CN110096795B - 一种大气雾霾数值预报的校正预报方法及系统 - Google Patents
一种大气雾霾数值预报的校正预报方法及系统 Download PDFInfo
- Publication number
- CN110096795B CN110096795B CN201910354977.6A CN201910354977A CN110096795B CN 110096795 B CN110096795 B CN 110096795B CN 201910354977 A CN201910354977 A CN 201910354977A CN 110096795 B CN110096795 B CN 110096795B
- Authority
- CN
- China
- Prior art keywords
- gate
- data
- time
- forecasting
- term
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 22
- 238000013277 forecasting method Methods 0.000 title claims abstract description 11
- 230000015654 memory Effects 0.000 claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000007774 longterm Effects 0.000 claims abstract description 9
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 7
- 231100000719 pollutant Toxicity 0.000 claims abstract description 7
- 230000010354 integration Effects 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 12
- 238000013480 data collection Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims 1
- 230000006403 short-term memory Effects 0.000 claims 1
- 230000005684 electric field Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种大气雾霾数值预报的校正预报方法及系统,方法包括:选择需开展雾霾数值预报的区域,划分成等经纬网格;收集全球模式的初始场和边界条件数据,用作开展雾霾数值预测的初始场和边界条件数据;将收集的初始场和边界条件数据按等经纬网格插值,得统一格点的网格数据;选择区域数值预报模式和参数化方案,将网格数据输入区域数值预报模式,开展数值积分计算,生成大气雾霾污染物在未来不同时刻的空间分布数据;采用长短时记忆神经网络对空间分布数据进行长期、中期和短期的训练,得不同时间尺度的模型。该校正预报方法及系统能指导电网企业精准地开展调度排班,提前安排好调度策略,降低电网雾霾浓度,提升空气质量。
Description
技术领域
本发明涉及大气环境和电网调度技术领域,具体而言,涉及一种大气雾霾数值预报的校正预报方法及系统。
背景技术
随着我国工业体量的不断发展增强,工业排放源不断增多,导致了大气雾霾的频繁发生,因而给居民健康带来了严重的影响。
火电厂发电时会产生大量的烟气,这些烟气是大气雾霾形成的原因之一。在大气雾霾较严重时,采用火电厂发电会加重雾霾浓度。
如何开展大气雾霾的数值预测,指导电网企业合理进行发电调度,在大气雾霾严重时增加清洁能源的并网,减少火电场电能的使用,从而降低大气雾霾浓度,提升空气质量,已成为电网企业亟需解决的问题。目前,还没有一种准确率较高的能够科学指导电网企业合理进行发电调度的大气雾霾数值预报方法。
发明内容
本发明的主要目的在于提供一种大气雾霾数值预报的校正预报方法及系统,以解决现有技术中无法科学合理指导电网企业优化发电调度,以降低雾霾的技术问题。
为了实现上述目的,根据本发明的一个方面,提供了一种大气雾霾数值预报的校正预报方法,该校正预报方法包括:
选择需要开展雾霾数值预报的区域,并将区域划分成等经纬网格;
收集一种全球模式的初始场数据和边界条件数据,将其用作开展雾霾数值预测的初始场数据和边界条件数据;
将收集的初始场数据和边界条件数据按照等经纬网格进行插值,得到统一格点的网格数据;
选择一种区域数值预报模式,并选择一种参数化方案,将统一格点的网格数据输入区域数值预报模式,并开展数值积分计算,生成大气雾霾污染物在未来不同时刻的空间分布数据;
