CN112580844A - 气象数据处理方法、装置、设备及计算机可读存储介质 - Google Patents
气象数据处理方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112580844A CN112580844A CN201910944395.3A CN201910944395A CN112580844A CN 112580844 A CN112580844 A CN 112580844A CN 201910944395 A CN201910944395 A CN 201910944395A CN 112580844 A CN112580844 A CN 112580844A
- Authority
- CN
- China
- Prior art keywords
- forecast data
- data
- historical
- time
- determining
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 27
- 238000011156 evaluation Methods 0.000 claims abstract description 92
- 238000012545 processing Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 238000000034 method Methods 0.000 abstract description 24
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
Images
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
- 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
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种气象数据处理方法、装置、设备及计算机可读存储介质,该方法包括:获取实时预报数据和多项历史预报数据;根据历史预报数据和实时预报数据,确定预报数据相关系数;根据预报数据相关系数,确定多项评估值;根据多项评估值,确定出符合预设估算阈值范围的评估值作为相似评估值;根据相似评估值对应的历史预报数据,确定修正后的天气预报数据。本申请通过对实时预报数据以及多项历史预报数据的分析,基于预报数据相关系数确定历史预报数据与实时预报数据的相似程度,寻找相似程度满足要求的历史预报数据对应的历史预报数据,据以确定修正后的天气预报数据,有效降低了预报的系统误差,提高了修正后的天气预报数据的准确性。
Description
技术领域
本申请涉及数据处理技术领域,具体而言,本申请涉及一种气象数据处理方法、装置、设备及计算机可读存储介质。
背景技术
数值天气预报(numerical weather prediction)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。数值天气预报可将风速、风向等数据作为输入量,通过预测算法将预报的气象要素转换为风电场、光伏的输出功率,从而对风力发电进行预测。准确的数值天气预报数据预报,可以为电力调度提供重要的决策支持,数值天气预报的精度是新能源发电功率预测精度的重要决定因素之一。
风速预报模式统计后的处理方法,主要包括模式输出统计(MOS)法、完全预报方法、卡尔曼滤波法、BP(back propagation,反向传播)神经网络算法以及自适应偏最小二乘法等。
然而,目前现有的算法要么只考虑了历史观测数据与历史预报数据的误差,而没有考虑临近预报时间节点的观测数据对当天预报结果的对比误差,数据利用不够充分;要么模型适应性不佳,而每次数值预报结果的误差特征各有不同,无法减小变化当中的预报自身的误差。另外,还存在计算过程中采用的算子,例如均方根误差,存在误差越大,预测值计算得到的权重比越大,使得找到的历史相似数据并不是最合适的样本,从而导致当下预报效果不稳定,也使得预报的系统误差较大,产生预报准确性不够高的问题。
发明内容
基于此,为解决上述提到的至少一个问题,本申请提供了一种气象数据处理方法、装置、设备及计算机可读存储介质。
第一方面,本申请提供了一种气象数据处理方法,包括:
获取实时预报数据和多项历史预报数据;
根据历史预报数据和实时预报数据,确定预报数据相关系数;
根据预报数据相关系数,确定多项评估值;
根据多项评估值,确定出符合预设估算阈值范围的评估值作为相似评估值;
根据相似评估值对应的历史预报数据,确定修正后的天气预报数据。
结合第一方面和上述实现方式,在第一方面的某些实现方式中,获取实时预报数据和多项历史预报数据,包括:
确定实时预报数据对应的第一时间节点;
