基于EC细网格与BP算法的辐照度预报及检验

在理想晴天天气下，可计算确定位置不同时刻的理论辐照度，但与实际辐照度在不同季节仍存在一定系统误差。利用易县某光伏电站近1年逐15 min实况，提出了一种基于理论辐照度的晴天天气下的系统误差订正方法，并进一步利用欧洲EC细网格预报资料及BP神经网络方法实现了未来24～48 h辐照度的逐15 min预测，得到以下结论：(1)晴天天气下，该系统误差订正方法可有效剔除实况资料中非晴天天气数据的影响，不同季节的平均绝对误差不超过该季节最大辐照度的5%;(2)对24～48 h逐15 min的辐照度预报，经不同季节检验，冬季误差68.5 W/m²、春季误差125.2 W/m²、夏季误差119.5 W/m²、秋季误差53.7 W/m²,对11月份的预报最为理想。该研究成果可有效降低人工筛选工作量，在服务中有很好的实用性和参考性，可作为光伏数值预报的一种有效数据源。     

太阳能光伏发电预报方法的应用效果检验与评价

基于湖北省气象新能源研究中心光伏电站一年完整的发电数据与同期气象资料,对辐射和发电功率短期预报方法进行检验分析,结果表明:(1)太阳辐射度预报与实况有很好的对应关系,相关系数在0.77以上,均通过a=0.001的显著性水平检验。(2)光伏发电功率预报的短期方法中,以模式辐照度订正值代入光电转换模型的方法最优,预报第一天的相对均方根误差为0.16。(3)太阳辐射预报及光伏发电功率预报随太阳高度角变化而呈一定的规律性,冬季中午误差最大,夏季晚上误差最小;阴雨天气误差明显高于晴天。如何降低阴雨天气预报时的误差将是下一步工作中需要研究的重点。     

基于机器学习的光伏功率预测模拟方法研究

为了丰富贵州西部光伏电站的功率预测思路与方法,利用2019—2021年贵州西部5个光伏电站发电功率、气象要素、卫星反演辐照度、地面观测辐照度数据,分析光伏功率的时间演变和与卫星反演辐照度、地面观测辐照度的相关性。利用前80%样本数据为测试集,剩余数据为预测模拟模型的检验集,利用机器学习中的BP、GRNN神经网络算法和测试集分别对5个电站建立光伏功率预测模拟模型。利用检验集和光伏电站的检验方法对各个模型进行效果验证,并对比不同算法不同站点间的预测模拟效果。结果表明,BP、GRNN算法在5个光伏电站的功率预测模拟中平均日准确率在90%左右,标准化均方误差在0.07～0.12,且FY-4A反演辐照度参与建立的光伏功率预测模拟模型较地面观测辐照度参与建立的模型效果更佳,能够为光伏功率预测提供一种参考方案和思路。     

EC细网格对黑龙江省日极端气温预报的误差分析

本文采用2013、2014(1-10月)年的EC细网格2 m气温预报资料,通过双线性插值方法对黑龙江省83个站点进行插值,得出EC细网格模式对于日极端气温的预报误差并进行分析。结果表明,EC细网格模式本身对于最高气温的预报准确率高于最低气温,预报误差具有显著的季节性变化特征,但不同的起报时间对误差的影响并不明显。EC细网格模式的预报误差符合正态分布,具有可订正性。     

2014年6—8月数值模式产品对山东气温预报的检验分析

为检验不同数值模式产品对山东不同站点2m日最高、最低气温24h预报效果,利用2014年6—8月逐3h的WRF-RUC、EnWRF确定性预报、不同集合百分位数、T639、中国气象局下发的T639-MOS解释应用产品以及EC细网格预报进行TS评分、误差等分析。结果表明：EC细网格对内陆最高气温预报准确率最高,EnWRF确定性预报次之,EC细网格和T639-MOS对内陆最低气温预报准确率最高。T639和EC细网格分别对沿海最高和最低气温预报准确率最高。对各模式单站气温预报进行最优模式分析发现,对于最高气温预报最优的模式为EC细网格和EnWRF确定性预报,分别集中在鲁西南和鲁北、鲁中和鲁东南。对于最低气温预报最优的模式为EC细网格和T639-MOS,T639-MOS主要对鲁中山区预报较好,其他地区两个模式预报效果基本相当。     

山东省2015年春季（2015年3—5月） 数值预报产品检验

根据短期天气预报质量检验办法,对2015年3月—2015年5月T639,EC细网格、WRF-RUC,WRF确定性预报(En WRF)及不同集合百分位、上海区域模式(BCSH)以及T639-MOS在山东省陆地120站和沿海12个精细海区的降水、日最大风速以及日最高最低气温预报进行检验,分析了不同数值模式产品的预报能力。     

