共查询到18条相似文献，搜索用时 156 毫秒
1.
为了实现更准确的站点风预报,结合中尺度数值模式WRF预报结果和自动气象站观测数据,采用反距离加权插值法,将模式网格和观测站点的数据进行融合构建训练集,利用3种机器学习方法对WRF预报的风场结果进行订正,优化风场预报准确率。其中随机森林模型实现风速的预报均方根误差(RMSE)平均降低了18.22%,风向降低了15.97%;LightGBM模型对于风速、风向的RMSE平均降低了18.60%和17.56%;深度神经网络模型对于风速、风向的RMSE平均降低了5.53%和9.10%。对2020年宁波市9个大风过程进行检验,利用LightGBM模型对于3个站点预报进行订正,结果表明风速的RMSE从4.61 m/s下降到2.14 m/s,平均降低了53.58%,风向的RMSE从30.31°下降到18.20°,平均降低了39.95%。 相似文献
2.
海面风速对航运及海上生产作业影响重大,但数值模式对于海面的风速预报仍存在较大误差。为降低数值模式海面10 m风速预报的系统性误差,提高海上大风预报准确率,基于2017—2019年中国气象局地面气象观测资料对ECMWF确定性模式的10 m风场预报结果进行检验评估,并采用概率密度匹配方法对模式误差进行订正。分析结果表明,概率密度匹配方法可有效地改善数值模式10 m风速预报的系统性误差,订正后风速在各个预报时效和风速量级的平均误差均较订正前有所降低。对于大量级风速的预报,经概率密度匹配方法订正后的风速预报的漏报率可减少10%以上。订正后12 h预报时效的8、9级风速预报的平均绝对误差分别由4.15 m/s、5.61 m/s降低至3.12 m/s、4.08 m/s,120 h预报时效的8、9级风速预报的平均绝对误差由7.38 m/s、9.35 m/s减小至6.46 m/s、8.07 m/s。在冷空气、台风大风天气过程中,基于概率密度匹配方法订正后的风速与实况观测更接近,能够为我国近海洋面10 m风速的预报提供更准确的参考。 相似文献
3.
初步研发了一套基于机器学习方法XGBoost且考虑地形特征影响的数值预报多模式集成技术,并与传统的等权重平均和线性回归方法的集成效果进行了对比分析。利用北京地区快速更新循环数值预报系统每天8次循环预报给出的近地面2 m温度、2 m相对湿度、10 m风速、10 m风向数据产品,分别基于机器学习方法XGBoost、等权重平均方法、线性回归方法构建了3种体现地形因子影响的多模式预报时间滞后集成模型。试验对比分析了暖季、冷季每日不同时刻的模式预报集成订正效果。结果表明:分季节试验中,基于XGBoost模型对2 m温度、10 m风速的集成预报结果相对原始最优预报结果误差明显优于其他两种传统方法。XGBoost对2 m温度集成的误差可降低11.02%—18.09%,10 m风速集成误差可降低31.23%—33.22%,10 m风向集成误差可降低4.1%—8.23%。2 m相对湿度的集成预报误差与传统方法接近。基于XGBoost的多模式集成预报模型可以充分“挖掘”不同模式或不同时刻快速更新循环预报优点,有效降低模式的系统性误差,提供准确性更高的多模式集成确定性预报产品。 相似文献
4.
集合预报在渤海极大风预报中的应用 总被引：1，自引：0，他引：1
利用2015年2月至2018年2月地面气象常规观测中逐小时极大风及欧洲中期天气预报中心集合预报中6 h极大风预报数据,选取渤海海域代表站点,对集合预报极大风产品进行预报误差特征分析。分析表明:集合预报极大风产品的离散度明显偏小于均方根误差,各个预报成员的预报结果集中与否并不能反映出预报可信度。受模式预报能力所限,无法简单通过集合预报选取出最为可信的预报结果。集合平均、第75%分位值、最大值在极大风预报中各有优劣,因此基于以上三个统计量及不同量级风速发生的频率建立了渤海极大风预报客观订正方法,试验对比分析表明,该订正方法可以使极大风预报准确率有效的提高,为大风天气过程预报提供重要参考。 相似文献
5.
