CN114330641B - 基于复杂地形的深度学习的短期风速订正模型的建立方法 - Google Patents
基于复杂地形的深度学习的短期风速订正模型的建立方法 Download PDFInfo
- Publication number
- CN114330641B CN114330641B CN202111316828.4A CN202111316828A CN114330641B CN 114330641 B CN114330641 B CN 114330641B CN 202111316828 A CN202111316828 A CN 202111316828A CN 114330641 B CN114330641 B CN 114330641B
- Authority
- CN
- China
- Prior art keywords
- wind speed
- layer
- weather forecast
- forecast data
- target layer
- 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
Links
- 238000012937 correction Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 238000012876 topography Methods 0.000 claims abstract description 39
- 230000006870 function Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000009897 systematic effect Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000003475 lamination Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
基于复杂地形的深度学习的短期风速订正模型的建立方法涉及风速订正技术领域,解决了现有订正准确性低的问题,包括:提取天气预报数据中的目标层风速、非目标层风速和目标层附近温度,根据平均风速、天气预报数据的时空分辨率确定天气预报数据中的格点范围;将格点范围、目标层风速、非目标层风速和目标层附近温度输入CONVLSTM层;根据目标点以及天气预报数据的空间分辨率在局地地形要素中选取能够覆盖天气预报数据中格点距离的区域输入CONV层;全连接层能够建立气象时空关系参数、地形的影响要素和气象站观测数据的关系。本发明能够对预报进行准确订正,在气象、电网等需要风速预报的领域有着广泛的应用。
Description
技术领域
本发明涉及风速订正技术领域,具体涉及基于复杂地形的深度学习的短期风速订正模型的建立方法。
背景技术
随着人工智能技术的飞速发展,为短期风速的预报能力的提升,探索基于深度学习的方法对EC短期风速预报进行降尺度订正预报提供了新的思路。展开订正的原因主要是数值天气预报本身对复杂地形以及高海拔地区的预报能力不足,有时候会出现时空错位的现象,往往需要在数值天气预报的基础上考虑其时空特征并结合地形特征重新建立风速关系,从而得到精确的结果。就目前的深度学习算法中长短神经网络(Long Short-TermMemory,简称LSTM)在针对处理时序数据有着很强的能力,如论文《Convolutional LSTMNetwork:A Machine Learning Approach for Precipitation Nowcasting》所记载的,LSTM可以通过‘门’的设计结构来选择去除或者增加信息,即对于每个时刻来说,历史的所有时刻都参对其的影响,可以学习长期依赖的信息。
而面对之前提到的拥有丰富空间关系并且每一个点和周是有很强的相关性的,单纯用LSTM的很难刻画这种空间特征,这就需要结合卷积神经网络(Convolution NeuralNetworks,简称CNN),重新提取正确的空间关系,通过CNN+LSTM(CONLSTM)的结合,在保证时间关系下有效的提取了空间关系,结构与LSTM相同。即CONLSTM对于原始的数值天气预报来说,可以有效订正时空错位的问题。针对单点来说,CONLSTM对时空信息的订正已经足够,但是对于区域来说,特别是受到复杂地形影响的地区,区域局部地形对风速影响巨大,仍然存在明显的时空错位,因此现有的CONLSTM这一订正方式对于地形复杂的地区,其短期预报订正的准确性仍有待提高。
