融合精细化气象因素与物理约束的深度学习模型在短期风电功率预测中的应用

现有基于深度学习方法的风电功率预测是一种以气象数据为输入的间接预测,其预测精度依赖于气象预报的准确率,然而现有气象预报资料普遍存在分辨率低,预报模式不稳定的问题。同时,深度学习模型完全依赖数据驱动,缺乏物理规律的指导,预测精度难以进一步提升。因此,提出一种精细化气象因素与物理深度学习相结合的方法。首先,通过降尺度与多模式集成技术,对数值天气预报数据进行处理,改善气象预报产品的低分辨率和准确率问题;其次,基于风电场尾流效应和功率曲线两种物理模型,一方面将物理模型嵌入神经网络损失函数作为正则化项,引入物理约束指导学习过程,以构建物理深度学习网络;另一方面,利用物理模型产生预训练样本,解决观测数据不足的情况,构建预训练模型,为后续有监督学习任务提供支持。最后,通过对某市近海风电场的实际数据进行仿真分析,验证了所提出方法的有效性和优越性。

冰雪天气下基于LSTM的跑道温度数据-机理联合预测

温度是跑道结冰的重要因素,针对跑道除冰运行的跑道热特性参数瞬态变化问题和温度周期序列缓慢变化特性,建立冰雪天气下基于长短时记忆(LSTM)的跑道温度数据-机理联合预测模型。通过最大信息系数法选择数据模型的输入特征变量,采用动态时间弯曲法进行跑道温度数据聚类划分,建立基于LSTM的数据预测模型;通过跑道热力学知识获取跑道温度预测机理模型,采用最小误差赋权法建立跑道温度数据-机理联合预测模型。仿真预测显示,预测时长为20 min、残差阈值为±0.5℃时,数据-机理联合预测模型优于单独的数据预测模型和机理模型,预测准确率可达99.34%;横向对比显示,在相同边界条件下,数据-机理联合预测模型优于BP神经网络、多元回归模型和支持向量机模型,平均准确率提高26.11%。研究表明,基于LSTM的跑道温度数据-机理联合预测模型契合冰雪天气下跑道除冰运行实际,可获得较好的跑道温度短时预测结果。

RETROSPECTIVE TIME INTEGRAL SCHEME AND ITS APPLICATIONS TO THE ADVECTION EQUATION

To put more information into a difference scheme of a differential equation for making an accurate prediction, a new kind of time integration scheme, known as the retrospective (RT) scheme, is proposed on the basis of the memorial dynamics. Stability criteria of the scheme for an advection equation in certain conditions are derived mathematically. The computations for the advection equation have been conducted with its RT scheme. It is shown that the accuracy of the scheme is much higher than that of the leapfrog (LF) difference scheme.

基于VMD-Informer-BiLSTM模型的超短期光伏功率预测

由于光伏出力的波动性和随机性给电网的规划和运行带来了挑战,因此提高光伏功率预测的精度对提升新能源系统的稳定性具有重要意义。为此提出了一种结合模态分解、多维特征建模、Informer、双向长短期神经网络(bidirectional long short-term memory network,BiLSTM)的超短期光伏组合预测模型。首先通过变分模态分解将光伏功率序列分解成不同频率的本征模态函数(intrinsic mode function,IMF),降低光伏功率信号的非平稳性与复杂度;随后使用离散小波变换提取天气因素中的细节分量,实现不同分解算法的优势互补,并用随机森林算法为每个IMF筛选冗余特征,然后将特征矩阵送入Informer进行建模,提取不同时间步中关键时刻的信息,提高对长时间序列的预测效率;最后为进一步提高模型预测精度,分析误差序列特性,利用BiLSTM进行误差校正。采用实际光伏数据进行算例分析,结果表明所提方法提高了超短期光伏功率预测精度。

