CN113159714B - 一种面向电网的气象数据订正方法 - Google Patents

一种面向电网的气象数据订正方法 Download PDF

Info

Publication number
CN113159714B
CN113159714B CN202110358234.3A CN202110358234A CN113159714B CN 113159714 B CN113159714 B CN 113159714B CN 202110358234 A CN202110358234 A CN 202110358234A CN 113159714 B CN113159714 B CN 113159714B
Authority
CN
China
Prior art keywords
meteorological
forecast
data
wind speed
correction
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.)
Active
Application number
CN202110358234.3A
Other languages
English (en)
Other versions
CN113159714A (zh
Inventor
王津宇
李哲
梁允
姚德贵
郭志民
杨磊
李帅
刘善峰
刘莘昱
吕中宾
卢明
苑司坤
高阳
王超
张宇鹏
高超
耿俊成
张小斐
袁少光
毛万登
田杨阳
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.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Henan Electric Power Co Ltd
Henan Jiuyu Enpai Power Technology Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Henan Electric Power Co Ltd
Henan Jiuyu Enpai Power 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 State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Henan Electric Power Co Ltd, Henan Jiuyu Enpai Power Technology Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110358234.3A priority Critical patent/CN113159714B/zh
Publication of CN113159714A publication Critical patent/CN113159714A/zh
Application granted granted Critical
Publication of CN113159714B publication Critical patent/CN113159714B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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—Systems or methods specially adapted for 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种面向电网的气象数据订正方法，包括：步骤1：获取气象站的历史地面气象观测资料及气象预报资料；步骤2：划分网络格点，根据步骤1的历史地面气象观测资料及气象预报资料，针对不同气象要素按照各个预报时次建立目标格点订正模型；步骤3：将建立的目标格点订正模型进行外推和平滑，得到全网格格点订正模型；步骤4：利用全网格格点订正模型对气象要素进行统计订正。本发明利用历史地面气象观测资料和气象预报资料，通过历史样本的统计分析，针对地面要素建立精细化的客观订正预报模型，提高面向专业服务的气象要素预报精度。