发明内容
基于上述现有技术中存在的问题,本发明提供基于复杂地形的深度学习的短期风速订正模型的建立方法。
本发明为解决技术问题所采用的技术方案如下:
基于复杂地形的深度学习的短期风速订正模型的建立方法,包括如下步骤:
步骤一、提取天气预报数据中的目标层风速、非目标层风速和目标层附近温度;根据目标层平均风速、天气预报数据的时空分辨率确定天气预报数据中的格点范围,所述格点范围在经度上和纬度上均能够覆盖最大平均风速在天气预报数据1/2时间分辨率的移动距离;对提取的目标层风速、非目标层风速和目标层附近温度进行参数化处理;
根据目标点以及天气预报数据的空间分辨率,在局地地形要素中选取能够覆盖天气预报数据中格点距离的区域,所述格点距离为天气预报数据中目标点所对应格点的格点距离;
步骤二、将天气预报数据中的格点范围以及参数化处理的目标层风速、非目标层风速和目标层附近温度作为时空气象要素输入CONVLSTM层,CONVLSTM层提取气象时空关系参数;将步骤一中所述区域的局地地形要素输入CONV层,CONV层提取地形的影响要素;将所述气象时空关系参数、地形的影响要素正向输入到全连接层,将所述气象站观测数据反向均输入到全连接层中,全连接层建立气象时空关系参数、地形的影响要素和气象站观测数据的关系,获得短期风速订正模型,所述短期风速订正模型包括CONVLSTM层、CONV层和全连接层。
采用所述的基于复杂地形的深度学习的短期风速订正模型的建立方法所建立的短期风速订正模型进行订正的订正方法,包括如下步骤:
S1、提取待订正天气预报数据中的目标层风速、非目标层风速和目标层附近温度;根据目标层平均风速、待订正天气预报数据的时空分辨率确定待订正天气预报数据中的格点范围,所述格点范围在经度上和纬度上均能够覆盖最大平均风速在待订正天气预报数据1/2时间分辨率的移动距离;对提取的待订正天气预报数据中的目标层风速、非目标层风速和目标层附近温度进行参数化处理;
根据目标点以及待订正天气预报数据的空间分辨率,在局地地形要素中选取能够覆盖待订正天气预报数据中格点距离的区域,待订正天气预报数据中格点距离为待订正天气预报数据中目标点所对应格点的格点距离;
S2、将待订正天气预报数据中的格点范围以及参数化处理的待订正天气预报数据中的目标层风速、非目标层风速和目标层附近温度作为待订正时空气象要素输入CONVLSTM层,CONVLSTM层提取待订正气象时空关系参数;将S1中所述区域的局地地形要素输入CONV层,CONV层提取待订正地形的影响要素;
S3、将所述待订正气象时空关系参数、待订正地形的影响要素输入到全连接层得出短期风速订正结果。
本发明的有益效果是:
本发明建立了基于复杂地形的深度学习的短期风速订正模型的建立方法,引入地形要素和相关气象要素对区域的风速进行订正,为基于散点的短期风速预报以及时间维度上降尺度提供了一种模型和方法,在局地的地形订正和时间尺度上的降尺度有着明显效果,对于区域来说,包括受到复杂地形影响的地区,能够对预报进行准确订正,在测试评估结果数据集合中,各项结果均优于原始数值天气预报。本发明在气象、电网等需要风速预报的领域有着广泛的应用。
附图说明
图1为本发明的基于复杂地形的深度学习的短期风速订正模型的建立方法的流程图。
图2为采用本发明建立的短期风速订正模型得到的订正结果和EC(数值天气预报原始结果)的均方根误差对比图。
图3为采用本发明建立的短期风速订正模型得到的订正结果和EC(数值天气预报原始结果)的平均绝对误差对比图。
图4为采用本发明建立的短期风速订正模型得到的订正结果和EC(数值天气预报原始结果)的系统误差对比图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
基于复杂地形的深度学习的短期风速订正模型的建立方法,包括如下两个步骤:
步骤一、
提取用于模型建立的天气预报数据(简称建模用天气预报数据)中的目标层风速、非目标层风速和目标层附近高度温度(提取的温度所对应的高度与目标层所在高度相接近)。
