CN112987133A - 一种基于svr和var的地面风矢量临近预报方法 - Google Patents

一种基于svr和var的地面风矢量临近预报方法 Download PDF

Info

Publication number
CN112987133A
CN112987133A CN202110525246.0A CN202110525246A CN112987133A CN 112987133 A CN112987133 A CN 112987133A CN 202110525246 A CN202110525246 A CN 202110525246A CN 112987133 A CN112987133 A CN 112987133A
Authority
CN
China
Prior art keywords
svr
ground
wind speed
var
model
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
CN202110525246.0A
Other languages
English (en)
Other versions
CN112987133B (zh
Inventor
郭洪涛
宋金杰
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.)
Haitian Xingyun (Nanjing) Technology Co.,Ltd.
Original Assignee
Jiangsu Quan Quan Information Technology 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 Jiangsu Quan Quan Information Technology Co ltd filed Critical Jiangsu Quan Quan Information Technology Co ltd
Priority to CN202110525246.0A priority Critical patent/CN112987133B/zh
Publication of CN112987133A publication Critical patent/CN112987133A/zh
Application granted granted Critical
Publication of CN112987133B publication Critical patent/CN112987133B/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
    • 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

  • Environmental & Geological Engineering (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

基于SVR和VAR的地面风矢量临近预报方法，具体步骤和特征如下：步骤1：地面多种气象要素的收集；步骤2：地面风矢量的分解和质量控制；步骤3：基于单个气象要素SVR的显著自变量提取；步骤4：基于所有显著自变量SVR和VAR的非线性模型估计；步骤5：非线性模型的递推预报。本发明提出一种基于SVR和VAR的地面风矢量临近预报方法，本发明针对气象要素的特征将SVR技术进行优化，并引入和改进VAR模型，实现对地面风矢量的预报。

