CN116663432B - 一种百米高度风速预报订正降尺度方法及装置 - Google Patents
一种百米高度风速预报订正降尺度方法及装置 Download PDFInfo
- Publication number
- CN116663432B CN116663432B CN202310935346.XA CN202310935346A CN116663432B CN 116663432 B CN116663432 B CN 116663432B CN 202310935346 A CN202310935346 A CN 202310935346A CN 116663432 B CN116663432 B CN 116663432B
- Authority
- CN
- China
- Prior art keywords
- time
- hundred
- meter
- 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
Links
- 238000012937 correction Methods 0.000 title claims abstract description 222
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 79
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000004891 communication Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 230000032683 aging Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 230000003068 static effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 10
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Fluid Mechanics (AREA)
- Algebra (AREA)
- Control Of Transmission Device (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种百米高度风速预报订正降尺度方法及装置。该方法获取训练好的不同订正时次的百米高度风速预报订正模型、预设未来时长内各预报时次对应的待订正的百米高度风速预报格点数据和相应起报时次的百米高度风速实况格点数据；针对任一预报时次，确定目标百米高度风速预报订正模型；将该预报时次的百米高度风速预报格点数据和相应起报时次的百米高度风速实况格点数据输入目标百米高度风速预报订正模型，得到该预报时次的百米高度风速预报订正数据；采用优化的CALMET动力降尺度算法，对该预报时次的百米高度风速预报订正数据进行处理，得到百米高度风速预报订正降尺度数据。该方法提高了百米高度风速预报订正降尺度数据的准确性。
Description
技术领域
本申请涉及气象计算技术领域，具体而言，涉及一种百米高度风速预报订正降尺度方法及装置。
背景技术
准确的风速预测是风力发电功率预测的关键，风场数值预报产品准确率和分辨率的提升也一直是风资源预报的难点和重点。高精度的风场数值预报产品不仅利于电网调度、风电场运行管理，而且可以增加电网消纳风电的能力，提高电力系统运行的经济性能。
风电站空间尺度小，多为百米级或1公里级，天气变化局地性强，预报难度大。当前，中国气象局风能太阳能气象预报系统升级为CMA-WSP2.0版并正式向省级气象部门下发产品。产品提供时间分辨率未来14天逐15分钟、空间分辨率9×9公里格点的近地面风速、辐射预报。然而，受限于计算和存储资源不足，现有的CMA-WSP技术无法直接加工输出百米级或公里级、精细到风电场尺度的数值预报。因此需要开展风场数值预报订正降尺度技术研究，提高风能预报产品的精细化程度。
CALMET动力降尺度作为一种应用广泛的降尺度方法，可以通过地形动力学方法直接对百米高度风速预报数据进行降尺度，得到降尺度后更高分辨率的预报数据，主要优点是从物理机理方面充分考虑地形、地貌以及天气过程对风速的影响。然而由于百米高度风速预报数据本身存在的预报误差，在CALMET动力降尺度过程中误差无法消除，导致仅使用动力降尺度得到的数据结果准确性不够高。
发明内容
本申请实施例的目的在于提供一种百米高度风速预报订正降尺度方法及装置，用以解决了现有技术存在的上述问题，提高了百米高度风速预报订正降尺度数据的准确性。
第一方面，提供了一种百米高度风速预报订正降尺度方法，该方法可以包括：
获取训练好的不同订正时次的百米高度风速预报订正模型，以及预设未来时长内各预报时次的待订正百米高度风速预报格点数据和相应起报时次的百米高度风速实况格点数据；所述百米高度风速预报订正模型用于对百米高度风速预报格点数据进行订正；
针对所述预设未来时长内任一预报时次，确定与所述预报时次满足订正时间条件的订正时次的目标百米高度风速预报订正模型；
将该预报时次的待订正百米高度风速预报格点数据和相应起报时次的百米高度风速实况格点数据输入所述目标百米高度风速预报订正模型，得到该预报时次的百米高度风速预报订正数据；
采用优化的CALMET动力降尺度算法，对所述预报时次的百米高度风速预报订正数据进行处理，得到百米高度风速预报订正降尺度数据。