根据(未参数化处理的)建模用天气预报数据中的目标层平均风速、所提取的建模用天气预报数据的经纬度空间分辨率和所提取的建模用天气预报数据的经纬度时间分辨率,确定天气预报数据中的格点范围,该格点范围在经度上和纬度上均能够覆盖建模用天气预报数据中目标层最大平均风速在建模用天气预报数据的时间分辨率的1/2时间的移动距离。
对建模用天气预报数据中提取的目标层风速、非目标层风速和目标层附近高度的温度进行参数化处理。
将建模用天气预报数据中的格点范围以及参数化处理的目标层风速、非目标层风速和目标层附近高度的温度共同作为时空气象要素输入。
参数化处理具体为:求取目标层合风速WS目、非目标层合风速WS非目,对目标层风向进行正弦处理Sin(WD)和余弦处理Cos(WD),对目标层附近高度的温度进行标准化处理Nom(T)。将建模用天气预报数据中的格点范围、WS目、WS非目、Sin(WD)、Cos(WD)和Nom(T)共同作为(建模用)时空气象要素输入。
在局地地形要素中,根据建模用目标点以及根据建模用天气预报数据的空间分辨率,选取能够覆盖建模用天气预报数据中格点距离的区域,所述格点距离为与建模用天气预报数据中目标点所对应格点的格点距离,即目标点在建模用天气预报数据所对应格点的格点距离,以该区域的局地地形要素作为(建模用)区域地形要素输入。
步骤二、搭建CONVLSTM层,CONVLSTM层能够提取时空气象要素的气象时空关系参数,将建模用时空气象要素输入CONVLSTM层,CONVLSTM层提取建模用时空气象要素的气象时空关系参数(可称为建模用气象时空关系参数)。搭建CONV层,CONV层能够提取区域地形要素的地形的影响要素,将建模用区域地形要素输入CONV层,CONV层提取建模用区域地形要素的地形的影响要素(可称为建模用地形的影响要素)。
搭建全连接层,全连接层能够根据气象时空关系参数、地形的影响要素和气象站观测数据建立气象时空关系参数、地形的影响要素和气象站观测数据的关系。将建模用气象时空关系参数和建模用地形的影响要素正向输入到全连接层、气象站观测数据反向均输入到全连接层中,也就是全连接层根据建模用气象时空关系参数、建模用地形的影响要素和气象站观测数据建立气象时空关系参数、地形的影响要素和气象站观测数据的关系,获取短期风速订正模型。短期风速订正模型包括CONVLSTM层、CONV层和全连接层,全连层内具有气象时空关系参数、地形的影响要素和气象站观测数据的关系。全连接层建立三者关系具体为:将建模用气象时空关系参数与建模用地形的影响要素拼接起来,拼接后称为拼接要素数据,将拼接要素数据在全连接层正向传播和气象站观测数据在全连接层反向传播,通过优化函数多次迭代寻找正向传播结果和反向传播结果之间的损失函数结果最小值(其损失标准为均方误差),最终得到最优的拟合关系模型,该最优的拟合关系模型即为所述气象时空关系参数、地形的影响要素和气象站观测数据的关系。
上述的搭建CONVLSTM层、搭建CONVLSTM层和搭建全连接层不限定在步骤二中,可以在步骤一中搭建,也可以为步骤一之前预先搭建完成的。
下面对上述短期风速订正模型建立方法的实施方案通过举例进行详述。
获取天气预报数据,提取预报的高影响的气象要素,上述气象要素包括目标层风速特征(经向风速和纬向风速)、非目标层风速特征和目标层附近高度的温度特征(例如,在垂直于地面方向上距离目标层的距离不超过15m处的温度)。作为优选但不限定的是:非目标层高于目标层,例如目标层为距离地面90m,非目标层为距离地面150m,目标层附近高度的温度为距离地面85m处的温度。
用于建模的点位和待订正的点位均称为目标点,目标点所在的层称为目标层,下面以距离地面10m处作为目标层、距离地面100m处作为非目标层、距离地面2m处作为目标层附近高度进行温度提取层为例进行详述。如图1,获取3小时时间分辨率、0.125°空间分辨率的EC天气预报数据(ECMWF欧洲数值天气预报中心的天气预报数据),提取10m目标层的纬向风速U10m、10m目标层的经向风速V10m、距离地面100m的非目标层的纬向风速U100m、距离地面100m的非目标层的经向风速V100m、距离地面2m的温度T2m。估算(例如统计计算)EC天气预报数据中目标层的最大平均风速,约为10m/s;计算在EC原始的时间分辨率的一半(1.5小时)的时间下目标层最大平均风速的移动距离,结果大约是54km。