CN112132365A - 一种基于多尺度特征的预报风速订正方法和系统 - Google Patents

一种基于多尺度特征的预报风速订正方法和系统 Download PDF

Info

Publication number
CN112132365A
CN112132365A CN202011326412.6A CN202011326412A CN112132365A CN 112132365 A CN112132365 A CN 112132365A CN 202011326412 A CN202011326412 A CN 202011326412A CN 112132365 A CN112132365 A CN 112132365A
Authority
CN
China
Prior art keywords
wind speed
scale
weather
forecast
correcting
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
CN202011326412.6A
Other languages
English (en)
Other versions
CN112132365B (zh
Inventor
靳双龙
冯双磊
王勃
刘晓琳
胡菊
马振强
宋宗朋
滑申冰
王铮
车建峰
张菲
王钊
裴岩
汪步维
赵艳青
姜文玲
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.)
China Electric Power Research Institute Co Ltd CEPRI
Original Assignee
China Electric Power Research Institute Co Ltd CEPRI
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 China Electric Power Research Institute Co Ltd CEPRI filed Critical China Electric Power Research Institute Co Ltd CEPRI
Priority to CN202011326412.6A priority Critical patent/CN112132365B/zh
Publication of CN112132365A publication Critical patent/CN112132365A/zh
Application granted granted Critical
Publication of CN112132365B publication Critical patent/CN112132365B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/11Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Mathematics (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于多尺度特征的预报风速订正方法和系统,包括:基于风速变化的物理过程将预报风速序列分解为多尺度特征;从历史观测资料中选取与所述预报风速序列相似的观测数据;基于相似的观测数据分别对所述预报风速序列中各尺度特征进行订正,然后合成得到订正后的预报风速。本发明提供的技术方案提取多尺度特征,突破目标统计订正中无物理机理、订正效果有限的瓶颈,消除了天气尺度误差,进一步提高风速预报的准确率。