第二方面，提供了一种百米高度风速预报订正降尺度装置，该装置可以包括：
获取单元，用于获取训练好的不同订正时次的百米高度风速预报订正模型，以及预设未来时长内各预报时次的待订正的百米高度风速预报格点数据和相应起报时次的百米高度风速实况格点数据；所述百米高度风速预报订正模型用于对百米高度风速预报格点数据进行订正；
确定单元，用于针对所述预设未来时长内任一预报时次，确定与所述预报时次满足订正时间条件的订正时次的目标百米高度风速预报订正模型；
所述获取单元，还用于将该预报时次的待订正百米高度风速预报格点数据和相应起报时次的百米高度风速实况格点数据输入所述目标百米高度风速预报订正模型，得到该预报时次的百米高度风速预报订正数据；
降尺度单元，用于采用优化的CALMET动力降尺度算法，对所述待订正时次对应的百米高度风速预报订正数据进行处理，得到百米高度风速预报订正降尺度数据。
第三方面，提供了一种电子设备，该电子设备包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述第一方面中任一所述的方法步骤。
第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一所述的方法步骤。
本申请实施例提供的百米高度风速预报订正降尺度方法在获取训练好的不同订正时次的百米高度风速预报订正模型，以及预设未来时长内各预报时次的待订正百米高度风速预报格点数据和相应起报时次的百米高度风速实况格点数据后，百米高度风速预报订正模型用于对百米高度风速预报格点数据进行订正，针对预设未来时长内任一预报时次，确定与预报时次满足订正时间条件的订正时次的目标百米高度风速预报订正模型；将该预报时次的待订正百米高度风速预报格点数据和相应起报时次的百米高度风速实况格点数据输入目标百米高度风速预报订正模型，得到该预报时次的百米高度风速预报订正数据；采用优化的CALMET动力降尺度算法，对待订正时次对应的百米高度风速预报订正数据进行处理，得到百米高度风速预报订正降尺度数据。该方法提高了百米高度风速预报订正降尺度数据的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种应用百米高度风速预报订正降尺度方法的系统架构图；
图2为本申请实施例提供的一种百米高度风速预报订正降尺度方法的流程示意图；
图3为本申请实施例提供的一种百米高度风速预报订正模型的结构示意图；
图4为本申请实施例提供的一种百米高度风速预报订正降尺度装置的结构示意图；
图5为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，并不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
加利福尼亚气象模式CALMET（California Meteorological Model）降尺度模式，是常用的微尺度诊断模式之一。近二十年，采用中尺度气象模式（如WRF）嵌套微尺度诊断模式CALMET的做法已越来越多地用于环境评估、风能、气象等领域来获取次公里级高分辨率风场。三维非稳态拉格朗日烟团扩散模式系统（California Puff Model，CALPUFF）由美国西格玛研究公司开发，是美国国家环保局推荐长期支持开发的法规导则模型，也是我国环保部门的推荐模型之一。
本申请实施例提供的百米高度风速预报订正降尺度方法可以应用在图1所示的系统架构中，如图1所示，该系统可以包括：百米高度风速采集设备、百米高度风速预报设备和百米高度风速预报订正降尺度设备。
百米高度风速采集设备，用于采集目标区域内实时的百米高度风速实况格点数据，并将采集的数据发送至百米高度风速预报设备，该百米高度风速采集设备可以是设置在监测站台处的百米高度的风速传感器或风速采集终端；
百米高度风速预报设备，用于基于接收的当前百米高度风速实况格点数据，预测出未来14天逐15分钟、空间分辨率9×9公里格点的百米高度风速预报，并将预测出的数据发送至百米高度风速预报订正降尺度设备，该百米高度风速预报设备可以是设置在云平台上的具有预报功能的服务器。
百米高度风速预报订正降尺度设备，用于基于接收的未来14天逐15分钟、空间分辨率9×9公里格点的百米高度风速预报，执行本申请提供的百米高度风速预报订正降尺度方法，该百米高度风速预报订正降尺度设备可以是设置在云平台上的具有风速预报订正和风速降尺度功能的服务器。
本申请提供的上述方法中在CALMET降尺度之前，增加基于深度学习的预报订正环节，对预报数据进行订正，减小了百米高度风速预报误差，从而在运行CALMET降尺度模型之后，可以获得更加精准的风速预报订正结果。
以下结合说明书附图对本申请的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本申请，并不用于限定本申请，并且在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
图2为本申请实施例提供的一种百米高度风速预报订正降尺度方法的流程示意图。如图2所示，该方法可以包括：
步骤S210、获取训练好的不同订正时次的百米高度风速预报订正模型，以及预设未来时长内各预报时次的待订正百米高度风速预报格点数据和相应起报时次的百米高度风速实况格点数据。
其中，百米高度风速预报订正模型用于对百米高度风速预报格点数据进行订正。
