排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
为有效引入“流依赖”的背景场误差协方差,同时降低集合预报带来的计算量,尝试通过优选与同化时刻天气形势更相似的历史预报样本,并结合预报过程中的时间滞后样本,将两种样本引入集合-变分混合同化系统中,构建基于优选历史预报样本和时间滞后样本的集合-变分混合同化方案。单点观测理想试验表明,优选历史预报样本结合时间滞后样本,既能够缓解样本不足所导致的采样误差,又能够为同化系统提供“流依赖”的背景场误差协方差。连续一周的循环同化及预报试验结果显示,相较于ERA5资料和探空资料,三维变分方案整体表现稍差,样本组合混合同化方案分析场和预报场的均方根误差最小,且比仅用时间滞后样本的混合同化方案有所改进;降水评分整体也表现最优,尤其对中雨和暴雨的模拟改进较明显,较好地模拟出了强降水中心的强度和位置,且改善了降水过报的问题。 相似文献
2.
为提高短期风速及功率预测的准确率,减小风电不确定性对电网系统的影响,尝试利用预测窗口期的风速观测进行数值天气预报的集合成员选优,挑选和实际风速更接近的相似预报成员,并构成选优集合进行机器学习模型的训练和测试。相较仅使用集合平均的常规方法,该方法考虑了不同集合成员之间的预报差异,避免了引入误差较大的集合成员,从而有利于改善预报风速偏差。利用不同海拔高度、不同地形特征的河南、甘肃两个风电场中不同集合的表现及敏感性试验结果,确定风电场最佳选优集合数量。相较于集合平均的结果,集合选优方案在不同天气过程中能较好地预报风速的起降,与实际风速更接近,且海平面气压场整体更接近ERA5。对不同风电场进行连续十一个月的风速及功率预测对比试验,结果表明,集合选优方法预报的风速日变化形态和月均风速较原集合平均方法均有改善。分析两个风场不同时长范围、不同速率变化的上坡风和下坡风观测数据可知,在0~2h及2~4h内,风速变化为2~4m/s的个例最多。对比集合平均结果,集合选优方案对于该类型上、下坡风的预测精度均有较为明显的提升。利用机器学习算法对选优集合预报进行训练,能进一步降低风速的绝对偏差和均方根误差,从而有效改善功率预测精度。 相似文献
1