典型与非典型案例结合在天气预报实验教学中的应用研究

在天气预报实验教学中,为解决学生自主制作天气预报存在眼高手低或无从下手的现状,提出将典型与非典型案例结合的教学方法,从而顺应天气学学科特点和学生的认知规律。以单站地面风的预报为例,探讨相应的教学设计与实践,并从学生反馈收获了初步成效。该方法对天气预报实验教学具有普适性。教学中应重视对非典型天气案例的分析和应用,提高学生对预报参量的识别和判定能力,以此提升学生的岗位实践、自主创新以及团队协作能力。

融合物理理解与模糊逻辑的分类强对流客观短期预报系统:(1)系统构成

提供准确的雷暴、短时强降水、雷暴大风和冰雹客观短期预报产品,对提高预报预警的预见期,及早采取有针对性的预防措施有重要意义。基于对四类强对流天气现象物理成因理解,给出了由国家气象中心牵头研发,融合模糊逻辑人工智能方法的分类强对流客观短期概率预报系统的流程框架和实现方法,详细介绍了该系统的结构特征,以及系统中用于雷暴、短时强降水、雷暴大风和冰雹四类强对流天气预报模型构建的关键预报因子、隶属度函数获取方法和权重因子配置等信息,并在此基础上探讨了物理理解与模糊逻辑人工智能相融合方法具有广泛适用性的本质,可以表征产生特定强对流天气现象的环境配置的多样性和复杂性。

云南省洱海灌区水稻智能灌溉决策模型研究

提高有效降雨利用率,是节约灌溉用水的重要途径之一。为进一步提高稻田降雨利用率,基于水量平衡原理和作物水分生产函数,结合强化学习方法,构建考虑未来降雨的智能灌溉决策模型。收集了大理站点2012-2020年的实测气象数据和天气预报数据,对智能灌溉决策模型进行训练,将模型应用于云南省洱海灌区。结果表明:洱海地区天气预报存在一定的空报率和漏报率,TS评分较高,降雨预报质量较高。与常规灌溉决策相比,采用强化学习方法的智能灌溉决策,平均每年可以减少灌溉次数0.2次,节约灌水量6.5 mm,节水率为6.0%,提高降雨利用率3.0%,减少排水量6.2 mm,且未造成产量损失。因此,采用智能灌溉决策能在考虑未来天气情况下有效提高降雨利用率,节约灌溉用水,且不造成减产。

考虑天气特征与多变量相关性的配电网短期负荷预测

针对配电网短期负荷预测受到众多复杂天气特征等随机不确定性因素影响,以及传统预测模型难以有效分析不同特征序列之间的相关性等问题,提出一种考虑天气特征与多变量相关性的配电网短期负荷预测方法。首先,提出多变量快速最大信息系数(multi-variable rapid maximal information coefficient,MVRapidMIC)提取相关性高的天气特征序列。其次,引入探索性因子分析法(exploratory factor analysis,EFA),对高相关性特征序列进行降维处理。最后,将维度分段(dimension-segment-wise,DSW)机制和两阶段注意力(two-stage attention,TSA)机制与Informer模型结合,提高预测模型对不同特征序列相关性的分析能力。通过DTU 7K 47节点实际配电网的历史负荷数据开展仿真测试,验证所提方法的预测精度、鲁棒性和时效性。

基于LSTM预测模型的应用性能异常检测

目前高性能计算系统规模和复杂性不断增加,应用软件作业性能异常的原因变得更加复杂多样,传统的针对基于监控数据进行人工分析的方法存在效率低下和过分依赖分析人员经验的问题。提出一种基于长短期记忆网络(LSTM)的性能异常检测方法。以天气预报模式WRF为研究对象,首先从历史作业数据中学习出正常性能数据的变化情况,然后通过引入boxplot方法对LSTM模型预测值与实际观测值之间的残差进行统计分析,并将大于下四分位的数据判定为异常,从而实现应用软件作业性能异常的检测。实验结果表明,上述方法不仅可以较好地检测出性能的异常,而且能适用于多种不同类型的数据集。

基于多气象类型加权和改进高斯混合模型的光伏出力超短期概率预测

提出一种多气象类型加权和改进高斯混合模型,可实现对光伏出力提前15 min的超短期概率预测。首先,依据气象特征将历史数据划分为若干气象类型,然后,构建改进高斯混合模型获得每个气象类型出力数据的概率分布,其次,构建隶属度函数量化待预测时刻气象特征对于各气象类型的相似程度,最后,根据隶属度对各气象类型的概率分布加权。以实际光伏电站数据进行算例分析,结果表明相较于单一气象类型,多气象类型加权模型的MAPE平均减少16.87%,ACD平均提升10.45%,AW平均下降2.49%。

基于时间序列聚类算法优化下的多变量短期负荷预测模型研究

为提高短期负荷预测的精度问题,针对短期负荷预测的特点,采用了对海量序列数做数据增强聚类操作,和外部输入变量(天气因素)并行处理,提出了基于时间序列聚类算法优化下的多变量短期负荷预测模型,并对某电力售电公司进行了实际操作。结果表明:该方法大幅提升了模型的预测精度和实用能力。

