CN117076738A - 基于变网格模型的中长期气象预测方法、系统及介质 - Google Patents

基于变网格模型的中长期气象预测方法、系统及介质 Download PDF

Info

Publication number
CN117076738A
CN117076738A CN202310826801.2A CN202310826801A CN117076738A CN 117076738 A CN117076738 A CN 117076738A CN 202310826801 A CN202310826801 A CN 202310826801A CN 117076738 A CN117076738 A CN 117076738A
Authority
CN
China
Prior art keywords
prediction
weather
medium
deviation
forecast
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
Application number
CN202310826801.2A
Other languages
English (en)
Inventor
李矜霄
李嗣源
颜子翔
臧钰歆
陆松柳
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.)
Shanghai Investigation Design and Research Institute Co Ltd SIDRI
Original Assignee
Shanghai Investigation Design and Research Institute Co Ltd SIDRI
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 Shanghai Investigation Design and Research Institute Co Ltd SIDRI filed Critical Shanghai Investigation Design and Research Institute Co Ltd SIDRI
Priority to CN202310826801.2A priority Critical patent/CN117076738A/zh
Publication of CN117076738A publication Critical patent/CN117076738A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • Environmental & Geological Engineering (AREA)
  • Algebra (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Environmental Sciences (AREA)
  • Computational Linguistics (AREA)
  • Ecology (AREA)
  • Biomedical Technology (AREA)
  • Atmospheric Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于变网格模型的中长期气象预测方法、系统及介质，其中，所述方法包括：基于初始预测数据以及回算数据获取气象产品；基于预设的订正算法对所述气象产品进行偏差订正，得到预测结果；基于订正后的所述预测结果进行评价，待评价结果满足需求目标时，输出所述预测结果。本发明具有计算效率高、集合样本多的特点，提升了预报的精细化程度及预报效率，并且采用传统统计+人工智能混合订正方法，可大大提升预测精度，满足新能源发展对中长期气象预报预测产品的需求。

