CN114675349A - 数值模式产品分段式订正预报方法及系统 - Google Patents

数值模式产品分段式订正预报方法及系统 Download PDF

Info

Publication number
CN114675349A
CN114675349A CN202210213572.2A CN202210213572A CN114675349A CN 114675349 A CN114675349 A CN 114675349A CN 202210213572 A CN202210213572 A CN 202210213572A CN 114675349 A CN114675349 A CN 114675349A
Authority
CN
China
Prior art keywords
product
forecast
correction
extreme value
grid
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
CN202210213572.2A
Other languages
English (en)
Other versions
CN114675349B (zh
Inventor
曾晓青
赵声蓉
代刊
刘亚楠
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.)
National Meteorological Center Central Meteorological Station
Original Assignee
National Meteorological Center Central Meteorological Station
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 National Meteorological Center Central Meteorological Station filed Critical National Meteorological Center Central Meteorological Station
Priority to CN202210213572.2A priority Critical patent/CN114675349B/zh
Priority claimed from CN202210213572.2A external-priority patent/CN114675349B/zh
Publication of CN114675349A publication Critical patent/CN114675349A/zh
Application granted granted Critical
Publication of CN114675349B publication Critical patent/CN114675349B/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
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Abstract

本发明公开了一种数值模式产品分段式订正预报方法，该方法包括：按照预先设定的预报时段，重复以下步骤：步骤1)接收预报起始时刻的多元网格融合逐时产品、数值天气预报模式的近地面预报产品和多元网格融合极值产品；步骤2)对数值天气预报模式的近地面预报产品依次进行极值提取和空间插值预处理，再和多元网格融合极值产品共同输入当天全格点极值预报模型，得到极值网格订正预报产品；步骤3)基于多元网格融合逐时产品、极值网格订正预报产品和时空插值后的预报产品，采用分段式订正技术，得到该预报时段内的逐时网格订正预报产品；当天全格点极值预报模型采用全格点滑动回归极值网格建模订正技术实现滚动建模。

