CN110472762A - 一种网格化降水的订正方法及系统 - Google Patents
一种网格化降水的订正方法及系统 Download PDFInfo
- Publication number
- CN110472762A CN110472762A CN201810446295.3A CN201810446295A CN110472762A CN 110472762 A CN110472762 A CN 110472762A CN 201810446295 A CN201810446295 A CN 201810446295A CN 110472762 A CN110472762 A CN 110472762A
- Authority
- CN
- China
- Prior art keywords
- data
- precipitation
- grid
- residual values
- forecast
- 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.)
- Pending
Links
- 238000001556 precipitation Methods 0.000 title claims abstract description 174
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012937 correction Methods 0.000 title claims abstract description 24
- 238000005259 measurement Methods 0.000 claims abstract description 22
- 230000004927 fusion Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 4
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 238000013480 data collection Methods 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 33
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001365789 Oenanthe crocata Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 235000015170 shellfish Nutrition 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000005619 thermoelectricity Effects 0.000 description 1
- 230000001550 time effect Effects 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
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种网格化降水的订正方法及系统，包括：基于预先建立的天气预报系统采集当前网格降水预报数据；根据预先生成的降水观测数据集中的残差值对所述当前网格降水预报数据进行订正；所述降水观测数据集中的残差值由：历史网格降水实测值和历史网格降水预报数据计算得到。本发明利用贝叶斯最大信息熵法在空间尺度上对网格化降水数据进行逐网格订正，提高降水预报数据的精度，解决了实时对降水的订正，同时改善水文预报的精度，为水电调度决策提供强有力的数据支撑和科学依据。
Description
技术领域
本发明涉及新能源技术领域，具体涉及一种网格化降水的订正方法及系统。
背景技术
随着新能源规模的不断扩大，新能源并网安全愈显突出。以水电为例，丰水期降水丰沛，水力发电能力远大于用电和外送需求，消纳困难；枯水期水力发电能力大幅度下降，必须密切跟踪水力发电能力变化动态，安排火电开机和水库水位。水力发电的间歇性给全网电量平衡和运行控制造成较大影响。
目前的调度管理中，水电调度主要依赖降水预测，而降水预测主要依靠传统的经验型预测模式，虽然对降水预测工作具有一定指导意义，但存在预测精度不高，预测结果相对粗放，难以对电网调度形成有效支撑等问题。水电调度还依赖于水文预报模型的结果，但水文预报模型中需要输入的降水，因此，提升降水预报的准确性是水文研究者关注的关键问题。随着观测手段的不断完善与观测空间尺度的不断扩展，卫星、雷达等观测手段日趋成熟，但对于降水的观测仅能在一定时空尺度内保证精度，预报时效性非常短，不符合水电调度的需求。虽然数值模式已经大大改进了降水的预报精度，但数值模式是基于一定假设建立的数学模型，仍存在较大的系统性偏差。
提高降水预报精度主要通过订正减小误差，现有的订正存在针对对象主要是单个台站或者局地降水，无法在空间尺度上对网格化降水进行逐网格统计订正；由于降水具有间歇性，目前对降水的订正主要是降水面积订正，在时序上对降水的订正很少，导致预报时效性不佳。
