CN117009716A - 气象预报数据误差计算模型构建和气象预报数据修正方法 - Google Patents
气象预报数据误差计算模型构建和气象预报数据修正方法 Download PDFInfo
- Publication number
- CN117009716A CN117009716A CN202311256982.6A CN202311256982A CN117009716A CN 117009716 A CN117009716 A CN 117009716A CN 202311256982 A CN202311256982 A CN 202311256982A CN 117009716 A CN117009716 A CN 117009716A
- Authority
- CN
- China
- Prior art keywords
- data
- weather forecast
- wind element
- sequence data
- element sequence
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012937 correction Methods 0.000 title claims abstract description 37
- 238000010276 construction Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims description 69
- 238000003062 neural network model Methods 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 26
- 238000012795 verification Methods 0.000 claims description 19
- 238000011176 pooling Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000000875 corresponding effect Effects 0.000 description 20
- 238000005259 measurement Methods 0.000 description 14
- 238000004088 simulation Methods 0.000 description 11
- 238000012360 testing method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/18—Testing or calibrating meteorological apparatus
-
- 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
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Atmospheric Sciences (AREA)
- Environmental Sciences (AREA)
- Ecology (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biodiversity & Conservation Biology (AREA)
- Computational Mathematics (AREA)
- Databases & Information Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及气象数据误差修正技术领域,公开了气象预报数据误差计算模型构建和气象预报数据修正方法,利用待修正点位的实测风要素数据和模拟风要素数据计算得到模拟风要素数据与实测风要素数据之间的误差序列数据,基于误差序列数据与模拟风要素数据建立关联数据集,基于关联数据集确定训练集,并利用训练集对预设神经网络进行训练,得到气象预报数据误差计算模型,该气象预报数据误差计算模型可以准确计算气象预报数据与实测气象数据之间的误差,后续基于计算得到的误差对气象预报数据进行修正。
Description
技术领域
本发明涉及气象数据误差修正技术领域,具体涉及气象预报数据误差计算模型构建和气象预报数据修正方法。
背景技术
现有的天气预报数据通常基于气象预报(Weather Research and ForecastingModel,WRF)模式进行模拟得到,但是其模拟结果与实际风数据之间通常存在一定偏差,得到的天气预报数据的准确性较差。
发明内容
有鉴于此,本发明提供了一种气象预报数据误差计算模型构建方法,以解决现有通过WRF模式模拟得到的天气预报数据与实测数据偏差较大的问题。
第一方面,本发明提供了一种气象预报数据误差计算模型构建方法,该方法包括:获取待修正点位的第一风要素序列数据以及第二风要素序列数据,第一风要素序列数据为待修正点位的模拟风要素序列数据,模拟风要素序列数据由气象预报模型模拟得到,第二风要素序列数据为待修正点位的实测风要素序列数据;基于第一风要素序列数据以及第二风要素序列数据得到第一误差序列数据;将第一风要素序列数据与第一误差序列数据进行关联,得到关联数据集;基于关联数据集确定训练集,并利用训练集对预设神经网络模型进行训练,直至模型精度满足预设要求,得到气象预报数据误差计算模型。
本发明提供的气象预报数据误差计算模型构建,利用待修正点位的实测风要素数据和模拟风要素数据计算得到模拟风要素数据与实测风要素数据之间的误差序列数据,基于误差序列数据与模拟风要素数据建立关联数据集,基于关联数据集确定训练集,并利用训练集对预设神经网络进行训练,得到气象预报数据误差计算模型,该气象预报数据误差计算模型可以准确计算气象预报数据与实测气象数据之间的误差,后续基于计算得到的误差对气象预报数据进行修正。