Description

基于变网格模型的中长期气象预测方法、系统及介质
技术领域
本发明涉及气象预测技术领域，特别是涉及一种基于变网格模型的中长期气象预测方法、系统及介质。
背景技术
由此提出将多余的风电送到负荷中心进行消纳这一方式，而这样将风电基地的风电跨区域的输送到负荷中心涉及到的风电量非常大，若定制短时电力交易，对电力系统调度运行影响太大，无法实施，所以需要定制长周期的电力交易。因此，需要对大风电基地所在区域的风电进行中长期发电量预测，以便为跨区域、长周期电力交易的有效实施提供依据。
对于目前中长期风资源预测，按照短期预测的思路，如果从数值天气预报出发，再利用算法预报中长期风资源，虽然可以得到相应时间尺度的气象预报，但是精度和准确性都较低，因此中长期预测不能照搬短期预测的办法，又例如使用全球均匀网格模式，也无法实现高分辨率(10km)长时间多集合积分预报，计算量极大，以及基于全球均匀网格模式进行S2S(Sub-seasonal to Seasonal)季节预测，动力预测技巧偏低，不能满足实际生产生活需求。
发明内容
本发明的目的在于提供一种基于变网格模型的中长期气象预测方法、系统及介质，用于解决中长期气象预测的问题。
第一方面，本申请提供了一种基于变网格模型的中长期气象预测方法，所述方法包括：
基于初始预测数据以及回算数据获取气象产品；
基于预设的订正算法对所述气象产品进行偏差订正，得到预测结果；
基于订正后的所述预测结果进行评价，待评价结果满足需求目标时，输出所述预测结果。
在本申请一个可能的实现方式中，所述基于初始预测数据以及回算数据获取气象产品，具体包括：
获取预测系统实时预测的所述初始预测数据以及所述回算数据；
基于所述初始预测数据进行变网格通用标准化作业，并基于标准化作业结果作为所述变网格模型的边界强迫场；
基于预设权重对边界强迫场内的初始预测数据进行降尺度作业，并修正尺度偏差；
基于所述回算数据进行概率预报以及异常预报，并结合修正尺度偏差后的所述初始预测数据得到所述气象产品，其中，所述气象产品包括至少一种气象要素。
在本申请一个可能的实现方式中，所述基于预设的订正算法对所述气象产品进行偏差订正，得到预测结果，具体包括：
获取所述订正算法，其中，所述订正算法至少包括分类气象要素偏差订正算法、卡尔曼滤波偏差订正算法、相似法偏差订正算法、贝叶斯偏差订正算法、经验正交函数分解偏差订正算法以及深度学习偏差订正算法；
基于分类气象要素偏差订正算法、经验正交函数分解偏差订正算法以及深度学习偏差订正算法来对所述气象产品进行订正；
基于卡尔曼滤波偏差订正算法、相似法偏差订正算法以及贝叶斯偏差订正算法来订正所述变网格模型。
在本申请一个可能的实现方式中，基于所述分类气象要素偏差订正算法对所述气象产品进行订正，具体包括：
订正气温预报偏差，其中，气温订正对象包括平均气温、日最高气温以及日最低气温；
订正降水预报偏差，其中，订正的降水参数包括预报降水频率以及观测降水频率；
订正风速预报偏差，其中，风速订正对象包括逐时平均风速风向，最大风速风向。
在本申请一个可能的实现方式中，基于卡尔曼滤波偏差订正算法订正所述变网格模型，具体包括：
更新模式误差以调整偏差尺度，其中包括估算模式预报偏差，以及确定权重平均后的模式预报偏差；
获取误差订正系数，基于所述误差订正系数订正所述变网格模型。
在本申请一个可能的实现方式中，所述基于深度学习偏差订正算法订正所述气象产品，具体通过长短期记忆神经网络模型对时间序列进行处理分析以订正所述气象产品。
在本申请一个可能的实现方式中，所述基于订正后的所述预测结果进行评价，待评价结果满足需求目标时，输出所述预测结果，具体包括：
基于所述气象产品中的地面非降水要素获取第一气象预报评分；
基于所述气象产品中的降水要素获取第二气象预报评分；
基于所述第一气象预报评分以及所述第二气象预报评分得到所述评价结果，其中，当所述评价结果满足所述需求目标时，输出对应的所述预测结果。
第二方面，本申请提供了一种基于变网格模型的中长期气象预测系统，所述系统包括：
获取模块，用于基于初始预测数据以及回算数据获取气象产品；
订正模块，用于基于预设的订正算法对所述气象产品进行偏差订正，得到预测结果；
评价模块，用于基于订正后的所述预测结果进行评价，待评价结果满足需求时，输出所述预测结果。
第三方面，本申请提供了一种上述的计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述基于变网格模型的中长期气象预测方法。
第四方面，本申请提供了一种上述的电子设备，所述电子设备包括：处理器及存储器；其中，所述存储器用于存储计算机程序，所述处理器用于加载执行所述计算机程序，以使所述电子设备执行所述的基于变网格模型的中长期气象预测方法。
如上所述，本发明的基于变网格模型的中长期气象预测方法、系统及介质，具有计算效率高、集合样本多的特点，提升了预报的精细化程度及预报效率，并且采用传统统计+人工智能混合订正方法，可大大提升预测精度，满足新能源发展对中长期气象预报预测产品的需求。
附图说明
图1显示为本发明的基于变网格模型的中长期气象预测方法于一实施例中的方法步骤示意图；
图2显示为本发明的基于变网格模型的中长期气象预测方法于一实施例中的方法步骤示意图；
图3显示为本发明的基于变网格模型的中长期气象预测方法于一实施例中的方法步骤示意图；
图4显示为本发明的基于变网格模型的中长期气象预测方法于一实施例中的方法步骤示意图；
图5显示为本发明的基于变网格模型的中长期气象预测方法于一实施例中的方法步骤示意图；
图6显示为本发明的基于变网格模型的中长期气象预测方法于一实施例中的方法步骤示意图；
图7显示为本发明的基于变网格模型的中长期气象预测方法于一实施例中的训练流程示意图；
图8显示为本发明的基于变网格模型的中长期气象预测系统于一实施例中的结构示意图；
图9显示为本发明一实施例中电子设备的结构示意图。
元件标号说明
S102～S106 步骤
S202～S208 步骤
S302～S306 步骤
S402～S406 步骤
S502～S504 步骤
S602～S606 步骤
80 基于变网格模型的中长期气象预测系统
81 获取模块
82 订正模块
83 评价模块
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
对于风资源的预测属于风能资源开发规划最为关键的一步，评估、预测某一地区长期风资源气象参数，有利于加以确定区域风能资源储量，同时也能为风电场选址、风力发电机组选型以及方案制定等提供强有力参考依据。风能资源预测评估结果对国家和地方政府制定风电发展规划、评估风电场效益以及长期电力交易都至关重要。