获取第一时间节点前的第一时间窗口,第一时间窗口包括若干第一时间段;
获取每个第一时间段对应的历史预报数据。
结合第一方面和上述实现方式,在第一方面的某些实现方式中,获取每个第一时间段对应的历史预报数据,包括:
确定每个第一时间段内的第二时间节点;
获取第二时间节点前后的第二时间窗口,第二时间窗口包括若干第二时间段;获取每个第二时间段对应的历史预报数据。
结合第一方面和上述实现方式,在第一方面的某些实现方式中,获取实时预报数据和多项历史预报数据,包括:
以预定数据时间分辨率获取实时预报数据和多项历史预报数据。
结合第一方面和上述实现方式,在第一方面的某些实现方式中,根据历史预报数据和实时预报数据,确定预报数据相关系数,包括:
确定每项历史预报数据与实时预报数据的第一差值,确定各第一差值的平方和;
确定每项历史预报数据与历史预报数据的均值的第二差值,确定各第二差值的平方和;
根据第一差值平方和、以及第二差值平方和,确定预报数据相关系数。
结合第一方面和上述实现方式,在第一方面的某些实现方式中,实时预报数据和历史预报数据分别包括多种气象要素;
以及,根据预报数据相关系数,确定多项评估值,包括:
确定每项历史预报数据中与每种气象要素对应的预报数据相关系数;
根据每项气象要素的数据权重和与每种气象要素对应的预报数据相关系数,确定每项历史预报数据的评估值。
结合第一方面和上述实现方式,在第一方面的某些实现方式中,根据相似评估值对应的历史预报数据,确定修正后的天气预报数据,包括:
根据相似评估值对应的历史预报数据,确定历史预报数据对应的历史观测数据;
根据历史观测数据的平均值,确定修正后的天气预报数据。
第二方面,本申请提供了一种气象数据处理装置,包括:
获取模块,用于获取实时预报数据和多项历史预报数据;
相关系数确定模块,用于根据历史预报数据和实时预报数据,确定预报数据相关系数;
评估值确定模块,用于根据预报数据相关系数,确定多项评估值;
相似评估值确定模块,用于根据多项评估值,确定出符合预设估算阈值范围的评估值作为相似评估值;
修正模块,用于根据相似评估值对应的历史预报数据,确定修正后的天气预报数据。
第三方面,本申请提供了一种气象数据处理设备,包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行,一个或多个应用程序配置用于:实现本申请第一方面提供的气象数据处理方法。
第四方面,本申请提供了一种计算机可读存储介质,计算机存储介质用于存储计算机程序,当计算机程序在计算机上运行时,使得计算机实现本申请第一方面提供的气象数据处理方法。
本申请提供的技术方案带来的有益技术效果是:
本申请通过对实时预报数据以及多项历史预报数据的分析,基于预报数据相关系数确定历史预报数据与实时预报数据的相似程度,寻找相似程度满足要求的历史预报数据,据以确定修正后的天气预报数据,有效降低了预报的系统误差,提高了修正后的天气预报数据的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为本申请实施例提供的一种气象数据处理方法的流程示意图;
图2为本申请实施例提供的获取实时预报数据和多项历史预报数据的步骤流程示意图;
图3为本申请实施例提供的根据相似评估值对应的历史预报数据确定修正后的天气预报数据的步骤流程示意图;
图4为本申请实施例提供的一种实时预报数据的示意图;
图5为本申请实施例提供的一种历史预报数据的示意图;
图6为本申请一实施例中气象数据处理方法的逻辑示意图;
图7为本申请实施例提供的一种气象数据处理装置的结构示意图;
图8为本申请实施例提供的一种气象数据处理设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
首先对本申请涉及的几个名词进行介绍和解释:
实时预报数据,进行天气预报时,在最近一段时间由计算机根据现有数据计算预测到的天气预报数据,该实时预报数据为待修正的天气预报数据。
历史预报数据,在当下需要进行天气预报的时间点以前的,由计算机计算预测到的天气预报数据,这些数据存储在计算机设备当中,是计算得到的历史数据。
历史观测数据,经过气象设备采集到的实际天气数据。
气象要素,跟天气相关的基本数据参数,表明大气物理状态、物理现象的各项要素,例如气温、湿度、气压和空气密度等。
风电场、光电场的功率预报有很强的时效性,但目前尚无法在短时间内利用物理模型精细地批量模拟出电场周围特殊地形的局地小天气系统,而对同一地区,天气过程具有一定程度的相似性和重现性。若根据实时预报数据在历史预报数据中寻找若干个相似的天气系统,并以找出的若干相似个例的历史实况作为预报未来天气的客观依据,则既能够考虑天气发展过程中的系统结构特征,又无需构建预报方程和进行各种假设,兼顾大气本身的线性和非线性变化规律,在并网调度规定时限内,批量完成风电光电预报数据的订正,提高预报准确率。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