发明内容
为了解决现有技术中所存在的上述不足，本发明提供一种网格化降水的订正方法及系统。
本发明提供的技术方案是：一种网格化降水的订正方法，包括：
基于预先建立的天气预报系统采集当前网格降水预报数据；
根据预先生成的降水观测数据集中的残差值对所述当前网格降水预报数据进行订正；
所述降水观测数据集中的残差值由：历史网格降水实测值和历史网格降水预报数据计算得到。
优选的，所述根据所述降水观测数据集中的残差值对所述当前网格降水预报数据进行订正，包括：
采用贝叶斯最大熵对所述残差值进行调整获得网格中待订正点的残差值的预测平均值；
基于所述预测平均值对所述当前网格降水预报数据进行订正。
优选的，所述采用贝叶斯最大熵对所述残差值进行调整获得网格中待订正点的残差值的预测平均值，包括：
利用最大熵原理计算所述网格中待订正点的先验概率密度函数；
基于所述残差值、当前网格降水预报数据和所述先验概率密度函数，得到后验概率密度函数；
根据所述后验概率密度函数计算网格中待订正点的残差值的预测平均值。
优选的，所述利用最大熵原理计算所述网格中待订正点的先验概率密度函数，按下式计算：
式中：fG：先验概率密度函数；χpre：随机变量值；μ0：归一化约束条件的常数项；g：可用的核心知识库的函数向量；μ：每个函数的相对重要性的系数向量。
优选的，所述基于所述残差值、当前网格降水预报数据和所述先验概率密度函数，得到后验概率密度函数，按下式计算：
fK(χk)＝A-1ψ[χk,fG(χpre)]＝A-1∫fG(χk)dχk
式中：fK：后验概率密度函数；χk：待订正点的预测值；A：归一化参数。
优选的，所述根据所述后验概率密度函数计算网格中待订正点的残差值的预测平均值，按下式计算：
式中：待订正点的残差值的预测平均值。
优选的，所述基于所述预测平均值对所述当前网格降水预报数据进行订正，按下式计算：
式中：Revised(s,t)：订正后的网格降水预报数据；Ps,t：历史网格降水预报数据。
优选的，所述对所述当前网格化预报数据进行订正之后，还包括：将订正的数据重新组成网格化的降水数据时间序列。
优选的，所述预先生成的降水观测数据集包括：
采集常规气象站的观测数据、天气雷达数据、风云卫星数据和历史网格降水预报数据；
将所述常规气象站的观测数据、天气雷达数据和风云卫星数据处理为网格化数据并通过贝叶斯进行融合生成历史网格降水实测值；
基于所述历史网格降水实测值与对应的历史网格降水预报数据计算得到残差值；
所述历史网格降水实测值、历史网格降水预报数据和所述残差值生成降水观测数据集。
优选的，所述将所述常规气象站的观测数据、天气雷达数据和风云卫星数据处理为网格化数据并通过贝叶斯进行融合生成历史网格降水实测值，包括：
将常规气象站的观测数据利用反距离权重插值为与中尺度气象模式预设参数一致的第一网格化数据；
将天气雷达数据和风云卫星数据利用重采样或插值转化为与中尺度气象模式预设参数一致的第二网格化数据；
将所述第一网格化数据和第二网格化数据通过贝叶斯进行融合生成历史网格降水实测值。
优选的，所述基于所述历史网格降水实测值与对应的历史网格降水预报数据计算得到残差值，如下式所示：
χhard(s,t)＝Os,t-Ps,t
式中：χhard(s,t)：残差值；Os,t：历史网格降水实测值；Ps,t：历史网格降水预报数据；S：经纬度；t：时间。
优选的，所述预先建立的天气预报系统，包括：
设置中尺度气象模式的参数化方案、嵌套方案及模式分辨率；
基于采集到的常规气象站的观测数据、天气雷达数据、风云卫星数据和集合卡尔曼滤波同化方法引入时间维度建立同化模块；
所述中尺度气象模式结合所述同化模块构建天气预报系统。
基于同一发明构思本发明还提供了一种网格化降水的订正系统，包括：
采集模块，用于基于预先建立的天气预报系统采集当前网格降水预报数据；
订正模块，用于根据预先生成的降水观测数据集中的残差值对所述当前网格降水预报数据进行订正；
计算模块，用于由历史网格降水实测值和历史网格降水预报数据计算得到所述降水观测数据集中的残差值。
优选的，所述订正模块，包括：
获取子模块，采用贝叶斯最大熵对所述残差值进行调整获得网格中待订正点的残差值的预测平均值；
订正子模块，用于基于所述预测平均值对所述当前网格降水预报数据进行订正。
优选的，所述获取子模块，包括：
先验单元，用于利用最大熵原理计算所述网格中待订正点的先验概率密度函数；
后验单元，用于基于所述残差值、当前网格降水预报数据和所述先验概率密度函数，得到后验概率密度函数；
计算预测平均值单元，用于根据所述后验概率密度函数计算网格中待订正点的残差值的预测平均值。
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：
本发明提供的技术方案，基于预先建立的天气预报系统采集当前网格降水预报数据；根据预先生成的降水观测数据集中的残差值对所述当前网格降水预报数据进行订正；其中，所述降水观测数据集中的残差值由：历史网格降水实测值和历史网格降水预报数据计算得到，利用贝叶斯最大信息熵法在空间尺度上对网格化降水数据进行逐网格订正，提高降水预报数据的精度，解决了实时对降水的订正，同时改善水文预报的精度，为水电调度决策提供强有力的数据支撑和科学依据。