每个订正时次的百米高度风速预报订正模型包括Unet算法模型、DeepLabV3+算法模型、SeaFormer算法模型和ResNet算法集成模型；如图3所示，百米高度风速预报订正模型的三个输入端分别为Unet算法模型的输入端、DeepLabV3+算法模型的输入端和SeaFormer算法模型的输入端；Unet算法模型的输出端、DeepLabV3+算法模型的输出端和SeaFormer算法模型的输出端分别与ResNet算法集成模型的输入端连接，ResNet算法集成模型的输出端为百米高度风速预报订正模型的输出端。
具体的，不同订正时次的百米高度风速预报订正模型的训练过程可以包括：
获取目标区域在历史时间段内的百米高度风速预报的订正数据集；其中，订正数据集可以包括具有相同空间分辨率的各历史预报时次的百米高度风速预报格点数据和与其存在时次匹配关系的历史百米高度风速实况格点数据，以及目标区域的位置信息；历史百米高度风速实况格点数据可以包括历史起报时次的百米高度风速实况格点数据和历史预报时次的百米高度风速实况格点数据；
以历史起报时次的百米高度风速实况格点数据、不同历史预报时次的百米高度风速预报格点数据和目标区域的位置信息作为该目标区域对应的不同的订正时次训练样本，以历史预报时次的百米高度风速实况格点数据作为相应历史预报时次的订正时次拟合目标，输入待训练的神经网络算法模型；
针对任一订正时次训练样本，神经网络算法模型中的Unet算法模型、所述DeepLabV3+算法模型、SeaFormer算法模型分别向ResNet算法集成模型输出相应的中间预报订正结果；之后，ResNet算法集成模型对接收的中间订正预报结果进行处理，输出订正预报结果；采用预设的L1范式损失函数，对订正预报结果和该时次训练样本对应的预报时次的百米高度风速实况格点数据进行处理，得到损失值；基于损失值，对神经网络算法模型的模型参数进行调节；
遍历所有订正时次训练样本执行上述步骤对相应神经网络算法模型的模型参数进行调节后，得到训练好的相应订正时次的百米高度风速预报订正模型。
进一步的，本申请中的各历史预报时次的百米高度风速预报格点数据的时间分辨率为预报预设未来时长逐第一时长，如未来14天逐15分钟，空间分辨率为9×9公里格点；
历史百米高度风速实况格点数据（包括起报时次的百米高度风速实况格点数据和预报时次的百米高度风速实况格点数据）的时间分辨率为逐第二时长，如6小时的实况时次，空间分辨率为0.1×0.1度格点；第一时长小于第二时长。
其中，获取目标区域在历史时间段内的百米高度风速预报的订正数据集的步骤可以包括：
获取目标区域的位置信息，该位置信息为该目标区域所属区域格点的行数m和列数n；
获取目标区域在历史时间段内的历史起报时次的百米高度风速实况格点数据、历史预报时次的百米高度风速预报格点数据和历史预报时次的百米高度风速实况格点数据。
基于历史百米高度风速实况格点数据对应的第二时长（如6小时）的时间分辨率和预设的预报延迟时长，在预设未来时长（如未来14天）内，对各历史预报时次进行时次匹配，确定各历史预报时次的百米高度风速实况格点数据和相应历史预报时次的百米高度风速预报格点数据的订正时次匹配关系，该时次匹配关系可以包括相匹配的时次和时次匹配数量；预设的预报延迟时长与第二时长相同。
在一个例子中，针对世界时间，起报时次为12时的百米高度风速预报格点数据，去除掉预报延迟时间6小时（即预报产品开始加工到产品加工完成的时间），每6小时（历史百米高度风速实况格点数据的时间分辨率）可匹配对应时次的百米高度风速实况格点数据，即共可获得时次匹配数量为55的存在订正时次匹配关系的历史预报时次的百米高度风速实况格点数据和相应历史预报时次的百米高度风速预报格点数据，另外，需在每对订正时次匹配关系中加入起报时次的百米高度风速实况格点数据。其中，（未来14天×24小时-预报延迟时间6小时）/第二时长6小时=55。相邻历史预报时次间相隔6小时。
采用反距离权重插值方法，将空间分辨率为0.1×0.1度格点的各历史预报时次的百米高度风速实况格点数据，对空间分辨率为9×9公里的历史百米高度风速预报格点数据进行插值，得到空间分辨率为9×9公里的各历史预报时次的百米高度风速实况格点数据；
基于存在时次匹配关系且空间分辨率为9×9公里的历史百米高度风速实况格点数据和各历史预报时次的百米高度风速预报格点数据，以及目标区域的位置信息，构建订正数据集。
由此可知，若获取到55对存在订正时次匹配关系的百米高度风速预报格点数据和百米高度风速实况格点数据，则该订正数据集中包括55条样本。每条样本的维度为（3,m,n），其中，m、n分别代表选取的目标区域的行数和列数，3代表每条样本包含的三个维度的数据：起报时次的百米高度风速实况格点数据、预报时次的百米高度风速预报格点数据，以及该预报时次的百米高度风速实况格点数据。
在训练过程中，使用L1范式作为模型训练的损失函数。得到的中间预报订正结果可以表示为，其中/>，代表不同预报时次；
，代表不同的算法类型。针对每个时次的模型有三个中间预报订正结果，对三个中间预报订正结果采用ResNet算法进行集成，生成集成后的订正预报结果。指定/>、/>3个模型可以得到（3,m,n）维的中间预报订正结果，作为ResNet集成模型的输入数据，并将i时次的百米高度风速实况格点数据作为集成模型拟合目标，使用L1范式作为损失函数，训练得到ResNet集成模型/>，其中，代表不同预报时次。
