CN109447315B - 一种基于多时空尺度的电力气象数值天气预报方法和装置 - Google Patents
一种基于多时空尺度的电力气象数值天气预报方法和装置 Download PDFInfo
- Publication number
- CN109447315B CN109447315B CN201811087602.XA CN201811087602A CN109447315B CN 109447315 B CN109447315 B CN 109447315B CN 201811087602 A CN201811087602 A CN 201811087602A CN 109447315 B CN109447315 B CN 109447315B
- Authority
- CN
- China
- Prior art keywords
- forecast
- weather
- electric power
- short
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 101
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 8
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 230000010354 integration Effects 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000001556 precipitation Methods 0.000 claims description 30
- 239000006185 dispersion Substances 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000003908 quality control method Methods 0.000 claims description 6
- 230000001788 irregular Effects 0.000 claims description 4
- 238000013524 data verification Methods 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 2
- 230000000704 physical effect Effects 0.000 claims 2
- 230000006870 function Effects 0.000 abstract description 8
- 238000004088 simulation Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 238000011002 quantification Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于多时空尺度的电力气象数值天气预报方法和装置，先将收集的多源异构电力气象观测数据进行融合；然后得到中尺度数值天气预报模式，最后对电力气象要素进行概率预报、气候预报、短临预报和精细化预报。本发明基于融合后的电力气象数据，以中尺度天气预报模式为核心，采用深度学习方法、实时四维数据同化方法和快速循环更新方法、水平网格解析度优化方法、模式物理参数扰动方法、连续积分方法，实现短临、短期、精细化、概率预报和气候预报，能够支撑新能源资源评估、短期和超短期功率预测、雷电、暴雨、大风等灾害预警的多模拟功能的电力气象数值预报，有效提升气象预报数据精度，全面提升气象服务电网的支撑水平。
Description
技术领域
本发明涉及电力气象技术领域，具体涉及一种基于多时空尺度的电力气象数值天气预报方法和装置。
背景技术
随着以水电、风电、光伏为代表的清洁能源大规模接入电网，以及特高压电网、智能电网的快速建设，气象条件与电网运行的关系越来越密切。但目前气象机构主要以生活气象、农业气象、旅游气象等公共气象服务为主，尚未提供满足电网运行要求的气象服务，电力气象技术严重滞后于电网运行的实际需求。电力生产发、输、配、用各环节与气象环境密切相关，电力系统对气象预报准确率的要求也日益提升，亟需提供面向电网的不同时间尺度、不同空间分辨率的精准气象预报。然而现有技术中的传统气象预报主要由气象预报员根据高低空天气图及数值天气预报结果，结合气象预报经验，提供最精细到城镇尺度的天气情况及晴雨预报，气象要素诸如气温、风速都是一个变化范围。而面向电力生产运行的气象预报，需要提供“定时、定点、定量”的精准的气象预报，因此，现有技术中的气象预报空间分辨率、时间分辨率和预报精准度低，无法满足电力需求。
发明内容
为了克服上述现有技术中不足，本发明提供一种基于多时空尺度的电力气象数值天气预报方法和装置，先将收集的多源异构电力气象观测数据进行融合；然后得到中尺度数值天气预报模式，最后对电力气象要素进行概率预报、气候预报、短临预报和精细化预报，提供了定时、定点、定量的精准的气象预报，气象预报空间分辨率、时间分辨率和预报精准度都比较高，能够满足电力需求。
