CN113537648B - 一种基于集合数据的风速预测方法及装置 - Google Patents

一种基于集合数据的风速预测方法及装置 Download PDF

Info

Publication number
CN113537648B
CN113537648B CN202111083269.7A CN202111083269A CN113537648B CN 113537648 B CN113537648 B CN 113537648B CN 202111083269 A CN202111083269 A CN 202111083269A CN 113537648 B CN113537648 B CN 113537648B
Authority
CN
China
Prior art keywords
wind speed
prediction
data
forecasting
ensemble
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
CN202111083269.7A
Other languages
English (en)
Other versions
CN113537648A (zh
Inventor
向婕
周永
吴媛
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.)
Sprixin Technology Co ltd
Original Assignee
Sprixin 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 Sprixin Technology Co ltd filed Critical Sprixin Technology Co ltd
Priority to CN202111083269.7A priority Critical patent/CN113537648B/zh
Publication of CN113537648A publication Critical patent/CN113537648A/zh
Application granted granted Critical
Publication of CN113537648B publication Critical patent/CN113537648B/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
    • G06Q10/04—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Economics (AREA)
  • Mathematical Optimization (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)

Abstract

本发明提出一种基于集合数据的风速预测方法及装置，用简单一元线性回归模型修正集合预报系统误差，再利用修正的集合预报提取概率特征，联合确定性预报因子，建立GBDT风速修正模型。本发明降低了中尺度确定性数值预报的误差，具有很好的实际应用价值。

