

Pearson-Ⅲ分布（以下簡稱P-Ⅲ分布）具有廣泛的概括和模擬能力，在氣象上常用來擬合年、月的最大風速和最大日降水量等極值分布。它的概率密度函數和保證率分布函數為

式中 f（x）——概率密度函數；

p（x）——保證率分布函數；

α——形狀參數；

β——尺度參數；

Γ（α）——α的伽瑪函數；

x——隨機變量；

x0——隨機變量x所能取的最小值。

由矩法原理，參數α、β和x0的計算公式為

式中 m——數學期望；

σ——均方差；

cs——偏態系數；

cv——變差系數。

這些數字特征的估計量分別為

式（2-17）～式（2-20）各統計量中，偏態系數含有三階樣本矩，故抽樣誤差較大，樣本實測值與真值cs之間可能會有較大差異，常需要對擬合的線型進行驗證及對估計參數進行適當調整，以獲得理想的分布曲線。

計算中，一般需要求出指定概率p所對應的隨機變量取值xp，也就是通過對密度曲線進行積分，即

求出等于及大于xp的累積概率p值。直接由式（2-21）計算p值非常麻煩，實際做法是通過變量轉換，變換的積分形式為

式（2-22）中被積函數只含有一個待定參數Cs，其他兩個參數、Cv都包含在Φ中。Φ是標準化變量，稱為離均系數。因此，只需要假定一個Cs值，便可從式（2-22）通過積分求出p與Φ之間的關系。對于若干給定的Cs值，美國福斯特和蘇聯雷布京制作了一定概率β對應的Pearson-Ⅲ型概率曲線的離均系數Φp值表，由Φ就可以求出相應概率p的x值，即

3．Weibull型概率分布

概率密度函數

分布函數

概率為p的氣候極值，即

各參數為

4．Poisson-Gumbel型概率分布

由于熱帶氣旋出現的隨機性很大，對于某一地點而言，多的年份可以出現幾個，少的年份一個都沒有，因此常規的重現期極值概率模型如極值Ⅰ型分布、Weibull分布、P-Ⅲ型分布等無法使用。則需要一種既可表達物理現象的隨機性又能表達所關注要素確定性的聯合分布來擬合，有研究表明Poisson-Gumbel聯合分布模型則適合于這種風速序列。

每年熱帶氣旋的強度、移動路徑及發生次數是隨機的，某海域所受熱帶氣旋影響的次數也是隨機的，從而構成某種離散型分布，而熱帶氣旋影響下的最大風速可構成某種連續型分布。假定熱帶氣旋影響的頻次n符合Poisson分布，即

式中 N——熱帶氣旋影響總次數；

K——氣旋發生次數；

n——總年數。

假設熱帶氣旋影響下風速服從Gumbel分布，即

根據復合極值理論，一個離散型分布和一個連續型分布可構成復合極值分布，即Poisson-Gumbel復合極值分布。其分布函數為

對式（2-29）進行整理得到概率為P的大風極值為

α=1.28255/σ

δ=-0.57722/α

式中 ——樣本序列的平均值；

σ——樣本序列的標準差。

Poisson-Gumbel聯合極值分布的計算步驟如下：

（1）挑取歷史上每個影響該區域的熱帶氣旋過程中的最大風速，以保證大風速序列中樣本間的相互獨立性。為了使樣本序列符合Poisson分布，需確定一個風速閾值，大于該閾值則入選熱帶氣旋最大風速序列，根據經驗，該閾值大小可以使個別年份沒有熱帶氣旋影響，但沒有熱帶氣旋影響的年份不能超過總年數的1/10。建立影響該區域的熱帶氣旋最大風速序列。