至此，得到百米高度风速预报订正模型，共包含55个百米高度风速预报订正模型，每组模型中含1个Unet模型、1个DeepLabV3+模型、1个SeaFormer模型和1个ResNet模型，表示为（，/>），其中/>，代表不同预报时次。
由于上述订正数据集中相邻预报时次间隔为6小时，故基于上述订正数据集训练出的不同订正时次的百米高度风速预报订正模型中相邻订正时次间隔为6小时。
步骤S220、针对预设未来时长内任一预报时次，确定与该预报时次满足订正时间条件的订正时次的目标百米高度风速预报订正模型。
其中，满足订正时间条件为满足基于预设未来时长内各预报时次对应的预报时效，分别与不同订正时次对应的订正时效间的差值绝对值最小的条件；其中，预报时效是指相应预报时次与起报时次的差值；订正时效是指订正数据集中预报时次与该订正数据集中起报时次的差值，也可以理解为是不同订正时次的订正模型中相邻订正时次的差值。
具体的，在订正模型选取时，应从55个百米高度风速预报订正模型里，选择与待订正百米高度风速预报格点数据时间最近的时次。设订正模型（，/>）对应预报时效为/>，待订正的百米高度风速预报格点数据的预报时效为/>，其中/>，，/>时间为以6小时为倍数的整数，/>时间为以15分钟为倍数的整数，则应选取满足/>的订正模型（/>，/>），作为/>预报时效待订正的百米高度风速预报格点数据订正模型。其中，1344=未来14天×24小时×60分钟/15分钟。
例如，若预报时次为明天8点30分，起报时次为今天8点，不同订正时效包括6小时、12小时、18小时、24小时、30小时、...、330小时，则相应预报时效为预报时次与起报时次的差值为：24小时30分钟，当前个例中的预报时效与不同的订正时效的差值：18小时30分钟、12小时30分钟、6小时30分钟、30分钟、-5小时30分钟、...、-305小时30分钟；满足订正时间条件的订正模型时效为上述得到的预报时效分别与不同订正时次对应的订正时效间的最小差值绝对值，即订正时效为24小时的订正时次。
步骤S230、将该预报时次的待订正百米高度风速预报格点数据和相应起报时次的百米高度风速实况格点数据输入目标百米高度风速预报订正模型，得到该预报时次的百米高度风速预报订正数据。
在订正过程，先、/>3个模型，得到（3,m,n）维的中间预报订正结果，然后再运行/>，得到（1,m,n）维的每个时次百米高度风速预报订正结果。最后，全部订正结果进行拼接，得到（1344,m,n）维的最终百米高度风速预报订正结果。
步骤S240、采用优化的CALMET动力降尺度算法，对预设时次的百米高度风速预报订正数据进行处理，得到相应的百米高度风速预报订正降尺度数据。
在动力降尺度的静态数据准备中，CALMET模式自带1km的全球高程数据和土地利用数据，但数据为1992年制作的数据，制作时间比较老，可能不适合中国地区，同时在中国地区有大量的土地利用分类错误。为了能够更好的刻画地表真实的地貌特征。故实际操作中摒弃了CALMET程序中原有的MAKEGEO模块，本申请实施例选用时间更新的ALOS高程数据和LUCC30m土地利用数据。
其中，ALOS是日本的对地观测卫星，ALOS卫星载有三个传感器：全色遥感立体测绘仪（PRISM），主要用于数字高程测绘；先进可见光与近红外辐射计－2（AVNIR－2），用于精确陆地观测；相控阵型L波段合成孔径雷达（PALSAR），用于全天时全天候陆地观测；LUCC30m土地利用数据来自中国科学院空天信息创新研究院，其基于2020年最新研发的全球30米地表覆盖精细分类产品（GLC_FCS30-2020）数据，耦合变化检测和动态更新相结合的长时序地表覆盖动态监测方案，利用1984-2020年所有Landsat卫星数据（Landsat TM，ETM+和 OLI）生产了1985 年-2020年全球30米精细地表覆盖动态监测产品。该产品沿用了2020年基准数据的分类体系，共包含29个地表覆盖类型，更新周期为5年。
也就是说，优化的CALMET动力降尺度算法是将ALOS高程数据和LUCC30m土地利用数据，对CALMET动力降尺度算法中的静态数据进行更新后得到的。
具体的，编写针对CALWRF和CALMET运行配置文件，对CALMET中输入、输出和运行部分进行编写配置，其中，设置输出网格间距为1km×1km。编写配置完成一次后，即可重复使用。之后，输入百米高度风速预报订正结果，运行CALMET模式，生成降尺度结果。
本申请实施例提供的百米高度风速预报订正降尺度方法在获取训练好的不同订正时次的百米高度风速预报订正模型和预设未来时长内各预报时次的待订正百米高度风速预报格点数据后，百米高度风速预报订正模型用于对百米高度风速预报格点数据进行订正，针对预设未来时长内任一预报时次，确定与预报时次满足订正时间条件的订正时次的目标百米高度风速预报订正模型；将该预报时次的待订正百米高度风速预报格点数据和相应起报时次的百米高度风速实况格点数据输入目标百米高度风速预报订正模型，得到该预报时次的百米高度风速预报订正数据；采用优化的CALMET动力降尺度算法，对该预报时次的百米高度风速预报订正数据进行处理，得到百米高度风速预报订正降尺度数据。该方法提高了百米高度风速预报订正降尺度数据的准确性。
与上述方法对应的，本申请实施例还提供一种百米高度风速预报订正降尺度装置，如图4所示，该装置包括：
获取单元410，用于获取训练好的不同订正时次的百米高度风速预报订正模型，以及预设未来时长内各预报时次的待订正百米高度风速预报格点数据和相应起报时次的百米高度风速实况格点数据；所述百米高度风速预报订正模型用于对百米高度风速预报格点数据进行订正；