基于深度随机森林算法的短期用户负荷预测——以金华地区为例

通过网络爬虫获取天气数据,并结合金华市用户负荷数据,采用深度随机森林算法对用户负荷进行短期预测。借助4种评价指标,通过对比支持向量回归算法、K近邻算、贝叶斯岭回归算法、随机森林算法以及多个深度神经网络算法,发现深度随机森林算法预测效果最佳,支持向量回归算法次之,而深度神经网络算法在该数据集上表现一般。

基于NWP-LSTM的短期供热负荷预测方法

为提高短期供热负荷预测精度,提出了一种基于数值天气预报(NWP)和长短期记忆神经网络(LSTM)的短期供热负荷预测方法。该方法首先对NWP数据和历史供热负荷数据进行Pearson相关性分析,得出对供热负荷影响较大的天气因素,与历史供热负荷数据一起组成神经网络的输入,并通过反复实验设计出最优结构的NWP-LSTM神经网络模型。通过与其他常见供热负荷预测方法比较,提出的NWP-LSTM模型可以获得更精确的预测结果,适合实际工程应用。

基于雨课堂的“中长期天气预报与短期气候预测”课程教学模式探讨

随着信息技术的快速发展,雨课堂作为一个全新的网络教学平台,将其运用在“中长期天气预报与短期气候预测”课程教学中,通过将线下教学和线上网络学习较好地结合起来,有利于师生通过课前预习、课中讲授和课后复习三个环节进行多元互动与探究学习,以此发挥师生在整个课堂教学过程中的重要作用,达到提升教师教学效果及提高学生学习效率的目的。与传统教学模式相比,基于雨课堂的混合教学模式充分地将教师与学生联系了起来,从根本上让学生从被动学习转变为新型的主动学习,不仅增强了学生的积极主动性,而且显著提高了该课程的整体教学效率,为学生的学习和就业打下了良好的基础。

短期负荷预测中实时气象因素的影响分析及其处理策略

短期负荷预测对于电力系统安全经济运行有着重要的作用,因此,人们一直致力于研究新的预测模型,提高预测精度。目前,实现提高预测精度这个目标的关键是如何更加合理地考虑气象因素对负荷的影响,因为气象敏感负荷在总负荷中所所占的比重越来越大。长期以来,鉴于气象部门无法提供实时温度等气象预测结果,电力系统所建立的预测模型绝大多数都是基于日特征气象因素,诸如日最高温度、最低温度等。针对短期负荷预测,作者剖析了气象因素的影响和作用,分析了处理不同阶段气象因素的策略,并提出了考虑实时气象因素的短期负荷预测新模型,该模型基于神经网络,力图寻求温度、湿度等实时气象因素与负荷曲线之间的相关关系和变化规律。实际应用表明,文中的预测模型和处理策略可以得到更加精确的预测结果。此短期负荷预测新模型也适用于超短期负荷预测。

对流参数气候特征在短期预报中的应用

利用对流参数气候特征,可以判断对流天气出现的可能性,进而提高预报时效。以2004年和2005年6—8月石家庄17个地面站观测资料和邢台站高空探测资料为例,计算了对流有效位能(CAPE)、沙氏指数(SI)、K指数(KI)和对流性稳定度指数(IC)等对流参数的气候平均值(气候特征),求取雷暴日和强雷暴日各对流参数的平均值。结果表明:不同的月份与不同强度对流天气的气候特征有明显差别。计算了2006年7月逐日4个时次的对流参数,并分析这些参数与石家庄天气的关系表明,CAPE和SI能够较好地反映出强对流的一些特征。02时和14时加密探空资料弥补了08时和20时时间间隔较长的缺陷,对提高对流天气的短期和短时预报水平,有着十分重要的意义。

基于负荷分解和实时气象因素的短期负荷预测

根据地区气象与负荷的相关关系,从总负荷中分解出对气象不敏感的基础负荷和受气象因素影响的气象敏感负荷,并分别采用灰色系统GM(1,1)模型和基于LMBP(Levernberg-Marquardt back propagation)算法的多层前馈神经网络对二者进行建模预测。在对实时气象因素、日特征气象因素与气象敏感负荷相关性分析的基础上,重点把握某些气象因素与气象敏感负荷之间的联系。通过合理选择神经网络的输入变量,实现了基于实时气象因素的短期负荷预测。实际应用证明了所提出方法的有效性。

短期负荷预测中气象因素处理的费歇信息方法

在能提供大量实时负荷数据和气象数据的智能电网大数据环境下,挖掘合适的气象因素处理方法对提高短期负荷预测精度尤为重要。针对一个或多个气象变量,解决一维或多维费歇信息计算问题。在此基础上,提出基于费歇信息的气象因素建模方法及新预测模型。实际测试结果表明:采用所提模型可以获得更精确的预测结果,解决了短期负荷预测中对气象因素处理的主观随意性问题。