Description

一种面向电网的气象数据订正方法
技术领域
本发明属于气象数据处理技术领域，涉及一种面向电网的气象数据订正方法。
背景技术
当前的区域气象数值预报产品存在一定可改进的空间，对于地面气象要素而言，不同预报时效、不同区域存在不同的误差分布特征，远不能满足精细化专业气象预报服务的需求，因此非常有必要开展统计订正预报技术研究。
数值模式输出统计预报方法(MOS)在科研工作和业务预报制作中得到广泛应用。大多采用回归方法和确定的建模方法以保证业务运行的稳定性。这种方法适用于样本充分、变化较为平稳的预报目标，如气温、相对湿度等。而当样本数较低时，研究中通常采用动态滚动的非线性订正方法，如Kalman滤波、偏最小二乘法、神经网络等。而服务于传统气象预报业务的相关研究中通常采用动态滚动的订正方法，如根据数值模式前几个预报时次的误差计算出后面预报时次的误差，对模式预报的形势场进行实时动态订正；利用近30年NCEP30的再分析资料作为历史样本场，用动态相似的统计方法从历史样本中找出相似个例，对T639的环流场进行实时滚动订正，但该方法对温度场和高度场的订正效果在72h之内都不理想，即订正后的误差大于订正前的误差。可能由于动态相似法是一种大气环流形势的历史相似个例统计分析，时空尺度较大，对72h以内的精细化专业预报服务不适用。
综上所述，订正模型中引入实时预报误差作为订正因子，模型的业务运行稳定性受到一定限制；订正方案中大多引入全球再分析资料进行误差分析和预报订正，该方案适用于时空尺度较大的区域范围预报，且全预报时段、全区域使用同一个订正模型，针对性不够，不能满足精细化专业预报服务中的时空需求。
发明内容
为解决现有技术中的不足，本申请提供一种面向电网的气象数据订正方法，以精细化专业气象预报服务的时空需求为目标，通过历史样本的统计分析，针对地面要素建立精细化的客观订正预报模型，以期提高面向专业服务的气象要素预报精度。
为了实现上述目标，本发明采用如下技术方案：
一种面向电网的气象数据订正方法，所述方法包括以下步骤：
步骤1：获取气象站的历史地面气象观测资料及气象预报资料；
步骤2：划分网络格点，根据步骤1的历史地面气象观测资料及气象预报资料，针对不同气象要素按照各个预报时次建立目标格点订正模型；
步骤3：将建立的目标格点订正模型进行外推和平滑，得到全网格格点订正模型；
步骤4：利用全网格格点订正模型对气象要素进行统计订正。
本发明进一步包括以下优选方案：
优选地，步骤1具体为：获取国家级和区域自动气象站的历史逐小时地面气象观测资料及气象预报资料，包括气象要素：气温、相对湿度和风速。
优选地，步骤2中，对于气温和相对湿度，根据气象观测资料对气象预报资料进行地形订正，得到目标格点处的观测值序列和预报值序列；
对目标格点处的观测值序列和预报值序列进行回归统计，按照各个预报时次分别建立气温和相对湿度目标格点订正模型。
优选地，所述对目标格点处的观测值序列和预报值序列进行回归统计，按照各个预报时次分别建立气温和相对湿度目标格点订正模型，具体为：
在地形订正基础上，利用回归统计方法，依次计算站点匹配的目标格点订正模型第一系数w和第二系数b，得到目标格点订正模型：
Figure BDA0003004472060000021
Figure BDA0003004472060000022
为预报值，x为特征变量，包括气温、相对湿度和风速相关变量的观测值数据；
系数w和b通过求解最小化L得到，其中L为：
Figure BDA0003004472060000023
xi，yi分别为第i组特征变量、第i组观测值，n为每组数据作成表格处理时的数据行数。
优选地，采用最小二乘法或梯度下降求解最小化L。
优选地，步骤2中，建立气温和相对湿度目标格点订正模型，还包括：进行空间一致性检验及优化，即超过一个气象站匹配同一个格点时，对应多个目标格点订正模型，则筛选预测数据最接近实况观测数据的订正模型作为最优且唯一的目标格点订正模型。
优选地，步骤2中，针对风速，利用反距离插值法按照各个预报时次建立目标格点订正模型。
优选地，所述针对风速，利用反距离插值法按照各个预报时次建立目标格点订正模型，具体为：
选取风速大于阈值的观测资料中数据质量满足要求的气象站为优选站，在每个优选站周围选取k个预报格点，将此k个格点的预报值反距离插值到优选气象站点，按月份建立优选站点观测风速与模式预报风速的相关模型，用观测风速计算优选站点风速预报值；
在目标格点周围选m个优选站，将m个优选站点的风速预报值反距离插值到该格点风速预报值，得到目标格点的风速订正预报值，从而建立风速目标格点订正模型。
本申请所达到的有益效果：
