CN116415700A - 一种结合人工智能的风能数值预报方法及其装置 - Google Patents
一种结合人工智能的风能数值预报方法及其装置 Download PDFInfo
- Publication number
- CN116415700A CN116415700A CN202111624417.1A CN202111624417A CN116415700A CN 116415700 A CN116415700 A CN 116415700A CN 202111624417 A CN202111624417 A CN 202111624417A CN 116415700 A CN116415700 A CN 116415700A
- Authority
- CN
- China
- Prior art keywords
- data
- physical process
- assimilation
- scheme
- schemes
- 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.)
- Pending
Links
- 238000013473 artificial intelligence Methods 0.000 title abstract description 15
- 238000013277 forecasting method Methods 0.000 title abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 346
- 230000008569 process Effects 0.000 claims abstract description 316
- 238000013136 deep learning model Methods 0.000 claims abstract description 36
- 238000005457 optimization Methods 0.000 claims description 91
- 238000004422 calculation algorithm Methods 0.000 claims description 46
- 230000005855 radiation Effects 0.000 claims description 36
- 238000011156 evaluation Methods 0.000 claims description 31
- 238000012360 testing method Methods 0.000 claims description 12
- 238000009825 accumulation Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 230000035945 sensitivity Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 13
- 230000002068 genetic effect Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000002790 cross-validation Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 230000035772 mutation Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种风能数值预报方法和装置。该方法包括:获取多个测风塔的观测数据,基于所述多个测风塔的观测数据和初始气象数据进行资料同化,以获得同化后的数据;基于同化后的数据和包括优化后的第一物理过程参数化方案的多个物理过程参数化方案进行风能数值预报,得到预报数据;基于深度学习模型,对预报数据进行校准,输出校准后的预报数据作为风能数值预报的结果数据。根据本公开的方法可以通过人工智能技术在数值天气预报模式资料同化、模式参数化方案、预报误差校准环节与物理机理的结合应用,将能有效的提升数值天气预报模式准确率。
Description
技术领域
本公开涉及数值预报领域,尤其涉及一种结合人工智能的风能数值预报方法及其装置。
背景技术
数值天气预报数据是风能资源评估和风力发电功率预测的基础,其核心是数值天气预报(Numerical Weather Prediction,NWP)模式,数值天气预报模式根据实际应用需求和场景,对大气运动基本方程组进行一定的简化和近似,同时引入近地面层、边界层、积云对流、微物理及辐射等物理过程,从而实现对需求尺度气象要素的数值模拟和预报。
目前,数值天气预报模式的各环节完全遵循气象物理机理和相关规律的约束。由于尚有一些气象变化过程,仍没有完全科学的认识和清晰的物理机理,这使得气象预报的各环节均会产生一定的预报偏差,严重制约了气象预报的准确率。
发明内容
本公开提供一种结合人工智能的风能数值预报方法及其装置,以至少解决相关技术中数值天气预报模式的各环节由于缺乏或没有对物理机理的准确认识而存在的简化、近似和参数化会产生一定的预报偏差,严重制约了数值天气预报模式的准确率的问题。
根据本公开的第一方面,提供了一种风能数值预报方法,包括:获取多个测风塔的观测数据,基于所述多个测风塔的观测数据和初始气象数据进行资料同化,以获得同化后的数据;基于同化后的数据和包括优化后的第一物理过程参数化方案的多个物理过程参数化方案进行风能数值预报,得到预报数据;基于深度学习模型,对预报数据进行校准,输出校准后的预报数据作为风能数值预报的结果数据。
根据本公开的第一方面,其中,基于所述多个测风塔的观测数据和初始气象数据进行资料同化,以获得同化后的数据的步骤包括:针对每个测风塔,以测风塔的观测数据和初始气象数据作为输入,基于关于同化时间窗的同化模型获得经过时间维度优化的数据;针对每个测风塔,以经过时间维度优化的数据作为输入,基于关于同化区域的同化模型获得经过空间维度优化的数据;针对所有测风塔,以经过空间维度优化的数据作为输入,基于全局同化模型获得同化后的数据。
根据本公开的第一方面,其中,关于同化时间窗的同化模型通过以下方式被优化:针对每个测风塔,分别构建关于同化时间窗的同化模型,以初始气象数据作为关于同化时间窗的同化模型的输入,以关于同化时间窗的同化模型的输出数据与对应测风塔的观测数据之间在时间维度上的预报精度为评价指标,使用优化算法对关于同化时间窗的同化模型进行优化;关于同化区域的同化模型通过以下方式被优化:针对每个测风塔,分别构建关于同化区域的同化模型,以经过时间维度优化的数据作为关于同化区域的同化模型的输入,以关于同化区域的同化模型的输出数据与对应测风塔的观测数据之间在空间维度上的预报精度为评价指标,使用优化算法对关于同化区域的同化模型进行优化;全局同化模型通过以下方式被优化:构建全局同化模型,以所有测风塔经过空间维度优化的数据作为全局同化模型的输入,以全局同化模型的输出数据与所有测风塔的观测数据之间在时间和空间维度上的预报精度为评估指标,使用优化算法对全局同化模型进行优化。
根据本公开的第一方面,其中,优化后的第一物理过程参数化方案通过以下方式被确定:基于敏感性试验来确定所述多个物理过程参数化方案中的第一物理过程参数化方案,或者预先设置多个物理过程参数化方案中的第一物理过程参数化方案,其中,所述多个物理过程参数化方案包括边界层方案、近地层方案、短波辐射方案、长波辐射方案、陆面方案和积云对流方案中的至少一者;确定第一物理过程参数化方案中的最优物理过程参数化方案,其中,第一物理过程参数化方案还包括多个子方案,最优物理过程参数化方案被确定为所述多个子方案之一;对最优物理过程参数化方案中的参数进行优化。
根据本公开的第一方面,其中,基于敏感性试验来确定所述多个物理过程参数化方案中的第一物理过程参数化方案的步骤包括:基于同化后的数据和所述多个物理过程参数化方案进行风能数值预报,得到第一预报数据;基于同化后的数据和不包括候选物理过程参数化方案的所述多个物理过程参数化方案进行风能数值预报,得到对应于候选物理过程参数化方案的多个第二预报数据;分别比较第一预报数据与所述多个第二预报数据之间的相关性或者误差;确定所述多个物理过程参数化方案中对应的相关性最小或者误差最大的候选物理过程参数化方案,作为第一物理过程参数化方案。