第一方面,本申请提供了一种气象数据处理方法,如图1所示,包括:
S100:获取实时预报数据和多项历史预报数据。
S200:根据历史预报数据和实时预报数据,确定预报数据相关系数。
S300:根据预报数据相关系数,确定多项评估值。
S400:根据多项评估值,确定出符合预设估算阈值范围的评估值作为相似评估值。
S500:根据相似评估值对应的历史预报数据,确定修正后的天气预报数据。
本申请提供的气象数据处理方法通过对实时预报数据以及多项历史预报数据的分析,基于预报数据相关系数确定历史预报数据与实时预报数据的相似程度,寻找相似程度满足要求的历史预报数据,据以确定修正后的天气预报数据,有效降低了预报的系统误差,提高了修正后的天气预报数据的准确性。
对于S100,根据前文描述,实时预报数据是进行未来天气预报的工作节点之前的最近一段时间的计算机计算所得到的数据,例如2019年9月18日进行天气预报,实时预报数据获取到的数据是从2019年9月17日晚上8点到2019年9月18日早上7点得到的数值天气预报数据。相应地,历史预报数据,则是2019年9月18日以前获取到的多个“实时预报数据”,实时预报数据可以为一项,而历史预报数据则是多项。
在一个可行的实施方式中,如图2所示,获取实时预报数据和多项历史预报数据,具体包括:
S110:确定实时预报数据对应的第一时间节点;
S120:获取第一时间节点前的第一时间窗口,第一时间窗口包括若干第一时间段;
S130:获取每个第一时间段对应的历史预报数据。
例如,对于实时预报数据,选择第t个时间点附近的相似天气系统,采集第t个时间点附近至少3小时的预报数据。第一时间窗口通常的长度单位为天(24小时),第一时间窗口可表示为包括N天,其中最小为1天。而第一时间段为1天,获取每个第一时间段对应的历史预报数据,就是获取N天内,每天的第t个时间点附近至少3小时的历史预报数据。第一时间窗口是为了确保历史预报数据与实时预报数据趋势相同而设置的。
在一个具体的实施方式中,获取实时预报数据和多项历史预报数据,还包括:
确定每个第一时间段内的第二时间节点;
获取第二时间节点前后的第二时间窗口,第二时间窗口包括若干第二时间段;获取每个第二时间段对应的历史预报数据。
上述第二时间窗口是为了抵消预报数据在时间上的提前或滞后产生误差而设置的一个时间窗口,即实时预报数据中某个时刻的预报数据,在历史上该时刻附近的几个时刻中寻找历史预报数据。
在一些可行的实施方式中,获取实时预报数据和多项历史预报数据,包括:以预定数据时间分辨率获取实时预报数据和多项历史预报数据。预报数据的获取通常具有一定的频率,相隔一定的时间进行一次预报,获取一份预报数据。预定数据时间分辨率为15分钟,一个小时内获取4份预报数据,一天获取96份预报数据,而一天获取到的预报数据定义为一项预报数据。
对于S200,现有技术中采用均方根误差作为计算指标,即对时间窗口内的预报数据,计算其和对应观测数据的差值平方值,平均后再开方。这样处理的结果,会导致误差越大的预报数据计算得到的权重比越大,使得找到的历史观测数据不是最合适的样本,从而导致修正效果不稳定,可能出现偏差较大的情况。S200当中采用根据实时预报数据与历史预报数据确定的预报数据相关系数,可以准确反映历史预报数据的实际预测误差的大小,能够有效降低预报的系统误差,提高修正后的天气预报数据的准确性。
在一些可行的实施方式中,根据历史预报数据和实时预报数据,确定预报数据相关系数,包括:
确定每项历史预报数据与实时预报数据的第一差值,确定各第一差值的平方和;
确定每项历史预报数据与历史预报数据的均值的第二差值,确定各第二差值的平方和;
根据第一差值平方和、以及第二差值平方和,确定预报数据相关系数。
上述实施方式中预报数据相关系数的具体计算方式为,首先获取实时预报数据分别与各项历史预报数据的差值,对差值进行平方运算,再对所有差值平方进行加和,得到第一差值平方和。另外,获取各项历史预报数据与历史预报数据的期望值的差值,对差值进行平方运算,再将所有差值平方结果进行加和,得到第二差值平方和。以第一差值平方和作分子,第二差值平方和作分母,得到一分数算式,用1减去这一分数算式,然后对得到的差值开方,即得到实时预报数据与历史预报数据的预报数据相关系数。
在一些可行的实施方式中,实时预报数据和历史预报数据分别包括多种气象要素;以及,根据预报数据相关系数,确定多项评估值,包括:
确定每项历史预报数据中与每种气象要素对应的预报数据相关系数;
根据每项气象要素的数据权重和与每种气象要素对应的预报数据相关系数,确定每项历史预报数据的评估值。
由于是采用数值天气预报获取的天气预报数据,每项实时预报数据和每项历史预报数据都包括多种气象要素,例如具体化为气温、气压和湿度等,这些气象要素的综合作用得到一个天气结果,比如大风天气、微风天气或者龙卷风天气等,而每个气象要素的作用程度有所差异,即在计算当中具有不同的数据权重,因此将每项历史预报数据当中各项气象要素根据数据权重和每种气象要素对应的预报数据相关系数进行相乘并加和,就能得到每项历史预报数据的评估值。当气象要素只有一种数据时,评估值与该种气象要素对应的预报数据相关系数相等。