在一种可选的实施方式中,获取待修正点位的第一风要素序列数据以及第二风要素序列数据的步骤,包括:获取待修正点位的原始模拟风要素数据;对原始模拟风要素数据进行维度扩充,得到扩充后的多维数据;将多维数据按时间顺序进行整合,得到第一风要素序列数据;获取第一风要素序列数据中每一个时间点对应待修正点位的实测风要素数据;基于每一个时间点对应待修正点位的实测风要素数据确定第二风要素序列数据。
本可选实施方式提供的方法,通过对待修正点位的原始模拟风要素数据进行维度扩充,得到多维数据,可以使得原始风要素数据在多个维度下都能构成时间序列,通过多个维度下的数据计算可进一步提升神经网络模型的特征提取能力。
在一种可选的实施方式中,预设神经网络模型包括卷积神经网络模型,预设神经网络模型包括至少一个卷积层、至少一个池化层以及全连接层。
本可选实施方式提供的方法,通过设置至少一个卷积层、至少一个池化层以及全连接层,提高了卷积神经网络模型的特征提取能力。
在一种可选的实施方式中,该方法还包括:基于关联数据集确定验证集;将验证集输入到气象预报数据误差计算模型中,使得气象预报数据误差计算模型输出预测结果;基于预测结果对气象预报数据误差计算模型的计算精度进行验证。
本可选实施方式提供的方法,利用验证集对气象预报数据误差修正模型的预测结果进行测试,实现了对气象预报数据误差计算模型的计算精度的评估。
在一种可选的实施方式中,基于预测结果对气象预报数据误差计算模型的计算精度进行验证,包括:基于气象预报数据误差计算模型输出的预测结果以及对应的模拟风要素数据计算修正后的气象预报数据;基于修正后的气象预报数据以及验证集中的实测风要素序列数据确定修正效果评估数据;基于修正效果评估数据对气象预报数据误差计算模型的计算精度进行评估。
本可选实施方式提供的方法,利用修正效果评估数据对气象预报数据进行计算精度评估,可以使得评估结果更为准确合理。
在一种可选的实施方式中,基于关联数据集确定训练集,并利用训练集对预设神经网络模型进行训练,直至模型精度满足预设要求,得到气象预报数据误差计算模型的步骤,包括:按照预设规则将训练集划分为多个数据包;根据预设顺序依次将每个数据包输入预设神经网络模型,对预设神经网络模型进行训练,得到气象预报数据误差计算模型。
本可选实施方式提供的方法,将训练集按照预设规则划分为多个数据包,并按照预设顺序将每个数据包输入预设神经网络模型进行训练,便于神经网络模型提取对应的误差特征。
第二方面,本发明提供了一种气象预报数据修正方法,该方法包括:获取待修正的模拟风要素序列数据;将待修正的模拟风要素序列数据输入到气象预报数据误差计算模型中,使得气象预报数据误差计算模型输出第二误差序列数据,气象预报数据误差计算模型通过如第一方面或其对应的任一实施方式的气象预报数据误差计算模型构建方法构建得到;基于第二误差序列数据以及待修正的模拟风要素序列数据计算得到修正后的模拟风要素序列数据。
本发明提供的气象预报数据修正方法,利用气象预报数据误差计算模型可以计算得到待修正的模拟风要素序列数据的误差序列数据,基于误差序列数据对待修正的模拟风要素序列数据的误差进行修正,提高了气象预报数据的准确性。
第三方面,本发明提供了一种气象预报数据误差计算模型构建装置,包括:第一获取模块,用于获取待修正点位的第一风要素序列数据以及第二风要素序列数据,第一风要素序列数据为待修正点位的模拟风要素序列数据,模拟风要素序列数据由气象预报模型模拟得到,第二风要素序列数据为待修正点位的实测风要素序列数据;第一确定模块,用于基于第一风要素序列数据以及第二风要素序列数据得到第一误差序列数据;关联模块,用于将第一风要素序列数据与第一误差序列数据进行关联,得到关联数据集;训练模块,用于基于关联数据集确定训练集,并利用训练集对预设神经网络模型进行训练,直至模型精度满足预设要求,得到气象预报数据误差计算模型。
第四方面,本发明实施例提供了一种气象预报数据修正装置,该装置包括:第二获取子模块,用于获取待修正的模拟风要素序列数据;第二计算模块,用于将待修正的模拟风要素序列数据输入到气象预报数据误差计算模型中,使得气象预报数据误差计算模型输出第二误差序列数据,气象预报数据误差计算模型通过如第一方面或其对应的任一实施方式的气象预报数据误差计算模型构建方法构建得到;第三计算模块,用于基于第二误差序列数据以及待修正的模拟风要素序列数据计算得到修正后的模拟风要素序列数据。
第三方面,本发明提供了一种计算机设备,包括:存储器和处理器,存储器和处理器之间互相通信连接,存储器中存储有计算机指令,处理器通过执行计算机指令,从而执行上述第一方面或其对应的任一实施方式的气象预报数据误差计算模型构建方法,或执行第二方面的气象预报数据修正方法。
第四方面,本发明提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机指令,计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的气象预报数据误差计算模型构建方法,或执行第二方面的气象预报数据修正方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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的附图。
图1是根据本发明实施例的气象预报数据误差计算模型构建方法的流程示意图;
图2是根据本发明实施例的另一气象预报数据误差计算模型构建方法的流程示意图;
图3是根据本发明实施例的又一气象预报数据误差计算模型构建方法的流程示意图;
图4是根据本发明实施例的再一气象预报数据误差计算模型构建方法的流程示意图;
图5是根据本发明实施例的再一气象预报数据误差计算模型构建方法的流程示意图;
图6是根据本发明实施例的气象预报数据修正方法的流程示意图;
图7是根据本发明实施例的气象预报数据误差计算模型构建装置的结构框图;
图8是根据本发明实施例的气象预报数据修正装置的结构框图;