采用长短时记忆神经网络对空间分布数据分别进行长期、中期和短期的训练,得到不同时间尺度的模型。
进一步地,采用长短时记忆神经网络对空间分布数据分别进行长期、中期和短期的训练,得到不同时间尺度的模型,具体是指:
采用长短时记忆神经网络对空间分布数据分别进行季节尺度、月尺度和日尺度的训练,得到不同时间尺度的模型,模型表示为:
其中,为预测值;S为一年中的季节类型;M为月度标记;D为日期标记;Y为当前时刻的区域数值预报模式输出结果;Y-为前一时刻的区域数值预报模式输出结果;Re为前一时刻的实际预报值。
进一步地,模型还包括遗忘门、记忆门和输出门;
遗忘门决定上一时刻的单元状态Ct-1有多少保留到当前时刻Ct,其计算方法为:
ft=σ(Wf*[ht-1,Yt]+bf)
记忆门决定针对当前输入Yt的单元状态有多少保存到当前时刻的单元状态Ct,其计算方法为:
it=σ(Wi*[ht-1,Yt]+bi)
更新的细胞状态为:
输出门为:
ot=σ(Wo[ht-1,Yt]+bo
ht=[ot*tanh(Ct)]
其中,t表示第t个预报时刻;ft为t时刻的遗忘门;Ot为t时刻的输出门;Ct为t时刻的记忆门;it为t时刻输入门;Wf为遗忘门权重矩阵;Wo为输出门权重矩阵;Wc为记忆门权重矩阵;Wi为输入门权重矩阵;ht为t时刻的最终输出;Yt为t时刻的原始预报值;σ为signmoid函数,其输出的是0至1之间的数;tanh为双曲正切函数。
进一步地,区域数值预报模式为WRF-Chem预报模式。
根据本发明的另一方面,提供了一种大气雾霾数值预报的校正预报系统,该校正预报系统包括:
区域选择及划分模块,用于选择需要开展雾霾数值预报的区域,并将区域划分成等经纬网格;
数据收集模块,用于收集一种全球模式的初始场数据和边界条件数据,将其用作开展雾霾数值预测的初始场数据和边界条件数据;
数据插值模块,用于将收集的初始场数据和边界条件数据按照等经纬网格进行插值,得到统一格点的网格数据;
空间分布数据生成模块,用于选择一种区域数值预报模式,并选择一种参数化方案,将统一格点的网格数据输入区域数值预报模式,并开展数值积分计算,生成大气雾霾污染物在未来不同时刻的空间分布数据;
记忆神经网络训练模块,用于采用长短时记忆神经网络对空间分布数据分别进行长期、中期和短期的训练,得到不同时间尺度的模型。
进一步地,记忆神经网络训练模块,用于采用长短时记忆神经网络对空间分布数据分别进行季节尺度、月尺度和日尺度的训练,得到不同时间尺度的模型,该模型表示为:
其中,为预测值;S为一年中的季节类型;M为月度标记;D为日期标记;Y为当前时刻的区域数值预报模式输出结果;Y-为前一时刻的区域数值预报模式输出结果;Re为前一时刻的实际预报值。
进一步地,该模型还包括遗忘门、记忆门和输出门;
遗忘门决定上一时刻的单元状态Ct-1有多少保留到当前时刻Ct,其计算方法为:
ft=σ(Wf*[ht-1,Yt]+bf)
记忆门决定针对当前输入Yt的单元状态有多少保存到当前时刻的单元状态Ct,其计算方法为:
it=σ(Wi*[ht-1,Yt]+bi)
更新的细胞状态为:
输出门为:
ot=σ(Wo[ht-1,Yt]+bo
ht=[ot*tanh(Ct)]
其中,t表示第t个预报时刻;ft为t时刻的遗忘门;Ot为t时刻的输出门;Ct为t时刻的记忆门;it为t时刻输入门;Wf为遗忘门权重矩阵;Wo为输出门权重矩阵;Wc为记忆门权重矩阵;Wi为输入门权重矩阵;ht为t时刻的最终输出;Yt为t时刻的原始预报值;σ为signmoid函数,其输出的是0至1之间的数;tanh为双曲正切函数。
应用本发明的技术方案,基于大气雾霾数值预报结果的长短时记忆校正预报,能够较好地保证雾霾预测的客观性,并在数值预测结果上开展经验性的校正,能够集合两者的优点,进而提升雾霾数值预报结果的准确性。电网企业可以依照该预测结果,精准地开展调度排班,提前安排好调度策略,若大气雾霾较重,则适当增加清洁能源的并网,减少火电场电能的使用,降低电网雾霾的浓度,提升大气空气质量。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例1的校正预报方法的流程图。
图2为本发明实施例2的校正预报系统的框图。
具体实施方式
为了便于理解本发明,下文将结合说明书附图和较佳的实施例对本发明作更全面、细致地描述,但本发明的保护范围并不限于以下具体的实施例。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1
参见图1,一种本发明实施例的大气雾霾数值预报的校正预报方法,该校正预报方法包括以下步骤:
步骤S100:选择开展雾霾预报的区域为我国中东部地区,具体经纬度范围为东经100°至东经120°,北纬20°至北纬55°,并将该区域分成为9公里×9公里的等经纬网格;