Description

一种基于集合数据的风速预测方法及装置
技术领域
本发明属于风速预测技术领域，特别是涉及到一种基于集合数据的风速预测方法及装置。
背景技术
风具有较强的随机性和波动性，是气象要素中最复杂难预报的要素之一，而风速预测对天气预报、气象灾害防治和可再生能源利用具有十分重要的意义。确定性数值天气预报或者称为单一预报，对大气的不确定性只能在一定精度内估计。由于大气运动具有高度非线性和混沌特性，在预测过程中，有些数值预报模式初值的微小误差会放大并导致显著的预测误差，而且用来表示大气动力学和物理过程的数值方程本身也引入了更多的不确定性，如截断误差和次网格物理过程，都可能导致单一确定性数值预报结果与实况天气之间存在较大偏差。
为了降低预报误差，集合预报技术的出现代表了数值天气预报技术未来前进与发展的主要方向。集合预报不仅可以得到未来大气的单一状态，还可得到未来大气可能出现的一系列情况，其最终目标是定量地预报未来某一时刻大气状态的概率密度，尽可能地确保实际情况包含在其中，因此，如何合理利用集合预报提供的概率信息，做好实际业务落地应用，对于提高风速预测质量十分关键。
不论对于确定性预报还是集合预报，初始场误差和模式误差都是必然的，若将集合预报数据用于确定性风速预测中，一般直接进行集合平均，然而这种方式未充分挖掘集合预报提供的预报不确定性信息，因此需要一种可以实际落地的利用集合预报数据来改进确定性风速预报的方法。
发明内容
本发明提出一种基于集合数据的风速预测方法及装置，降低了中尺度确定性数值预报的误差，具有很好的实际应用价值。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于集合数据的风速预测方法，包括：
S1、用一元线性回归模型修正集合预报风速数据的系统误差；
S2、用修正的集合预报风速数据提取概率特征；
S3、将步骤S2中获得的概率特征联合从确定性数值天气预报数据中获取的风速预报因子作为输入向量，实际采集到的风速作为目标值，构建GBDT预测模型；
S4、将预测日气象特征向量输入GBDT预测模型，输出预测风速。
进一步的，步骤S1的具体过程包括：
S101、下载历史集合预报数据，该集合预报数据来源于各气象机构集合预报系统；
S102、根据历史集合预报数据和实际测风数据，建立一元线性回归方程，采用最小二乘法LLS求解回归方程参数，修正各集合预报成员的风速数据的系统误差；
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为集合预报成员的风速数据，
Figure DEST_PATH_IMAGE006
为修正后的风速，修正后小于0值的风速处理成0，i代表成员，取值1，2，…，N；t为时刻1，时刻2，时刻3，……。
进一步的，步骤S2所述概率特征的提取包括：对修正后的N组集合预报风速，计算平均风速
Figure DEST_PATH_IMAGE008
和标准差
Figure DEST_PATH_IMAGE010
。
进一步的，步骤S3中选取风速、风向、温度、湿度和气压作为风速预报因子。
进一步的，步骤S3中，构建GBDT预测模型的过程包括对于训练样本
Figure DEST_PATH_IMAGE012
，P个样本点，迭代次数为M，x为输入向量，y为目标值，L(y,f(x))为损失函数,进行以下迭代：
S501、首先对GBDT预测模型进行初始化，模型输出的预测值的计算公式如下：
Figure DEST_PATH_IMAGE014
其中，fi(x)为第i个决策树的预测结果，i=1,2,...,m；寻找使损失函数L最小化的常数值c,并令f0=c；
S502、计算损失函数负梯度在当前预测模型的响应：
Figure DEST_PATH_IMAGE016
S503、基于求得的梯度下降方向，使用平方误差训练第m棵决策树，叶节点区域记为Rms，S为该决策树的叶节点数，搜索令损失函数最小的数值cms：
Figure DEST_PATH_IMAGE018
；
S504、更新GBDT模型，第m棵树的值表示为：
Figure DEST_PATH_IMAGE020
其中，v为学习速率；I()为指示函数；
S505、若相应的预测损失函数满足误差收敛条件或产生的回归树达到预设值M，则迭代终止，得到GBDT预测模型f(x)=fM(x)。
本发明另一方面还提出了一种基于集合数据的风速预测装置，包括：
误差修正模块，用一元线性回归模型修正集合预报风速数据的系统误差；
概率特征提取模块，用修正的集合预报风速数据提取概率特征；
预测模型构建模块，将概率特征提取模块中获得的概率特征联合从确定性数值天气预报数据中获取的风速预报因子作为输入向量，实际采集到的风速作为目标值，构建GBDT预测模型；
预测输出模块，将预测日气象特征向量输入GBDT预测模型，输出预测风速。