附图说明
图1为本发明提供的一种网格化降水的订正方法的总流程图；
图2为本发明实施例中订正方法的详细流程图。
具体实施方式
为了更好地理解本发明，下面结合说明书附图和实例对本发明的内容做进一步的说明。
实施例1
图1为一种网格化降水的订正方法的总流程图，如图1所示，包括：
步骤S101、基于预先建立的天气预报系统采集当前网格降水预报数据；
步骤S102、根据预先生成的降水观测数据集中的残差值对所述当前网格降水预报数据进行订正；
步骤S103、所述降水观测数据集中的残差值由：历史网格降水实测值和历史网格降水预报数据计算得到。
还包括：在网格化预报数据进行订正之后，将订正的数据重新组成网格化的降水数据时间序列。
步骤S101中预先建立的天气预报系统，具体包括：
设置中尺度气象模式的参数化方案、嵌套方案及模式分辨率；
基于多源气象数据和集合卡尔曼滤波同化方法引入时间维度建立同化模块；
中尺度气象模式结合同化模块构建天气预报系统。
其中，同化模块包括：将采集到的常规气象站的观测数据、天气雷达数据和风云卫星数据利用集合卡尔曼滤波同化方法引入时间维度，用于订正数值天气预报模式的初始场和边界条件。
步骤S102具体包括：
首先，采用贝叶斯最大熵对所述残差值进行调整获得网格中待订正点的残差值的预测平均值；
①利用最大熵原理计算网格中待订正点的先验概率密度函数，按下式计算：
式中：fG：先验概率密度函数；χpre：随机变量值；μ0：归一化约束条件的常数项；g：可用的核心知识库的函数向量；μ：每个函数的相对重要性的系数向量。
②基于残差值、当前网格降水预报数据和先验概率密度函数，得到后验概率密度函数，按下式计算：
fK(χk)＝A-1ψ[χk,fG(χpre)]＝A-1∫fG(χk)dχk
式中：fK：后验概率密度函数；χk：待订正点的预测值；A：归一化参数。
③根据后验概率密度函数计算网格中待订正点的残差值的预测平均值，按下式计算：
式中：待订正点的残差值的预测平均值。
最后，基于预测平均值对所述网格降水预报数据进行订正，按下式计算：
式中：Revised(s,t)：订正后的网格降水预报数据；Ps,t：网格降水预报数据。
步骤S103，具体包括：
首先，预先生成的降水观测数据集包括：
采集常规气象站的观测数据、天气雷达数据、风云卫星数据和历史网格降水预报数据；
将常规气象站的观测数据、天气雷达数据和风云卫星数据处理为网格化数据并通过贝叶斯进行融合生成历史网格降水实测值；
基于所述历史网格降水实测值与对应的历史网格降水预报数据计算得到残差值；
由历史网格降水实测值、历史网格降水预报数据和残差值生成降水观测数据集。
进一步的，将所述常规气象站的观测数据、天气雷达数据和风云卫星数据处理为网格化数据并通过贝叶斯进行融合生成历史网格降水实测值，包括：
将常规气象站的观测数据利用反距离权重插值为与中尺度气象模式预设参数一致的第一网格化数据；
将天气雷达数据和风云卫星数据利用重采样或插值转化为与中尺度气象模式预设参数一致的第二网格化数据；
将第一网格化数据和第二网格化数据通过贝叶斯进行融合生成历史网格降水实测值。
其中，按下式计算历史网格降水实测值与对应的历史网格降水预报数据之间的残差值；
χhard(s,t)＝Os,t-Ps,t
式中：χhard(s,t)：残差值；Os,t：历史网格降水实测值；Ps,t：历史网格降水预报数据；S：经纬度；t：时间。
实施例2
图2为订正方法的详细流程图，如图2所示，订正方法包括：
第一步：生成多源气象数据集
通过气象部门获得常规气象站、天气雷达数据和风云卫星数据；
基于上述所有数据源，对数据进行格式化生成统一格式的数据，经质量控制之后生成多源气象数据集。
第二步：建立基于中尺度数值气象模式的天气预报系统
基于第一步建立的多源气象数据集，采用集合卡尔曼滤波数据同化的方法，结合中尺度数值气象模式建立天气预报系统，主要步骤如下：
(1)为中尺度气象模式的参数化方案、嵌套方案及模式分辨率设置初始值；
(2)基于集合卡尔曼滤波同化方法引入时间维度，以此建立降水资料的同化系统及快速更新循环系统；
(3)中尺度气象模式(The Weather Research and Forecasting Model，WRF)结合同化模块构建天气预报系统，调试系统，对待测区域进行实时预报网格降水预报数据。
第三步：网格化时空统计订正
基于第二步采集的实时网格降水预报数据，采用贝叶斯最大熵的方法来进行网格化时空订正，主要步骤如下：
(1)基础数据准备：准备至少1年以上的观测数据，包括地面常规监测站、雨量站、水文站等降水观测数据，以及雷达观测数据、卫星反演降水数据等，同时准备所需区域的历史网格降水预报数据。
(2)订正模型输入数据准备，主要有以下步骤：
①利用ArcGIS软件中反距离权重插值将地面常规监测站、雨量站、水文站的气象观测数据插值为与WRF模式网格分辨率、格点数一致的网格化数据；
②将卫星反演的数据、雷达定量估计的降水重采样或插值为与WRF模式网格分辨率、格点数一致的网格化数据；