（2）檢驗熱帶氣旋出現頻數是否符合Poisson分布。首先，對每年熱帶氣旋出現頻數進行分組統計，其中設fi為各組實際出現的次數，n為實際總年數，Pi為各組理論分布頻數，k為分組數；然后根據（i=0, 1, 2, …, 9）計算并檢驗熱帶氣旋出現頻數是否符合Poisson分布。檢驗的條件是用計算出的在k-3自由度情況下的χ2與χ20.05進行比較（χ20.05為置信度為0.05的檢驗閾值）。如果χ2＜χ20.05，則表示所選格點的熱帶氣旋頻數符合Poisson分布。如果χ2≥χ20.05，說明熱帶氣旋出現頻數不能通過檢驗，可提高風速閾值以減少樣本量，再進行計算，直至通過檢驗。

2.1.2 風電場設計風速分析

風電場開發建設設計風速取值，依賴于前述代表氣象站選擇、資料三性訂正、標準化處理和不同概率分布函數擬合計算的基礎上，推算至風電場每個風電機組點位。風電場開發建設一般與所選取代表氣象站之間存在一定距離，而且存在地形和地貌的差別，如山地風電場和近海風電場。因此氣象站計算的設計風速很少能直接用于風電場，而需要分析兩者之間地形、地貌的差別，進行修正。

風電場開發在場址范圍內建設有測風塔，在可行性研究階段一般至少要收集到整年以上的觀測資料，然后將現場測風塔資料和同步代表氣象站的資料用相關分析的方法推算至風電場測風塔，再利用小尺度風流體模型推算至每個風電機組的機位。風電場設計風速計算分析過程為：先選擇測風塔與氣象站相關分析的樣本；然后推算測風塔處不同高度設計風速；最后計算每個風電機組機位的設計風速。

2.1.2.1 分析樣本的選取

分析設計風速的目的是保障極端風況下風電機組設備及附屬構建筑物的安全，因此在評估計算風電場設計風速過程中也需選擇臺風影響期間的樣本。風電機組設備主要參考強風和強湍流共同作用下的平均風和脈動風特性，而這些特性只有在靠近臺風中心的眼壁強風區才能夠客觀、清晰地體現出來。而在實際工程項目開發建設過程中，有些測風年并沒有臺風影響，或者僅僅有臺風外圍掠過，因此選擇相關分析的樣本不一定能夠代表強風。

風速觀測數據代表性的主要影響因素包括觀測位置的區域（或下墊面）代表性以及因天氣系統結構的不同而導致的測風數據的代表性問題。如：季風和鋒面天氣系統的風場大體呈“帶狀”分布，而臺風、龍卷等渦旋型天氣系統的風場呈不規則的“環狀”分布，兩種不同環流結構天氣系統的測風數據所能夠代表的空間范圍以及對平均風況和脈動風況的代表性等均差異很大。對臺風而言，其中心、眼壁強風區和外圍大風區等不同位置上，近地層風場的三維結構和湍流特性顯著不同：水平和垂向風速、風向、湍流等。

氣象學家認為，臺風觀測數據代表性判別，一方面表征所選取用于研究分析的數據是否可以代表臺風眼、眼壁區、外圍風特征，另一方面表征分析的成果與工程區域的關系，即是否可以用所選取的臺風觀測數據作為工程區域的代表。陣風系數隨平均風速的增加有減小趨勢，當平均風速增大到某一閾值后，陣風系數的趨勢變化消失并只在一定的變幅內波動；風速繼續增大至某一閾值后陣風系數就會基本保持不變。對多個臺風觀測個例研究發現，下墊面粗糙度和臺風強度等因素影響風速閾值的大小，同時強風數據樣本選取的風速閾值至少能滿足平均風速大到足以使陣風系數的趨勢變化消失的條件。

2.1.2.2 推算至場內測風塔

風電場內測風塔一般只有整年資料，能夠捕捉到臺風的概率較小，因此能夠獲取臺風正面登陸時臺風中心及眼壁附近的風速資料概率更低。所以實際計算測風塔處設計風速過程中，需要人為設定測風塔數據樣本選擇的閾值。從分析設計風速角度出發，閾值應取風速較大值，但又需同時考慮挑選出的樣本量能夠滿足相關分析的要求。具體的推算步驟如下：