基于气象修正模型的短期光伏功率预测方法

为提高光伏发电功率预测的准确性,提出一种基于气象修正模型的短期光伏功率预测方法。该方法采用矩阵填充算法对数值天气预报进行修正,采用长短期记忆神经网络预测短期光伏功率。以某光伏电站功率数据为基础,对所提出的方法进行仿真验证。实验结果表明:基于气象修正模型的短期光伏功率预测方法在均方根误差下的预测误差率约为5%,说明该方法能够较好地提升光伏功率的短期预测精度。

一种提高数值模式时间差分计算精度的新格式——回溯时间积分格式

为了使用以制作数值预报的微分方程中包含更多的信息量、以期提高预报准确度 ,该文提出了一种基于记忆动力学的时间积分格式。以天气预报为实例 ,计算表明 ,平流方程的回溯时间积分格式所得的预报准确度大大高于传统的蛙跃差分格式。此方法在海洋、水文、环境、航空等应用平流方程计算的多种科学中亦是有效的。

分类与集成方法在降雨预报中的应用

介绍一种利用数值预报产品进行降雨预报的方法。该方法按照人工智能分类与集成的思想,利用前馈神经网络将T213、日本、德国的数值预报产品集成在一起,构成一个集成型的预报系统。在此基础上,利用高度场的天气形势和预报区域近低层流场和温湿条件,采用自组织神经网络进行天气分型,并针对不同的天气类型选用不同的预报因子,建立不同的预报模型。按照上述方法,选用江淮流域68个站点2003—2005年的5—9月数据,逐站建模,用2006—2007年5—9月的数据进行分级降水试报。各级降水预报结果表明,集成多家数值预报信息好于仅用单一模式的信息,采用天气分型建模优于不分型的建模。因此,多模式(型)预报结果的综合集成方法的研究,是数值预报解释应用中很值得探索的方向。

2002年夏季气候及汛期实时预测与检验

简要介绍了中国科学院大气物理研究所 2 0 0 2年汛期预测的结果。作者首先利用IAPENSO预测系统 ,较好地预测出 2 0 0 2年夏季将有一个强度偏弱的ElN no事件发生 ;IAP动力学气候预测系统 (IAPDCP II)的跨季度预测结果则表明 2 0 0 2年夏季我国华北和东北大部将持续干旱少雨 ,长江下游和南方大部地区降水较常年偏多 ;在数值预测的基础上 ,结合其他的动力统计预测方法 ,最终得到中国科学院大气物理研究所 2 0 0 2年夏季旱涝趋势的跨季度集成预测结果。与实况比较表明 ,IAPDCP II预测和集成预报均较好地预测出我国夏季旱涝的大范围形势分布 ,特别是动力数值预测的效果在我国东部略优于集成预测。至于汛期 (6～ 8月 )每天的天气分析研究和数值天气预报 ,则表明国内外现有的中高分辨率数值天气预报模式均有很好的预测能力 ,并给出了我国长江流域和华北地区 2 0 0 2年持续性降水的天气学模型。

回溯时间积分格式的有效性研究

采用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。

基于动态集成LSSVR的超短期风电功率预测

针对最小二乘支持向量回归(Least Square Support Vector Regression,LSSVR)建模风电功率时变特性的局限性,提出了一种基于动态集成LSSVR的超短期风电功率预测模型.首先利用风电场监测控制与数据采集(Supervisory Control And Data Acquisition,SCADA)与数值天气预报(Numerical Weather Prediction,NWP)系统的历史数据建立离线单体LSSVR模型库,然后根据预测时段与训练时段NWP序列的相似度从单体LSSVR模型库中动态选择候选集成成员,再后综合考虑正确性与多样性确定集成成员.最后由预测时段与训练时段NWP序列间的相似度分配集成LSSVR成员的权重.通过对湖南省某风电场输出功率进行预测,验证了动态集成LSSVR预测模型的有效性,与持续法、自回归求和移动平均法、单体LSSVR模型、常权重LSSVR组合模型及BPNN动态集成模型相比,动态集成LSSVR模型具有更高的精度,在天气非平稳变化阶段更加明显.

