CN111323847A - 用于为模拟集成算法确定权重比的方法和设备 - Google Patents

用于为模拟集成算法确定权重比的方法和设备 Download PDF

Info

Publication number
CN111323847A
CN111323847A CN201811526622.2A CN201811526622A CN111323847A CN 111323847 A CN111323847 A CN 111323847A CN 201811526622 A CN201811526622 A CN 201811526622A CN 111323847 A CN111323847 A CN 111323847A
Authority
CN
China
Prior art keywords
weight ratios
forecast data
time
real
historical
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.)
Granted
Application number
CN201811526622.2A
Other languages
English (en)
Other versions
CN111323847B (zh
Inventor
丁明月
唐勇
赵剑飚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huadian Xinjiang Power Co ltd New Energy Branch
Beijing Goldwind Smart Energy Service Co Ltd
Original Assignee
Huadian Xinjiang Power Co ltd New Energy Branch
Beijing Goldwind Smart Energy Service Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huadian Xinjiang Power Co ltd New Energy Branch, Beijing Goldwind Smart Energy Service Co Ltd filed Critical Huadian Xinjiang Power Co ltd New Energy Branch
Priority to CN201811526622.2A priority Critical patent/CN111323847B/zh
Publication of CN111323847A publication Critical patent/CN111323847A/zh
Application granted granted Critical
Publication of CN111323847B publication Critical patent/CN111323847B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Environmental & Geological Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Environmental Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Ecology (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

提供了一种用于为模拟集成算法确定权重比的方法和设备。所述方法包括：设置多组候选权重比；利用每组候选权重比确定与实时预报数据对应的修正的实时预报数据；从所述多组候选权重比中选择误差最小的一组候选权重比，误差为所述修正的实时预报数据和实时观测数据之间的误差，所述修正的实时预报数据为，与实时预报数据的相似度在预定范围内的历史预报数据所对应的历史观测数据的平均值；实时预报数据和历史预报数据对应于多种相同气象要素；实时观测数据、历史观测数据以及修正的实时预报数据对应于相同的一种气象要素；每组候选权重比中包括的权重比的数量为所述多种气象要素的种类数。使用本公开的权重比的模拟集成算法的准确性高、适应性强。