考虑气象信息的节假日负荷预测

因负荷成分与正常日有较大差异且样本较少,故节假日短期负荷预测精度往往不太理想。通过对节假日负荷特性的分析,考虑到节假日负荷影响主要受负荷自然增长及天气等因素的影响较大,文中采用相似日方法和模糊推理分别预测负荷曲线模式和负荷水平。通过对实际系统负荷进行预测,结果表明预测精度较高,尤其在气象出现较大变化的节假日能够得到较好的预测结果。

基于多变量气象因子的LMBP电力日负荷预测

提出基于主成分分析处理多天气因素的LMBP电力负荷预测模型。采用主成分分析技术对多气象因素进行降维处理,提取多天气因素特征量,既全面表征天气因素对电力负荷的影响,又简化预测模型。将得到的新气象特征量与历史负荷数据共同作为建模对象。采用基于L-M优化算法的BP神经网络(LMBP)进行预测分析,通过最速梯度下降法和牛顿法之间的自适应调整优化网络权值,有效提高网络的收敛速度和泛化能力。通过对美国南部某地区实际电力负荷系统进行预测分析表明该方法可以有效提高预测精度和预测效率。

基于Elman算法的光伏阵列的短期功率预测研究

根据青海某5 MW光伏电场的历史光伏发电功率数据和当地的气象预报信息,分析影响功率预测的主要气象因素。采用Elman神经网络算法,结合与预测日同日类型下整点时刻的气象数据和光伏输出功率数据,建立光伏发电短期功率预测模型。对不同日类型的光伏出力的预测结果表明,该短期预测模型具有较高的精度,有助于电网能量的调度,对电力系统的安全稳定运行有积极作用。通过与BP神经网络和非线性状态估计(NSET)算法对比研究表明,Elman神经网络具有更高的预测精度。

沈阳地区强对流天气潜势预报环境参数特征分析

利用常规探空观测和WRF分析场等资料,分析了2005—2014年沈阳地区强对流天气的气候背景特征、演变规律及日变化特征等,将强对流天气划分为冰雹、雷暴大风(≥17.2 m·s-1)、短时强降水(≥20 mm·h-1)和混合型4种类型;并分析探空资料在强对流天气潜势预报中的作用,着重探讨14时(02时)探空资料对沈阳地区强对流天气短时临近潜势预报的作用。结果表明:2005—2014年沈阳地区4种强对流天气中,以短时强降水天气发生次数最多,其次为雷暴大风天气,冰雹天气的发生次数最少,多数强对流天气发生在午后至傍晚。由合成T-Log P图的温湿廓线可知,沈阳地区短时强降水天气发生时中低层存在显著湿区,与雷暴大风和冰雹为主的强对流天气温湿廓线明显不同,多数合成T-Log P图的显著特点为中层大气干燥。冰雹型强对流天气的0℃层和-20℃层高度明显低于其他强对流天气类型的高度;冰雹型强对流天气T700-T500和T850-T500显著大于短时强降水型及雷暴大风型强对流天气,且T850-T500的指示意义更好;4种强对流天气类型平均SI均出现了正值,说明SI失去了不稳定性的指示意义;短时强降水天气的K指数明显高于冰雹天气;雷暴大风天气发生时对流有效位能明显小于其他强对流天气类型。可见,WRF中尺度模式中的T-Log P预报图对沈阳地区强对流天气的预报具有一定的指导意义。

基于功率谱分解和实时气象因素的短期负荷预测

提出了基于功率谱分解和实时气象因素的短期负荷预测方法,采用快速傅里叶变换(fast Fourier transform,FFT)对负荷序列进行变换得到功率谱,依据变换结果分析功率谱得出负荷基频、低频和高频分量的频率范围,采用有限脉冲响应(finite impulse response,FIR)滤波器从负荷中分离出各个负荷分量。分析各个负荷分量的特点,针对各个负荷分量分别设计预测模型,对基频分量采用Elman回归神经网络进行预测,这部分较好地反映出基频分量的时间序列特性;对低频和高频分量分别采用自适应线性回归神经网络进行预测,在对这部分分量的预测中重点引入实时气象因素,以利用最新的气象信息提高预测精度。通过在某地区的实际应用证明了所提出方法的有效性。

区域泥石流短临预报及其应用--基于多普勒天气雷达技术的预报系统

基于先进的多普勒天气雷达探测技术,直接获取多种类型的降水产品,以模糊数学为基础,利用可拓学原理,建立了多层嵌套式泥石流预报可拓模型。模型根据研究区泥石流发生条件的不同,将临界雨量划分成不同的等级范围,确定泥石流发生的概率大小。将该泥石流预报方法应用到四川省凉山州,以ArcGIS为工具开发了凉山州泥石流短临预报应用系统。当有灾害性天气过程出现时,将启动预报系统,逢整点读取降水产品信息,实现1h滚动预报,预报时段为3h。系统可及时地为政府提供全州的泥石流预报信息,为减灾防灾决策提供技术支持。