基于陆气耦合的城市雨洪模拟技术研究进展

对汇流时间短、暴雨时程集中且短期内降水强度大的城市区域而言,暴雨洪涝灾害预见期的延长可以为制定应急预案和实施防汛抢险争取更多的响应时间,降低城市暴雨洪涝事件带来的潜在危害.延长城市暴雨洪涝灾害预见期的有效措施之一,是采用基于数值天气预报技术和多源/高分辨率数据资料的陆气耦合城市雨洪模拟技术进行雨洪过程模拟和灾害预报.本文归纳总结了城市雨洪过程模拟和预报中常用的5类降水输入数据及各类降水数据的适用条件;总结了数值天气预报技术在区域强降水模拟方面的研究进展及存在的问题;梳理了城市雨洪过程模拟中采用的常见方法及优缺点;总结了数值降水预报技术应用于城市雨洪过程模拟和预报的最新研究进展.在此基础上,提出了基于陆气耦合的城市雨洪模拟技术需要解决的关键问题和应对之策,指出在当前城市雨洪模拟技术较为成熟的情况下,减小数值降水预报结果的不确定性和提高城市雨洪过程模拟的精细化程度是提高城市暴雨洪涝灾害预报准确性的主要手段.

地下水水质实时预报系统开发及应用——以下辽河平原为例

地下水数值模拟需要大量的监测数据作为支撑,数据的录入耗时耗力,存在出错的可能,且不能第一时间进行实时快速预报。采用VB语言编程技术,以识别和验证后的下辽河平原地下水流数值模型和地下水溶质运移数值模型为基础,重新编译后的MF2K和MT3DMS为内核计算程序,Microsoft SQL Server 2000为数据库,开发了模型与地下水实时监测系统的接口,集成建立了下辽河平原地下水水质实时预报模型,并开发了操作界面下的操作系统,实现了下辽河平原地下水水质的实时预报功能。该系统将地下水实时监控技术与地下水数值模拟技术结合,操作简便、时效性强、出错概率小,能够实时获取地下水水位、水质监测数据,对地下水流场和地下水溶质浓度场的演化进行快速预报。同时,本系统预留了更新接口,可根据逐步积累的地下水监测数据和系统计算数据进行进一步验证,不断提高系统预报的精度。

自忆性方程与自忆模式

从不可逆过程的记忆概念出发，讨论了大气运动的自忆性方程。随着记忆函数的不同求取方式，自忆性方程可构咸数值、统计－动力和多时刻模式。在仅考虑单点序列，把其他空间点的影响视为随机干扰时，自忆预测模式蜕变为均生函数模型。

基于数值积分的车削加工时域仿真

建立了车削加工系统z向单自由度动力学模型,试验测试获得了CJ0625车床的刀架频响函数,并辨识获得结构动态特性参数.采用一种变步长方法进行时域仿真研究,该算法可以根据计算点主轴转速动态调整仿真步长,保证算法收敛,满足仿真结果精度要求.基于Matlab平台设计并编写了车削加工时域仿真软件.对时域仿真方法与频域颤振预测方法(叶瓣图法)进行了比较研究.给出了稳定切削、临界稳定以及颤振情况下的振动位移变化曲线.结果表明两种方法获得的车削加工绝对稳定切削深度误差小于6.07%.

神威机上集合数值天气预报系统功能概述

文章对自主研制的基于神威巨型机的并行化集合数值天气预报系统的研制背景、系统组成、主要技术特点和应用发展前景作了一简要介绍。

TIGGE多模式降水预报产品检验与集成研究

数值预报产品的检验与集成是使用和发展数值预报的重要环节。以TIGGE数据中心的NCEP、ECMWF、JMA和KMA等4种模式控制预报产品为基础资料,选取福建池潭水库流域为研究对象,从降水分级预报、降水量级和过程预报等方面对数值预报产品进行了综合评估,同时采用回归集成、TS集成和Nash系数集成等3种方法对多模式产品开展了降水集成预报,在此基础上,探讨了不同集成方法对最终降水预报效果的影响。结果表明,4种产品对无雨和小雨的预报效果均较好,在不同量级降水预报中,JMA模式更适合于25 mm以下量级的降水预报,而ECMWF对25 mm以上量级的降水预报效果较好。对于日降水量预报,NCEP模式的预报效果较差,而ECMWF模式的预报相对更准确。对于降水过程预报,KMA的预测性能则明显差于其他3个模型。集成预报对降低预报误差并提高降水过程预报有较好的效果,其中针对不同量级分类加权的TS集成方法预报效果最优,且提升了高量级降水预测效果。

基于MIE-LSTM的短期光伏功率预测

提升精细化的光伏预测技术对电力系统的实时调度运行至关重要。它不仅依赖于预测模型的优劣,还依赖于训练样本日与预测日的相似程度。提出一种基于MIE-LSTM的短期光伏功率预测方法。在建立基于互信息熵(Mutual Information Entropy, MIE)的相关性衡量指标基础上,计算出光伏功率与各气象因素间的互信息熵,从而对高维气象数据进行降维处理。然后,利用历史日与预测日多维气象因素间的加权互信息熵筛选出相似日样本。最后,通过长短期记忆(Long-short Term Memory, LSTM)神经网络预测模型训练并建立气象因素与光伏出力之间的映射关系。通过对某实测光伏电站不同天气类型下的发电功率进行预测分析,验证了新方法能够达到理想的预测精度。

基于动态时间规整的风电功率爬坡滚动修正模型

不断提高风电爬坡事件特征量的预测精度对电力系统安全稳定运行意义重大。因此,提出一种爬坡事件特征量与数值天气预报(NWP)气象数据相结合的风电爬坡滚动修正模型。首先,基于PRAA算法获得历史数据库与预测数据库中的所有爬坡事件特征量,建立爬坡特征量预测误差向量矩阵。然后,分析误差向量矩阵与NWP中各气象数据的线性和非线性相关关系,识别影响爬坡特征量预测误差的有效气象指标。最后,基于动态时间规整实现未来与历史数据库中具有相似特征的有效气象指标匹配,得到未来爬坡事件预测误差修正的参考集,并进行滚动修正。算例表明,该修正模型能有效降低爬坡幅值误差,提高爬坡事件预测的精度。

基于双向长短期记忆深度学习模型的短期风功率预测方法研究

风功率的准确预测对电力系统的规划、调度运行等方面均具有重要意义。该文以风功率预测误差最小为目标,提出了一种基于双向长短期记忆深度学习模型的短期风功率预测方法,包括3层(输入层、隐含层和输出层)网络结构的详细设计以及网络训练过程。输入层负责对原始数据进行预处理以满足网络输入要求,隐含层采用双向长短期记忆单元构建以提取输入数据的非线性特征,输出层提供预测结果,网络训练采用Adam优化方法。在此基础上,基于实际风电场采集数据为算例,对该文所提出模型进行训练与测试,验证了该文所提方法的可行性与优越性。

使用人工神经网络改进2022年北京冬奥会数值天气预报后处理过程的算法研究

提出一种基于先进机器学习算法的纯客观、实时天气预报后处理方法。该方法使用历史数值天气预报结果和实况观测值,训练出一个人工神经网络模型,再将该模型应用于每日实时发布的数值天气预报结果中,得到台站级别的天气要素预报结果。于张家口市和北京市分别建立该模型,并使用2005—2020年的观测数据和模式数据进行训练、验证和调优。结果表明,该模型预报的5个常规气象要素的预报误差普遍优于一元线性回归、多元线性回归以及数值天气预报模式的原始输出值,尤其对3天以内的天气预报具有明显优势。基于该模型发展的全自动实时后处理系统已于2020年11月1日开始每日自动化地输出预报结果,并服务于2022年北京冬奥会的气象保障工作。