而EC网格一个格点的距离为0.125°,5个格点为0.625°,本实施方式中的目标点所在区域5个格点能够覆盖10m/s风速1.5h的移动范围,即以选取的目标点为中心向目标点四周(经向和纬向)均扩张5个格点,即确定了EC网格11×11个格点的空间范围。求取目标层经向风速和纬向风速的合风速WS10m、求取非目标层经向风速和纬向风速的合风速WS100m,对目标层风向进行正弦处理得到Sin(WD)、对目标层风向进行余弦处理得到Cos(WD),对非目标要素T2m进行标准化处理得到Nom(T2m),对非目标要素进行标准化为:(标准化非目标要素-非目标要素平均值/非目标要素标准差)。将EC网格11×11个格点这一空间范围、WS10m、WS100m、Sin(WD)、Cos(WD)、Nom(T2m)共同作为时空气象要素输入,输入到CONVLSTM层中。
选取分辨率为90m的局地地形要素,结合EC原始分辨率的格点为0.125°,最终在局地地形要素中选取向目标点四周扩张50个格点,刚好能够覆盖EC天气预报数据一个格点的区域,局地地形要素101×101个格点的区域和局地地形要素共同作为区域地形要素输入,输入到CONV层中。
采用上述的基于复杂地形的深度学习的短期风速订正模型的建立方法所建立的短期风速订正模型进行订正的订正方法,包括如下步骤:
S1、提取待订正天气预报数据中的目标层风速、非目标层风速和目标层附近温度进行参数化处理;根据待订正天气预报数据的目标层平均风速、待订正天气预报数据的时空分辨率确定待订正天气预报数据中的格点范围,所述格点范围在经度上和纬度上均能够覆盖最大平均风速在待订正天气预报数据1/2时间分辨率的移动距离;根据待订正目标点以及待订正天气预报数据的空间分辨率,在局地地形要素中选取能够覆盖待订正天气预报数据中格点距离的区域,以该区域的局地地形要素作为CONV层的输入。待订正天气预报数据中格点距离为待订正天气预报数据中目标点所对应格点的格点距离。
S2、将S1中所述区域的局地地形要素、待订正天气预报数据中的格点范围、以及参数化处理的待订正天气预报数据中的目标层风速、非目标层风速和目标层附近温度输入到短期风速订正模型得出短期风速订正结果。
S2.1、将待订正天气预报数据中的格点范围以及参数化处理的待订正天气预报数据中的目标层风速、非目标层风速和目标层附近温度作为待订正时空气象要素输入CONVLSTM层,通过CONVLSTM层提取待订正气象时空关系参数;将S1中所述区域的局地地形要素输入CONV层,通过CONV层提取待订正地形的影响要素;
S2.2、将所述待订正气象时空关系参数、待订正地形的影响要素正向输入到全连接层,全连层根据拟合关系模型得出短期风速订正结果。
待订正的区域地形要素,待订正的天气预报数据中的格点范围、WS目、WS非目、Sin(WD)、Cos(WD)和Nom(T),均输入短期风速订正模型中。短期风速订正模型又称Convolutional LSTM Net+DEM calibration模型(CONVLSTM网络+DEM校准模型)。短期风速订正模型包括CONVLSTM层、CONV层和全连接层,区域地形要素输入CONV层,天气预报数据中的格点范围、WS目、WS非目、Sin(WD)、Cos(WD)和Nom(T)输入CONVLSTM层。所有参数化的要素作为风速订正模型的输入,即N×T×S×S×P,N为样本数量,T为时间频次,由于数据为3小时间隔,那么历史3天的天气预报数据的时间频次为24,S×S为空间范围,P为要素;通过两层CONVLSTM提取有效的气象时空关系参数;通过两层CONV提取出地形的影响要素;将得到的时空关系参数与得到地形的影响要素进行结合,再加上气象站观测数据,通过全连接层(FC-layer)最终获得目标点3天1小时间隔的风速,对应为每次起报时次的目标点气象站10m的2分钟平均风速,共73个时次。