Description

用于为模拟集成算法确定权重比的方法和设备
技术领域
本公开总体说来涉及气象要素预报领域，更具体地讲，涉及一种用于为模拟集成(英文名称为Analog Ensemble)算法确定权重比的方法和设备。
背景技术
在进行风力发电、光伏发电等的输出功率预测时，可将通过诸如数值天气预报等的预测、预报、预估、估计等方法或算法获得的关于风速、风向等气象要素的数据(又可被称作预报数据、估计数据、模拟数据等)，然后将这些数据作为输入量，通过预测方法将输入量转换为风力发电系统、光伏发电系统等的预测输出功率。因此，准确的气象要素的预报数据，可为电力调度提供重要的数据，是新能源发电功率预测精度的主要参考数据。
对于包括模拟集成算法等现有的用于气象要素预报的手段，参数的选择是重要的。当使用模拟集成算法时，诸如权重比的参数是固定参数。但是使用固定参数的模拟集成算法对于站点的适应性差且准确性低。例如，不同站点的气候变化规律不同，使用固定参数的模拟集成算法不能准确预报不同站点的气象要素。
发明内容
本公开的示例性实施例提供一种用于为模拟集成算法确定权重比的方法和设备，以解决现有技术存在的使用固定权重比的模拟集成算法对于站点的适应性差且准确性低的问题。
根据本公开的示例性实施例，提供了一种用于为模拟集成算法确定权重比的方法。所述方法包括：设置多组候选权重比；利用每组候选权重比确定与实时预报数据对应的修正的实时预报数据；从所述多组候选权重比中选择误差最小的一组候选权重比，其中，所述误差为所述修正的实时预报数据和实时观测数据之间的误差，所述修正的实时预报数据为，与实时预报数据的相似度在预定相似度范围内的历史预报数据所对应的历史观测数据的平均值；所述实时预报数据和所述历史预报数据对应于多种相同的气象要素；所述实时观测数据、所述历史观测数据以及所述修正的实时预报数据对应于相同的一种气象要素；每组候选权重比中包括的权重比的数量为所述多种气象要素的种类数。
可选地，设置多组候选权重比的步骤包括：初始化包括多个权重比的一组权重比和预定步长，其中，所述初始化的一组权重比中包括的权重比的数量为所述多种气象要素的种类数；将所述初始化的一组权重比中的各个权重比依次增加所述预定步长；每当一个权重比被增加所述预定步长时，设置该组权重比中的除了增加过所述预定步长的权重比之外的其他权重比，使得该组权重比中的所有权重比之和为1，当该组权重比中的所有权重比之和为1时，将所述一组权重比作为一组候选权重比；对于所有权重比均增加了所述预定步长的一组权重比中的各个权重，重复执行所述依次增加所述预定步长的操作，以及所述设置权重比的步骤，直到任意一个权重比被增加所述预定步长之后，所述任意一个权重比所属的一组权重比中的所有权重比之和大于1为止。
可选地，所述利用每组候选权重比确定与实时预报数据对应的修正的实时预报数据的步骤包括：基于所述每组候选权重中的各个权重比，从所述多种气象要素的历史预报数据中查找与所述实时预报数据的相似度在所述预定相似度范围内的至少一段历史预报数据；查找与所述至少一段历史预报数据中的每段历史预报数据对应的一段历史观测数据；将查找出的各段历史观测数据的平均值作为与所述实时预报数据对应的修正的实时预报数据。
可选地，所述基于所述每组候选权重中的各个权重比从所述多种气象要素的历史预报数据中查找与所述实时预报数据的相似度在所述预定相似度范围内的至少一段历史预报数据的步骤包括：根据如下公式计算相似度：
Figure BDA0001904613060000021
按照相似度从大到小的顺序对计算出的相似度进行排序；根据所述预定相似度范围确定与排序在前的至少一个相似度中的每个相似度对应的一段历史预报数据，其中，Ft表示t时刻的实时预报数据，At′表示与t时刻对应的t′时刻的历史预报数据，Nv表示气象要素的种类数，wi表示与第i种气象要素对应的权重比，对应于一组候选权重比中的一个权重比，σfi表示与第i种气象要素对应的历史预报数据的标准差，
Figure BDA0001904613060000031
表示
Figure BDA0001904613060000032
范围内的j的数量，Fi,t+j表示第i种气象要素在t+j时刻的实时预报数据，Ai,t′+j表示第i种气象要素在t′+j时刻的历史预报数据。
可选地，所述误差为均方根误差，所述平均值为算数平均值。
可选地，所述实时预报数据、所述修正的实时预报数据、所述实时观测数据、所述历史预报数据和所述历史观测数据具有相同的时间分辨率，所述多种气象要素包括以下项中的至少一项：风速、风向、气压、温度、以及辐照度。
根据本公开的另一示例性实施例，提供了一种用于为模拟集成算法确定权重比的设备。所述设备包括：权重比设置单元，用于设置多组候选权重比；修正数据确定单元，用于利用每组候选权重比确定与实时预报数据对应的修正的实时预报数据；权重比选择单元，从所述多组候选权重比中选择使误差最小的一组候选权重比，其中，所述误差为所述修正的实时预报数据和实时观测数据之间的误差，所述修正的实时预报数据为，与实时预报数据的相似度在预定相似度范围内的历史预报数据所对应的历史观测数据的平均值；所述实时预报数据和所述历史预报数据对应于多种相同的气象要素；所述实时观测数据、所述历史预报数据、所述历史观测数据以及所述修正的实时预报数据对应于相同的一种气象要素；每组候选权重比中包括的权重比的数量为所述多种气象要素的种类数。