3个全球模式对近地层风场预报能力的对比检验 总被引：1，自引：0，他引：1
为了使检验的预报风速具有可比性,首先利用WRF模式对3种常用全球环流预报场(ECMWF、GFS、T639)在中国区域进行4个典型月的10 km水平分辨率的降尺度计算,再利用中国400座测风塔同期观测资料对24 h内70 m高度的风速预报性能进行了对比检验。结果表明:(1)从4个典型月的全风速检验情况来看,ECMWF预报效果略好于GFS,T639稍差,但三者做简单的集合平均可获得最优的预报结果;(2)3种全球预报场降尺度后的预报风速误差平面分布比较相似,整体来看,内蒙古、东北和沿海部分区域误差较小,内陆地区误差较大,尤其在高原和内陆复杂地形下预报效果不佳;(3)从预报风速在4个风速区间的平均检验情况来看,在(0,3]m·s-1和(3,15]m·s-1区间内,ECMWF的TS评分略好一些,在(15,25]m·s-1区间GFS的TS评分最高,在25 m·s-1以上ECMWF具有明显优势;(4)在(3,15]m·s-1区间,3种全球环流预报场的风速预报误差平均在35%左右,ECMWF略好于GFS,GFS略好于T639;(5)从各测风塔点位最优预报效果的全球场统计情况来看,在(3,15]m·s-1区间内,有55.5%的点是ECMWF效果最优,24.8%是GFS最优,19.7%是T639最优。 相似文献
6.
阵风对航运及海上生产作业影响重大,但目前海上阵风客观预报产品较少且时间分辨率低。为进一步丰富海上阵风客观预报产品,提高海上阵风预报准确率,基于2016—2019年实况观测数据及ERA5再分析数据,采用多元回归方法建立我国近海逐小时阵风预报方程,并利用2020年ECMWF确定性模式数据进行预报试验。对比2020年ECMWF确定性模式中的阵风预报及阵风系数法预报产品,基于多元回归方法的阵风预报方程考虑了平均风速项、近地面层湍流作用项以及对流作用项,具有明确的物理意义和统计学意义,对阵风有更好的拟合效果。在8～9级阵风预报中,多元回归方法预报的平均误差、平均绝对误差低于ECMWF确定性模式中的阵风预报,在冷空气大风天气过程中的预报效果优于ECMWF确定性模式,同时该方法也能够反映出台风影响下的阵风情况,可为我国近海阵风预报提供参考。 相似文献
7.
利用2015年1月-2021年3月ECMWF细网格数值预报产品构建训练样本，使用自动机器学习方法构建乌鲁木齐机场温度预测模型。结果表明：（1）ECMWF模式直接输出的乌鲁木齐机场温度平均绝对误差为1.7 ℃，基于自动机器学习方法的Auto-sklearn模型和Auto-Keras模型能够改善模式直接输出的误差，使平均绝对误差降低至1.4 ℃。（2）分析逐月模型预测准确率发现，Auto-sklearn模型的预报准确率（≤2 ℃）在4-10月稳定在85%以上，效果优于其余模型。（3）对于冬季低温天气，Auto-Keras模型预报准确率优于其余模型的效果，平均绝对误差为1.37～1.91 ℃；而对于温度≥0 ℃的情况，Auto-sklearn模型预测效果更好，平均绝对误差为0.93～1.22 ℃ 。 相似文献
8.
利用2016年上海沿岸海域19个站点的风场资料,进行了风场质量控制,包括完整性检查、内部一致性检查、持续性检查和高度订正。同时挑选10个站点作为实况对2016年风场模式预报进行检验,包括风速预报误差、风速预报准确率和风向预报检验,对比了风场观测资料质量控制前后的检验结果,最后对两次大风过程进行了检验。结果表明:预报检验结果均随着预报时效的增加而变差;整体误差秋季和冬季较小,6月和7月误差较大;分级检验0～5级风速准确率在0.9～1之间,预报值比实况偏大,6级以上风速预报准确率逐渐降低,且预报值比实况偏小;风向检验呈现明显的季节性,冬季12月、1月误差小,准确率最高,夏季6月误差最大,准确率最低;质量控制后检验结果都得到正面提升;两次大风过程预报准确率均在70%以上。 相似文献
9.