（1）根據現場測風塔實測資料挑選超過閾值的10min平均風速樣本系列；分析樣本期間風速風向、參證站與測風塔的相對位置和距離關系，收集參證站對應的10min平均風速系列。兩者之間可能存在延時效應，并非逐時刻對應，尤其是對分析10min平均風速樣本而言。

（2）將參證氣象站和測風塔數據繪制成曲線圖，判斷兩者之間測到同一質點拉格朗日氣流速度的時間差，然后繪制兩者之間散點圖，進一步判斷其相關性。

（3）計算相關系數，并進行顯著性檢驗。

（4）如果上述選擇的樣本分析計算結果顯示兩者之間相關性較差，則需調整閾值大小，然后重新進行上述分析。

（5）如果參證氣象站與風電場測風塔之間地形地貌差異巨大，或者氣象站本身環境受周邊城市化影響嚴重，通過上述過程仍難找到適宜的相關關系。則需采用逐時風速作為分析對象，或者選擇超過一定閾值的日最大風速（10min平均風速，1h平均風速）作為分析樣本。

2.1.2.3 推算至風電場內每個風電機組點位

因各風電機組點位與測風塔地勢地貌類型、相對位置等差別，不宜將測風塔處50年一遇最大風速（或極大風速）直接作為各機位的設計風速，對平坦地形風電場（包括海上風電場）不能直接移用，對復雜地形條件的工程愈加不能直接使用，需要參考以下分析方法：

（1）參考《電力工程水文氣象計算手冊》8.2.5條給出的地形修正系數方法。

（2）利用簡單的微尺度線性風場診斷模型（地轉風模型），推算測風塔與各機位的風速關系，適用于簡單地形情況下分析計算。

（3）通過RANS（Reynolds Average Navier-Stokes）方法簡化湍流動能模型，通過Boussinesq渦黏性假設的方法封閉模式來求解，獲取測風塔與各機位的風速關系。該方法考慮了不同位置地形（高程）和地貌（粗糙度）的差別，適用于復雜地形的山地風電場。

隨著計算能力不再是解決問題的桎梏，通過求解最接近實際自然流體狀態的方程是越來越通常采用的方法。風電場一般采用第三種方法來計算每個機位的設計風速。目前行業內流行軟件在計算中一般分16個方向來分析測風塔與機位之間的地形加速效應的相關關系，然后選擇保守方式取值原則由測風塔處推算至各機位。

2.1.3 構造臺風風場法

通過建立參證氣象站、測風塔、機位之間的相關關系推算各機位設計風速的方法嚴重依賴于參證氣象站的資料質量，且受制于所有分析對象之間的地形和地貌的相似度大小，但此為目前階段解決該問題的基本方法。

上述方法基于點觀測數據推算至整個工程所在位置的空間分布。隨著氣象研究的發展，人們對臺風結構和天氣動力過程認識的逐步深化，利用臺風理論（對稱和非對稱）模型和數值模擬的方法來重構臺風過程逐步成熟。在重構臺風結構的基礎上，可以獲取臺風過程中整個風電場范圍內各點的最大風速值，進而建立各點年最大風速的歷史系列，最后利用頻率適線法來推算各點設計風速。

理論上該方法對海上風電場有更好的適用性，一方面濱海城市的氣象站受城市化影響較為嚴重，另一方面海上風電場下墊面與氣象站差別更為顯著，再者在臺風登陸前模型刻畫的臺風風場比較接近實際情況，因此越遠離海岸線該方法適用性越強。該方法強烈依賴于所選擇的臺風風場模型，且數據主要依據最佳路徑數據集資料，因此目前尚未應用于實際工程。

2.1.3.1 Monte-Carlo方法

Monte-Carlo方法模擬臺風取決于兩個方面：①臺風是隨機現象，其結構非常相似，其風場可以由幾個關鍵的特征參數來確定，如中心氣壓差、最大風速半徑、移動速度等；②歷年臺風的特征參數均有記錄，或者可間接推斷得到。