进一步的，误差修正模块包括：
下载单元，用于下载历史集合预报数据，该集合预报数据来源于各气象机构集合预报系统；
修正单元，根据历史集合预报数据和实际测风数据，建立一元线性回归方程，采用最小二乘法LLS求解回归方程参数，修正各集合预报成员的风速数据的系统误差；
Figure 530667DEST_PATH_IMAGE002
其中，
Figure 916649DEST_PATH_IMAGE004
为集合预报成员的风速数据，
Figure 430806DEST_PATH_IMAGE006
为修正后的风速，修正后小于0值的风速处理成0，i代表成员，取值1，2，…，N；t为时刻1，时刻2，时刻3，……。
进一步的，概率特征提取模块包括计算单元，用于对修正后的N组集合预报风速，计算平均风速
Figure 170223DEST_PATH_IMAGE008
和标准差
Figure 719016DEST_PATH_IMAGE010
。
进一步的，预测模型构建模块包括风速预报因子单元，风速预报因子单元选取风速、风向、温度、湿度和气压作为风速预报因子。
进一步的，预测模型构建模块还包括迭代单元，对于训练样本
Figure 134954DEST_PATH_IMAGE012
，P个样本点，迭代次数为M，x为输入向量，y为目标值，L(y,f(x))为损失函数,进行以下迭代：
首先对GBDT预测模型进行初始化，模型输出的预测值的计算公式如下：
Figure 870829DEST_PATH_IMAGE014
其中，fi(x)为第i个决策树的预测结果，i=1,2,...,m；寻找使损失函数L最小化的常数值c,并令f0=c；
计算损失函数负梯度在当前预测模型的响应：
Figure 804150DEST_PATH_IMAGE016
基于求得的梯度下降方向，使用平方误差训练第m棵决策树，叶节点区域记为Rms，S为该决策树的叶节点数，搜索令损失函数最小的数值cms：
Figure 817237DEST_PATH_IMAGE018
；
更新GBDT模型，第m棵树的值表示为：
Figure 545021DEST_PATH_IMAGE020
其中，v为学习速率；I()为指示函数；
若相应的预测损失函数满足误差收敛条件或产生的回归树达到预设值M，则迭代终止，得到GBDT预测模型f(x)=fM(x)。
与现有技术相比，本发明具有如下的有益效果：
本发明首先用简单一元线性回归模型修正集合预报系统误差，再利用修正的集合预报提取概率特征，联合确定性预报预报因子，建立GBDT风速修正模型，降低了中尺度确定性数值预报的误差，具有很好的实际应用价值。
附图说明
图1是本发明实施例的流程示意图，
图2是本发明实施例的风速预报折线对比图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
为使本发明的目的、特征更明显易懂，下面结合附图对本发明的具体实施方式作进一步的说明。需说明的是，附图均采用非常简化的形式且均使用非精准的比率，仅用以方便、明晰地辅助说明本发明实施例的目的。
本发明的设计思想在于：数值天气预报通常能很好地捕捉大的天气系统，但是在该系统的不同部位下的预报的可信度却经常很不一样，比如，在靠近气旋中心地区的预报，通常可信度比较高，集合预报成员也比较集中，而在接近外围的边缘地区，预报却经常不可靠，集合预报成员之间的差异比较大。可以看出，集合预报多个成员之间的离散度可以定量估计预报的不确定性，利用集合预报提供的误差信息，可以降低确定性数值天气预报误差，进一步提高风速预报水平。
基于上述设计思想，本发明具体包括：
1、下载集合预报数据，集合预报包含N个成员，如：包含51个集合预报成员的欧洲中期天气预报中心（ECMWF）或31个集合预报成员的美国国家环境中心(NCEP）提供的集合预报数据。
2、根据历史集合预报数据和实际测风数据，建立一元线性回归方程，采用最小二乘法LLS求解回归方程参数，修正各集合预报成员的风速数据的系统误差；
Figure 33771DEST_PATH_IMAGE002
其中，
Figure 364259DEST_PATH_IMAGE004
为集合预报成员的风速数据，
Figure 356485DEST_PATH_IMAGE006
为修正后的风速，修正后小于0值的风速处理成0，i代表成员，取值1，2，…，N；t为时刻1，时刻2，时刻3，……。
3、对修订后的N组集合预报风速，计算平均风速
Figure 127608DEST_PATH_IMAGE008
和标准差
Figure 103654DEST_PATH_IMAGE010
，用来表征不确定性，公式如下；
Figure DEST_PATH_IMAGE022
Figure DEST_PATH_IMAGE024