确定单元420，用于针对所述预设未来时长内任一预报时次，确定与所述预报时次满足订正时间条件的订正时次的目标百米高度风速预报订正模型；
获取单元410，还用于将该预报时次的待订正百米高度风速预报格点数据和相应起报时次的百米高度风速实况格点数据输入所述目标百米高度风速预报订正模型，得到该预报时次的百米高度风速预报订正数据；
降尺度单元430，用于采用优化的CALMET动力降尺度算法，对该预报时次的百米高度风速预报订正数据进行处理，得到百米高度风速预报订正降尺度数据。
本申请上述实施例提供的百米高度风速预报订正降尺度装置的各功能单元的功能，可以通过上述各方法步骤来实现，因此，本申请实施例提供的百米高度风速预报订正降尺度装置中的各个单元的具体工作过程和有益效果，在此不复赘述。
本申请实施例还提供了一种电子设备，如图5所示，包括处理器510、通信接口520、存储器530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。
存储器530，用于存放计算机程序；
处理器510，用于执行存储器530上所存放的程序时，实现如下步骤：
获取训练好的不同订正时次的百米高度风速预报订正模型，以及预设未来时长内各预报时次的待订正百米高度风速预报格点数据和相应起报时次的百米高度风速实况格点数据；所述百米高度风速预报订正模型用于对百米高度风速预报格点数据进行订正；
针对所述预设未来时长内任一预报时次，确定与所述预报时次满足订正时间条件的订正时次的目标百米高度风速预报订正模型；
将该预报时次的待订正百米高度风速预报格点数据和相应起报时次的百米高度风速实况格点数据输入所述目标百米高度风速预报订正模型，得到该预报时次的百米高度风速预报订正数据；
采用优化的CALMET动力降尺度算法，对该预报时次的百米高度风速预报订正数据进行处理，得到百米高度风速预报订正降尺度数据。
上述提到的通信总线可以是外设部件互连标准（Peripheral ComponentInterconnect，PCI）总线或扩展工业标准结构（Extended Industry StandardArchitecture，EISA）总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器（Random Access Memory，RAM），也可以包括非易失性存储器（Non-Volatile Memory，NVM），例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（Digital SignalProcessing，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
由于上述实施例中电子设备的各器件解决问题的实施方式以及有益效果可以参见图2所示的实施例中的各步骤来实现，因此，本申请实施例提供的电子设备的具体工作过程和有益效果，在此不复赘述。
在本申请提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的百米高度风速预报订正降尺度方法。
在本申请提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的百米高度风速预报订正降尺度方法。
本领域内的技术人员应明白，本申请实施例中的实施例可提供为方法、系统、或计算机程序产品。因此，本申请实施例中可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例中可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请实施例中是参照根据本申请实施例中实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例中的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例中范围的所有变更和修改。
显然，本领域的技术人员可以对本申请实施例中实施例进行各种改动和变型而不脱离本申请实施例中实施例的精神和范围。这样，倘若本申请实施例中实施例的这些修改和变型属于本申请实施例中权利要求及其等同技术的范围之内，则本申请实施例中也意图包含这些改动和变型在内。
Claims (6)
1.一种百米高度风速预报订正降尺度方法，其特征在于，所述方法包括：
获取训练好的不同订正时次的百米高度风速预报订正模型，以及预设未来时长内各预报时次的待订正百米高度风速预报格点数据和相应起报时次的百米高度风速实况格点数据；所述百米高度风速预报订正模型用于对百米高度风速预报格点数据进行订正；
针对所述预设未来时长内任一预报时次，确定与所述预报时次满足订正时间条件的订正时次的目标百米高度风速预报订正模型；
将该预报时次的待订正百米高度风速预报格点数据和相应起报时次的百米高度风速实况格点数据输入所述目标百米高度风速预报订正模型，得到该预报时次的百米高度风速预报订正数据；
采用优化的CALMET动力降尺度算法，对所述预报时次的百米高度风速预报订正数据进行处理，得到百米高度风速预报订正降尺度数据；
其中，每个订正时次的百米高度风速预报订正模型包括Unet算法模型、DeepLabV3+算法模型、SeaFormer算法模型和ResNet算法集成模型；
所述百米高度风速预报订正模型的三个输入端分别为所述Unet算法模型的输入端、所述DeepLabV3+算法模型的输入端和SeaFormer算法模型的输入端；