精细化电力气象预报服务对不同预报时效、不同区域气象要素需求精准度较高，目前气象方面对近地层的气象要素预报精准度远不能满足精细化电力气象预报服务的需求。本发明利用历史地面气象观测资料和气象预报资料，通过历史样本的统计分析，针对地面要素建立精细化的客观订正预报模型，提高面向专业服务的气象要素预报精度。
附图说明
图1为本发明气象数据订正方法流程图；
图2为气象站与邻近格点位置示意图；
图3为气象站观测与邻近格点预报的散点图；
其中，上图实测资料未进行地形订正，下图为地形订正后的结果；
图4为地面气象要素的精细化订正模型表；
图5为为地面气温订正效果比较图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
本发明目的就是以精细化专业气象预报服务的时空需求为目标，通过历史样本的统计分析，针对地面要素建立精细化的客观订正预报模型，以期提高面向专业服务的气象要素预报精度。
如图1所示，本发明的一种面向电网的气象数据订正方法，所述方法包括以下步骤：
步骤1：获取气象站的历史地面气象观测资料及气象预报资料，包括气象要素：气温、相对湿度和风速；
国家级和区域站监测的数据大致相同，因为国家级自动站数量有限，点位分散，不够精细，需补充区域站。
具体实施时，为满足精细化专业气象服务需求，利用省121个国家级气象观测站和2274个区域自动气象站的逐小时地面气象观测资料及气象预报资料。
气象观测资料及气象预报资料分别对应图1的河南地面气象观测资料和河南0-73h数值预报资料数据。
步骤2：划分网络格点，根据步骤1的历史地面气象观测资料及气象预报资料，针对不同气象要素按照各个预报时次建立目标格点订正模型；
网格格点划分以GFS全球预报场作为模式初始场进行模式积分，水平分辨率分别9km，水平网格点数分别为400×649，垂直方向50层，可覆盖中国全国范围。网格点可以理解为GFS全球预报场的分辨率。
对于气温和相对湿度，根据气象观测资料对气象预报资料进行地形订正，将实况预测资料修正至邻近格点处，得到目标格点处的观测值序列和预报值序列；
即地形订正包含观测资料和0-73h数值预报数据修正。
具体实施时，选择河南地区西部山区的某站点进行海拔差异影响研究，气象站与其邻近的格点位置如图2和表1所示。可见，气象站与格点的距离分别约为4km和7km，距离较近，但气象站的海拔比最近格点处的海拔偏低约100米，地形差异可引起较大的气温和相对湿度的变化。
表1 气象站与邻近格点的地理信息对比表
经度 纬度 海拔
气象站 110.89 34.54 390.4
最近格点 110.851 34.515 516.52
次进格点 110.858 34.597 410.45
为了定量描述海拔差异给订正模型带来的影响，图3给出了两者的对比结果。由图3可见，气象站实测数据根据地形修正至格点处之后，由于海拔高度升高，格点处的气温比气象站气温偏低，这一差异也使得回归模型的参数发生了相应变化。因此，研究建模之前，需要对气象站的实测资料进行地形订正，以保证订正模型的准确性。
对目标格点处的观测值序列和预报值序列进行回归统计，针对气温和相对湿度，分别按照各个预报时次建立目标格点订正模型；
具体实施时，分段建模，因为不同海拔、不同预报时效误差较大，为了得到精细化的预报模型，例如可以将预报时效分为0-24h、24-48h...海拔分为0-500m、500-1000m.....分别建模。
回归统计也可以叫做回归分析，这种技术通常用于预测分析时间序列模型以及发现变量之间的因果关系。通常使用曲线/线来拟合数据点，目标是使曲线到数据点的距离差异最小。性回归假设目标值与特征之间线性相关，即满足一个多元一次方程。
具体实施时，通过构建损失函数，来求解损失函数最小时的参数w和b。目标格点订正模型为：
Figure BDA0003004472060000051
Figure BDA0003004472060000052
为预报值，自变量x和因变量y是已知的，目标是通过已知数据点，求解线性模型中w和b两个参数。x为特征变量，包括气温、相对湿度和风速相关变量的观测值数据；
目标/损失函数
求解最佳参数，需要一个标准来对结果进行衡量，为此需要定量化一个目标函数式，使得计算机可以在求解过程中不断地优化。
针对任何模型求解问题，都是最终都是可以得到一组预报值
Figure BDA0003004472060000061
对比已有的观测值，每组数据做成表格即为一行，逐行统计分析，可以将损失函数定义如下：
Figure BDA0003004472060000062
即预报值与观测值之间的平均的平方距离，统计中一般称其为MAE(mean squareerror)均方误差。把之前的函数式代入损失函数，并且将需要求解的参数w和b看做是函数L的自变量，可得：
Figure BDA0003004472060000063
xi，yi分别为第i组特征变量、第i组观测值，n为每组数据作成表格处理时的数据行数。