根据本公开的第一方面,其中,确定第一物理过程参数化方案中的最优物理过程参数化方案的步骤包括:第一物理过程参数化方案选择不同的子方案,将除去所述第一物理过程参数化方案的其他物理过程参数化方案设置为默认方案,其中,其他物理过程参数化方案为多个物理过程参数化方案中除去第一物理过程参数化方案以外的物理过程参数化方案;基于同化后的数据和包括具有不同的子方案的第一物理过程参数化方案的所述多个物理过程参数化方案进行风能数值预报,获得针对所述不同的子方案的多个预报数据;从所述多个子方案中选择对应的预报数据与所述多个测风塔的观测数据之间预报精度最高的子方案,作为最优物理过程参数化方案。
根据本公开的第一方面,其中,对最优物理过程参数化方案中的参数进行优化的步骤包括:将除去第一物理过程参数化方案的其他物理过程参数化方案设置为默认方案,构建针对最优物理过程参数化方案中参数的优化模型;以同化后的数据作为所述优化模型的输入,以所述优化模型的输出数据与多个测风塔的观测数据之间的预报精度为评价指标,对参数取值进行优化。
根据本公开的第一方面,其中,所述深度学习模型通过以下方式被优化:以预报数据为深度学习模型的输入,以深度学习模型输出数据与多个测风塔的观测数据之间的预报精度作为评价指标,通过交叉验证对深度学习模型参数进行优化。
根据本公开的第二方面,提供了一种风能数值预报装置,包括,资料同化模块,被配置为获取多个测风塔的观测数据,基于所述多个测风塔的观测数据和初始气象数据进行资料同化,以获得同化后的数据;参数化方案模块,被配置为基于同化后的数据和包括优化后的第一物理过程参数化方案的多个物理过程参数化方案进行风能数值预报,得到预报数据;数据校准模块,被配置为基于深度学习模型,对预报数据进行校准,输出校准后的预报数据作为风能数值预报的结果数据。
根据本公开的第二方面,其中,资料同化模块还被配置为:针对每个测风塔,以测风塔的观测数据和初始气象数据作为输入,基于关于同化时间窗的同化模型获得经过时间维度优化的数据;针对每个测风塔,以经过时间维度优化的数据作为输入,基于关于同化区域的同化模型获得经过空间维度优化的数据;针对所有测风塔,以经过空间维度优化的数据作为输入,基于全局同化模型获得同化后的数据。
根据本公开的第二方面,其中,关于同化时间窗的同化模型通过以下方式被优化:针对每个测风塔,分别构建关于同化时间窗的同化模型,以初始气象数据作为关于同化时间窗的同化模型的输入,以关于同化时间窗的同化模型的输出数据与对应测风塔的观测数据之间在时间维度上的预报精度为评价指标,使用优化算法对关于同化时间窗的同化模型进行优化;关于同化区域的同化模型通过以下方式被优化:针对每个测风塔,分别构建关于同化区域的同化模型,以经过时间维度优化的数据作为关于同化区域的同化模型的输入,以关于同化区域的同化模型的输出数据与对应测风塔的观测数据之间在空间维度上的预报精度为评价指标,使用优化算法对关于同化区域的同化模型进行优化;全局同化模型通过以下方式被优化:构建全局同化模型,以所有测风塔经过空间维度优化的数据作为全局同化模型的输入,以全局同化模型的输出数据与所有测风塔的观测数据之间在时间和空间维度上的预报精度为评估指标,使用优化算法对全局同化模型进行优化。
根据本公开的第二方面,其中,参数化方案模块还被配置为:基于敏感性试验来确定所述多个物理过程参数化方案中的第一物理过程参数化方案,或者预先设置多个物理过程参数化方案中的第一物理过程参数化方案,其中,所述多个物理过程参数化方案包括边界层方案、近地层方案、短波辐射方案、长波辐射方案、陆面方案和积云对流方案中的至少一者;确定第一物理过程参数化方案中的最优物理过程参数化方案,其中,第一物理过程参数化方案还包括多个子方案,最优物理过程参数化方案被确定为所述多个子方案之一;对最优物理过程参数化方案中的参数进行优化。
根据本公开的第二方面,其中,参数化方案模块还被配置为:基于同化后的数据和所述多个物理过程参数化方案进行风能数值预报,得到第一预报数据;基于同化后的数据和不包括候选物理过程参数化方案的所述多个物理过程参数化方案进行风能数值预报,得到对应于候选物理过程参数化方案的多个第二预报数据;分别比较第一预报数据与所述多个第二预报数据之间的相关性或者误差;确定所述多个物理过程参数化方案中对应的相关性最小或者误差最大的候选物理过程参数化方案,作为第一物理过程参数化方案。
根据本公开的第二方面,其中,参数化方案模块还被配置为:第一物理过程参数化方案选择不同的子方案,将除去所述第一物理过程参数化方案的其他物理过程参数化方案设置为默认方案,其中,其他物理过程参数化方案为多个物理过程参数化方案中除去第一物理过程参数化方案以外的物理过程参数化方案;基于同化后的数据和包括具有不同的子方案的第一物理过程参数化方案的所述多个物理过程参数化方案进行风能数值预报,获得针对所述不同的子方案的多个预报数据;从所述多个子方案中选择对应的预报数据与所述多个测风塔的观测数据之间预报精度最高的子方案,作为最优物理过程参数化方案。
根据本公开的第二方面,其中,参数化方案模块还被配置为:将除去第一物理过程参数化方案的其他物理过程参数化方案设置为默认方案,构建针对最优物理过程参数化方案中参数的优化模型;以同化后的数据作为所述优化模型的输入,以所述优化模型的输出数据与多个测风塔的观测数据之间的预报精度为评价指标,对参数取值进行优化。
根据本公开的第二方面,其中,数据校准模块还被配置为:以预报数据为深度学习模型的输入,以深度学习模型输出数据与多个测风塔的观测数据之间的预报精度作为评价指标,通过交叉验证对深度学习模型参数进行优化。
根据本公开的第三方面,提供了一种风能数值预报设备,所述设备包括:处理器;存储器,存储有计算机程序,当所述计算机程序被处理器执行时,实现上述一种风能数值预报方法。
根据本公开的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被执行时实现上述一种风能数值预报方法。
根据本公开的实施例提供的技术方案至少带来以下有益效果:通过人工智能技术在数值天气预报模式资料同化、模式参数化方案、预报误差校准环节与物理机理的结合应用,将能有效的提升数值天气预报模式准确率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1示出根据本公开的示例性实施例的数值天气预报模式流程。
图2示出根据本公开的示例性实施例的一种风能数值预报方法。
图3示出根据本公开的示例性实施例的资料同化环节的模型优化步骤。
图4示出根据本公开的示例性实施例的模式参数化方案环节优化步骤。
图5示出根据本公开的示例性实施例的一种风能数值预报装置的框图。
图6示出根据本公开的示例性实施例的电子设备的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在此需要说明的是,在本公开中出现的“若干项之中的至少一项”均表示包含“该若干项中的任意一项”、“该若干项中的任意多项的组合”、“该若干项的全体”这三类并列的情况。例如“包括A和B之中的至少一个”即包括如下三种并列的情况:(1)包括A;(2)包括B;(3)包括A和B。又例如“执行步骤一和步骤二之中的至少一个”,即表示如下三种并列的情况:(1)执行步骤一;(2)执行步骤二;(3)执行步骤一和步骤二。
图1示出根据本公开的示例性实施例的数值天气预报模式流程。
基于数值天气预报模式的行业气象预报流程包含了资料同化(DA)、模式参数化方案、预报误差校准等环节,这些环节完全遵循气象物理机理和相关规律的约束。
资料同化有两个基本含义:一个通过对各种不同精度的常规与非常规观测资料的有机融合,为数值天气预报模式提供更好的初始场;二是综合利用不同时次观测资料,将资料中包含的时间演变信息转化为气象要素的空间分布状况。资料同化是提高数值天气预报模式准确率的有效技术手段之一,其目的是通过将最新的气象观测资料与背景场(backgroud field)或短期天气预报进行融合,从而提供数值预报当前状态的最佳估计(初始场或初猜场)。其根据当前已知的观测场和数值模式的初始状态,通过对比数值模式初始估计的观测和真实的观测,进而得到模式初始状态更优估计的同化后的数据。常用的资料同化的方法包括函数拟合法、逐步订正法(SCM)、最优插值法(OI)、三维变分法、四维变分法以及集合卡尔曼滤波法。