为了实现上述发明目的，本发明采取如下技术方案：
一方面，本发明提供一种电力气象要素数值预报方法，包括：
将收集的多源异构电力气象观测数据进行融合；
基于融合后的电力气象观测数据和输电线路的实际分布得到中尺度数值天气预报模式；
基于中尺度数值天气预报模式对电力气象要素进行概率预报、气候预报、短临预报和精细化预报。
所述收集的多源异构电力气象观测数据包括常规气象观测数据和非常规气象观测数据；
所述常规气象数据包括电网微气象在线监测数据、地面常规气象观测数据和探空气象站探测数据；
所述非常规气象数据包括雷达监测数据和卫星遥感数据。
所述将收集的多源异构电力气象观测数据进行预融合之前，包括：
对所述常规气象数据进行质量控制和时空一致性检验，并对所述非常规气象数据进行解析和转换，得到预处理后的常规气象数据和非常规气象数据。
将收集的多源异构电力气象观测数据进行融合，包括：
对预处理后的常规气象数据和非常规气象数据进行融合，得到融合后的电力气象观测数据。
基于中尺度数值天气预报模式对电力气象要素进行短临预报，包括：
基于融合后的电力气象数据和基于中尺度数值天气预报模式，对电力气象要素进行短期预报，得到短期预报结果；
基于短期预报结果和雷达监测数据，采用深度卷积神经网络方法识别雷达回波拼图的特征信息；
基于特征信息，并采用深度学习方法对电力气象要素进行短临预报，得到短临预报结果；
所述短临预报结果包括强降雨落区、强降雨量级、强降雨发生时刻、强降雨结束时刻、雷暴落区和落雷密度。
基于中尺度数值天气预报模式对电力气象要素进行精细化预报，包括：
基于融合后的电力气象数据和中尺度数值天气预报模式，对电力气象要素进行短期预报，得到短期预报结果；
基于短期预报结果，采用动力降尺度及廓线插值方法确定大涡模式的动态边界条件；
基于动态边界条件，采用水平网格解析度优化方法对电力气象要素进行精细化预报，得到精细化预报结果；
所述精细化预报结果包括风速、风向、相对湿度、气温和气压。
所述基于融合后的电力气象数据和中尺度数值天气预报模式，对电力气象要素进行短期预报，得到短期预报结果，包括：
基于融合后的电力气象观测数据、背景场数据、中尺度数值天气预报模式、定制化设置的预报区域和三维网格分辨率，采用实时四维数据同化方法和快速循环更新方法对电力气象要素进行短期预报，得到短期预报结果；
所述短期预报结果包括降水量、雷电潜势指数、风速、风向、气温和辐照度。
基于中尺度数值天气预报模式对电力气象要素进行概率预报，包括：
基于融合后的电力气象观测数据、背景场数据和中尺度数值天气预报模式，采用模式物理参数扰动方法对电力气象要素进行概率预报，得到概率预报结果；
所述概率预报结果包括最高气温、最低气温、平均气温、平均气温离散度、最大降水、最小降水、平均降水、平均降水离散度、最大风速、最小风速、平均风速、平均风速离散度、气温不在预设范围的概率以及降水量超过预设阈值的概率。
基于中尺度数值天气预报模式对电力气象要素进行气候预报，包括：
基于融合后的电力气象观测数据、中尺度数值天气预报模式、定制化设置的预报区域和三维网格分辨率，采用连续积分方法对电力气象要素进行气候预报，得到气候预报结果；
所述气候预报结果包括风速年变化、风速月变化、辐照度年变化、辐照度月变化、风速逐小时时间序列以及辐照度逐小时时间序列。
另一方面，本发明还提供一种电力气象要素数值预报装置，包括：
融合模块，用于将收集的多源异构电力气象观测数据进行融合；
确定模块，用于基于融合后的电力气象观测数据和输电线路的实际分布得到中尺度数值天气预报模式；
预报模块，用于基于中尺度数值天气预报模式对电力气象要素进行概率预报、气候预报、短临预报和精细化预报。
本发明提供的装置还包括收集模块，所述收集模块用于收集多源异构电力气象观测数据；
所述多源异构电力气象观测数据包括常规气象观测数据和非常规气象观测数据；
所述常规气象数据包括电网微气象在线监测数据、地面常规气象观测数据和探空气象站探测数据；
所述非常规气象数据包括雷达监测数据和卫星遥感数据。
所述装置还包括预处理模块，所述预处理模块具体用于：
对所述常规气象数据进行质量控制和时空一致性检验，并对所述非常规气象数据进行解析和转换，得到预处理后的常规气象数据和非常规气象数据。
所述融合模块具体用于：
对预处理后的常规气象数据和非常规气象数据进行融合，得到融合后的电力气象观测数据。
所述预报模块包括短临预报单元，所述短临预报单元具体用于：
基于融合后的电力气象数据和中尺度数值天气预报模式，对电力气象要素进行短期预报，得到短期预报结果；
基于短期预报结果和雷达监测数据，采用深度卷积神经网络方法识别雷达回波拼图的特征信息；
基于特征信息，并采用深度学习方法对电力气象要素进行短临预报，得到短临预报结果；
所述短临预报结果包括强降雨落区、强降雨量级、强降雨发生时刻、强降雨结束时刻、雷暴落区和落雷密度。
所述预报模块包括精细化预报单元，所述精细化预报单元具体用于：
基于融合后的电力气象数据和中尺度数值天气预报模式，对电力气象要素进行短期预报，得到短期预报结果；
基于短期预报结果，采用动力降尺度及廓线插值方法确定大涡模式的动态边界条件；
基于动态边界条件，采用水平网格解析度优化方法对电力气象要素进行精细化预报，得到精细化预报结果；