在风电场建设的初期，对区域风资源进行评估和预测是很有必要的。据分析，在风电场建设初期，需要提供选址地“1-3”年连续有效风资源气象信息，同时，由于风电场选址工作中需要考虑基础资料的收集、区域风能资源数值模拟、区域风能资源储量的估算，这使得业主方不得不投入大量的时间、人力、物力成本在该区域寻找合适的风场建设点。因此，风资源的中长期预测也在风电场建设的初期显得格外重要。更加精细化的区域风资源中长期预测可以缩短前期考察时间周期，节约时间成本，还可以为测风塔选址和风电场的最终选址提供科学依据。
不仅是在风电场建设的初期，在风电场建成使用后，风资源中长期的预测在长期电力交易上也起着十分重要的作用。风电的大规模并网对电力系统安全稳定运行的影响日益显著。风电发展与系统安全运行的矛盾也逐步显现。因此会造成一些弃风现象，导致能源浪费。因此，解决大规模风电消纳问题迫在眉睫。
进一步地，上述背景技术中说明的中长期预测不能照搬短期预测的方法，具体原因如下：①模式预报出的周、月、季节预报结果空间分辨率较低，大都大于50km。虽然可以采用降尺度的手段精细化，但动力降尺度代价较大，而统计降尺度需要很长时间的历史数据，几年的数据对于季节预测而言较短；②时间分辨率也较低，不同于短期天气预报的小时级别，其结果往往是月平均甚至是季节平均，而月平均风速与月平均风电的关系较差，光伏的情况也类似；③季节预报产品多为10m风速，而我们应用到风电上的多需要特定的风速预报；④中长期预测的误差大，模式存在明显的“漂移”现象。基于以上中长期气象要素预测的痛点和难点，中长期风资源的预测有极大的发展和提升空间。因此为加强对应的气象能力建设，发展气象核心技术，亟需研发一套可自主更新且掌握核心技术的预测机制，来以实现气象科技的自强自立。
其中，中长期风资源预测的基础源于目前中长期天气预测的发展，而目前中长期天气预测的关注点集中于“中长期预报”，一个世界难题，也被公认为现在无缝隙天气-气候预测系统发展的“缝隙”。随着经济社会快速发展，越来越多领域需要了解更长时间的天气预测信息。而在目前的天气气候预报业务中，周、月、季中长期的天气预报是“无缝隙预报”中的难点。由于理论研究尚不完备，使得中长期天气的准确预报还存在较多困难，但是对中长期预报业务的迫切需求使其成为国际关注的研究热点之一。周、月、季中长期预报是近20多年来的国际大气科学研究的难点，很多气象专家从不同的角度对中长期预报方法进行了研究。中长期预报困难的原因在于其预报时效超越了确定性预报的理论上限，而预报对象的时间尺度又小于气候预测的时间尺度。
世界气象组织下属的世界天气研究计划和世界气候研究计划于2013年联合发起了次季节到季节(Sub-seasonal to Seasonal,S2S)预测计划。欧洲中期天气预报中心ECMWF在其发布的“2025路线图”中提出，在10年内将高影响天气事件的有效预报时效提升至2周，大尺度环流形势及转折的预报时效提升至超前4周。美国国家科学院(NationalAcademy of Science,NAS)发布了未来2周至12个月的预测研究计划，目标是在10年内将次季节至季节尺度预测应用的广度和深度提升至目前天气预报的水平。美国国家海洋大气局(National Oceanic and Atmospheric Administration,NOAA)计划在已有的北美多模式集合预报系统基础上发展次季节到年际尺度的预报系统，并提供未来3～4周的预报服务。中国气象局在引发的“全面推进气象现代化行动计划(2018-2020年)”和“智能网格预报行动计划(2018-2020年)”中，明确提出将气象要素和重要天气过程的中长期预报列为重点任务和着力攻关的关键核心技术之一。
S2S(Sub-seasonal to Seasonal)预测比逐天气预报的时效更长，大气初始信息的贡献持续衰减；较短期气候预测的时效更短，海温、积雪、土壤湿度等下垫面信号的作用还显现得不够充分，这使得中长期的可预报性与天气预报和短期气候预测可预报性存在显著不同，它的可预报性信号既来自于初始条件，也与下垫面有关。初始条件和边界条件的误差与预报时效密切相关。大量研究表明：该预报时段存在一些潜在的可预报性来源，如热带低频振荡和北半球夏季大气季节内振荡、热带海洋大气相互作用、平流层和对流层相互作用、土壤湿度、积雪和海冰以及热带-热带外遥相关等，都为该时段的预报提供了科学基础。
在大气环流模式(General Circulation Model,GCM)建立之后，许多学者利用此模式进行了大量的月动力中长期预报。随着对气候系统的认识不断加深，尤其是对中长期可预报信息的认识不断深入，例如“10-90”天低频信号等，为中长期预报提供了发展基础。最近十多年来，资料同化技术和模式的性能都有了很大的提高，集合预报技术得到了广泛应用，都为提高中长期预报技巧提供了有利条件。因此，世界上主要的数值预报中心再次对中长期预报投入了极大的研究热情，并逐步发展了自己的业务或准业务动力中长期预报系统。
虽然目前理论基础尚不完备，但对中长期预报的研究还是存在很多可用的预报因子，根据现有的研究，ISO，MJO和平流层的信号等低频信号是中长期天气的主要可预报性来源。随着卫星遥感等多种观测手段进步，近十年来气候观测获得的各种数据迅速增加，这些科学大数据反映和表征着复杂的自然现象与关系，可以看作是新的信号。目前中长期预报的方法主要为动力模式、经典统计、大数据方法以及动力和统计相结合的方法。
目前中长期风资源预测在实际工程项目中主要应用于风电场的选址、风功率的预测等方面，主要应用较多的还是在风功率的预测上。目前风功率预测正在茁壮发展，国外一些如丹麦、美国和德国等国家关于风电功率预测的理论研究早在20世纪90年代左右就已经开始，而且都已经完成了多种较为完善的可以应用到实际风场的预测软件。例如德国的WPMS预测软件、丹麦技术大学研制的WPPT预测软件和丹麦国家实验室研制的Prediktor预测软件等。
德国的WPMS系统可以对单个风电场、区域性风电场和整个德国的风电功率进行预测。其中对前者的误差为风电场装机容量的“10％-15％”、对区域风电功率预测的误差为装机容量的“6％-7％”；对整个德国风电功率的预测误差为德国总风电装机容量的“5％-6％”。短期和超短期的预测精度更高。丹麦的WPPT软件的研制开发时间最早，在1994年和1999年就已经在丹麦本国的风电场中投入运行。该预测软件为区域性预测软件，通过对某一范围内所有的风电机组发出功率的监测值和风速及温湿度等数值预报的预测情况能够较为精确的预测到该地区范围内的风力发电量。Prediktor预测是一种通过对风速的预测情况来预测风电功率的软件。首先是由数值天气预报系统提供的风速分布情况，再由WASP系统进行更加精确的风机所处地理位置情况分析，如风机高度和粗糙集等情况来确定更加精确的风速预测值，再通过风速预测情况来预测发电量。