由资料同化得到数值预报当前状态的最佳估计(初始场)以后,数值天气预报模式对天气系统演变和发展过程主要通过物理过程参数化方案实现模拟,从而得到期望的预报数据(预报场)。模式参数化方案环节主要通过使用物理过程参数化方案将物理过程的影响与变量建模关联,并使模式模拟的结果更为准确,因此模式参数化方案环节被广泛地应用于气象模式模拟中,不同物理过程参数化方案的选择会对模拟结果产生影响。
边界层方案会影响海陆之间能量和水汽交换,通过调控大气底层感热、潜热通量的交换以及非绝热加热的垂直输送,影响到降水的落区和强度。边界层方案可选择的子方案,例如包括,YSU(Yonsei University)方案、MYJ(Eta Mellor-Yamada-Janjic TKE)方案和MRF(Medium Range Forecast)方案等。辐射参数化方案通过改变大气的垂直加热率与到达地面的能量及地面温度来影响大气环流场。辐射参数化方案又具体分为长波辐射方案和短波辐射方案,长波辐射方案可选择的子方案,例如包括,GFDL(Eta Geophysical FluidDynamic ics Laboratory)方案和RRTM方案等,短波辐射方案可选择的子方案,例如包括,Dudhia方案、Goddard方案和GFDL(Eta Geophysical Fluid Dynamic ics Laboratory)方案。积云对流方案通过对垂直总体的积云加热、确定对流过程,改变大气加热、变干的垂直分布,对降水产生影响。积云对流方案可选择的子方案,例如包括,Kain-Frisch方案、浅对流Eta Kain-Fritsch方案和Betts-Miller-Janjic方案等。物理过程参数化方案还包括近地层方案和陆面方案等,近地层方案可选择的子方案,例如包括,MM5方案和Eta方案。陆面方案可选择的子方案,例如包括,热量扩散方案、Noah方案和RUC(Rapid Update Cycle)方案。在具体的模式参数化方案环节中,假设用两个物理过程参数化方案分别为边界层方案、长波辐射方案来模拟关于风能的气象变化过程,在实际的操作中,还要具体选择到各个物理过程参数化方案的子方案。也就是说,此时,对风能气象变化过程的模拟包括YSU+GFDL、YSU+RRTM、MYJ+GFDL、MYJ+RRTM、MRF+GFDL和MRF+RRTM一共六种具体物理过程参数化方案的选择。
支撑风电行业的气象预报的核心是精准的数值天气预报模式,由于各地气候背景、地形地貌的差异,数值天气预报模式的准确度与物理过程参数化方案的适应性紧密相关,所以选择和优化合适的物理过程参数化方案是风能预报的关键之一,并对提高风电功率的预测能力有重要的应用价值。
在物理过程参数化方案之后,引入了预报误差校准环节,对物理过程参数化方案的输出结果,也就是预报场结果进行误差校准,进一步提高数值天气预报模式的精度。
图2示出根据本公开的示例性实施例的一种风能数值预报方法流程图。
首先,在步骤S210中,获取多个测风塔的观测数据,基于所述多个测风塔的观测数据和初始气象数据进行资料同化,以获得同化后的数据。该步骤对应于数值天气预报模式的资料同化环节。在本公开实施例中,通过风电场中设置的测风塔观测风能数据,风能数据包括风速和风向等。初始气象数据包括不同时刻、不同地区、不同性质的气象观测数据,初始气象数据可以是背景场数据,也可以是经过初步同化以后的分析场数据。资料同化以多个测风塔的观测数据和初始气象数据作为输入,在初始气象数据中不断融合多个测风塔的观测数据,从而输出同化后的数据作为风能数值预报当前状态的最佳估计,即输出当前状态下风速和风向等的最佳估计。
其中,基于所述多个测风塔的观测数据和初始气象数据进行资料同化,以获得同化后的数据的步骤包括:针对每个测风塔,以测风塔的观测数据和初始气象数据作为输入,基于关于同化时间窗的同化模型获得经过时间维度优化的数据。针对每个测风塔,以经过时间维度优化的数据作为输入,基于关于同化区域的同化模型获得经过空间维度优化的数据。针对所有测风塔,以经过空间维度优化的数据作为输入,基于全局同化模型获得同化后的数据。
在本公开实施例中,同化过程分为三个步骤,分别对应三个优化的模型,包括关于同化时间窗的同化模型、关于同化区域的同化模型以及全局同化模型。其中,关于同化时间窗的同化模型针对每个测风塔都会构建。例如以测风塔A为例,针对测风塔A的关于同化时间窗的同化模型构建并优化好以后,以测风塔A的观测数据和初始气象数据作为关于同化时间窗的同化模型的输入,该模型输出时间上优化的数据,也就是在时间维度上提高了对当前风能状态(例如风速和风向)的估计精度的数据。然后遍历所有的测风塔,获得所有测风塔在时间上优化的数据。接着,关于同化区域的同化模型针对每个测风塔都会构建,例如以测风塔A为例,针对测风塔A的关于同化区域的同化模型构建并优化好以后,以测风塔A的经过时间维度优化的数据(关于同化时间窗的同化模型的输出)作为关于同化区域的同化模型的输入,该模型输出空间上优化的数据,也就是在空间维度上提高了对当前风能状态(例如风速和风向)的估计精度的数据。然后遍历所有的测风塔,获得所有测风塔在空间上优化的数据。至此,针对每个测风塔,先完成了时间维度上的优化,再完成了空间维度上的优化。从而获得了在时间维度和空间维度上均提高了对当前风能状态(例如风速和风向)的估计精度的数据。
进一步的,上述两个步骤获得的是针对每个测风塔的当前风能状态估计的局部最优。为了获得全局最优,全局同化模型针对所有测风塔构建,这里的所有测风塔是指获取了观测数据的多个测风塔全部。全局同化模型构建并优化好以后,以所有测风塔的经空间维度优化的数据(所有测风塔经过时间维度优化和空间维度优化后的数据)作为全局同化模型的输入,该模型输出所有测风塔在时间维度和空间维度上再次优化的数据作为同化后的数据。换句话说,全局同化模型进一步获得了在时间维度和空间维度上提高了对当前风能状态(例如风速和风向)的全局估计精度的数据。这里的同化后的数据,同时也是资料同化步骤的输出。
结合下面图3给出了步骤S210中资料同化环节的模型优化步骤,包括关于同化时间窗的同化模型、关于同化区域的同化模型和全局同化模型的优化方式,本发明能够结合人工智能算法,构建模型并实现模型的自适应优化。
接着,在步骤S220中,基于同化后的数据和包括优化后的第一物理过程参数化方案的多个物理过程参数化方案进行风能数值预报,得到预报数据。该步骤对应于数值天气预报模式的模式参数化方案环节。在本公开实施例中,经过步骤S210以后,获得了同化后的数据,同化后的数据是对当前风能状态(包括风速和风向)估计最佳的数据。接着以该数据为起点,对未来的风能状态进行估计。对未来风能状态的估计采用的是物理过程参数化方案,以物理过程参数化方案来对天气系统演变和发展过程进行模拟,从而得出未来的风能状态情况。也就是,以同化后的数据作为输入,经过物理过程参数化方案进行风能数值预报后,得到风能状态的预报数据,包括风速和方向等预报数据。
其中,优化后的第一物理过程参数化方案通过以下方式被确定:基于敏感性试验来确定所述多个物理过程参数化方案中的第一物理过程参数化方案,或者预先设置多个物理过程参数化方案中的第一物理过程参数化方案,其中,所述多个物理过程参数化方案包括边界层方案、近地层方案、短波辐射方案、长波辐射方案、陆面方案和积云对流方案中的至少一者;确定第一物理过程参数化方案中的最优物理过程参数化方案,其中,第一物理过程参数化方案还包括多个子方案,最优物理过程参数化方案被确定为所述多个子方案之一;对最优物理过程参数化方案中的参数进行优化。
结合下面图4给出了步骤S220中模式参数化方案环节的基于人工智能的模式参数化方案的优化。本发明采用人工智能算法,实现物理过程参数化方案的优化。
最后,在步骤S230中,基于深度学习模型,对预报数据进行校准,输出校准后的预报数据作为风能数值预报的结果数据。该步骤对应于数值天气预报模式的预报误差校准环节。在本公开实施例中,经过步骤S220以后,获得了预报数据,已经获得了对未来的风能数据的预报结果。为了进一步的提高预报数据的精度,本发明基于深度学习模型,对预报数据进行校准,以预报数据作为深度学习模型的输入,深度学习模型输出校准后的预报数据作为风能数值预报的结果数据。
其中,所述深度学习模型通过以下方式被优化:以预报数据为深度学习模型的输入,以深度学习模型输出数据与多个测风塔的观测数据之间的预报精度作为评价指标,通过交叉验证对深度学习模型参数进行优化。这里,可以采用卷积类神经网络或者循环类神经网络构建深度学习模型。