所述精细化预报结果包括风速、风向、相对湿度、气温和气压。
所述预报模块包括短期预报单元，所述短期预报单元具体用于：
基于融合后的电力气象观测数据、背景场数据、中尺度数值天气预报模式、定制化设置的预报区域和三维网格分辨率，采用实时四维数据同化方法和快速循环更新方法对电力气象要素进行短期预报，得到短期预报结果；
所述短期预报结果包括降水量、雷电潜势指数、风速、风向、气温和辐照度。
所述预报模块包括概率预报单元，所述概率预报单元具体用于：
基于融合后的电力气象观测数据、背景场数据和中尺度数值天气预报模式，采用模式物理参数扰动方法对电力气象要素进行概率预报，得到概率预报结果；
所述概率预报结果包括最高气温、最低气温、平均气温、平均气温离散度、最大降水、最小降水、平均降水、平均降水离散度、最大风速、最小风速、平均风速、平均风速离散度、气温不在预设范围的概率以及降水量超过预设阈值的概率。
所述预报模块包括气候预报单元，所述气候预报单元具体用于：
基于融合后的电力气象观测数据、中尺度数值天气预报模式、定制化设置的预报区域和三维网格分辨率，采用连续积分方法对电力气象要素进行气候预报，得到气候预报结果；
所述气候预报结果包括风速年变化、风速月变化、辐照度年变化、辐照度月变化、风速逐小时时间序列以及辐照度逐小时时间序列。
与最接近的现有技术相比，本发明提供的技术方案具有以下有益效果：
本发明提供的基于多时空尺度的电力气象数值天气预报方法中，先将收集的多源异构电力气象观测数据进行融合；然后基于融合后的电力气象观测数据和输电线路的实际分布得到中尺度数值天气预报模式；最后基于中尺度数值天气预报模式对电力气象要素进行概率预报、气候预报、短临预报和精细化预报，提供了定时、定点、定量的精准的气象预报，气象预报空间分辨率、时间分辨率和预报精准度都比较高，能够满足电力需求；
本发明提供的基于多时空尺度的电力气象数值天气预报装置包括融合模块、确定模块和预报模块，融合模块用于将收集的多源异构电力气象观测数据进行融合；确定模块用于基于融合后的电力气象观测数据和输电线路的实际分布得到中尺度数值天气预报模式；预报模块用于基于中尺度数值天气预报模式对电力气象要素进行概率预报、气候预报、短临预报和精细化预报，提供了定时、定点、定量的精准的气象预报，气象预报空间分辨率、时间分辨率和预报精准度都比较高，能够满足电力需求；
本发明提供的技术方案基于融合后的电力气象数据，以中尺度天气预报模式为核心，采用深度学习方法、实时四维数据同化方法和快速循环更新方法、水平网格解析度优化方法、模式物理参数扰动方法、连续积分方法，实现短临、短期、精细化、概率预报和气候预报，能够支撑新能源资源评估、短期和超短期功率预测、雷电、暴雨、大风等灾害预警的多模拟功能的电力气象数值预报，有效提升气象预报数据精度，全面提升气象服务电网的支撑水平。
附图说明
图1是本发明实施例中电力气象要素数值预报方法流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
实施例1
本发明实施例1提供一种电力气象要素数值预报方法，具体流程图如图1所示，具体过程如下：
S101：将收集的多源异构电力气象观测数据进行预融合；
S102：基于融合后的电力气象观测数据和输电线路的实际分布得到中尺度数值天气预报模式；
S103：基于中尺度数值天气预报模式对电力气象要素进行概率预报、气候预报、短临预报和精细化预报。
上述S101中，收集的多源异构电力气象观测数据包括常规气象观测数据和非常规气象观测数据；
常规气象数据包括电网微气象在线监测数据、地面常规气象观测数据和探空气象站探测数据；
非常规气象数据包括雷达监测数据和卫星遥感数据。
上述将收集的多源异构电力气象观测数据进行融合之前，对常规气象数据进行质量控制和时空一致性检验，并对非常规气象数据进行解析和转换，得到预处理后的常规气象数据和非常规气象数据。
上述将收集的多源异构电力气象观测数据进行融合，具体过程为：基于气象要素相似性网络，采用相似性插补方法或时空二次混合插补方法，对预处理后的电力气象观测数据进行插补，然后结合贝叶斯数据校验方法和空间融合方法，得到时间连续、空间一致、物理明确的融合数据(即融合后的电力气象观测数据)。
上述S103中，基于融合后的电力气象观测数据对电力气象要素进行0～6小时1km×1km分辨率的短临预报，具体过程如下：
基于融合后的电力气象数据和中尺度数值天气预报模式，对电力气象要素进行短期预报，得到短期预报结果；
基于短期预报结果和雷达监测数据，采用深度卷积神经网络方法识别雷达回波拼图的特征信息；
基于特征信息，并采用深度学习方法对电力气象要素进行短临预报，得到短临预报结果；
上述短临预报结果包括强降雨落区、强降雨量级、强降雨发生时刻、强降雨结束时刻、雷暴落区和落雷密度。
上述S103中，基于融合后的电力气象观测数据对电力气象要素进行30m×30m分辨率的精细化预报，具体过程如下：
基于融合后的电力气象数据和中尺度数值天气预报模式，对电力气象要素进行1～3天3km×3km分辨率的短期预报，得到短期预报结果；
基于短期预报结果，采用动力降尺度及廓线插值方法确定大涡模式的动态边界条件；
基于动态边界条件，采用水平网格解析度优化方法对电力气象要素进行精细化预报，得到精细化预报结果；