Description

一种基于多尺度特征的预报风速订正方法和系统
技术领域
本发明涉及风速预报领域,具体涉及一种基于多尺度特征的预报风速订正方法和系统。
背景技术
精准的预报风速不仅是支撑新能源发电功率预测的重要数据,更是避免风偏、舞动等电网故障,保障大电网安全稳定运行的基础数据。目前,受数值预报准确率的限制,不能完全满足电网运行业务需求,尤其是在极端天气事件背景下,天气尺度及次天气尺度扰动更为剧烈,风速预报偏差更大。
基于数值模式开展风速预报及应用,存在不可避免的系统误差和随机误差。在提升数值模式精细化的基础上,通常采用模式输出统计、卡尔曼滤波以及变分修正等模式后处理订正技术,提升风速预报的准确度。然而,上述方法仅从统计学角度出发,而没有考虑风速变化的物理机理及其多尺度特征。
基于数值天气预报模式,开展近地面层风速的时间序列预报,是风电场发电功率预测的基础。然而,由于数值模式物理过程方案、垂直分辨率以及对复杂地形的过渡平滑等原因,导致近地层的风速预报具有较大误差。对数值模式预报的风速序列采用各种统计或动力订正校准,是提高预报准确率的有效手段。
常见的预报误差校准方法有模式输出统计(MOS)方法、人工神经网络、支持向量机、非线性回归、最小偏二乘估计、Kalman滤波等。最具代表性的是MOS方法和Kalman滤波。MOS方法需要积累数年的数据作为训练样本,可以订正局地效应和季节变化,但对短期变化的天气过程校准效果不好。Kalman滤波是一种动态系统的自适应回归最优化顺序估计过程,与MOS方法相比,其优势在于仅需要较少的训练样本和很短的训练期,能够快速适应天气过程、季节变化以及模式的升级,较好的订正模式的偏差。但由于Kalman滤波的顺序性,不能预测由剧烈天气过程转变引起的预报误差的快速变化,而边界层风场随时间的变化尤其剧烈,更不能预测极端的误差事件。总体而言,现有方法在边界层风场高时空分辨率精细预报校准中的表现均不理想。
模式输出统计(MOS)方法的是从数值预报模式的结果中选取预报因子向量xt,求出预报量yt的同时或近似得到预报关系式 ,在实际应用时,就把数值预报输出的结果代入相应的预报关系中。MOS建立在多元线性回归技术基础上,研究预报量Y与多个因子之间的定量统计关系:
Figure 409176DEST_PATH_IMAGE001
式中,Y为预报对象,B为回归系数,X为预报因子,E为预报误差。
MOS方法需要积累长达数年的数值天气预报模式数据,作为训练样本,并且需要采用统计检验的方法,确认预报对象与预报因子之间有显著的回归关系,要使用求解求逆紧凑算法,对因子逐步剔除和引进,需要很长的训练订正时间,虽可以订正局地效应和季节变化,但由于没有物理过程及发展机理的支撑,对短期变化的天气过程校准效果不好。
发明内容
一种基于多尺度特征的预报风速订正方法,包括:
基于风速变化的物理过程将预报风速序列分解为多尺度特征;
从历史观测资料中选取与所述预报风速序列相似的观测数据;
基于相似的观测数据分别对所述预报风速序列中各尺度特征进行订正,然后合成得到订正后的预报风速。
优选的,所述多尺度特征包括:气候尺度特征、天气尺度特征和次天气尺度特征。
优选的,所述基于风速变化的物理过程将预报风速序列分解为多尺度特征,包括:
将预报风速序列分解为气候尺度特征和相对于气候尺度特征的扰动量;
对所述相对于气候尺度特征的扰动量进行奇异谱分析得到天气尺度特征和次天气尺度特征。
优选的,所述基于相似的观测数据分别对所述预报风速序列中各尺度特征进行订正,然后合成得到订正后的预报风速,包括:
基于相似的观测数据中的气候态求平均值得到气候平均态;
基于所述气候平均态作为所述气候尺度特征,与所述相对于气候尺度特征的扰动量得到气候尺度校准的预报风速;
基于相似的观测数据和预报风速序列采用距离函数公式订正所述天气尺度特征;
基于所述相似的观测数据,采用最小二乘法订正次天气尺度特征。
优选的,所述基于相似的观测数据和预报风速序列采用距离函数公式订正所述天气尺度特征,包括:
根据距离函数计算相似历史观测数据与预报风速序列之间的距离;
将所述距离的倒数作为对应的相似历史观测数据的权重;
基于相似历史观测数据和所述权重订正所述天气尺度特征;
将所有所述相似的观测数据与所述权重的乘积求和作为天气尺度校准的预报风速。
优选的,所述基于所述相似的观测数据,采用最小二乘法订正次天气尺度特征,包括:
选取设定时间内的预报风速序列,并采用最小二乘法得到拟合参数;
基于所述拟合参数结合提取的次天气尺度特征对所述次天气尺度特征的预报风速进行订正,得到次天气尺度校准的预报风速。
