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。     

长短期记忆神经网络(LSTM)模型在低能见度预报中的应用

利用浙江省义乌市2015—2019年逐小时气象观测数据(相对湿度、风速、地气温差、能见度)和空气质量指数(Air Quality Index, AQI)数据, 分析了义乌地区低能见度天气(观测能见度lt; 10 km)的分布特征和气象要素条件。利用长短期记忆神经网络(Long Short Term Memory Neural Network, LSTM)模型对逐小时能见度进行模拟, 分别对比了观测能见度作为输入变量与否的模拟效果; 根据义乌地区低能见度天气条件的特征, 将模拟时段分为三个时期(11月至翌年2月, 3—6月, 7—10月), 对比了分时期模拟的效果; 以及评估了模型的预报步长。结果表明: 高湿、高污染、气温高于地温和低风速是义乌地区低能见度天气的主要特征。LSTM模型对单站能见度有较好的模拟效果, 当输入参数中加入历史观测能见度时, 能大幅提高模拟准确度, 日均能见度模拟结果均方根误差RMSE=0.63 km, 平均绝对误差MAE=0.51 km, 拟合优度R²=0.99;分时期进行模拟能得到更精准的模拟结果。本研究中选用的输入要素在冬季(11月至翌年2月)模拟效果最好, RMSE=2.35 km, MAE=1.46 km, 低能见度均方根误差RMSE_10 km=1.81 km, 低能见度平均绝对误差MAE_10 km=1.13 km, R²=0.83; 3—6月的模拟中, 输入变量中不加AQI模拟效果更好, 这意味着3—6月义乌地区的低能见度天气以雾天气为主导, 加入过多变量并不一定能提高模型准确度; 随着预报步长增大, 模型预报效果变差, 预测步长等于3 h, R²=0.71, 预测结果已不具备实际应用意义。     

一种基于浑沌理论的联想记忆神经网络模型

根据联想记忆神经网络的基本原理，提出了一种基于浑沌理论的联想记忆神经网络模型及相应的求解方案，并对该种模型进行了预报试验。结果表明，该种模型的历史预报准确率和实际预报准确率均超过一般随机预报，值得进一步研究和应用。     

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.     

回溯时间积分格式的有效性研究

采月正压准地转模式作为动力核,用Rossby-Haurwitz波函数作为理想场,同时使用回溯时间积分格式和普通中央差格式进行数值试验.结果表明,在短时积分的情况下,回溯格式能减小数值解误差1～2个量级,而且它对时间步长的增大不敏感.因此使用回溯格式可以减少积分计算量,延长积分时效.     

广义非线性动态处理模型及其解算方法

本文针对当今各国高层领导和科学家十分关注并大力倡导的“数字地球”、“数字国家”、“数字城市”、“数字矿山”等科学工程构建中遇到的大量的多源、多维、多类型、多时态、多精度并具有非线性特征的联合数据处理问题的特点,建立了一个广义非线性动态联合数据处理模型及其相应的广义非线性最小二乘模型。针对该模型规模大、维数高的特点,借鉴多变量函数寻优的“变量轮换法”或“因素交替法”的思想、结合无记忆牛顿法,建立了一个解算算法,该算法将大规模的优化问题分解为两个较低规模的优化问题进行解算,降低了问题的规模,借助无记忆牛顿法,减少了存储量,特别适合大规模问题的解算。     

一幅穿越2000年的地图

广州古城的具体范围有多大？有哪些曾经标志性的建筑已经湮没在岁月中？又有哪些历史建筑仍然伫立？经过近一年的打造,越秀区旅游局目前推出首张“广州城市记忆地图”,一图在手,将带你穿越广州两千多年历史,重塑对老广州的记忆。     

结合CNN-BiLSTM-SA运动模式识别的自适应步频检测方法

随着位置服务(LBS)的普及,基于智能手机的行人步频检测方法对行人航迹推算(PDR)有重要影响.针对传统步频检测方法在行人多种运动模式下计步误差大的问题,提出一种结合CNN-BiLSTM-SA运动模式识别的自适应步频检测方法.首先根据行人行走特点划分运动模式,使用卷积神经网络(CNN)提取行人不同运动模式的局部特征,利用自注意力机制(SA)对提取的运动特征进行权重分配;再结合双向长短期记忆网络(BiLSTM)挖掘行人运动特征的前后时序关系进行分类识别;然后根据分类结果提出自适应最小峰距和自适应动态阈值两个特征约束的峰值检测算法对步频进行检测,并在步行中动态调整阈值大小.实验结果表明：本文提出方法在8种组合运动模式下步频检测平均误差率为1.31%,与传统峰值检测相比误差率降低5.97%,同时也优于固定阈值法.