上述精细化预报结果包括风速、风向、相对湿度、气温和气压。
上述基于融合后的电力气象数据和中尺度数值天气预报模式，对电力气象要素进行短期预报，得到短期预报结果，具体过程如下：
基于融合后的电力气象观测数据、背景场数据、中尺度数值天气预报模式、定制化设置的预报区域和三维网格分辨率，采用实时四维数据同化方法和快速循环更新方法对电力气象要素进行短期预报，得到短期预报结果；
上述短期预报结果包括降水量、雷电潜势指数、风速、风向、气温和辐照度。
上述S103中，基于和中尺度数值天气预报模式对电力气象要素进行概率预报，具体过程如下：
基于融合后的电力气象观测数据、背景场数据和中尺度数值天气预报模式，采用模式物理参数扰动方法对电力气象要素进行概率预报，得到概率预报结果；
上述概率预报结果包括最高气温、最低气温、平均气温、平均气温离散度、最大降水、最小降水、平均降水、平均降水离散度、最大风速、最小风速、平均风速、平均风速离散度、气温不在预设范围的概率以及降水量超过预设阈值的概率。
上述S103中，基于和中尺度数值天气预报模式对电力气象要素进行近30年9km×9km分辨率的气候预报，具体过程如下：
基于融合后的电力气象观测数据、中尺度数值天气预报模式、定制化设置的预报区域和三维网格分辨率，采用连续积分方法对电力气象要素进行气候预报，得到气候预报结果；
上述气候预报结果包括风速年变化、风速月变化、辐照度年变化、辐照度月变化、风速逐小时时间序列以及辐照度逐小时时间序列。
上述预报区域按照下述方式设置：
基于输电线路的实际分布，结合天气气候特征，并面向电网的定制化需求，采用敏感性对比试验设置中尺度数值天气预报模式的预报区域；
上述三维网格分辨率按照下述方式设置：
基于电力应用场景，按照水平分辨率与垂直分辨率一致性匹配原则，设置三维网格分辨率。
上述背景场数据分别采用美国GFS数据、加拿大GEM数据、日本的GSM数据、以及欧洲中心ECMWF四种背景场数据。
实施例2
基于与实施例1同一发明构思，本发明实施例2提供一种电力气象要素数值预报装置，包括融合模块、确定模块和预报模块，下面对上述两个模块的功能做进一步介绍：
其中的融合模块，用于将收集的多源异构电力气象观测数据进行融合；
其中的确定模块，用于基于融合后的电力气象观测数据和输电线路的实际分布得到中尺度数值天气预报模式；
其中的预报模块，用于基于中尺度数值天气预报模式对电力气象要素进行概率预报、气候预报、短临预报和精细化预报。
本发明实施例2提供的电力气象要素数值预报装置还包括收集模块，收集模块用于收集多源异构电力气象观测数据；
多源异构电力气象观测数据包括常规气象观测数据和非常规气象观测数据；
常规气象数据包括电网微气象在线监测数据、地面常规气象观测数据和探空气象站探测数据；
非常规气象数据包括雷达监测数据和卫星遥感数据。
本发明实施例2提供的电力气象要素数值预报装置还包括预处理模块，所述预处理模块具体用于：
对所述常规气象数据进行质量控制和时空一致性检验，并对所述非常规气象数据进行解析和转换，得到预处理后的常规气象数据和非常规气象数据。
上述融合模块具体用于：
对预处理后的常规气象数据和非常规气象数据进行融合，得到融合后的电力气象观测数据。
上述预报模块包括短临预报单元，该短临预报单元具体用于：
基于融合后的电力气象数据和中尺度数值天气预报模式，对电力气象要素进行短期预报，得到短期预报结果；
基于短期预报结果和雷达监测数据，采用深度卷积神经网络方法识别雷达回波拼图的特征信息；
基于特征信息，并采用深度学习方法对电力气象要素进行短临预报，得到短临预报结果；
上述短临预报结果包括强降雨落区、强降雨量级、强降雨发生时刻、强降雨结束时刻、雷暴落区和落雷密度。
上述预报模块包括精细化预报单元，该精细化预报单元具体用于：
基于融合后的电力气象数据和中尺度数值天气预报模式，对电力气象要素进行短期预报，得到短期预报结果；
基于短期预报结果，采用动力降尺度及廓线插值方法确定大涡模式的动态边界条件；
基于动态边界条件，采用水平网格解析度优化方法对电力气象要素进行精细化预报，得到精细化预报结果；
上述精细化预报结果包括风速、风向、相对湿度、气温和气压。
上述预报模块包括短期预报单元，该短期预报单元具体用于：
基于融合后的电力气象观测数据、背景场数据、中尺度数值天气预报模式、定制化设置的预报区域和三维网格分辨率，采用实时四维数据同化方法和快速循环更新方法对电力气象要素进行短期预报，得到短期预报结果；
上述短期预报结果包括降水量、雷电潜势指数、风速、风向、气温和辐照度。
上述预报模块包括概率预报单元，该概率预报单元具体用于：
基于融合后的电力气象观测数据、背景场数据和中尺度数值天气预报模式，采用模式物理参数扰动方法对电力气象要素进行概率预报，得到概率预报结果；
上述概率预报结果包括最高气温、最低气温、平均气温、平均气温离散度、最大降水、最小降水、平均降水、平均降水离散度、最大风速、最小风速、平均风速、平均风速离散度、气温不在预设范围的概率以及降水量超过预设阈值的概率。
上述预报模块包括气候预报单元，该气候预报单元具体用于：
基于融合后的电力气象观测数据、中尺度数值天气预报模式、定制化设置的预报区域和三维网格分辨率，采用连续积分方法对电力气象要素进行气候预报，得到气候预报结果；