优选的,所述对所述相对于气候尺度特征的扰动量进行奇异谱分析得到天气尺度特征和次天气尺度特征,包括:
对所述相对于气候尺度特征的扰动量求积分得到气候尺度的扰动量;
基于所述气候尺度的扰动量在预报风速区域时滞排列建立相空间矩阵,并对所述相空间矩阵进行按照特征值由大到小奇异谱展开,计算方程贡献率和累积方差贡献;
基于所述方程贡献率和累积方差贡献提取天气尺度特征和次天气尺度。
优选的,所述天气尺度特征按下式分析得到:
Figure 857475DEST_PATH_IMAGE002
式中:
Figure 309316DEST_PATH_IMAGE003
天气尺度特征:
Figure 625897DEST_PATH_IMAGE004
:扰动向量在第k个时间主分量;k和p:风速趋势波动的 特征向量个数;
Figure 112373DEST_PATH_IMAGE005
是滞后空间尺度的函数;j、i和m为嵌套空间维数。
优选的,所述订正后的预报风速按下式合成:
Figure 465994DEST_PATH_IMAGE006
式中,
Figure 660258DEST_PATH_IMAGE007
:气候尺度校准的预报风速;
Figure 531262DEST_PATH_IMAGE008
:天气尺度校准的预报风速;
Figure 996878DEST_PATH_IMAGE009
:次天气尺度 校准的预报风速。
基于同一发明构思,本发明还提供了一种基于多尺度特征的预报风速订正系统,包括:
分解模块,用于根据风速变化的物理过程将预报风速序列分解为多尺度特征;
选择模块,用于从历史观测资料中选取与所述预报风速序列相似的观测数据;
订正模块,用于根据相似的观测数据分别对所述预报风速序列中各尺度特征进行订正,然后合成得到订正后的预报风速。
与现有技术相比,本发明的有益效果为:
1、本发明提供了一种基于多尺度特征的预报风速订正方法,包括:基于风速变化的物理过程将预报风速序列分解为多尺度特征;从历史观测资料中选取与所述预报风速序列相似的观测数据;基于相似的观测数据分别对所述预报风速序列中各尺度特征进行订正,然后合成得到订正后的预报风速。本发明提供的技术方案提取多尺度特征,消除了天气尺度误差,进一步提高风速预报的准确率。
2、本发明提供的技术方案,提出多尺度特征,并从多尺度进行订正得到预报风速,突破目标统计订正中无物理机理、订正效果有限的瓶颈。
附图说明
图1为本发明的基于多尺度特征的预报风速订正方法流程图;
图2为本发明的基于多尺度特征的预报风速订正技术线路图。
具体实施方式
本发明提出风速变化过程中气候尺度、天气尺度和次天气尺度特征的提取技术,进而有针对性开展预报风速的不同尺度订正,突破了目前统计订正方法无物理机理和订正效果有限等局限,能显著提升风速预报的准确率,具有较好的成果转化前景。
本专利基于风速变化的物理过程,在提取多尺度特征的基础上,开展风速订正,不仅有效提升风速预报准确率,同时实现极端大风预报精度的显著提升,全面支撑风电消纳能力的提升及电网防灾减灾,更好的服务于电网运行。
实施例1:
一种基于多尺度特征的预报风速订正方法,如图1所示:包括:
步骤1:基于风速变化的物理过程将预报风速序列分解为多尺度特征;
步骤2:从历史观测资料中选取与所述预报风速序列相似的观测数据;
步骤3:基于相似的观测数据分别对所述预报风速序列中各尺度特征进行订正,然后合成得到订正后的预报风速。
其中,步骤1:基于风速变化的物理过程将预报风速序列分解为多尺度特征,具体如下:
将预报风速序列分解为气候尺度特征和相对于气候尺度特征的扰动量;
对所述相对于气候尺度特征的扰动量进行奇异谱分析得到天气尺度特征和次天气尺度特征。
步骤2:从历史观测资料中选取与所述预报风速序列相似的观测数据。
步骤3:基于相似的观测数据分别对所述预报风速序列中各尺度特征进行订正,然后合成得到订正后的预报风速,具体如下:
基于相似的观测数据中的气候态求平均值得到气候平均态;
基于所述气候平均态作为所述气候尺度特征,与所述相对于气候尺度特征的扰动量得到气候尺度校准的预报风速;
基于相似的观测数据和预报风速序列采用距离函数公式订正所述天气尺度特征;
基于所述相似的观测数据,采用最小二乘法订正次天气尺度特征。
优选的,基于相似的观测数据和预报风速序列采用距离函数公式订正所述天气尺度特征,包括:
根据距离函数计算相似历史观测数据与预报风速序列之间的距离;
将所述距离的倒数作为对应的相似历史观测数据的权重;