Description

数值模式产品分段式订正预报方法及系统
技术领域
本发明属于大气科学中数值天气预报模式后处理技术应用，涉及智能网格滚动订正预报系统，尤其涉及数值模式产品分段式订正预报方法及系统。
背景技术
智能网格预报已成为各国气象业务中心的重要发展方向，随着网格预报业务的发展，一天两次的站点预报在空间和时间精度上已远远不能满足业务需求，根据中国气象局的《气象预报业务发展规划(2021-2025年)》、《国家气象中心全面推进气象现代化实施方案(2021-2025年)》等为指导，发展全覆盖、无缝隙、精细化网格预报业务体系是未来气象预报发展的重要方向。
目前国内高分辨率、高频次的多源网格融合产品已经逐渐成熟，为了将逐时网格融合产品及时对未来24小时的数值模式逐时预报结果进行修订，获得更精更好的网格预报产品，过去一般采用模式输出统计订正思路，通过使用卡尔曼滤波、神经网络等建模技术，直接建立过去30天的数值模式逐时预报产品与逐时网格融合产品之间的误差订正模型，根据模型对未来数值天气模式的逐时预报产品进行修订。然而上述预报订正技术方案产生的结果有一定缺陷，它所产生的逐时网格订正预报产品首先无法与极值网格订正预报产品完全保持一致，其次开始预报零时刻的逐时数值模式产品与逐时多源网格融合产品的误差方向可能与未来预报时间的逐时数值模式产品误差方向相反，如果订正方案不合适就会造成误差增大，另外现有方法由于要对所有预报时次的所有格点都要进行建模，计算资源会消耗巨大，极大降低了对数值模式产品进行滚动订正的效率。
发明内容
本发明的目的在于克服现有技术缺陷，提出了数值模式产品分段式订正预报方法及系统。
为了实现上述目的，本发明提出了一种数值模式产品分段式订正预报方法，用于对气温、风和相对湿度物理量进行预报订正，所述方法包括：
按照预先设定的预报时段，重复以下步骤，得到对应预报时段内的逐时网格订正预报产品：
步骤1)接收预报起始时刻的多元网格融合逐时产品、数值天气预报模式的近地面预报产品和多元网格融合极值产品；
步骤2)对数值天气预报模式的近地面预报产品依次进行极值提取和空间插值预处理，再和多元网格融合极值产品共同输入预先建立的当天全格点极值预报模型，得到极值网格订正预报产品；
步骤3)基于多元网格融合逐时产品、极值网格订正预报产品和时空插值后的预报产品，采用分段式订正技术，得到该预报时段内的逐时网格订正预报产品；
所述当天全格点极值预报模型采用全格点滑动回归极值网格建模订正技术实现滚动建模。
作为上述方法的一种改进，所述步骤1)的网格为规则网格或非规则网格。
作为上述方法的一种改进，所述方法还包括当天全格点极值预报模型的建立步骤；具体包括：
对历史M天的数值天气预报模式的近地面预报产品进行未来24h的最大值和最小值提取；
对历史M天的数值天气预报模式的近地面预报产品采用基于地形的双线性插值方法进行空间插值预处理，得到与历史M天的多源网格融合极值产品空间分辨率一致的预处理数据；
基于预处理数据和历史M天的多源网格融合极值产品，采用全格点滑动回归极值网格建模订正技术进行建模，得到当天全格点极值预报模型。
作为上述方法的一种改进，所述M大于等于30。
作为上述方法的一种改进，所述步骤2)后还包括：根据预报员对站点主观订正或客观站点订正方法产生的站点极值预报产品，采用最优插值方法，与步骤2)得到的极值网格订正预报产品进行融合，转入步骤3)。
一种数值模式产品分段式订正预报系统，用于对地面气温、风和相对湿度物理量进行预报订正，其特征在于，所述系统包括：数据源接收模块、极值订正模块、分段订正模块和当天全格点极值预报模型；其中，
所述数据源接收模块，用于接收预报起始时刻的多元网格融合逐时产品、数值天气预报模式的近地面预报产品和多元网格融合极值产品；
所述极值订正模块，用于对数值天气预报模式的近地面预报产品依次进行极值提取和空间插值预处理，再和多元网格融合极值产品共同输入预先建立的当天全格点极值预报模型，得到极值网格订正预报产品；
所述分段订正模块，用于基于多元网格融合逐时产品、极值网格订正预报产品和时空插值后的预报产品，采用分段式订正技术，得到该预报时段内的逐时网格订正预报产品；
所述当天全格点极值预报模型采用全格点滑动回归极值网格建模订正技术实现滚动建模。
作为上述系统的一种改进，所述网格为规则网格或非规则网格。
作为上述系统的一种改进，所述当天全格点极值预报模型的建立步骤具体包括：
对历史M天的数值天气预报模式的近地面预报产品进行未来24h的最大值和最小值提取；
对历史M天的数值天气预报模式的近地面预报产品采用基于地形的双线性插值方法进行空间插值预处理，得到与历史M天的多源网格融合极值产品空间分辨率一致的预处理数据；
基于预处理数据和历史M天的多源网格融合极值产品，采用全格点滑动回归极值网格建模订正技术进行建模，得到当天全格点极值预报模型。
作为上述系统的一种改进，所述M大于等于30。
作为上述系统的一种改进，所述系统还包括融合模块，用于根据预报员对站点主观订正或客观站点订正方法产生的站点极值预报产品，采用最优插值方法，与极值订正模块得到的极值网格订正预报产品进行融合，并输入分段订正模块。
与现有技术相比，本发明的优势在于：
1、采用本发明的方法能提高对未来24h的极值预报和逐时预报的准确率，让预报员以最小代价与客观预报产品进行交互式主客观融合；