对于S400,评估值能够反映实时预报数据与历史预报数据的相似程度,经过S300得到的评估值存在多项,当使用到的历史预报数据越多,找到的跟实时预报数据接近的预报数据也越多,但同时也会产生大量差别较大的预报数据,因此需要对获取到的评估值进行处理,择取出符合要求的评估值。评估值越小,表明历史预报数据与实时预报数据越接近,通过将得到的多项评估值按照从小到大的顺序排列,择取排列在前的若干项评估值,将这些评估值作为相似评估值,并为下一步数据处理做准备。预设估算阈值范围并不是一个恒定的参数,将得到的多项评估值按照从小到大的顺序排列后,会择取其中小于预设估算阈值的评估值,也即评估值位于预设估算阈值范围的评估值,这样的评估值会有符合预设数量,例如20个、30个或者100个等,这一预设数量是根据气象预报所需的预报精度提前设置在计算机系统中的。
对于S500,每项评估值获取自一项历史预报数据,即每项评估值对应一项历史预报数据,而相似评估值是评估值中的一部分,相应地,每项相似评估值对应一项历史预报数据,这些与相似评估值对应的历史预报数据则是与实时预报数据较为接近的预报数据,因此根据相似评估值对应的历史预报数据,能够确定修正后的天气预报数据。
在一个具体的实施方式中,如图3所示,根据相似评估值对应的历史预报数据,确定修正后的天气预报数据,包括:
S510:根据相似评估值对应的历史预报数据,确定与历史预报数据对应的历史观测数据。
相似评估值对应历史预报数据,历史预报数据同样与历史观测数据相对应,因此相似评估值也与历史观测数据相对应,例如2017年12月23日的气象数据中,包括计算机根据数值天气预报得到的预报数据,以及通过气象仪器实际观测到的数据。这两种数据相对应,并且预报数据会被实际观测到的数据校正,根据历史预报数据就能够找到反映天气真实情况的历史观测数据。
S520:根据历史观测数据的平均值,确定修正后的天气预报数据。
对确定出的历史观测数据作平均值,并将其作为结果数据输出,就能够得到修正后的天气预报数据,也即对实时预报数据进行了修正,得到较为准确的天气预报数据。
为充分说明本申请提供的气象数据处理方法,现以物理和数学运算的过程描述的方式,对气象数据处理方法进行描述:
获取站点实时预报数据:对于站点M,今天上午7点实时获取昨日20:00起报的数值天气预报,获取Nv个气象要素,每个气象要素记为Ai,t(i=1,2,…Nv。
获取站点历史预报数据:对于站点M,获取N天该站点历史预报Nv个(与实时预报数据中的气象要素数量相同)气象要素,每个气象要素记为Fi,t(i=1,2……Nv)。
获取站点历史观测数据:对于站点M,获取N天该站点实际的天气数据,这些实际的天气数据与历史预报数据一一对应,记为Oh。
上述实时预报数据、历史预报数据和历史观测数据的数据时间分辨率均取T分钟,则每天获取到的每项实时预报数据、每项历史预报数据和每项历史观测数据含有的数据份数为24*60/T,例如当数据时间分辨率取15分钟时,每项实时预报数据的份数为96份。
在获取到上述数据之后,根据实时预报数据在历史预报数据中寻找相似的天气预报数据:
对预报的气象要素选定配重比即气象要素的数据权重。对一种气象要素Ai,t,选择实时预报第t个时间点附近的相似天气系统时,将t点附近至少2h的该气象要素的数组序列设为如图4所示,图4中为实时预报数据(长度为1天)。
将历史预报数据中每一天t时间点(此时记为t′)附近与 时间序列相同的该气象要素数组序列记为如图5所示,图5中为历史预报数据(设置第一时间窗口为N天,第一时间段设为1天,即第一时间窗口为N个1天)。N为正整数。
对与的差值分别求平方值,将所有项数的平方值求和,得到第一差值平方和。对与的差值分别求平方值,将所有项数的平方值求和,得到第二差值平方和,然后将第一差值平方和除以第二差值平方和,1减上述商值就得到一个系数R,具体计算公式如下:
与其平均数的差的平方和可以表征实时预报数据自身的离散程度,得到的系数R已无量纲化,表征实时预报数据与历史预报数据的相似程度,系数R越小越相似。将该系数R乘以该气象要素给定的配重比wi,并将所有气象要素进行上述操作并最后加和,得到当气象要素只有1个,则metric=R。
为了找到与实时预报数据中t时间点相似的历史预报数据,历史预报数据有N项,因此得到N个metric。另外,为了防止天气预报在时间上的提前或滞后,会给t′设置一个第二时间窗口,若将第二时间段设置为1小时,则t′∈[t-1,t+1],其中t-1代表一小时,t代表另一小时,t+1代表第三小时,则历史预报每天得到3个metric,N天得到3N个metric。同理,若设置第二时间段设为n,则N天得到(2n+1)N个metric。