图9是本发明实施例的计算机设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域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,都属于本发明保护的范围。
目前,气象预报数据大多是利用WRF模式对监测点位的气候进行模拟,基于模拟结果得到的,然而WRF模式的输出风要素数据与实测风要素数据之间存在一定的偏差,因此需要对WRF模式的输出数据进行修正。
本发明实施例提供了一种气象预报数据误差计算模型构建方法,可以应用于一个处理器,实现对气象预报数据误差计算模型的构建,构建好的气象预报数据误差计算模型可以用于计算WRF模式输出的模拟数据与实测数据之间的误差值,基于得到的误差值可以实现对WRF模式输出数据的修正。
根据本发明实施例,提供了一种气象预报数据误差计算模型构建方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种气象预报数据误差计算模型构建方法,可用于上述的处理器,图1是根据本发明实施例的气象预报数据误差计算模型构建方法的流程图,如图1所示,该流程包括如下步骤:
步骤S101,获取待修正点位的第一风要素序列数据以及第二风要素序列数据,第一风要素序列数据为待修正点位的模拟风要素序列数据,模拟风要素序列数据由气象预报模型模拟得到,第二风要素序列数据为待修正点位的实测风要素序列数据。
示例性地,待修正点位可以是任一需要进行气象预报数据修正的点位,本申请实施例中,待修正点位可以是海上风电场需要进行气象预报数据修正的点位。气象预报模型可以是WRF模式系统,第一风要素序列数据可以是由WRF模式输出的待修正点位的模拟风要素的时间序列数据。第二风要素序列数据是待修正点位的实测风要素的时间序列数据,该实测风要素的时间序列数据可以通过测风塔、激光雷达测风设备等测量得到。WRF模式是一种通用的技术,是多单位联合发展起来的新一代非静力平衡、高分辨率的中尺度数值模式,该模式主要考虑从云尺度到天气尺度等重要天气的预报。本申请实施例中,所获取数据主要包含WRF模式数据及实际测风要素数据2类,该2类数据同时又涵盖如下变量类型:风速(高度层通常为100、90、80、70米,或其他高度层),取值范围通常为0-50m/s。
步骤S102,基于第一风要素序列数据以及第二风要素序列数据得到第一误差序列数据。
示例性地,本申请实施例中,可以基于第一风要素序列数据与第二风要素序列数据之间的差异确定第一误差序列数据。
步骤S103,将第一风要素序列数据与第一误差序列数据进行关联,得到关联数据集。
示例性地,申请实施例中,可以利用预设的关联方法将第一风要素序列数据以及第一误差序列数据进行关联,本申请实施例对关联的具体方法不做限定,本领域技术人员可以根据需求确定。
步骤S104,基于关联数据集确定训练集,并利用训练集对预设神经网络模型进行训练,直至模型精度满足预设要求,得到气象预报数据误差计算模型。
示例性地,预设神经网络模型可以是任一能够实现气象预报数据误差特征提取的模型,本申请实施例对预设神经网络模型的具体内容不做限定,本领域技术人员可以根据需求确定。本申请实施例中,可以按照时间顺序将关联数据集中前80%的数据作为训练集数据对预设神经网络模型进行训练,直至达到精度拟定要求或者最大迭代次数后,模型训练完成。
本实施例提供的气象预报数据误差计算模型构建方法,利用待修正点位的实测风要素数据和模拟风要素数据计算得到模拟风要素数据与实测风要素数据之间的误差序列数据,基于误差序列数据与模拟风要素数据建立关联数据集,基于关联数据集确定训练集,并利用训练集对预设神经网络进行训练,得到气象预报数据误差计算模型,该气象预报数据误差计算模型可以准确计算气象预报数据与实测气象数据之间的误差,后续基于计算得到的误差对气象预报数据进行修正。
在本实施例中提供了一种气象预报数据误差计算模型构建方法,可用于上述的处理器,图2是根据本发明实施例的气象预报数据误差计算模型构建方法的流程图,如图2所示,该流程包括如下步骤:
步骤S201,获取待修正点位的第一风要素序列数据以及第二风要素序列数据,第一风要素序列数据为待修正点位的模拟风要素序列数据,模拟风要素序列数据由气象预报模型模拟得到,第二风要素序列数据为待修正点位的实测风要素序列数据。详细请参见图1所示实施例的步骤S101,在此不再赘述。
具体地,上述步骤201包括:
步骤2011,获取待修正点位的原始模拟风要素数据。示例性地,原始风要素数据可以是测风塔、激光雷达测风设备等测量设备测量得到的风要素数据。本申请实施例中,原始模拟风要素数据可以是WRF模式某一高度层的模拟风速数据,具体可以表示为如下式(1)所示的一维数据:
(1)
其中,V表示原始模拟风要素序列数据,v(1)至v(t+1)表示不同时刻的原始模拟风要素数据。
步骤2012,对原始模拟风要素数据进行维度扩充,得到扩充后的多维数据。示例性地,维度扩充的内容不做限定,本领域技术人员可以根据需求将原始模拟风要素数据扩充为任一维度的数据。本申请实施例中,多维数据可以是二维数据,可以对如上式(1)所示的一维数据进行二维扩充,得到如下式(2)所示的二维数据。
(2)
其中,S表示特定时间长度的历史数据,表示时刻,/>表示扩充步长。
步骤S2013,将多维数据按时间顺序进行整合,得到第一风要素序列数据。示例性地,本申请实施例中,可以将如式(2)所示的二维数据进行整合,得到整合后的第一风要素序列数据,整合后的第一风要素数据可以如下式(3)所示。
(3)
其中,V(1)至V(t+1)表示扩维后不同时刻的模拟风要素数据。
步骤S2014,获取第一风要素序列数据中每一个时间点对应待修正点位的实测风要素数据。示例性地,第一风要素序列数据包含的是历史某个时段中的模拟风要素的时间序列数据,包含多个时间点,基于第一风要素序列数据中的每一个时间点,确定每一个时间点对应的实测风要素数据。
步骤S2015,基于每一个时间点对应待修正点位的实测风要素数据确定第二风要素序列数据。示例性地,基于每一个时间对应的实测风要素数据确定第二风要素序列数据,第二风要素序列数据包含的是历史某个时段中实测风要素的时间序列数据。