将时空气象要素输入到CONVLSTM层,CONVLSTM层为ConvLSTM2D层:第一层采用的过滤器filters=16,卷积核大小为3×3,跨度strides采用1×1;第二层采用filters=32,卷积核大小为7×7,strides采用3×3;在第一CONVLSTM层和第二CONVLSTM层后面均加入一个标准化层Batch Normalization,在深度神经网络训练过程中使得ConvLSTM2D层的每一层神经网络的输入保持相同分布,标准化层能够使风速订正模型快速收敛;通过ConvLSTM2D层输出处理后的时空气象要素(即气象时空关系参数)。将区域地形要素输入进CONV层当中,CONV为两层,第一层采用的filters=16,卷积核大小为3×3,strides采用3×3,激活函数为relu函数,第二层采用的filters=32,卷积核大小为7×7,strides采用7×7,激活函数为sigmoid函数;通过两层CONV层输出处理后的区域地形要素(即地形的影响要素)。将CONVLSTM2D层输出的时空气象要素、CONV层输出的区域地形要素拼接起来得到拼接要素数据,将拼接要素数据和气象站观测数据均接入全连接层。全连接层为三层,激活函数采用relu函数,每层全连接层之间加入dropout层,dropout层用于防止全连接层过拟合,dropout=0.2。上述过程(CONVLSTM层、CONV层和全连接层)迭代次数为100次,用RMSPROP作为优化函数,平均绝对误差作为评价函数。最终经过全连接层输出短期风速订正结果。
本发明通过输入3天(3day)、3h时间分辨率、0.125°空间分辨率的EC天气预报数值以及局地的高分辨率地形数据基于卷积的长短期记忆的神经网路和卷积神经网络所组成的模型,最终为目标点提供间隔1小时的短期风速订正结果。EC天气预报数据仅是一种举例说明,所有天气预报数据NWP均适用于本发明。
本实施方式中收集了在中国某地区2017年7月至2019年12月ECMWF的风速预报数据以及对应的时间段的气象站(共11个站点)的观测数据,对起其中的75%进行建模,25%进行检验,并测试2020年11月2日到12月20日的数据,进行实际测试和检验评估,评价标准包括均方根误差(RMSE)、系统误差(ME),平均绝对误差(MAE)、相关系数大于0.5的占比(CC>0.5)。
模型通过计算均方根误差、平均绝对误差、系统误差来评价,由于EC原始数据为3小时的时间分辨率,采取使用线性插值和二次插值将结果与订正后的数据进行比较,其结果如图2~4(深色的线对应AI,浅色的线为EC):如图2,均方根误差从原来的3m/s左右下降到2.2m/s左右;如图3,平均绝对误差从2.2m/s左右下降到1.6m/s左右;如图4,系统误差平均值-0.22也相比于原始的EC的0.32更加接近0,不过整体误差结果偏小相较于实际值减少。实验针对大风事件进行了TS评分,评分标准为:在24小时内风速超过10m/s记录为一次大风事件,如果预报和观测同时出现,那么则为命中一次大风事件,分别三个预报时效进行评估(0~24h、24~48h、48~72h),最终结果为,0~24:0.129(AI),0.117(EC);24~48:0.129(AI),0.121(EC);24~48:0.137(AI),0.132(EC),其中AI表示本发明订正后的天气预报数据。
Convolutional LSTM Net+DEM calibration模型(CONVLSTM网络+DEM校准模型)在应用历史数据的检验下展示除了相对优秀的成绩,需要进一步对模型的能力进行评价,进行实时的预报评估,预报采用了2020年11月2日到2020年12月20日,共41天订正结果进行评估,结果如下表1和表2,表1为北京时间08时次起报,表2为北京时间20时次起报。根据表1和表2可知,本发明在11个站订正的结果都相对有着一定提升,系统误差更接近0,平均绝对误差减少0.5m/s~1m/s,均方根误差减少0.6m/s~1.5m/s,大部分站点相关系数也有所提高。在图2~图4中纵坐标单位为m/s。
表1
表2
本发明建立了基于复杂地形的深度学习的短期风速订正模型的建立方法,以及基于短期风速订正模型的订正方法,引入地形要素和相关气象要素对区域的风速进行订正,在测试评估结果数据集合中,各项结果均优于原始数值天气预报,平均绝对误差从2.2m/s左右下降到1.6m/s左右,均方根误差从原来的3m/s左右下降到2.2m/s左右,相关系数大于0.5的百分比也有所提高,系统误差平均值-0.22也相比于原始的EC的0.32更加接近0,不过整体误差结果偏小相较于实际值减少。在业务化上线后,对实况数据进行了检验,总体结果在平均绝对误差(MAE)、RMSE(均方根误差)、CC>0.5(相关系数大于0.5的百分比)、ME(平均误差)等评价参数上要优于原始预报,模型无论在测试和实际业务化中都有了较大的提升,效果明显变好。