基于相似历史观测数据和所述权重订正所述天气尺度特征;
将所有所述相似的观测数据与所述权重的乘积求和作为天气尺度校准的预报风速。
优选的,基于所述相似的观测数据,采用最小二乘法订正次天气尺度特征,包括:
选取设定时间内的预报风速序列,并采用最小二乘法得到拟合参数;
基于所述拟合参数结合提取的次天气尺度特征对所述次天气尺度特征的预报风速进行订正,得到次天气尺度校准的预报风速。
优选的,对所述相对于气候尺度特征的扰动量进行奇异谱分析得到天气尺度特征和次天气尺度特征,包括:
对所述相对于气候尺度特征的扰动量求积分得到气候尺度的扰动量;
基于所述气候尺度的扰动量在预报风速区域时滞排列建立相空间矩阵,并对所述相空间矩阵进行按照特征值由大到小奇异谱展开,计算方程贡献率和累积方差贡献;
基于所述方程贡献率和累积方差贡献提取天气尺度特征和次天气尺度。
天气尺度特征按下式分析得到:
Figure 646034DEST_PATH_IMAGE010
式中:
Figure 338047DEST_PATH_IMAGE003
天气尺度特征;
Figure 996430DEST_PATH_IMAGE011
:扰动向量在第k个时间主分量,是空间的函数;k和p:风 速趋势波动的特征向量个数;
Figure 50974DEST_PATH_IMAGE012
是滞后空间尺度的函数;j、i和 m为嵌套空间维数。
所述订正后的预报风速按下式合成:
Figure 152922DEST_PATH_IMAGE013
式中,
Figure 315919DEST_PATH_IMAGE007
:气候尺度校准的预报风速;
Figure 387780DEST_PATH_IMAGE008
:天气尺度校准的预报风速;
Figure 703355DEST_PATH_IMAGE009
:次天气尺度 校准的预报风速。
实施例2:
本发明提供了一种基于多尺度特征的预报风速订正方法,如图2所示,包括:
第一步:构建风速多尺度特征预报方程
基于数值天气预报模式和气象学理论分析可知,预报风速不仅受动力、热力过程的作用,还受到下垫面摩擦力、科氏力以及风压平衡关系等约束。风速变化是一个叠加了多尺度特征的过程,据此可构建多尺度特征预报方程:
Figure 959893DEST_PATH_IMAGE014
(1)
式(1)中,C(v)表示预报风速的气候尺度,M(v)和S(v)分别代表预报风速的天气尺度和 次天气尺度部分,
Figure 219973DEST_PATH_IMAGE015
代表模式预报误差。
第二步:气候尺度特征的提取及订正
为简化分析,将预报风速序列v分解为气候尺度特征和相对于气候尺度的扰动量(包含天气尺度和次天气尺度),气象学中,气候尺度特征通常采用多年的气候平均态来描述,则可得:
Figure 970891DEST_PATH_IMAGE016
(2)
对于模式的预报误差,同理可表示为:
Figure 390240DEST_PATH_IMAGE017
(3)
即预报风速的整体误差可利用气候平均态表示为系统误差和随机误差,气候尺度的系 统误差可通过预报与实际气候场的差异获得。而实际风速预报过程中,气候场是已知且不 变的。即利用多年观测数据计算得到真实的气候平均态
Figure 833991DEST_PATH_IMAGE018
,并由其替代气候尺度的
Figure 581367DEST_PATH_IMAGE019
叠 加扰动量
Figure 119665DEST_PATH_IMAGE020
,可得气候尺度校准的风速预报为:
Figure 144252DEST_PATH_IMAGE021
(4)
上述过程消除了数值模式气候尺度的误差。
第三步:气候尺度扰动量的提取
由于气候尺度的预报误差已经消除,因此,对步骤1中的方程关于时间求平均,结合步骤2预报风速方程,求积分可得到相对于气候尺度的扰动量:
Figure 883538DEST_PATH_IMAGE022
(5)
上式中既包含天气尺度扰动,又包含次天气尺度的扰动。
第四步:天气尺度特征的提取
基于第三步的气候尺度扰动量,在预报区域时滞排列建立相空间矩阵V,并对其进行奇异谱展开,特征值由大到小排列,计算方差贡献及累积方差贡献。
Figure 242844DEST_PATH_IMAGE023
(6)
式中,n为样本量,m为嵌套空间维数。此处,n为预报区域纬圈上的格点数,m由最佳性试 验确定。对V奇异谱展开后,记
Figure 335565DEST_PATH_IMAGE024