请参阅图1，于发明一实施例中，本发明的基于变网格模型的中长期气象预测方法包括如下步骤：
步骤S102，基于初始预测数据以及回算数据获取气象产品；
步骤S104，基于预设的订正算法对所述气象产品进行偏差订正，得到预测结果；
步骤S106，基于订正后的所述预测结果进行评价，待评价结果满足需求目标时，输出所述预测结果。
需要说明的是，所述基于初始预测数据以及回算数据获取气象产品，如图2所示，具体包括如下步骤：
步骤S202，获取预测系统实时预测的所述初始预测数据以及所述回算数据；
步骤S204，基于所述初始预测数据进行变网格通用标准化作业，并基于标准化作业结果作为所述变网格模型的边界强迫场；
步骤S206，基于预设权重对边界强迫场内的初始预测数据进行降尺度作业，并修正尺度偏差；
步骤S208，基于所述回算数据进行概率预报以及异常预报，并结合修正尺度偏差后的所述初始预测数据得到所述气象产品，其中，所述气象产品包括至少一种气象要素。
需要说明的是，所述预测系统包括我国的CMA-CPSv3以及美国CFS预测系统，其中，收集CMA-CPSv3及美国CFS预测系统实时预测数据及回算数据，对预测数据进行变网格通用forcing标准化制作，标准化后的CMA-CPSv3及美国CFS预测将同化到变网格模型中作为模型的边界强迫场，而后基于预设权重对边界强迫场内的初始预测数据进行降尺度作业并修正尺度偏差，从而基于所述回算数据进行概率预报以及异常预报，并结合修正尺度偏差后的所述初始预测数据得到所述气象产品。
具体地，在起报时次，使用当日CFS/CMA模式f000时分析场数据作为模式初始场，使用时间滞后扰动发及参数初值扰动法产生预测集合，在一实施例中，可产生“16”个预测集合，预测集合先按照“50％”权重用CMA-CPSv3及CFS作为边界强迫进行降尺度，变网格模型通过大圆牛顿松弛迭代算法将CMA-CPSv3及CFS数据同化进入模式积分修正大尺度偏差，相应地，实时预测采用与ECMWF同步的on the fly方法，在一实施例中，在实时预测的同时补充运行近“20”年的回算，例如起报日期为“2023年1月1日”起报，在进行实时预测的同时，补跑“2003年-2023年”的回算得到所述回算数据，以用于最终进行概率预报及异常预报，最后优化CMA-CPSv3及CFS强迫场使用的比重，形成“6-10KM”分辨率逐日滚动更新的“11-60”天逐日(候、旬)多气象要素集合预测的所述气象产品，相应地，所述气象产品包括至少一种气象要素，例如风、雨、温度等等。
进一步地，于发明一实施例中，如图3所示，所述基于预设的订正算法对所述气象产品进行偏差订正，得到预测结果，具体包括如下步骤：
步骤S302，获取所述订正算法，其中，所述订正算法至少包括分类气象要素偏差订正算法、卡尔曼滤波偏差订正算法、相似法偏差订正算法、贝叶斯偏差订正算法、经验正交函数分解偏差订正算法以及深度学习偏差订正算法；
步骤S304，基于分类气象要素偏差订正算法、经验正交函数分解偏差订正算法以及深度学习偏差订正算法来对所述气象产品进行订正；
步骤S306，基于卡尔曼滤波偏差订正算法、相似法偏差订正算法以及贝叶斯偏差订正算法来订正所述变网格模型。
需要说明的是，对所述气象产品进行偏差订正，订正方法包括分类气象要素偏差订正、卡尔曼滤波偏差订正、相似法偏差订正、贝叶斯方法偏差订正、EOF偏差订正、深度学习订正技术等，其中，如图4所示，基于所述分类气象要素偏差订正算法对所述气象产品进行订正，具体包括如下步骤：
步骤S402，订正气温预报偏差，其中，气温订正对象包括平均气温、日最高气温以及日最低气温；
步骤S404，订正降水预报偏差，其中，订正的降水参数包括预报降水频率以及观测降水频率；
步骤S406，订正风速预报偏差，其中，风速订正对象包括逐时平均风速风向，最大风速风向。
需要说明的是，针对气温预报偏差订正，订正对象包括平均气温、日最高气温以及日最低气温，采用的方法有递减平均法、一元线性回归法、平均法、双权重平均法。
其中，递减平均法是一种自适应的误差订正方法，通过滞后平均来降低误差尺度，订正原理如下：
B(t)＝(1-ω)B(t-1)+ωb(t)；
其中，B(t)为滞后平均误差，b(t)为预报误差，b(t)＝f(t)-a(t)，f(t)为预报值，a(t)为实况分析值；B(t-1)为前一日平均误差；ω为权重系数。
具体地，(1)当t＝1时实行冷启动，即B(t-1)＝0；(2)计算过去60天训练期的最优权重系数ω；(3)按照公式计算滞后平均误差B(t)；(4)重复步骤(3)，经过60天训练期的迭代累加后，得到的误差已经趋于稳定，并能在一定程度上表征系统误差；(5)用当前预报值减去最新的滞后平均误差B(t)，得到订正后的预报值，而权重系数ω的大小反映了订正模型对误差记忆能力的大小，直接影响订正的结果。本方法采用逐步递增方案，权重系数在“0-1”以“0.001”步长递增循环计算未来“3”天不同预报时效每个网格点过去“60”天气温预报准确率，找出各预报时效各格点最高评分对应的权重系数构成权重系数数组。
其中，一元线性回归是分析只有一个自变量(自变量x和因变量y)线性相关关系的方法。气象上的连续随机变量经常符合正态分布，所以经常使用线性回归方程：y＝ax+b，其中，a为回归系数，b为常数，当a为正(负)时，表示要素在计算的时段内线性增加(减弱)。
以及平均法根据每个测站的观测增量分别对各站预报进行订正，公式如下：
其中，为观测2m温度，/>为插值到站点的预报温度，k为站点序号，n为观测时次，/>为订正后预报场，/>为订正前预报场。
最后，双权重平均法根据观测增量的双权重平均分别对每个站的预报进行订正，通常与平均值类似，但可以减少离群资料对平均值的影响，公式如下：
其中，为第k个站的观测增量双权重平均，与权重/>有关。
进一步地，针对降水预报偏差订正，订正采用的方法包括递减平均法、频率或面积方法，其中，用于订正的降水参数包括预报降水评论以及观测降水频率，具体地，以递减平均方法为例，统计当天的预报降水频率和观测降水频率：
其中，表示当天降水频率平均值，at表示当天降水频率，w表示前一天降水频率的权重系数，/>表示前一天降水频率平均值。
根据统计的预报和实况前期在不同阈值条件下降水出现的频率(可以使空间上或者时间上的或二者兼用)，针对某一阈值，假定它在预报中出现的频率应该同实况中出现的频率一致，那么预报中的降水应该被订正到同实况一致的降水量，这种保持出现频率一致的方法可称为“频率匹配法”。如果从空间上的分布来理解，频率的大小实际上就是空间范围的大小(站点或格点数的多少)，针对湿偏差或者干偏差情况分别对预报雨区进行调整，“频率匹配法”也可以称为“面积匹配法”，因此此法考虑了预报和实况雨区面积的一致性。