对每个时刻的metric分别由小到大进行排序,留其中最小的S个metric,确定出这些metric的历史时刻,并相应找出对应的历史预报数据,如图6中历史模拟Fh部分。然后相应找出对应的历史观测数据,如图6中的历史观测Oh。对历史观测数据Oh做平均,得到修正后的模拟结果Fa,此即修正后的天气预报数据。如图6所示,上述过程可简要表述为:在将对于一个站点,将历史预报数据和历史观测数据作为训练数据。第1步,在历史预报数据中寻找与实时预报数据(如图6中的Ff实时模拟)最相近的相似数据(如图6中的历史模拟Fh,每项数据为Anenfn),第2步,输出相似数据对应时段的历史观测数据(如图6中的历史观测Oh,每项数据为AnenOn),第3步,即最后得到修正后的天气预报数据(如图6中的修正后的模拟结果Fa)。
本方法根据实时预报数据在历史预报数据中筛选出相似的天气系统,利用相对应的历史观测数据修正实时预报数据,如图6所示。本方法对物理过程的描述更加详尽,使筛选出的历史观测数据包含各种非线性因素的综合作用,效果明显优于现有方法。实际应用状态下,针对不同电场特殊的地理特征,选用不同的相似判据。另外,还能够根据季节变化导致的天气形势不同,对引入的物理量进行逐步过滤筛选,动态选择使用的气象要素及其配重比,有机地结合了数值天气预报和海量历史资料的优势,提供定制化的风电或光电的功率预报。
本申请提供的气象数据处理方法对气象要素的类型没有限制,可应用于风速、温度、辐照度等多种气象要素的修正,应用范围较广。并且该方法的应用性价比较高,修正效果好而且占用计算资源少,对131个发电场进行计算用时仅0.36s(秒)左右,消耗时间明显少于现有方法。
基于同一发明构思,第二方面,如图7所示,本申请提供了一种气象数据处理装置10,包括获取模块11、相关系数确定模块12、评估值确定模块13、相似评估值确定模块14和修正模块15。
获取模块11用于获取实时预报数据和多项历史预报数据。
相关系数确定模块12用于根据历史预报数据和实时预报数据,确定预报数据相关系数。
评估值确定模块13用于根据预报数据相关系数,确定多项评估值。
相似评估值确定模块14用于根据多项评估值,确定出符合预设估算阈值范围的评估值作为相似评估值。
修正模块15用于根据相似评估值对应的历史预报数据,确定修正后的天气预报数据。
获取模块11获取实时预报数据和多项历史预报数据,具体包括:
确定实时预报数据对应的第一时间节点。获取第一时间节点前的第一时间窗口,第一时间窗口包括若干第一时间段。获取每个第一时间段对应的历史预报数据。
在一些具体的实施方式中,获取模块11获取实时预报数据和多项历史预报数据,还包括:确定每个第一时间段内的第二时间节点。获取第二时间节点前后的第二时间窗口,第二时间窗口包括若干第二时间段;获取每个第二时间段对应的历史预报数据。
另外,获取模块11获取实时预报数据和多项历史预报数据,包括:以预定数据时间分辨率获取实时预报数据和多项历史预报数据。
在某些可行的实施方式中,相关系数确定模块12根据历史预报数据和实时预报数据,确定预报数据相关系数,包括:
确定每项历史预报数据与实时预报数据的第一差值,确定各第一差值的平方和;确定每项历史预报数据与历史预报数据的均值的第二差值,确定各第二差值的平方和;根据第一差值平方和、以及第二差值平方和,确定预报数据相关系数。
在某些可行的实施方式中,实时预报数据和历史预报数据分别包括多种气象要素。以及,评估值确定模块12根据预报数据相关系数,确定多项评估值,包括:确定每项历史预报数据中与每种气象要素对应的预报数据相关系数;根据每项气象要素的数据权重和与每种气象要素对应的预报数据相关系数,确定每项历史预报数据的评估值。
在某些可行的实施方式中,修正模块15根据相似评估值对应的历史预报数据,确定修正后的天气预报数据,包括:根据相似评估值对应的历史预报数据,确定历史预报数据对应的历史观测数据;根据历史观测数据的平均值,确定修正后的天气预报数据。
本申请提供的气象数据处理装置10能够通过以实时预报数据以及多项历史预报数据作为训练数据,基于预报数据相关系数确定历史预报数据与实时预报数据的相似程度,寻找相似程度满足要求的历史预报数据,据以确定修正后的天气预报数据,有效降低了预报的系统误差,提高了修正后的天气预报数据的准确性。
第三方面,本申请实施例中提供了一种气象数据处理设备,该气象数据处理设备包括:包括:一个或多个处理器;存储器;一个或多个应用程序,其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行,一个或多个程序配置用于:实现本申请第一方面提供的气象数据处理方法。与现有技术相比可实现:有效降低预报的系统误差,提高修正后的天气预报数据的准确性。
在一个可选实施例中提供了一种气象数据处理设备,如图8所示,图8所示的气象数据处理设备1000包括:处理器1001和存储器1003。其中,处理器1001和存储器1003相连,如通过总线1002相连。可选地,电子设备1000还可以包括收发器1004。需要说明的是,实际应用中收发器1004不限于一个,该电子设备1000的结构并不构成对本申请实施例的限定。