③两者之间进行贝叶斯融合，生成历史网格降水实测值；
④利用气象释用脚本计算逐网格历史网格降水实测值与对应的历史网格降水预报数据之间的残差值。
(3)利用贝叶斯信息最大熵(Bayesian maximum entropy，BME)进行统计建模，BME将所有收集到的数据、信息统称为下知识库(K)，K根据性质的差异划分为两大类：核心知识库(G)和特定知识(S)，其中G包括时空协方差模型、物理法则和科学理论，S包括硬数据(hard data)和软数据(soft data)。
本实施例中硬数据指的是历史网格降水实测值与历史网格降水预报数据的残差值，认为误差是可以忽略的，软数据是指实时网格降水预报数据，具有一定的不确定性和误差。
计算过程主要有以下步骤：
①先验阶段：利用最大熵原理(maximum entropy)找到包含最大信息量G(核心知识库)的最贴近真实情况的先验概率密度函数fG，计算公式如下：
式中：fG：先验概率密度函数；χpre：随机变量值；μ0：归一化约束条件的常数项；g：可用的核心知识库的函数向量；μ：每个函数的相对重要性的系数向量。
其中，χpre，按下式计算：
χpre＝[χdata,χk]
式中：χdata：硬数据和软数据的集合；χk：某个待订正点的预测值；
χdata＝[χhard,χsoft]
式中：χhard：硬数据在相应位置的实现值；χsoft：软数据在相应位置的实现值；
χhard＝[χ1,···χmk]T
χsoft＝[χmk+1,···χm]T
式中：χmk：mk个硬数据；χm：m个软数据。
②中间阶段：将实时网格降水预报数据以合理的形式表达出来；
③后验阶段：该阶段结合实时网格降水预报数据和先验概率密度函数，在广义贝叶斯条件基于K得到后验概率密度函数fK，如下式所示：
fK(χk)＝A-1ψ[χk,fG(χpre)]＝A-1∫fG(χk)dχk (2)
式中：fK：后验概率密度函数；χk：待订正点的预测值；A：归一化参数。
根据fK可以算出网格中待订正点的残差值的预测平均值，计算公式如下：
式中：待订正点的残差值的预测平均值。
④预报结果订正，对网格降水预报数据进行实时订正
基于贝叶斯最大熵方法，结合WRF中尺度数值模式结果，进行订正，公式如下：
式中：Revised(s,t)：订正后的网格降水预报数据；Ps,t：历史网格降水预报数据。
其中，历史网格降水实测值与对应的历史网格降水预报数据之间的残差值，如下式所示：
χhard(s,t)＝Os,t-Ps,t
式中：χhard(s,t)：残差值；Os,t：历史网格降水实测值；Ps,t：历史网格降水预报数据；S：经纬度；t：时间。
⑤将订正的数据重新组成网格化的降水数据时间序列。
⑥基于脚本语言和气象数据释用语言编写自动运行脚本，实现①‐⑤的自动化运行。
基于同一发明构思，本实施例中还提供了一种网格化降水的订正系统，包括：
采集模块，用于基于预先建立的天气预报系统采集当前网格降水预报数据；
订正模块，用于根据预先生成的降水观测数据集中的残差值对所述当前网格降水预报数据进行订正；
计算模块，用于由历史网格降水实测值和历史网格降水预报数据计算得到所述降水观测数据集中的残差值。
实施例中，所述订正模块，包括：
获取子模块，采用贝叶斯最大熵对所述残差值进行调整获得网格中待订正点的残差值的预测平均值；
订正子模块，用于基于所述预测平均值对所述当前网格降水预报数据进行订正。
实施例中，所述获取子模块，包括：
先验单元，用于利用最大熵原理计算所述网格中待订正点的先验概率密度函数；
后验单元，用于基于所述残差值、当前网格降水预报数据和所述先验概率密度函数，得到后验概率密度函数；
计算预测平均值单元，用于根据所述后验概率密度函数计算网格中待订正点的残差值的预测平均值。
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。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。
Claims (15)
1.一种网格化降水的订正方法，其特征在于，包括：
基于预先建立的天气预报系统采集当前网格降水预报数据；
根据预先生成的降水观测数据集中的残差值对所述当前网格降水预报数据进行订正；
所述降水观测数据集中的残差值由：历史网格降水实测值和历史网格降水预报数据计算得到。
2.如权利要求1所述的订正方法，其特征在于，所述根据所述降水观测数据集中的残差值对所述当前网格降水预报数据进行订正，包括：
采用贝叶斯最大熵对所述残差值进行调整获得网格中待订正点的残差值的预测平均值；
基于所述预测平均值对所述当前网格降水预报数据进行订正。
3.如权利要求2所述的订正方法，其特征在于，所述采用贝叶斯最大熵对所述残差值进行调整获得网格中待订正点的残差值的预测平均值，包括：
利用最大熵原理计算所述网格中待订正点的先验概率密度函数；
基于所述残差值、当前网格降水预报数据和所述先验概率密度函数，得到后验概率密度函数；
根据所述后验概率密度函数计算网格中待订正点的残差值的预测平均值。
4.如权利要求3所述的订正方法，其特征在于，所述利用最大熵原理计算所述网格中待订正点的先验概率密度函数，按下式计算：
