CN110765420A - 一种基于pso-fi的地面自动气象站气温观测资料质量控制方法 - Google Patents
一种基于pso-fi的地面自动气象站气温观测资料质量控制方法 Download PDFInfo
- Publication number
- CN110765420A CN110765420A CN201910991823.8A CN201910991823A CN110765420A CN 110765420 A CN110765420 A CN 110765420A CN 201910991823 A CN201910991823 A CN 201910991823A CN 110765420 A CN110765420 A CN 110765420A
- Authority
- CN
- China
- Prior art keywords
- quality control
- interpolation
- air temperature
- observation data
- fractal
- 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
- 238000003908 quality control method Methods 0.000 title claims abstract description 48
- 239000002245 particle Substances 0.000 claims abstract description 41
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 18
- 238000007689 inspection Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 abstract description 21
- 230000000694 effects Effects 0.000 abstract description 10
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000012937 correction Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000282320 Panthera leo Species 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Environmental & Geological Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Algebra (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于粒子群优化(PSO)和分形插值(FI)的地面自动气象站气温观测资料质量控制方法,该方法首先对目标气象站点进行气温数据采集并对其进行基本质量控制;接着利用分形插值算法对目标站点气温数据进行插值,确定最佳初始插值点位置与插值点个数,并利用粒子群优化算法对分形插值中垂直比例因子进行寻优,以获得最佳质量控制效果;最后,根据此插值结果与实际观测值比较并进行条件修正,实现对该气温观测资料的质量控制。该方法从分形插值的角度出发,有效的解决了部分邻站分布密度极低、观测资料缺失严重等自动气象站点的质量控制问题,具有较高的检错性能。
Description
技术领域
本发明涉及一种基于PSO-FI的地面自动气象站气温观测资料质量控制方法,属于自动气象站实时采集数据的质量控制领域。
背景技术
在现代的信息技术背景下,人们越来越关注日常生活中天气预报的准确度,而数值天气预报便在日常的天气预报中扮演着至关重要的角色,目前也已发展成为一种影响经济发展和社会进步的必要天气预报手段。为了进一步提高天气预报的准确率,中国气象局已于2002年开启了“三站四网”的大气监测工程建设,众多先进的气象要素观测设备也都相继应用到自动观测站中,一方面节省了大量人力物力,同时也大大提高了气象传感器的采集精度。
然而,随着自动观测站数量的增多,也伴随着大量的地面气象观测数据的产生。观测数据的增多能够为气象观测业务提供更全面的观测资料,但这些数据容易在观测站采集的过程中受到系统误差、随机误差和粗大误差的干扰,从而影响到地面气象观测资料的整体质量,对气候研究以及数值天气预报的精度产生影响。为了解决这些问题,发明有效的地面气象观测资料质量控制方法就显得尤为重要。现阶段,对地面气象资料的质量控制主要是对其中的随机误差和粗大误差进行筛选和识别,只有保证了观测资料的准确性与合理性,才能从源头上提高数值天气预报的效果。
发明内容