处理器1001可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器1001也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线1002可包括一通路,在上述组件之间传送信息。总线1002可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线1002可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器1003可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscReadOnly Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器1003用于存储执行本申请方案的应用程序代码,并由处理器1001来控制执行。处理器1001用于执行存储器1003中存储的应用程序代码,以实现前述方法实施例所示的内容。
基于同一发明构思,第四方面,本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当这些计算机程序在计算机上运行时,使得计算机可以实现本申请实施例的上述气象数据处理方法。与现有技术相比,本申请提供计算机可读存储介质存储的计算机程序能够通过以实时预报数据以及多项历史预报数据作为训练数据,基于预报数据相关系数确定历史预报数据与实时预报数据的相似程度,寻找相似程度满足要求的历史预报数据,据以确定修正后的天气预报数据,有效降低了预报的系统误差,提高了修正后的天气预报数据的准确性。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种气象数据处理方法,其特征在于,包括:
获取实时预报数据和多项历史预报数据;
根据所述历史预报数据和所述实时预报数据,确定预报数据相关系数;
根据所述预报数据相关系数,确定多项评估值;
根据所述多项评估值,确定出符合预设估算阈值范围的所述评估值作为相似评估值;
根据所述相似评估值对应的历史预报数据,确定修正后的天气预报数据。
2.根据权利要求1所述的气象数据处理方法,其特征在于,所述获取实时预报数据和多项历史预报数据,包括:
确定所述实时预报数据对应的第一时间节点;
获取所述第一时间节点前的第一时间窗口,所述第一时间窗口包括若干第一时间段;
获取每个第一时间段对应的历史预报数据。
3.根据权利要求2所述的气象数据处理方法,其特征在于,所述获取每个第一时间段对应的历史预报数据,包括:
确定每个所述第一时间段内的第二时间节点;
获取所述第二时间节点前后的第二时间窗口,所述第二时间窗口包括若干第二时间段;获取每个第二时间段对应的历史预报数据。
4.根据权利要求1所述的气象数据处理方法,其特征在于,所述获取实时预报数据和多项历史预报数据,包括:
以预定数据时间分辨率获取所述实时预报数据和所述多项历史预报数据。
5.根据权利要求1所述的气象数据处理方法,其特征在于,所述根据所述历史预报数据和所述实时预报数据,确定预报数据相关系数,包括:
确定每项所述历史预报数据与所述实时预报数据的第一差值,确定各所述第一差值的平方和;
确定每项所述历史预报数据与所述历史预报数据的均值的第二差值,确定各所述第二差值的平方和;
根据所述第一差值平方和、以及所述第二差值平方和,确定所述预报数据相关系数。
6.根据权利要求1~5中任一项所述的气象数据处理方法,其特征在于,所述实时预报数据和所述历史预报数据分别包括多种气象要素;
以及,所述根据所述预报数据相关系数,确定多项评估值,包括:
确定每项历史预报数据中与每种气象要素对应的预报数据相关系数;
根据每项所述气象要素的数据权重和所述与每种气象要素对应的预报数据相关系数,确定每项历史预报数据的所述评估值。
7.根据权利要求1所述的气象数据处理方法,其特征在于,所述根据所述相似评估值对应的历史预报数据,确定修正后的天气预报数据,包括:
根据所述相似评估值对应的历史预报数据,确定所述历史预报数据对应的历史观测数据;
根据所述历史观测数据的平均值,确定所述修正后的天气预报数据。
8.一种气象数据处理装置,其特征在于,包括:
获取模块,用于获取实时预报数据和多项历史预报数据;
相关系数确定模块,用于根据所述历史预报数据和所述实时预报数据,确定预报数据相关系数;
评估值确定模块,用于根据所述预报数据相关系数,确定多项评估值;
相似评估值确定模块,用于根据所述多项评估值,确定出符合预设估算阈值范围的所述评估值作为相似评估值;
修正模块,用于根据所述相似评估值对应的历史预报数据,确定修正后的天气预报数据。
9.一种气象数据处理设备,其特征在于,其包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个应用程序配置用于:实现如权利要求1~7中任一项所述的气象数据处理方法。