这里和下文中提到的预报精度可以采用均方误差(MSE)、均方根误差(RMSE)和平均绝对误差、相关系数等,这里不作限制。例如可以采用相关性系数,X序列(x1,x2,x3……xn),Y序列(y1,y2,y3……yn)之间的相关性系数计算如下:
其中,μx、σx分别表示x的平均值和标准差,μy、σy表示y的平均值和标准差。r的值越接近正负1说明数据相关性越强。r的值越接近0说明数据相关性越小。如果采用相关性作为预报精度,那么相关性越强,精度越高,相关性越小,精度越低。
例如,还可以采用均方根误差,X序列与Y序列之间的均方根误差计算如下:
其中,N为X序列元素的总数,也是Y序列的元素的总数。如果采用均方根误差作为预报精度,那么均方根误差越小,精度越高,均方根误差越大,精度越低。
在本公开实施例中,以卷积神经网络(CNN)为例,构建深度学习模型。卷积神经网络的结构主要分为卷积层、池化层和全连接层。卷积层是卷积神经网络的关键所在,卷积层重要的参数主要包括卷积核的尺寸、每层的卷积核数量以及卷积层的数量。若卷积核尺寸过大,网络参数会增大,网络速度会降低,过小则会影响特征提取的精度。并且,卷积层的层数过多,会导致网络参数过多,训练速度较慢,还有过拟合的风险。这里,我们可以选用例如卷积层数3,每层采用10个尺寸为3x3的卷积核。卷积层中的卷积运算是线性运算,因此需要引入激活函数来增加非线性因素从而增强模型的表达能力。常用的激活函数有:Sigmoid函数,Tanh函数,ReLU函数等。由于Sigmoid和Tanh激活函数存在迭代速度比较慢的问题,我们可以选用例如ReLU函数。池化层一般设置在卷积层之后,其本质是对卷积层输出的特征图进行降维,将卷积层输出特征图的尺寸缩小,从而可以提高计算效率。这里,我们可以选用例如池化层数为1,池化核大小2x2,并且采用最大池化。全连接层一般位于网络最后,在使用多个卷积层和池化层对特征图进行操作之后,全连接层综合所有信息,将提取到的特征进行组合分类。这里,我们可以选用例如全连接层层数为2。
交叉验证包含简单交叉验证、留一交叉验证、K-折交验证等。这里例如可以采用简单交叉验证把原始数据(预报数据)分成不同比例的两组数据,一组用来训练,另一组用来验证,从而保障模型的稳定性和泛化能力。
应理解,上述模型构建和选择仅是示例,本公开对此不作限定。
在本公开实施例中,以深度学习模型输出数据与多个测风塔的观测数据之间的预报精度作为损失函数,将预报数据输入构建好的CNN模型中进行训练,从而获取CNN模型中各层中优化好的参数以及学习率等超参数,其中,预报精度例如可以是均方根误差或者相关性系数等。
深度学习模型构建并优化好以后,以预报数据作为深度学习模型的输入,深度学习模型输出校准后的预报数据作为风能数值预报的结果数据。该步骤实现了基于物理激励和人工智能相结合的风能预报误差校准,提高了风能数值预报的精度。
本发明通过人工智能技术在数值天气预报模式资料同化、模式参数化方案、预报误差校准环节与物理机理的结合应用,将能有效的提升数值天气预报模式准确率。
图3示出根据本公开的示例性实施例的资料同化环节的模型优化步骤。
步骤S310,计算初始气象数据和测风塔的观测数据之间的预报精度。如果预报精度高,那说明初始气象数据对当前风能状态的估计精度高,可能不需要后续模型的构建和优化操作,甚至不需要进行资料同化的步骤操作。但是,如果预报精度低,那么需要后续模型的构建和优化操作。这里的预报精度例如可以是均方根误差或者相关性系数等。在通常情况下,初始气象数据和测风塔的观测数据之间的预报精度低,初始气象数据不能很好的对当前风能状态进行估计。模型优化阶段使用的初始气象数据和测风塔观测数据与预报阶段的初始气象数据和测风塔观测数据可以是不同时刻的数据。
步骤S320,关于同化时间窗的同化模型的优化。关于同化时间窗的同化模型通过以下方式被优化:针对每个测风塔,分别构建关于同化时间窗的同化模型,以初始气象数据作为关于同化时间窗的同化模型的输入,以关于同化时间窗的同化模型的输出数据与对应测风塔的观测数据之间在时间维度上的预报精度为评价指标,使用优化算法对关于同化时间窗的同化模型进行优化。这里关于同化时间窗的同化模型可以采用的优化算法包括遗传算法和粒子群算法。
在本公开实施例中,例如,在关于同化时间窗的同化模型中,优化算法可以采用遗传算法。首先,产生初始种群,同化时间窗t的初始种群是通过随机数生成器生成的,随机数生成器以默认设置的同化时间窗为基准,采用等分布的方式产生。接着,将生成的初始种群的个体采用二进制编码。再者,以初始气象数据作为关于同化时间窗的同化模型的输入,以关于同化时间窗的同化模型的输出数据与对应测风塔的观测数据之间在同化时间窗内的预报精度为适应度函数,计算种群中各个体的适应度,其中,预报精度例如可以是均方根误差或者相关性系数等,预报精度比对的输出数据和观测数据例如可以是风速。然后,通过遗传算法的选择、交叉和变异后,得到子代。得到子代后返回以子代新个体设置的数值预报同化模型、适应度计算、选择、交叉和变异的过程。重复子代的计算步骤,直到迭代更新后预报精度的收敛或者直到最大进化代数。最后,解码获得最优的同化时间窗topt。
找到最优的同化时间窗topt以后,关于同化时间窗的同化模型就已经优化完成了。后续在使用该模型的预报过程中,测风塔的观测数据和初始气象数据输入关于同化时间窗的同化模型后,关于同化时间窗的同化模型能够输出在时间维度上提高对当前风能状态(例如风速和风向)的估计精度的数据。
步骤S320,关于同化区域的同化模型的优化。关于同化区域的同化模型通过以下方式被优化:针对每个测风塔,分别构建关于同化区域的同化模型,以经过时间维度优化的数据作为关于同化区域的同化模型的输入,以关于同化区域的同化模型的输出数据与对应测风塔的观测数据之间在空间维度上的预报精度为评价指标,使用优化算法对关于同化区域的同化模型进行优化。这里,关于同化区域的同化模型可以采用的优化算法包括遗传算法和粒子群算法。
在本公开实施例中,例如,在关于同化区域的同化模型中,优化算法可以采用遗传算法。首先,产生初始种群,同化区域R(x,y,z)的初始种群也是通过随机数生成器生成的,随机数生成器以默认设置的同化区域为基准产生。接着,将生成的初始种群的个体采用二进制编码。再者,以经过时间维度优化的数据作为关于同化区域的同化模型的输入,以关于同化区域的同化模型的输出数据与对应测风塔的观测数据之间在同化区域内的预报精度为适应度函数,计算各个体的适应度,其中,预报精度例如可以是均方根误差或者相关性系数等,预报精度比对的输出数据和观测数据例如可以是风速。然后,通过遗传算法的选择、交叉和变异后,得到子代。得到子代后返回以子代新个体设置的数值预报同化模型、适应度计算、选择、交叉和变异的过程。重复子代的计算步骤,直到迭代更新后预报精度的收敛或者直到最大进化代数。最后,解码获得最优的同化区域Ropt。
找到最优的同化区域Ropt以后,关于同化区域的同化模型就已经优化完成了。后续在使用该模型的预报过程中,经过时间维度优化的数据输入关于同化区域的同化模型后,该模型能够输出在空间维度上提高对当前风能状态(例如风速和风向)的估计精度的数据。
步骤S330,全局同化模型的优化。全局同化模型通过以下方式被优化:构建全局同化模型,以所有测风塔经过空间维度优化的数据作为全局同化模型的输入,以全局同化模型的输出数据与所有测风塔的观测数据之间在时间和空间维度上的预报精度为评估指标,使用优化算法对全局同化模型进行优化。这里,关于全局同化模型可以采用的优化算法包括启发式人工智能的优化算法,具体包括退火算法、遗传算法、粒子群算法等。
在本公开实施例中,例如,在全局同化模型中,优化算法可以采用遗传算法。首先,产生初始种群,全局同化G(t,x,y,z)的初始种群也是通过随机数生成器生成的,随机数生成器考虑前面模型产生的最优的同化时间窗topt和最优同化区域Ropt为基准产生。接着,将生成的初始种群的个体采用二进制编码。再者,以所有测风塔经过空间维度优化的数据作为全局同化模型的输入,以全局同化模型的输出数据与所有测风塔的观测数据之间在同化时间窗内和同化区域内的预报精度为适应度函数,计算各个体的适应度,其中,预报精度例如可以是均方根误差或者相关性系数等,预报精度比对的输出数据和观测数据例如可以是风速。然后,通过遗传算法的选择、交叉和变异后,得到子代。得到子代后返回以子代新个体设置的数值模式同化模型、适应度计算、选择、交叉和变异的过程。重复子代的计算步骤,直到迭代更新后预报精度的收敛或者直到最大进化代数。最后,解码获得最优的全局同化Gopt。
