基于长短期记忆神经网络的风速超短期快速滚动预报技术

利用甘肃省某风电场2017—2020年测风数据,基于长短期记忆神经网络(LSTM)模型,通过评估不同输入数据和模型时间窗口长度下的预报精度,设计一套适用于风电场的风速超短期快速滚动预报方案。结果表明：通过输入不同的特征变量,在风速的超短期(未来4 h内)预报中,风速自身变化起主导作用,模型输入变量中只加入各高度层的风速能得到更好的模拟效果。通过评估LSTM模拟时间窗口长度L对模拟效果的影响,当时间窗口长度L≤24 h时,模拟效果较好,说明超短期风速变化主要和风速自身临近时刻的变化有关;当L>24 h时,模拟效果快速下降,说明过长的L会削弱模拟能力,降低模拟精度。通过分析LSTM在未来4 h内的风速模拟能力,发现随着预报时长的增加,模拟精度逐步下降,但在未来2 h内的风速均方根误差RMSE均小于2 m·s^-1,结果较为理想,且该方法对计算资源要求不高,经济实用性强,在业务中具有较高的应用潜力。     

WRF模式对福建沿海风电场风速预测的效果分析

在WRF模式中选取不同的边界层、近地面层以及陆面过程参数化方案,设计了4种不同物理过程参数化方案,组合模拟福建沿海某测风塔站2010年1月1—11日和7月1—11日的逐时风速,将数值模拟结果和同期测风塔观测数据进行对比,以寻求最佳参数化方案。经分析比较,采用MYJ边界层方案,Monin-Obukhov近地面层方案以及Noah陆面过程方案的方案2模拟效果最好。使用该方案对2010年1月和7月的风速进行模拟,按不同风速级别分别对数值模拟结果进行对比分析,结果表明:方案2对6~15m/s风速模拟的平均相对误差在20%左右,能够满足风电预测的精度需求;而对0~6m/s风速模拟的误差相对较大,这可能是由于模式地形分辨率不够精细以及风塔所处海陆交界处的特殊位置,使低风速容易受地面扰动以及海陆气流影响所致。     

基于机器学习的数值天气预报风速订正研究

对风速进行准确预测是精细化天气预报服务(如风能发电、冬季奥运会赛场条件保障等)的重要环节。本文基于三种机器学习算法(LASSO回归、随机森林和深度学习),对数值天气预报模式ECMWF预测的华北地区近地面10 m风速进行订正。首先利用LASSO回归算法提取对10 m风速有重要影响的气象要素特征集,将其作为三种机器学习算法的输入,建立相应模型对ECMWF预测的风速进行订正。用提取后的气象要素特征集建模有助于减少计算量和存储开销,并减小模型的复杂性,从而提高模型的泛化能力。将订正结果与传统订正方法模式输出统计(model output statistics,MOS)得到的订正结果进行对比。结果表明,三种机器学习算法的订正效果均好于MOS方法,显示了机器学习方法在改善局地精准气象预报方面的潜力。     

基于小波长短期记忆网络的风电功率超短期概率预测

随着大规模的风电并网,风电所具有的间歇性与随机性对电力系统的稳定性产生了很大的影响,风电功率预测成为当前解决该问题重要的方式之一.本文利用长短期记忆（LSTM）网络良好的时序记忆特性,将小波分解技术与LSTM深度网络结合,提出基于小波长短期记忆网络的风电功率超短期概率预测模型.首先通过小波分解技术将原始时间序列进行平稳化处理,再建立各子序列样本的LSTM网络预测模型,借助最大似然估计法估计预测误差的高斯分布函数,最终实现对未来4 h时刻的风电功率概率区间预测.最后,采用中国东北某风电场数据对所提方法进行算例分析,结果表明,将小波分解与深度学习方法结合可以较好地提高预测的精度,提高概率预测的区间可靠性.     

基于LSTM网络的中国夏季降水预测研究

基于BCC-CSM季节气候预测模式系统历史回报数据和国家气象信息中心提供的中国地面降水月值数据,通过多方法对比并讨论了影响预测结果的因素,利用长短期记忆（Long Short-Term Memory,LSTM）网络预测2014年和2015年中国夏季降水。结果表明:LSTM网络的预测效果较逐步回归、BP神经网络及模式输出结果有一定优势。参数调优对于LSTM网络预测效果影响较大,重要参数有隐含层节点数、训练次数和学习率。选择合适的起报月份数据有助于提升季节预测的准确性,利用4月起报的数据预测夏季降水效果较好。海冰分量因子对降水季节预测有正贡献。在2014年、2015年夏季降水回报试验中,LSTM网络对降水整体形势有一定的预测能力,Ps评分分别为74分、71分,距平符号一致率分别为55.63%、55.25%,Ps评分的均值高于同期全国会商及业务模式。     

不同气象预测数据源对山地风电场风速预测准确率的影响分析

在影响风电功率预测准确率的因素中,气象预测数据源的选取和组合影响较大.基于广西A、B两个山地风电场2020年2月1日至3月15日15min实测风速、4种单一气象数据源及3种混合订正气象数据源的预测风速,分析不同气象预测数据源对风电场风速预测准确率的影响.结果表明,多种数据源混合订正预测结果总体优于单一气象数据源预测结果...     