4、从确定性数值天气预报数据中获取风速预报因子，一般情况，选取与风速相关较大的气象因子：风速、风向、温度、湿度和气压；
5、将步骤3和步骤4中的气象特征作为输入向量x,实际采集到的风速作为目标值y，采用GBDT方法建模，预测值的计算公式如下：
Figure 175515DEST_PATH_IMAGE014
其中，fi(x)为第i个决策树的预测结果，i=1,2,...,m；
GBDT 不断拟合残差并叠加到f上的过程，通过构建 M 个弱分类器，经过多次迭代最终组合而成一个强分类器。每一次迭代是为了改进上一次结果，减少上一次模型的残差，并且在残差减少的梯度方向上建立新的组合模型。
对于训练样本
Figure 428773DEST_PATH_IMAGE012
，P个样本点，迭代次数为M，x为输入向量，y为目标值，L(y,f(x))为损失函数,进行以下迭代：
1）对GBDT预测模型进行初始化，寻找使损失函数L最小化的常数值c,并令f0=c；；
2）计算损失函数负梯度在当前预测模型的响应：
Figure 232781DEST_PATH_IMAGE016
3）基于求得的梯度下降方向，使用平方误差训练第m棵决策树，叶节点区域记为Rms，S为该决策树的叶节点数，搜索令损失函数最小的数值cms：
Figure 696123DEST_PATH_IMAGE018
；
4）更新GBDT模型，第m棵树的值表示为：
Figure 368413DEST_PATH_IMAGE020
其中，v为学习速率；I()为指示函数；
5）若相应的预测损失函数满足误差收敛条件或产生的回归树达到预设值M，则迭代终止，得到GBDT预测模型f(x)=fM(x)。
6、将预测日气象特征向量输入模型f(x)，即可输出修正后的风速。
上述流程中，预测模型GBDT也可以用相关梯度下降方法替代，如lightGBM,XGBoost等等。
为了验证基于集合数据的风速预测方法的预测性能，选取了气候环境和地形特征各异的三个风电场，风电场A位于甘肃河西走廊西端，风电场B位于福建省西南部，风电场C位于江西省，属于复杂山地地形，分别获取三个风电场2020年1月1日到2021年7月31日轮毂高度处的风速观测数据，将2020年一年的测风数据作为各自模型训练的学习目标，2021年半年多的数据作为测试段进行对比分析。气象预测数据有两部分，一部分来源于中尺度气象模式WRF的预报结果，该结果作为确定性气象预测数据，提供各个风电场的风速、风向、温度、湿度和气压，另一部分来源于欧洲中期天气预报中心ECMWF（Europeancenter formedium-range weather forecasts）的集合预报产品，该产品包含51个预报成员。
采用本发明提供的方法，根据上述步骤，首先将51个预报成员各自的系统误差去除，利用订正后的集合预报数据计算出该风场的不确定性特征指标，将不确定性特征指标和确定性气象要素预报一起构建GBDT模型，进行迭代直到模型趋于稳定，最后产生风速预报。
为了方便对比分析，本实施例中采用常规预测方法作为对照，将确定性气象预报因子输入BP神经网络模型，该模型的风速预测作为对照组。
三个风电场采用两种方法的预测结果如下表，可见，本发明提供的方法在此三个风电场的表现均比较稳定，与常规预测方法的预测结果相比，均方根误差RMSE可以降低约0.5m/s。
Figure DEST_PATH_IMAGE026
如图2所示为2021年3月风电场B的风速预报折线对比图；可以看出本实施例方法得到的预测风速对比常规方法得到的预测风速，折线重叠处更多，更为贴近实测风速。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于集合数据的风速预测方法，其特征在于，包括：
S1、用一元线性回归模型修正集合预报风速数据的系统误差；
S2、用修正的集合预报风速数据提取概率特征；
S3、将步骤S2中获得的概率特征联合从确定性数值天气预报数据中获取的风速预报因子作为输入向量，实际采集到的风速作为目标值，构建GBDT预测模型；
S4、将预测日气象特征向量输入GBDT预测模型，输出预测风速；
步骤S1的具体过程包括：
S101、下载历史集合预报数据，该集合预报数据来源于各气象机构集合预报系统；
S102、根据历史集合预报数据和实际测风数据，建立一元线性回归方程，采用最小二乘法LLS求解回归方程参数，修正各集合预报成员的风速数据的系统误差；
Figure DEST_PATH_IMAGE001
其中，
Figure 757025DEST_PATH_IMAGE002
为集合预报成员的风速数据，
Figure DEST_PATH_IMAGE003
为修正后的风速，修正后小于0值的风速处理成0，i代表成员，取值1，2，…，N；t为时刻1，时刻2，时刻3，……；