本发明提供一种基于PSO-FI的地面自动气象站气温观测资料质量控制方法,主要解决目前部分气象站点由于邻站密度分布低、观测资料缺失严重等导致的质量控制精确度不高的问题。
本发明为解决上述技术问题采用以下技术方案:
本发明提供一种基于PSO-FI的地面自动气象站气温观测资料质量控制方法,包括以下步骤:
步骤1:选取目标气象站的气温观测数据,并对其进行基本质量控制,其中所述基本质量控制包括界限值检查、气候极值检查、内部一致性检查、时变性检查;
步骤2:利用粒子群优化算法对分形插值算法中垂直比例因子进行寻优后,利用分形插值算法对基本质量控制后的气温观测数据xt进行插值,得到分形插值曲线,即得到xt的估计值Yest(t),其中,t=1,2,…,N,N为气温观测数据的数量;
步骤3:对比植入随机误差的气温观测值Yobs(t)与Yest(t),若|Yest-Yobs|≤f·σ则认为对应观测数据正确,否则将对应观测数据标记为疑误数据并使用相应估计值进行修正,完成质量控制;其中,σ为目标气象站的气温观测数据的标准误差,f为预设质量控制参数。
作为本发明的进一步技术方案,步骤2具体为:
2.1:确定初始插值点以及插值点数,随机初始化分形迭代函数系统中的垂直比例因子;
2.2:随机初始化粒子群di,i=1,2,…,n,n为插值点数;
2.3:利用di求取分形迭代函数系统中的参数ai、ci、ei、fi,进一步利用分形迭代算法求取目标曲线的吸引子,得到分形插值函数f(xi);
2.4:将分形插值函数f(xi)的测试误差作为粒子的初始适应度值,其中测试误差为分形插值生成值与历史值的均方根误差;
2.5:按照设定迭代次数,对粒子群进行迭代更新,输出最优粒子群di′,di′即为最优垂直比例因子;
2.6:利用di′求得分形迭代函数系统中剩余参数,并利用确定性分形迭代算法求得分形插值曲线,即得到Yest(t)。
作为本发明的进一步技术方案,所述插值点选取在气温观测数据的波峰和波谷处。
作为本发明的进一步技术方案,步骤2.3中:ai=(xi-xi-1)/(xn-x0),ei=(xnxi-1-x0xi)/(xn-x0),ci=[yi-yi-1-di(yn-y0)]/(xn-x0),fi=[xnyi-x0yi-1-di(xnyi-x0yn)]/(xn-x0),其中,xi为第i个插值点处基本质量控制后的气温观测数据,yi为第i个插值点处气温观测数据的实际值。
作为本发明的进一步技术方案,步骤2.5中粒子的位置和速度分别按照和进行更新,其中k为设定迭代次数,和分别为第i个粒子在第k+1次和第k次迭代第d维的速度;和分别为第i个粒子在第k+1次和第k次迭代第d维中的位置;c1、c2为粒子的学习因子;r1、r2为区间[0,1]之间的随机数。
作为本发明的进一步技术方案,c1=c2=2。
有益效果
为解决邻站分布密度极低、资料缺失严重等气象观测站点的质量控制问题,本发明提出了一种基于粒子群优化的分形插值地面自动气象站气温观测资料质量控制方法。该方法的质量控制效果受分形插值方法初始插值点的位置及个数影响,且随着初始插值点数的增加质量控制效果不断提升;为了不影响系统运行效率及避免过拟合情况,应选择合适的初始插值点位置及个数进行分形插值试验。该方法在不同气候条件的地区下均表现出较好的质量控制效果,即在观测站点密度极低的条件下,可利用该方法进行单站气温观测资料质量控制;在观测站点观测资料缺失严重的情况下,可利用该方法进行分形插值弥补缺失资料,再进一步完成观测资料质量控制。
附图说明
图1为本发明方法流程图;
图2为PSO-FI、FI、CSSOCM三种方法在漠河站四个季度下的MAE指标对比图;
图3为PSO-FI、FI、CSSOCM三种方法在漠河站的MAE指标整体数值分布图;
图4为PSO-FI、FI、CSSOCM三种方法在漠河站四个季度下的RMSE指标对比图;
图5为PSO-FI、FI、CSSOCM三种方法在漠河站的RMSE指标整体数值分布图;
图6为PSO-FI、FI、CSSOCM三种方法在漠河站四个季度下的NSC指标对比图;
图7为PSO-FI、FI、CSSOCM三种方法在漠河站的NSC指标整体数值分布图;
图8为四个目标站点下PSO-FI、FI、CSSOCM三种方法不同季节的MAE指标对比图;
图9为四个目标站点下PSO-FI、FI、CSSOCM三种方法不同季节的RMSE指标对比图;
图10为四个目标站点下PSO-FI、FI、CSSOCM三种方法不同季节的NSC指标对比图;
图11为最佳f值下本发明方法与传统单站质量控制方法的检错效果对比图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
按照本发明方法的流程图,如图1所示,首先采集目标站一段时间序列内的气温观测资料,确定观测资料的初始插值点以及插值点个数,随机初始化分形迭代函数系统中的垂直比例因子;利用PSO优化算法对垂直比例因子进行寻优选取,将最优垂直比例因子带入分形迭代系统计算其余参数,得到分形插值曲线,即得到气温时间序列估计值;对比分形插值估计值与实际观测值,进行条件修正,完成质量控制。