可选地，所述权重比设置单元初始化包括多个权重比的一组权重比和预定步长，其中，所述初始化的一组权重比中包括的权重比的数量为所述多种气象要素的种类数；将所述初始化的一组权重比中的各个权重比依次增加所述预定步长；每当一个权重比被增加所述预定步长时，设置该组权重比中的除了增加过所述预定步长的权重比之外的其他权重比，使得该组权重比中的所有权重比之和为1，当该组权重比中的所有权重比之和为1时，将该组权重比作为一组候选权重比；对于所有权重比均增加了所述预定步长的一组权重比中的各个权重，重复执行所述依次增加所述预定步长的操作，以及所述设置权重比的操作，直到任意一个权重比被增加所述预定步长之后，所述任意一个权重比所属的一组权重比中的所有权重比之和大于1为止。
可选地，所述修正数据确定单元基于所述每组候选权重中的各个权重比，从所述多种气象要素的历史预报数据中查找与所述实时预报数据的相似度在所述预定相似度范围内的至少一段历史预报数据；查找与所述至少一段历史预报数据中的每段历史预报数据对应的一段历史观测数据；将查找出的各段历史观测数据的平均值作为与所述实时预报数据对应的修正的实时预报数据。
可选地，所述修正数据确定单元根据如下公式计算相似度：
Figure BDA0001904613060000041
所述修正数据确定单元还按照相似度从大到小的顺序对计算出的相似度进行排序，并且根据所述预定相似度范围确定与排序在前的至少一个相似度中的每个相似度对应的一段历史预报数据，其中，Ft表示t时刻的实时预报数据，At′表示与t时刻对应的t′时刻的历史预报数据，Nv表示气象要素的种类数，wi表示与第i种气象要素对应的权重比，对应于一组候选权重比中的一个权重比，σfi表示与第i种气象要素对应的历史预报数据的标准差，
Figure BDA0001904613060000042
表示
Figure BDA0001904613060000043
范围内的j的数量，Fi,t+j表示第i种气象要素在t+j时刻的实时预报数据，Ai,t′+j表示第i种气象要素在t′+j时刻的历史预报数据。
可选地，所述误差为均方根误差，所述平均值为算数平均值。
可选地，所述实时预报数据、所述修正的实时预报数据、所述实时观测数据、所述历史预报数据和所述历史观测数据具有相同的时间分辨率，所述多种气象要素包括以下项中的至少一项：风速、风向、气压、温度、以及辐照度。
根据本公开的另一示例性实施例，提供了一种存储有计算机程序的计算机可读存储介质，其中，当所述计算机程序被处理器执行时实现上述方法。
根据本公开的另一示例性实施例，提供了一种电子设备。所述电子设备包括：处理器；存储器，存储有计算机程序，当所述计算机程序被处理器执行时，实现上述方法。
根据本公开，可从所述多组候选权重比中选择使与实时预报数据对应的实时观测数据和修正的实时预报数据之间的误差最小的一组候选权重比，使得选择的权重比能够使实时观测数据和修正的实时预报数据之间的误差最小，当使所述误差最小的权重比被应用于模拟集成算法时，可使模拟集成算法预报的气象要素更准确。另外，由于可利用针对同一站点(例如，风电场)的数据来确定权重比，因此确定的权重比更适合于针对所述同一站点进行气象要素的预报。换言之，确定权重比所根据的数据所来自的站点具有特定的地形、气候等特点，基于这样的数据自动寻找出的权重比，适合于这个站点的风速、风向、气压、温度、辐照度等气象要素的预报，因此，本公开还具有对于站点的适应性强的优点。
将在接下来的描述中部分阐述本公开总体构思另外的方面和/或优点，还有一部分通过描述将是清楚的，或者可以经过本公开总体构思的实施而得知。
附图说明
通过下面结合示例性地示出实施例的附图进行的描述，本公开示例性实施例的上述和其他目的和特点将会变得更加清楚，其中：
图1示出根据本公开的示例性实施例的用于为模拟集成算法确定权重比的方法的流程图；
图2示出根据本公开的示例性实施例的设置多组候选权重比的操作的流程图；
图3示出根据本公开的示例性实施例的选择权重比的操作的示意图；
图4示出根据本公开的示例性实施例的用于为模拟集成算法确定权重比的设备的框图。
具体实施方式
现将详细参照本公开的实施例，所述实施例的示例在附图中示出，其中，相同的标号始终指的是相同的部件。以下将通过参照附图来说明所述实施例，以便解释本公开。
图1示出根据本公开的示例性实施例的用于为模拟集成算法确定权重比的方法的流程图。如图1中所示，根据本公开的示例性实施例的方法可包括步骤S110至步骤S130。
在步骤S110，设置多组候选权重比，其中，每组候选权重比中包括的权重比的数量为气象要素的种类数。
作为示例，气象要素可包括以下项中的至少一项：风速、风向、气压、温度、以及辐照度(每一项为一种气象要素)。例如，可仅针对一种气象要素(例如，风速、风向、气压、温度、或者辐照度)确定权重比。当气象要素的种类数大于1时，每种气象要素对应一个权重比，并且一组候选权重比中的各个权重比之和为1。