为扰动向量在第k个时间主分量,是空间的函数,此部分 是要用分离出来的向量
Figure 339293DEST_PATH_IMAGE024
Figure 391693DEST_PATH_IMAGE025
,根据确定的特征向量个数P,提取或者说构建(即计 算)风速的天气尺度向量,要采用迭代的方法,如公式7所示,Vi的构建要用到
Figure 989027DEST_PATH_IMAGE026
;记
Figure 134706DEST_PATH_IMAGE025
是滞后空间尺度的函数。奇异谱分析展开后,要确定不同尺度的特征向量个数,则需要 用到特征值的方差贡献及累积方差贡献。依据特征值的方差贡献率来确定并提取天气尺度 特征的。
根绝特征值变换曲线斜率确定代表风速信号的特征向量个数Q和风速趋势波动的特征向量个数P,提取天气尺度特征:
Figure 992941DEST_PATH_IMAGE027
(7)
式中:
Figure 949396DEST_PATH_IMAGE028
天气尺度特征;
Figure 17715DEST_PATH_IMAGE026
:扰动向量在第k个时间主分量,是空间的函数;k和p: 风速趋势波动的特征向量个数;
Figure 842451DEST_PATH_IMAGE029
是滞后空间尺度的函数;j、i和 m为嵌套空间维数。
第五步:基于天气尺度特征的订正
由于数值天气预报模式是一组求解大气运动方程组的程序集,因此,在相同或相近的天气尺度下,其误差的分布也是一致或相近的。根据历史预报数据与实际观测资料定义距离函数,并从中挑选出若干个相似的历史预报,进行天气尺度的风速相似订正。
Figure 696138DEST_PATH_IMAGE030
(8)
Vt是在时间t对预报风速的订正值,n表示找到的相似历史预报的个数,
Figure 807182DEST_PATH_IMAGE031
是根据距 离函数找到的n个相似预报的观测风速,ti是相似预报的起报时间,
Figure 379109DEST_PATH_IMAGE032
是每个相似预报的权 重,取距离的倒数。
其中,定义距离函数,可以是欧氏距离,也可以是其他的方法;挑选出若干个相似的历史预报,是基于距离函数的结果从小到大排序,选取前n个即可。
第六步:次天气尺度特征提取及订正
基于第四步中的第P+1,……,Q个特征向量,根据式(7)提取次天气尺度特征。从预报误差角度来看,预报风速的偏差均来自于次天气尺度,因此,选取最近一天的预报资料,采用最小二乘法订正次天气尺度误差。
Figure 476378DEST_PATH_IMAGE033
(9)
式(9)中,
Figure 699418DEST_PATH_IMAGE034
Figure 732096DEST_PATH_IMAGE035
是最小二乘法得到的拟合参数。
Figure 915953DEST_PATH_IMAGE036
Figure 941546DEST_PATH_IMAGE037
分别代表订正后的次天 气尺度风速和提取的次天气尺度风速。
第七步:基于多尺度特征订正的预报风速合成
根据第(4)(8)(9)式,分别为气候尺度、天气尺度和次天气尺度的风速订正方程,求和得到基于多尺度特征订正的预报风速。
Figure 504246DEST_PATH_IMAGE038
(10)
式中,
Figure 98038DEST_PATH_IMAGE007
:气候尺度校准的预报风速;
Figure 628245DEST_PATH_IMAGE008
:天气尺度校准的预报风速;
Figure 473842DEST_PATH_IMAGE009
:次天气尺度 校准的预报风速。
本发明提出一种基于多尺度特征的预报风速订正方法和系统,首先构建风速的多尺度预报方程,包含了气候尺度、天气尺度和次天气尺度过程,其次提出风速变化过程中多尺度特征风速的提取方法,进而根据不同尺度特征而开展相应的预报风速订正,最后基于多尺度特征的订正风速合成预报风速。本发明提出的方法有明确的物理机理及变化过程支撑,能显著提升风速预报的准确率。
本发明提取风速的多尺度特征开展订正,其有益效果在于:气候尺度的风速订正,用观测资料的气候平均值代替模式的气候平均值,是风速气候尺度演变最真实的刻画,由于预报风速的模式系统误差会在每一次预报中体现,而这些误差则在气候平均值完全消失,气候尺度订正消除了风速气候态的误差,提高了风速预报的准确率;天气尺度的风速变化特征,是风速变化过程的直接原因,同时由于数值预报模式的本质导致相同或相近天气尺度背景下,风速预报的误差及分布总会重现,因此,在天气尺度特征提取的基础上,采用历史相似预报开展预报风速的相似订正,在天气尺度上消除预报风速的误差,进一步提高风速预报的准确率;次天气尺度风速变化特征的影响不容忽视,但提取次天气尺度的基础上,采用预报系统最近一天的数据,结合最小二乘法构建预报方程,拟合参数能准实时订正预报风速的偏差,提高预报风速准确率。