步骤S200:收集中国的全球模式的2019年1月1日12时(世界时)的初始场数据和边界条件数据,将其用作开展雾霾数值预测的起报时刻初始场数据和边界条件数据;
步骤S300:将收集的初始场数据和边界条件数据插值到上述的等经纬网格上,得到统一格点的网格数据;
步骤S400:采用WRF-Chem作为区域数值预报模式,并采用选定的参数化方案,将统一格点的网格数据输入到上述的区域数值预报模式中,并开展数值积分计算,生成未来7天的各类大气要素及污染物的空间分布数据;
步骤S500:采用长短时记忆神经网络对上述的空间分布数据分别进行长期、中期和短期的训练,得到不同时间尺度的模型。具体来说,采用长短时记忆神经网络对空间分布数据分别进行季节尺度、月尺度和日尺度的训练,得到不同时间尺度的模型,该模型表示为:
其中,为预测值;S为一年中的季节类型;M为月度标记;D为日期标记;Y为当前时刻的区域数值预报模式输出结果;Y-为前一时刻的区域数值预报模式输出结果;Re为前一时刻的实际预报值。
进一步地,该模型还包括遗忘门、记忆门和输出门;
遗忘门决定上一时刻的单元状态Ct-1有多少保留到当前时刻Ct,其计算方法为:
ft=σ(Wf*[ht-1,Yt]+bf)
记忆门决定针对当前输入Yt的单元状态有多少保存到当前时刻的单元状态Ct,其计算方法为:
it=σ(Wi*[ht-1,Yt]+bi)
更新的细胞状态为:
输出门为:
ot=σ(Wo[ht-1,Yt]+bo
ht=[ot*tanh(Ct)]
其中,t表示第t个预报时刻;ft为t时刻的遗忘门;Ot为t时刻的输出门;Ct为t时刻的记忆门;it为t时刻输入门;Wf为遗忘门权重矩阵;Wo为输出门权重矩阵;Wc为记忆门权重矩阵;Wi为输入门权重矩阵;ht为t时刻的最终输出;Yt为t时刻的原始预报值;σ为signmoid函数,其输出的是0至1之间的数;tanh为双曲正切函数。
该大气雾霾数值预报的校正预报方法基于大气雾霾数值预报结果的长短时记忆校正预报,能够较好地保证雾霾预测的客观性,并在数值预测结果上开展经验性的校正,能够集合两者的优点,进而提升雾霾数值预报结果的准确性。电网企业可以依照该预测结果,精准地开展调度排班,提前安排好调度策略(如大气雾霾较重,则适当增加清洁能源的并网,减少火电场电能的使用),降低电网雾霾的浓度,提升大气空气质量。
实施例2
参见图2,一种本发明实施例的大气雾霾数值预报的校正预报系统,该校正预报系统包括区域选择及划分模块101、数据收集模块102、数据插值模块103、空间分布数据生成模块104和记忆神经网络训练模块105。
其中,区域选择及划分模块101用于选择需要开展雾霾数值预报的区域,并将区域划分成等经纬网格;数据收集模块102用于收集一种全球模式的初始场数据和边界条件数据,将其用作开展雾霾数值预测的初始场数据和边界条件数据;数据插值模块103用于将收集的初始场数据和边界条件数据按照等经纬网格进行插值,得到统一格点的网格数据;空间分布数据生成模块104用于选择一种区域数值预报模式,并选择一种参数化方案,将统一格点的网格数据输入区域数值预报模式,并开展数值积分计算,生成大气雾霾污染物在未来不同时刻的空间分布数据;记忆神经网络训练模块105用于采用长短时记忆神经网络对空间分布数据分别进行长期、中期和短期的训练,得到不同时间尺度的模型。
具体来说,在本实施例中,记忆神经网络训练模块105用于采用长短时记忆神经网络对空间分布数据分别进行季节尺度、月尺度和日尺度的训练,得到不同时间尺度的模型,该模型表示为:
其中,为预测值;S为一年中的季节类型;M为月度标记;D为日期标记;Y为当前时刻的区域数值预报模式输出结果;Y-为前一时刻的区域数值预报模式输出结果;Re为前一时刻的实际预报值。
进一步地,在本实施例中,该模型中还包括遗忘门、记忆门和输出门;
遗忘门决定上一时刻的单元状态Ct-1有多少保留到当前时刻Ct,其计算方法为:
ft=σ(Wf*[ht-1,Yt]+bf)
记忆门决定针对当前输入Yt的单元状态有多少保存到当前时刻的单元状态Ct,其计算方法为:
it=σ(Wi*[ht-1,Yt]+bi)
更新的细胞状态为:
输出门为:
ot=σ(Wo[ht-1,Yt]+bo
ht=[ot*tanh(Ct)]
其中,t表示第t个预报时刻;ft为t时刻的遗忘门;Ot为t时刻的输出门;Ct为t时刻的记忆门;it为t时刻输入门;Wf为遗忘门权重矩阵;Wo为输出门权重矩阵;Wc为记忆门权重矩阵;Wi为输入门权重矩阵;ht为t时刻的最终输出;Yt为t时刻的原始预报值;σ为signmoid函数,其输出的是0至1之间的数;tanh为双曲正切函数。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种大气雾霾数值预报的校正预报方法,其特征在于,所述校正预报方法包括:
选择需要开展雾霾数值预报的区域,并将所述区域划分成等经纬网格;
收集一种全球模式的初始场数据和边界条件数据,将其用作开展雾霾数值预测的初始场数据和边界条件数据;