作为示例，可使用各种方法设置一组使得包括的各个权重比之和为1的候选权重比。
作为示例，设置多组候选权重比的步骤包括：初始化包括多个权重比的一组权重比和预定步长，其中，所述初始化的一组权重比中包括的权重比的数量为气象要素的种类数；将所述初始化的一组权重比中的各个权重比依次增加所述预定步长；每当一个权重比被增加所述预定步长时，设置该组权重比中的除了增加过所述预定步长的权重比之外的其他权重比，使得该组权重比中的所有权重比之和为1，当该组权重比中的所有权重比之和为1时，将该组权重比作为一组候选权重比；对于所有权重比均增加了所述预定步长的一组权重比中的各个权重，重复执行所述依次增加所述预定步长的操作，以及所述设置权重比的步骤，直到任意一个权重比被增加所述预定步长之后，所述任意一个权重比所属的一组权重比中的所有权重比之和大于1为止。
图2示出根据本公开的示例性实施例的设置多组候选权重比的操作的流程图。
每个权重比方案中的变量(权重比)Var的数量为n，为气象要素的种类数。步长为0.1，当然，这仅仅是为了描述示例性实施例而设置的步长，不用于限制本公开。假设产生的权重比方案的数量为m，即：产生了m组候选权重比。初始的各个变量的值为0，对每个变量遍历，顺次加0.1，并且使最后一个变量的值为
Figure BDA0001904613060000061
即：保证所有变量的和为1。一组变量中的所有变量都增加0.1后继续为该组中的各个变量逐个增加0.1，任何一个变量增加0.1之后，可判断各个变量之和是否为1，当不为1时，可调整各个变量以使各个变量之和为1，当通过调整使得各个变量之和为1时，将调整后的各个变量作为一种权重比方案。当产生了m个权重比方案时，可得出权重比方案列表P:{P1,P2，……Pm}。
在步骤A1至步骤An-1，判断不等式是否成立，如果成立，则返回前一步骤或结束操作，如果不成立，则执行下一步骤。在步骤An，设置Varn，使得各个变量之和为1，当各个变量之和被设置为1时，输出Var1至Varn。
在步骤B1至步骤Bn-1，依次为Var1至Varn-1中的各个变量增加0.1，每当一个变量被增加0.1时，返回A1至步骤An-1中的对应的步骤，例如，A1对应B1，A2对应B2，以此类推，An-1对应Bn-1。当操作进行到步骤A1，且Var1>1时，操作结束。
继续参照图1，在步骤S120，利用每组候选权重比确定与实时预报数据对应的修正的实时预报数据。
作为示例，可通过数值气象预报获取实时预报数据。数值天气预报是指根据大气实际情况，在一定的初值和边值条件下，通过大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学的方程组，预测未来一定时段的大气运动状态和天气现象的方法，即：将当前天气状况作为输入数据以进行天气预报的手段。
作为示例，修正的实时预报数据是：与实时预报数据的相似度在预定相似度范围内的历史预报数据所对应的历史观测数据的平均值。
作为示例，步骤S120可包括：基于所述每组候选权重中的各个权重比，从多种气象要素的历史预报数据中查找与所述实时预报数据的相似度在预定相似度范围内的至少一段历史预报数据；查找与所述至少一段历史预报数据中的每段历史预报数据对应的一段历史观测数据；将查找出的各段历史观测数据的平均值作为与所述实时预报数据对应的修正的实时预报数据。
这里，一段数据可理解为一段连续的时间内的数据，例如，一段连续的时间可以是一天中的从0点到24点的这段时间，也可以是长度为一个小时的连续时间(例如，从0点到1点)，可获取一天的实时预报数据，以查找这一天的实时预报数据的相似物，在这一天之前，可以存在若干天的历史预报数据，其中，每天的历史预报数据与这一天的实时预报数据之间的相似度在所述预定相似度范围内。当一段历史预报数据是连续的一个小时内的数据时，一段或多段一小时内的历史预报数据可以与实时预报数据相似(即：相似度在所述预定相似度范围内)。
作为示例，平均值可以是算数平均值、几何平均值等。
作为示例，在本公开的示例性实施例中使用的实时预报数据和所述历史预报数据对应于多种相同的气象要素，实时观测数据、历史观测数据以及修正的实时预报数据对应于相同的一种气象要素(即：相同种类的气象要素)，具有相同的时间分辨率。另外，这些数据可对应于同样长度的时段(也被称作时间段)且对应于同一站点，例如，长度为1小时或24小时的时段。
作为示例，可通过如下步骤一至步骤三来获取数据，获取的数据对应于同样的气象要素和同样的站点：
在步骤一，获取历史预报数据。可获取时间分辨率为15分钟的N天的历史预报数据，记为Fh。
在步骤二，获取历史观测数据。可获取时间分辨率为15分钟的N天的历史观测数据，记为Oh。
在步骤三，通过数值天气预报获取气象要素的实时预报数据。可在上午7点获取昨日20:00起报的时间分辨率为15分钟的数值天气预报，作为实时预报数据，记为Ff。