2、本发明的方法与原有逐时全格点建模技术方案相比，大大提高计算效率，降低计算耗能，符合碳减排趋势；
3、本发明的方法由于不是对所有预报时次进行建模，而仅仅在网格极值出现的时间点进行建模，这极大降低了在所有预报时次建模的模型之间不协调的可能性，能更加有效的避免过去方案在不同预报时效产品上出现的波动和异常现象。
附图说明
图1是本发明的数值模式产品分段式订正预报方法技术方案图；
图2是分段式单点订正预报示意图。
具体实施方式
本发明的目的是提出一种高效的逐时订正预报技术方案，旨在大大降低计算成本的同时，又能让逐时网格订正预报产品与极值网格订正预报产品完全保持一致，同时还能提高逐时订正预报产品的准确率。
为实现上述目的，如图1所示，本发明的技术方案如下：
第1步，收集历史30天(或更多)数值天气预报模式的逐时近地面预报产品和多元网格融合逐时和极值产品。
第2步，对历史30天(或更多)的数值天气预报模式的近地面预报产品进行未来24h的最大值和最小值提取，然后采用基于地形的双线性插值方法进行空间插值预处理，同时将未来24h的数值天气预报模式的近地面预报产品进行时间(逐时)和基于地形的双线性空间插值预处理，获得与多源网格融合极值产品空间分辨率一致的预处理数据。
第3步，基于第2步的历史极值预处理数据和多源网格融合极值产品基础上，采用全格点滑动回归方法进行极值的滚动建模，建立滑动的全格点极值预报模型。
第4步，根据全格点极值预报模型和新的数值模式预报产品获得未来24h的极值预报网格订正产品，同时如果预报员参与对站点的主观订正，产生站点极值预报产品，可以采用最优插值(OI)方法与极值预报网格订正产品进行融合，产生新的极值预报网格订正产品。然后根据起报时刻的多元网格融合实况产品、极值预报网格产品和逐时数值模式预报预处理产品进行分段式订正，最终获得未来24小时内的逐时订正预报产品。
下面结合附图和实施例对本发明的技术方案进行详细的说明。
实施例1
本发明的实施例1提出了数值模式产品分段式订正预报方法，方法包括：
按照预先设定的预报时段，重复以下步骤，得到对应预报时段内的逐时网格订正预报产品：
步骤1)接收预报起始时刻的多元网格融合逐时产品、数值天气预报模式的近地面预报产品和多元网格融合极值产品；
步骤2)对数值天气预报模式的近地面预报产品依次进行极值提取和空间插值预处理，再和多元网格融合极值产品共同输入预先建立的当天全格点极值预报模型，得到极值网格订正预报产品；
步骤3)基于多元网格融合逐时产品、极值网格订正预报产品和时空插值后的预报产品，采用分段式订正技术，得到该预报时段内的逐时网格订正预报产品；
所述当天全格点极值预报模型采用全格点滑动回归极值网格建模订正技术实现滚动建模。
所述步骤2)后还包括：根据预报员对站点主观订正或客观站点订正方法产生的站点极值预报产品，采用最优插值方法，与步骤2)得到的极值网格订正预报产品进行融合，转入步骤3)。
这里以空间任意一个格点为例子(其余所有格点处理方案都一致)，首先获得该格点起报时刻t0的多元网格融合逐时产品Y0和数值天气预报模式产品X0，以及未来24h的数值天气预报模式产品X1，X2，....X24，根据全格点极值预报模型，获得未来24h的最高和最低订正预报产品X′max和X′min，这里先假设最高值X′max在最低值X′min出现时间之前(实际情况根据当时的数值天气预报模式产品变化趋势确定)，这是将数值天气预报模式预报产品从时间上分为三段，X0到X′max时段，X′max到X′min时段，X′min到X24时段，通过如下公式1-3对每个时段内的其他时效预报值进行订正调整。最终获得逐时的滚动订正预报值X′1，X′2，…，X′24。
ehead＝Dhead-Dhr (1)
etail＝Dtail-Dtr (2)
Figure BDA0003531839740000051
以上订正公式主要针对气温、风和相对湿度物理量其中之一，利用预报起报时刻(0时刻)的逐时网格融合产品和订正后的极值(最高值和最低值)订正预报产品对模式逐时预报产品进行订正，获得较为准确的逐时订正产品。其中订正时段内有N个需要订正值，ti是时间项，i从0到N-1；Dhead、Dtail和Di分别代表需要订正的数值天气预报模式逐时预报时段开始、结束和全部数值；Dhr和Dtr分别是订正时段的开始和结束参考值；ehead和etail是分别是订正时段的开始和结束参考误差；D′i是订正后的逐时预报物理量值。如图2所示，为分段式单点订正预报示意图。
实施例2
本发明的实施例2提出了数值模式产品分段式订正预报系统，用于对地面气温、风和相对湿度物理量进行预报订正，基于实施例1的方法实现，该系统包括：数据源接收模块、极值订正模块、分段订正模块和当天全格点极值预报模型；其中，
所述数据源接收模块，用于接收预报起始时刻的多元网格融合逐时产品、数值天气预报模式的近地面预报产品和多元网格融合极值产品；
所述极值订正模块，用于对数值天气预报模式的近地面预报产品依次进行极值提取和空间插值预处理，再和多元网格融合极值产品共同输入预先建立的当天全格点极值预报模型，得到极值网格订正预报产品；
所述分段订正模块，用于基于多元网格融合逐时产品、极值网格订正预报产品和时空插值后的预报产品，采用分段式订正技术，得到该预报时段内的逐时网格订正预报产品；
所述当天全格点极值预报模型采用全格点滑动回归极值网格建模订正技术实现滚动建模。