Description

一种基于SVR和VAR的地面风矢量临近预报方法
技术领域
本发明涉及机器学习领域，尤其涉及一种基于SVR和VAR的地面风矢量临近预报方法。
背景技术
风矢量（包括风速和风向）是地面气象站的重要观测要素，地面风矢量的变化能够显著影响社会生产和人民生活。例如在交通运输、尤其是航空领域，地面风的增强或骤变不仅影响飞机起降的频率，而且严重威胁生命财产安全。又如在能源领域，电力部门需要依据地面风的大小来调整风力发电计划，降低风机发电功率异常变化给输电网带来的潜在风险。因此，迫切需要准确率高、时间分辨率高的地面风矢量预报，为政府和民众采取防灾避灾措施提供重要支撑。
风矢量预报按照预报时效的长短，主要依靠数值模式或统计技术来实现。在短期（未来1~3天）预报方面，风矢量预报首要由数值模式的地面风预报场提供。而在临近预报方面，由于数值模式的局限性，比如计算耗时多、运行初始阶段模式因处于调整过程而预报误差较大等问题，基本通过统计技术来制作风矢量的预报。一方面，当前对地面风速的临近预报大多采用传统统计技术中的时间序列分析方法，例如自回归（AR）模型、滑动平均（MA）模型、自回归滑动平均（ARMA）模型等，主要考虑风在时间上的自相关性，即当前和过去一段时间内风速特征与未来一段时间内风速变化的关联性。在数学上，既由于风速的取值不能为负，又由于风速不满足高斯分布，不满足以上传统统计模型的基本假设，会给风速预报带来较大的误差；在物理上，以上常用方法中仅考虑了前期风速特征对后期风速变化的影响，而忽略了前期其他气象变量（如气压、温度等）与后期风速变化的联系，降低了风速预报的精度。另一方面，与地面风速预报相比，目前尚缺乏对地面风向的客观预报方法。为了解决以上问题，首先需要将风速预报扩展为风速和风向的预报，即将预报的地面风由标量还原为矢量，其次需要考虑地面其他气象要素对风矢量的作用。
在计量经济学领域广泛采用一种向量自回归（Vector Autoregressive model，简称VAR）模型，能够实现前期所有变量对后期所有变量的滞后回归。在VAR模型中，前、后期变量之间的关系是完全线性的，即前期不同变量对后期某一变量的影响是独立的、线性可叠加的。相比AR模型，可以将VAR模型引入地面风矢量的预报方法中，考虑地面多种气象要素对风矢量变化的调控作用。然而，地面气象要素间的关系以为非线性相关为主，传统的VAR模型无法捕捉。针对这一缺陷，需要将VAR模型中显式的线性方案改进为隐式的非线性方案，在模型估计前不预先设定变量间的关系方程，而是通过计算由模型自身给出。近年来，随着机器学习领域研究的不断深入和应用的不断扩展，机器学习内的相关技术已经能够考虑和描述变量间的非线性关系，例如SVR技术。SVR是将支持向量机应用在回归问题上，通过将原始变量映射到高维空间，实现将原始空间内的非线性关系用映射空间内的线性关系来表达，从而能够定量描述原始变量间的非线性相关性。此外，SVR因为不预先假设变量的统计分布，所以适用于非高斯分布的气象要素变量。
发明内容
为解决上述问题,本发明提出一种基于SVR和VAR的地面风矢量临近预报方法，本发明针对气象要素的特征将SVR技术进行优化，并引入和改进VAR模型，实现对地面风矢量的预报。
技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于SVR和VAR的地面风矢量临近预报方法，其特征在于：包括以下步骤：
步骤1：地面多种气象要素的收集；
步骤2：地面风矢量的分解和质量控制；
所述步骤2中的质量控制公式为：
Figure 100002_DEST_PATH_IMAGE001
（1）
其中
Figure 100002_DEST_PATH_IMAGE002
为质量控制后
Figure 100002_DEST_PATH_IMAGE003
时刻的地面纬向风速或经向风速，
Figure 100002_DEST_PATH_IMAGE004
为质量控制前相应的风速，
Figure 100002_DEST_PATH_IMAGE005
为风速观测的时间间隔，通过质量控制，过滤掉高频的风速变化信息，屏蔽掉由观测不确定性可能引起的虚假的风速扰动；
步骤3：基于单个气象要素SVR模型的显著自变量提取；
所述步骤3中SVR模型估计的关系式为：
Figure 100002_DEST_PATH_IMAGE006
（2）
其中
Figure 100002_DEST_PATH_IMAGE007
为距
Figure 365551DEST_PATH_IMAGE003
时刻后所对应的地面纬向风速或经向风速的观测值，
Figure 100002_DEST_PATH_IMAGE008
为单一气象要素的
Figure 220375DEST_PATH_IMAGE003
时刻及其以前的观测值，仅考虑到距
Figure 154439DEST_PATH_IMAGE003
最近的4个时次，
Figure 100002_DEST_PATH_IMAGE009
为
Figure 100002_DEST_PATH_IMAGE010
和
Figure 284069DEST_PATH_IMAGE008
间的非线性关系，通过将高斯径向基函数作为核函数的SVR模型估计得到，步骤3中提取SVR估计相对误差小于10%的气象要素作为显著自变量，相对误差E定义式为：
Figure 100002_DEST_PATH_IMAGE011
（3）
其中
Figure 100002_DEST_PATH_IMAGE012
为地面纬向风速或经向风速的观测值，
Figure 100002_DEST_PATH_IMAGE013