本发明一种基于粒子群优化(PSO)和分形插值(FI)的地面自动气象站气温观测资料质量控制方法,包括以下步骤:
步骤1:选取代表观测站点地面气温观测资料序列,经过基本的质量控制后为xt(t=1,2,…,N),确定插值点数并获取插值点信息(xi,yi)(i=1,2,…,n),设置粒子群优化算法(PSO)的基本参数值并随机初始化粒子群di(i=1,2,…,n)。
步骤1中所述基本质量控制包括界限值检查、气候极值检查、内部一致性检查、时变性检查;所述插值点信息选取在气温观测资料的波峰波谷处。
步骤2:利用初始化的粒子群di的值,求取迭代函数系统(IFS)的其余四个参数ai、ci、ei、fi,进一步利用分形迭代算法求取目标曲线的吸引子,得到分形插值函数f(xi)图像。
ai、ci、ei、fi按照ai=(xi-xi-1)/(xn-x0),ei=(xnxi-1-x0xi)/(xn-x0),ci=[yi-yi-1-di(yn-y0)]/(xn-x0),fi=[xnyi-x0yi-1-di(xnyi-x0yn)]/(xn-x0)进行求取,,其中,xi为第i个插值点处基本质量控制后的气温观测数据,yi为第i个插值点处气温观测数据的实际值。
步骤3:在仿射变换区间内,选取除插值点以外的任意一点,对比这个点的历史值与分形插值获得的值(由于插值点刚好经过分形插值曲线,所以在插值点处没有误差)。将所有仿射变换区间上的分形插值生成值与历史数据的均方根误差作为评判粒子di优劣的标准,其中f(xi)为分形插值函数生成值。将分形插值函数的测试误差E作为粒子的初始适应度值。
步骤4:对粒子的速度和位置进行更新,同时,求取每个粒子di对应的适应度值,并依据该适应度值不断更新种群内个体极值和种群极值;如此循环,种群适应度值不断提高,当迭代次数达到最大时,结束粒子群迭代。输出最优粒子群di′。
粒子的位置和速度分别按照和进行更新,其中k为设定迭代次数,和分别为第i个粒子在第k+1次和第k次迭代第d维的速度;和分别为第i个粒子在第k+1次和第k次迭代第d维中的位置c1、c2为粒子的学习因子,主要控制粒子的认知和信息共享能力,通常情况下c1=c2=2;r1、r2为区间[0,1]之间的随机数。
步骤5:利用最优垂直尺度因子di′求得分形迭代函数中剩余参数;并利用确定性分形迭代算法求得气温时间序列的分形插值曲线,即得到了气温时间序列估计值Yest(t)。
步骤6:对比植入随机误差的观测值Yobs(t)与步骤五中得到的气温时间序列估计值Yest(t),若其差值满足|Yest-Yobs|≤f·σ则认为数据正确;若不满足,则将其标记为疑误数据(σ为被检站气温序列标准误差;f为质量控制参数)。
以下将对漠河站(站号:50136)、狮泉河站(站号:55228)、阿尔山站(站号:50727)、青河站(站号:51186)2008年地面气温观测资料的日均温资料进行实施例分析,进一步说明本发明:
1.以漠河站为例,选取其2008年夏季92个具有自相似特征的日均温数据作为数据样本,经过基本的质量控制后为xt(t=1,2,…,N),其中N=92,选取波峰、波谷处n=15个插值点作为初始插值点(xi,yi)(i=1,2,…,n);
2.利用粒子群智能优化算法对IFS迭代函数系统中垂直比例因子进行寻优,得到最优比例尺度因子di(i=1,2,…,n)。
3.利用最优垂直尺度因子di求得分形迭代函数中剩余参数;并利用确定性分形迭代算法求得气温时间序列的分形插值曲线,即得到了气温时间序列估计值Yest(t)。
4.在上述基础上,利用平均绝对误差(MAE)、均方根误差(RMSE)和纳什系数(NSC)三项指标对PSO-FI模型的质量控制效果进行评估,如图2至图10所示。
5.对比植入随机误差的观测值Yobs(t)与步骤五中得到的气温时间序列估计值Yest(t),若其差值满足|Yest-Yobs|≤f·σ则认为数据正确;若不满足,则数据有误,使用估计值对其进行修正完成质量控制。
6.为了分析本方法的检错效果,选择最佳质控参数f下各站的检错率与传统的单站质量控制方法CSSQCM进行对比,如图11所示。
综上所述,可以得到这样的结论:本发明方法具有实际可行性,其预测效果及检错效果均优于传统方法,可以提高自动气象站气温观测资料的质量。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内,因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (6)
1.一种基于PSO-FI的地面自动气象站气温观测资料质量控制方法,其特征在于,包括以下步骤:
步骤1:选取目标气象站的气温观测数据,并对其进行基本质量控制,其中所述基本质量控制包括界限值检查、气候极值检查、内部一致性检查、时变性检查;