步骤S2所述概率特征的提取包括：对修正后的N组集合预报风速，计算平均风速和标准差；
步骤S3中选取风速、风向、温度、湿度和气压作为风速预报因子；
步骤S3中，构建GBDT预测模型的过程包括对于训练样本
Figure 127220DEST_PATH_IMAGE004
，P个样本点，迭代次数为M，x为输入向量，y为目标值，L(y,f(x))为损失函数,进行以下迭代：
S501、首先对GBDT预测模型进行初始化，模型输出的预测值的计算公式如下：
Figure DEST_PATH_IMAGE005
其中，fi(x)为第i个决策树的预测结果，i=1,2,...,m；寻找使损失函数L最小化的常数值c,并令f0=c；
S502、计算损失函数负梯度在当前预测模型的响应：
Figure DEST_PATH_IMAGE007
S503、基于求得的梯度下降方向，使用平方误差训练第m棵决策树，叶节点区域记为Rms，S为该决策树的叶节点数，搜索令损失函数最小的数值cms：
Figure 458713DEST_PATH_IMAGE008
；
S504、更新GBDT模型，第m棵树的值表示为：
Figure DEST_PATH_IMAGE009
其中，v为学习速率；I()为指示函数；
S505、若相应的预测损失函数满足误差收敛条件或产生的回归树达到预设值M，则迭代终止，得到GBDT预测模型f(x)=fM(x)。
2.一种基于集合数据的风速预测装置，其特征在于，包括：
误差修正模块，用一元线性回归模型修正集合预报风速数据的系统误差；
概率特征提取模块，用修正的集合预报风速数据提取概率特征；
预测模型构建模块，将概率特征提取模块中获得的概率特征联合从确定性数值天气预报数据中获取的风速预报因子作为输入向量，实际采集到的风速作为目标值，构建GBDT预测模型；
预测输出模块，将预测日气象特征向量输入GBDT预测模型，输出预测风速；
误差修正模块包括：
下载单元，用于下载历史集合预报数据，该集合预报数据来源于各气象机构集合预报系统；
修正单元，根据历史集合预报数据和实际测风数据，建立一元线性回归方程，采用最小二乘法LLS求解回归方程参数，修正各集合预报成员的风速数据的系统误差；
Figure 398988DEST_PATH_IMAGE001
其中，
Figure 860056DEST_PATH_IMAGE002
为集合预报成员的风速数据，
Figure 227583DEST_PATH_IMAGE003
为修正后的风速，修正后小于0值的风速处理成0，i代表成员，取值1，2，…，N；t为时刻1，时刻2，时刻3，……；
概率特征提取模块包括计算单元，用于对修正后的N组集合预报风速，计算平均风速和标准差；
预测模型构建模块包括风速预报因子单元，风速预报因子单元选取风速、风向、温度、湿度和气压作为风速预报因子；
预测模型构建模块还包括迭代单元，对于训练样本
Figure 580461DEST_PATH_IMAGE004
，P个样本点，迭代次数为M，x为输入向量，y为目标值，L(y,f(x))为损失函数,进行以下迭代：
首先对GBDT预测模型进行初始化，模型输出的预测值的计算公式如下：
Figure 121163DEST_PATH_IMAGE005
其中，fi(x)为第i个决策树的预测结果，i=1,2,...,m；寻找使损失函数L最小化的常数值c,并令f0=c；
计算损失函数负梯度在当前预测模型的响应：
Figure 374421DEST_PATH_IMAGE010
基于求得的梯度下降方向，使用平方误差训练第m棵决策树，叶节点区域记为Rms，S为该决策树的叶节点数，搜索令损失函数最小的数值cms：
Figure 145806DEST_PATH_IMAGE008
；
更新GBDT模型，第m棵树的值表示为：
Figure 140307DEST_PATH_IMAGE009
其中，v为学习速率；I()为指示函数；
若相应的预测损失函数满足误差收敛条件或产生的回归树达到预设值M，则迭代终止，得到GBDT预测模型f(x)=fM(x)。
CN202111083269.7A 2021-09-16 2021-09-16 一种基于集合数据的风速预测方法及装置 Active CN113537648B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111083269.7A CN113537648B (zh) 2021-09-16 2021-09-16 一种基于集合数据的风速预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111083269.7A CN113537648B (zh) 2021-09-16 2021-09-16 一种基于集合数据的风速预测方法及装置