Monte-Carlo方法也稱隨機模擬方法，用其估計臺風年最大風速概率分布步驟如下：①應用臺風各特征參數的歷史記錄，形成各特征參數的概率分布；②基于各特征參數的概率分布隨機抽樣產生臺風特征參數值，每一組參數組成一個新的模擬臺風；③根據臺風風場模式，計算每個臺風在研究點各時次的風速，取風速中最大值作為此臺風在研究點的最大風速，模擬計算足夠多的臺風后，產生一系列最大風速，它將作為估計臺風年最大風速概率分布的基本資料序列；④以模擬計算得到的臺風最大風速系列，通過長序列概率計算方法估計臺風年最大風速概率分布。Monte-Carlo模擬方法流程如圖2-2所示。

2.1.3.2 理論模型構造臺風風場

國內外已有不少關于臺風海面氣壓模型的研究，歸納起來主要有三大類：一是理論氣壓模型，以圓對稱氣壓模型為主；二是經驗模型；三是半理論半經驗模型。臺風風場模型研究主要有兩個方面：一是動力理論（梯度風原理）；二是經驗風場模型（統計模型）。

關于圓對稱臺風風場的計算有兩種方法：第一種方法是先利用圓對稱氣壓模型計算臺風氣壓分布，然后通過梯度風或地轉風方程來計算臺風風場；第二種方法是通過假定臺風剖面風速按照一定規律分布來得到一個氣壓分布函數表達式。常見的圓對稱氣壓模型主要有藤田、Myers、Jelesnianski和Holland等模型。這些氣壓模型都是理想條件下的氣壓模型，是以臺風中心為起點的任意剖面的氣壓分布函數表達式，通過這個表達式來計算整個海面臺風氣壓場。以上這些模型比較簡單且能夠用來對海洋上發展比較成熟的臺風進行較好的模擬。

臺風風場模型是一個可以表示臺風剖面風速分布的函數表達式，常見的有Rankine渦，Jelesnianski、Miller等風場模型。Rankine渦風場模型是一個理論模型，把臺風看作是一個旋轉的剛體，只能反映出臺風風場的基本特征，已有研究指出，Rankine渦風場模型計算得到的風場外圍衰減比較快，使得外圍風速偏小。Jelesnianski針對Rankine渦風場模型的衰減指數進行了一些調整，并提出了一個修正模型。Miller風場模型也是Rankine渦風場模型的一個修正模型，主要是在計算最大風速半徑以外風場時改用變化的衰減指數，而在最大風速半徑以內繼續采用Rankine渦風場模型公式。

實際上，隨著熱帶氣旋逼近陸地，熱帶氣旋風場由原來的軸對稱變為非對稱分布，大風半徑也由原來的圓對稱變為非對稱。大洋上圓對稱和靠近陸地非對稱臺風衛星云圖，如圖2-3所示。國內學者開展了大量的研究工作，并提出了改進模型。1994年，陳孔沫通過改進Rankine渦風場分布模式和Jelesnianski臺風風場分布模式的聯系，提出了一種風速分布廓線優于Rankine和Jelesnianski兩個風場模式的風場分布廓線的新模型，并且一定程度上改進了宮崎正衛和Jelesnianski兩種移動臺風風場計算方法；1993年，盛立芳等基于Myers氣壓分布式和修正的梯度風方程，引入一條特征等壓線擬合方程來改進Myers氣壓分布公式，提出了一個臺風風場合成模式；2002年，朱首賢等從藤田氣壓模型和宮崎正衛風場模型出發建立了基于特征等壓線的不對稱氣壓場和風場模型；2003年，李巖等使用改進后的不對稱的藤田氣壓模型和Myers氣壓模型，對9615號臺風“莎莉”的氣壓場和風場進行了數值模擬計算，計算結果較未改進的模型更接近真實情況，并且離臺站較近時改進的藤田模型對單站風速模擬結果比較好；2004年，黃小剛等引入非對稱分布的臺風最大風速、最大風速半徑等因子，基于七級風圈和十級風圈半徑，利用最佳權系數方案得到控制臺風外圍風速分布的因子，在Chan和Williams提出的切向風廓線模型的基礎上得到了一種計算臺風海面非對稱風場的表達式；2005年，楊支中等基于臺風外圍閉合特征等壓線對圓對稱的藤田氣壓模型進行了改進，得出了非對稱臺風氣壓模型以及考慮徑向梯度風的風場模型，并且模擬了若干臺風過程的風壓場，結果比較理想。

