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。

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。

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。

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。

基于累加气候概率的FSS检验方法对多模式短时暴雨预报的评估

为深入认识数值天气模式强降水精细化预报性能,本文以短时强降水多发的浙江省2019年5到10月降水为例,采用分数技巧评分(Fractions Skill Score,简称FSS)邻域检验方法,评估了6个业务模式短时降水预报准确性,重点探讨了各模式短时暴雨预报能力及天气背景的影响。结果表明:(1)基于站点降水的累加气候概率,确定了短时小雨、中雨、大雨、暴雨和大暴雨的预报技巧评分阈值各为0.583、0.522、0.506、0.502和0.500,改进并实现了FSS方法对长时间序列各等级降水预报技巧尺度的综合评估。(2)只有上海中尺度区域数值预报业务系统和浙江中尺度区域数值预报业务系统的暴雨预报平均评分达到预报技巧,相应技巧尺度为159、159和183 km;这3个产品共有约6成预报达到技巧评分,其技巧尺度累积频率从3 km至183 km可增幅近50%,这种尺度选择性评价可为不同尺度下产品应用提供参考。(3)不同天气背景下各模式预报性能差异明显。台风类、梅雨类和弱天气尺度强迫类短时暴雨预报的最优模式分别是欧洲中期天气预报中心全球预报模式、上海中尺度区域数值预报业务系统和浙江中尺度区域数值预报业务系统,各技巧尺度为27、99和135 km,模式产品使用中需分类区别对待。

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%。

基于张量低秩补全算法的极端天气短期负荷预测

高效准确的短期电力负荷预测对提升新型电力系统经济运行十分重要。针对极端天气场景下负荷预测数据量较少、随机性较强的特点,提出一种基于张量低秩补全算法的短期负荷预测模型,并选取极端高温场景展开研究。首先,给出极端天气定义,并基于改进型炎热指数和气温两项指标进行数据筛选;其次,提出一种基于张量的负荷数据补全模型,补全缺失数据;然后,通过Pearson相关性分析筛选输入特征量,构建基于长短时记忆(long short term memory, LSTM)网络和粗糙集理论(rough set theory, RST)的LSTM-RST短期负荷预测模型;最后,以苏州某地实际负荷数据设置算例进行验证,仿真结果表明,所提短期负荷预测方法具有较高的准确性。

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。

基于多场景敏感气象因子优选及小样本学习与扩充的转折性天气日前风电功率预测

随着风电渗透率的不断提高,如何对风电出力进行精准可靠预测是电力系统调度部门所面临的巨大挑战。当前,中国已具备较为成熟的风电功率预测解决方案,但其在转折性天气时段仍会出现极端预测偏差。同时,转折性天气数据集相对于常规功率预测数据集而言属于小样本,如何在小样本数据集下实现准确建模是精度提升的关键。针对上述问题,提出一种基于多场景敏感气象因子优选及小样本学习与扩充的转折性天气日前风电功率预测方法,该方法通过优选与构造多重场景转折性天气过程下的气象敏感特征,利用时间序列生成对抗网络对多场景气象敏感特征小样本集进行扩充,并采用长短期记忆神经网络对扩充后的敏感气象因子与风电观测出力序列之间的非线性关系进行建模。采用吉林某风电场数据进行算例验证,结果表明所提模型能够在一定程度上提高包含转折性天气的日前风电功率预测精度。

沈阳桃仙机场2021年趋势预报分析和短临预报技巧

着陆性趋势预报是机场预报最有效的短临预报方式,该文通过详细分析2021年沈阳桃仙机场趋势预报准确率,将趋势预报从风、能见度、天气现象和云这4个方面进行详细分类,以寻找预报技巧,提高沈阳机场短临预报准确性,提供更高质的航空气象保障服务。沈阳机场预报成功率较高的要素包括中等以上降水的解除;能见度上升期的能见度预报,尤其是降雨引起的低能见度;雾、霾、烟的能见度预报;雷暴的解除预报。风、低云及垂直能见度、非常见天气现象的预报在沈阳机场变化较复杂,需要连续跟踪关注。

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。

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。

基于稳定度和能量指标作强对流天气的短时预报指标分析

主要基于1995—2001年强对流天气过程和高空探测资料,计算了K指数、A指数、位势不稳定指标以及能量平衡高度、位势不稳定能量等指标,并进行量化检验和预报指标的对比。结果表明:(1)A指数、K指数的数值大小对于强对流天气的预报具有一定效果。(2)位势不稳定指标I在安徽南方应用比北方的预报效果好,安徽南北方I的临界值有差异,北方I的临界值小,南方I的临界值大。(3)逐年的能量平衡高度和位势不稳定能量都可以分为两个阶段,第一阶段能量平衡高度高于350 hPa且处于极值是强对流天气预报的重要指标。总温度较高、饱和总温度较高、位势不稳定能量较高时,能量平衡高度较高;反之,能量平衡高度较低。这种对应关系可以通过α=0.01的显著性水平检验。(4)强对流天气过程期间,能量平衡高度较高。随着位势不稳定能量的增大,出现强对流天气的可能性也增大。

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。

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。

基于气象负荷因子的Elman神经网络短期负荷预测

针对地区电网负荷易受气候影响的特点 ,引入气象负荷因子 ,提出了一种综合考虑各项气象因素 ,采用Elman反馈神经网络的短期负荷预测模型。由于 Elman神经网络具有动态递归性能 ,可增强负荷预测模型的适应性。经上海电网实际数据的预测仿真计算 ,证明此方法与传统神经网络预测模型相比 ,既能减少输入变量个数 ,又能有效地提高预测精度。