基于残差周期修正的辽宁省粮食产量灰色预测

基于1971—2005年辽宁省主要粮食作物水稻和玉米的全区平均单产资料,根据产量数据的多周期和波动性特点,采用周期修正残差值方法,构建了辽宁省粮食产量灰色预测模型,采用正弦曲线拟合残差序列,对模型的残差进行周期修正,预测精度提高。结果表明：预测＂十二五＂期间,辽宁省水稻在2013年以后出现小幅度下降,而单产绝对值仍处于一个相对较高的水平。玉米单产至2014年呈持续增产趋势,2015年略有下降,单产波动幅度较小。以2006—2009年实际产量数据对模型进行检验,效果较好。水稻单产预测模型精度为一级,玉米单产预测模型精度为二级。该模型对于大灾年份的粮食产量预测精度较差,但可反映其趋势。     

多步预测的降水时序模型

该文设计了一个能作多步预报的时间序列模型，先生成时间序列及其差分的均生函数，再运用双评分准则对所有均生函数延拓序列作粗选和精选，以期建立一个拟合和预报效果均好的模型。就长江中下游6—8月降水总量的序列进行了计算，证实该模型可用在制作逐年气候预报或分月长期预报中。     

基于测风塔数据的最大风速与极大风速 关系研究

利用辽宁省风能资源专业观测网2009年6月至2010年5月26座测风塔10—70 m(部分塔为100 m)高度的逐10 min梯度风观测数据,采用线性相关分析的方法,研究了近地层最大风速和极大风速的关系。结果表明:年内最大风速与极大风速多数出现在同一大风天气过程中,但极大风速并非主要发生在出现最大风速的20 min内;最大风速和极大风速易出现在午后和傍晚;极大风速与最大风速普遍具有较好的线性相关关系,日时距、10 min时距和大风条件下,日时距的相关性最好,平均相关系数达到0.970;不同时距和大风条件下,极大风速与最大风速的比值系数相差不大,但从相关性看可以考虑优先使用日时距样本的最大风速推算极大风速;随着高度的增加,极大风速与最大风速的比值系数减小,10 m高度日极大风速是日最大风速的1.42倍左右,70 m高度则是1.24倍左右,利用最大风速推算不同高度极大风速时不宜采用统一的比值系数。     

深度学习方法在干旱预测中的应用

使用标准化降水蒸散指数作为农业干旱的监测指标, 以站点气象要素和大尺度环流要素为驱动变量, 建立干旱预测模型, 分析评价传统的整合移动平均自回归(ARIMA)时间序列模型以及不同深度神经网络模型(DNN)的预测效果。结果表明: DNN模型的总体预测能力优于ARIMA模型; 同基于长短期记忆网络(LSTM)提出的传统LSTM预测模型(TLSTM)相比, 改进的LSTM模型(ILSTM)通过预处理全连接层对预测因子进行非线性映射, 能够自动剔除无效信息, 提取高层次综合特征, 可使预测序列和观测序列的相关系数提升0.04~0.25, 均方根误差降低0.07~0.32, 误差绝对值的平均降低0.06~0.27;卷积神经网络(CNN)可提取影响干旱变化的大尺度环流信息, 其与ILSTM的组合深度网络模型(CLSTM)可进一步使相关系数提升0.03~0.44, 均方根误差降低0.09~0.33, 误差绝对值的平均降低0.05~0.26。CLSTM模型可应用于短期区域性干旱变化气候预测。     

基于人工神经网络算法的渤海海风预报方法研究

基于2015—2017年常规海洋气象观测资料、天津中尺度天气预报模式(TJ-WRF)预报产品、EC数值预报及其集合预报产品,建立了渤海BP神经网络两级海风预报模型,该模型在大量历史样本的拟合训练基础上分别实现小风和大风与相关因子间的非线性映射,其结果有较高的预报准确率。一年的业务试用期间,该模型对各风级、各预报时效的预报能力基本稳定,预报误差较使用该释用技术前数值模式误差有所减小,72 h内风速平均绝对误差为1. 72 m·s^-1;对灾害大风的预报准确率仍能保持较高水平,8级风风速平均绝对误差仅为1. 77 m·s^-1。     

用于风电场功率预测的逐时风速预报

为满足风电场精细化风速预报的需要,利用MM5模式的格点输出数值预报产品以及福建沿海地区两座海上测风塔的逐时气象资料,采用逐步回归的统计方法,将MM5数值预报产品与测风塔实测气象资料要素指标值共同引入回归方程,拟合两座测风塔特定高度的逐小时风速预报方程,详细介绍了该方法的实现过程.通过一年的预报效果指标以及15日的独立样本效果检验,结果表明该方法对于逐小时风速的预报有一定的应用价值.     