山东省2015年冬季（2015年12月—2016年2月） 数值预报产品检验

根据短期天气预报质量检验办法,对2015年12月—2016年2月T639、EC细网格、WRF确定性预报（EnWRF）12km和4km分辨率、WRF集合不同分位数、上海区域模式（BCSH）以及中国气象局下发的指导预报T639-MOS在山东省陆地120站和沿海12个精细海区日最大风速和日最高最低气温预报进行检验,分析了不同数值模式产品的预报能力。     

基于ELM的风电场短期风速订正技术研究

风速预测是风电场风功率预测的基础,其准确度严重影响着风电场的运行效率。为了提高短期风速预测的准确性,本研究采用了WRF中尺度数值模式,对我国东部沿海某风电场的风速进行预报。在此基础上,利用极限学习机算法(ELM)对WRF模式预报的风速进一步订正。实验结果表明,WRF模式对风速、风向等气象要素有着较好的回报效果,利用ELM算法对WRF模式预报风速进行订正后,预报风速的误差进一步减小,相对均方根误差和相对平均绝对误差降低了20%～30%。与其他的智能算法(BP神经网络、SVM算法)对比分析后得出,ELM算法对WRF模式预报风速具有较好的订正效果,能够有效提高风速预报准确率。     

有限区域细网格模式产品在江汉平原暴雨预报中的应用

利用湖北省提供的有限区域细网格模式数值预报产品及降水实况资料，用逐步回归法拟合出江汉平原等区域暴雨方程。方程的拟合效果比较理想，此方程尚有待台站业务考核及改进。     

大连地区ECMWF细网格10 m风场与观测实况对比与检验

选取2016年1月至2018年12月ECMWF(简称EC)细网格10 m风资料,与大连地区8个国家气象观测站地面各类实况风速资料进行对比分析,得出EC 10 m风速预报与最大风速最为接近,与极大风速相关性最好,EC 10 m风速对大连地区8站整体预报平均偏大.通过对EC 10 m风速各预报时限资料与其对应的最大风速误差...     

影响光伏发电功率的气象因子分析及其预测检验

利用贵州省普安磨舍光伏电站2020年逐15 min的光伏发电功率、辐射资料与气象站资料，对光伏发电功率变化特征及影响光伏发电功率的气象因子进行分析，建立了光伏发电功率的预测模型，并利用CFSv2模式资料开展月内预测检验。结果表明：光伏电站发电功率呈现早晚低、中午高的单峰型日变化特征，其中春季发电功率值最大，夏季次之，冬季最小。影响光伏发电功率最关键的气象因子为总辐射和日照时数，其相关系数均在0.9以上。5种组合的线性回归预测模型检验结果显示，利用平均气温、最高气温、日较差建立的预测模型预测效果最好，而利用单一气象因子的预测效果最差。为增加光伏发电功率的预测准确率，可根据预测服务需求，并用延伸期模式资料开展光伏发电功率滚动订正预测。     

合肥市大雾预报方法建立与应用

利用主成分分析方法对2012～2014年合肥市高速公路沿线交通气象站日最低能见度资料统计出的大雾观测样本进行研究，应用因子荷载点聚图将合肥市县大雾划分为2个区：中南区、北区。基于PP法统计ECMWF模式输出产品与大雾之间的相关性，全市和分片分别确定与大雾密切相关的高影响因子，利用等级分类和逐步回归建立大雾预报模型。在回归结果的判定阈值和消空指标选定的情况下，通过研发的大雾天气精细化预报系统每日定时输出合肥市大雾预报格点产品。经过前期业务化运行和预报效果检验表明：数值模式产品释用方法在有无大雾预报技巧方面较WRF模式明显占优，技巧评分大幅提升，而两类典型大雾天气过程预报效果检验则可以更直观地看出数值模式产品释用的预报方法效果要更好。     