我国近海洋面10 m风速集合预报客观订正方 总被引：1，自引：0，他引：1
利用2013—2015年ECMWF集合预报10 m风场及我国沿岸和近海88个代表站点风速实况观测,建立基于ECMWF集合预报众数的我国近海洋面10 m风速客观订正方法。集合预报众数正确率及稳定性高于中值及平均值,因此基于集合预报众数,综合考虑历史数据的预报概率及集合预报各个成员的分布情况进行客观订正,可以提高订正效果。订正后的6~7级、8~9级风速偏小的误差及TS评分有明显改进,其中72~120 h预报时效的8~9级风速预报的TS评分由0.04增加到0.44,能够有效提高中长期时效大量级风速的预报能力。订正的风速产品对于我国近海冷空气及台风大风天气过程有较好的预报效果。 相似文献
10.
《气象》2017,(7)
利用2013—2015年ECMWF集合预报10 m风场及我国沿岸和近海88个代表站点风速实况观测,建立基于ECMWF集合预报众数的我国近海洋面10 m风速客观订正方法。集合预报众数正确率及稳定性高于中值及平均值,因此基于集合预报众数,综合考虑历史数据的预报概率及集合预报各个成员的分布情况进行客观订正,可以提高订正效果。订正后的6~7级、8~9级风速偏小的误差及TS评分有明显改进,其中72~120 h预报时效的8~9级风速预报的TS评分由0.04增加到0.44,能够有效提高中长期时效大量级风速的预报能力。订正的风速产品对于我国近海冷空气及台风大风天气过程有较好的预报效果。 相似文献
11.
风电功率预测中最重要的因子是风速,准确的风速预测是风电功率预测的前提和基础。为了提高短期风速预测的准确性,本研究采用WRF模式,对我国上海崇明吕四风电场的风速进行预报。在此基础上,利用PCA-RBF算法结合WRF模式预报风向、气温、气压等气象要素对预报风速进一步订正。实验结果表明,利用PCA-RBF算法对WRF模式预报风速进行订正后,预报风速的误差进一步减小,相对均方根误差降低20%~30%,相对平均绝对误差降低15%~20%。与其他智能算法(BP算法、LSSVM算法)对比分析后得出,PCA-RBF算法对WRF模式预报风速具有较好的订正效果,能够有效提高风速预报准确率。 相似文献
12.
风能始源于大气的运动,具有很大的随机性和间歇性。风速预测是风电场风功率预测的基础,其准确性具有重要的意义。对于复杂地形条件下,风速的预报一直是各国研究的难点和重点。为了提高风电场短期风速预报的准确性,本研究采用多种边界层参数化方案来集成预报风速,将各单一边界层参数化方案预报的风速及相应的实测风速数据,应用随机森林算法建立集成预报模型,对风电场的短期风速进行集成预报研究。试验结果表明,采用集成预报风速方法,预报的风速误差相比于单一边界层参数化方案预报的风速误差明显减小,对研究区域的风速、风向等气象要素有着较好的模拟效果,能够有效提高风速预报的准确率。 相似文献
13.