上述气候预报结果包括风速年变化、风速月变化、辐照度年变化、辐照度月变化、风速逐小时时间序列以及辐照度逐小时时间序列。
为了描述的方便，以上所述装置的各部分以功能分为各种模块或单元分别描述。当然，在实施本申请时可以把各模块或单元的功能在同一个或多个软件或硬件中实现。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。
Claims (14)
1.一种基于多时空尺度的电力气象数值天气预报方法，其特征在于，包括：
将收集的多源异构电力气象观测数据进行融合；
基于融合后的电力气象观测数据和输电线路的实际分布得到中尺度数值天气预报模式；
基于中尺度数值天气预报模式对电力气象要素进行概率预报、气候预报、短临预报和精细化预报；
所述将收集的多源异构电力气象观测数据进行融合，包括：
基于气象要素相似性网络，采用相似性插补方法或时空二次混合插补方法，对预处理后的多源异构电力气象观测数据进行插补，然后结合贝叶斯数据校验方法和空间融合方法，得到融合后的时间连续、空间一致、物理明确的电力气象观测数据；
基于中尺度数值天气预报模式对电力气象要素进行短临预报，包括：
基于融合后的电力气象数据和中尺度数值天气预报模式，对电力气象要素进行短期预报，得到短期预报结果；
基于短期预报结果和雷达监测数据，采用深度卷积神经网络方法识别雷达回波拼图的特征信息；
基于特征信息，并采用深度学习方法对电力气象要素进行短临预报，得到短临预报结果；
所述短临预报结果包括强降雨落区、强降雨量级、强降雨发生时刻、强降雨结束时刻、雷暴落区和落雷密度。
2.根据权利要求1所述的基于多时空尺度的电力气象数值天气预报方法，其特征在于，所述收集的多源异构电力气象观测数据包括常规气象观测数据和非常规气象观测数据；
所述常规气象观测数据包括电网微气象在线监测数据、地面常规气象观测数据和探空气象站探测数据；
所述非常规气象观测数据包括雷达监测数据和卫星遥感数据。
3.根据权利要求2所述的基于多时空尺度的电力气象数值天气预报方法，其特征在于，所述将收集的多源异构电力气象观测数据进行融合之前，包括：
对所述常规气象观测数据进行质量控制和时空一致性检验，并对所述非常规气象观测数据进行解析和转换，得到预处理后的常规气象观测数据和非常规气象观测数据。
4.根据权利要求1所述的基于多时空尺度的电力气象数值天气预报方法，其特征在于，基于中尺度数值天气预报模式对电力气象要素进行精细化预报，包括：
基于融合后的电力气象数据和中尺度数值天气预报模式，对电力气象要素进行短期预报，得到短期预报结果；
基于短期预报结果，采用动力降尺度及廓线插值方法确定大涡模式的动态边界条件；
基于动态边界条件，采用水平网格解析度优化方法对电力气象要素进行精细化预报，得到精细化预报结果；
所述精细化预报结果包括风速、风向、相对湿度、气温和气压。
5.根据权利要求1或4所述的基于多时空尺度的电力气象数值天气预报方法，其特征在于，所述基于融合后的电力气象数据和中尺度数值天气预报模式，对电力气象要素进行短期预报，得到短期预报结果，包括：
基于融合后的电力气象观测数据、背景场数据、中尺度数值天气预报模式、定制化设置的预报区域和三维网格分辨率，采用实时四维数据同化方法和快速循环更新方法对电力气象要素进行短期预报，得到短期预报结果；
所述短期预报结果包括降水量、雷电潜势指数、风速、风向、气温和辐照度。
6.根据权利要求1所述的基于多时空尺度的电力气象数值天气预报方法，其特征在于，基于中尺度数值天气预报模式对电力气象要素进行概率预报，包括：
基于融合后的电力气象观测数据、背景场数据和中尺度数值天气预报模式，采用模式物理参数扰动方法对电力气象要素进行概率预报，得到概率预报结果；
所述概率预报结果包括最高气温、最低气温、平均气温、平均气温离散度、最大降水、最小降水、平均降水、平均降水离散度、最大风速、最小风速、平均风速、平均风速离散度、气温不在预设范围的概率以及降水量超过预设阈值的概率。
7.根据权利要求1所述的基于多时空尺度的电力气象数值天气预报方法，其特征在于，基于中尺度数值天气预报模式对电力气象要素进行气候预报，包括：
基于融合后的电力气象观测数据、中尺度数值天气预报模式、定制化设置的预报区域和三维网格分辨率，采用连续积分方法对电力气象要素进行气候预报，得到气候预报结果；
所述气候预报结果包括风速年变化、风速月变化、辐照度年变化、辐照度月变化、风速逐小时时间序列以及辐照度逐小时时间序列。
8.一种基于多时空尺度的电力气象数值天气预报装置，其特征在于，包括：
融合模块，用于将收集的多源异构电力气象观测数据进行融合；
确定模块，用于基于融合后的电力气象观测数据和输电线路的实际分布得到中尺度数值天气预报模式；
预报模块，用于基于中尺度数值天气预报模式对电力气象要素进行概率预报、气候预报、短临预报和精细化预报；
所述融合模块具体用于：
基于气象要素相似性网络，采用相似性插补方法或时空二次混合插补方法，对预处理后的电力气象观测数据进行插补，然后结合贝叶斯数据校验方法和空间融合方法，得到融合后的时间连续、空间一致、物理明确的电力气象观测数据；
所述预报模块包括短临预报单元，所述短临预报单元具体用于：
基于融合后的电力气象数据和中尺度数值天气预报模式，对电力气象要素进行短期预报，得到短期预报结果；