本发明公开一种基于复杂地形的深度学习的短临风速订正模型的建立方法和基于短期风速订正模型的订正方法,为基于散点的短期风速预报,以及时间维度上降尺度提供了一种模型和方法,在局地的地形订正和时间尺度上的降尺度有着明显效果,对于区域来说,包括受到复杂地形影响的地区,能够对预报进行准确订正,本发明在气象、电网等需要风速预报的领域有着广泛的应用。
Claims (7)
1.基于复杂地形的深度学习的短期风速订正模型的建立方法,其特征在于,包括如下步骤:
步骤一、提取天气预报数据中的目标层风速、非目标层风速和目标层附近温度;根据目标层平均风速、天气预报数据的时空分辨率确定天气预报数据中的格点范围,所述格点范围在经度上和纬度上均能够覆盖最大平均风速在天气预报数据1/2时间分辨率的移动距离;对提取的目标层风速、非目标层风速和目标层附近温度进行参数化处理;
根据目标点以及天气预报数据的空间分辨率,在局地地形要素中选取能够覆盖天气预报数据中格点距离的区域,所述格点距离为天气预报数据中目标点所对应格点的格点距离;
步骤二、将天气预报数据中的格点范围以及参数化处理的目标层风速、非目标层风速和目标层附近温度作为时空气象要素输入CONVLSTM层, CONVLSTM层提取气象时空关系参数;将步骤一中所述区域的局地地形要素输入CONV层,CONV层提取地形的影响要素;将所述气象时空关系参数、地形的影响要素正向输入到全连接层,将气象站观测数据均反向输入到全连接层中,全连接层建立气象时空关系参数、地形的影响要素和气象站观测数据的关系,获得短期风速订正模型,所述短期风速订正模型包括CONVLSTM层、CONV层和全连接层;
所述CONVLSTM层包括第一CONVLSTM层和第二CONVLSTM层,第一CONVLSTM层的filters= 16,卷积核大小为3×3,strides采用1×1;第二CONVLSTM层的filters = 32,卷积核大小为7×7,strides 采用3×3;
所述CONVLSTM层还包括位于第一CONVLSTM层和第二CONVLSTM层之间的第一标准化层、位于第二CONVLSTM层后的第二标准化层,第一标准化层和第二标准化层能够使短期风速订正模型快速收敛;
所述CONV层包括第一CONV层和第二CONV层,第一CONV层的filters = 16、卷积核大小为3×3、strides采用3×3、激活函数为relu函数,第二CONV层的filters = 32、卷积核大小为7×7、strides采用7×7、激活函数为sigmoid函数。
2.如权利要求1所述的基于复杂地形的深度学习的短期风速订正模型的建立方法,其特征在于,所述参数化处理具体为:求取目标层风速的合速度,求取非目标层风速的合速度,对目标层风向进行正弦处理和余弦处理,对目标层附近温度进行标准化处理。
3.如权利要求1所述的基于复杂地形的深度学习的短期风速订正模型的建立方法,其特征在于,所述全连接层为三层,所述全连接层的激活函数采用relu函数。
4.如权利要求3所述的基于复杂地形的深度学习的短期风速订正模型的建立方法,其特征在于,所述每层全连接层之间加入dropout层。
5.如权利要求1所述的基于复杂地形的深度学习的短期风速订正模型的建立方法,其特征在于,所述短期风速订正模型的迭代次数为100次,优化函数为RMSPROP,评价函数为平均绝对误差。
6.如权利要求1所述的基于复杂地形的深度学习的短期风速订正模型的建立方法,其特征在于,所述天气预报数据为欧洲数值天气预报中心的天气预报数据。
7.采用如权利要求1至6中任意一项所述的基于复杂地形的深度学习的短期风速订正模型的建立方法所建立的短期风速订正模型进行订正的订正方法,其特征在于,包括如下步骤:
S1、提取待订正天气预报数据中的目标层风速、非目标层风速和目标层附近温度;根据目标层平均风速、待订正天气预报数据的时空分辨率确定待订正天气预报数据中的格点范围,所述格点范围在经度上和纬度上均能够覆盖最大平均风速在待订正天气预报数据1/2时间分辨率的移动距离;对提取的待订正天气预报数据中的目标层风速、非目标层风速和目标层附近温度进行参数化处理;
