线性滚动极值处理方法对数值模拟风速的订正研究
基于极值偏移优化的ARIMA的短期风速预测
基于极值偏移优化的ARIMA的短期风速预测黄进【摘要】针对风速预测误差较大、精确度不高等问题,提出一种极值偏移优化的ARIMA短期风速预测方法.在分析积累式自回归滑动平均模型基础上,检测采样风速时间序列平稳性、估计风速模型阶数、确定风速ARIMA模型.再利用极值优化和偏移优化方法对风速ARIMA模型进行优化,优化后的模型,提高了48小时内风速预测准确性,减小风速预测的平均相对误差.仿真结果表明:极值偏移优化的ARIMA 短期风速预测,可以提高未来48小时风速预测精准性,平均相对误差控制在5％以内,降低了风速预测误差,提高了预测准确性,具有很强的工程应用前景.【期刊名称】《制造业自动化》【年(卷),期】2018(040)001【总页数】7页(P79-85)【关键词】短期风速预测;ARIMA模型;偏移优化;极值优化【作者】黄进【作者单位】重庆工业职业技术学院自动化学院,重庆 401120【正文语种】中文【中图分类】TP2730 引言在新能源发展过程中，风能是最为常见的清洁能源，不管是在气象台的天气预报，还是在风力发电厂，对风速预测是很有必要的。
风速是空气的流动，相对于在地球上某一固定点的运动速率[1]，这就给人们预测风速带来了极大的困难，由于风速的随机性及不确定性，传统的方法很难精准预测，所以研究一种能够在短期内，更加精准的预测风速的方法将成为大势所趋。
当前，风力发电机组并网发电规模占比越来越大，风速将对风力发电机组的发电成本、设备运行好坏、对电网的贡献率具有直接的影响[2]，所以，能够在短期内精准预测风速，将提高风力发电厂的发电效率，对社会将产生巨大的经济效益，对新能源事业做出贡献。
目前，风速预测方法中常见的是采用传统的物理方法[3]、学习方法中的支持向量机法[4,5]、人工神经网络法[6]、粒子群优化最小二乘支持向量机的方法[7,8]、粒子群优化B样条神经网络方法[9,10]、小波变换和改进萤火虫算法优化[11]，这些方法都采用人工智能手段对风速进行输入输出建模分析，在结合数学中的粒子群优化、小波变换和改进萤火虫算法对所建立的模型进行优化，但是所建立模型大多数都需要建立在最小二乘向量机的基础上，模型预测才较为精确，并且，预测出来的风速模型相较于实际风速模型，具有较大的滞后，曲线拟合较差，预测精度不高，同时，在风速突变时间点，预测误差较大，其相对误差平均值在10%以上，算法复杂度较高，往往需要根据经验确定核函数及阶数[12]，在实际应用中，很难达到满意的预测效果。
极值风速拟合优化策略_赵林
收稿日期:2002-04-26基金项目:国家自然科学基金资助项目(59608006);高等学校博士学科点专项科研基金资助项目(96024713)作者简介:赵 林(1974-),男,黑龙江牡丹江人,博士生.E -mail:zhaolintj@极值风速拟合优化策略赵 林,葛耀君,项海帆(同济大学土木工程防灾国家重点实验室,上海 200092)摘要:在桥梁设计规范中假定风速随机过程为平稳过程,风速母体服从指数型分布并以极值Ñ型拟合风速极值渐近分布.然而实际上风速并不严格地满足平稳过程假设,且由于样本数据的来源不同和极值分布参数估计方法各异,对风速母体分布及样本极值渐近分布拟合方法的结论不尽相同.针对上述问题,通过蒙特卡罗数值模拟技术研究了多种风速母体分布下具有普遍适用性的极值风速拟合策略.并以上海地区龙华、川沙气象站极值风速估算为例,阐明了该方法的实用性和合理性.关键词:极值风速;极值渐近分布;参数估计;母体分布;蒙特卡罗数值模拟中图分类号:T U 973.32 文献标识码:A 文章编号:0253-374X(2003)04-0383-06Optimal Policy of Extrem e Wind FittingZ H A O L in,GE Yao -j un,Xiang H ai -f an(State Key Lab oratory for Disaster Red uction in Civil Engineering,Tongji University,Shanghai 200092,China)Abstract :The bridg e desig n code presumes that wind velocity stochastic process is a stationary gauss process,and extreme value distribution I is used to fit the ex trem e w ind velocity.How ever,since sampling data,estim a -tion methods of distribution parameter,w ind velocity generating distributions and fitting approaches to ex -treme value asymptotic distribution,are distinctly employed,various conclusions have been reached about w ind velocity g enerating distributions and fitting approaches of extreme