2004年，胡邦輝等將藤田氣壓模型引入到包含摩擦項的平面極坐標水平運動方程組中，在熱帶氣旋最大風速已知的條件下，提出了計算穩態移動非對稱熱帶氣旋最大風速半徑的方法，得到了從內到外計算熱帶氣旋各個方向最大風速、最大風速半徑、風向內偏角、環境氣壓和風速的方法。該模型僅需要最大風速、中心氣壓結合給出的計算公式即可計算臺風風場，比較適用于計算比較多的臺風風場。

2.1.3.3 數值模擬方法

第五代PSU/NCAR中尺度模式（The Fifth -Generation NCAR Pennsylvania State Mesoscale Model, MM5）已經成為目前應用最廣泛的中尺度數值模式，廣泛應用于暴雨、臺風等短期天氣研究領域。

在MM5模式之后，美國多家研究部門及大學的科學家共同參與開發研究的新一代中尺度預報模式和資料同化系統WRF（Weather Research Forecast）模式系統。1997年美國國家氣象研究中心（NCAR）中小尺度氣象處、美國國家環境預報中心（NCEP）的環境模擬中心、FSL的預報研究處和奧克拉荷馬大學的風暴分析預報中心四部門聯合發起并建立了WRF模式系統的開發計劃，該計劃得到了美國國家自然科學基金（NSF）和國家海洋大氣局（NOAA）的共同支持，隨后，又得到了美國宇航局（NASA）、美國空軍和海軍、環保局、多家大學以及其他研究部門的響應，并共同參與開發研究工作。2000年10月wrf-version1.0發布以來，又多次發布了WRF改進版本，最新版本是2013年9月發布的V3.5.1。目前WRF模式系統已經發展成為集中尺度數值天氣預報、三維與四維資料同化、陸面模式和大氣化學模式等多種用途和功能的且性能穩定的預報和研究工具，在日常業務工作中發揮著重要作用。

WRF模式是一個完全可壓非靜力模式，控制方程組都寫為通量形式。垂直坐標采用地形跟隨靜力氣壓垂直坐標，網格形式采用Arakawa-C格點，有利于在高分辨率模擬中提高準確性。時間積分采用時間分裂顯式方案來解動力方程組，即模式中垂直高頻波的求解采用隱式方案，其他的波動則采用顯式方案。顯式時間積分方案提供了2階和3階Runge-Kutta時間積分。

與上一代中尺度模式相比，WRF模式集成了多年來在中小尺度天氣動力學方面的研究成果。WRF模式采用的Arakawa-C網格、三階Runge-Kutta時間積分、高階平流方案、標量守恒差分方案等技術，可以使得模式模式耗散項更小，精度更高，從而使模式的最佳水平分辨率可以達到1～10km。針對中小尺度天氣特點，WRF模式對輻射過程、邊界層參數化過程、對流參數化過程、次網格湍流擴散過程以及微物理過程等進行了改進和優化處理，發展出了豐富而成套的物理過程選項，模式應用技術人員可根據當地的地形、氣候特點加以選擇，從而取得較好的數值預報和模擬效果。

在軟件設計方面，WRF模式應用了繼承式軟件設計、多級并行分解算法、選擇式軟件管理工具、中間軟件包（連接信息交換、輸入/輸出以及其他服務程序的外部軟件包）結構，具有單重和多重以及移動嵌套網格功能，特別適合于為用戶提供高精度和高分辨率數值模擬結果。