登陆台风站点大风预报的人工神经网络方法

利用数值预报格点资料预报登陆台风影响时,沿海地区站点风的预报是各站点的定时二分钟风向风速。通过对MICAPS站点资料进行整合、分析,选取了沿海地区400多个资料比较齐全的站点和海岛站作为预报站点。用NCEP再分析场的格点资料做相关性分析,选定9个预报因子。运用BP网络对每个站点分别建立纬向风和经向风人工神经网络模型,拟合风速的绝对值误差是1.3 m·s~(-1)。独立样本检验,风速绝对误差在2 m·s~(-1)以内。     

Study on the Overfitting of the Artificial Neural Network Forecasting Model

Because of overfitting and the improvement of generalization capability (GC) available in the construction of forecasting models using artificial neural network (ANN), a new method is proposed for model establishment by means of making a low-dimension ANN learning matrix through principal component analysis (PCA). The results show that the PCA is able to construct an ANN model without the need of finding an optimal structure with the appropriate number of hidden-layer nodes, thus avoids overfitting by condensing forecasting information, reducing dimension and removing noise, and GC is greatly raised compared to the traditional ANN and stepwise regression techniques for model establishment.     

人工神经网络方法在降水量级中期预报中的应用

将人工神经网络方法与统计方法相结合，采用分步预报的方法，首先用经验统计方法进行晴雨预测，再用BP人工经网络建立降水量级预报模型，探讨神经网络方法在中期降水预报的应用，试验表明，神经网络方法能提高中到大雨降水量级的中期预报能力，但对暴雨的预报不理想。     

基于中尺度模式与神经网络的风电功率预测

将中尺度数值天气预报模式与BP神经网络模型相结合用于风电功率预测,以WRF模式回算了2008年6月至2009年6月试验风电场的气象要素,精度检验结果显示风速预报值与对应实测值之间的相关系数达到0.72,风向、气温、湿度、气压的预报也比较准确,满足建立BP神经网络预报模型的需要.逐一建立试验风电场40台风电机组输出功率的BP神经网络预报模型,分析了数据标准化方法、隐含层神经元数对预报精度的影响.进行了26天实效为24 h的逐10 min预报试验,并以独立样本进行预报精度检验,结果显示单台风电机组输出功率相对均方根误差在24.8％～32.6％之间,预报值与实测值之间的相关系数现在0.45～0.68之间;风电场整体相对均方根误差为19.5％,预报值与实测值之间的相关系数为0.74.研究结果表明该方法可以用于实际的风电功率预测.     

中尺度模式风电场风速短期预报能力研究

本文利用内蒙古乌兰察布风电场2009 年观测记录和WRF 数值模式预报,研究了中尺度数值天气模式对风电场风速的短期预报能力。研究表明:不同数值模式参数化方案的预报能力没有实质性的区别,对于不同时效的风场预报各种方案的预报能力不尽相同。在天气演变较为剧烈时,模式预报技巧相对较差。风电场周边主要天气系统对预报准确度有很大影响。就乌兰察布风电场而言,WRF 模式2009 年日平均预报相对误差仅为11.78%,且误差大于20%的日数占研究总天数不超过15%,具有较高的预报技巧。当蒙古气旋、东北气旋剧烈发展或风速迅速减小时风速的预报误差较大。     

高血压病发病率预报的人工神经网络方法研究

通过统计分析，选取影响银川地区高血压病发病率的主要气象因素，将其作为输入变量经多层前馈型神经网络的BP(Back Propagation)算法进行学习训练，建立了疾病发病率的人工神经网络(ANN，Artifical Neural Net)预报模型。结果表明：该方法计算简便、误差较小，为疾病发病率预报提供了一种新的预报方法。     

基于北斗反射信号的支持向量回归机海面风速反演研究

随着全球导航卫星系统的发展,一种基于导航卫星反射信号(GNSS-R)的海洋遥感技术成为近年来研究的热点。为研究GNSS-R测风方法,分析了海面风速与反射信号时延功率之间的关系,同时结合机器学习方法中的支持向量回归机方法,将反射信号时延功率作为训练标签,最终完成海面风速的反演。将"北斗反射信号海风海浪探测系统——山东示范站"项目期间海风海浪系统的探测结果与同期风速仪探测结果进行对比分析,结果表明,两者具有很好的一致性,海面风速的反演精度为2.4 m/s,证明了基于北斗反射信号的支持向量回归机海面测风方法是可行的。