现在的任务是求解最小化L时w和b的值，即核心目标优化式为
Figure BDA0003004472060000064
求解方式有两种：
1)最小二乘法(least square method)
求解w和b是使损失函数最小化的过程，在统计中，称为线性回归模型的最小二乘“参数估计”(parameter estimation)。可以将L(w,b)分别对w和b求导，得到
Figure BDA0003004472060000065
Figure BDA0003004472060000066
令上述两式为0，可得到w和b最优解的闭式(closed-form)解：
Figure BDA0003004472060000071
Figure BDA0003004472060000072
2)梯度下降(gradient descent)
梯度下降核心内容是对自变量进行不断的更新(针对w和b求偏导)，使得目标函数不断逼近最小值的过程：
Figure BDA0003004472060000073
Figure BDA0003004472060000074
步骤3还包括：进行空间一致性检验及优化，即超过一个气象站匹配同一个格点时，对应多个目标格点订正模型，则筛选预测数据最接近实况观测数据的订正模型作为最优且唯一的目标格点订正模型。
经过多次历史数据机器学习得到一个最优的订正系数或模型。
针对风速，利用反距离插值法按照各个预报时次建立目标格点订正模型，具体的：
选取风速大于阈值的观测资料中质量满足要求(是数据连续、不出现极值、符合常识逻辑的数值)的气象站为优选站，在每个优选站周围选取k个模式预报格点，将这k个格点预报值反距离插值到优选气象站点，按月份建立优选站点观测风速与模式预报风速的相关模型，用观测风速计算优选站点风速预报值；
建立目标格点订正模型，即在目标格点周围选m个优选站，将m个优选站点的风速预报值反距离插值到该格点风速预报值，得到格点的风速订正预报值。
反距离插值是非规则分布点变成规则分布点常用的网格方法之一，基本思想是离所估算的网格点距离越近的离散点对网格点的影响越大，越远的离散点影响越小，甚至没有影响，在估算某一网格点的值时，假设离网格点最近的n个点对其有影响，那么这n个点对该网格点的影响与他们之间的距离成反比。
步骤3：将目标格点处订正模型进行外推和平滑，得到全网格格点订正模型；
外推是把时间序列作为随机变量序列的一个样本，作出在统计意义上比较可靠的预测，或者根据一组观测值，估计观测区域外近似值的方法；
平滑是增强低频的滤波技术，目的平滑曲线，或者叫平滑模型。
将目标格点处订正模型进行外推和平滑进行空间外推及平滑，最终建立了气象要素(地面气温和相对湿度)的精细化订正模式表，即全网格点订正模型，如图4所示。
步骤4：利用全网格格点订正模型对气象要素进行统计订正，地面气温和相对湿度、风速的订正模型，均输入为预报值，输出为订正后的预报值。
图5为地面气温订正效果比较图，图5中的线条代表全区域平均的误差随预报时次的对比，图5中横坐标代表未来1-73个预报时次，图5中可见，在未来73个预报时次上，订正后的误差都普遍小于订正前。总体而言，地面气温的全网格格点订正模型在时间、空间上都具有明显的正效果。与气温订正类似，相对湿度的订正效果对比结果也显示出了较好的订正效果。
本发明实施例中总计选出675个优选站，模式预报格点为2298个。
从总体特征、地理分布特征、时间分布特征三个角度来分析风速订正效果，具体分析及表格如下(表格中模式对应气象站点预报值)：
表2：省不同预报时段气象站点风速统计结果
时段 观测(m/s) 模式(m/s) 订正(m/s)
1-72小时 1.4 3.0 1.5
1-24小时 1.4 2.8 1.6
25-48小时 1.3 3.1 1.5
49-72小时 1.6 3.1 1.3
表3：省不同预报时段气象站点风速对比统计结果
Figure BDA0003004472060000081
表4：省不同预报时段模式所有格点风速统计结果
时段 模式 订正
1-72小时 3.0 1.4
1-24小时 2.8 1.6
24-48小时 3.0 1.4
49-72小时 3.1 1.3
总体特征：从所有优选站30天72个预报结果总体均值来看(表2、表3)，本发明订正均值与观测均值非常接近，偏差仅为0.1-0.3m/s；而模式预报均值偏差达到1.4-1.8m/s。从绝对误差来看，模式预报的绝对误差为1.8m/s，本发明订正后绝对误差为0.9m/s，92％优质站67.2％的时次都有改进。从675个优质站推广到2298个格点，与675个优质站的统计结果非常接近(表4)。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (6)