基于短期预报结果和雷达监测数据，采用深度卷积神经网络方法识别雷达回波拼图的特征信息；
基于特征信息，并采用深度学习方法对电力气象要素进行短临预报，得到短临预报结果；
所述短临预报结果包括强降雨落区、强降雨量级、强降雨发生时刻、强降雨结束时刻、雷暴落区和落雷密度。
9.根据权利要求8所述的基于多时空尺度的电力气象数值天气预报装置，其特征在于，所述装置还包括收集模块，所述收集模块用于收集多源异构电力气象观测数据；
所述多源异构电力气象观测数据包括常规气象观测数据和非常规气象观测数据；
所述常规气象观测数据包括电网微气象在线监测数据、地面常规气象观测数据和探空气象站探测数据；
所述非常规气象观测数据包括雷达监测数据和卫星遥感数据。
10.根据权利要求9所述的基于多时空尺度的电力气象数值天气预报装置，其特征在于，所述装置还包括预处理模块，所述预处理模块具体用于：
对所述常规气象观测数据进行质量控制和时空一致性检验，并对所述非常规气象观测数据进行解析和转换，得到预处理后的常规气象观测数据和非常规气象观测数据。
11.根据权利要求9所述的基于多时空尺度的电力气象数值天气预报装置，其特征在于，所述预报模块包括精细化预报单元，所述精细化预报单元具体用于：
基于融合后的电力气象数据和中尺度数值天气预报模式，对电力气象要素进行短期预报，得到短期预报结果；
基于短期预报结果，采用动力降尺度及廓线插值方法确定大涡模式的动态边界条件；
基于动态边界条件，采用水平网格解析度优化方法对电力气象要素进行精细化预报，得到精细化预报结果；
所述精细化预报结果包括风速、风向、相对湿度、气温和气压。
12.根据权利要求8或11所述的基于多时空尺度的电力气象数值天气预报装置，其特征在于，所述预报模块包括短期预报单元，所述短期预报单元具体用于：
基于融合后的电力气象观测数据、背景场数据、中尺度数值天气预报模式、定制化设置的预报区域和三维网格分辨率，采用实时四维数据同化方法和快速循环更新方法对电力气象要素进行短期预报，得到短期预报结果；
所述短期预报结果包括降水量、雷电潜势指数、风速、风向、气温和辐照度。
13.根据权利要求8所述的基于多时空尺度的电力气象数值天气预报装置，其特征在于，所述预报模块包括概率预报单元，所述概率预报单元具体用于：
基于融合后的电力气象观测数据、背景场数据和中尺度数值天气预报模式，采用模式物理参数扰动方法对电力气象要素进行概率预报，得到概率预报结果；
所述概率预报结果包括最高气温、最低气温、平均气温、平均气温离散度、最大降水、最小降水、平均降水、平均降水离散度、最大风速、最小风速、平均风速、平均风速离散度、气温不在预设范围的概率以及降水量超过预设阈值的概率。
14.根据权利要求8所述的基于多时空尺度的电力气象数值天气预报装置，其特征在于，所述预报模块包括气候预报单元，所述气候预报单元具体用于：
基于融合后的电力气象观测数据、中尺度数值天气预报模式、定制化设置的预报区域和三维网格分辨率，采用连续积分方法对电力气象要素进行气候预报，得到气候预报结果；
所述气候预报结果包括风速年变化、风速月变化、辐照度年变化、辐照度月变化、风速逐小时时间序列以及辐照度逐小时时间序列。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811087602.XA CN109447315B (zh) | 2018-09-18 | 2018-09-18 | 一种基于多时空尺度的电力气象数值天气预报方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811087602.XA CN109447315B (zh) | 2018-09-18 | 2018-09-18 | 一种基于多时空尺度的电力气象数值天气预报方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109447315A CN109447315A (zh) | 2019-03-08 |
| CN109447315B true CN109447315B (zh) | 2024-09-20 |
Family
ID=65532793
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811087602.XA Active CN109447315B (zh) | 2018-09-18 | 2018-09-18 | 一种基于多时空尺度的电力气象数值天气预报方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109447315B (zh) |
Families Citing this family (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11105958B2 (en) * | 2018-12-28 | 2021-08-31 | Utopus Insights, Inc. | Systems and methods for distributed-solar power forecasting using parameter regularization |