该系统还包括：融合模块，用于根据预报员对站点主观订正或客观站点订正方法产生的站点极值预报产品，采用最优插值方法，与极值订正模块得到的极值网格订正预报产品进行融合，并输入分段订正模块。
总结
本发明提出一种高效的逐时订正预报技术方案，该方案基于数值天气预报模式产品和多源网格融合逐时和极值产品，采用基于地形的双线性插值方法进行空间插值数据预处理，采用全格点滑动回归建模技术建立滑动的全格点极值预报模型，采用分段式订正预报技术生成未来24小时内的逐时订正预报产品并与极值预报保持一致，相对模式具有较高预报准确率，让预报员能以最小代价与客观预报产品进行交互式主客观融合。同时大大降低计算耗能，提高计算效率。
最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种数值模式产品分段式订正预报方法，用于对气温、风和相对湿度物理量进行预报订正，所述方法包括：
按照预先设定的预报时段，重复以下步骤，得到对应预报时段内的逐时网格订正预报产品：
步骤1)接收预报起始时刻的多元网格融合逐时产品、数值天气预报模式的近地面预报产品和多元网格融合极值产品；
步骤2)对数值天气预报模式的近地面预报产品依次进行极值提取和空间插值预处理，再和多元网格融合极值产品共同输入预先建立的当天全格点极值预报模型，得到极值网格订正预报产品；
步骤3)基于多元网格融合逐时产品、极值网格订正预报产品和时空插值后的预报产品，采用分段式订正技术，得到该预报时段内的逐时网格订正预报产品；
所述当天全格点极值预报模型采用全格点滑动回归极值网格建模订正技术实现滚动建模。
2.根据权利要求1所述的数值模式产品分段式订正预报方法，其特征在于，所述步骤1)的网格为规则网格或非规则网格。
3.根据权利要求1或2所述的数值模式产品分段式订正预报方法，其特征在于，所述方法还包括当天全格点极值预报模型的建立步骤；具体包括：
对历史M天的数值天气预报模式的近地面预报产品进行未来24h的最大值和最小值提取；
对历史M天的数值天气预报模式的近地面预报产品采用基于地形的双线性插值方法进行空间插值预处理，得到与历史M天的多源网格融合极值产品空间分辨率一致的预处理数据；
基于预处理数据和历史M天的多源网格融合极值产品，采用全格点滑动回归极值网格建模订正技术进行建模，得到当天全格点极值预报模型。
4.根据权利要求3所述的数值模式产品分段式订正预报方法，其特征在于，所述M大于等于30。
5.根据权利要求1所述的数值模式产品分段式订正预报方法，其特征在于，所述步骤2)后还包括：根据预报员对站点主观订正或客观站点订正方法产生的站点极值预报产品，采用最优插值方法，与步骤2)得到的极值网格订正预报产品进行融合，转入步骤3)。
6.一种数值模式产品分段式订正预报系统，用于对地面气温、风和相对湿度物理量进行预报订正，其特征在于，所述系统包括：数据源接收模块、极值订正模块、分段订正模块和当天全格点极值预报模型；其中，
所述数据源接收模块，用于接收预报起始时刻的多元网格融合逐时产品、数值天气预报模式的近地面预报产品和多元网格融合极值产品；
所述极值订正模块，用于对数值天气预报模式的近地面预报产品依次进行极值提取和空间插值预处理，再和多元网格融合极值产品共同输入预先建立的当天全格点极值预报模型，得到极值网格订正预报产品；
所述分段订正模块，用于基于多元网格融合逐时产品、极值网格订正预报产品和时空插值后的预报产品，采用分段式订正技术，得到该预报时段内的逐时网格订正预报产品；
所述当天全格点极值预报模型采用全格点滑动回归极值网格建模订正技术实现滚动建模。
7.根据权利要求6所述的数值模式产品分段式订正预报系统，其特征在于，所述网格为规则网格或非规则网格。
8.根据权利要求6或7所述的数值模式产品分段式订正预报系统，其特征在于，所述当天全格点极值预报模型的建立步骤具体包括：
对历史M天的数值天气预报模式的近地面预报产品进行未来24h的最大值和最小值提取；
对历史M天的数值天气预报模式的近地面预报产品采用基于地形的双线性插值方法进行空间插值预处理，得到与历史M天的多源网格融合极值产品空间分辨率一致的预处理数据；
基于预处理数据和历史M天的多源网格融合极值产品，采用全格点滑动回归极值网格建模订正技术进行建模，得到当天全格点极值预报模型。
9.根据权利要求8所述的数值模式产品分段式订正预报系统，其特征在于，所述M大于等于30。
10.根据权利要求6所述的数值模式产品分段式订正预报系统，其特征在于，所述系统还包括融合模块，用于根据预报员对站点主观订正或客观站点订正方法产生的站点极值预报产品，采用最优插值方法，与极值订正模块得到的极值网格订正预报产品进行融合，并输入分段订正模块。
CN202210213572.2A 2022-03-04 数值模式产品分段式订正预报方法及系统 Active CN114675349B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210213572.2A CN114675349B (zh) 2022-03-04 数值模式产品分段式订正预报方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210213572.2A CN114675349B (zh) 2022-03-04 数值模式产品分段式订正预报方法及系统