找到最优的全局同化Gopt以后,全局同化模型就已经优化完成了。后续在使用该模型的预报过程中,所有测风塔经过空间维度优化的数据输入全局同化模型后,该模型能够输出在时间维度和空间维度上提高对当前风能状态(例如风速和风向)的全局估计精度的数据。
本发明将资料同化环节采用三个优化模型逐步优化实现,并且结合人工智能的三个优化模型能够实现自适应优化,提高数值模式计算效率的同时,提高风能数值预报的精度。
图4示出根据本公开的示例性实施例的模式参数化方案环节优化步骤。
步骤S410,确定关键物理过程参数化方案。在本公开实施例中,多个物理过程参数化方案中包括关键物理过程参数化方案,该方案极大的影响了整个模式参数化方案环节的精度,并最终影响输出的预报数据的精度。作为示例,该关键物理过程参数化方案(第一物理过程参数化方案)可根据经验预定设置。例如,根据经验认为边界层方案对输出的预报数据精度影响最大,则可预先设置第一物理过程参数化方案为边界层方案。作为另一示例,该关键物理过程参数化方案可基于敏感性试验确定。这里的敏感性试验可以是考虑各物理过程参数化方案对预报数据精度影响的试验。
其中,基于敏感性试验来确定所述多个物理过程参数化方案中的第一物理过程参数化方案的步骤包括:基于同化后的数据和所述多个物理过程参数化方案进行风能数值预报,得到第一预报数据;基于同化后的数据和不包括候选物理过程参数化方案的所述多个物理过程参数化方案进行风能数值预报,得到对应于候选物理过程参数化方案的多个第二预报数据;分别比较第一预报数据与所述多个第二预报数据之间的相关性或者误差;确定所述多个物理过程参数化方案中对应的相关性最小或者误差最大的候选物理过程参数化方案,作为第一物理过程参数化方案。
在本公开实施例中,例如多个物理过程参数化方案可包括边界层方案、近地层方案和积云对流方案三个物理过程参数化方案,并且三个物理过程参数化方案都包括各自的多个子方案。例如,边界层方案可包括YSU方案、MYJ方案和MRF方案,近地层方案可包括MM5方案和Eta方案以及积云对流方案可包括Kain-Frisch方案、浅对流Eta Kain-Fritsch方案和Betts-Miller-Janjic方案等。其中,三个物理过程参数化方案都是第一物理过程参数化方案的候选物理过程参数化方案。这里,我们在进行模式参数化方案环节时,由于每个物理过程参数化方案实际上要确定到具体方案(也就是其子方案),可以设置各个候选物理过程参数化方案为默认方案,例如,边界层方案、近地层方案和积云对流方案的默认方案分别为YSU方案、MM5方案和Kain-Frisch方案。应理解,上述针对物理过程参数化方案的默认方案的选择仅是示例,本公开对此不作限定。
首先,以同化后的数据作为输入,经过多个物理过程参数化方案(即,此时多个物理过程参数化方案包括边界层方案、近地层方案和积云对流方案)进行风能数值预报,得到第一预报数据。接着,例如以边界层方案(例如默认YSU方案)作为候选物理过程参数化方案。以同化后的数据作为输入,经过不包括候选物理过程参数化方案的多个物理过程参数化方案(即,此时不包括边界层方案的多个物理过程参数化方案包括近地层方案和积云对流方案)进行风能数值预报,得到第二预报数据,此时的第二预报数据对应于作为候选物理过程参数化方案的边界层方案。接着,以近地层方案(例如默认MM5方案)作为候选物理过程参数化方案。以同化后的数据作为输入,经过不包括候选物理过程参数化方案的多个物理过程参数化方案(即,此时不包括近地层方案的多个物理过程参数化方案包括边界层方案和积云对流方案)进行风能数值预报,得到第二预报数据,此时的第二预报数据对应于对应于作为候选物理过程参数化方案的近地层方案。然后,以积云对流方案(例如默认Kain-Frisch方案)作为候选物理过程参数化方案。以同化后的数据作为输入,经过不包括候选物理过程参数化方案的多个物理过程参数化方案(即,此时不包括积云对流方案的多个物理过程参数化方案包括边界层方案和近地层方案)进行风能数值预报,得到第二预报数据,此时的第二预报数据对应于作为候选物理过程参数化方案的积云对流方案。应理解,上述针对候选物理过程参数化方案计算第二预报数据的顺序选择仅是示例,本公开对此不作限定。
再者,分别比较第一预报数据与所述多个第二预报数据之间的相关性或者误差,例如,第一预报数据与对应于边界层方案的第二数据之间的相关性或者误差为a,第一数据与对应于近地层方案的第二数据之间的相关性或者误差为b以及和第一数据与对应于积云对流方案的第二数据之间的相关性或者误差为c。最后,如果a,b和c采用的是相关性,确定对应的相关性最小的候选物理过程参数化方案作为第一物理过程参数化方案,例如a最小,说明在多个物理过程参数化方案中包括或不包括边界层方案,对预报数据的结果影响最大,那么确定边界层方案为第一物理过程参数化方案。或者如果a,b和c采用的是误差,确定对应的误差最大的候选物理过程参数化方案作为第一物理过程参数化方案。例如b最大,说明在多个物理过程参数化方案中包括或不包括近地层方案,对预报数据的结果影响最大,那么确定近地层方案为第一物理过程参数化方案。
同样的,上述的相关性例如可以采用相关性系数,误差例如可以采用均方误差(MSE)、均方根误差(RMSE)和平均绝对误差等,本发明不作限制。
应理解,上述多个物理过程参数化方案的选择仅是示例,例如多个物理过程参数化方案可包括近地层方案和积云对流方案两个物理过程参数化方案,或者多个物理过程参数化方案包括近地层方案、短波辐射方案、长波辐射方案和陆面方案四个物理过程参数化方案,本公开对此不作限定。
进一步的,这里以边界层方案被确定为关键物理过程参数化方案为例,边界层方案包括YSU方案、MYJ方案和MRF方案等多个子方案,之前选择第一物理过程参数化方案时各个物理过程参数化方案是用的默认方案,例如边界层方案的默认为YSU方案。实际上,具体选用哪个子方案(最优物理过程参数化方案)也会对模拟结果产生影响,从而影响预报数据的精度,需要进一步的确定。
步骤S420,确定最优物理过程参数化方案。其中,确定第一物理过程参数化方案中的最优物理过程参数化方案的步骤包括:第一物理过程参数化方案选择不同的子方案,将除去第一物理过程参数化方案的其他物理过程参数化方案设置为默认方案,其中,其他物理过程参数化方案为多个物理过程参数化方案中除去第一物理过程参数化方案以外的物理过程参数化方案。基于同化后的数据和包括具有不同的子方案的第一物理过程参数化方案的所述多个物理过程参数化方案进行风能数值预报,获得针对所述不同的子方案的多个预报数据。从所述多个子方案中选择对应的预报数据与所述多个测风塔的观测数据之间预报精度最高的子方案,作为最优物理过程参数化方案。
在本公开实施例中,例如多个物理过程参数化方案可包括边界层方案、短波辐射方案、长波辐射方案三个物理过程参数化方案,并且,边界层方案被确定为第一物理过程参数化方案。那么,其他物理过程参数化方案为短波辐射方案和长波辐射方案。将作为第一物理过程参数化方案的边界层方案分别设置为YSU方案、MYJ方案和MRF方案,作为其他物理过程参数化方案的短波辐射方案和长波辐射方案设置为默认方案,例如短波辐射方案和长波辐射方案的默认方案分别为Goddard方案和GFDL方案。那么,多个物理过程参数化方案的组合包括,组合一:YSU方案、Goddard方案和GFDL方案;组合二:MYJ方案、Goddard方案和GFDL方案以及组合三:MRF方案、Goddard方案和GFDL方案。接着,以同化后的数据作为输入,经过不同的多个物理过程参数化方案组合(作为第一物理过程参数化方案的边界层方案具有不同的子方案,而作为其他物理过程参数化方案的短波辐射方案和长波辐射方案保持为默认方案)进行风能数值预报,获得对应于YSU方案(组合一)的预报数据、对应于MYJ方案(组合二)的预报数据以及对应于MRF方案(组合三)的三个预报数据,并且选择对应的预报数据与所述多个测风塔的观测数据之间预报精度最高的子方案,作为最优物理过程参数化方案。例如,如果对应于MYJ方案的预报数据与多个测风塔的观测数据之间预报精度最高。那么,选择MYJ方案作为最优物理过程参数化方案。
应理解,上述多个物理过程参数化方案的选择仅是示例,本公开对此不作限定。
另外,最优物理过程参数化方案确定以后,还需要对物理过程参数化方案中的参数进行优化。这里的参数可能包括诸多的半经验参数、敏感参数,例如存在的某个常量的关键参数。
