基于3D卷积和自注意力机制的卫星云图预测研究

卫星云图是气象预报的重要资源之一,可以显示云层的生消变化,对气象分析和预报工作有极大的作用.对云图进行一定时间段的预测有助于及时掌握云层的移动轨迹和变化情况,提高卫星云图资料的实用性.然而,当前卫星云图的预测面临诸多困难,例如,云团的变化大多是非平稳、非线性的;云图数据量小,实时性差等.因此,从时空序列的角度出发,提出一种基于3D卷积和自注意力机制的卫星云图预测模型,该模型在ST-LSTM(Spatiotemporal Long ShortTerm Memory)的基础上,在其单元内部引入3D卷积和自注意力机制,使模型能同时提取时间信息和空间特征,进一步增强云层短期趋势和长期依赖的联系;同时,在其外部框架使用空间和通道注意力机制,促进对云图空间特征的提取.在风云四号的卫星云图上进行评估,实验结果证明,该模型能够较准确地预测云层的形态变化和运动轨迹,各项评价指标均优于现有模型.

一种云图的短时预测新方法探讨

根据元胞自动机的基本原理,结合云图发展、移动、衰减的特征,提出了一个新的基于元胞自动机的云图短时预测方法。该方法将网格化的云图像素点作为元胞空间的基本单元,邻居定义为摩尔型。通过制定云图像素点的移动、发展和衰减的转换规则,预测短时(12 h内)的云图。试验表明,这种新方法的预测云图与实测云图的基本特征比较相似,特别是预测的整体范围和变化趋势效果较好。

基于时空注意力门控循环单元的特征增强云图预测算法

各种天气现象的变化都伴随着云的运动,气象卫星获取的连续卫星云图含大量的时空序列信息,即连续卫星云图具有显著的时序特征,可作为云图预测的基本信息。云图预测本质上是一种处理云图时空序列特性的视频预测问题,为了准确预测云的位置变化,针对云的不稳定、非线性运动特性,基于CrevNet视频预测模型提出SmartCrevNet云图预测算法。在该算法中设计了一种时空注意力门控循环预测单元(STA-GRU),同时在CrevNet原有的双向自编码模块中引入轻量型注意力模块(SGE),可在不增加计算量的情况下增强云图语义信息,提高特征提取能力。将该算法分别在公共数据集MovingMNIST数据集及FY-4A卫星云图数据集上进行实验,结果表明,在FY-4A卫星云图数据集和MovingMNIST数据集上,SmartCrevNet的均方误差(MSE)分别比CrevNet降低了7.3%和6.1%,结构相似性(SSIM)分别提升了7.9%和1.2%,预测效果优于CrevNet和传统的视频预测算法。

一种神经网络的云图短时预测方法

依据6 h T213数值预报产品的资料,采用EOF展开和人工神经网络等方法,对卫星云图短时预报方法进行研究。首先对卫星云图灰度值样本序列进行EOF展开,将提取出来的时间系数作为建模的预报量,以数值预报产品的物理量场作为预报因子,建立人工神经网络预测模型。将预报得到的时间系数与空间特征向量进行时空反演,实现对未来6 h云图的预测。预报方法的独立样本试验证明,预测结果与实际云图的主要特征基本吻合,尤其在预测云图的大体分布和发展趋势上得到了较好效果。

光伏发电功率超短期预测方法综述

大规模的光伏并网使电网安全问题日益突出,精准的功率预测能为电网安全稳定运行提供可靠的数据支撑。目前,国内外对光伏发电功率超短期预测开展了大量研究,但在其预测精度上还有待进一步的提升。为此,从影响因素、研究方法、预测难点及未来的发展趋势4方面对光伏发电功率超短期预测方法展开综述。首先对光伏发电的影响因素及预测方法进行归纳总结,然后在深入分析基于历史功率数据的预测法、考虑未来气象因素数据的预测法、基于云观测数据预测法以及多种数据组合的预测法的基础上,梳理出目前光伏功率超短期预测所存在的技术难点,最后结合其发展趋势,展望了未来技术研究的攻关方向。