步骤S202,基于第一风要素序列数据以及第二风要素序列数据得到第一误差序列数据。详细请参见图1所示实施例的步骤S102,在此不再赘述。
步骤S203,将第一风要素序列数据与第一误差序列数据进行关联,得到关联数据集。详细请参见图1所示实施例的步骤S103,在此不再赘述。
步骤S204,基于关联数据集确定训练集,并利用训练集对预设神经网络模型进行训练,直至模型精度满足预设要求,得到气象预报数据误差计算模型。详细请参见图1所示实施例的步骤S104,在此不再赘述。
在一些可选的实施方式中,预设神经网络模型包括卷积神经网络模型,预设神经网络模型包括至少一个卷积层、至少一个池化层以及全连接层。
示例性地,本申请实施例中,卷积层主要用于对数据的内在信息特征进行提取,给定第个卷积层输入/>,当/>时,/>即为网络的输入V';当/>,即为第/>个池化层的输出。卷积层具体计算方式如下式(4)和(5)所示:
(4)
(5)
其中,M和N表示输入数据的维度;表示大小为(J,K)的卷积核;/>表示第/>个卷积层输出,/>表示输入为/>的矩阵中的元素,/>和/>分别表示不同维度和/>中的元素标识,/>和/>分别表示卷积核的标识,/>表示卷积层输出的是0和/>中的较大值。
第个卷积层完成运算之后,将该层输出/>传递至第/>个池化层,该层主要用于对卷积层提取后的特征进行挑选并实现数据降维,以逐步实现高层次到低层次的特征表达,第/>个池化层的计算方式如下式(6)所示:
(6)
其中,表示池化层的输出,/>表示池化函数,s表示池化层窗口的大小,表示第/>个卷积层输出矩阵中的元素,/>和/>分别表示卷积核的标识。
卷积层及池化层完成计算后,全连接层对最后一个池化层的输出进行降维整合,计算方法如下式(7.1)所示:
(7.1)
其中,q是全连接层的输出,表示全连接层的输出函数,W q表示全连接层对应的权重值,b q全连接层对应的偏置,/>表示全连接层的输入。
通过对全连接层输出q进行线性变换,最终模型的输出如下式(7.2)所示:
(7.2)
其中,和/>分别表示输出层的权重参数和偏置参数,q是全连接层的输出,表示模型的输出数据。
本实施例提供的气象预报数据误差计算模型构建方法,利用待修正点位的实测风要素数据和模拟风要素数据计算得到模拟风要素数据与实测风要素数据之间的误差序列数据,基于误差序列数据与模拟风要素数据建立关联数据集,基于关联数据集确定训练集,并利用训练集对预设神经网络进行训练,得到气象预报数据误差计算模型,该气象预报数据误差计算模型可以准确计算气象预报数据与实测气象数据之间的误差,后续基于计算得到的误差对气象预报数据进行修正。
在本实施例中提供了一种气象预报数据误差计算模型构建方法,可用于上述的处理器,图3是根据本发明实施例的气象预报数据误差计算模型构建方法的流程图,如图3所示,该流程包括如下步骤:
步骤S301,获取待修正点位的第一风要素序列数据以及第二风要素序列数据,第一风要素序列数据为待修正点位的模拟风要素序列数据,模拟风要素序列数据由气象预报模型模拟得到,第二风要素序列数据为待修正点位的实测风要素序列数据。详细请参见图1所示实施例的步骤S101,在此不再赘述。
步骤S302,基于第一风要素序列数据以及第二风要素序列数据得到第一误差序列数据。详细请参见图1所示实施例的步骤S102,在此不再赘述。
步骤S303,将第一风要素序列数据与第一误差序列数据进行关联,得到关联数据集。详细请参见图1所示实施例的步骤S103,在此不再赘述。
步骤S304,基于关联数据集确定训练集,并利用训练集对预设神经网络模型进行训练,直至模型精度满足预设要求,得到气象预报数据误差计算模型。详细请参见图1所示实施例的步骤S104,在此不再赘述。
在一些可选的实施方式中,该方法还包括:
步骤S305,基于关联数据集确定验证集。示例性地,本申请实施例中,可以按照时间顺序,将关联数据集中后20%的数据作为验证集,验证集的时间跨度通常不少于总数据集的10%。
步骤S306,将验证集输入到气象预报数据误差计算模型中,使得气象预报数据误差计算模型输出预测结果。示例性地,将验证集数据输入到气象预报数据误差计算模型中,该模型会输出对应的误差计算结果。
步骤S307,基于预测结果对气象预报数据误差计算模型的计算精度进行验证。示例性地,本申请实施例中,可以基于预测结果和实际误差对气象预报数据误差计算模型的计算精度进行验证。
本实施例提供的气象预报数据误差计算模型构建方法,利用待修正点位的实测风要素数据和模拟风要素数据计算得到模拟风要素数据与实测风要素数据之间的误差序列数据,基于误差序列数据与模拟风要素数据建立关联数据集,基于关联数据集确定训练集,并利用训练集对预设神经网络进行训练,得到气象预报数据误差计算模型,该气象预报数据误差计算模型可以准确计算气象预报数据与实测气象数据之间的误差,后续基于计算得到的误差对气象预报数据进行修正。
在本实施例中提供了一种气象预报数据误差计算模型构建方法,可用于上述的处理器,图4是根据本发明实施例的气象预报数据误差计算模型构建方法的流程图,如图4所示,该流程包括如下步骤:
步骤S401,获取待修正点位的第一风要素序列数据以及第二风要素序列数据,第一风要素序列数据为待修正点位的模拟风要素序列数据,模拟风要素序列数据由气象预报模型模拟得到,第二风要素序列数据为待修正点位的实测风要素序列数据。详细请参见图1所示实施例的步骤S101,在此不再赘述。
步骤S402,基于第一风要素序列数据以及第二风要素序列数据得到第一误差序列数据。详细请参见图1所示实施例的步骤S102,在此不再赘述。
步骤S403,将第一风要素序列数据与第一误差序列数据进行关联,得到关联数据集。详细请参见图1所示实施例的步骤S103,在此不再赘述。
步骤S404,基于关联数据集确定训练集,并利用训练集对预设神经网络模型进行训练,直至模型精度满足预设要求,得到气象预报数据误差计算模型。详细请参见图1所示实施例的步骤S104,在此不再赘述。