进一步地，针对风速预报偏差订正而言，订正对象包括对逐时平均风速风向、最大风速风向，采用的方法包括随机森林算法和支持向量机算法等算法，其中，随机森林算法是一个包含多个决策树的分类器，通过模式输出的各类气象要素建立特征向量为输入，以该特征向量对应的风速大小作为预测结果，通过训练样本进行拟合并用于模式风速预测结果的订正。随机森林建模过程如下：定义风速预测训练集合X→Y，其中，Y为预测模型中的真实值，X为其他气象要素所建立的特征向量In→X；在确定训练集的基础上，建立单棵回归决策树，通过训练样本中的特征向量In与其对应真实值Y，对分裂变量和分裂值进行搜素，回归决策树将整个向量空间分为m个分区{R1,R2,…,Rm}。对于其中任意分区可以映射为模型Cm，通过某个特征的取值将向量空间分为两部分，表达式为：
R1(j,s)＝{I|Ij≤s}；
R2(j,s)＝{I|Ij>s}；
式中，j代表一个影响因子，s代表进行分裂时的值。进行向量空间分裂变量和分裂值搜素的目标函数为：
式中，z为风速实值的最小方差，yi为第i个样本的风速实值，xi为第i个样本的影响因子向量对应值，c1为第一部分风速实值均值，c2为第二部分风速实值均值；以及在单棵决策树的构建基础上，构建整个随机森林。生成的随机森林是多元非线性回归分析模型，预测值是所有决策树预测值的平均值。
进一步地，在订正所述气象产品时，还包括对于短波辐照度、海平面气压以及相对湿度偏差进行订正，其中，采用消除偏差方法对模式预报结果进行逐时订正.对每一时刻，分别是一段时间内模式预报和观测值的平均值，Fi、Yi分别是第i天的模式预报值和偏差订正的结果，公式如下：/>而采用模式输出统计(Model Output Statics，MOS)方法进行订正，选择每日06-19时与预报对象同期相关的映射到站点经纬度的模式输出预报因子(X1、X2、X3、…)，与总辐射观测(Y)建立统计关系式，为了消除辐射的日间变化特征，对每一时刻分别建立预报方程，进行逐时订正。
进一步地，于发明一实施例中，如图5所示，基于卡尔曼滤波偏差订正算法订正所述变网格模型，具体包括如下步骤：
步骤S502，更新模式误差以调整偏差尺度，其中包括估算模式预报偏差，以及确定权重平均后的模式预报偏差；
步骤S504，获取误差订正系数，基于所述误差订正系数订正所述变网格模型。
需要说明的是，卡尔曼滤波方法算法简捷，处理快速，具有订正系统误差的能力。系统误差是通过对模式预报偏差不断更新，并对不同时段预报偏差值加权平均而得到的(Kalman R.E.,1960)。其由于不需要模式误差较长时间的统计规律而非常适用于模式系统的频繁升级和误差规律的不断变化，使得其在气象业务部门得到广泛的应用。因此采用卡尔曼滤波方法，对具有高斯分布特性的变量进行偏差估算后，做相应的一阶偏差订正。首先对此方法对误差订正的效果进行分析和试验。
具体地，一阶自适应的卡尔曼滤波方法，是通过不断对模式误差进行更新，而获得当时时刻的误差估计值，来降低偏差尺度，用于克服变网格模型自身噪声的干扰，其中包括估算模式预报偏差，公式如下：bi,j(t)＝fi,j(t)–ai,j(t)，其中，bi,j(t)为格点预报偏差，定义为检验区格点预报场资料fi,j(t)与对应的分析场场资料的差异ai,j(t)，而bi,j(t)是随预报时效变化的，以及确定权重平均后的模式预报偏差。利用逼近法确定权重平均的模式预报偏差，公式如下：Bi,j(t)＝(1–w)Bi,j(t-1)+w bi,j(t)，其中，Bi,j(t)定义为权重平均后的模式预报偏差估算值，是通过对两个不同时段的模式预报偏差加权平均而获得。使用离散逼近法,模式预报偏差估算值随时被更新。对这种时变加权预报平均误差研究表明,选择合适的权重因子w可帮助提取有用的预报偏差信息,确定最优系统平均加权误差，极大的提高预报准确率。以及对模式预报误差进行订正，公式如下：Fi,j(t)＝fi,j(t)-Bi,j(t)，其中，利用系统平均加权误差Bi,j(t)对最新模式预报fi,j(t)进行预报误差订正，模式预报误差订正过程是针对不同预报时效，所有网格点进行的。
进一步地，对误差订正系数进行选取，具体地，对于自适应的卡尔曼滤波的订正方程Bt＝μ*(F-A)+(1-μ)*Bt-1，式中μ决定了近期多长时间段的样本将对当天的预报订正产生影响，不同的μ对应不同的权重变化曲线，对于不同的μ，曲线衰减速度是不同的，μ越大，衰减越快；另外，对不同的μ，同一天的样本资料对递减平均偏差的影响是不同的，μ越大，临近日期的样本所占的权重越大，距离订正日期时间较长的样本所占的权重越小；反之亦然。模式的不同网格点、不同的预报时次、不同的物理量以及不同的天数都对应不同的递减平均偏差。目前，在实际应用时，μ通常的取法如下：通过试验分别取μ为0.01、0.02、0.03、……、0.99，比较所有点总的预报误差，使其达到最小来确定μ，它是不随时间、预报时效和位置改变的常值。
进一步地，上述实施例中说明了对变网格模型进行订正时，还可以通过相似法偏差订正算法以及贝叶斯偏差订正算法来进行订正，其中，所述相似法偏差订正即是利用模型预报场的相似性来订正当前变网格模型的系统误差，而贝叶斯偏差订正算法同样也是对变网格模型自身进行订正，具体的细节部分对于本领域技术人员而言是通用算法，在此不做赘述。
进一步地，于发明一实施例中，如图6所示，基于订正后的所述预测结果进行评价，待评价结果满足需求目标时，输出所述预测结果，具体包括如下步骤：
步骤S602，基于所述气象产品中的地面非降水要素获取第一气象预报评分；
步骤S604，基于所述气象产品中的降水要素获取第二气象预报评分；
步骤S606，基于所述第一气象预报评分以及所述第二气象预报评分得到所述评价结果，其中，当所述评价结果满足所述需求目标时，输出对应的所述预测结果。
需要说明的是，对于地面非降水因素，包括例如“2m气温、10m风速以及2m湿度”等气象变量，针对次季节的预测，获取的第一气象预报评分的具体项目则包括了平均绝对误差、均方根误差、距平相关系数以及气温预报准确率，而对于月季预测，评分的具体项目则包括了距平相关系数，对应获取到的所述第一气象预报评分(PS评分)计算式如下：
其中，N0为气候趋势预测正确的站数，N1为一级异常预测正确的站数，N2为二级异常预测正确的站数，M为没有预报二级异常而实况出现气温距平≥3℃或≤-3℃的站数，a、b和c分别为气候趋势项、一级异常项和二级异常项的权重系数，在一实施例中，可以取a＝2，b＝2，c＝4。