本发明的第六步骤中的次天气尺度预报风速的订正,由于次天气尺度的随机性和不确定性大,因此,可以采用多种统计方法实现预报风速的订正。包括但不限于神经网络、偏最小二乘法、非线性回归等。
一种基于多尺度特征的预报风速订正方法,其技术关键点和欲保护点在于:
(1)构建了风速时间序列的多尺度特征预报方程,将预报风速描述为气候尺度、天气尺度和次天气尺度的风速与预报偏差的叠加;
(2)采用气候平均态将风速预报偏差分为系统误差和随机误差,系统误差的订正通过多年观测风速的气候平均值替代而消除;
(3)基于高时空分辨率的数值天气预报网格点数据,构建预报风速的时滞相空间矩阵,结合奇异谱分析提取预报风速的天气尺度特征;
(4)构建与历史预报的距离函数,并筛选若干相近历史预报集,基于历史观测风速数据实现对天气尺度的订正。
实施例3
基于同一发明构思的本发明还提供了一种基于多尺度特征的预报风速订正系统,包括:
分解模块,用于根据风速变化的物理过程将预报风速序列分解为多尺度特征;
选择模块,用于从历史观测资料中选取与所述预报风速序列相似的观测数据;
订正模块,用于根据相似的观测数据分别对所述预报风速序列中各尺度特征进行订正,然后合成得到订正后的预报风速。
所述分解模块包括:
初步分解子模块,用于将预报风速序列分解为气候尺度特征和相对于气候尺度特征的扰动量;
奇异谱分解子模块,用于对所述相对于气候尺度特征的扰动量进行奇异谱分析得到天气尺度特征和次天气尺度特征。
订正模块包括:
气候尺度校准子模块,用于基于相似的观测数据中的气候态求平均值得到气候平均态,并基于所述气候平均态作为所述气候尺度特征,与所述相对于气候尺度特征的扰动量得到气候尺度校准的预报风速;
天气尺度校准子模块,用于基于相似的观测数据和预报风速序列采用距离函数公式订正所述天气尺度特征;
次天气尺度校准子模块,用于基于所述相似的观测数据,采用最小二乘法订正次天气尺度特征。
天气尺度校准子模块包括:
计算单元,用于根据距离函数计算相似历史观测数据与预报风速序列之间的距离,并将所述距离的倒数作为对应的相似历史观测数据的权重;
订正单元,用于基于相似历史观测数据和所述权重订正所述天气尺度特征;
校准单元,用于将所有所述相似的观测数据与所述权重的乘积求和作为天气尺度校准的预报风速。
次天气校准子模块包括:
拟合参数计算单元,用于选取设定时间内的预报风速序列,并采用最小二乘法得到拟合参数;
次天气校准单元,用于根据所述拟合参数结合提取的次天气尺度特征对所述次天气尺度特征的预报风速进行订正,得到次天气尺度校准的预报风速。
奇异谱分解子模块包括:
积分计算单元,用于对所述相对于气候尺度特征的扰动量求积分得到气候尺度的扰动量;
贡献计算单元,用于根据所述气候尺度的扰动量在预报风速区域时滞排列建立相空间矩阵,并对所述相空间矩阵进行按照特征值由大到小奇异谱展开,计算方程贡献率和累积方差贡献;
特征提取单元,用于根据所述方程贡献率和累积方差贡献提取天气尺度特征和次天气尺度。
所述天气尺度特征按下式分析得到:
Figure 15681DEST_PATH_IMAGE039
式中:
Figure 905009DEST_PATH_IMAGE028
天气尺度特征;
Figure 673245DEST_PATH_IMAGE026
:扰动向量在第k个时间主分量,是空间的函数;k和p: 风速趋势波动的特征向量个数;
Figure 312080DEST_PATH_IMAGE012
是滞后空间尺度的函数;j、i和 m为嵌套空间维数。
所述订正后的预报风速按下式合成:
Figure 974005DEST_PATH_IMAGE040
式中,
Figure 519387DEST_PATH_IMAGE041
:气候尺度校准的预报风速;
Figure 24187DEST_PATH_IMAGE008
:天气尺度校准的预报风速;
Figure 70640DEST_PATH_IMAGE009
:次天气尺度 校准的预报风速。
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 (10)