1.一种面向电网的气象数据订正方法，其特征在于：
所述方法包括以下步骤：
步骤1：获取气象站的历史地面气象观测资料及气象预报资料；
步骤2：划分网络格点，根据步骤1的历史地面气象观测资料及气象预报资料，针对不同气象要素按照各个预报时次建立目标格点订正模型；
所述气象要素包括气温、相对湿度和风速；
步骤3：将建立的目标格点订正模型进行外推和平滑，得到全网格格点订正模型；
步骤4：利用全网格格点订正模型对气象要素进行统计订正；
步骤2中，针对风速，利用反距离插值法按照各个预报时次建立目标格点订正模型，具体为：
选取风速大于阈值的观测资料中数据质量满足要求的气象站为优选站，在每个优选站周围选取k个预报格点，将此k个预报格点的预报值反距离插值到优选气象站点，按月份建立优选站点观测风速与模式预报风速的相关模型，用观测风速计算优选站点风速预报值；
在目标格点周围选m个优选站，将m个优选站点的风速预报值反距离插值到该目标格点风速预报值，得到目标格点的风速订正预报值，从而建立风速目标格点订正模型。
2.根据权利要求1所述的一种面向电网的气象数据订正方法，其特征在于：
步骤1具体为：获取国家级和区域自动气象站的历史逐小时地面气象观测资料及气象预报资料，包括气象要素：气温、相对湿度和风速。
3.根据权利要求1所述的一种面向电网的气象数据订正方法，其特征在于：
步骤2中，对于气温和相对湿度，根据气象观测资料对气象预报资料进行地形订正，得到目标格点处的观测值序列和预报值序列；
对目标格点处的观测值序列和预报值序列进行回归统计，按照各个预报时次分别建立气温和相对湿度目标格点订正模型。
4.根据权利要求3所述的一种面向电网的气象数据订正方法，其特征在于：
所述对目标格点处的观测值序列和预报值序列进行回归统计，按照各个预报时次分别建立气温和相对湿度目标格点订正模型，具体为：
在地形订正基础上，利用回归统计方法，依次计算站点匹配的目标格点订正模型第一系数w和第二系数b，得到目标格点订正模型：
Figure FDA0003735695810000021
式中，
Figure FDA0003735695810000022
为预报值；x为特征变量，包括气温、相对湿度和风速的观测值数据；
系数w和b通过求解最小化L得到，其中L为：
Figure FDA0003735695810000023
xi，yi分别为第i组特征变量、第i组观测值，n为每组数据作成表格处理时的数据行数。
5.根据权利要求4所述的一种面向电网的气象数据订正方法，其特征在于：
采用最小二乘法或梯度下降求解最小化L。
6.根据权利要求1-5任一项所述的一种面向电网的气象数据订正方法，其特征在于：
步骤2中，建立气温和相对湿度目标格点订正模型，还包括：进行空间一致性检验及优化，即超过一个气象站匹配同一个格点时，对应多个目标格点订正模型，则筛选预测数据最接近实况观测数据的订正模型作为最优且唯一的目标格点订正模型。
CN202110358234.3A 2021-04-01 2021-04-01 一种面向电网的气象数据订正方法 Active CN113159714B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110358234.3A CN113159714B (zh) 2021-04-01 2021-04-01 一种面向电网的气象数据订正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110358234.3A CN113159714B (zh) 2021-04-01 2021-04-01 一种面向电网的气象数据订正方法