步骤2:利用粒子群优化算法对分形插值算法中垂直比例因子进行寻优后,利用分形插值算法对基本质量控制后的气温观测数据xt进行插值,得到分形插值曲线,即得到xt的估计值Yest(t),其中,t=1,2,…,N,N为气温观测数据的数量;
步骤3:对比植入随机误差的气温观测值Yobs(t)与Yest(t),若|Yest-Yobs|≤f·σ则认为对应观测数据正确,否则将对应观测数据标记为疑误数据并使用相应估计值进行修正,完成质量控制;其中,σ为目标气象站的气温观测数据的标准误差,f为预设质量控制参数。
2.根据如权利要求1所述的一种基于PSO-FI的地面自动气象站气温观测资料质量控制方法,其特征在于,步骤2具体为:
2.1:确定初始插值点以及插值点数,随机初始化分形迭代函数系统中的垂直比例因子;
2.2:随机初始化粒子群di,i=1,2,…,n,n为插值点数;
2.3:利用di求取分形迭代函数系统中的参数ai、ci、ei、fi,进一步利用分形迭代算法求取目标曲线的吸引子,得到分形插值函数f(xi);
2.4:将分形插值函数f(xi)的测试误差作为粒子的初始适应度值,其中测试误差为分形插值生成值与历史值的均方根误差;
2.5:按照设定迭代次数,对粒子群进行迭代更新,输出最优粒子群di′,di′即为最优垂直比例因子;
2.6:利用di′求得分形迭代函数系统中剩余参数,并利用确定性分形迭代算法求得分形插值曲线,即得到Yest(t)。
3.根据如权利要求2所述的一种基于PSO-FI的地面自动气象站气温观测资料质量控制方法,其特征在于,所述插值点选取在气温观测数据的波峰和波谷处。
4.根据如权利要求2所述的一种基于PSO-FI的地面自动气象站气温观测资料质量控制方法,其特征在于,步骤2.3中:ai=(xi-xi-1)/(xn-x0),ei=(xnxi-1-x0xi)/(xn-x0),ci=[yi-yi-1-di(yn-y0)]/(xn-x0),fi=[xnyi-x0yi-1-di(xnyi-x0yn)]/(xn-x0),其中,xi为第i个插值点处基本质量控制后的气温观测数据,yi为第i个插值点处气温观测数据的实际值。
6.根据如权利要求5所述的一种基于PSO-FI的地面自动气象站气温观测资料质量控制方法,其特征在于,c1=c2=2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910991823.8A CN110765420A (zh) | 2019-10-18 | 2019-10-18 | 一种基于pso-fi的地面自动气象站气温观测资料质量控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910991823.8A CN110765420A (zh) | 2019-10-18 | 2019-10-18 | 一种基于pso-fi的地面自动气象站气温观测资料质量控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110765420A true CN110765420A (zh) | 2020-02-07 |
Family
ID=69332458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910991823.8A Pending CN110765420A (zh) | 2019-10-18 | 2019-10-18 | 一种基于pso-fi的地面自动气象站气温观测资料质量控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110765420A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344805A (zh) * | 2021-05-18 | 2021-09-03 | 南京信息工程大学 | 基于eof的自动气象站观测资料修复方法 |
CN115587502A (zh) * | 2022-11-23 | 2023-01-10 | 河北省气象技术装备中心 | 基于改进三次样条插值的探空资料插补方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008058109A (ja) * | 2006-08-30 | 2008-03-13 | Central Res Inst Of Electric Power Ind | 観測データ推定方法及び観測データ推定プログラム |
CN106503459A (zh) * | 2016-10-26 | 2017-03-15 | 南京信息工程大学 | 一种改进随机森林气温数据质量控制方法 |
CN108009988A (zh) * | 2017-12-04 | 2018-05-08 | 淮阴师范学院 | 一种优化粒子群的图像分形插值方法 |
-
2019