1.一种基于多尺度特征的预报风速订正方法,其特征在于,包括:
基于风速变化的物理过程将预报风速序列分解为多尺度特征;
从历史观测资料中选取与所述预报风速序列相似的观测数据;
基于相似的观测数据分别对所述预报风速序列中各尺度特征进行订正,然后合成得到订正后的预报风速。
2.如权利要求1所述的预报风速订正方法,其特征在于,所述多尺度特征包括:气候尺度特征、天气尺度特征和次天气尺度特征。
3.如权利要求2所述的预报风速订正方法,其特征在于,所述基于风速变化的物理过程将预报风速序列分解为多尺度特征,包括:
将预报风速序列分解为气候尺度特征和相对于气候尺度特征的扰动量;
对所述相对于气候尺度特征的扰动量进行奇异谱分析得到天气尺度特征和次天气尺度特征。
4.如权利要求3所述的预报风速订正方法,其特征在于,所述基于相似的观测数据分别对所述预报风速序列中各尺度特征进行订正,然后合成得到订正后的预报风速,包括:
基于相似的观测数据中的气候态求平均值得到气候平均态;
基于所述气候平均态作为所述气候尺度特征,与所述相对于气候尺度特征的扰动量得到气候尺度校准的预报风速;
基于相似的观测数据和预报风速序列采用距离函数公式订正所述天气尺度特征;
基于所述相似的观测数据,采用最小二乘法订正次天气尺度特征。
5.如权利要求4所述的预报风速订正方法,其特征在于,所述基于相似的观测数据和预报风速序列采用距离函数公式订正所述天气尺度特征,包括:
根据距离函数计算相似历史观测数据与预报风速序列之间的距离;
将所述距离的倒数作为对应的相似历史观测数据的权重;
基于相似历史观测数据和所述权重订正所述天气尺度特征;
将所有所述相似的观测数据与所述权重的乘积求和作为天气尺度校准的预报风速。
6.如权利要求4所述的预报风速订正方法,其特征在于,所述基于所述相似的观测数据,采用最小二乘法订正次天气尺度特征,包括:
选取设定时间内的预报风速序列,并采用最小二乘法得到拟合参数;
基于所述拟合参数结合提取的次天气尺度特征对所述次天气尺度特征的预报风速进行订正,得到次天气尺度校准的预报风速。
7.如权利要求3所述的预报风速订正方法,其特征在于,所述对所述相对于气候尺度特征的扰动量进行奇异谱分析得到天气尺度特征和次天气尺度特征,包括:
对所述相对于气候尺度特征的扰动量求积分得到气候尺度的扰动量;
基于所述气候尺度的扰动量在预报风速区域时滞排列建立相空间矩阵,并对所述相空间矩阵进行按照特征值由大到小奇异谱展开,计算方程贡献率和累积方差贡献;
基于所述方程贡献率和累积方差贡献提取天气尺度特征和次天气尺度特征。
8.如权利要求2所述的预报风速订正方法,其特征在于,所述天气尺度特征按下式分析得到:
Figure 258993DEST_PATH_IMAGE001
式中:
Figure 365489DEST_PATH_IMAGE002
天气尺度特征;
Figure 357585DEST_PATH_IMAGE003
:扰动向量在第k个时间主分量;k和p:风速趋势波动的 特征向量个数;
Figure 83095DEST_PATH_IMAGE004
是滞后空间尺度的函数;j、i和m为嵌套空间维数。
9.如权利要求1所述的预报风速订正方法,其特征在于,所述订正后的预报风速按下式合成:
Figure 844247DEST_PATH_IMAGE005
式中,
Figure 121644DEST_PATH_IMAGE006
:气候尺度校准的预报风速;
Figure 86189DEST_PATH_IMAGE007
:天气尺度校准的预报风速;
Figure 864658DEST_PATH_IMAGE008
:次天气尺度校 准的预报风速。
10.一种基于多尺度特征的预报风速订正系统,其特征在于,包括:
分解模块,用于根据风速变化的物理过程将预报风速序列分解为多尺度特征;
选择模块,用于从历史观测资料中选取与所述预报风速序列相似的观测数据;
订正模块,用于根据相似的观测数据分别对所述预报风速序列中各尺度特征进行订正,然后合成得到订正后的预报风速。
CN202011326412.6A 2020-11-24 2020-11-24 一种基于多尺度特征的预报风速订正方法和系统 Active CN112132365B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011326412.6A CN112132365B (zh) 2020-11-24 2020-11-24 一种基于多尺度特征的预报风速订正方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011326412.6A CN112132365B (zh) 2020-11-24 2020-11-24 一种基于多尺度特征的预报风速订正方法和系统