进一步地，对于降水要素而言同样需要计算PS得分，因此与所述第一气象预报评分的PS计算式一致，但是对于第二气象预报的场景而言，对应的M为没有预报二级异常而实况出现降水距平百分率≥100％或等于-100％的站数(也称漏报站)，通过对应的PS评分进行计算得到所述第二气象预报评分，从而可以基于所述第一气象预报评分以及所述第二气象预报评分得到所述评价结果，其中，当所述评价结果满足所述需求目标时，输出对应的所述预测结果，其中，预测结果评分综合考虑非降水要素及降水要素的PS评分，对不同气象要素评分结果进行加权平均，得到变网格模式综合预测技巧。
进一步地，于发明一实施例中，所述基于深度学习偏差订正算法订正所述气象产品，具体通过长短期记忆神经网络模型对时间序列进行处理分析以订正所述气象产品，具体地，本申请提出的长短期记忆神经网络模型是四层多记忆门神经网络，在传统长短期记忆神经网络(LSTM)的改良版本，同时考虑了气象数据的空间卷积，通过引入多记忆门，可以同时将气象站点、格点再分析资料、预测数据、卫星数据的长时间记忆性同时融入到模型训练中，选择ADAM和MSE+MAE算子作为模式训练的损失函数，初始学习率为“le-4”，每一层LSTM的学习通道是“192”个，卷积核尺寸为“3”。通过“3:7”的比例区分验证集及训练集，最终得到训练后的mmLSTM预测模型，通过评估预测模型预测技巧，检验模型训练程度，最终改进优化神经网络模型，训练流程图如图7所示。
需要说明的是，长短期记忆神经网络(LSTM)对处理时间序列问题具有先天优势，且可以对模式预测产品进行订正，提升预测准确率，因此，可以通过长短期记忆神经网络模型对时间序列进行处理分析以订正所述气象产品。其中，上述实施例中说明了还可以通过经验正交函数分解偏差订正算法来订正所述气象产品，具体地，经验正交函数分析方法(empirical orthogonal function，缩写EOF)也称特征向量分析(eigenvectoranalysis)，或者主成分分析(principal component analysis)，是一种分析矩阵数据中的结构特征，提取主要数据特征量的一种方法，因此在实际作业过程中，也可以通过经验正交函数偏差订正算法即通过EOF来进行气象产品的订正，相应地，EOF算法对于本领域技术人员而言也是通用算法，在此不做赘述。
本申请实施例还提供一种基于变网格模型的中长期气象预测系统，所述基于变网格模型的中长期气象预测系统可以实现本申请所述的基于变网格模型的中长期气象预测方法，但本申请所述的基于变网格模型的中长期气象预测方法的实现装置包括但不限于本实施例列举的基于变网格模型的中长期气象预测系统的结构，凡是根据本申请的原理所做的现有技术的结构变形和替换，都包括在本申请的保护范围内。
请参阅图8，在一实施例中，本实施例提供的一种基于变网格模型的中长期气象预测系统80，所述系统包括：
获取模块81，用于基于初始预测数据以及回算数据获取气象产品；
订正模块82，用于基于预设的订正算法对所述气象产品进行偏差订正，得到预测结果；
评价模块83，用于基于订正后的所述预测结果进行评价，待评价结果满足需求时，输出所述预测结果。
由于本实施例的具体实现方式与前述方法实施例对应，因而于此不再对同样的细节做重复赘述，本领域技术人员也应当理解，图8实施例中的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个或多个物理实体上，且这些模块可以全部以软件通过处理元件调用的形式实现，也可以全部以硬件的形式实现，还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。
参阅图9，本实施例提供一种电子设备，详细的，电子设备至少包括通过总线连接的：存储器、处理器，其中，存储器用于存储计算机程序，处理器用于执行存储器存储的计算机程序，以执行前述方法实施例中的全部或部分步骤。
综上所述，本发明具有计算效率高、集合样本多的特点，提升了预报的精细化程度及预报效率，并且采用传统统计+人工智能混合订正方法，可大大提升预测精度，满足新能源发展对中长期气象预报预测产品的需求。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置或方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅是示意性的，例如，模块/单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或单元可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的模块/单元可以是或者也可以不是物理上分开的，作为模块/单元显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块/单元来实现本申请实施例的目的。例如，在本申请各个实施例中的各功能模块/单元可以集成在一个处理模块中，也可以是各个模块/单元单独物理存在，也可以两个或两个以上模块/单元集成在一个模块/单元中。
本领域普通技术人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本申请实施例还提供了一种计算机可读存储介质。本领域普通技术人员可以理解实现上述实施例的方法中的全部或部分步骤是可以通过程序来指令处理器完成，所述的程序可以存储于计算机可读存储介质中，所述存储介质是非短暂性(non-transitory)介质，例如随机存取存储器，只读存储器，快闪存储器，硬盘，固态硬盘，磁带(magnetic tape)，软盘(floppy disk)，光盘(optical disc)及其任意组合。上述存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc，DVD))、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
本申请实施例还可以提供一种计算机程序产品，所述计算机程序产品包括一个或多个计算机指令。在计算设备上加载和执行所述计算机指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机或数据中心进行传输。
所述计算机程序产品被计算机执行时，所述计算机执行前述方法实施例所述的方法。该计算机程序产品可以为一个软件安装包，在需要使用前述方法的情况下，可以下载该计算机程序产品并在计算机上执行该计算机程序产品。
上述各个附图对应的流程或结构的描述各有侧重，某个流程或结构中没有详述的部分，可以参见其他流程或结构的相关描述。
上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。