统计降尺度方法在青海省冬季最低温度预测中的应用

利用2003-2007年国家气象中心T213L31全球中期数值预报模式逐日输出产品与青海地区25个气象站的观测数据作为试验资料, 利用相关系数和逐步回归进行因子选择, 并以单隐层神经网络和多元回归作为降尺度方法进行对比研究, 用2003-2006年间的11月1日～次年3月1日的资料作为训练样本, 以数值预报产品和前一日观测的最低温度作为因子, 建立青海省25个气候站的冬季最低温度的24, 48, 72 h预报模型, 并且以2006年12月和2007年的1、 2月作为24, 48, 72 h逐日最低温度预报试验时段。试验表明, 对于青海地区来说, 青海北部地区的预报命中率总体好于南部高原地区; 在4种对比方案中, 以选择数值预报资料结合前一日地面观测的最低温度作为主要因子的方法相对较优, 随着预报时效的延长, 24 h历史实况的作用逐渐减弱; 对于所有台站来说, 这4种方案各有优缺点, 没有一种方案可以完全代替其他所有方案; 在实际业务运行中, 对不同的台站应采用不同的预报方案进行实际业务预报。     

京津冀站点风温湿要素的机器学习订正方法

基于线性回归方法、梯度提升回归方法(GBRT方法)、XGBoost方法和堆叠集成学习方法(Stacking方法)4种机器学习方法,采用误差分析建模思路,针对北京城市气象研究院研发的睿图-睿思系统对2020年12月—2021年11月所有起报时次未来3~12 h的2 m温度、2 m相对湿度、10 m风速以及10 m风向4种气象要素预报,开展京津冀复杂地形下的站点预报误差订正技术研究及试验应用。结果表明:基于预报误差分析构建的4种订正模型中,由于Stacking方法集成了前3种方法的优势,在4个季节的4种气象要素订正中均表现最佳,其他3种单一机器学习方法试验中,XGBoost方法表现最佳,其后依次为GBRT方法、线性回归方法,但均对预报准确率有明显的正向提升效果。总体上,基于机器学习方法构建的预报误差订正模型可有效降低系统原始预报误差,有助于进一步提升复杂地形下站点客观释用产品的预报准确性。     

随机森林回归法在冬季路面温度预报中的应用

基于宁宿徐高速公路三个交通气象站2015—2018年冬季逐10 min实时观测资料,使用随机森林回归模型预报这三个站的未来1h冬季路面温度,分析了该模型在冬季路面温度预报中的可行性和适用性.研究结果表明:随机森林回归法可以被用来预报高速公路冬季路面温度,不同类型的交通气象站点的特征输入方案和参数调试标准存在差异;与简单...     

支持向量机非线性回归方法的气象要素预报

该文介绍了基于基本的支持向量机非线性回归方法,该方法具有解决非线性问题的能力,在数值预报解释应用技术中,对某些预报量与预报因子之间相关性不显著的要素,如风、比湿等,采用支持向量机非线性回归技术较多元回归的MOS方法更具优势;利用北京市气象局中尺度业务模式 (MM5V3) 的12:00(世界时) 起始数值预报产品和观测资料,制作北京15个奥运场馆站点6~48 h逐3 h的气象要素释用产品。对比MM5V3模式,从均方根误差的平均减小率来看,2 m温度减小12.1%,10 m风u分量减小43.3%,10 m风v分量减小53.4%,2 m比湿减小38.2%。与同期的MOS方法预报结果相比,整体预报效果SVM略优于MOS。由此可见,支持向量机非线性回归方法解决与预报因子之间非线性相关的气象要素较好,具有较高的预报优势。     

天津生态城太阳辐射特征分析及算法评估

利用2014年8月14日—2015年8月12日天津市生态城太阳能观测站和同期气象观测资料，统计分析生态城太阳辐射特征，并对各向同性和各向异性两种倾斜面太阳辐射计算模型的精度和误差来源进行评估，结果表明：生态城水平面和倾斜面曝辐量在月均值、季节和年总量上存在较大差异，利用水平面太阳辐射进行光伏发电预估会存在误差；太阳辐射日变化特征受不同天气条件的影响，电站需根据天气情况调整发电策略，尤其应注意多云或阴天造成的发电功率的间歇性和不稳定；两种计算模型精度相当，整体计算效果较好，引入直射比分段计算函数的不确定性是造成计算误差的主要原因。     

葫芦岛2017年秋冬过渡季最低气温预报方法初探

本文利用micaps地面气象观测资料、中央气象台指导预报、wrf、美国三家数值预报产品的温度预报资料、自动站实况资料,对2017年11月葫芦岛地区的最低气温按天气系统分型后进行分析,结果表明：低压控制型天气,绥中低温低于连山,低温预报可根据规律对SCMOC和wrf的温度预报进行订正;高压前部型天气,绥中低温高于连山,兴城低温低于建昌,低温预报可根据规律对wrf和美国的温度预报进行订正;高压控制型天气,可根据前一天实况对wrf和美国的温度预报进行订正;高压顶部型天气,可根据规律对美国的温度预报进行订正。