value asy mptotic distributions.In order to resolve the above problems,a generally applicable fitting policy under various generating sam ples of w ind ve -locity distributions is proposed,and its applicability and reasonability are illustrated w ith the ex trem e value w ind velocity evaluations of Longhua and Chuansha weather stations in Shanghai.Key words :extreme w ind;max im um likelihood estimation;parameter estimation;asymptotic distribution;M onte -Carlo simulation 当以某种极值分布概型拟合风速母样的极值渐近分布时,对重现期内极值风速的估算结果往往与拟合概型和抽样数量有关,本文基于阶段极值法对这一问题进行分析.桥梁设计规范中规定极值风速分布服从极值Ñ型是基于这样一个考虑:风速作为平稳高斯过程,风速母体服从指数型分布[1].然而实际上风速时程为拟平稳过程,而且由于各种复杂环境的存在(基本大气环流形式或局部障碍物),风速母体分布规律变得更加复杂,因此许多研究结果不尽相同,各国规范规定的极值风速拟合方法也有差别.极值风速最初被认为服从极值Ò型[2],后来更多研究表明极值风速取极值Ñ型更合适[3,4],然而近年的研究表明极值Ó型可给出最佳的极值风速估计[5].但是以上各种结论往往仅针对某种确定的母样分布,不具有一般的代表性.基于极值理论和现有风速母样分布的研究成果[5,6],本文通过蒙特卡罗(M onte -Carlo)模拟方法从更广泛的范围认识这个问题,探讨了风速拟合的一般规律,并且给出采用某种拟合概型和抽样方法估算时的第31卷第4期2003年4月同 济 大 学 学 报JOURNAL OF T ONGJI UN IVERSIT Y Vol.31No.4 Apr.2003极值风速偏差范围.极值风速推算的偏差除与拟合概型和样本抽样有关外,参数估计方法的选择也至关重要.为了改善理论分析方法精确性.本文选择了基于极大似然估计法和概率曲线相关系数法的逐步迭代估计法[7].这种方法既可充分发挥极大似然法的高效性,又可发挥概率曲线相关系数可用于较小样本数的优点,同时避免了极大似然法应用于极值分布时不能得到极大似然估计或得到非一致估计的问题.1 极值分布参数估计1.1 极值理论在平均风统计分析中,主要关心和抽取的一般都是极值风速记录数据,而最终要求计算的也是重现期内的期望极值风速,即N 年一遇风速.因此,从数理统计理论上讲,采用极值分布概型是最合理的.文献[8]证明无论随机变量的原始分布具有何种形式,如果其极大值渐近分布存在,都可用以下3种分布类型描述:¹极值Ñ型(Gum bel)分布,F G =ex p{-ex p[-(x -b )/a ]},º极值Ò型(Frechet)分布,F F =ex p{-[(x -b )/a]-C },»极值Ó型(Weibull)分布,F w =ex p{-[-(x -b )/a]C }.以上3式中:a 为尺度参数;b 为位置参数;C 为形状参数.根据经典极值理论,极值分布的一般形式可归结为:F (x )=exp {-[1+C (x -b)/a]-1/C},其中a >0,1+C (x -b )/a >0.C >0,C =0和C <0分别对应于极值Ò型、极值Ñ型和极值Ó型分布,它们的母体分布为指数型、柯西型和有界型分布.1.2 独立参数联合分布概型所谓独立参数联合分布概型是考虑了风速风向的联合作用而建立起来的一种概率分析方法[9].独立参数联合分布概型基于下列基本假定:¹同一地点不同方向的平均风速服从同一种类型的极值分布,并且由该地点所有各个方向上的风速记录数据样本拟合最优极值分布概型;º同一地点不同方向的模型参数是相互独立的,并且由该方向的风速记录数据样本独立估计模型参数.1.3 逐步迭代估计法逐步迭代估计法本质上属于极大似然法,可稳定而高效地应用于具有非线性参数关系极值分布的概型检验与参数估计.依据极大似然原理,可推导极大似然参数估计公式.首先构造样本似然函数L (a,b)=F ni=1d F (x )/d x=(1/a)nF ni=1[1+C (x i -b)/a]-(1/C +1)ex p -E ni =1[1+C (x i -b)/a ]-1/C ,再根据极大似然原理9ln L (a,b )/9a =0,9ln L (a,b )/9b =0,求解可得出以下3种极值分布参数估计公式.(1)极值Ñ型极大似然参数估计公式:E ni=1x i exp -x i /a ^-(x )-a ^)E ni=1ex p (-x i /a ^)=0,b ^=-a ^ln 1nE ni=1exp-x i /a^(1)(2)极值Ò型极大似然参数估计公式:E n i=1(x i -b ^)-(C +1)-C +1n C E ni=1(x i -b ^)-CE ni=1(x i -b ^)-1=0, a^=1nE ni=1(x i -b ^)-C-1/C(2)(3)极值Ó型极大似然参数估计公式:E ni=1(b ^-x i )C -1-C -1n C E n i=1(b ^-x i )C E ni=1(b ^-x i )-1=0, a ^=1nE ni =1(b ^-x i )C1/C(3)由式(1)可知极值Ñ型可由极大似然参数估计公式直接求得分布参数a 和b.