Publications (2)

Publication Number Publication Date
CN113537648A CN113537648A (zh) 2021-10-22
CN113537648B true CN113537648B (zh) 2021-12-24

Family

ID=78123184

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111083269.7A Active CN113537648B (zh) 2021-09-16 2021-09-16 一种基于集合数据的风速预测方法及装置

Country Status (1)

Country Link
CN (1) CN113537648B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113869604A (zh) * 2021-10-25 2021-12-31 山东大学 基于wrf风速预测的风电功率预测方法及系统
CN115345387B (zh) * 2022-10-18 2023-01-24 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种风场风速预测方法、装置及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180038994A1 (en) * 2016-08-02 2018-02-08 International Business Machines Corporation Techniques to Improve Global Weather Forecasting Using Model Blending and Historical GPS-RO Dataset
CN106842368B (zh) * 2017-03-14 2019-05-10 北京维艾思气象信息科技有限公司 一种基于北斗定位的单点降水预报方法
CN110263998B (zh) * 2019-06-19 2024-02-13 大唐（赤峰）新能源有限公司 多源数值天气预报集合双层修正方法
CN110489719A (zh) * 2019-07-31 2019-11-22 天津大学 基于集合预报数据的风速预测方法
CN112053005B (zh) * 2020-09-15 2024-04-02 江苏省气象台 一种主客观降水预报的机器学习融合方法

Also Published As

Publication number Publication date
CN113537648A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN112365040B (zh) 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法
CN109214592B (zh) 一种多模型融合的深度学习的空气质量预测方法
CN113537648B (zh) 一种基于集合数据的风速预测方法及装置
CN110619360A (zh) 一种考虑历史样本相似性的超短期风功率预测方法
JP5888640B2 (ja) 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム
CN104318329A (zh) 一种布谷鸟搜索算法改进支持向量机的电力负荷预测方法
CN112180471B (zh) 天气预报方法、装置、设备及存储介质
CN105447572A (zh) 一种基于遗传算法优化神经网络的风电功率预测系统及方法
WO2020228568A1 (zh) 训练光伏电站发电量预测模型的方法、光伏电站发电量预测方法和装置、训练系统和预测系统及存储介质
Chen et al. Research on wind power prediction method based on convolutional neural network and genetic algorithm
CN116702937A (zh) 一种基于K-means均值聚类及优化BP神经网络的光伏出力日前预测方法
CN116415177A (zh) 一种基于极限学习机的分类器参数辨识方法
Nhita et al. Planting calendar forecasting system using evolving neural network
CN112580899A (zh) 一种融合机器学习模型的中长期风力发电预测方法及系统
CN113095547B (zh) 一种基于gra-lstm-ice模型的短期风功率预测方法
CN110738363A (zh) 一种光伏发电功率预测模型及其构建方法和应用
CN113112085A (zh) 一种基于bp神经网络的新能源场站发电负荷预测方法
CN117458481A (zh) 一种基于XGBoost的电力系统负荷预测方法及装置
CN117217591A (zh) 一种用于预测光伏发电功率的方法及系统
CN116722542A (zh) 光伏出力异常检测方法、装置、计算机设备及存储介质
JP7342369B2 (ja) 予測システム、予測方法
CN115994491A (zh) 一种灭火弹挂飞温度补偿方法和系统
CN116231749A (zh) 基于数字孪生的新能源电力系统调度方法
Werth et al. The application of a genetic algorithm to the optimization of a mesoscale Model for emergency response
CN114444763A (zh) 基于afsa-gnn的风电功率预测方法

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