作为示例，对于同一站点，可在历史预报数据中寻找与实时预报数据最相似的相似物(或与实时预报数据的相似度在预定范围内的多个相似物)，并获得与相似物在时段上对应的历史预报数据，例如，历史预报数据和实时预报数据均对应于同样长度的时段(例如，24小时)。多个相似物对应多段历史预报数据，例如，每段历史预报数据对应24小时。
作为示例，可根据如下公式计算相似度：
Figure BDA0001904613060000081
其中，Ft表示t时刻的实时预报数据，At′表示与t时刻对应的t′时刻的历史预报数据，Nv表示气象要素的种类数，wi表示与第i种气象要素对应的权重比，对应于一组候选权重比中的一个权重比，σfi表示与第i种气象要素对应的历史预报数据的标准差，
Figure BDA0001904613060000082
表示
Figure BDA0001904613060000083
范围内的j的数量，Fi,t+j表示第i种气象要素在t+j时刻的实时预报数据，Ai,t′+j表示第i种气象要素在t′+j时刻的历史预报数据。
作为示例，可通过如下公式计算相似度：
Figure BDA0001904613060000084
其中，
Figure BDA0001904613060000085
用于限定时间窗的大小，
Figure BDA0001904613060000086
可以是3。
作为示例，可根据相似度的大小选择至少一段历史预报数据。例如，按照相似度从大到小的顺序对计算出的相似度进行排序；根据所述预定相似度范围确定与排序在前的至少一个相似度中的每个相似度对应的一段历史预报数据。
继续参照图1，在步骤S130，从所述多组候选权重比中选择误差最小的一组候选权重比，其中，所述误差为修正的实时预报数据和实时观测数据之间的误差。作为示例，所述误差为均方根误差。
图3示出根据本公开的示例性实施例的选择权重比的操作的示意图。图3中所示操作可包括步骤S310至步骤S330，其中，每种权重比方案对应一组候选权重比。
在步骤S310，遍历各个权重比方案，针对每个权重比方案，计算相似度(例如，根据以上公式计算相似度)，即：历史预报数据Fh与实时预报数据Ff之间的相似度；可对相似度进行排序(例如，从大到小排序)，获取与前n个相似度对应的n段历史预报数据Anenf1至Anenfn；
在步骤S320，在历史观测数据中找到与Anenf1至Anenfn分别对应的n段观测数据，记为Aneno1至Anenon；并且计算这n段观测数据的平均值，具体地，将Aneno1至Anenon的和除以n，获得与每个权重比方案对应的修正的实时预报数据Fa，也被称作修正的模拟数据。当存在m个权重比方案时，可获得m个修正的实时预报数据Fa。
在步骤S310，计算m个修正的实时预报数据Fa中的每个相对于实时观测数据Or的均方根误差，得到m个均方根误差结果；并且将与最小均方根误差对应的权重比方案作为最佳方案。当上述数据来源于同一站点时，该最佳方案为该站点的最佳方案。
例如，若n为20，则表示获取了与实时预报数据Ff相似的20段历史预报数据。在这种情况下，可从历史观测数据中找出与这20段历史预报数据分别对应的20段历史观测数据，可将这20段历史观测数据的平均值作为修正的实时预报数据Fa。
又如，可针对如下6种气象要素进行预报：10米高度处的瞬时风速、10米高度处的瞬时风向、100米高度处的瞬时风速、100米高度处的瞬时风向、2米高度处的温度、以及地表气压。可预先获取600天内的历史预报数据和历史观测数据，历史预报数据和历史观测数据的时间分辨率为15分钟，每天可获取96条历史预报数据和96条历史观测数据。可针对10天的实时预报数据执行确定权重比的方法，可获取与10天的实时预报数据分别对应的10天的实时观测数据，实时预报数据和实时观测数据的时间分辨率也为15分钟，每天可存在96条实时预报数据和96条实时观测数据。在这种情况下，上述σfi为与上述6种气象要素中的第i种气象要素对应的600×96条历史预报数据的标准方差。
Figure BDA0001904613060000102
是：为了设定一个时间窗，以确保相似物(相似的历史预报数据)的变化趋势与实时预报数据的变化趋势相同，例如，
Figure BDA0001904613060000103
为3。
再例如，当从时间分辨率为15分钟的600天内的历史预报数据之中寻找时间分辨率为15分钟的10天的实时预报数据的相似物时，针对每种气象要素，寻找与10天中的每天的每条实时预报数据相似的历史预报数据。当寻找与6:00时刻(t为6:00，对应的t′也为6:00)的实时预报数据(一天中的96条实时预报数据之中的第24条数据)的相似物时，由于时间窗
Figure BDA0001904613060000104
为3，因此可针对一天中的第21条至第27条数据计算||Ft,At′||。
当计算与第96条实时预报数据的相似物时，在计算均方根误差时，仅通过
Figure BDA0001904613060000101
计算历史预报数据和实时预报数据之中与一天的第93至第96条数据对应的4对数据之间的均方根误差。