而对于极值Ò型和Ó型,由式(2),(3)可知确定形状参数C 是求解尺度参数a 与位置参数b 的首要条件.引用Simiu 提出的可用于较少样本数的概率曲线相关系数来判别形状参数C 的取值[10],并定义概率曲线相关系数为C D =E(X i -X ))[M i (D)-M (D)]E (X i -X ))2E [M i (D)-M (D)]2=F (C )(4)式中:X )=(1/n )E X i ;M (D )=(1/n )E M i (D );n 为样本容量,D 是要检验的概率分布,X i 是原样本重新按序排列,M i (D)是序列中第i 个最小值分布的中值.样本的概率曲线相关系数C D 中取决于C ,而与a 和b 无关.当D1.定义逐步迭代估计法判定最优C 值准则如下[F c (C)[K 标识相关系数384同 济 大 学 学 报第31卷C D接近于1的水平,可定义K的取值范围为0.0001[K[0.01.2Monte-Carlo数值模拟2.1母样选取及参数设定通过Monte-Carlo数值模拟探讨具有普遍适用性的风速极值分布拟合策略及估算重现期内极值风速的方法.设计风速母样为:指数分布、正态分布、瑞利分布和极值Ñ型分布、极值Ò型分布和极值Ó型分布.以日最大风速作为样本,生成1956年1月1日至1996年12月31日的容量为13880的6@20组母样.具体方法是,用乘同余法产生13880个[0,1]区间内均匀分布的伪随机数N i,再由逆变换方法转换成满足风速母体分布的伪随机数x i,即x i=F-1(N i).式中F为风速的母体分布.假定极值风速风向服从16个方向的随机同分布,第i方向年最大抽样数N m ax=S/D=365/16U24.式中S为年极值风速数目,D为风向数.计算结果表明按半月抽样为最大抽样.因此,运用基于阶段极值采样法的逐步迭代估计法,按12, 6,3,1,0.5个月采样分别对母样分布进行参数估计.参照实测风速数据拟合结果[11],可设定母样分布参数如表1所示.表1极值风速母样在不同分布类型下的分布参数Fig.1Extreme value distribution parameters of generating samples分布参数极值Ñ型a b极值Ò型a b C极值Ó型a b C正态分布L R指数分布K瑞利分布R均值 2.298.9010.76-3.089.6724.1030.7214.9616.26 3.470.327.07均方差 1.23 3.12 3.82 2.21 3.52 1.720.71 5.55 4.82 1.980.04 1.22 2.2模拟结果定义相对误差E r=1nE ni|(x i B n-x^i B n)/x i B n@100%|来衡量逐步迭代参数估计法对母样的拟合优度.式中:x i B n为排序后的第i个观察值;x^i B n为由估计参数推算的相应于第i点经验概率的风速值.逐步迭代参数估计法对母样的拟合优度列于表2,不同抽样方法和不同概型推算的期望风速和相对偏差百分比列于表3.表2不同样本和不同概型的拟合优度Fig.2Fitting error of different samples and different models%抽样方法极值Ñ型分布极值Ñ型偏差均方差极值Ò型偏差均方差极值Ó型偏差均方差极值Ò型分布极值Ñ型偏差均方差极值Ò型偏差均方差极值Ó型偏差均方差1年 3.190.39 3.090.63 2.980.58 4.25 1.32 4.51 1.49 4.16 1.21 6个月 2.550.58 2.600.71 2.290.59 3.210.97 3.62 1.23 3.19 1.09 3个月 1.070.25 1.250.36 1.210.48 1.440.60 1.400.56 1.84 1.28 1个月0.910.19 1.190.40 1.190.61 1.400.71 1.070.45 1.94 1.38 0.5个月0.740.16 1.630.680.780.430.970.690.830.41 1.50 1.21抽样方法极值Ó型分布极值Ñ型偏差均方差极值Ò型偏差均方差极值Ó型偏差均方差正态分布极值Ñ型偏差均方差极值Ò型偏差均方差极值Ó型偏差均方差1年0.120.19 2.300.36 2.300.3298.790.10 1.360.33 1.370.41 6个月 2.010.29 2.090.31 2.030.2898.740.12 1.170.07 1.160.07 3个月0.870.12 1.160.200.830.1197.420.150.750.040.510.03 1个月0.920.14 1.320.250.760.110.830.05 1.050.070.530.09 0.5个月 1.030.23 1.970.490.600.11 1.310.07 1.840.130.780.18抽样方法指数分布极值Ñ型偏差均方差极值Ò型偏差均方差极值Ó型偏差均方差瑞利分布极值Ñ型偏差均方差极值Ò型偏差均方差极值Ó型偏差均方差1年 