步骤S430,对最优物理过程参数化方案中的参数进行优化。其中,对最优物理过程参数化方案中的参数进行优化的步骤包括:将除去第一物理过程参数化方案的其他物理过程参数化方案设置为默认方案,构建针对最优物理过程参数化方案中参数的优化模型。以同化后的数据作为所述优化模型的输入,以所述优化模型的输出数据与多个测风塔的观测数据之间的预报精度为评价指标,对参数取值进行优化。
在本公开实施例中,例如多个物理过程参数化方案可包括边界层方案、短波辐射方案、长波辐射方案三个物理过程参数化方案,并且,边界层方案被确定为第一物理过程参数化方案,进一步的边界层方案中的MYJ方案被选择为最优物理过程参数化方案。作为其他物理过程参数化方案的短波辐射方案和长波辐射方案设置为默认方案,例如分别为Goddard方案和GFDL方案。此时多个物理过程参数化方案组合具体为MYJ方案、Goddard方案和GFDL方案。这里,需要优化的是MYJ方案中的参数,构建针对MYJ方案中参数的优化模型。以同化后的数据作为所述优化模型的输入,以所述优化模型的输出数据与多个测风塔的观测数据之间的预报精度为评价指标,对参数取值进行优化。这里的优化模型可以采用元启发式人工智能优化算法,其中,元启发式人工智能优化算法包括遗传算法、模拟退火算法和禁忌搜索算法等。
在本公开实施例中,假设MYJ方案中存在需要优化的某个常量关键参数C,在优化模型中,优化算法可以采用遗传算法。首先,产生初始种群,常量关键参数C的初始种群通过随机数生成器生成的,随机数生成器以默认设置的常量关键参数C为基准产生。接着,将生成的初始种群的个体采用二进制编码。再者,以同化后的数据作为所述优化模型的输入,以所述优化模型的输出数据与多个测风塔的观测数据之间的预报精度为适应度函数,计算各个体的适应度,其中,预报精度例如可以是均方根误差或者相关性系数等,预报精度比对的输出数据和观测数据例如可以是风速。然后,通过遗传算法的选择、交叉和变异后,得到子代。得到子代后返回以子代新个体设置的数值预报、适应度计算、选择、交叉和变异的过程。重复子代的计算步骤,直到迭代更新后预报精度的收敛或者直到最大进化代数。最后,解码获得最优的常量关键参数Copt。
找到最优的的常量关键参数Copt以后,可以通过参数优化后的MYJ方案以及Goddard方案和GFDL方案进行风能数值预报,输出预报数据。
同样的,这里的预报精度可以采用均方误差(MSE)、均方根误差(RMSE)和平均绝对误差、相关系数等,这里不作限制。
本发明在模式参数化方案环节的优化过程中,先找到影响预报精度最大的关键物理参数化方案,再找到其中预报精度最高的最优物理过程参数化方案并对其参数进行优化,构建了多层级的模式参数化方案的优化,在提高效率的同时,提高风能数值预报的精度。
图5示出根据本公开的示例性实施例的一种风能数值预报装置的框图。
如图5所示,一种风能数值预报装置可包括资料同化模块510、参数化方案模块520和数据校准模块530。其中,资料同化模块510可获取多个测风塔的观测数据,基于所述多个测风塔的观测数据和初始气象数据进行资料同化,以获得同化后的数据。参数化方案模块520可基于同化后的数据和包括优化后的第一物理过程参数化方案的多个物理过程参数化方案进行风能数值预报,得到预报数据。数据校准模块530可基于深度学习模型,对预报数据进行校准,输出校准后的预报数据作为风能数值预报的结果数据。
根据示例性实施例,资料同化模块510还可针对每个测风塔,以测风塔的观测数据和初始气象数据作为输入,基于关于同化时间窗的同化模型获得经过时间维度优化的数据。针对每个测风塔,以经过时间维度优化的数据作为输入,基于关于同化区域的同化模型获得经过空间维度优化的数据。针对所有测风塔,以经过空间维度优化的数据作为输入,基于全局同化模型获得同化后的数据。其中,关于同化时间窗的同化模型通过以下方式被优化:针对每个测风塔,分别构建关于同化时间窗的同化模型,以初始气象数据作为关于同化时间窗的同化模型的输入,以关于同化时间窗的同化模型的输出数据与对应测风塔的观测数据之间在时间维度上的预报精度为评价指标,使用优化算法对关于同化时间窗的同化模型进行优化。关于同化区域的同化模型通过以下方式被优化:针对每个测风塔,分别构建关于同化区域的同化模型,以经过时间维度优化的数据作为关于同化区域的同化模型的输入,以关于同化区域的同化模型的输出数据与对应测风塔的观测数据之间在空间维度上的预报精度为评价指标,使用优化算法对关于同化区域的同化模型进行优化。全局同化模型通过以下方式被优化:构建全局同化模型,以所有测风塔经过空间维度优化的数据作为全局同化模型的输入,以全局同化模型的输出数据与所有测风塔的观测数据之间在时间和空间维度上的预报精度为评估指标,使用优化算法对全局同化模型进行优化。
根据示例性实施例,参数化方案模块520还可基于敏感性试验来确定所述多个物理过程参数化方案中的第一物理过程参数化方案,或者预先设置多个物理过程参数化方案中的第一物理过程参数化方案,其中,所述多个物理过程参数化方案包括边界层方案、近地层方案、短波辐射方案、长波辐射方案、陆面方案和积云对流方案中的至少一者。确定第一物理过程参数化方案中的最优物理过程参数化方案,其中,第一物理过程参数化方案还包括多个子方案,最优物理过程参数化方案被确定为所述多个子方案之一。对最优物理过程参数化方案中的参数进行优化。
根据示例性实施例,参数化方案模块520还可基于同化后的数据和所述多个物理过程参数化方案进行风能数值预报,得到第一预报数据。基于同化后的数据和不包括候选物理过程参数化方案的所述多个物理过程参数化方案进行风能数值预报,得到对应于候选物理过程参数化方案的多个第二预报数据。分别比较第一预报数据与所述多个第二预报数据之间的相关性或者误差。确定所述多个物理过程参数化方案中对应的相关性最小或者误差最大的候选物理过程参数化方案,作为第一物理过程参数化方案。
根据示例性实施例,参数化方案模块520还可第一物理过程参数化方案选择不同的子方案,将除去第一物理过程参数化方案的其他物理过程参数化方案设置为默认方案,其中,其他物理过程参数化方案为多个物理过程参数化方案中除去第一物理过程参数化方案以外的物理过程参数化方案。基于同化后的数据和包括具有不同的子方案的第一物理过程参数化方案的所述多个物理过程参数化方案进行风能数值预报,获得针对所述不同的子方案的多个预报数据。从所述多个子方案中选择对应的预报数据与所述多个测风塔的观测数据之间预报精度最高的子方案,作为最优物理过程参数化方案。
根据示例性实施例,参数化方案模块520还可将除去第一物理过程参数化方案的其他物理过程参数化方案设置为默认方案,构建针对最优物理过程参数化方案中参数的优化模型。以同化后的数据作为所述优化模型的输入,以所述优化模型的输出数据与多个测风塔的观测数据之间的预报精度为评价指标,对参数取值进行优化。
根据示例性实施例,数据校准模块530还可以预报数据为深度学习模型的输入,以深度学习模型输出数据与多个测风塔的观测数据之间的预报精度作为评价指标,通过交叉验证对深度学习模型参数进行优化。
图6示出根据本公开的示例性实施例的电子设备的框图。电子设备600可以是本公开实施例的风能数值预报设备。参照图6,电子设备600可包括至少一个存储器610和至少一个处理器620,所述至少一个存储器中存储有计算机可执行指令集合,当计算机可执行指令集合被至少一个处理器执行时,执行根据本公开实施例的接收来电的方法。
这里,电子设备并非必须是单个的电子设备,还可以是任何能够单独或联合执行上述指令(或指令集)的装置或电路的集合体。电子设备还可以是集成控制系统或系统管理器的一部分,或者可被配置为与本地或远程(例如,经由无线传输)以接口互联的便携式电子设备。
在电子设备中,处理器可包括中央处理器(CPU)、图形处理器(GPU)、可编程逻辑装置、专用处理器系统、微控制器或微处理器。作为示例而非限制,处理器还可包括模拟处理器、数字处理器、微处理器、多核处理器、处理器阵列、网络处理器等。
处理器可运行存储在存储器中的指令或代码,其中,存储器还可以存储数据。指令和数据还可经由网络接口装置而通过网络被发送和接收,其中,网络接口装置可采用任何已知的传输协议。
存储器可与处理器集成为一体,例如,将RAM或闪存布置在集成电路微处理器等之内。此外,存储器可包括独立的装置,诸如,外部盘驱动、存储阵列或任何数据库系统可使用的其他存储装置。存储器和处理器可在操作上进行耦合,或者可例如通过I/O端口、网络连接等互相通信,使得处理器能够读取存储在存储器中的文件。