对于上述10天中每天的实时预报数据，从历史预报数据中找出最相似(相似度最高)的一天的历史预报数据，可获得10段相似物(最相似的历史预报数据)，即：Anenf1至Anenf10。
图4示出根据本公开的示例性实施例的用于为模拟集成算法确定权重比的设备的框图。如图4中所示，根据本公开的示例性实施例的设备400包括：权重比设置单元410，用于设置多组候选权重比；修正数据确定单元420，用于利用每组候选权重比确定与实时预报数据对应的修正的实时预报数据；权重比选择单元430，用于从所述多组候选权重比中选择误差最小的一组候选权重比，其中，所述误差为所述修正的实时预报数据和实时观测数据之间的误差，所述修正的实时预报数据是：与实时预报数据的相似度在预定相似度范围内的历史预报数据所对应的历史观测数据的平均值；所述实时预报数据和所述历史预报数据对应于多种相同的气象要素；所述实时观测数据、所述历史观测数据以及所述修正的实时预报数据对应于相同的一种气象要素；每组候选权重比中包括的权重比的数量为所述多种气象要素的种类数。
作为示例，所述权重比设置单元初始化包括多个权重比的一组权重比和预定步长，其中，所述初始化的一组权重比中包括的权重比的数量为所述多种气象要素的种类数；将所述初始化的一组权重比中的各个权重比依次增加所述预定步长；每当一个权重比被增加所述预定步长时，设置该组权重比中的除了增加过所述预定步长的权重比之外的其他权重比，使得该组权重比中的所有权重比之和为1，当该组权重比中的所有权重比之和为1时，将该组权重比作为一组候选权重比；对于所有权重比均增加了所述预定步长的一组权重比中的各个权重，重复执行所述依次增加所述预定步长的操作，以及所述设置权重比的操作，直到任意一个权重比被增加所述预定步长之后，所述任意一个权重比所属的一组权重比中的所有权重比之和大于1为止。
作为示例，所述修正数据确定单元基于所述每组候选权重中的各个权重比，从所述多种气象要素的历史预报数据中查找与所述实时预报数据的相似度在所述预定相似度范围内的至少一段历史预报数据；查找与所述至少一段历史预报数据中的每段历史预报数据对应的一段历史观测数据；将查找出的各段历史观测数据的平均值作为与所述实时预报数据对应的修正的实时预报数据。
作为示例，所述修正数据确定单元根据如下公式计算相似度：
Figure BDA0001904613060000111
所述修正数据确定单元还按照相似度从大到小的顺序对计算出的相似度进行排序，并且根据所述预定相似度范围确定与排序在前的至少一个相似度中的每个相似度对应的一段历史预报数据，
其中，Ft表示t时刻的实时预报数据，At′表示与t时刻对应的t′时刻(t和t′可对应于每天的同一时刻，例如，上午8点)的历史预报数据，Nv表示气象要素的种类数，wi表示与第i种气象要素对应的权重比，对应于一组候选权重比中的一个权重比，σfi表示与第i种气象要素对应的历史预报数据的标准差，
Figure BDA0001904613060000112
表示
Figure BDA0001904613060000113
范围内的j的数量，Fi,t+j表示第i种气象要素在t+j时刻的实时预报数据，Ai,t′+j表示第i种气象要素在t′+j时刻的历史预报数据。
作为示例，所述误差为均方根误差，所述平均值为算数平均值。
作为示例，所述实时预报数据、所述修正的实时预报数据、所述实时观测数据、所述历史预报数据和所述历史观测数据具有相同的时间分辨率，所述多种气象要素包括以下项中的至少一项：风速、风向、气压、温度、以及辐照度。
应该理解，根据本公开的示例性实施例的设备的具体实现方式可参照结合图1至图3描述的相关具体实现方式来实现，在此不再赘述。
另外，上述方法可用于确定如下方法中的至少一种方法的参数：MOS方法、PP方法、KF方法、集合预报方法以及相似预报方法。
根据本公开的另一示例性实施例，提供了一种存储有计算机程序的计算机可读存储介质，其中，当所述计算机程序被处理器执行时实现如上所述的方法。
根据本公开的另一示例性实施例，提供了一种电子设备，其中，所述电子设备包括：处理器；存储器，存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的方法。
计算机可读存储介质是可存储由计算机系统读出的数据的任意数据存储装置。计算机可读记录介质的示例包括：只读存储器、随机存取存储器、只读光盘、磁带、软盘、光数据存储装置和载波(诸如经有线或无线传输路径通过互联网的数据传输)。
此外，应该理解，根据本公开示例性实施例的设备的各个单元可被实现硬件组件和/或软件组件。本领域技术人员根据限定的各个单元所执行的处理，可以例如使用现场可编程门阵列(FPGA)或专用集成电路(ASIC)来实现各个单元。
此外，根据本公开示例性实施例的方法可以被实现为计算机可读存储介质中的计算机代码。本领域技术人员可以根据对上述方法的描述来实现所述计算机代码。当所述计算机代码在计算机中被执行时实现本公开的上述方法。
虽然已表示和描述了本公开的一些示例性实施例，但本领域技术人员应该理解，在不脱离由权利要求及其等同物限定其范围的本公开的原理和精神的情况下，可以对这些实施例进行修改。