Claims (10)

1.一种基于变网格模型的中长期气象预测方法，其特征在于，所述方法包括：
基于初始预测数据以及回算数据获取气象产品；
基于预设的订正算法对所述气象产品进行偏差订正，得到预测结果；
基于订正后的所述预测结果进行评价，待评价结果满足需求目标时，输出所述预测结果。
2.根据权利要求1所述的基于变网格模型的中长期气象预测方法，其特征在于，所述基于初始预测数据以及回算数据获取气象产品，具体包括：
获取预测系统实时预测的所述初始预测数据以及所述回算数据；
基于所述初始预测数据进行变网格通用标准化作业，并基于标准化作业结果作为所述变网格模型的边界强迫场；
基于预设权重对边界强迫场内的初始预测数据进行降尺度作业，并修正尺度偏差；
基于所述回算数据进行概率预报以及异常预报，并结合修正尺度偏差后的所述初始预测数据得到所述气象产品，其中，所述气象产品包括至少一种气象要素。
3.根据权利要求2所述的基于变网格模型的中长期气象预测方法，其特征在于，所述基于预设的订正算法对所述气象产品进行偏差订正，得到预测结果，具体包括：
获取所述订正算法，其中，所述订正算法至少包括分类气象要素偏差订正算法、卡尔曼滤波偏差订正算法、相似法偏差订正算法、贝叶斯偏差订正算法、经验正交函数分解偏差订正算法以及深度学习偏差订正算法；
基于分类气象要素偏差订正算法、经验正交函数分解偏差订正算法以及深度学习偏差订正算法来对所述气象产品进行订正；
基于卡尔曼滤波偏差订正算法、相似法偏差订正算法以及贝叶斯偏差订正算法来订正所述变网格模型。
4.根据权利要求3所述的基于变网格模型的中长期气象预测方法，其特征在于，基于所述分类气象要素偏差订正算法对所述气象产品进行订正，具体包括：
订正气温预报偏差，其中，气温订正对象包括平均气温、日最高气温以及日最低气温；
订正降水预报偏差，其中，订正的降水参数包括预报降水频率以及观测降水频率；
订正风速预报偏差，其中，风速订正对象包括逐时平均风速风向，最大风速风向。
5.根据权利要求3所述的基于变网格模型的中长期气象预测方法，其特征在于，基于卡尔曼滤波偏差订正算法订正所述变网格模型，具体包括：
更新模式误差以调整偏差尺度，其中包括估算模式预报偏差，以及确定权重平均后的模式预报偏差；
获取误差订正系数，基于所述误差订正系数订正所述变网格模型。
6.根据权利要求3所述的基于变网格模型的中长期气象预测方法，其特征在于，所述基于深度学习偏差订正算法订正所述气象产品，具体通过长短期记忆神经网络模型对时间序列进行处理分析以订正所述气象产品。
7.根据权利要求1所述的基于变网格模型的中长期气象预测方法，其特征在于，所述基于订正后的所述预测结果进行评价，待评价结果满足需求目标时，输出所述预测结果，具体包括：
基于所述气象产品中的地面非降水要素获取第一气象预报评分；
基于所述气象产品中的降水要素获取第二气象预报评分；
基于所述第一气象预报评分以及所述第二气象预报评分得到所述评价结果，其中，当所述评价结果满足所述需求目标时，输出对应的所述预测结果。
8.一种基于变网格模型的中长期气象预测系统，其特征在于，包括：
获取模块，用于基于初始预测数据以及回算数据获取气象产品；
订正模块，用于基于预设的订正算法对所述气象产品进行偏差订正，得到预测结果；
评价模块，用于基于订正后的所述预测结果进行评价，待评价结果满足需求时，输出所述预测结果。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至7任一项所述基于变网格模型的中长期气象预测方法。
10.一种电子设备，其特征在于，所述电子设备包括：处理器及存储器；其中，所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述电子设备执行如权利要求1至7中任一项所述基于变网格模型的中长期气象预测方法。
CN202310826801.2A 2023-07-06 2023-07-06 基于变网格模型的中长期气象预测方法、系统及介质 Pending CN117076738A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310826801.2A CN117076738A (zh) 2023-07-06 2023-07-06 基于变网格模型的中长期气象预测方法、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310826801.2A CN117076738A (zh) 2023-07-06 2023-07-06 基于变网格模型的中长期气象预测方法、系统及介质