此外,电子设备还可包括视频显示器(诸如,液晶显示器)和用户交互接口(诸如,键盘、鼠标、触摸输入装置等)。电子设备的所有组件可经由总线和/或网络而彼此连接。
根据本公开的实施例,还可提供一种计算机可读存储介质,其中,其上存储有计算机程序,所述程序被执行时实现根据本公开的接收来电的方法。这里的计算机可读存储介质的示例包括:只读存储器(ROM)、随机存取可编程只读存储器(PROM)、电可擦除可编程只读存储器(EEPROM)、随机存取存储器(RAM)、动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)、闪存、非易失性存储器、CD-ROM、CD-R、CD+R、CD-RW、CD+RW、DVD-ROM、DVD-R、DVD+R、DVD-RW、DVD+RW、DVD-RAM、BD-ROM、BD-R、BD-R LTH、BD-RE、蓝光或光盘存储器、硬盘驱动器(HDD)、固态硬盘(SSD)、卡式存储器(诸如,多媒体卡、安全数字(SD)卡或极速数字(XD)卡)、磁带、软盘、磁光数据存储装置、光学数据存储装置、硬盘、固态盘以及任何其他装置,所述任何其他装置被配置为以非暂时性方式存储计算机程序以及任何相关联的数据、数据文件和数据结构并将所述计算机程序以及任何相关联的数据、数据文件和数据结构提供给处理器或计算机使得处理器或计算机能执行所述计算机程序。上述计算机可读存储介质中的计算机程序可在诸如终端、客户端、主机、代理装置、服务器等计算机设备中部署的环境中运行,此外,在一个示例中,计算机程序以及任何相关联的数据、数据文件和数据结构分布在联网的计算机系统上,使得计算机程序以及任何相关联的数据、数据文件和数据结构通过一个或多个处理器或计算机以分布式方式存储、访问和执行。
根据本公开的实施例的一种风能数值预报方法、装置、设备和可读存储介质,通过人工智能技术在数值天气预报模式资料同化、模式参数化方案、预报误差校准环节与物理机理的结合应用,将能有效的提升数值天气预报模式准确率。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (18)
1.一种风能数值预报方法,包括:
获取多个测风塔的观测数据,基于所述多个测风塔的观测数据和初始气象数据进行资料同化,以获得同化后的数据;
基于同化后的数据和包括优化后的第一物理过程参数化方案的多个物理过程参数化方案进行风能数值预报,得到预报数据;
基于深度学习模型,对预报数据进行校准,输出校准后的预报数据作为风能数值预报的结果数据。
2.如权利要求1所述的方法,其中,基于所述多个测风塔的观测数据和初始气象数据进行资料同化,以获得同化后的数据的步骤包括:
针对每个测风塔,以测风塔的观测数据和初始气象数据作为输入,基于关于同化时间窗的同化模型获得经过时间维度优化的数据;
针对每个测风塔,以经过时间维度优化的数据作为输入,基于关于同化区域的同化模型获得经过空间维度优化的数据;
针对所有测风塔,以经过空间维度优化的数据作为输入,基于全局同化模型获得同化后的数据。
3.如权利要求2所述的方法,其中,
关于同化时间窗的同化模型通过以下方式被优化:针对每个测风塔,分别构建关于同化时间窗的同化模型,以初始气象数据作为关于同化时间窗的同化模型的输入,以关于同化时间窗的同化模型的输出数据与对应测风塔的观测数据之间在时间维度上的预报精度为评价指标,使用优化算法对关于同化时间窗的同化模型进行优化;
关于同化区域的同化模型通过以下方式被优化:针对每个测风塔,分别构建关于同化区域的同化模型,以经过时间维度优化的数据作为关于同化区域的同化模型的输入,以关于同化区域的同化模型的输出数据与对应测风塔的观测数据之间在空间维度上的预报精度为评价指标,使用优化算法对关于同化区域的同化模型进行优化;
全局同化模型通过以下方式被优化:构建全局同化模型,以所有测风塔经过空间维度优化的数据作为全局同化模型的输入,以全局同化模型的输出数据与所有测风塔的观测数据之间在时间和空间维度上的预报精度为评估指标,使用优化算法对全局同化模型进行优化。
4.如权利要求1所述的方法,其中,优化后的第一物理过程参数化方案通过以下方式被确定:
基于敏感性试验来确定所述多个物理过程参数化方案中的第一物理过程参数化方案,或者预先设置多个物理过程参数化方案中的第一物理过程参数化方案,其中,所述多个物理过程参数化方案包括边界层方案、近地层方案、短波辐射方案、长波辐射方案、陆面方案和积云对流方案中的至少一者;
确定第一物理过程参数化方案中的最优物理过程参数化方案,其中,第一物理过程参数化方案还包括多个子方案,最优物理过程参数化方案被确定为所述多个子方案之一;
对最优物理过程参数化方案中的参数进行优化。
5.如权利要求4所述的方法,其中,基于敏感性试验来确定所述多个物理过程参数化方案中的第一物理过程参数化方案的步骤包括:
基于同化后的数据和所述多个物理过程参数化方案进行风能数值预报,得到第一预报数据;
基于同化后的数据和不包括候选物理过程参数化方案的所述多个物理过程参数化方案进行风能数值预报,得到对应于候选物理过程参数化方案的多个第二预报数据;
分别比较第一预报数据与所述多个第二预报数据之间的相关性或者误差;
确定所述多个物理过程参数化方案中对应的相关性最小或者误差最大的候选物理过程参数化方案,作为第一物理过程参数化方案。
6.如权利要求4所述的方法,其中,确定第一物理过程参数化方案中的最优物理过程参数化方案的步骤包括:
第一物理过程参数化方案选择不同的子方案,将除去所述第一物理过程参数化方案的其他物理过程参数化方案设置为默认方案,其中,其他物理过程参数化方案为多个物理过程参数化方案中除去第一物理过程参数化方案以外的物理过程参数化方案;
基于同化后的数据和包括具有不同的子方案的第一物理过程参数化方案的所述多个物理过程参数化方案进行风能数值预报,获得针对所述不同的子方案的多个预报数据;
从所述多个子方案中选择对应的预报数据与所述多个测风塔的观测数据之间预报精度最高的子方案,作为最优物理过程参数化方案。
7.如权利要求6所述的方法,其中,对最优物理过程参数化方案中的参数进行优化的步骤包括:
将除去第一物理过程参数化方案之外的其他物理过程参数化方案设置为默认方案,构建针对最优物理过程参数化方案中参数的优化模型;
以同化后的数据作为所述优化模型的输入,以所述优化模型的输出数据与多个测风塔的观测数据之间的预报精度为评价指标,对参数取值进行优化。
8.如权利要求1所述的方法,其中,所述深度学习模型通过以下方式被优化:
以预报数据为深度学习模型的输入,以深度学习模型输出数据与多个测风塔的观测数据之间的预报精度作为评价指标,通过交叉验证对深度学习模型参数进行优化。
9.一种风能数值预报装置,包括:
资料同化模块,被配置为获取多个测风塔的观测数据,基于所述多个测风塔的观测数据和初始气象数据进行资料同化,以获得同化后的数据;
参数化方案模块,被配置为基于同化后的数据和包括优化后的第一物理过程参数化方案的多个物理过程参数化方案进行风能数值预报,得到预报数据;
数据校准模块,被配置为基于深度学习模型,对预报数据进行校准,输出校准后的预报数据作为风能数值预报的结果数据。
10.如权利要求9所述的装置,其中,资料同化模块还被配置为:
针对每个测风塔,以测风塔的观测数据和初始气象数据作为输入,基于关于同化时间窗的同化模型获得经过时间维度优化的数据;
针对每个测风塔,以经过时间维度优化的数据作为输入,基于关于同化区域的同化模型获得经过空间维度优化的数据;
针对所有测风塔,以经过空间维度优化的数据作为输入,基于全局同化模型获得同化后的数据。
11.如权利要求10所述的装置,其中,
关于同化时间窗的同化模型通过以下方式被优化:针对每个测风塔,分别构建关于同化时间窗的同化模型,以初始气象数据作为关于同化时间窗的同化模型的输入,以关于同化时间窗的同化模型的输出数据与对应测风塔的观测数据之间在时间维度上的预报精度为评价指标,使用优化算法对关于同化时间窗的同化模型进行优化;
关于同化区域的同化模型通过以下方式被优化:针对每个测风塔,分别构建关于同化区域的同化模型,以经过时间维度优化的数据作为关于同化区域的同化模型的输入,以关于同化区域的同化模型的输出数据与对应测风塔的观测数据之间在空间维度上的预报精度为评价指标,使用优化算法对关于同化区域的同化模型进行优化;
全局同化模型通过以下方式被优化:构建全局同化模型,以所有测风塔经过空间维度优化的数据作为全局同化模型的输入,以全局同化模型的输出数据与所有测风塔的观测数据之间在时间和空间维度上的预报精度为评估指标,使用优化算法对全局同化模型进行优化。