Publications (2)

Publication Number Publication Date
CN114675349A true CN114675349A (zh) 2022-06-28
CN114675349B CN114675349B (zh) 2024-04-26

Family

ID=

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170371074A1 (en) * 2016-06-24 2017-12-28 Climacell Inc. Real-Time Precipitation Forecasting System
CN108983324A (zh) * 2018-08-09 2018-12-11 深圳市雅码科技有限公司 一种基于卡尔曼滤波的气温预报方法及系统
WO2020103677A1 (zh) * 2018-11-21 2020-05-28 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
CN112149857A (zh) * 2020-10-22 2020-12-29 无锡九方科技有限公司 基于迁移学习的气象智能预报订正方法
CN113159714A (zh) * 2021-04-01 2021-07-23 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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170371074A1 (en) * 2016-06-24 2017-12-28 Climacell Inc. Real-Time Precipitation Forecasting System
CN108983324A (zh) * 2018-08-09 2018-12-11 深圳市雅码科技有限公司 一种基于卡尔曼滤波的气温预报方法及系统
WO2020103677A1 (zh) * 2018-11-21 2020-05-28 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
CN112149857A (zh) * 2020-10-22 2020-12-29 无锡九方科技有限公司 基于迁移学习的气象智能预报订正方法
CN113159714A (zh) * 2021-04-01 2021-07-23 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

Similar Documents

Publication Publication Date Title
US20220373984A1 (en) Hybrid photovoltaic power prediction method and system based on multi-source data fusion
CN108846530B (zh) 一种基于“聚类-回归”模型的短期负荷预测方法
CN112149879B (zh) 一种计及宏观波动性分类的新能源中长期电量预测方法
CN110729764B (zh) 一种含光伏发电系统的优化调度方法
CN112085285B (zh) 母线负荷预测方法、装置、计算机设备和存储介质
CN113361195B (zh) 一种基于lstm和相似日的配电网线路超短期负荷预测方法
CN113657662B (zh) 一种基于数据融合的降尺度风电功率预测方法
CN111222707B (zh) 一种基于时间序列突变误差校正的风速预测方法
CN112508246B (zh) 一种基于相似日的光伏发电功率预测方法
CN108563829B (zh) 一种基于贝叶斯鲁棒函数回归的多步风速预报方法
CN114418174A (zh) 电动汽车充电负荷预测方法
CN104036356A (zh) 一种利用分形算法对电网未来运行状态进行预测的方法
CN116629416A (zh) 光伏电站功率预测方法及装置
CN115809282A (zh) 一种变电站碳排放监测方法及系统
CN115081597A (zh) 一种基于机器学习的以电核碳方法、系统、设备和介质
CN114626640A (zh) 基于特征工程和lstm神经网络的天然气负荷预测方法及系统
CN114564513A (zh) 基于神经网络的海雾预测方法、装置、设备及存储介质
CN114675349A (zh) 数值模式产品分段式订正预报方法及系统
CN114675349B (zh) 数值模式产品分段式订正预报方法及系统
CN109961190B (zh) 一种基于学习日拟合度聚类的光伏电站日前功率预测方法
CN107818678A (zh) 用于用电信息采集系统的实时在线修正方法及装置
CN110766190A (zh) 一种配电网负荷预测方法
CN116485443A (zh) 一种电力现货市场价格信息预测优化方法及系统
CN115081681A (zh) 一种基于prophet算法的风电功率预测方法
CN109886455B (zh) 雷电气候下超短期负荷预测方法

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