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.     

基于CFD动力降尺度的复杂地形风电场风电功率短期预测方法研究

复杂地形导致近地层风场时空变化大,是影响风电场短期风电功率预测准确率的重要因素。为此,基于中尺度数值预报模式和微尺度计算流体力学模式,建立了风电场短期风电功率动力降尺度预测系统。该系统由中尺度数值预报模式、微尺度风场基础数据库、风电功率预测集成系统组成,能够预测复杂地形风电场中每台风电机组未来72 h逐15 min的发电量。提高了复杂地形风场发电功率预测准确率,同时还可以在上报电网的风电功率预测结果中考虑运行维护计划和限电等因素对实际并网功率的影响。2014年7月-2015年1月的业务预测试验表明,风电场短期风电功率动力降尺度预测系统的月预测相对误差均小于0.2,满足中国国家电网对风电功率预测误差和时效性的业务要求。动力降尺度技术不受具体项目地形复杂程度和历史观测数据样本量的限制,可以在新建风电场中推广应用,具备实际的可操作性。      

风电场风电功率短期预报方法比较

通过开展湖北省九宫山风电场短期风电功率预报方法的研究,以不断提高预报准确率,为风电场提供更有价值的预报服务,该文利用MM5耦合CALMET模式模拟风电场风速资料,采用物理法和动力统计法探讨风电场各种情况下预报应用效果。结果表明:模拟风速释用订正能有效降低风速预报误差,但难以修正预报趋势;动力统计法更适用于九宫山风电场的复杂山区地形,可能由于该方法能自发适应风电场地理位置;采用实测数据建立的风电功率预报模型优于理论风电功率模型,这也与风机实际运行环境会影响风机输出功率有关。     

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。     

基于小波分解的西太平洋副热带高压模糊推理预测

基于NCEP/NCAR再分析资料,讨论了西太平洋副高脊线与其前期位置的相互关系,并在此基础上用小波分解和自适应模糊推理方法,对副高脊线进行集成建模和预测.基于小波分解重构的副高脊线短期活动集成预测结果表明,该方法可有效降低预报难度,明显改进和提高了副高脊线短期活动的预报准确率.     

基于人工神经网络的沿海风速多步预测研究

基于气象历史观测资料,将长短期记忆网络LSTM方法和Transformer模型结合提出了混合短期风速多步预测模型BLSTM TRA。以山东半岛南部沿海6个台站为研究区域,通过气象台站观测数据构建数据集。经与2018年ECMWF模式6 h预报结果对比分析,得出如下结论：构建的BLSTM TRA多步预测模型可大幅度降低风速误差,BLSTM TRA的1 h单步预测结果和ECMWF预报模式结果对比,其RMSE平均降低了58.9%,MAE平均降低了63.2%;风速误差和大风统计过程分析发现,BLSTM TRA模型具有一定的抗干扰能力,可以抓住短时大风等敏感信息,对于大风预报结果明显优于ECWMF模式和传统LSTM模型。     

青藏铁路沿线超长期气候变化预测的概率估计

利用近1000年的太阳黑子周期长度(SCL)和自1920年以来的大气CO2浓度,以及1935—2000年青藏铁路沿线平均气温序列,在其距平值概率分布计算的基础上,研究了未来50～100年青藏铁路沿线平均气温变化趋势的概率。结果表明：SCL正距平出现的频数大于负距平的频数;CO2浓度的负距平出现的频数明显大于正距平的频数;青藏铁路沿线平均年气温正距平出现的频数略小于负距平的。作为试验,利用REEP方法将预测的2001—2100年青藏铁路沿线平均年气温相对于1990年代的增温概率进行了分析,表明青藏铁路沿线平均年气温到2050年升高0．5℃的概率为0．64～0．73;到2100年上升1．0℃左右的概率为0．45～0．64．     

基于小波分解和最小二乘支持向量机的大气臭氧含量时间序列预测

基于小波分解(WT)和最小二乘支持向量机(LSSVM)理论,建立了将二者相结合的大气臭氧含量时间序列预测模型。采用香河等4个观测站的月平均臭氧总量观测样本,经小波分解为不同频段的子序列,将这些子序列分别进行LSSVM预测,最后经小波重构得到月平均臭氧总量时间序列预测结果。实验表明该方法能有效预测大气臭氧含量,与支持向量机(SVM)以及人工神经网络(ANN)的预测结果相比,该方法具有较高的预测精度。     

基于注意力特征提取网络的图像描述生成算法

针对解决图像描述生成中对浅层图像特征利用不充分、图像目标间关系提取不足的问题,提出一种基于注意力图像特征提取的图像描述生成算法.通过语言模型上下文信息对不同深度图像特征进行自适应注意力权重分配,使带有注意力的图像特征参与指导图像描述生成,提升了图像描述生成的效果.在MSCOCO测试集中所提算法的BLEU-1和CIDEr得分分别达到0.752和0.934,从而验证了所提算法的有效性.     