| CN110399634B (zh) * | 2019-06-10 | 2021-08-27 | 中国电力科学研究院有限公司 | 一种基于天气系统影响的预报区域确定方法及系统 |
| CN110579823B (zh) * | 2019-09-02 | 2022-08-19 | 中国电力科学研究院有限公司 | 一种强降雨短临预报方法及系统 |
| CN110618473A (zh) * | 2019-10-09 | 2019-12-27 | 北京北科融智云计算科技有限公司 | 一种即时气象情报保障方法 |
| CN110956333A (zh) * | 2019-12-09 | 2020-04-03 | 国网湖南省电力有限公司 | 基于气候动力降尺度的电网舞动长期预测方法及系统 |
| CN111369054B (zh) * | 2020-03-03 | 2024-04-30 | 舒相程 | 基于wrf的高空气象要素预报方法和装置 |
| CN111752976A (zh) * | 2020-05-28 | 2020-10-09 | 清华大学 | 气象数据处理方法、装置、计算机设备及可读存储介质 |
| CN113837422B (zh) * | 2020-06-24 | 2024-06-14 | 海南省气象科学研究所 | 一种基于多源大数据的降水落区确定方法 |
| CN112488477B (zh) * | 2020-11-23 | 2024-08-06 | 清华珠三角研究院 | 高速公路应急管理系统及方法 |
| CN112487649A (zh) * | 2020-12-01 | 2021-03-12 | 国网湖南省电力有限公司 | 输电通道雷电潜势预报方法及系统 |
| CN112711083B (zh) * | 2021-01-07 | 2022-07-05 | 国网福建省电力有限公司 | 基于自适应权重特征的多源降水数据动态融合方法及系统 |
| CN112558188B (zh) * | 2021-01-22 | 2022-05-27 | 兰州大学 | 一种通过同化闪电资料改进强对流预报的方法 |
| CN113127530A (zh) * | 2021-03-05 | 2021-07-16 | 中国气象科学研究院 | 一种基于铁路网的大气三维结构动态探测信息群同化系统 |
| CN113592132B (zh) * | 2021-04-29 | 2022-04-05 | 山东省气象科学研究所(山东省海洋气象科学研究所、山东省气象局培训中心) | 一种基于数值天气预报和人工智能的降水客观预报方法 |
| CN113313291B (zh) * | 2021-05-06 | 2022-08-30 | 国网河南省电力公司电力科学研究院 | 一种基于初值扰动的电网风灾集合预报以及验证方法 |
| CN113378459B (zh) * | 2021-06-02 | 2022-09-02 | 兰州交通大学 | 基于卫星和物联网信息的光伏电站超短期功率预测方法 |
| CN113392961B (zh) * | 2021-08-17 | 2021-11-09 | 中国海洋大学 | 中尺度涡轨迹平稳序列提取与循环神经网络预测方法 |
| CN114510875B (zh) * | 2022-01-26 | 2022-09-30 | 国家海洋环境预报中心 | 一种基于多源气象数据的环流形势赤潮预报系统及方法 |
| CN116502151B (zh) * | 2023-06-29 | 2023-09-12 | 深圳市千百炼科技有限公司 | 基于多维度气象数据的气象预测方法、系统、设备及介质 |
| CN117526274A (zh) * | 2023-09-28 | 2024-02-06 | 广西电网有限责任公司 | 极端气候下新能源功率预测方法、电子设备和存储介质 |
| CN117148360B (zh) * | 2023-10-31 | 2024-01-19 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 雷电临近预报方法、装置、电子设备及计算机存储介质 |
| CN118114546A (zh) * | 2023-12-26 | 2024-05-31 | 国网电力科学研究院武汉南瑞有限责任公司 | 数值模式驱动的深度学习雷电预警系统及方法 |
| CN118365118A (zh) * | 2024-04-08 | 2024-07-19 | 北京玖天气象科技有限公司 | 基于动力降尺度技术的电力作业风险识别方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105334551A (zh) * | 2015-12-10 | 2016-02-17 | 国网四川省电力公司电力科学研究院 | 基于数值天气预报模式的电网气象预测预警系统 |