为降低风电场短期预报风速误差,减少风电场短期风功率偏差积分电量,提高风电场发电功率预测准确率,分季节研究了相似误差订正方法对ECMWF单台风机预报风速的订正效果。结果表明:相似误差订正后不同风机预报风速的误差差距减小;预报风速的平均绝对偏差和均方根误差明显降低,其中夏季和秋季华能义岗风电场两个指标降低幅度均超过0.1 m/s、会宁丁家沟风电场均超过0.2 m/s;订正风速削减了原始预报的极值,可反映大部分时段实况风速3 h内的趋势变化,个别时段订正风速与实况趋势相反;订正后预报风速在风功率敏感区的平均绝对偏差明显降低,华能义岗风电场四季降低幅度在0.112~0.242 m/s之间、会宁丁家沟风电场四季降低幅度在0.131~0.430 m/s之间,有效降低了原始预报误差带来的短期风功率偏差积分电量扣分值;订正风速较原始预报更多分布在风功率敏感区。该方法实际应用灵活,对提高风电场短期预报风速准确率有可观的效果,并可有效减少短期风功率偏差积分电量考核。 相似文献
14.
随着大规模的风电并网,风电所具有的间歇性与随机性对电力系统的稳定性产生了很大的影响,风电功率预测成为当前解决该问题重要的方式之一.本文利用长短期记忆（LSTM）网络良好的时序记忆特性,将小波分解技术与LSTM深度网络结合,提出基于小波长短期记忆网络的风电功率超短期概率预测模型.首先通过小波分解技术将原始时间序列进行平稳化处理,再建立各子序列样本的LSTM网络预测模型,借助最大似然估计法估计预测误差的高斯分布函数,最终实现对未来4 h时刻的风电功率概率区间预测.最后,采用中国东北某风电场数据对所提方法进行算例分析,结果表明,将小波分解与深度学习方法结合可以较好地提高预测的精度,提高概率预测的区间可靠性. 相似文献
15.
风速预测是风电场风功率预测的基础,其准确度严重影响着风电场的运行效率。为了提高短期风速预测的准确性,本研究采用了WRF中尺度数值模式,对我国东部沿海某风电场的风速进行预报。在此基础上,利用极限学习机算法(ELM)对WRF模式预报的风速进一步订正。实验结果表明,WRF模式对风速、风向等气象要素有着较好的回报效果,利用ELM算法对WRF模式预报风速进行订正后,预报风速的误差进一步减小,相对均方根误差和相对平均绝对误差降低了20%～30%。与其他的智能算法(BP神经网络、SVM算法)对比分析后得出,ELM算法对WRF模式预报风速具有较好的订正效果,能够有效提高风速预报准确率。 相似文献
16.
为了将格点观测融合产品用于模式预报产品的滚动订正中,获得精准的预报效果,使用国家气象信息中心HRCLDAS（High Resolution China Meteorological Administration Land Data Assimilation System）业务系统产生的高频次格点风场融合产品作为实况资料,采用两种风场模型和8种格点误差订正方案,对模式风预报产品进行订正预报试验,试验选择欧洲中期天气预报中心10 m风预报产品的2017年1月1日—2月28日以及2017年6月1日—7月31日两个时间段,进行了预报模拟试验,对8种格点误差订正方案的订正结果进行检验,同时将订正场插值到站点,使用国家级2400个地面气象站风场资料进行站点检验,结果表明:无论从格点还是站点检验的平均绝对偏差、准确率、绝对偏差分布频率结果看,采用基于模式和实况因子的全格点滑动建模订正方案具有最佳的订正效果。 相似文献
17.
选取2016年1月至2018年12月ECMWF（简称EC）细网格10 m风资料,与大连地区8个国家气象观测站地面各类实况风速资料进行对比分析,得出EC 10 m风速预报与最大风速最为接近,与极大风速相关性最好,EC 10 m风速对大连地区8站整体预报平均偏大。通过对EC 10 m风速各预报时限资料与其对应的最大风速误差进行统计分析。结果表明：按实况分类,从风速平均误差来看,实况3级与预报最接近,小于3级时预报偏大,大于3级时预报偏小,各风向间的风速误差也比较明显,但比风级间的误差要小一些;平均绝对误差则是2—3级最小。各时限风速平均误差相差不大,基本在0.1—0.3 m·s-1间,平均绝对误差则随时限延长呈缓慢增大趋势。风速误差具有明显的日变化,表现出白天小、夜间大、午后最小、下半夜最大的特征。风速误差也因测站不同,在不同风级和风向的反应也各不相同。 相似文献