Publications (2)

Publication Number Publication Date
CN112132365A true CN112132365A (zh) 2020-12-25
CN112132365B CN112132365B (zh) 2021-04-16

Family

ID=73852276

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011326412.6A Active CN112132365B (zh) 2020-11-24 2020-11-24 一种基于多尺度特征的预报风速订正方法和系统

Country Status (1)

Country Link
CN (1) CN112132365B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112765544A (zh) * 2020-12-30 2021-05-07 国网湖南省电力有限公司 输电线路台风影响下强风风力校正预报方法
CN113434495A (zh) * 2021-07-09 2021-09-24 中国船舶重工集团海装风电股份有限公司 一种基于ArcGIS的中尺度风速数据订正方法及系统
CN116205138A (zh) * 2023-01-16 2023-06-02 中国气象局广州热带海洋气象研究所(广东省气象科学研究所) 风速预报订正方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103699800A (zh) * 2013-12-31 2014-04-02 哈尔滨工业大学 基于频域多尺度风速信号可预报性的超短期风速预测方法
US20150302313A1 (en) * 2014-04-22 2015-10-22 State Grid Corporation Of China Method of predicating ultra-short-term wind power based on self-learning composite data source
CN105117788A (zh) * 2015-07-22 2015-12-02 河南行知专利服务有限公司 一种风力发电功率预测方法
US20170337495A1 (en) * 2016-05-23 2017-11-23 General Electric Company System and method for controlling power production from a wind farm
CN108960511A (zh) * 2018-07-05 2018-12-07 广东工业大学 一种风速预测方法及相关装置
CN109034484A (zh) * 2018-08-02 2018-12-18 广东工业大学 一种风速预测方法、装置及设备
CN110083940A (zh) * 2019-04-28 2019-08-02 东华大学 一种基于ssa-hmd-cnnsvm模型的短期风速预测方法
US20190317244A1 (en) * 2016-08-01 2019-10-17 International Business Machines Corporation Temporal bias correction in wind forecasting
CN111862538A (zh) * 2020-08-03 2020-10-30 中铁二院工程集团有限责任公司 一种大跨度拱桥施工期大风预警方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103699800A (zh) * 2013-12-31 2014-04-02 哈尔滨工业大学 基于频域多尺度风速信号可预报性的超短期风速预测方法
US20150302313A1 (en) * 2014-04-22 2015-10-22 State Grid Corporation Of China Method of predicating ultra-short-term wind power based on self-learning composite data source
CN105117788A (zh) * 2015-07-22 2015-12-02 河南行知专利服务有限公司 一种风力发电功率预测方法
US20170337495A1 (en) * 2016-05-23 2017-11-23 General Electric Company System and method for controlling power production from a wind farm
US20190317244A1 (en) * 2016-08-01 2019-10-17 International Business Machines Corporation Temporal bias correction in wind forecasting
CN108960511A (zh) * 2018-07-05 2018-12-07 广东工业大学 一种风速预测方法及相关装置
CN109034484A (zh) * 2018-08-02 2018-12-18 广东工业大学 一种风速预测方法、装置及设备
CN110083940A (zh) * 2019-04-28 2019-08-02 东华大学 一种基于ssa-hmd-cnnsvm模型的短期风速预测方法
CN111862538A (zh) * 2020-08-03 2020-10-30 中铁二院工程集团有限责任公司 一种大跨度拱桥施工期大风预警方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王在文 等: ""相似集合预报方法在北京区域地面气温"", 《气象学报》 *
董朕 等: ""基于奇异谱分析和极限学习机的风速多步预测"", 《宁夏电力》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112765544A (zh) * 2020-12-30 2021-05-07 国网湖南省电力有限公司 输电线路台风影响下强风风力校正预报方法
CN112765544B (zh) * 2020-12-30 2023-09-15 国网湖南省电力有限公司 输电线路台风影响下强风风力校正预报方法
CN113434495A (zh) * 2021-07-09 2021-09-24 中国船舶重工集团海装风电股份有限公司 一种基于ArcGIS的中尺度风速数据订正方法及系统
CN116205138A (zh) * 2023-01-16 2023-06-02 中国气象局广州热带海洋气象研究所(广东省气象科学研究所) 风速预报订正方法及装置
CN116205138B (zh) * 2023-01-16 2023-11-03 中国气象局广州热带海洋气象研究所(广东省气象科学研究所) 风速预报订正方法及装置

Also Published As

Publication number Publication date
CN112132365B (zh) 2021-04-16

Similar Documents

Publication Publication Date Title
CN112132365B (zh) 一种基于多尺度特征的预报风速订正方法和系统
CN111027175B (zh) 基于耦合模型集成模拟的洪水对社会经济影响的评估方法
CN110020462B (zh) 一种对气象数据进行融合处理并生成数值天气预报的方法
Khaki et al. Assessing sequential data assimilation techniques for integrating GRACE data into a hydrological model
CN114254561B (zh) 一种内涝预测方法、系统及存储介质
CN109242204A (zh) 基于最优vmd与同步优化的超短期风速预测方法
Yang et al. Weight interpolation for efficient data assimilation with the local ensemble transform Kalman filter
CN107688906B (zh) 多方法融合的输电线路气象要素降尺度分析系统及方法
CN107292098A (zh) 基于前期气象因子与数据挖掘技术的中长期径流预报方法
CN104992071A (zh) 一种基于集合资料同化技术的初始扰动方法
CN111105068B (zh) 基于序回归学习的数值模式订正的方法
CN113379107A (zh) 基于lstm和gcn的区域电离层tec预报方法
Galanis et al. Statistical post processes for the improvement of the results of numerical wave prediction models. A combination of Kolmogorov-Zurbenko and Kalman filters
CN116609860B (zh) 基于集成学习算法的水文模型实时校正方法和系统
Isaksson et al. Solar power forecasting with machine learning techniques
CN104992057A (zh) 一种基于准集合-变分的混合资料同化方法
CN110942170A (zh) 一种基于信息处理的短期风速预测方法及系统
CN109827579A (zh) 一种组合定位中滤波模型实时校正的方法和系统
CN109033543A (zh) 一种地表异质区植被覆盖度估算方法、装置及设备
Akyurek et al. Tesla: Taylor expanded solar analog forecasting
CN114498619A (zh) 一种风电功率预测方法及装置
CN116822743A (zh) 一种基于两阶段分解重构与误差校正的风电功率预测方法
CN113704695B (zh) 一种适用于区域数值模式集合模拟预报的初值小扰动法
KR101409316B1 (ko) 다중모델 확률예측 시스템 및 방법
Liu et al. Unrevealing past and future vegetation restoration on the Loess Plateau and its impact on terrestrial water storage

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