式中：fG：先验概率密度函数；χpre：随机变量值；μ0：归一化约束条件的常数项；g：可用的核心知识库的函数向量；μ：每个函数的相对重要性的系数向量。
5.如权利要求4所述的订正方法，其特征在于，所述基于所述残差值、当前网格降水预报数据和所述先验概率密度函数，得到后验概率密度函数，按下式计算：
fK(χk)＝A-1ψ[χk,fG(χpre)]＝A-1∫fG(χk)dχk
式中：fK：后验概率密度函数；χk：待订正点的预测值；A：归一化参数。
6.如权利要求5所述的订正方法，其特征在于，所述根据所述后验概率密度函数计算网格中待订正点的残差值的预测平均值，按下式计算：
式中：待订正点的残差值的预测平均值。
7.如权利要求6所述的订正方法，其特征在于，所述基于所述预测平均值对所述当前网格降水预报数据进行订正，按下式计算：
式中：Revised(s,t)：订正后的网格降水预报数据；Ps,t：历史网格降水预报数据。
8.如权利要求1所述的订正方法，其特征在于，所述对所述当前网格化预报数据进行订正之后，还包括：将订正的数据重新组成网格化的降水数据时间序列。
9.如权利要求1所述的订正方法，其特征在于，所述预先生成的降水观测数据集包括：
采集常规气象站的观测数据、天气雷达数据、风云卫星数据和历史网格降水预报数据；
将所述常规气象站的观测数据、天气雷达数据和风云卫星数据处理为网格化数据并通过贝叶斯进行融合生成历史网格降水实测值；
基于所述历史网格降水实测值与对应的历史网格降水预报数据计算得到残差值；
所述历史网格降水实测值、历史网格降水预报数据和所述残差值生成降水观测数据集。
10.如权利要求9所述的订正方法，其特征在于，所述将所述常规气象站的观测数据、天气雷达数据和风云卫星数据处理为网格化数据并通过贝叶斯进行融合生成历史网格降水实测值，包括：
将常规气象站的观测数据利用反距离权重插值为与中尺度气象模式预设参数一致的第一网格化数据；
将天气雷达数据和风云卫星数据利用重采样或插值转化为与中尺度气象模式预设参数一致的第二网格化数据；
将所述第一网格化数据和第二网格化数据通过贝叶斯进行融合生成历史网格降水实测值。
11.如权利要求9所述的订正方法，其特征在于，所述基于所述历史网格降水实测值与对应的历史网格降水预报数据计算得到残差值，如下式所示：
χhard(s,t)＝Os,t-Ps,t
式中：χhard(s,t)：残差值；Os,t：历史网格降水实测值；Ps,t：历史网格降水预报数据；S：经纬度；t：时间。
12.如权利要求9所述的订正方法，其特征在于，所述预先建立的天气预报系统，包括：
设置中尺度气象模式的参数化方案、嵌套方案及模式分辨率；
基于采集到的常规气象站的观测数据、天气雷达数据、风云卫星数据和集合卡尔曼滤波同化方法引入时间维度建立同化模块；
所述中尺度气象模式结合所述同化模块构建天气预报系统。
13.一种网格化降水的订正系统，其特征在于，包括：
采集模块，用于基于预先建立的天气预报系统采集当前网格降水预报数据；
订正模块，用于根据预先生成的降水观测数据集中的残差值对所述当前网格降水预报数据进行订正；
计算模块，用于由历史网格降水实测值和历史网格降水预报数据计算得到所述降水观测数据集中的残差值。
14.如权利要求13所述的订正系统，其特征在于，所述订正模块，包括：
获取子模块，采用贝叶斯最大熵对所述残差值进行调整获得网格中待订正点的残差值的预测平均值；
订正子模块，用于基于所述预测平均值对所述当前网格降水预报数据进行订正。
15.如权利要求14所述的订正系统，其特征在于，所述获取子模块，包括：
先验单元，用于利用最大熵原理计算所述网格中待订正点的先验概率密度函数；
后验单元，用于基于所述残差值、当前网格降水预报数据和所述先验概率密度函数，得到后验概率密度函数；
计算预测平均值单元，用于根据所述后验概率密度函数计算网格中待订正点的残差值的预测平均值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810446295.3A CN110472762A (zh) | 2018-05-11 | 2018-05-11 | 一种网格化降水的订正方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810446295.3A CN110472762A (zh) | 2018-05-11 | 2018-05-11 | 一种网格化降水的订正方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110472762A true CN110472762A (zh) | 2019-11-19 |
Family
ID=68504310
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810446295.3A Pending CN110472762A (zh) | 2018-05-11 | 2018-05-11 | 一种网格化降水的订正方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110472762A (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110865425A (zh) * | 2019-11-28 | 2020-03-06 | 中国有色金属长沙勘察设计研究院有限公司 | 一种基于先验信息的雨量计粗差探测方法 |