4.890.02 5.170.04 4.910.06 2.500.03 2.570.02 2.530.08 6个月 4.280.02 4.700.03 3.850.19 2.270.01 2.370.02 2.180.20 3个月 1.800.02 2.800.02 2.140.07 1.030.02 1.510.02 1.040.16 1个月 1.830.01 2.990.02 2.730.19 1.300.01 2.100.01 1.050.24 0.5个月 1.390.01 3.820.02 2.270.24 1.790.01 3.590.010.960.06385第4期赵林,等:极值风速拟合优化策略表3不同样本和不同概型推算的极值风速Fig.3Extrem e wind velocities of different samples and different m odels抽样方法估计概型极值Ñ型分布10年期望风速/(m#s-1)偏差/%100年期望风速/(m#s-1)偏差/%极值Ò型分布10年期望风速/(m#s-1)偏差/%100年期望风速/(m#s-1)偏差/%极值Ó型分布10年期望风速/(m#s-1)偏差/%100年期望风速/(m#s-1)偏差/%1d理论分布28.090.0033.550.0018.770.0024.280.0017.340.0019.280.00极值Ñ型27.61-1.6632.90-1.8816.53-11.4519.25-19.1918.53 6.3021.7211.76 0.5个月极值Ò型32.5714.3545.1130.8918.11-3.3423.29-3.6521.0620.9227.6642.49极值Ó型25.27-8.5528.34-13.0515.92-14.5918.01-24.1416.95-2.1318.79-2.40极值Ñ型26.98-3.8131.95-4.6116.59-11.1819.33-18.9917.78 2.1920.60 6.22 1个月极值Ò型29.60 4.6739.0314.5517.56-6.2222.15-8.1418.999.2723.7222.54极值Ó型25.39-8.5728.42-13.2716.13-13.5818.27-23.2016.76-3.2718.54-3.78极值Ñ型26.57-5.2631.31-6.4716.83-9.9919.73-17.5317.17-1.1719.66 1.53 3个月极值Ò型27.54-2.0434.81 3.1417.27-7.7721.52-10.6517.58 1.2621.028.74极值Ó型25.72-7.8528.81-12.6016.54-11.4818.86-20.9416.65-3.9718.38-4.69极值Ñ型26.37-5.9231.01-7.3616.92-9.5619.91-16.9016.94-2.4719.26-0.45 6个月极值Ò型26.91-4.1633.40-0.7717.16-8.3321.28-11.6517.16-1.1720.15 4.30极值Ó型25.84-7.5828.98-12.2816.74-10.5119.18-19.7716.61-4.2718.31-5.10极值Ñ型25.37-11.1829.76-12.7017.02-9.0820.09-16.2610.04-34.2912.10-30.98 1年极值Ò型26.21-6.5231.60-5.7917.00-9.1720.80-13.5316.71-3.7319.11-1.11极值Ó型26.01-7.1829.21-11.9216.97-9.3819.56-18.3516.56-4.5718.19-5.75抽样方法估计概型正态分布10年期望风速/(m#s-1)偏差/%100年期望风速/(m#s-1)偏差/%指数分布10年期望风速/(m#s-1)偏差/%100年期望风速/(m#s-1)偏差/%瑞利分布10年期望风速/(m#s-1)偏差/%100年期望风速/(m#s-1)偏差/%1d理论分布32.650.0034.730.0025.970.0033.260.0028.510.0032.270.00极值Ñ型36.1010.5940.8817.7724.79-4.5431.57-5.0931.7811.4438.2818.61 0.5个月极值Ò型38.8218.9546.8735.0632.5825.4651.3254.3239.4738.4356.4774.99极值Ó型33.28 2.7735.81 4.5021.47-17.1725.12-24.2327.46-3.4930.38-5.49极值Ñ型34.16 4.6438.019.4824.29-6.4730.79-7.4229.82 4.5835.379.59 1个月极值Ò型35.288.0840.7217.3130.0615.7547.0841.5633.3016.8044.2937.26极值Ó型32.580.3034.90 1.4221.80-15.9325.47-23.2027.14-4.6729.97-6.86极值Ñ型 4.88-85.07.96-77.0223.89-7.9930.19-9.2128.34-0.6333.06 2.42 3个月极值Ò型33.10 