步骤S405,基于关联数据集确定验证集。详细请参见图3所示实施例的步骤S305,在此不再赘述。
步骤S406,将验证集输入到气象预报数据误差计算模型中,使得气象预报数据误差计算模型输出预测结果。详细请参见图3所示实施例的步骤S306,在此不再赘述。
步骤S407,基于预测结果对气象预报数据误差计算模型的计算精度进行验证。详细请参见图3所示实施例的步骤S307,在此不再赘述。
在一些可选的实施方式中,上述步骤S407包括:
步骤S4071,基于气象预报数据误差计算模型输出的预测结果以及对应的模拟风要素数据计算修正后的气象预报数据。示例性地,本申请实施例中,可以基于模拟风要素数据和预测结果的差计算得到修正后的气象预报数据。
步骤S4072,基于修正后的气象预报数据以及验证集中的实测风要素序列数据确定修正效果评估数据。示例性地,本申请实施例中,修正效果评估数据可以是利用预设误差指标计算得到的误差评估数据,预设误差指标可以包括但不限于均方误差和均方根误差。
步骤S4073,基于修正效果评估数据对气象预报数据误差计算模型的计算精度进行评估。示例性地,基于修正效果评估数据对气象预报数据误差计算模型的计算精度进行评估可以有效确定模型的计算精度。
本实施例提供的气象预报数据误差计算模型构建方法,利用待修正点位的实测风要素数据和模拟风要素数据计算得到模拟风要素数据与实测风要素数据之间的误差序列数据,基于误差序列数据与模拟风要素数据建立关联数据集,基于关联数据集确定训练集,并利用训练集对预设神经网络进行训练,得到气象预报数据误差计算模型,该气象预报数据误差计算模型可以准确计算气象预报数据与实测气象数据之间的误差,后续基于计算得到的误差对气象预报数据进行修正。
在本实施例中提供了一种气象预报数据误差计算模型构建方法,可用于上述的处理器,图5是根据本发明实施例的气象预报数据误差计算模型构建方法的流程图,如图5所示,该流程包括如下步骤:
步骤S501,获取待修正点位的第一风要素序列数据以及第二风要素序列数据,第一风要素序列数据为待修正点位的模拟风要素序列数据,模拟风要素序列数据由气象预报模型模拟得到,第二风要素序列数据为待修正点位的实测风要素序列数据。详细请参见图1所示实施例的步骤S101,在此不再赘述。
步骤S502,基于第一风要素序列数据以及第二风要素序列数据得到第一误差序列数据。详细请参见图1所示实施例的步骤S102,在此不再赘述。
步骤S503,将第一风要素序列数据与第一误差序列数据进行关联,得到关联数据集。详细请参见图1所示实施例的步骤S103,在此不再赘述。
步骤S504,基于关联数据集确定训练集,并利用训练集对预设神经网络模型进行训练,直至模型精度满足预设要求,得到气象预报数据误差计算模型。详细请参见图1所示实施例的步骤S104,在此不再赘述。
在一些可选的实施方式中,上述步骤S504包括:
步骤S5041,按照预设规则将训练集划分为多个数据包。示例性地,预设规则可以是基于时间顺序确定的训练集划分规则。本申请实施例中,可以见训练集按照批大小划分为多个批次(多个数据包),批大小通常和样本数量相关,样本数据量较大,可设置成几百甚至上千;样本数据量较小,可设置成几十或者个位数。划分过程按照时间顺序进行。
步骤S5042,根据预设顺序依次将每个数据包输入预设神经网络模型,对预设神经网络模型进行训练,得到气象预报数据误差计算模型。示例性地,本申请实施例中,预设顺序可以是数据包的时间顺序,基于预设顺序将每个数据包输入到预设神经网络模型中,对该模型进行训练,训练采用自适应动量随机优化算法;所有训练数据历遍一次后,采用测试集进行模型测试,达到精度拟定要求或者最大迭代次数后,模型训练完成;否则重新历遍训练数据继续模型调参;如此进行多轮次迭代训练,直至模型精度达到设定要求,网络训练完成。
在本实施例中提供了一种气象预报数据修正方法,可用于上述的处理器,图6是根据本发明实施例的气象预报数据修正方法的流程图,如图6所示,该流程包括如下步骤:
步骤S601,获取待修正的模拟风要素序列数据。
示例性地,本申请实施例中,待修正的模型风元素数据可以是待修正点位的WRF模式输出的模拟风要素数据。
步骤S602,将待修正的模拟风要素序列数据输入到气象预报数据误差计算模型中,使得气象预报数据误差计算模型输出第二误差序列数据,气象预报数据误差计算模型通过如上述实施例中的气象预报数据误差计算模型构建方法构建得到。
示例性地,将待修正的模拟风要素数据输入到气象预报数据误差计算模型中,气象预报数据误差计算模型会计算得到第二误差序列数据。
步骤S603,基于第二误差序列数据以及待修正的模拟风要素序列数据计算得到修正后的模拟风要素序列数据。
示例性地,本申请实施例中,可以基于待修正的模拟风要素序列数据与第二误差序列数据的差值计算得到修正后的模拟风要素序列数据,具体计算过程可以如下式(8)所示:
(8)
其中,表示修正后的模拟风要素序列数据,/>表示待修正的模拟风要素序列数据,/>表示第二误差序列数据。
本发明提供的气象预报数据修正方法,利用气象预报数据误差计算模型可以计算得到待修正的模拟风要素序列数据的误差序列数据,基于误差序列数据对待修正的模拟风要素序列数据的误差进行修正,提高了气象预报数据的准确性。
下面通过一个具体的实施例对本发明提供的一种气象预报数据误差计算模型构建方法和气象预报数据修正方法进行说明。
实施例:
步骤1,获取某近海海域WRF模式模拟数据,选取100米高度逐10分钟模拟风速数据V备用,相应获取同一点位同一高度处的实测风速数据V r。
步骤2,将模拟数据V与实测数据V r求差,即可获得误差时间序列E。
步骤3,设定卷积神经网络模型结构,该模型选用1个卷积层、1个池化层,卷积核大小设置为3*3,个数为24,步长为1;池化窗口设置为2*2,采用平均池化法进行降维操作,池化步长为1;全连接层神经元数量选为32,输出层神经元选为1。
步骤4,针对WRF模式模拟风速数据V进行数据扩维操作,其中S设置为20,则可以形成如下式(9)所示的20*20二维数据:
(9)
进一步将V(t)进行时间序列整合,形成如下式(10)所示的数据:
(10)
步骤5,将获取的V'及E分别设置为卷积神经网络的输入数据源及输出数据源,并进一步按照统一时间尺度将输入输出数据划分成训练集与测试集。
步骤6,卷积神经网络的训练采用自适应动量随机优化算法,训练完成后,采用测试集对网络模拟效果进行测试。
步骤7,模型所输出的测试结果即可认定为模拟结果与实测数据间的模拟误差,通过将模拟结果与模拟误差求减,即可获取最终修正后的风速数据。
步骤8,为了进一步说明本发明的有效性,选用如下误差指标对最终修正效果进行评估:
(11)
(12)
其中,MAE为均方误差,RMSE为均方根误差,表示修正后的模拟风要素序列数据,V r(t)表示待修正的模拟风要素序列数据,/>为样本个数。
评估结果如表1中所示基于表1中结果可知,本发明所提的气象预报数据修正方法可有效的降低WRF模式模拟风速的误差。
表1
在本实施例中还提供了一种气象预报数据误差计算模型构建装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种气象预报数据误差计算模型构建装置,如图7所示,包括:
第一获取模块701,用于获取待修正点位的第一风要素序列数据以及第二风要素序列数据,第一风要素序列数据为待修正点位的模拟风要素序列数据,模拟风要素序列数据由气象预报模型模拟得到,第二风要素序列数据为待修正点位的实测风要素序列数据;
第一确定模块702,用于基于第一风要素序列数据以及第二风要素序列数据得到第一误差序列数据;
关联模块703,用于将第一风要素序列数据与第一误差序列数据进行关联,得到关联数据集;
训练模块704,用于基于关联数据集确定训练集,并利用训练集对预设神经网络模型进行训练,直至模型精度满足预设要求,得到气象预报数据误差计算模型。
在一些可选的实施方式中,第一获取模块701包括:
第一获取子模块,用于获取待修正点位的原始模拟风要素数据;
扩充自模块,用于对原始模拟风要素数据进行维度扩充,得到扩充后的多维数据;
整合子模块,用于将多维数据按时间顺序进行整合,得到第一风要素序列数据;
第二获取子模块,用于获取第一风要素序列数据中每一个时间点对应待修正点位的实测风要素数据;
第一确定子模块,用于基于每一个时间点对应待修正点位的实测风要素数据确定第二风要素序列数据。
在一些可选的实施方式中,预设神经网络模型包括卷积神经网络模型,预设神经网络模型包括至少一个卷积层、至少一个池化层以及全连接层。
在一些可选的实施方式中,上述装置还包括:
第二确定模块,用于基于关联数据集确定验证集;
第一计算模块,用于将验证集输入到气象预报数据误差计算模型中,使得气象预报数据误差计算模型输出预测结果;
验证模块,用于基于预测结果对气象预报数据误差计算模型的计算精度进行验证。
在一些可选的实施方式中,验证模块,包括:
计算子模块,用于基于气象预报数据误差计算模型输出的预测结果以及对应的模拟风要素数据计算修正后的气象预报数据;
确定子模块,用于基于修正后的气象预报数据以及验证集中的实测风要素序列数据确定修正效果评估数据;
评估子模块,用于基于修正效果评估数据对气象预报数据误差计算模型的计算精度进行评估。
本实施例提供一种气象预报数据误差计算模型构建装置,如图8所示,包括:
第二获取模块801,用于获取待修正的模拟风要素序列数据;
第二计算模块802,用于将待修正的模拟风要素序列数据输入到气象预报数据误差计算模型中,使得气象预报数据误差计算模型输出第二误差序列数据,气象预报数据误差计算模型通过如上述实施例中的气象预报数据误差计算模型构建方法构建得到;
第三计算模块803,用于基于第二误差序列数据以及待修正的模拟风要素序列数据计算得到修正后的模拟风要素序列数据。
上述各个模块和单元的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本实施例中的气象预报数据误差计算模型构建装置和气象预报数据修正装置是以功能单元的形式来呈现,这里的单元是指ASIC(Application Specific IntegratedCircuit,专用集成电路)电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
本发明实施例还提供一种计算机设备,具有上述图7所示的气象预报数据误差计算模型构建装置,或具有上述8所示的气象预报数据修正装置。
请参阅图9,图9是本发明可选实施例提供的一种计算机设备的结构示意图,如图9所示,该计算机设备包括:一个或多个处理器10、存储器20,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相通信连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个计算机设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图9中以一个处理器10为例。
处理器10可以是中央处理器,网络处理器或其组合。其中,处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路,可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件,现场可编程逻辑门阵列,通用阵列逻辑或其任意组合。
其中,存储器20存储有可由至少一个处理器10执行的指令,以使所述至少一个处理器10执行实现上述实施例示出的方法。
存储器20可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器20可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中,存储器20可选包括相对于处理器10远程设置的存储器,这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器20可以包括易失性存储器,例如,随机存取存储器;存储器也可以包括非易失性存储器,例如,快闪存储器,硬盘或固态硬盘;存储器20还可以包括上述种类的存储器的组合。