多步预测的小波神经网络预报模型

采用小波分析与人工神经网络相结合的方法，进行了一种新的非线性长期预报模 型研究。结果表明，所构造的小波神经网络多步预测模型对历史样本具有很好的拟合效果， 独立样本的预报效果也令人满意。并且，该预报模型具有误差收敛快，预报时效长以及建 模所需阶数低等显著优点，具有很好的研究前景。     

A Short-Term Climate Prediction Model Based on a Modular Fuzzy Neural Network

In terms of the modular fuzzy neural network (MFNN) combining fuzzy c-mean (FCM) cluster and single-layer neural network, a short-term climate prediction model is developed. It is found from modeling results that the MFNN model for short-term climate prediction has advantages of simple structure, no hidden layer and stable network parameters because of the assembling of sound functions of the selfadaptive learning, association and fuzzy information processing of fuzzy mathematics and neural network methods. The case computational results of Guangxi flood season (JJA) rainfall show that the mean absolute error (MAE) and mean relative error (MRE) of the prediction during 1998 2002 are 68.8 mm and 9.78%, and in comparison with the regression method, under the conditions of the same predictors and period they are 97.8 mm and 12.28% respectively. Furthermore, it is also found from the stability analysis of the modular model that the change of the prediction results of independent samples with training times in the stably convergent interval of the model is less than 1.3 mm. The obvious oscillation phenomenon of prediction results with training times, such as in the common back-propagation neural network (BPNN) model, does not occur, indicating a better practical application potential of the MFNN model.     

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。     

风电场风速数值预报的动态修订方法的探讨

针对风电场风功率预测所需的定点、逐时风速预报,对利用中央气象台发布的MM5格点输出的数值预报风速插值到福建沿海某个风电场测风塔高度的预报结果进行误差分析,发现由于海陆交界的特殊下垫面等原因,存在一定的系统误差;根据误差的后延相关性和测风塔实时发回的气象资料,探讨了利用前期误差观测值和测风塔湍流指标对MM5数值预报风速进行动态修订的方法,建立了订正值方程,结果表明,订正后的预报风速平均绝对误差降低31%~54%,有效提高了预报精度。     

大气初始场对短期气候数值预测的影响

利用中国科学院大气物理研究所发展的九层大气环流模式(简称IAP 9L2°×2.5°-AGCM)分析了大气初始场对短期气候数值预测的影响,分别从实际观测海温、海冰的外强迫和气候态海温、海冰的外强迫出发,进行两组集合回报试验,每组包含3个试验,分别将实时NCEP-Ⅱ资料和对NCEP-Ⅱ资料经5 d平滑、11 d平滑后的资料作为大气初始场,进行17 a(1988—2004年)集合回报试验,采用相关分析方法对试验结果进行对比分析。结果表明,比较相关系数定量检验出大气初始场对热带地区可预报性影响较小,而对中、高纬度地区影响很大。通过对6个试验中对应气象要素在对流层各层距平时间相关系数以及17 a空间异常相关系数均值比较分析发现对东亚(中国)地区夏季气候而言,NCEP-Ⅱ资料经5 d平滑后生成的大气初始场对应回报试验结果相对最好。     

初始场的同化对短期气候预测的影响

基于已建立的三维变分资料同化系统(3D-VAR),利用大气环流模式(IAP9L2°×2.5°-AGCM),对同化和未同化2种初始场分别进行了17a(1988—2004年)的集合回报试验,并对试验结果进行了相关分析.结果表明:在热带地区,2组初始场下的集合回报结果差别很小,除热带外的中高纬地区差别较大,尤其是东亚地区;另外,大部分物理量场的17a异常空间相关系数的均值在同化后的初始场下也得到了提高,可能是因为同化的初始场包含了一段时间的大气信息,动力模式更加协调.     