为基于SVR模型通过公式（2）的估计值；
步骤4：基于所有显著自变量SVR和VAR的非线性模型估计；
所述步骤4中基于SVR技术的VAR模型估计的关系式为：
Figure 100002_DEST_PATH_IMAGE015
（4）
其中
Figure 100002_DEST_PATH_IMAGE016
为通过步骤3所提取的
Figure 100002_DEST_PATH_IMAGE017
个显著自变量，
Figure 318016DEST_PATH_IMAGE010
为地面纬向风速或经向风速的观测值，
Figure 671636DEST_PATH_IMAGE009
为单个因变量
Figure 594462DEST_PATH_IMAGE010
和多个自变量
Figure 100002_DEST_PATH_IMAGE018
的非线性关系，
Figure 100002_DEST_PATH_IMAGE019
为单个因变量和多个自变量
Figure 262204DEST_PATH_IMAGE018
的非线性关系，都通过将高斯径向基函数作为核函数的SVR模型估计得到；
步骤5：非线性模型的递推预报。
作为本发明进一步改进，所述步骤5中递推预报公式为：
Figure 100002_DEST_PATH_IMAGE021
（5）
Figure 100002_DEST_PATH_IMAGE023
（6）
其中
Figure 100002_DEST_PATH_IMAGE024
为未来时刻的地面纬向风速或经向风速的预报值，
Figure 100002_DEST_PATH_IMAGE025
为未来时刻通过步骤3所提取的
Figure DEST_PATH_IMAGE026
个显著自变量的预报值，
Figure DEST_PATH_IMAGE027
为步骤4所估计得到的非线性关系式。本发明的有益效果是：
基于SVR和VAR的地面风矢量临近预报方法，具体步骤和特征如下：步骤1：地面多种气象要素的收集；步骤2：地面风矢量的分解和质量控制；步骤3：基于单个气象要素SVR的显著自变量提取；步骤4：基于所有显著自变量SVR和VAR的非线性模型估计；步骤5：非线性模型的递推预报。本发明提出一种基于SVR和VAR的地面风矢量临近预报方法，本发明针对气象要素的特征将SVR技术进行优化，并引入和改进VAR模型，实现对地面风矢量的预报。
附图说明
图1是方法架构和执行流程图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
本发明提出一种基于SVR和VAR的地面风矢量临近预报方法，本发明针对气象要素的特征将SVR技术进行优化，并引入和改进VAR模型，实现对地面风矢量的预报。
下面结合附图与具体实施方式对本发明做进一步详细描述。本发明工作流程图如图1所示，具体为：
首先，收集站点的历史观测数据，至少包括过去一个季度（90天）的地面多种气象要素观测值，观测间隔为10~15分钟。由于地面风的常规观测仅提供风速
Figure DEST_PATH_IMAGE028
和风向
Figure DEST_PATH_IMAGE029
两个量，取值范围分别为
Figure DEST_PATH_IMAGE030
和
Figure DEST_PATH_IMAGE031
，均为有界。因此需要利用下列公式分解成取值范围均为
Figure DEST_PATH_IMAGE032
的水平纬向风
Figure DEST_PATH_IMAGE033
和水平经向风
Figure DEST_PATH_IMAGE034
两个量：
Figure DEST_PATH_IMAGE035
（7）
分解后利用公式（1）对
Figure DEST_PATH_IMAGE036
分别进行质量控制，去除仪器测量不稳定性所造成的潜在高频噪声。
接着，通过收集到的过去时段内的所有样本，针对每一种地面气象要素，分别利用公式（2）建立其与滞后的
Figure DEST_PATH_IMAGE037
的非线性关系，并计算公式（3）所得到的相对误差大小。选取相对误差小于10%的非线性模型所对应的气象要素作为显著自变量（共
Figure DEST_PATH_IMAGE038
个）进行后续运算。通过SVR估计的非线性关系式在计算相对误差结束后不再保留。
然后，利用公式（4）分别建立滞后的
Figure 341803DEST_PATH_IMAGE037
、所有
Figure DEST_PATH_IMAGE039
个显著自变量与前期气象要素之间的非线性关系，利用SVR和VAR可以得到
Figure DEST_PATH_IMAGE040
个关系式，存储模型参数供后续使用。
最后，利用公式（5）和公式（6）进行预报递推，其中的非线性模型参数由上一步估计得到。按照时间顺序进行递推，即先预报公式等号左边
Figure DEST_PATH_IMAGE041
时刻的
Figure 725380DEST_PATH_IMAGE037
和所有
Figure DEST_PATH_IMAGE042
个显著自变量，再将其放如公式等号后边，预报公式等号左边
Figure DEST_PATH_IMAGE043
时刻的对应量，以此类推。每一时刻计算完成后，利用下列公式将
Figure 948551DEST_PATH_IMAGE037
转化为与观测一致的
Figure DEST_PATH_IMAGE044
：
Figure DEST_PATH_IMAGE045
（8）
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (2)