该计算机设备还包括通信接口30,用于该计算机设备与其他设备或通信网络通信。
本发明实施例还提供了一种计算机可读存储介质,上述根据本发明实施例的方法可在硬件、固件中实现,或者被实现为可记录在存储介质,或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中,存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等;进一步地,存储介质还可以包括上述种类的存储器的组合。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件,当软件或计算机代码被计算机、处理器或硬件访问且执行时,实现上述实施例示出的方法。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (11)
1.一种气象预报数据误差计算模型构建方法,其特征在于,所述方法包括:
获取待修正点位的第一风要素序列数据以及第二风要素序列数据,所述第一风要素序列数据为待修正点位的模拟风要素序列数据,所述模拟风要素序列数据由气象预报模型模拟得到,所述第二风要素序列数据为所述待修正点位的实测风要素序列数据;
基于所述第一风要素序列数据以及第二风要素序列数据得到第一误差序列数据;
将所述第一风要素序列数据与所述第一误差序列数据进行关联,得到关联数据集;
基于所述关联数据集确定训练集,并利用所述训练集对预设神经网络模型进行训练,直至模型精度满足预设要求,得到气象预报数据误差计算模型。
2.根据权利要求1所述的方法,其特征在于,获取待修正点位的第一风要素序列数据以及第二风要素序列数据的步骤,包括:
获取待修正点位的原始模拟风要素数据;
对所述原始模拟风要素数据进行维度扩充,得到扩充后的多维数据;
将所述多维数据按时间顺序进行整合,得到所述第一风要素序列数据;
获取第一风要素序列数据中每一个时间点对应待修正点位的实测风要素数据;
基于所述每一个时间点对应待修正点位的实测风要素数据确定第二风要素序列数据。
3.根据权利要求1所述的方法,其特征在于,所述预设神经网络模型包括卷积神经网络模型,所述预设神经网络模型包括至少一个卷积层、至少一个池化层以及全连接层。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述关联数据集确定验证集;
将所述验证集输入到所述气象预报数据误差计算模型中,使得所述气象预报数据误差计算模型输出预测结果;
基于所述预测结果对所述气象预报数据误差计算模型的计算精度进行验证。
5.根据权利要求4所述的方法,其特征在于,基于所述预测结果对所述气象预报数据误差计算模型的计算精度进行验证,包括:
基于所述气象预报数据误差计算模型输出的预测结果以及对应的模拟风要素数据计算修正后的气象预报数据;
基于修正后的气象预报数据以及所述验证集中的实测风要素序列数据确定修正效果评估数据;
基于所述修正效果评估数据对所述气象预报数据误差计算模型的计算精度进行评估。
6.根据权利要求1所述的方法,其特征在于,基于所述关联数据集确定训练集,并利用所述训练集对预设神经网络模型进行训练,直至模型精度满足预设要求,得到气象预报数据误差计算模型的步骤,包括:
按照预设规则将所述训练集划分为多个数据包;
根据预设顺序依次将每个数据包输入所述预设神经网络模型,对所述预设神经网络模型进行训练,得到气象预报数据误差计算模型。
7.一种气象预报数据修正方法,其特征在于,所述方法包括:
获取待修正的模拟风要素序列数据;
将所述待修正的模拟风要素序列数据输入到气象预报数据误差计算模型中,使得所述气象预报数据误差计算模型输出第二误差序列数据,所述气象预报数据误差计算模型通过如权利要求1至6任一项所述的气象预报数据误差计算模型构建方法构建得到;
基于所述第二误差序列数据以及所述待修正的模拟风要素序列数据计算得到修正后的模拟风要素序列数据。
8.一种气象预报数据误差计算模型构建装置,其特征在于,所述装置包括:
第一获取模块,用于获取待修正点位的第一风要素序列数据以及第二风要素序列数据,所述第一风要素序列数据为待修正点位的模拟风要素序列数据,所述模拟风要素序列数据由气象预报模型模拟得到,所述第二风要素序列数据为所述待修正点位的实测风要素序列数据;
第一确定模块,用于基于所述第一风要素序列数据以及第二风要素序列数据得到第一误差序列数据;
关联模块,用于将所述第一风要素序列数据与所述第一误差序列数据进行关联,得到关联数据集;
训练模块,用于基于所述关联数据集确定训练集,并利用所述训练集对预设神经网络模型进行训练,直至模型精度满足预设要求,得到气象预报数据误差计算模型。
9.一种气象预报数据修正装置,其特征在于,所述装置包括:
第二获取子模块,用于获取待修正的模拟风要素序列数据;
第二计算模块,用于将所述待修正的模拟风要素序列数据输入到气象预报数据误差计算模型中,使得所述气象预报数据误差计算模型输出第二误差序列数据,所述气象预报数据误差计算模型通过如权利要求1至5任一项所述的气象预报数据误差计算模型构建方法构建得到;
第三计算模块,用于基于所述第二误差序列数据以及所述待修正的模拟风要素序列数据计算得到修正后的模拟风要素序列数据。
10.一种计算机设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1至6中任一项所述的气象预报数据误差计算模型构建方法,或执行如权利要求7所述的气象预报数据修正方法。