12.如权利要求9所述的装置,其中,参数化方案模块还被配置为:
基于敏感性试验来确定所述多个物理过程参数化方案中的第一物理过程参数化方案,或者预先设置多个物理过程参数化方案中的第一物理过程参数化方案,其中,所述多个物理过程参数化方案包括边界层方案、近地层方案、短波辐射方案、长波辐射方案、陆面方案和积云对流方案中的至少一者;
确定第一物理过程参数化方案中的最优物理过程参数化方案,其中,第一物理过程参数化方案还包括多个子方案,最优物理过程参数化方案被确定为所述多个子方案之一;
对最优物理过程参数化方案中的参数进行优化。
13.如权利要求12所述的装置,其中,参数化方案模块还被配置为:
基于同化后的数据和所述多个物理过程参数化方案进行风能数值预报,得到第一预报数据;
基于同化后的数据和不包括候选物理过程参数化方案的所述多个物理过程参数化方案进行风能数值预报,得到对应于候选物理过程参数化方案的多个第二预报数据;
分别比较第一预报数据与所述多个第二预报数据之间的相关性或者误差;
确定所述多个物理过程参数化方案中对应的相关性最小或者误差最大的候选物理过程参数化方案,作为第一物理过程参数化方案。
14.如权利要求12所述的装置,其中,参数化方案模块还被配置为:
第一物理过程参数化方案选择不同的子方案,将除去所述第一物理过程参数化方案的其他物理过程参数化方案设置为默认方案,其中,其他物理过程参数化方案为多个物理过程参数化方案中除去第一物理过程参数化方案以外的物理过程参数化方案;
基于同化后的数据和包括具有不同的子方案的第一物理过程参数化方案的所述多个物理过程参数化方案进行风能数值预报,获得针对所述不同的子方案的多个预报数据;
从所述多个子方案中选择对应的预报数据与所述多个测风塔的观测数据之间预报精度最高的子方案,作为最优物理过程参数化方案。
15.如权利要求14所述的装置,其中,参数化方案模块还被配置为:
将除去第一物理过程参数化方案的其他物理过程参数化方案设置为默认方案,构建针对最优物理过程参数化方案中参数的优化模型;
以同化后的数据作为所述优化模型的输入,以所述优化模型的输出数据与多个测风塔的观测数据之间的预报精度为评价指标,对参数取值进行优化。
16.如权利要求9所述的装置,其中,数据校准模块还被配置为:
以预报数据为深度学习模型的输入,以深度学习模型输出数据与多个测风塔的观测数据之间的预报精度作为评价指标,通过交叉验证对深度学习模型参数进行优化。
17.一种风能数值预报设备,所述设备包括:
处理器;
存储器,存储有计算机程序,当所述计算机程序被处理器执行时,实现如权利要求1至8中的任意一项所述的方法。
18.一种计算机可读存储介质,其中,其上存储有计算机程序,所述程序被执行时实现权利要求1至8中的任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111624417.1A CN116415700A (zh) | 2021-12-28 | 2021-12-28 | 一种结合人工智能的风能数值预报方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111624417.1A CN116415700A (zh) | 2021-12-28 | 2021-12-28 | 一种结合人工智能的风能数值预报方法及其装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116415700A true CN116415700A (zh) | 2023-07-11 |
Family
ID=87054785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111624417.1A Pending CN116415700A (zh) | 2021-12-28 | 2021-12-28 | 一种结合人工智能的风能数值预报方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116415700A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117034078A (zh) * | 2023-08-07 | 2023-11-10 | 上海韶脑传感技术有限公司 | 脑电信号解码方法、装置、上位机及计算机可读存储介质 |
-
2021
- 2021-12-28 CN CN202111624417.1A patent/CN116415700A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117034078A (zh) * | 2023-08-07 | 2023-11-10 | 上海韶脑传感技术有限公司 | 脑电信号解码方法、装置、上位机及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111639787A (zh) | 一种基于图卷积网络的时空数据预测方法 | |
CN106529820A (zh) | 一种运营指标的预测方法及系统 | |
CN111767517B (zh) | 一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质 | |
CN112686481A (zh) | 一种径流量预报方法、处理器 | |
CN111428419A (zh) | 悬浮泥沙浓度预测方法、装置、计算机设备和存储介质 | |
CN114912673A (zh) | 一种基于鲸鱼优化算法和长短时记忆网络的水位预测方法 | |
Wang et al. | Investigating the ability of deep learning on actual evapotranspiration estimation in the scarcely observed region | |
CN112381282A (zh) | 基于宽度学习系统的光伏发电功率预测方法 | |
Ch et al. | Groundwater level forecasting using SVM-PSO | |
CN116415700A (zh) | 一种结合人工智能的风能数值预报方法及其装置 | |
CN108763418A (zh) | 一种文本的分类方法及装置 | |
CN114004430A (zh) | 一种风速预报方法和系统 | |
KR102489473B1 (ko) | 인공 지능 모델을 이용한 기후 지수 예측 결과에 대한 불확실성과 기여도를 제공하는 기후 지수 예측 방법 및 시스템 | |
CN110852415B (zh) | 基于神经网络算法的植被指数预测方法、系统及设备 | |
CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
CN115062551B (zh) | 一种基于时序神经网络的湿物理过程参数化方法 | |
CN117252288A (zh) | 一种区域资源有功支撑能力预测方法及系统 | |
CN115936773A (zh) | 一种互联网金融黑产识别方法与系统 | |
CN115545159A (zh) | 一种深度神经网络的平均海表面温度预报方法 | |
CN113259163B (zh) | 一种基于网络拓扑感知的Web服务质量预测方法及系统 | |
CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
CN114881506A (zh) | 一种基于室温和iba-lstm的供热需求负荷评估方法及系统 | |
CN117333587B (zh) | 基于视频水位计的城市淹没图像数据的生成方法及系统 | |
Huang et al. | Probabilistic prediction intervals of wind speed based on explainable neural network | |
CN116992222B (zh) | 一种风要素修正模型的迁移学习方法、装置、设备及介质 |
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 |