1.3736.87 6.1626.37 1.5639.2117.9029.37 2.9936.4212.85极值Ó型32.08-1.5034.18-1.0222.43-13.5726.24-20.9327.07-5.0329.81-7.46极值Ñ型 3.54-89.13 6.31-81.7823.66-8.8829.83-10.3227.83-2.4232.19-0.27 6个月极值Ò型32.51-0.4235.75 2.9525.07-3.4936.018.2328.36-0.5634.29 6.24极值Ó型31.93-2.0633.94-1.8722.72-12.4926.63-19.8027.05-5.1529.75-7.69极值Ñ型 2.25-93.08 4.61-86.7023.38-9.9529.24-12.1027.31-4.2431.14-3.50 1年极值Ò型31.83-2.4434.27-1.1823.53-9.3931.64-4.8927.38-4.0031.95-1.02极值Ó型31.74-2.9033.54-3.4823.07-11.1627.10-18.4227.05-5.1529.71-7.842.3结果分析M onte-Carlo模拟结果表明:¹3种极值分布均可较好地拟合母样分布,随着抽样数目的增加,拟合优度逐渐提高,当按0.5个月抽样时,拟合优度最大偏差为3.82%?0.02%;º以3种极值分布拟合极值分布母样时,随着抽样数目的增加期望风速值均收敛于精确解;»重现期内极值风速的估算对风速母样类型比较敏感,对于不同的极值风速母体分布,应有针对性地运用极值分布概型和抽样方法来拟合;¼无论风速母样为何种类型,极值Ò型按年或6个月抽样可以给出最优的极值风速估算,偏差范围为-5.23%?3.89%.3工程场地极值风速概率描述3.1基本参数选择上海龙华和川沙气象站作为采样测站.龙华和川沙气象站位于上海市南部郊区,地处空旷平坦,由于东北部崇明岛和长兴岛的存在,台风型气候特征的显著性要比其它沿海城市低得多,表现出明显的季风气候特征.可利用的龙华气象站原始风速记录共2@12784个,包含了1956年1月1日至1990年12月386同济大学学报第31卷31日的全部12784d 的日最大风速值和相应风向.龙华气象站的全部风速记录均为10m in 平均时距的自动连续记录,并且风仪离地高度均已修正为标准高度z s =10m [12].采集到川沙气象站原始风速记录样本共2@13514个,覆盖了1959年1月1日至1995年12月31日的全部13514d 的最大风速和相应风向.由于龙华气象站在1982年采样时距发生变更,对部分风速数据进行了次数时距换算[11].3.2 风速统计结果图1,2给出了上海龙华、川沙气象站以极值Ò型按年抽样的期望风速推算结果.为了进一步检验估计结果的正确性,可将本文不计风向拟合的极值风速渐近分布曲线与两气象站实测数据频度直方图作一简单比较(如图3).已知上海龙华站35年最大实测风速为27.50m #s -1,次大实测风速为22.50m #s -1,而本文估算的最大风速结果为(21.07?4.70)m #s -1;川沙站37年最大实测风速为21.10m #s -1,本文估算结果为(19.77?3.26)m #s-1.数据结果吻合较好.图1 上海龙华气象站10m 高度设计基本风速(单位:m #s -1)Fig.1 Expected wind velocities in Longhua(unit:m #s -1)图2 上海川沙气象站10m 高度设计基本风速(单位:m #s -1)Fig.2 Expected wind velocities in C huansha(unit:m #s -1)根据5公路桥涵设计通用规范6[13]规定,上海地区基本风压W 0=800Pa,或基本风速v 0=2W/Q =36.14m #s -1,相应场地条件为Ò类场地,z s =20m,A s =0.14和z sg =600m,由指数律[12]可推算上海气象站离地10m 高度处百年一遇风速为32.8m #s -1,这个数值约为本文计算结果的1.5倍,表明规范规定的上海地区极值风速值偏于保守.4 结语风速过程并非严格意义上的平稳过程,本文借鉴现有的平均风概率分析研究成果,通过Monte -Carlo 数值方法模拟了多种可能的风速母样分布,结合基于阶段极值抽样的逐步迭代估计法探讨了风速样本拟合及期望风速估算的优化策略,并且给出了采用某种拟合概型和抽样方法时推算的期望风速值偏差范围.387 第4期赵 林,等:极值风速拟合优化策略图3 本文拟合结果与实测风速频度比较Fig.3 C om parison of esultsM onte -Carlo 模拟结果表明,无论风速母样为何种类型分布,以极值Ò型按1年或0.5年抽样均能给出最优的期望风速估算结果.参考文献:[1] 公路桥梁抗风设计指南编写组.公路桥梁抗风设计指南[M ].北京:人民交通出版社,1996.[2] T hom H C S.Distribution of extreme w inds in the United States[J].Journal of the Structural Division,1960,86(S T4):11-24.