| CN111159640A (zh) * | 2019-11-20 | 2020-05-15 | 北京玖天气象科技有限公司 | 适用于网格预报的小雨消空方法、消空系统、电子设备及存储介质 |
| CN111178635A (zh) * | 2019-12-31 | 2020-05-19 | 上海眼控科技股份有限公司 | 天气预报方法、装置、计算机设备和计算机可读存储介质 |
| CN111913236A (zh) * | 2020-07-13 | 2020-11-10 | 上海眼控科技股份有限公司 | 气象数据处理方法、装置、计算机设备和存储介质 |
| CN112213727A (zh) * | 2020-10-15 | 2021-01-12 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种基于主被动微波联合探测的星载雷达的降水订正方法 |
| CN112215393A (zh) * | 2020-08-29 | 2021-01-12 | 复旦大学 | 基于自适应时空尺度选择的降水数值预报后处理订正方法 |
| CN112711083A (zh) * | 2021-01-07 | 2021-04-27 | 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 |
| CN112819237A (zh) * | 2021-02-08 | 2021-05-18 | 广东省气象台(南海海洋气象预报中心) | 降水多尺度融合预报方法和装置 |
| CN113313291A (zh) * | 2021-05-06 | 2021-08-27 | 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 |
| CN113496104A (zh) * | 2021-07-16 | 2021-10-12 | 中科技术物理苏州研究院 | 基于深度学习的降水预报订正方法及系统 |
| CN114114198A (zh) * | 2022-01-27 | 2022-03-01 | 江西省气象信息中心(江西省气象培训中心、江西省农村经济信息中心) | 一种降水数据质控方法、装置、存储介质及设备 |
| CN114185114A (zh) * | 2022-02-16 | 2022-03-15 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 降水预报落区的订正方法、装置、电子设备及介质 |
| CN111538935B (zh) * | 2019-12-26 | 2023-08-25 | 北京玖天气象科技有限公司 | 基于地形特征和多源模式产品的精细化降水融合方法、系统、电子设备及存储介质 |
| CN117033935A (zh) * | 2023-08-03 | 2023-11-10 | 北京市市政工程设计研究总院有限公司广东分院 | 基于贝叶斯融合的统计与监测下的场降雨特征的预测方法 |
| WO2023240509A1 (zh) * | 2022-06-15 | 2023-12-21 | 中山大学 | 一种基于降水预报与遥相关对应关系的空间概率分析方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104851051A (zh) * | 2014-12-08 | 2015-08-19 | 国家电网公司 | 一种结合动态修正的电网区域暴雨量精细化预警方法 |
| CN107765348A (zh) * | 2017-10-23 | 2018-03-06 | 成都信息工程大学 | 降水量气象报文数据误差修正方法、雨凇景观预测方法 |
-
2018
- 2018-05-11 CN CN201810446295.3A patent/CN110472762A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104851051A (zh) * | 2014-12-08 | 2015-08-19 | 国家电网公司 | 一种结合动态修正的电网区域暴雨量精细化预警方法 |
| CN107765348A (zh) * | 2017-10-23 | 2018-03-06 | 成都信息工程大学 | 降水量气象报文数据误差修正方法、雨凇景观预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张楚天: ""贝叶斯最大熵方法时空预测关键问题研究与应用"", 《中国博士学位论文全文数据库基础科学辑》, pages 5 - 19 * |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111159640A (zh) * | 2019-11-20 | 2020-05-15 | 北京玖天气象科技有限公司 | 适用于网格预报的小雨消空方法、消空系统、电子设备及存储介质 |