将收集的初始场数据和边界条件数据按照所述等经纬网格进行插值,得到统一格点的网格数据;
选择一种区域数值预报模式,并选择一种参数化方案,将所述统一格点的网格数据输入所述区域数值预报模式,并开展数值积分计算,生成大气雾霾污染物在未来不同时刻的空间分布数据;
采用长短时记忆神经网络对所述空间分布数据分别进行长期、中期和短期的训练,得到不同时间尺度的模型;
所述区域数值预报模式为WRF-Chem预报模式;
所述采用长短时记忆神经网络对所述空间分布数据分别进行长期、中期和短期的训练,得到不同时间尺度的模型,具体是指:
采用长短时记忆神经网络对所述空间分布数据分别进行季节尺度、月尺度和日尺度的训练,得到不同时间尺度的模型,所述模型表示为:
其中,为预测值;S为一年中的季节类型;M为月度标记;D为日期标记;Y为当前时刻的区域数值预报模式输出结果;Y-为前一时刻的区域数值预报模式输出结果;Re为前一时刻的实际预报值。
2.根据权利要求1所述的大气雾霾数值预报的校正预报方法,其特征在于,所述模型还包括遗忘门、记忆门和输出门;
所述遗忘门决定上一时刻的单元状态Ct-1有多少保留到当前时刻Ct,其计算方法为:
ft=σ(Wf*[ht-1,Yt]+bf)
所述记忆门决定针对当前输入Yt的单元状态有多少保存到当前时刻的单元状态Ct,其计算方法为:
it=σ(Wi*[ht-1,Yt]+bi)
更新的细胞状态为:
所述输出门为:
ot=σ(Wo[ht-1,Yt]+bo
ht=[ot*tanh(Ct)]
其中,t表示第t个预报时刻;ft为t时刻的遗忘门;Ot为t时刻的输出门;Ct为t时刻的记忆门;it为t时刻输入门;Wf为遗忘门权重矩阵;Wo为输出门权重矩阵;Wc为记忆门权重矩阵;Wi为输入门权重矩阵;ht为t时刻的最终输出;Yt为t时刻的原始预报值;σ为signmoid函数,其输出的是0至1之间的数;tanh为双曲正切函数;ht-1为上一时刻的输出;bf为遗忘偏置值;bi为输入偏置值;Ct-1为上一时刻的单元状态;it-1为t-1时刻输入门;bo为输出门的偏置值。
3.一种大气雾霾数值预报的校正预报系统,其特征在于,所述校正预报系统包括:
区域选择及划分模块,用于选择需要开展雾霾数值预报的区域,并将所述区域划分成等经纬网格;
数据收集模块,用于收集一种全球模式的初始场数据和边界条件数据,将其用作开展雾霾数值预测的初始场数据和边界条件数据;
数据插值模块,用于将收集的初始场数据和边界条件数据按照所述等经纬网格进行插值,得到统一格点的网格数据;
空间分布数据生成模块,用于选择一种区域数值预报模式,并选择一种参数化方案,将所述统一格点的网格数据输入所述区域数值预报模式,并开展数值积分计算,生成大气雾霾污染物在未来不同时刻的空间分布数据;所述区域数值预报模式为WRF-Chem预报模式;
记忆神经网络训练模块,用于采用长短时记忆神经网络对所述空间分布数据分别进行长期、中期和短期的训练,得到不同时间尺度的模型;所述模型表示为:
其中,为预测值;S为一年中的季节类型;M为月度标记;D为日期标记;Y为当前时刻的区域数值预报模式输出结果;Y-为前一时刻的区域数值预报模式输出结果;Re为前一时刻的实际预报值。
4.根据权利要求3所述的大气雾霾数值预报的校正预报系统,其特征在于,所述模型还包括遗忘门、记忆门和输出门;
所述遗忘门决定上一时刻的单元状态Ct-1有多少保留到当前时刻Ct,其计算方法为:
ft=σ(Wf*[ht-1,Yt]+bf)
所述记忆门决定针对当前输入Yt的单元状态有多少保存到当前时刻的单元状态Ct,其计算方法为:
it=σ(Wi*[ht-1,Yt]+bi)
更新的细胞状态为:
所述输出门为:
ot=σ(Wo[ht-1,Yt]+bo
ht=[ot*tanh(Ct)]
其中,t表示第t个预报时刻;ft为t时刻的遗忘门;Ot为t时刻的输出门;Ct为t时刻的记忆门;it为t时刻输入门;Wf为遗忘门权重矩阵;Wo为输出门权重矩阵;Wc为记忆门权重矩阵;Wi为输入门权重矩阵;ht为t时刻的最终输出;Yt为t时刻的原始预报值;σ为signmoid函数,其输出的是0至1之间的数;tanh为双曲正切函数;ht-1为上一时刻的输出;bf为遗忘偏置值;bi为输入偏置值;Ct-1为上一时刻的单元状态;it-1为t-1时刻输入门;bo为输出门的偏置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910354977.6A CN110096795B (zh) | 2019-04-29 | 2019-04-29 | 一种大气雾霾数值预报的校正预报方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910354977.6A CN110096795B (zh) | 2019-04-29 | 2019-04-29 | 一种大气雾霾数值预报的校正预报方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110096795A CN110096795A (zh) | 2019-08-06 |