[3] S imiu E,Changery M J,Filli ben J J.Extreme w ind speeds at 129airport stations[J].Journal of the Structural Divi sion,1980,106(ST4):809-817.[4] Simiu E,Fi lliben J J.Probability distributi ons of extreme w ind speeds[J].Journal of the Strutural Division ,1976,102(ST 9):1861-1877.[5] 段忠东,欧进萍,周道成,等.极值风速的最优概率模型[R].哈尔滨:哈尔滨工业大学建筑工程学院,2000.[6] 欧进萍,段忠东,陆钦年.渤海海域的风特性统计分析[J].海洋通报,1997,16(1):20-28.[7] 赵 林,葛耀君.平均风极值分布模型及其应用[A].第十届全国结构风工程学术会议论文集[C].上海:同济大学桥梁工程系,2001.392-398.[8] T hoft -Christensen P,Baker M J.Structural reliability theory and its applications[M ].[s.l.]:Springer -Verlag,1982.[9] 葛耀君,林志兴,项海帆.风速风向联合分布概型及其在极端风速估计中的应用[A].第九届全国结构风效应学术会议论文集[C].上海:同济大学桥梁工程系,1999.301-309.[10] T echnical Note 868-1975,National Bureau of Standards[S].[11] 葛耀君.宝山、川沙和龙华气象站日最大风速记录数据汇编[R].上海:同济大学土木工程防灾国家重点实验室,1997.[12] 张相庭.工程结构风荷载理论和抗风计算手册[M ].上海:同济大学出版社,1990.[13] JT J021)89,公路桥涵设计通用规范[S].#下期文章摘要预报#燃料电池汽车用DC/DC 变换器及其控制策略肖 明,张逸成,姚勇涛,沈玉琢结合燃料电池汽车的特殊应用场合,提出了一种结构简单、转换效率高的DC/DC 变换器,针对这种特殊的DC/DC 变换器,分析其控制要求,得出了一种旨在完成功率流分配的控制方法.388同 济 大 学 学 报第31卷。
基于机器学习的数值天气预报风速订正研究
基于机器学习的数值天气预报风速订正研究基于机器学习的数值天气预报风速订正研究摘要：数值天气预报在现代气象预报中起着重要的作用。
然而，由于模式误差和观测数据的不完整性，数值天气预报中的风速预报存在较大的偏差。
本文基于机器学习方法，研究了一种新的数值天气预报风速订正模型，以提高风速预报的准确性和可靠性。
一、引言天气预报对于人们的日常生活、农业生产和工程建设等方面具有重要的指导意义。
其中，风速是天气预报中最重要的参数之一，对于海上、陆地以及航空、灾害监测等领域都有着重要的影响。
然而，由于天气系统的复杂性和观测数据的局限性，数值天气预报中的风速预报普遍存在偏差。
因此，研究如何提高数值天气预报风速的准确性和可靠性具有非常重要的实际意义。
二、数值天气预报误差分析数值天气预报是通过计算数学模型来模拟大气系统，并根据实时和历史观测数据进行修正得到的预报结果。
然而，由于计算模型的不完善以及观测数据的有限性，数值天气预报中不可避免地存在一定的误差。
在风速预报中，主要存在以下几种误差：1. 模式误差：数值模式通常是通过离散化的方程组计算得到的，计算结果会受到时间间隔、网格分辨率等因素的影响，从而引起预报误差。
2. 数据不完整性：观测数据在时间和空间上都存在不连续性和不完全性，导致模型中对风速的预测可能与实际情况不符。
3. 系统误差：模型对于复杂的大气系统可能存在某些假设和简化，这些假设和简化可能导致预测结果与实际情况之间存在较大差异。
三、基于机器学习的风速订正模型机器学习是一种能够自动发现数据中规律和模式的方法，通过训练算法来构建模型，进而实现对未知数据的预测和分类。
在数值天气预报中，机器学习方法可以通过分析历史观测数据和数值模型输出的风速数据来构建订正模型，从而提高风速预报的准确性和可靠性。
具体来说，机器学习模型可以分为监督学习和无监督学习两类。
在风速订正问题中，我们可以使用监督学习方法，将过去的观测数据和数值模型输出的风速数据作为输入，对实际观测数据中的风速进行订正。
滑动平均取值法风速订正方法-概述说明以及解释
滑动平均取值法风速订正方法-概述说明以及解释1.引言1.1 概述概述风速是气象学中一个重要的气象要素，对气象预测、气候研究、能源利用等领域具有重要意义。
然而，由于各种外部因素的影响，风速数据往往存在一定程度的误差和缺失。
因此，对风速数据进行订正是必不可少的。
滑动平均取值法是一种常用的数据处理方法，通过利用历史数据的加权平均值，可以减小数据的随机波动，更好地反映数据的趋势和真实值。
本文将探讨滑动平均取值法在风速订正中的应用，对于改善风速数据的精度和准确性具有重要意义。
通过深入研究滑动平均取值法的原理和风速数据订正的必要性，本文旨在为相关领域的研究人员提供一种有效的数据处理方法，并展望其在气象科学和能源利用等领域的应用前景。
1.2 文章结构本文主要分为引言、正文和结论三部分。
引言部分将介绍本文的主题和研究背景，包括概述研究的重要性和目的。
引言部分还将介绍滑动平均取值法风速订正方法的基本概念和原理。