10.一种计算机可读存储介质,其特征在于,所述计算机存储介质用于存储计算机程序,当所述计算机程序在计算机上运行时,使得计算机实现上述权利要求1~7中任一项所述的气象数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910944395.3A CN112580844A (zh) | 2019-09-30 | 2019-09-30 | 气象数据处理方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910944395.3A CN112580844A (zh) | 2019-09-30 | 2019-09-30 | 气象数据处理方法、装置、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112580844A true CN112580844A (zh) | 2021-03-30 |
Family
ID=75116685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910944395.3A Pending CN112580844A (zh) | 2019-09-30 | 2019-09-30 | 气象数据处理方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580844A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113094637A (zh) * | 2021-04-08 | 2021-07-09 | 云岚空间(北京)科技有限公司 | 气象预报方法及装置、电子设备、存储介质 |
CN113268627A (zh) * | 2021-06-08 | 2021-08-17 | 河北省科学院应用数学研究所 | 一种暴雨相似天气自动检索方法 |
CN114578456A (zh) * | 2022-01-30 | 2022-06-03 | 中国科学院大气物理研究所 | 应用于雷达预报强对流天气的数据处理方法、装置、设备以及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106291764A (zh) * | 2016-08-12 | 2017-01-04 | 华南师范大学 | 基于大数据和气象分析场的气象预报方法和系统 |
CN107991722A (zh) * | 2017-12-25 | 2018-05-04 | 北京墨迹风云科技股份有限公司 | 天气预测模型的建立方法、预测方法和预测装置 |
CN108491959A (zh) * | 2018-02-11 | 2018-09-04 | 周名扬 | 一种智能相似天气预报方法及系统、信息数据处理终端 |
CN108802857A (zh) * | 2018-04-20 | 2018-11-13 | 云南电网有限责任公司 | 一种基于气象数据的气象预报系统 |
CN109325633A (zh) * | 2018-10-23 | 2019-02-12 | 中国电力科学研究院有限公司 | 一种天气预报集合成员选取方法和系统 |
CN109543295A (zh) * | 2018-11-21 | 2019-03-29 | 国网青海省电力公司 | 数值天气预报的气象要素数据处理方法及装置 |
CN110019124A (zh) * | 2017-11-21 | 2019-07-16 | 中国电力科学研究院有限公司 | 一种集合天气预报修订方法及系统 |
-
2019
- 2019-09-30 CN CN201910944395.3A patent/CN112580844A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106291764A (zh) * | 2016-08-12 | 2017-01-04 | 华南师范大学 | 基于大数据和气象分析场的气象预报方法和系统 |
CN110019124A (zh) * | 2017-11-21 | 2019-07-16 | 中国电力科学研究院有限公司 | 一种集合天气预报修订方法及系统 |
CN107991722A (zh) * | 2017-12-25 | 2018-05-04 | 北京墨迹风云科技股份有限公司 | 天气预测模型的建立方法、预测方法和预测装置 |
CN108491959A (zh) * | 2018-02-11 | 2018-09-04 | 周名扬 | 一种智能相似天气预报方法及系统、信息数据处理终端 |
CN108802857A (zh) * | 2018-04-20 | 2018-11-13 | 云南电网有限责任公司 | 一种基于气象数据的气象预报系统 |