CN110096795B true CN110096795B (zh) | 2023-07-18 |
Family
ID=67446353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910354977.6A Active CN110096795B (zh) | 2019-04-29 | 2019-04-29 | 一种大气雾霾数值预报的校正预报方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110096795B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110456026B (zh) * | 2019-08-13 | 2022-05-03 | 北京农业信息技术研究中心 | 一种土壤墒情监测方法及装置 |
CN110852523A (zh) * | 2019-11-19 | 2020-02-28 | 上海眼控科技股份有限公司 | 基于数值模式的天气预报方法、装置、设备和存储介质 |
CN110989041B (zh) * | 2019-12-10 | 2021-02-09 | 中国科学院遥感与数字地球研究所 | 一种灰霾和沙尘天气的预报方法及预报系统 |
CN111175852B (zh) * | 2019-12-27 | 2022-11-18 | 中国电子科技集团公司第十四研究所 | 一种基于长短时记忆算法的机场大雾预报预警方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7542852B1 (en) * | 2005-01-25 | 2009-06-02 | Weather Channel Inc | Derivation and production of high-resolution, very short-term weather forecasts |
CN103514341A (zh) * | 2012-06-14 | 2014-01-15 | 华锐风电科技(集团)股份有限公司 | 基于数值天气预报和计算流体动力学的风资源评估方法 |
CN109447373A (zh) * | 2018-11-16 | 2019-03-08 | 上海海事大学 | 基于python平台的LSTM神经网络来预测雾霾方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EA201390775A1 (ru) * | 2010-12-15 | 2013-12-30 | Эни С.П.А. | Способ и система для средне-долгосрочного прогнозирования погоды |
US11009536B2 (en) * | 2016-10-05 | 2021-05-18 | Telecom Italia S.P.A. | Method and system for estimating energy generation based on solar irradiance forecasting |
US10795056B2 (en) * | 2017-06-23 | 2020-10-06 | Tianjin Kantian Technology Co., Ltd. | Local weather forecast |
CN107703564B (zh) * | 2017-10-13 | 2020-04-14 | 中国科学院深圳先进技术研究院 | 一种降雨预测方法、系统及电子设备 |
-
2019
- 2019-04-29 CN CN201910354977.6A patent/CN110096795B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7542852B1 (en) * | 2005-01-25 | 2009-06-02 | Weather Channel Inc | Derivation and production of high-resolution, very short-term weather forecasts |
CN103514341A (zh) * | 2012-06-14 | 2014-01-15 | 华锐风电科技(集团)股份有限公司 | 基于数值天气预报和计算流体动力学的风资源评估方法 |