| CN106443833A (zh) * | 2015-08-06 | 2017-02-22 | 中国电力科学研究院 | 一种基于云计算的数值天气预报方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106707372A (zh) * | 2016-12-30 | 2017-05-24 | 山东鲁能软件技术有限公司 | 一种基于电网gis的精细化气象预报方法 |
-
2018
- 2018-09-18 CN CN201811087602.XA patent/CN109447315B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106443833A (zh) * | 2015-08-06 | 2017-02-22 | 中国电力科学研究院 | 一种基于云计算的数值天气预报方法 |
| CN105334551A (zh) * | 2015-12-10 | 2016-02-17 | 国网四川省电力公司电力科学研究院 | 基于数值天气预报模式的电网气象预测预警系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109447315A (zh) | 2019-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109447315B (zh) | 一种基于多时空尺度的电力气象数值天气预报方法和装置 | |
| CN112070286B (zh) | 复杂地形流域的降水预报预警系统 | |
| Mughal et al. | Wind modelling, validation and sensitivity study using Weather Research and Forecasting model in complex terrain | |
| Carneiro et al. | Review on photovoltaic power and solar resource forecasting: current status and trends | |
| CN113496311A (zh) | 光伏电站发电功率预测方法及系统 | |
| US20150039228A1 (en) | Ultra-short-term forecasting method including real-time monitoring of the effect of upper and lower courses | |
| CN112285807B (zh) | 一种气象信息预测方法及装置 | |
| CN110929963A (zh) | 风速预测方法、装置以及存储介质 | |
| CN102254239A (zh) | 基于微地形风场分布及台风叠加效应的电网风灾预警系统 | |
| CN116595394A (zh) | 风速修正模型的训练方法及风速预测方法、设备和介质 | |
| CN112541654B (zh) | 一种区域风能资源精细化评估方法 | |
| Camus et al. | An atmospheric-to-marine synoptic classification for statistical downscaling marine climate | |
| CN112183803A (zh) | 一种基于雾霾/沙尘覆盖范围的光伏功率预测方法和系统 | |
| CN117332291B (zh) | 一种面向分布式光伏的区域资源监测布局方法及系统 | |
| CN110633818A (zh) | 一种配电网台风风灾预警方法及系统 | |
| CN111222662A (zh) | 一种电网台风洪涝灾害预警方法和装置 | |
| CN114330110A (zh) | 模型训练方法、光伏发电功率预测方法及系统 | |
| CN116738769B (zh) | 一种风光数据生成模型构建方法及风光数据生成方法 | |
| CN113075751A (zh) | 一种观测资料在短临预报中的融合方法和系统 | |
| CN112016744B (zh) | 一种基于土壤水分的森林火灾预测方法、装置及存储介质 | |
| CN117236720A (zh) | 利用多气象因子特征的光伏电站发电功率预测方法 | |
| CN112541655A (zh) | 一种针对区域风能资源精细化评估需求的大气再分析方法 | |
| CN116484998A (zh) | 基于气象相似日的分布式光伏电站功率预测方法及系统 | |
| Jiang et al. | Extreme-wind events in China in the past 50 years and their impacts on sandstorm variations | |
| Qiu et al. | A short-term precipitation prediction model based on spatiotemporal convolution network and ensemble empirical mode decomposition |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |