基于MIMO-SVR的供热负荷日预报方法

针对城市集中供热系统中提前24小时的日负荷预报方法具有较大误差问题,提出了一种基于多输入多输出支持向量回归(MIMO-SVR)的供热负荷日预报方法.该方法利用MIMO-SVR的多输出特性通过一步预报直接获得24小时的日负荷预报.通过对某热力站实际供热负荷数据进行仿真研究,结果表明,MIMO-SVR日预报的平均相对误差为2.47%,较多输入单输出支持向量回归(MISO-SVR)预报精度高,能够满足供热工程的应用需要.

不同模态分解方法结合LSTM模型对日径流预报的影响

针对日径流序列不平稳性与波动性的特点,尝试将模态分解和深度学习组合预测方法引入至日径流预报。首先,采用完整集合经验模态分解方法对日径流时间序列进行分解,得到不同频率成分的模态分量;其次,为不同的模态分量构建长短期记忆神经网络日径流预测模型,并采用网格搜索参数寻优算法优化预报模型的超参数;最后将各模型预报结果进行模态重组获得日径流预报结果。以宜昌水文站日径流预报为研究实例,所构建的组合模型较单一长短期记忆神经网络的和分别降低了65.02%、58.35%与2.88%,且运用完整集合经验模态分解方法的分解效果优于传统的模态分解方法,为短时间尺度下的非线性和非平稳的日径流预报提供了新的方法和参考。

气象参数对基于BP神经网络的PM_(2.5)日均值预报模型的影响

建立了基于BP神经网络的PM_(2.5)质量浓度预报模型,对广州市5个监测点2012年6月—2013年5月的PM_(2.5)质量浓度日均值进行预报,分析了总体预报误差、不同风速和降雨量下的预报误差,以及天气预报误差对PM_(2.5)质量浓度预报误差的影响。结果表明,BP神经网络模型对5个站点的PM_(2.5)预报结果稳定,平均相对误差为29.71%。在有利于PM_(2.5)扩散的气象条件下预报误差较大,风速较大时与风速较小时预报误差的差异高达15%,而不同降雨量情况下的预报误差较相近。修正天气预报后,各站点的预报误差平均降低了4.67%。这表明可从空气质量数据质量等方面入手改进模型。

小波神经网络日长预报算法研究

针对BP神经网络的不足,利用小波基函数替代BP神经网络激活函数,对BP神经网络的权值及阈值进行优化,得到优化后的小波神经网络,有效地避免了局部极值的影响,且收敛速度快。将此应用于日长预报,取得了良好的预报效果。

基于卷积神经网络的长江流域夏季日最高温度延伸期预报方法研究

长江流域是我国夏季高温热浪灾害的多发区之一,该地区日最高温度(T_(max))具有显著的低频(10~30 d和30~60 d周期)变化特征,超前-滞后相关分析和气温方程诊断的结果显示,影响长江流域T_(max)低频变化的大尺度环流/对流信号包含:自欧亚大陆东移南下的低频波列,自东北亚向西南方向传播的异常环流,以及由西太平洋向东亚传播的低频对流;这些低频对流/环流活动通过改变辐射加热过程及绝热过程,导致长江流域T_(max)的低频变化。为了客观且有效地辨识和捕捉这些先兆信号,并考虑长江流域T_(max)与大尺度因子间的非线性作用,本文采用机器学习方法中的卷积神经网络(Convolutional Neural Network,CNN)对大量历史数据进行训练,并构建了长江流域T_(max)的延伸期预报模型。在独立预报阶段,CNN预报模型对长江流域区域平均T_(max)的预报时效达30 d,提前5~30 d预报的T_(max)与观测T_(max)的时间相关系数介于0.63~0.70(通过99%置信度的显著性检验),量级偏差(均方根误差)小于1个标准差,显示出CNN在延伸期灾害天气预报的应用潜力。

冬季降雪时段的日极端气温预报方法

本文分析绥化市2010-2013年历次降雪过程,统计降雪时段以及日极端气温出现时间,发现降雪时段的气温变化规律与非降雪时段有很大不同,所以日极端气温预报难度较大。本文从总结降雪时段的气温变化规律入手,试图根据850 hPa预报场温度变化趋势推测出未来降雪时段内的地面气温变化趋势、幅度和日极端气温出现的时间,从而提高预报准确率。

两种样本输入方式下基于GRNN的日长变化预报结果的比较

针对广义回归神经网络用于日长变化预报过程中,样本的输入方式对预报结果的影响进行了研究。采用2种输入方式:即样本按不同跨度输入以及按连续输入,对日长变化进行预报。最终证明不同的样本输入方式对日长变化预报精度的影响较大,样本按跨度输入在超短期预报中预报精度较高,样本采用连续输入的方式在短期和中期预报中预报精度较高。

冕洞演化与太阳活动周的关系及在日地预报中的应用

冕洞的研究在近二十多年里取得了丰硕的成果。本文回顾了冕洞的发现及观测历史，系统阐述了冕洞的结构特征、形成及演化规律，讨论了冕洞对日地空间产生的影响，冕洞与超级活动区的关系以及冕洞在太阳活动预报中所起的作用，在此基础上利用１９７０—１９９５年的冕洞资料对冕洞的时空分布和磁极性演化规律与太阳活动周的关系，以及冕洞与太阳风速度、地磁扰动等方面进行分析研究，得出以下结论：（１）冕洞在南北半球的分布在形态上基本是对称的，但在冕洞数量上北半球稍占优势；（２）冕洞的盛衰演化呈周期性，表现为赤道冕洞周期与黑子周期是完全一致的，极冕洞周期与黑子周期相位相差１８０°；（３）赤道冕洞的纬度分布随太阳活动周上升而上升，当太阳活动周达到极大值时，它也达到极大，然后再随太阳活动周下降而下降，极冕洞的纬度延伸方向演化与赤道冕洞相反；（４）极冕洞的极场呈１１年周期性，并且极场反转出现在太阳活动峰年期间；

综合运用指标法和外推法与日较差法制作日极端气温预报

本文对绥化市2008-2010年逐日最高气温和最低气温以及850 hPa气温和天气现象等资料进行分析,发现1-2月日极端气温同850 hPa气温具有较好的相关性,在实际工作中可以利用欧洲850 hPa气温等数值预报产品作为不同天气条件下气温变化的预报指标,同时可以结合外推法预报气温变化。另外还发现气温日较差的一般性规律,合理利用日较差特点可以对气温预报起到一定的积极作用。

KNN方法在11-3月中国近海测站日最大风速预报中的应用

应用自组织神经网络方法对欧洲中心(ECMWF)2003年1月1日至2006年12月31日逐日数值预报产品分析场进行天气形势分型,发现11—3月影响我国的天气形势基本属于同一类型。对2004—2007年11—3月ECMWF逐日数值预报产品进行动力诊断,提取与中国近海16个测站日最大风速相关较好的预报因子,将改进后的KNN方法作为预报手段,建立11—3月近海测站日最大风速预报模型,并对2007年1—3月16个测站进行逐日检验,结果表明该方法对近海测站日最大风速有较好的预报能力。

黑龙江开江日期预报模型

依据黑龙江漠河、开库康、呼玛、三卡4站近50a实测水文气象记录,分析了影响开江日有关的水文气象临界因素,采用临界指标法,建立了两站的短期开江日预报模型和中期开江日预报模型。

基于日天气预报数据估算小麦生长季参考作物蒸散量

为了在气象要素类型不完整条件下采用Penman-Monteith方法估算小麦生长季蒸散量,运用2014/2015和2015/2016年度两个小麦生长季新乡历史日天气预报数据和对应日气象实测数据,以及修正后的太阳辐射参数和调节系数,首先验证天气预报气温值的准确性,并以预报气温为基础,估算实际水汽压和太阳辐射,最后利用天气预报气温和平均风速值,以Penman-Monteith公式为基础估算参考作物蒸散量。结果表明:日天气预报温度数据可以代替气温观测数据;用天气预报中的最高和最低气温估算的水汽压和太阳辐射能满足Penman-Monteith公式的要求;用天气预报数据估算的辐射项的精度高于空气动力项的精度。总体上,用天气预报数据估算的日参考作物蒸散量中辐射项的精度高于空气动力项,用天气预报估算值总体偏低,但低估范围在7%之内,经统计分析,用天气预报估算与利用Penman-Monteith估算的日参考作物蒸散量相关性较高(R^(2)=0.77)。因此,采用日天气预报的气象资料估算参考作物蒸散量这一方法可行,建议在干旱半干旱地区采用辐射法估算参考作物蒸散量,这给农业灌溉预报提供了理论和方法上的保证,并对指导当地农业水资源的优化配置具有参考意义。

《时轮历精要》日、月食预报系统概述

该系统是把藏文历算这一古老的自然科学成果用现代化工具来处理。日、月食预报是《时轮历精要》的核心部分,该系统的用户界面用 foxbase+(2.10)编写,核心程序用 pascal 计算机语言编写,用藏、汉两种文字显示预报结果:交食时间、食分大小、经食时间、入食方向等。

基于小波包分解的EHO-ELM与EHO-DELM日径流多步预报模型研究

为提高日径流时间序列多步预报精度,基于小波包分解(Wavelet Packet Decomposition,WPD)方法、象群优化(Elephant Herding Optimization,EHO)算法和极限学习机(Extreme Learning Machine,ELM)、深度极限学习机(Eeep Extreme Learning Machine,DELM)两种预测器,研究提出WPD-EHO-ELM、WPD-EHO-DELM日径流时间序列混合预报模型,并应用于云南省景东水文站日径流时间序列多步预报。首先利用2层WPD将日径流时序数据分解为4个子序列分量,达到降低日径流序列数据复杂性和不平稳性的目的;其次在延迟时间为1的情况下,采用Cao方法确定各子序列分量的输入向量;最后介绍EHO算法原理,分别利用EHO优化ELM、DELM输入层权值和隐含层偏值,建立WPD-EHOELM、WPD-EHO-DELM模型对各子序列分量进行多步预测,将预测结果加和重构得到最终日径流多步预报结果。并构建基于小波(Wavelet Decomposition,WD)分解的WD-EHO-ELM、WD-EHO-DELM模型和未经分解的EHO-ELM、EHODELM模型作对比分析模型。结果表明:(1)WPD-EHO-ELM、WPD-EHO-DELM模型对实例预见期为1~5 d日径流预报的平均绝对百分比误差≤9.44%,合格率≥89.2%,确定性系数≥0.99,精度等级均为甲级,预报效果均优于WD-EHO-ELM等其他模型。其中预见期为1~3 d日径流预报的平均绝对百分比误差≤1.81%、合格率100%,确定性系数≥0.999 6,预报效果最理想。(2)WPD-EHO-ELM、WPD-EHO-DELM模型能充分发挥WPD分解、EHO算法和ELM、DELM网络优势,表现出较高的预报精度和稳定性能,预报精度随着预见期天数的增加而降低。(3)模型及方法可为实现日径流时间序列多步预报和精准预报提供新途径。

多日逐日日平均气温预报为合理供暖服务

介绍1993～1994年度冬半年服务中的5天逐日日平均气温预报工作，简述了此项工作的预报方法，总结了预报经验。

基于乘积季节ARIMA模型的供热负荷预报

针对传统的供热调度缺乏对未来供热量进行有效估计这一问题,提出一种基于乘积季节ARIMA模型的供热负荷预报方法.将乘积季节ARIMA模型引入供热负荷预报,通过分析供热负荷数据其固有的趋势和周期性,建立适宜的季节性ARIMA模型,预测未来24小时的供热负荷.采用大庆地区某热力站的供热数据进行建模和仿真预测,其结果的最大误差为3.14%,日预报平均误差为1.45%.实验结果表明,给出的预报结果真实可靠,能够满足供热工程的实际需求,其预报值将成为供热负荷调度和节能的重要依据.

平顶山地区日最高气温预报

以ＥＣＭＷＦ资料为因子，用ＰＰ法、ＭＯＳ法、卡尔曼滤波法作平顶山地区日最高气温预报，并在微机上实现从格式转化、关键区选取、因子计算到结果输出的完全自动化。

基于聚类天气分型的KNN方法在风预报中的应用

以模式识别和相似预报思想为基础,建立基于自组织神经网络(SOM)的聚类天气分型和交叉验证的K最近邻域非参数估计仿真模型(KNN)。该模型首先以自组织神经网络技术对西北地区的高空流场和高度场进行聚类分型,针对不同天气形势下的历史样本,通过交叉检验,分别寻求各类天气型下的最佳K组合。为了验证聚类天气分型对KNN方法的影响,使用2003—2006年冬半年T213数值预报产品和宁夏日最大风速资料,同时建立了宁夏冬半年日最大风速≥6m/s天气分型和未分型的KNN预报模型,并对2007年1—5月进行了预报试验,预报评估结果表明:天气分型后的预报模型总体上降低了预报空报率,提高了预报准确率,特别是某些类天气型,提高幅度更大,为分类相似预报开拓了思路。

第23太阳活动周的黑子数峰值特征预报

利用太阳上升和下降期黑子数变化的特征值， 设计神经网络对第２３ 太阳活动周的上升时间长度和最大平滑月平均黑子数作长期预报， 并且把下降期内太阳活动低年时的地磁扰动因子也作为神经网络的输入参量我们用神经网络得到第１２ ～２２ 周黑子数峰值特征的训练和试验结果， 本文给出了第２３