Publications (1)

Publication Number Publication Date
CN117076738A true CN117076738A (zh) 2023-11-17

Family

ID=88705094

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310826801.2A Pending CN117076738A (zh) 2023-07-06 2023-07-06 基于变网格模型的中长期气象预测方法、系统及介质

Country Status (1)

Country Link
CN (1) CN117076738A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117609942A (zh) * 2023-11-22 2024-02-27 中山大学 一种热带气旋移动路径的估算方法及系统
CN118552005A (zh) * 2024-07-26 2024-08-27 山东港口科技集团烟台有限公司 一种码头预警管理系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117609942A (zh) * 2023-11-22 2024-02-27 中山大学 一种热带气旋移动路径的估算方法及系统
CN118552005A (zh) * 2024-07-26 2024-08-27 山东港口科技集团烟台有限公司 一种码头预警管理系统

Similar Documents

Publication Publication Date Title
Ghofrani et al. Time series and renewable energy forecasting
Poncela et al. Automatic tuning of Kalman filters by maximum likelihood methods for wind energy forecasting
CN110555561A (zh) 一种中长期径流集合预报方法
CN117076738A (zh) 基于变网格模型的中长期气象预测方法、系统及介质
CN111815027B (zh) 一种光伏场站发电功率预测方法及系统
CN112884601B (zh) 一种基于天气区划策略的电力系统运行风险评估方法
Liao et al. Ultra-short-term interval prediction of wind power based on graph neural network and improved bootstrap technique
CN111242355A (zh) 一种基于贝叶斯神经网络的光伏概率预测方法及系统
CN115965132A (zh) 基于ga-bp神经网络的分布式光伏数字孪生系统功率预测方法
CN114021830A (zh) 一种基于cnn-lstm的多时间范围风速预测方法
CN117909888B (zh) 智慧人工智能气候预测方法
Gupta et al. A review and evaluation of solar forecasting technologies
CN113984198B (zh) 一种基于卷积神经网络的短波辐射预测方法及系统
CN110046756B (zh) 基于小波去噪与Catboost的短时天气预报方法
CN116454875A (zh) 基于集群划分的区域风电场中期功率概率预测方法及系统
CN115481918A (zh) 一种基于源网荷储的单元状态主动感知及预测分析系统
CN115358060A (zh) 一种支持新能源发电功率高精度预测的高效算法框架
CN115238854A (zh) 一种基于tcn-lstm-am的短期负荷预测方法
Sulaiman et al. Long-term solar irradiance forecasting using multilinear predictors
CN112580899A (zh) 一种融合机器学习模型的中长期风力发电预测方法及系统
CN115936238B (zh) 一种全域风电中长期出力预测方法、系统、设备及介质
Sarkar et al. Bootstrap aggregating approach to short-term load forecasting using meteorological parameters for demand side management in the North-Eastern Region of India
CN115238967A (zh) 一种结合云图和相邻电站集群的光伏功率预测方法及装置
Bantupalli et al. Wind Speed forecasting using empirical mode decomposition with ANN and ARIMA models
Tascıkaraoglu Impacts of accurate renewable power forecasting on Optimum operation of power system

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