Publications (2)

Publication Number Publication Date
CN113159714A CN113159714A (zh) 2021-07-23
CN113159714B true CN113159714B (zh) 2022-08-30

Family

ID=76886161

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110358234.3A Active CN113159714B (zh) 2021-04-01 2021-04-01 一种面向电网的气象数据订正方法

Country Status (1)

Country Link
CN (1) CN113159714B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113253364B (zh) * 2021-06-30 2021-10-08 中国气象局公共气象服务中心(国家预警信息发布中心) 一种对站点风速预报结果进行订正的方法及装置
CN113742929B (zh) * 2021-09-08 2024-01-26 成都卡普数据服务有限责任公司 一种针对格点气象实况的数据质量评价方法
CN113516320B (zh) * 2021-09-14 2021-12-10 国能日新科技股份有限公司 基于多目标遗传算法风速订正和预测风速优化方法及装置
CN114330478B (zh) * 2021-11-09 2023-10-20 国网山东省电力公司应急管理中心 针对电网风速预报的风速分类订正方法
CN114675349B (zh) * 2022-03-04 2024-04-26 国家气象中心(中央气象台) 数值模式产品分段式订正预报方法及系统
CN114819501B (zh) * 2022-03-25 2023-09-15 云南省交通规划设计研究院有限公司 一种公路交通气象物联网多源异构数据处理方法和系统
CN116070050B (zh) * 2022-04-27 2023-09-26 广东省气象台(南海海洋气象预报中心、珠江流域气象台) 一种立体网格交互订正方法及装置
CN115081314A (zh) * 2022-06-01 2022-09-20 中国气象科学研究院 一种气候预测模型的校正方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107479792A (zh) * 2017-08-19 2017-12-15 杭州幂拓科技有限公司 一种智能网格预报订正方法及系统
CN109358381A (zh) * 2018-09-12 2019-02-19 浙江省气象科学研究所 一种站点预报风速订正方法
CN111257970A (zh) * 2018-11-30 2020-06-09 中国电力科学研究院有限公司 一种基于集合预报的降水预报订正方法及系统
CN111352174A (zh) * 2020-03-20 2020-06-30 山东省气象科学研究所 一种数值天气预报及格点客观预报产品选优方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106909722B (zh) * 2017-02-10 2019-07-26 广西壮族自治区气象减灾研究所 一种近地面气温的大面积精准反演方法
TWI620154B (zh) * 2017-04-11 2018-04-01 楊偉智 使用者裝置、地震警報伺服器及其地震警報方法
CN112183803A (zh) * 2019-07-04 2021-01-05 中国电力科学研究院有限公司 一种基于雾霾/沙尘覆盖范围的光伏功率预测方法和系统
CN110908014B (zh) * 2019-12-11 2021-11-02 国网湖南省电力有限公司 舞动精细化订正预报方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107479792A (zh) * 2017-08-19 2017-12-15 杭州幂拓科技有限公司 一种智能网格预报订正方法及系统
CN109358381A (zh) * 2018-09-12 2019-02-19 浙江省气象科学研究所 一种站点预报风速订正方法
CN111257970A (zh) * 2018-11-30 2020-06-09 中国电力科学研究院有限公司 一种基于集合预报的降水预报订正方法及系统
CN111352174A (zh) * 2020-03-20 2020-06-30 山东省气象科学研究所 一种数值天气预报及格点客观预报产品选优方法

Also Published As

Publication number Publication date
CN113159714A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
CN113159714B (zh) 一种面向电网的气象数据订正方法
CN112070286A (zh) 复杂地形流域的降水预报预警系统
CN107316095B (zh) 一种耦合多源数据的区域气象干旱等级预测方法
CN108271165B (zh) 一种基站网络信号覆盖状态的预测方法及系统
CN110555561B (zh) 一种中长期径流集合预报方法
CN110068878B (zh) 一种气温智能网格最优集成预报方法
CN110650436B (zh) 基于WiFi数据的位置指纹库建立与拟合方法
CN107563554B (zh) 一种统计降尺度模型预报因子的筛选方法
Körner et al. Introducing Gradient Boosting as a universal gap filling tool for meteorological time series
CN106407627B (zh) 一种风速概率分布建模的方法和系统
CN113919231A (zh) 基于时空图神经网络的pm2.5浓度时空变化预测方法及系统
CN115759488A (zh) 一种基于边缘计算的碳排放监测预警分析系统及其方法
CN114444020A (zh) 一种针对电网杆塔点的气温预报订正系统
CN107944466B (zh) 一种基于分段思想的降雨偏差纠正方法
CN117094516B (zh) 一种基于固定效应模型的城市群月生活需水量预测方法
CN112380499B (zh) 一种区域自动气象站客观分群方法
CN113657610A (zh) 一种基于随机森林的冰雹气候特征预测方法
CN116316615B (zh) 基于数据增强的分布式光伏群短期功率预测方法及系统
CN112859083A (zh) 一种面向资料同化的风廓线雷达风场资料质量控制方法
CN113055927A (zh) 基站经纬度定位方法、装置、计算设备及计算机存储介质
CN116308883A (zh) 一种基于大数据的区域电网数据统筹管理系统
CN114611271A (zh) 顾及空间异质性的雪水当量栅格数据建模及分析方法
CN113866716A (zh) 一种基于rssi加权近邻定位方法
CN113469419A (zh) 一种商业楼宇用电量预测方法及系统
CN113742929A (zh) 一种针对格点气象实况的数据质量评价方法

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