- 2019-10-18 CN CN201910991823.8A patent/CN110765420A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008058109A (ja) * | 2006-08-30 | 2008-03-13 | Central Res Inst Of Electric Power Ind | 観測データ推定方法及び観測データ推定プログラム |
CN106503459A (zh) * | 2016-10-26 | 2017-03-15 | 南京信息工程大学 | 一种改进随机森林气温数据质量控制方法 |
CN108009988A (zh) * | 2017-12-04 | 2018-05-08 | 淮阴师范学院 | 一种优化粒子群的图像分形插值方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344805A (zh) * | 2021-05-18 | 2021-09-03 | 南京信息工程大学 | 基于eof的自动气象站观测资料修复方法 |
CN113344805B (zh) * | 2021-05-18 | 2023-06-13 | 南京信息工程大学 | 基于eof的自动气象站观测资料修复方法 |
CN115587502A (zh) * | 2022-11-23 | 2023-01-10 | 河北省气象技术装备中心 | 基于改进三次样条插值的探空资料插补方法 |
CN115587502B (zh) * | 2022-11-23 | 2023-05-05 | 河北省气象技术装备中心 | 基于改进三次样条插值的探空资料插补方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109272146B (zh) | 一种基于深度学习模型和bp神经网络校正的洪水预测方法 | |
CN112288164B (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
CN110084367B (zh) | 一种基于lstm深度学习模型的土壤墒情预测方法 | |
CN109299812B (zh) | 一种基于深度学习模型和knn实时校正的洪水预测方法 | |
CN105574615B (zh) | 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法 | |
CN111833202B (zh) | 考虑作物系数动态变化与降雨的农田蒸散量短期预测方法 | |
CN111783987A (zh) | 基于改进bp神经网络的农田参考作物蒸散量预测方法 | |
CN108428017A (zh) | 基于核极限学习机分位数回归的风电功率区间预测方法 | |
CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 | |
CN113657662B (zh) | 一种基于数据融合的降尺度风电功率预测方法 | |
CN110263998B (zh) | 多源数值天气预报集合双层修正方法 | |
CN112669168B (zh) | 一种风电功率短期预测方法 | |
CN115994629B (zh) | 一种基于gn-rbf的空气湿度预测方法及系统 | |
CN110765420A (zh) | 一种基于pso-fi的地面自动气象站气温观测资料质量控制方法 | |
CN109242200B (zh) | 一种贝叶斯网络预测模型的风电功率区间预测方法 | |
CN115952924B (zh) | 一种基于优化vmd与特征热力图的短期风电功率预测方法 | |
CN114021830A (zh) | 一种基于cnn-lstm的多时间范围风速预测方法 | |
CN114897204A (zh) | 一种海上风电场短期风速预测方法和装置 | |
CN113379142A (zh) | 一种基于风速修正和融合模型的短期风电功率预测方法 | |
CN116826737A (zh) | 一种光伏功率的预测方法、装置、存储介质及设备 | |
CN111488974A (zh) | 基于深度学习神经网络的海洋风能降尺度方法 | |
CN114357737A (zh) | 针对大尺度水文模型时变参数的代理优化率定方法 | |
WO2022032873A1 (zh) | 一种基于对抗神经网络的无资料地区水文参数率定方法 | |
CN113095547A (zh) | 一种基于gra-lstm-ice模型的短期风功率预测方法 | |
CN107590346B (zh) | 基于空间多重相关解集算法的降尺度校正模型 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200207 |