An Approach for Improving Short-Term Prediction of Summer Rainfall over North China by Decomposing Interannual and Decadal Variability简

A statistical downscaling approach was developed to improve seasonal-to-interannual prediction of summer rainfall over North China by considering the effect of decadal variability based on observational datasets and dynamical model outputs.Both predictands and predictors were first decomposed into interannual and decadal components.Two predictive equations were then built separately for the two distinct timescales by using multivariate linear regressions based on independent sample validation.For the interannual timescale,850-hPa meridional wind and 500-hPa geopotential heights from multiple dynamical models＇ hindcasts and SSTs from observational datasets were used to construct predictors.For the decadal timescale,two well-known basin-scale SST decadal oscillation （the Atlantic Multidecadal Oscillation and the Pacific Decadal Oscillation） indices were used as predictors.Then,the downscaled predictands were combined to represent the predicted/hindcasted total rainfall.The prediction was compared with the models＇ raw hindcasts and those from a similar approach but without timescale decomposition.In comparison to hindcasts from individual models or their multi-model ensemble mean,the skill of the present scheme was found to be significantly higher,with anomaly correlation coefficients increasing from nearly neutral to over 0.4 and with RMSE decreasing by up to 0.6 mm d-1.The improvements were also seen in the station-based temporal correlation of the predictions with observed rainfall,with the coefficients ranging from-0.1 to 0.87,obviously higher than the models＇ raw hindcasted rainfall results.Thus,the present approach exhibits a great advantage and may be appropriate for use in operational predictions.     

基于CMIP6多模式集合的未来中国风功率预估

实现我国2060年“碳中和”目标,需要大力发展包括风能在内的清洁能源,然而气候变化给未来风资源利用带来较大的不确定性。本文利用人工神经网络(Artificial Neural Network,ANN)算法对16个CMIP6气候模式风速数据进行逐一订正,在此基础上预估21世纪30、60年代以及21世纪末这3个不同年代在低(SSP1-2.6)和高(SSP5-8.5)排放情景下中国风功率较当代的变化。结果表明,ANN算法使CMIP6气候模式均方根误差平均降低(39.93％±9.57％),并使多模式集合平均与观测的相关系数从0.56增加到0.83,更好地再现了中国当代风速的空间分布和季节变化。在此基础上,预估的21世纪60年代(2050—2064年)风功率密度在两种情景下分别减少了(1.01±0.94) W·m^-2(2.62％±2.27％)和(1.11±1.45) W·m^-2(1.90％±2.51％)。时间上,春季作为风能密度最大的季节,两种排放情景下风功率分别减少了(1.16±1.14) W·m^-2和(1.43±1.58) W·m^-2。空间上,中国东南部风功率密度在SSP1-2.6情景下降(0.56±0.53) W·m^-2,而SSP5-8.5情景下上升(0.40±0.29) W·m^-2。近期(2025—2039年)全国平均风功率密度在两种情景下分别减少了(0.52±0.83) W·m^-2和(0.54±1.02) W·m^-2,而长期(2085—2099年)风功率密度分别减小了(0.98±1.17) W·m^-2和(1.83±1.17) W·m^-2。利用极度梯度提升(XGB)算法订正CMIP6数据的预估变化量级偏小但趋势一致,表明随着全球变暖幅度的增加,我国风功率降低的趋势将更加显著。     

基于小波分析的客观预报方法在智能网格高低温预报中的应用

基于2017—2018年中国气象局高分辨率数值预报产品、甘肃实时城镇预报产品和国家级地面观测站数据,利用小波分析、滑动训练、最优融合等技术,研发出甘肃省智能网格高低温客观订正产品。检验分析表明:城镇预报产品、滑动训练订正产品、最优融合产品3种订正产品对CMA预报均有订正能力,3种客观订正产品的最高气温订正能力强于最低气温订正能力;滑动训练法与最优融合法产生的高低温订正产品,在系统误差明显地区(甘南、陇南等)的预报结果要好于模式客观预报,而高低温城镇预报产品在气温局地性强或者模式客观预报能力差的区域有优势;最优融合预报方法生成的高低温产品预报能力略高于滑动训练订正产品且与现有预报员制作城镇预报产品基本持平,初步具备了替代主观预报的能力。     

基于Mesh的电力无线多跳高效传输技术研究

针对电力无线通信网络多跳传输不可靠的问题,提出了一种基于Mesh的免重传的多跳高效传输技术.该技术在源节点、接收节点之间布设备份节点,设计全新的免重传协议,使得所有节点根据监听/接收到的ACK/NACK信息自动识别自己的下一步状态,从而在不增加任何网络信令开销的情况下,有效降低了每个数据块的平均传输总次数,提升了电力无线通信网络的深覆盖、低时延、高可靠的业务传输能力.最后通过仿真计算得出,随着误块率的增大,免重传多跳高效传输技术的平均传输总次数较传统方案得到了明显改善,即明显降低平均端到端时延,具有很好的实际应用价值.