正文部分将详细讨论滑动平均取值法的原理和风速数据订正的必要性。
另外，还将深入探讨滑动平均取值法在风速订正中的应用，以及其优势和局限性。
结论部分将对全文进行总结，展望该方法未来的应用前景，并提出结论和建议。
最后，还将探讨可能进行的进一步研究方向。
1.3 目的本文旨在探讨滑动平均取值法在风速订正中的应用，通过研究滑动平均取值法的原理和风速数据订正的必要性，探讨该方法在提高风速数据准确性和可靠性方面的作用。
通过本文的研究，我们希望能够深入了解滑动平均取值法在气象领域的应用价值，为气象数据处理和分析提供更加有效的方法和工具，推动气象领域的科学研究和应用技术的发展。
2.正文2.1 滑动平均取值法的原理滑动平均取值法是一种常用的数据处理方法，它通过计算一系列连续数据点的平均值来平滑原始数据，从而减少随机波动的影响，更好地反映数据的整体趋势。
其原理可以简单概括如下：首先，选取一个固定大小的窗口大小（通常为奇数），然后将窗口内的数据进行求和，再除以窗口大小即可得到该窗口下的平均值。
公路隧道中临界风速数值模拟研究
中 图分 类号 ： １ ． Ｘ９ ３ ４。Ｕ４ ３ ５ ５ ．
文 献标 志码 ： Ａ
文章 编 号 ： ０ ９ ０ ９ ２ １ ） ３ １ ８ ３ １ ０ —０ ２ （ Ｏ Ｏ ０ —０ ９ 一Ｏ
近 年 来 ， 着 我 国 经济 的高 速 发 展 ， 通 隧道 大 量 涌 随 交 现 。交 通 隧 道 环 境相 对 密 闭 ， 旦 发 生 火 灾 ， 一 内部 温 度 较
模 型 实验 和 数值 模 拟 的 方 法 对 公 路 隧 道 火 灾进 行 研 究 。 实验
了隧 道 顶板 附 近 的 烟 流 逆 风 流 方 向 流 动 的 现 象 ， 新 鲜 即
风 流 与 烟气 流 分层 流 动 隧道 同一 断 面 上 ， 成 下 部 新 在 形
验 证 隧 道 中存 在 烟 气逆 流 现 象 ； 值 模 拟得 到 不 同 火 源 功 率 下 数
２ Ｏ世 纪 ８ Ｏ年 代 ， ｏ Ｃ ｘ等 较 早 地 采 用 Ｃ Ｄ 方 法 研 究 Ｆ
圈 １ 隧道 模 型 实验 逆 流 层 现 象
针 对 隧 道 火 灾 中 出现 的 烟 流 的 逆 流 层 现 象 ， 内 外 国
学 者 提 出 了“ 界 风 速 ” 概 念 。烟 气 逆 流 层 通 常可 以 通 临 的 过 增 大 风 速 的方 法 消 除 ， 够 恰 好 消 除 烟 气 逆 流 层 的风 能 速 称 为 临 界 风 速 。 现 有 研 究 结 果 表 明 ， 隧 道 内存 在 较 当 高 的纵 向风 速 时 ， 以 有 效 地将 烟 气控 制 在 火 源 的一 侧 ， 可 但 当纵 向风 速 过 大 时 ， 仅 设 备 投 资增 大 ， 且 加 强 了气 不 而
建 筑 防火设 计
基于滚动极值处理的BP神经网络方法的WRF模式预报风速订正
第 ７期
２ ０ １ ３年 ３月
科
学
技
术
与
工
程
Ｖｏ Ｌ １ ３ Ｎｏ ． ７ Ｍａ Ｌ ２０１ ３
１ ６ ７ １ —１ ８ １ ５ （ ２ ０ １ ３ ） ０ ７ — １ ７ ６ ８ — ０ ５
Ｓ ｃ ｉ ｅ ｎ ｃ ｅ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ａ ｎ ｄ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ
误差反向传播
一
１ 资料与方法
１ ． １ 资料 来源
输入 层
隐含层
输 出层
目前风 电场 多采 用 非 静 力 的 中尺 度 ＷＲ Ｆ模 式 模 拟风 场 的变 化 。本 研究 采 用 网格 距 分 为 ２ ７ ｋ ｍ、 ９
提 高风 速预报 的准 确率 。
人工神经 网络方法 （ Ａ Ｎ Ｎ ） 以其独特 的优点 已
广 泛应 用于 长期天 气 趋 势 预报 中 ， 并 取 得 了一 定 效
果 。研 究表 明 ， 对 于抽取 和逼 近非线 性 函数 ， 神
风 电场 通 常 采 用 中尺 度 数 值 模 式 对 风 场 进 行 模 拟预 报 。但 由于风 速 的 瞬 时性 和 脉 动性 、 对地 形 的依赖 性 和敏感性 ， 以及 数 值 模 式对 风 场 描 述 的准
摘
要
为解 决风速预 报准确 性问题 ， 提高风 能利 用率 ， 应用滚 动的 Ｂ Ｐ神经 网络方 法结 合对极值 的处理 ， 对 我 国某 风 电场
２ ０ ０ ７年 ４ —１ １月的 ＷＲ Ｆ模 式预报风速结果进行 了滚动订正研 究。结果表明 ， 经过 １ ｈ 、 １ ２ ｈ 、 ２ ４ ｈ时间步长 的滚 动极值 Ｂ Ｐ神 经 网络方法订正后 ， 风 电机组轮毂高度 ７ ０ ｍ处订 正风速 的相对 均方根误 差平均值分 别减少 １ ６ ． ５ ９ ％、 １ ２ ． １ １ ％和 １ １ ． ６ １ ％， 相
高层隔震结构风振研究
动； 大楼 南北 向和东 西 向 的卓 越 频 率 在 风 振 较 平 缓 时 与理 论计 算 的结 果 相 近 ， 风 振 较 激 烈 时 与 理 论 在 计算 的结果 有一 定 的差 距 ， 主要 是 由于 风 振 作 用 这
还 没能 充分 激发 橡 胶 隔震 支座 的性 能 。
１４ ｏ
｛ ｊ