CN109447373A (zh) * | 2018-11-16 | 2019-03-08 | 上海海事大学 | 基于python平台的LSTM神经网络来预测雾霾方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110096795A (zh) | 2019-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110096795B (zh) | 一种大气雾霾数值预报的校正预报方法及系统 | |
CN111523717B (zh) | 一种大气污染物排放清单的反演估算方法 | |
Li et al. | Machine learning for solar irradiance forecasting of photovoltaic system | |
Meng et al. | Modeling CO2 emissions from fossil fuel combustion using the logistic equation | |
JP3950928B2 (ja) | 風力発電における発電出力予測方法、発電出力予測装置及び発電出力予測システム | |
TWI533251B (zh) | 發電量預測裝置及其方法以及記錄媒體 | |
Yousuf et al. | A modified GM (1, 1) model to accurately predict wind speed | |
CN110045440B (zh) | 一种大气雾霾数值预报的集合预报方法及系统 | |
CN116914747B (zh) | 电力用户侧负荷预测方法及系统 | |
CN113011455B (zh) | 一种空气质量预测svm模型构建方法 | |
Kruger et al. | Development of an updated fundamental basic wind speed map for SANS 10160-3 | |
CN110598335B (zh) | 一种超短期光伏功率预测的辐照修正方法 | |
CN111815051B (zh) | 考虑天气影响因素的grnn光伏发电预测方法 | |
Pandu et al. | Artificial Intelligence Based Solar Radiation Predictive Model Using Weather Forecasts. | |
Wang et al. | Uncertainty modeling method of weather elements based on deep learning for robust solar energy generation of building | |
Ghassemi et al. | Optimal surrogate and neural network modeling for day-ahead forecasting of the hourly energy consumption of university buildings | |
Suksamosorn et al. | Post-processing of NWP forecasts using Kalman filtering with operational constraints for day-ahead solar power forecasting in Thailand | |
CN117273200A (zh) | 一种基于卷积优化算法和Pyraformer神经网络的径流区间预报方法 | |
Perez | Application of support vector machines and ANFIS to the short-term load forecasting | |
CN111242359B (zh) | 一种基于数据漂移的太阳辐射在线动态预测方法 | |
Chikobvu et al. | A frequentist and Bayesian regression analysis to daily peak electricity load forecasting in South Africa | |
Chen et al. | Solar photovoltaic power generation prediction based on deep learning methods | |
KR20200129343A (ko) | 에너지 관리를 위한 기상데이터 처리장치 및 에너지관리시스템 | |
JPH06102908A (ja) | 需要予測装置 | |
JP2000003353A (ja) | 配水量予測方法 |
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 |