1.一种基于SVR和VAR的地面风矢量临近预报方法，其特征在于：包括以下步骤：
步骤1：地面多种气象要素的收集；
步骤2：地面风矢量的分解和质量控制；
所述步骤2中的质量控制公式为：
Figure DEST_PATH_IMAGE001
（1）
其中
Figure DEST_PATH_IMAGE002
为质量控制后
Figure DEST_PATH_IMAGE003
时刻的地面纬向风速或经向风速，
Figure DEST_PATH_IMAGE004
为质量控制前相应的风速，
Figure DEST_PATH_IMAGE005
为风速观测的时间间隔，通过质量控制，过滤掉高频的风速变化信息，屏蔽掉由观测不确定性可能引起的虚假的风速扰动；
步骤3：基于单个气象要素SVR模型的显著自变量提取；
所述步骤3中SVR模型估计的关系式为：
Figure DEST_PATH_IMAGE006
（2）
其中
Figure DEST_PATH_IMAGE007
为距
Figure 55558DEST_PATH_IMAGE003
时刻后所对应的地面纬向风速或经向风速的观测值，
Figure DEST_PATH_IMAGE008
为单一气象要素的
Figure 765894DEST_PATH_IMAGE003
时刻及其以前的观测值，仅考虑到距
Figure 602263DEST_PATH_IMAGE003
最近的4个时次，
Figure DEST_PATH_IMAGE009
为
Figure DEST_PATH_IMAGE010
和
Figure 63462DEST_PATH_IMAGE008
间的非线性关系，通过将高斯径向基函数作为核函数的SVR模型估计得到，步骤3中提取SVR估计相对误差小于10%的气象要素作为显著自变量，相对误差E定义式为：
Figure DEST_PATH_IMAGE011
（3）
其中
Figure DEST_PATH_IMAGE012
为地面纬向风速或经向风速的观测值，
Figure DEST_PATH_IMAGE013
为基于SVR模型通过公式（2）的估计值；
步骤4：基于所有显著自变量SVR和VAR的非线性模型估计；
所述步骤4中基于SVR技术的VAR模型估计的关系式为：
Figure DEST_PATH_IMAGE014
（4）
其中
Figure DEST_PATH_IMAGE015
为通过步骤3所提取的
Figure DEST_PATH_IMAGE016
个显著自变量，
Figure 555230DEST_PATH_IMAGE010
为地面纬向风速或经向风速的观测值，
Figure DEST_PATH_IMAGE017
为单个因变量
Figure 136384DEST_PATH_IMAGE010
和多个自变量
Figure DEST_PATH_IMAGE018
的非线性关系，
Figure DEST_PATH_IMAGE019
为单个因变量和多个自变量
Figure 189660DEST_PATH_IMAGE018
的非线性关系，都通过将高斯径向基函数作为核函数的SVR模型估计得到；
步骤5：非线性模型的递推预报。
2.根据权利要求1所述的一种基于SVR和VAR的地面风矢量临近预报方法，其特征在于：
所述步骤5中递推预报公式为：
Figure DEST_PATH_IMAGE020
（5）
Figure DEST_PATH_IMAGE021
（6）
其中
Figure DEST_PATH_IMAGE022
为未来时刻的地面纬向风速或经向风速的预报值，
Figure DEST_PATH_IMAGE023
为未来时刻通过步骤3所提取的
Figure DEST_PATH_IMAGE024
个显著自变量的预报值，
Figure DEST_PATH_IMAGE025
为步骤4所估计得到的非线性关系式。
CN202110525246.0A 2021-05-14 2021-05-14 一种基于svr和var的地面风矢量临近预报方法 Active CN112987133B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110525246.0A CN112987133B (zh) 2021-05-14 2021-05-14 一种基于svr和var的地面风矢量临近预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110525246.0A CN112987133B (zh) 2021-05-14 2021-05-14 一种基于svr和var的地面风矢量临近预报方法