根据目标点以及待订正天气预报数据的空间分辨率,在局地地形要素中选取能够覆盖待订正天气预报数据中格点距离的区域,待订正天气预报数据中格点距离为待订正天气预报数据中目标点所对应格点的格点距离;
S2、将待订正天气预报数据中的格点范围以及参数化处理的待订正天气预报数据中的目标层风速、非目标层风速和目标层附近温度作为待订正时空气象要素输入CONVLSTM层,CONVLSTM层提取待订正气象时空关系参数;将S1中所述区域的局地地形要素输入CONV层,CONV层提取待订正地形的影响要素;
S3、将所述待订正气象时空关系参数、待订正地形的影响要素输入到全连接层得出短期风速订正结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111316828.4A CN114330641B (zh) | 2021-11-09 | 2021-11-09 | 基于复杂地形的深度学习的短期风速订正模型的建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111316828.4A CN114330641B (zh) | 2021-11-09 | 2021-11-09 | 基于复杂地形的深度学习的短期风速订正模型的建立方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114330641A CN114330641A (zh) | 2022-04-12 |
CN114330641B true CN114330641B (zh) | 2024-06-28 |
Family
ID=81044967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111316828.4A Active CN114330641B (zh) | 2021-11-09 | 2021-11-09 | 基于复杂地形的深度学习的短期风速订正模型的建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114330641B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115345076B (zh) * | 2022-08-19 | 2023-09-12 | 清华大学 | 一种风速订正处理方法及装置 |
CN115099162B (zh) * | 2022-08-24 | 2022-11-15 | 成都信息工程大学 | 一种复杂地形下风场的订正方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110099509A (ko) * | 2010-03-02 | 2011-09-08 | 대한민국(기상청장) | 풍력-기상자원지도 구축 시스템 및 그 구축 방법 |
CN106570592A (zh) * | 2016-11-08 | 2017-04-19 | 深圳市昆特科技有限公司 | 基于人工神经网络的智能化数值预报订正系统 |
CN109543295B (zh) * | 2018-11-21 | 2023-08-25 | 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 |
CN111209968B (zh) * | 2020-01-08 | 2023-05-12 | 浙江师范大学 | 基于深度学习的多气象因子模式预报温度订正方法及系统 |
CN112285376A (zh) * | 2020-10-16 | 2021-01-29 | 中国石油大学(华东) | 一种基于cnn-lstm的风速预测方法 |
CN113553782B (zh) * | 2021-02-04 | 2024-03-26 | 华风气象传媒集团有限责任公司 | 一种用于预报风速的降尺度方法 |
CN113176420B (zh) * | 2021-02-08 | 2024-03-12 | 国网北京市电力公司 | 一种针对电网杆塔点的风速预报订正系统 |
CN113159714B (zh) * | 2021-04-01 | 2022-08-30 | 国网河南省电力公司电力科学研究院 | 一种面向电网的气象数据订正方法 |