所述Unet算法模型的输出端、所述DeepLabV3+算法模型的输出端和SeaFormer算法模型的输出端分别与所述ResNet算法集成模型的输入端连接，所述ResNet算法集成模型的输出端为所述百米高度风速预报订正模型的输出端；
所述百米高度风速预报订正模型的训练过程包括：
获取目标区域在历史时间段内的百米高度风速预报的订正数据集；所述订正数据集包括具有相同空间分辨率的各历史预报时次的百米高度风速预报格点数据和与其存在时次匹配关系的历史百米高度风速实况格点数据，以及所述目标区域的位置信息；所述历史百米高度风速实况格点数据包括历史起报时次的百米高度风速实况格点数据和历史预报时次的百米高度风速实况格点数据；
以所述历史起报时次的百米高度风速实况格点数据、不同历史预报时次的百米高度风速预报格点数据和所述目标区域的位置信息作为所述目标区域对应的不同的订正时次训练样本，以所述不同历史预报时次的百米高度风速实况格点数据作为不同的订正时次拟合目标，输入待训练的神经网络算法模型；
针对任一订正时次训练样本，所述神经网络算法模型中的所述Unet算法模型、所述DeepLabV3+算法模型、所述SeaFormer算法模型分别向所述ResNet算法集成模型输出相应的中间预报订正结果；所述ResNet算法集成模型对接收的中间订正预报结果进行处理，输出订正预报结果；采用预设的L1范式损失函数，对所述订正预报结果和该时次训练样本对应的预报时次的百米高度风速实况格点数据进行处理，得到损失值；基于所述损失值，对所述神经网络算法模型的模型参数进行调节；
遍历所有订正时次训练样本执行上述步骤，以对所述模型参数进行调节后，得到训练好的不同订正时次的百米高度风速预报订正模型；
所述满足订正时间条件为满足基于所述预设未来时长内各预报时次对应的预报时效，分别与不同订正时次对应的订正时效间的差值绝对值最小的条件；
其中，所述预报时效是指相应预报时次与起报时次的差值；所述订正时效是指所述订正数据集中相应预报时次与所述订正数据集中起报时次的差值；
所述优化的CALMET动力降尺度算法是将ALOS高程数据和LUCC30m土地利用数据，对CALMET动力降尺度算法中的静态数据进行更新后得到的。
2.如权利要求1所述的方法，其特征在于，所述历史预报时次的百米高度风速预报格点数据的时间分辨率为预报预设未来时长逐第一时长，空间分辨率为9×9公里格点；
所述历史百米高度风速实况格点数据的时间分辨率为逐第二时长的实况时次，空间分辨率为0.1×0.1度格点；所述第一时长小于所述第二时长。
3.如权利要求2所述的方法，其特征在于，获取目标区域在历史时间段内的百米高度风速预报的订正数据集，包括：
获取所述目标区域的位置信息，所述位置信息为所述目标区域所属区域格点的行数和列数；
获取目标区域在历史时间段内的历史起报时次的百米高度风速实况格点数据、历史预报时次的百米高度风速预报格点数据和历史预报时次的百米高度风速实况格点数据；
基于所述历史百米高度风速实况格点数据对应的第二时长的时间分辨率和预设的预报延迟时长，在所述预设未来时长内，对各历史预报时次进行时次匹配，确定所述各历史预报时次的历史百米高度风速实况格点数据和相应各历史预报时次的百米高度风速预报格点数据的订正时次匹配关系，所述时次匹配关系包括相匹配的时次和时次匹配数量；所述预设的预报延迟时长与所述第二时长相同；
采用反距离权重插值方法，将所述空间分辨率为0.1×0.1度格点的各历史预报时次的百米高度风速实况格点数据，对所述空间分辨率为9×9公里的历史百米高度风速预报格点数据进行插值，得到所述空间分辨率为9×9公里的各历史预报时次的百米高度风速实况格点数据；
基于存在时次匹配关系且空间分辨率为9×9公里的历史百米高度风速实况格点数据和所述各历史预报时次的百米高度风速预报格点数据，以及所述目标区域的位置信息，构建所述订正数据集。
4.一种百米高度风速预报订正降尺度装置，其特征在于，所述装置包括：
获取单元，用于获取训练好的不同订正时次的百米高度风速预报订正模型，以及预设未来时长内各预报时次的待订正百米高度风速预报格点数据和相应起报时次的百米高度风速实况格点数据；所述百米高度风速预报订正模型用于对百米高度风速预报格点数据进行订正；
确定单元，用于针对所述预设未来时长内任一预报时次，确定与所述预报时次满足订正时间条件的订正时次的目标百米高度风速预报订正模型；
所述获取单元，还用于将该预报时次的待订正百米高度风速预报格点数据和相应起报时次的百米高度风速实况格点数据输入所述目标百米高度风速预报订正模型，得到该预报时次的百米高度风速预报订正数据；
降尺度单元，用于采用优化的CALMET动力降尺度算法，对所述预报时次的百米高度风速预报订正数据进行处理，得到百米高度风速预报订正降尺度数据；
其中，每个订正时次的百米高度风速预报订正模型包括Unet算法模型、DeepLabV3+算法模型、SeaFormer算法模型和ResNet算法集成模型；
所述百米高度风速预报订正模型的三个输入端分别为所述Unet算法模型的输入端、所述DeepLabV3+算法模型的输入端和SeaFormer算法模型的输入端；
所述Unet算法模型的输出端、所述DeepLabV3+算法模型的输出端和SeaFormer算法模型的输出端分别与所述ResNet算法集成模型的输入端连接，所述ResNet算法集成模型的输出端为所述百米高度风速预报订正模型的输出端；
所述百米高度风速预报订正模型的训练过程包括：