Claims (14)

1.一种用于为模拟集成算法确定权重比的方法，其特征在于，所述方法包括：
设置多组候选权重比；
利用每组候选权重比确定与实时预报数据对应的修正的实时预报数据；
从所述多组候选权重比中选择误差最小的一组候选权重比，
其中，所述误差为所述修正的实时预报数据和实时观测数据之间的误差，
其中，所述修正的实时预报数据为，与实时预报数据的相似度在预定相似度范围内的历史预报数据所对应的历史观测数据的平均值；
所述实时预报数据和所述历史预报数据对应于多种相同的气象要素；
所述实时观测数据、所述历史观测数据以及所述修正的实时预报数据对应于相同的一种气象要素；
每组候选权重比中包括的权重比的数量为所述多种气象要素的种类数。
2.根据权利要求1所述的方法，其特征在于，设置多组候选权重比的步骤包括：
初始化包括多个权重比的一组权重比和预定步长，其中，所述初始化的一组权重比中包括的权重比的数量为所述多种气象要素的种类数；
将所述初始化的一组权重比中的各个权重比依次增加所述预定步长；
每当一个权重比被增加所述预定步长时，设置该组权重比中的除了增加过所述预定步长的权重比之外的其他权重比，使得该组权重比中的所有权重比之和为1，当该组权重比中的所有权重比之和为1时，将该组权重比作为一组候选权重比；
对于所有权重比均增加了所述预定步长的一组权重比中的各个权重，重复执行所述依次增加所述预定步长的操作，以及所述设置权重比的步骤，直到任意一个权重比被增加所述预定步长之后，所述任意一个权重比所属的一组权重比中的所有权重比之和大于1为止。
3.根据权利要求1所述的方法，其特征在于，所述利用每组候选权重比确定与实时预报数据对应的修正的实时预报数据的步骤包括：
基于所述每组候选权重中的各个权重比，从所述多种气象要素的历史预报数据中查找与所述实时预报数据的相似度在所述预定相似度范围内的至少一段历史预报数据；
查找与所述至少一段历史预报数据中的每段历史预报数据对应的一段历史观测数据；
将查找出的各段历史观测数据的平均值作为与所述实时预报数据对应的修正的实时预报数据。
4.根据权利要求3所述的方法，其特征在于，所述基于所述每组候选权重中的各个权重比从所述多种气象要素的历史预报数据中查找与所述实时预报数据的相似度在所述预定相似度范围内的至少一段历史预报数据的步骤包括：
根据如下公式计算相似度：
Figure FDA0001904613050000021
按照相似度从大到小的顺序对计算出的相似度进行排序；
根据所述预定相似度范围确定与排序在前的至少一个相似度中的每个相似度对应的一段历史预报数据，
其中，Ft表示t时刻的实时预报数据，At′表示与t时刻对应的t′时刻的历史预报数据，Nv表示气象要素的种类数，wi表示与第i种气象要素对应的权重比，对应于一组候选权重比中的一个权重比，σfi表示与第i种气象要素对应的历史预报数据的标准差，
Figure FDA0001904613050000022
表示
Figure FDA0001904613050000023
范围内的j的数量，Fi,t+j表示第i种气象要素在t+j时刻的实时预报数据，Ai,t′+j表示第i种气象要素在t′+j时刻的历史预报数据。
5.根据权利要求3所述的方法，其特征在于，所述误差为均方根误差，所述平均值为算数平均值。
6.根据权利要求3所述的方法，其特征在于，所述实时预报数据、所述修正的实时预报数据、所述实时观测数据、所述历史预报数据和所述历史观测数据具有相同的时间分辨率，所述多种气象要素包括以下项中的至少一项：风速、风向、气压、温度、以及辐照度。
7.一种用于为模拟集成算法确定权重比的设备，其特征在于，所述设备包括：
权重比设置单元，用于设置多组候选权重比；
修正数据确定单元，用于利用每组候选权重比确定与实时预报数据对应的修正的实时预报数据；
权重比选择单元，用于从所述多组候选权重比中选择误差最小的一组候选权重比，
其中，所述误差为所述修正的实时预报数据和实时观测数据之间的误差，
其中，所述修正的实时预报数据为，与实时预报数据的相似度在预定相似度范围内的历史预报数据所对应的历史观测数据的平均值；所述实时预报数据和所述历史预报数据对应于多种相同的气象要素；所述实时观测数据、所述历史观测数据以及所述修正的实时预报数据对应于相同的一种气象要素；每组候选权重比中包括的权重比的数量为所述多种气象要素的种类数。
8.根据权利要求7所述的设备，其特征在于，所述权重比设置单元初始化包括多个权重比的一组权重比和预定步长，其中，所述初始化的一组权重比中包括的权重比的数量为所述多种气象要素的种类数；将所述初始化的一组权重比中的各个权重比依次增加所述预定步长；每当一个权重比被增加所述预定步长时，设置该组权重比中的除了增加过所述预定步长的权重比之外的其他权重比，使得该组权重比中的所有权重比之和为1，当该组权重比中的所有权重比之和为1时，将该组权重比作为一组候选权重比；对于所有权重比均增加了所述预定步长的一组权重比中的各个权重，重复执行所述依次增加所述预定步长的操作，以及所述设置权重比的操作，直到任意一个权重比被增加所述预定步长之后，所述任意一个权重比所属的一组权重比中的所有权重比之和大于1为止。
9.根据权利要求7所述的设备，其特征在于，所述修正数据确定单元基于所述每组候选权重中的各个权重比，从所述多种气象要素的历史预报数据中查找与所述实时预报数据的相似度在所述预定相似度范围内的至少一段历史预报数据；查找与所述至少一段历史预报数据中的每段历史预报数据对应的一段历史观测数据；将查找出的各段历史观测数据的平均值作为与所述实时预报数据对应的修正的实时预报数据。
10.根据权利要求9所述的设备，其特征在于，所述修正数据确定单元根据如下公式计算相似度：
Figure FDA0001904613050000031
所述修正数据确定单元还按照相似度从大到小的顺序对计算出的相似度进行排序，并且根据所述预定相似度范围确定与排序在前的至少一个相似度中的每个相似度对应的一段历史预报数据，
其中，Ft表示t时刻的实时预报数据，At′表示与t时刻对应的t′时刻的历史预报数据，Nv表示气象要素的种类数，wi表示与第i种气象要素对应的权重比，对应于一组候选权重比中的一个权重比，σfi表示与第i种气象要素对应的历史预报数据的标准差，
Figure FDA0001904613050000041
表示
Figure FDA0001904613050000042
范围内的j的数量，Fi,t+j表示第i种气象要素在t+j时刻的实时预报数据，Ai,t′+j表示第i种气象要素在t′+j时刻的历史预报数据。
11.根据权利要求9所述的设备，其特征在于，所述误差为均方根误差，所述平均值为算数平均值。
12.根据权利要求9所述的设备，其特征在于，所述实时预报数据、所述修正的实时预报数据、所述实时观测数据、所述历史预报数据和所述历史观测数据具有相同的时间分辨率，所述多种气象要素包括以下项中的至少一项：风速、风向、气压、温度、以及辐照度。
13.一种存储有计算机程序的计算机可读存储介质，其特征在于，当所述计算机程序被处理器执行时实现如权利要求1至6之中任意一项所述的方法。
14.一种电子设备，其特征在于，所述电子设备包括：
处理器；
存储器，存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1至6之中任意一项所述的方法。
CN201811526622.2A 2018-12-13 2018-12-13 用于为模拟集成算法确定权重比的方法和设备 Active CN111323847B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811526622.2A CN111323847B (zh) 2018-12-13 2018-12-13 用于为模拟集成算法确定权重比的方法和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811526622.2A CN111323847B (zh) 2018-12-13 2018-12-13 用于为模拟集成算法确定权重比的方法和设备