CN109325633A (zh) * | 2018-10-23 | 2019-02-12 | 中国电力科学研究院有限公司 | 一种天气预报集合成员选取方法和系统 |
CN109543295A (zh) * | 2018-11-21 | 2019-03-29 | 国网青海省电力公司 | 数值天气预报的气象要素数据处理方法及装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113094637A (zh) * | 2021-04-08 | 2021-07-09 | 云岚空间(北京)科技有限公司 | 气象预报方法及装置、电子设备、存储介质 |
CN113094637B (zh) * | 2021-04-08 | 2024-03-19 | 云岚空间(北京)科技有限公司 | 气象预报方法及装置、电子设备、存储介质 |
CN113268627A (zh) * | 2021-06-08 | 2021-08-17 | 河北省科学院应用数学研究所 | 一种暴雨相似天气自动检索方法 |
CN113268627B (zh) * | 2021-06-08 | 2022-03-25 | 河北省科学院应用数学研究所 | 一种暴雨相似天气自动检索方法 |
CN114578456A (zh) * | 2022-01-30 | 2022-06-03 | 中国科学院大气物理研究所 | 应用于雷达预报强对流天气的数据处理方法、装置、设备以及介质 |
CN114578456B (zh) * | 2022-01-30 | 2023-02-21 | 中国科学院大气物理研究所 | 应用于雷达预报强对流天气的数据处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lerch et al. | Comparison of non-homogeneous regression models for probabilistic wind speed forecasting | |
CN112580844A (zh) | 气象数据处理方法、装置、设备及计算机可读存储介质 | |
CN108074015B (zh) | 一种风电功率超短期预测方法及系统 | |
CN113592165B (zh) | 基于旬倾向和物理模态建模的次季节气候预测方法与系统 | |
CN109558968B (zh) | 风电场出力相关性分析方法及装置 | |
CN110705771A (zh) | 区域电网新能源发电功率预测优化方法和装置 | |
CN117117819A (zh) | 一种光伏发电短期功率预测方法、系统、设备和介质 | |
CN112819312A (zh) | 气候变化情景下干旱社会经济暴露度评估方法和系统 | |
CN109523077B (zh) | 一种风电功率预测方法 | |
CN111323847B (zh) | 用于为模拟集成算法确定权重比的方法和设备 | |
CN114266416A (zh) | 基于相似日的光伏发电功率短期预测方法、装置及存储介质 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
CN115130764A (zh) | 基于状态评估的配电网态势预测方法及系统 | |
CN113568067B (zh) | 数值天气预报方法、装置、计算机存储介质及电子设备 | |
CN112036634B (zh) | 光伏发电功率的确定方法、预测系统及可读存储介质 | |
CN116186493B (zh) | 基于数值模式校正的气象预报方法、装置、设备和介质 | |
CN110968929A (zh) | 风电场风速的预测方法、装置及电子设备 | |
CN112580845A (zh) | 气象数据处理方法、装置、设备及计算机可读存储介质 | |
CN117200223A (zh) | 日前电力负荷预测方法和装置 | |
CN116760006A (zh) | 一种风电功率预测方法、装置、设备及存储介质 | |
CN115173421A (zh) | 一种基于渐进拉丁超立方采样的概率最优潮流计算方法 | |
Heidrich et al. | Adaptively coping with concept drifts in energy time series forecasting using profiles | |
CN113159224A (zh) | 一种径流预报模型构建方法、装置、电子设备和介质 | |
CN111401624A (zh) | 一种风功率预测的方法、装置及计算机可读存储介质 | |
CN110705769A (zh) | 新能源发电功率预测优化方法和装置 |
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 |