| CN110865425B (zh) * | 2019-11-28 | 2021-10-26 | 中国有色金属长沙勘察设计研究院有限公司 | 一种基于先验信息的雨量计粗差探测方法 |
| CN110865425A (zh) * | 2019-11-28 | 2020-03-06 | 中国有色金属长沙勘察设计研究院有限公司 | 一种基于先验信息的雨量计粗差探测方法 |
| CN111538935B (zh) * | 2019-12-26 | 2023-08-25 | 北京玖天气象科技有限公司 | 基于地形特征和多源模式产品的精细化降水融合方法、系统、电子设备及存储介质 |
| CN111178635A (zh) * | 2019-12-31 | 2020-05-19 | 上海眼控科技股份有限公司 | 天气预报方法、装置、计算机设备和计算机可读存储介质 |
| CN111913236A (zh) * | 2020-07-13 | 2020-11-10 | 上海眼控科技股份有限公司 | 气象数据处理方法、装置、计算机设备和存储介质 |
| CN112215393B (zh) * | 2020-08-29 | 2022-06-21 | 复旦大学 | 基于自适应时空尺度选择的降水数值预报后处理订正方法 |
| CN112215393A (zh) * | 2020-08-29 | 2021-01-12 | 复旦大学 | 基于自适应时空尺度选择的降水数值预报后处理订正方法 |
| CN112213727B (zh) * | 2020-10-15 | 2024-01-02 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种基于主被动微波联合探测的星载雷达的降水订正方法 |
| CN112213727A (zh) * | 2020-10-15 | 2021-01-12 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种基于主被动微波联合探测的星载雷达的降水订正方法 |
| CN112711083A (zh) * | 2021-01-07 | 2021-04-27 | 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 |
| 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 |
| CN112819237A (zh) * | 2021-02-08 | 2021-05-18 | 广东省气象台(南海海洋气象预报中心) | 降水多尺度融合预报方法和装置 |
| CN112819237B (zh) * | 2021-02-08 | 2021-09-14 | 广东省气象台(南海海洋气象预报中心) | 降水多尺度融合预报方法和装置 |
| CN113313291A (zh) * | 2021-05-06 | 2021-08-27 | 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 |
| CN113496104A (zh) * | 2021-07-16 | 2021-10-12 | 中科技术物理苏州研究院 | 基于深度学习的降水预报订正方法及系统 |
| CN113496104B (zh) * | 2021-07-16 | 2024-03-22 | 中科技术物理苏州研究院 | 基于深度学习的降水预报订正方法及系统 |
| CN114114198A (zh) * | 2022-01-27 | 2022-03-01 | 江西省气象信息中心(江西省气象培训中心、江西省农村经济信息中心) | 一种降水数据质控方法、装置、存储介质及设备 |
| CN114185114A (zh) * | 2022-02-16 | 2022-03-15 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 降水预报落区的订正方法、装置、电子设备及介质 |
| CN114185114B (zh) * | 2022-02-16 | 2022-04-29 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 降水预报落区的订正方法、装置、电子设备及介质 |
| WO2023240509A1 (zh) * | 2022-06-15 | 2023-12-21 | 中山大学 | 一种基于降水预报与遥相关对应关系的空间概率分析方法及系统 |
| CN117033935A (zh) * | 2023-08-03 | 2023-11-10 | 北京市市政工程设计研究总院有限公司广东分院 | 基于贝叶斯融合的统计与监测下的场降雨特征的预测方法 |