获取目标区域在历史时间段内的百米高度风速预报的订正数据集；所述订正数据集包括具有相同空间分辨率的各历史预报时次的百米高度风速预报格点数据和与其存在时次匹配关系的历史百米高度风速实况格点数据，以及所述目标区域的位置信息；所述历史百米高度风速实况格点数据包括历史起报时次的百米高度风速实况格点数据和历史预报时次的百米高度风速实况格点数据；
以所述历史起报时次的百米高度风速实况格点数据、不同历史预报时次的百米高度风速预报格点数据和所述目标区域的位置信息作为所述目标区域对应的不同的订正时次训练样本，以所述不同历史预报时次的百米高度风速实况格点数据作为不同的订正时次拟合目标，输入待训练的神经网络算法模型；
针对任一订正时次训练样本，所述神经网络算法模型中的所述Unet算法模型、所述DeepLabV3+算法模型、所述SeaFormer算法模型分别向所述ResNet算法集成模型输出相应的中间预报订正结果；所述ResNet算法集成模型对接收的中间订正预报结果进行处理，输出订正预报结果；采用预设的L1范式损失函数，对所述订正预报结果和该时次训练样本对应的预报时次的百米高度风速实况格点数据进行处理，得到损失值；基于所述损失值，对所述神经网络算法模型的模型参数进行调节；
遍历所有订正时次训练样本执行上述步骤，以对所述模型参数进行调节后，得到训练好的不同订正时次的百米高度风速预报订正模型；
所述满足订正时间条件为满足基于所述预设未来时长内各预报时次对应的预报时效，分别与不同订正时次对应的订正时效间的差值绝对值最小的条件；
其中，所述预报时效是指相应预报时次与起报时次的差值；所述订正时效是指所述订正数据集中相应预报时次与所述订正数据集中起报时次的差值；
所述优化的CALMET动力降尺度算法是将ALOS高程数据和LUCC30m土地利用数据，对CALMET动力降尺度算法中的静态数据进行更新后得到的。
5.一种电子设备，其特征在于，所述电子设备包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存储的程序时，实现权利要求1-3任一所述的方法。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-3任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310935346.XA CN116663432B (zh) | 2023-07-28 | 2023-07-28 | 一种百米高度风速预报订正降尺度方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310935346.XA CN116663432B (zh) | 2023-07-28 | 2023-07-28 | 一种百米高度风速预报订正降尺度方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116663432A CN116663432A (zh) | 2023-08-29 |
| CN116663432B true CN116663432B (zh) | 2023-10-27 |
Family
ID=87710028
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310935346.XA Active CN116663432B (zh) | 2023-07-28 | 2023-07-28 | 一种百米高度风速预报订正降尺度方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116663432B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107390298A (zh) * | 2017-07-19 | 2017-11-24 | 云南电网有限责任公司电力科学研究院 | 一种复杂山地下垫面大风的模拟方法及装置 |
| CN112633544A (zh) * | 2019-11-28 | 2021-04-09 | 北京金风慧能技术有限公司 | 预测风速订正方法及其装置 |
| CN113204061A (zh) * | 2021-07-06 | 2021-08-03 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种构建格点风速订正模型的方法及装置 |
| CN114021858A (zh) * | 2021-12-06 | 2022-02-08 | 国网浙江省电力有限公司经济技术研究院 | 一种输电线路的精细化风速预测方法 |
| CN114385600A (zh) * | 2022-03-23 | 2022-04-22 | 北京弘象科技有限公司 | 一种ecmwf温度数据的降尺度订正方法和装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298115B (zh) * | 2019-07-02 | 2022-05-17 | 中国气象局上海台风研究所 | 一种基于简化地形气动参数的风场动力降尺度方法 |
-
2023