11.一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上存储有计算机指令,所述计算机指令用于使计算机执行权利要求1至6中任一项所述的气象预报数据误差计算模型构建方法,或者执行如权利要求7所述的气象预报数据修正方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311256982.6A CN117009716A (zh) | 2023-09-27 | 2023-09-27 | 气象预报数据误差计算模型构建和气象预报数据修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311256982.6A CN117009716A (zh) | 2023-09-27 | 2023-09-27 | 气象预报数据误差计算模型构建和气象预报数据修正方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117009716A true CN117009716A (zh) | 2023-11-07 |
Family
ID=88569358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311256982.6A Pending CN117009716A (zh) | 2023-09-27 | 2023-09-27 | 气象预报数据误差计算模型构建和气象预报数据修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117009716A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227554A (zh) * | 2023-03-06 | 2023-06-06 | 中国长江三峡集团有限公司 | 一种气象数据的模拟数据修正方法及装置、电子设备 |
CN116595394A (zh) * | 2023-06-09 | 2023-08-15 | 阳光电源(上海)有限公司 | 风速修正模型的训练方法及风速预测方法、设备和介质 |
CN116663746A (zh) * | 2023-06-29 | 2023-08-29 | 神木县隆德矿业有限责任公司 | 一种电力负荷预测方法、装置、计算机设备及存储介质 |
-
2023
- 2023-09-27 CN CN202311256982.6A patent/CN117009716A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227554A (zh) * | 2023-03-06 | 2023-06-06 | 中国长江三峡集团有限公司 | 一种气象数据的模拟数据修正方法及装置、电子设备 |
CN116595394A (zh) * | 2023-06-09 | 2023-08-15 | 阳光电源(上海)有限公司 | 风速修正模型的训练方法及风速预测方法、设备和介质 |
CN116663746A (zh) * | 2023-06-29 | 2023-08-29 | 神木县隆德矿业有限责任公司 | 一种电力负荷预测方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109949290B (zh) | 路面裂缝检测方法、装置、设备及存储介质 | |
CN109492709A (zh) | 基于混合模型的数据预测方法及装置 | |
CN115859816A (zh) | 一种基于cnn-lstm算法的风功率分钟级预测方法及系统 | |
CN116227554A (zh) | 一种气象数据的模拟数据修正方法及装置、电子设备 | |
CN115239105A (zh) | 一种在役风电场的风资源的评估方法以及装置 | |
CN116523145B (zh) | 光伏功率超短期预测方法、装置、计算机设备及存储介质 | |
CN115689061B (zh) | 风电超短期功率预测方法及相关设备 | |
CN111177978B (zh) | 训练地面气象观测要素监测模型、质量检查方法及系统 | |
CN117009716A (zh) | 气象预报数据误差计算模型构建和气象预报数据修正方法 | |
CN110852415A (zh) | 基于神经网络算法的植被指数预测方法、系统及设备 | |
CN115796338A (zh) | 光伏发电功率预测模型构建及光伏发电功率预测方法 | |
CN115049317A (zh) | 一种风力资源评估工具的选择方法、装置及电子设备 | |
CN114911788A (zh) | 一种数据插补方法、装置及存储介质 | |
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 | |
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 | |
CN112163331A (zh) | 一种配网线路易损性计算方法及相关装置 | |
CN117150975B (zh) | 一种水动力模型参数优化、水动力过程模拟方法及装置 | |
CN116226608B (zh) | 海洋数值模式中海洋参数订正方法、装置及电子设备 | |
CN116975646A (zh) | 一种风要素数据修正方法、装置、计算机设备及存储介质 | |
CN117390593B (zh) | 一种基于辐射计数据的海表参量确定方法以及设备 | |
CN116719103B (zh) | 水文集合预报构建方法、装置、计算机设备及存储介质 | |
CN116541726B (zh) | 用于植被覆盖度估算的样本量确定方法、装置及设备 | |
CN117435870B (zh) | 一种负荷数据实时填充方法、系统、设备和介质 | |
CN117633491B (zh) | 气动数据不确定度量化评估方法、电子设备及存储介质 | |
CN116706906B (zh) | 一种光伏电站输出功率的预测方法、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 |