Publications (2)

Publication Number Publication Date
CN111323847A true CN111323847A (zh) 2020-06-23
CN111323847B CN111323847B (zh) 2023-05-23

Family

ID=71168600

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811526622.2A Active CN111323847B (zh) 2018-12-13 2018-12-13 用于为模拟集成算法确定权重比的方法和设备

Country Status (1)

Country Link
CN (1) CN111323847B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381331A (zh) * 2020-12-02 2021-02-19 京津冀环境气象预报预警中心 一种利用基于时间权重的相似集合算法的大气预报方法
CN112651542A (zh) * 2020-09-29 2021-04-13 北京金风慧能技术有限公司 气象预报数据处理方法和气象预报数据处理装置
CN115629431A (zh) * 2022-12-22 2023-01-20 成都数之联科技股份有限公司 一种水汽含量预测方法、装置、设备及介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008102115A (ja) * 2006-09-21 2008-05-01 Toshiba Corp 気象予測システム及び気象予測方法
CN102508046A (zh) * 2011-11-11 2012-06-20 广东电网公司深圳供电局 一种户外电气设备实时雷击预警方法及装置
CN102799772A (zh) * 2012-07-03 2012-11-28 中山大学 面向空气质量预报的样本优化方法
CN106447086A (zh) * 2016-09-07 2017-02-22 中国农业大学 一种基于风电场数据预处理的风电功率组合预测方法
CN106875033A (zh) * 2016-12-26 2017-06-20 华中科技大学 一种基于动态自适应的风电集群功率预测方法
CN107145965A (zh) * 2017-04-10 2017-09-08 河海大学 一种基于相似度匹配和极限学习机的河流洪水预测方法
CN107609697A (zh) * 2017-09-06 2018-01-19 南京邮电大学 一种风力发电功率预测方法
CN108197744A (zh) * 2018-01-02 2018-06-22 华北电力大学（保定） 一种光伏发电功率的确定方法及系统
US20180259677A1 (en) * 2017-03-07 2018-09-13 International Business Machines Corporation Post-processing air quality forecasts

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008102115A (ja) * 2006-09-21 2008-05-01 Toshiba Corp 気象予測システム及び気象予測方法
CN102508046A (zh) * 2011-11-11 2012-06-20 广东电网公司深圳供电局 一种户外电气设备实时雷击预警方法及装置
CN102799772A (zh) * 2012-07-03 2012-11-28 中山大学 面向空气质量预报的样本优化方法
CN106447086A (zh) * 2016-09-07 2017-02-22 中国农业大学 一种基于风电场数据预处理的风电功率组合预测方法
CN106875033A (zh) * 2016-12-26 2017-06-20 华中科技大学 一种基于动态自适应的风电集群功率预测方法
US20180259677A1 (en) * 2017-03-07 2018-09-13 International Business Machines Corporation Post-processing air quality forecasts
CN107145965A (zh) * 2017-04-10 2017-09-08 河海大学 一种基于相似度匹配和极限学习机的河流洪水预测方法
CN107609697A (zh) * 2017-09-06 2018-01-19 南京邮电大学 一种风力发电功率预测方法
CN108197744A (zh) * 2018-01-02 2018-06-22 华北电力大学（保定） 一种光伏发电功率的确定方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
LUCA DELLE MONACHE等: "Kalman Filter and Analog Schemes to Postprocess Numerical Weather Predictions", 《MONTHLY WEATHER REVIEW》 *
吴哲红: "一种气温的数值预报权重误差订正释用方法", 《贵州气象》 *
徐晶晶;胡非;肖子牛;李军;: "风能模式预报的相似误差订正", 应用气象学报 *
陈刚等: "脂肪醇沸点的神经网络估算与预测", 《湖南大学学报》 *
陈桂英等: "权重分布法集成预报试验", 《应用气象学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112651542A (zh) * 2020-09-29 2021-04-13 北京金风慧能技术有限公司 气象预报数据处理方法和气象预报数据处理装置
CN112381331A (zh) * 2020-12-02 2021-02-19 京津冀环境气象预报预警中心 一种利用基于时间权重的相似集合算法的大气预报方法
CN115629431A (zh) * 2022-12-22 2023-01-20 成都数之联科技股份有限公司 一种水汽含量预测方法、装置、设备及介质

Also Published As

Publication number Publication date
CN111323847B (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
CN109543295B (zh) 数值天气预报的气象要素数据处理方法及装置
CN108074015B (zh) 一种风电功率超短期预测方法及系统
CN109492709B (zh) 基于混合模型的数据预测方法及装置
CN111323847B (zh) 用于为模拟集成算法确定权重比的方法和设备
CN109558968B (zh) 风电场出力相关性分析方法及装置
CN111046018A (zh) 基于多目标优化的发电设备运行工况库构建方法和装置
CN109523077B (zh) 一种风电功率预测方法
CN108256693B (zh) 一种光伏发电功率预测方法、装置及系统
CN112580844A (zh) 气象数据处理方法、装置、设备及计算机可读存储介质
CN112859202A (zh) 一种气温预报的方法和设备
CN110110339B (zh) 一种日前水文预报误差校正方法及系统
CN114676923A (zh) 发电功率的预测方法、装置、计算机设备和存储介质
CN115908051A (zh) 一种电力系统储能容量确定方法
CN107045659A (zh) 预测光伏发电功率的方法及装置
CN106971032A (zh) 基于非参数核密度估计与数值天气预报的风速预测方法
CN112036737A (zh) 区域电量偏差的计算方法及装置
CN112612781A (zh) 数据修正方法、装置、设备及介质
CN112036634B (zh) 光伏发电功率的确定方法、预测系统及可读存储介质
CN109816165A (zh) 风电超短期功率预测方法及系统
JP2016099738A (ja) 予測システム、予測方法、および予測プログラム
CN115391745B (zh) 一种基于概率匹配平均法的降水预报订正方法及系统
JP7342369B2 (ja) 予測システム、予測方法
CN111612648A (zh) 光伏发电预测模型的训练方法、装置和计算机设备
CN109816149B (zh) 一种风电场随机出力场景生成方法及装置
CN111310121A (zh) 一种新能源出力概率预测方法和系统

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