- 2023-07-28 CN CN202310935346.XA patent/CN116663432B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107390298A (zh) * | 2017-07-19 | 2017-11-24 | 云南电网有限责任公司电力科学研究院 | 一种复杂山地下垫面大风的模拟方法及装置 |
| CN112633544A (zh) * | 2019-11-28 | 2021-04-09 | 北京金风慧能技术有限公司 | 预测风速订正方法及其装置 |
| CN113204061A (zh) * | 2021-07-06 | 2021-08-03 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种构建格点风速订正模型的方法及装置 |
| CN114021858A (zh) * | 2021-12-06 | 2022-02-08 | 国网浙江省电力有限公司经济技术研究院 | 一种输电线路的精细化风速预测方法 |
| CN114385600A (zh) * | 2022-03-23 | 2022-04-22 | 北京弘象科技有限公司 | 一种ecmwf温度数据的降尺度订正方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| 风电场风速降尺度预报方法对比分析;李得勤;陈力强;周晓珊;杨森;王恕;崔锦;赵梓淇;;气象与环境学报;28(06);第25-30页 * |
| 风电场风速预报集合订正方法的尝试性研究;江滢;宋丽莉;程兴宏;;资源科学;35(03);第673-679页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116663432A (zh) | 2023-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107703564B (zh) | 一种降雨预测方法、系统及电子设备 | |
| CN110738252B (zh) | 空间自相关的机器学习卫星降水数据降尺度方法、系统 | |
| Ahmed et al. | An intelligent framework for short-term multi-step wind speed forecasting based on Functional Networks | |
| CN104239706B (zh) | 一种地面观测气温时空数据集的制备方法 | |
| JP6635038B2 (ja) | シミュレーション装置、シミュレーション方法、および、記憶媒体 | |
| Carneiro et al. | Review on photovoltaic power and solar resource forecasting: current status and trends | |
| CN109636032B (zh) | 基于多模式集成的降水预报方法、系统、终端及存储介质 | |
| CN113222019B (zh) | 输电线路杆塔的气象预报数据处理方法、装置、设备 | |
| CN110597873A (zh) | 降水数据估计方法、装置、设备及存储介质 | |
| CN111505740B (zh) | 气象预测方法、装置、计算机设备和存储介质 | |
| Pilz et al. | Seasonal drought prediction for semiarid northeast Brazil: what is the added value of a process-based hydrological model? | |
| CN114331542A (zh) | 一种电动汽车充电需求预测方法及装置 | |
| CN112633544A (zh) | 预测风速订正方法及其装置 | |
| CN109241212B (zh) | 基于中尺度数值大气模式与高分辨率历史降雨反演方法 | |
| CN116663432B (zh) | 一种百米高度风速预报订正降尺度方法及装置 | |
| CN116796649A (zh) | 一种基于机器学习的spei粗分辨率数据空间降尺度方法及装置 | |
| TWI717796B (zh) | 以人工智慧估測地理位置日照量之系統、方法及儲存媒體 | |
| CN110968929A (zh) | 风电场风速的预测方法、装置及电子设备 | |
| CN115657166A (zh) | 跨多气候区域的天气预报数值确定方法和装置 | |
| Noor et al. | Downscaling of daily average rainfall of Kota Bharu Kelantan, Malaysia | |
| CN111814855B (zh) | 基于残差seq2seq神经网络的全球电离层电子总含量预测方法 | |
| CN113742929A (zh) | 一种针对格点气象实况的数据质量评价方法 | |
| CN111369054B (zh) | 基于wrf的高空气象要素预报方法和装置 | |
| CN113177702B (zh) | 一种气象输入数据匹配方法及系统 | |
| CN114297939B (zh) | 适用于南极地区的对流层延迟预测方法及系统 |
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 | ||
| GR01 | Patent grant |