CN113553764B (zh) * | 2021-07-13 | 2023-08-04 | 广东工业大学 | 一种基于深度学习网络的山火预测方法 |
-
2021
- 2021-11-09 CN CN202111316828.4A patent/CN114330641B/zh active Active
Non-Patent Citations (2)
Title |
---|
基于ECMWF产品的站点气温预报集成学习误差订正;陈昱文;黄小猛;李熠;陈悦;徐挚仁;黄兴;;应用气象学报;20200714(第04期);全文 * |
基于测风塔观测资料的近地层风速平面订正;王洁等;气象与环境学报;20201231;第36卷(第6期);第115-121页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114330641A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111798051B (zh) | 基于长短期记忆神经网络的空气质量时空预测方法 | |
US20220373984A1 (en) | Hybrid photovoltaic power prediction method and system based on multi-source data fusion | |
CN114330641B (zh) | 基于复杂地形的深度学习的短期风速订正模型的建立方法 | |
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 | |
CN114240000A (zh) | 一种基于时空图卷积网络的空气质量预测方法 | |
CN112508279B (zh) | 基于空间相关性的区域分布式光伏预测方法及系统 | |
CN113610286B (zh) | 顾及时空相关性和气象因素的pm2.5浓度预测方法及装置 | |
CN112946784B (zh) | 一种基于深度学习的SuperDARN雷达对流图短期预报方法 | |
CN113469427A (zh) | 基于卷积lstm的光伏电站日前发电量预测方法及系统 | |
CN111538935A (zh) | 基于地形特征和多源模式产品的精细化降水融合方法、系统、电子设备及存储介质 | |
CN116415730A (zh) | 一种预测水位的融合自注意力机制时空深度学习模型 | |
CN117494034A (zh) | 基于交通拥堵指数和多源数据融合的空气质量预测方法 | |
CN115859620A (zh) | 一种基于多头注意力机制和图神经网络的径流重建方法 | |
CN116720156A (zh) | 基于图神经网络多模态气象数据融合的气象要素预报方法 | |
CN114819264A (zh) | 一种基于时空依赖的光伏电站辐照度超短期预测方法及存储介质 | |
CN117218425A (zh) | 一种用于光伏电站的发电损失分析方法及系统 | |
CN113742929B (zh) | 一种针对格点气象实况的数据质量评价方法 | |
CN113984198A (zh) | 一种基于卷积神经网络的短波辐射预测方法及系统 | |
CN117273200A (zh) | 一种基于卷积优化算法和Pyraformer神经网络的径流区间预报方法 | |
CN117293809A (zh) | 一种基于大模型的多时空尺度新能源发电功率预测方法 | |
CN113988189B (zh) | 一种跨风电机组的迁移故障诊断方法 | |
CN115936236A (zh) | 一种卷烟厂能耗预测方法、系统、设备及介质 | |
CN113515890B (zh) | 一种基于联邦学习的可再生能源日前场景生成方法 | |
Zhou et al. | An explainable recurrent neural network for solar irradiance forecasting | |
CN113962432A (zh) | 一种融合三维卷积与轻量卷积门限单元的风电预测方法及系统 |
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 |