| CN117033935B (zh) * | 2023-08-03 | 2024-02-23 | 北京市市政工程设计研究总院有限公司 | 基于贝叶斯融合的统计与监测下的场降雨特征的预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110472762A (zh) | 一种网格化降水的订正方法及系统 | |
| US11501194B2 (en) | Managing computational workloads of computing apparatuses powered by renewable resources | |
| US20200063710A1 (en) | System and methods for hyper short-term wind power prediction using real-time wind parameter measurements | |
| Rawlins et al. | The Met Office global four‐dimensional variational data assimilation scheme | |
| Szunyogh et al. | A local ensemble transform Kalman filter data assimilation system for the NCEP global model | |
| Chen et al. | Wind power forecasts using Gaussian processes and numerical weather prediction | |
| Bhaskar et al. | AWNN-assisted wind power forecasting using feed-forward neural network | |
| Hu et al. | A hybrid approach based on the Gaussian process with t-observation model for short-term wind speed forecasts | |
| CN104021424B (zh) | 用于预测风场中的风机的输出功率的方法和装置 | |
| US9188701B2 (en) | Power generation predicting apparatus and method thereof | |
| CN110659448B (zh) | 一种非正交集合预报初值扰动算法 | |
| 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 | |
| CN105974495B (zh) | 利用分类拟合法预判目标区域未来平均云量的方法 | |
| CN112149859B (zh) | 风速预测方法和风速预测装置 | |
| Song et al. | Improving multi-model ensemble forecasts of tropical cyclone intensity using Bayesian model averaging | |
| JP2013152156A (ja) | 日射量算出装置、日射量算出装置の制御方法及びプログラム | |
| CN113159102B (zh) | 一种多时间尺度的光伏功率预测方法及系统 | |
| CN114498619A (zh) | 一种风电功率预测方法及装置 | |
| Yu et al. | Improvement of medium-range forecasts using the analog-dynamical method | |
| Hotta et al. | EFSR: Ensemble forecast sensitivity to observation error covariance | |
| Saini et al. | Gated recurrent unit (gru) based short term forecasting for wind energy estimation | |
| Chen et al. | Development and testing of the GRAPES regional ensemble-3DVAR hybrid data assimilation system | |
| CN115062856A (zh) | 基于电网私有云的新能源厂站中期出力预测方法和系统 | |
| Pan et al. | Variational assimilation of glider data in Monterey Bay | |
| CN115310648A (zh) | 一种基于多气象变量模型识别的中长期风电功率组合预测方法 |
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 |