Increased summer electric power demand in Beijing driven by preceding spring tropical North Atlantic warming

本文利用北京市电力负荷资料,北京市站点观测温度资料,CN05.1温度资料,ERA5大气再分析资料及ERSST v3b海表温度资料,发现3-4月副热带北大西洋海温异常和北京市夏季电力呈很好的正相关关系,并揭示了副热带北大西洋海温异常影响北京市夏季电力的可能物理机制.春季副热带北大西洋海温异常偏暖,热带中太平洋出现东风异常并持续至夏季,太平洋信风增强,热带中东太平洋冷水上翻增强,通过Bjerkness正反馈机制激发了La Nina事件.La Nina事件时,西北太平洋反气旋环流异常,将低纬度暖湿气流输送至北京地区,引起北京市夏季温度增高,电力负荷需求增加.反之亦然.研究结果可为北京市夏季电力负荷需求的季节预测提供新的科学依据和线索.

Multi-model ensemble forecasting of 10-m wind speed over eastern China based on machine learning optimization

风对人类活动和电力运行有重大影响,准确预报短期风速具有深远的社会和经济意义.基于中国东部100个站点,本研究首先评估了5个业务模式对10米风速的预报能力,日本气象厅JMA模式在减少预报误差方面表现最好.进一步,利用5种数值模式和多种机器学习方法,将动力和统计相结合,对每个站点分别进行了特征工程和机器学习算法优选,建立了10米风速多模式集成预报模型。针对24至96小时预报时长,将该方法的预报性能与基于岭回归的多模式集成和JMA单模式进行比较.结果表明,基于机器学习优选的多模型集成方法可以将JMA模式的预报误差降低39%以上,预报效果的提升在11月最明显.此外,该方法优于基于岭回归的多模式集成方法.