Publications (2)

Publication Number Publication Date
CN112987133A true CN112987133A (zh) 2021-06-18
CN112987133B CN112987133B (zh) 2021-08-13

Family

ID=76337734

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110525246.0A Active CN112987133B (zh) 2021-05-14 2021-05-14 一种基于svr和var的地面风矢量临近预报方法

Country Status (1)

Country Link
CN (1) CN112987133B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103198447A (zh) * 2013-04-09 2013-07-10 哈尔滨工业大学 一种基于卫星云图的风矢场实时度量方法
US20170131435A1 (en) * 2015-11-05 2017-05-11 Heriot-Watt University Localized weather prediction
CN108520310A (zh) * 2018-03-01 2018-09-11 河南师范大学 基于G-L混合噪声特性v-支持向量回归机的风速预报方法
JP2020159725A (ja) * 2019-03-25 2020-10-01 株式会社新エネルギー総合研究所 風況予測システム、及び風況予測方法
CN112183814A (zh) * 2020-08-26 2021-01-05 东南大学 一种短期风速预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103198447A (zh) * 2013-04-09 2013-07-10 哈尔滨工业大学 一种基于卫星云图的风矢场实时度量方法
US20170131435A1 (en) * 2015-11-05 2017-05-11 Heriot-Watt University Localized weather prediction
CN108520310A (zh) * 2018-03-01 2018-09-11 河南师范大学 基于G-L混合噪声特性v-支持向量回归机的风速预报方法
JP2020159725A (ja) * 2019-03-25 2020-10-01 株式会社新エネルギー総合研究所 風況予測システム、及び風況予測方法
CN112183814A (zh) * 2020-08-26 2021-01-05 东南大学 一种短期风速预测方法

Also Published As

Publication number Publication date
CN112987133B (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
CN111582551B (zh) 风电场短期风速预测方法、系统及电子设备
CN104573876A (zh) 基于时序长记忆模型的风电场短期风速预测方法
Cao et al. Multi-step wind power forecasting model using LSTM networks, similar time series and LightGBM
Dong et al. Short-term wind-speed forecasting based on multiscale mathematical morphological decomposition, K-means clustering, and stacked denoising autoencoders
CN116307291B (zh) 一种基于小波分解的分布式光伏发电预测方法及预测终端
Li et al. Application of ARIMA and LSTM in relative humidity prediction
Dokur Swarm decomposition technique based hybrid model for very short-term solar PV power generation forecast
CN104794538A (zh) 基于ieemd-bpnn的电力系统短期负荷预测方法
CN113627685B (zh) 一种考虑风电上网负荷限制的风力发电机功率预测方法
CN114819385A (zh) 风电功率预测方法、装置、电子设备及存储介质
CN114298132A (zh) 风电功率预测方法及装置、电子设备
CN112987133B (zh) 一种基于svr和var的地面风矢量临近预报方法
CN105939014A (zh) 一种风电场站相关性指标获取方法
Chen et al. Chaotic wind speed series forecasting based on wavelet packet decomposition and support vector regression
CN111784543A (zh) 一种基于隐马尔可夫模型预测短期光伏发电系统发电量的系统模型
Chang et al. Forecasting wind power generation by a new type of radial basis function-based neural network
Zhen et al. Multi-level wavelet decomposition based day-ahead solar irradiance forecasting
Abdellatif et al. Forecast of Solar Photovoltaic Power Output Based on Polycrystalline Panel-based Employing Various Ensemble Machine Learning Methods
CN113537573B (zh) 基于双重时空特征提取的风电功率运行趋势预测方法
Bantupalli et al. Wind Speed forecasting using empirical mode decomposition with ANN and ARIMA models
CN114239920A (zh) 一种风电功率短期预测方法
Prasetyowati et al. Comparison Accuracy W-NN and WD-SVM Method In Predicted Wind Power Model on Wind Farm Pandansimo
Lu Multi-step ahead ultra-short-term wind power forecasting based on time series analysis
CN117688367B (zh) 一种基于即时学习的风力发电超短期功率预测方法及装置
Bessa et al. Wind power forecasting with entropy-based criteria algorithms

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Guo Hongtao

Inventor before: Guo Hongtao

Inventor before: Song Jinjie

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210726

Address after: 210000 room 5, building 516, No. 1, Jiulonghu Road, moling street, Jiangning District, Nanjing, Jiangsu Province

Applicant after: Guo Hongtao

Address before: Room 905 and 906, 9 / F, building 4, No. 18, Jiangdong Street, Jialing, Jianye District, Nanjing City, Jiangsu Province, 210000

Applicant before: JIANGSU QUAN QUAN INFORMATION TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230920

Address after: Room 301, No.1 Science and Technology Building, Jinling University of Science and Technology, No. 99 Hongjing Avenue, Jiangning District, Nanjing City, Jiangsu Province, 210000 (Jiangning High tech Park)

Patentee after: Haitian Xingyun (Nanjing) Technology Co.,Ltd.

Address before: 210000 room 5, building 516, No. 1, Jiulonghu Road, moling street, Jiangning District, Nanjing, Jiangsu Province

Patentee before: Guo Hongtao