１ ａ ｎ 提 出 的线 性 回归 滤 波 器 法 （ Ｒ 法 ） ｗｔ ｉ ａ Ａ ， 其 主要 有 以下 过程 ： １ 求 解 个 相 关 的 随 机 风 速 （） 过程 ［ （ ） ｕ ｔ ］＝［ （ ） … ， （ ） 的 回归 系数 矩 阵 ｗ ｕ ｔ， ｕ ｔ］
［ ； ２ 求给 定 方 差 的 随机 过 程 ［ ｔ ］ （ ） 下 ］ （ ） Ｎ（ ） ； ３ 按
随着 隔震技 术 的应用 往 “ 高层 建 筑 ” 展 ， 发 隔震 结 构 的风振 控制 也逐 渐受 到研 究人 员 的关 注 。风荷 载 是一 种常 见 的外 部 荷 载 ， 建 筑 结 构上 主要 作 用 在 有顺 风 向 的平 均 风和 脉动 风 。从 图 １ 动风 功率 谱 脉
中可 以看 出 ， 建筑 结 构 的频 率 处 在 曲线 极 值 点 的右
移 隔震 体 系 的抗 风 稳 定 性 ， 出 了摩 擦 系 数 为 ０ １ 得 ．
可 以 满 足 基 本 风 压 小 于 ０ ９ ｋ ／ 地 区 滑 移 隔 震 ．０ Ｎ ｍ 结 构 的抗风稳 定 性 的结 论 。金 星 ， 韦永 祥 等 对 福 建省 防震 减 灾 中心 大 楼 （ １ 的 钢 筋 混 凝 土 框 架 ． １层
＋（ ｝ 口 ）
（） ４
式 中 ， ｃ ｃ 和 ｃ 分 别 是 、 、 个 方 向 空 间 衰 减 Ｙ 三 系数 。Ｄ ｖｎ ｏｔ 议 Ｃ ＝Ｃ ＝１ ， ： ０ ａｅ ｐｒ建 ６ Ｃ ＝１ 。
一种台风风场动力学订正方法的研究
一种台风风场动力学订正方法的研究王宇星;杨学联;蔡琼琼;韩振宇;郑腾飞【摘要】结合模型风场和数值风场的优点,通过对台风速度场进行涡度场和散度场的动力学分解和合成,提出一种台风风场的动力学订正方法.利用南海海域4场典型的台风个例,检验订正后的合成风场较之于模型风场和数值风场的优势,结果表明:合成风场的模拟结果得到明显改进,既能对台风中心进行精确定位,准确模拟台风眼附近的风场,又保留了数值风场在台风外围的优势;不仅对极值风速、极值时间的模拟非常准确,对弱风的模拟也与观测吻合良好.合成风场与观测风速的多台站统计分析表明,合成风场对实际风场的相位和大小模拟较好,对强风持续时间和极值时间的模拟准确性有显著提高,满足风暴潮等海洋灾害的模拟对于大气强迫场的精度要求.%Accurate atmospheric forcing field is critical to the simulation of storm surge and other marine disasters.We combine the advantages of empirical and numerical wind fields,and presents a new method of wind field correction through dynamical decomposition of vorticity velocity and divergence velocity from the typhoon wind field.Four typical typhoon cases over South China Sea are used to compare the accuracy between synthetic wind field and empirical or numerical wind fields,the results show that the wind field simulation in synthetic model is improved significantly.The synthetic model could locate the typhoon center precisely and simulate the wind field around typhoon eyes accurately,as well as maintain the predominance of numerical wind field over typhoon periphery.Both of the extreme wind speeds and peak time of wind sequences are simulated exactly,and the modellings of weak wind are alsoconsistent with observation.The multi-site analysis shows that,the phases and magnitudes of wind field simulation in synthetic model are consistent with observation,and the simulation performances of wind duration and peak time simulation are improved significantly in synthetic model,which satisfy the accuracy requirements of atmospheric forcing field in marine disaster simulation.【期刊名称】《灾害学》【年(卷),期】2017(032)004【总页数】9页(P51-59)【关键词】台风;风场;动力学订正;合成风场;涡度场速度;散度场速度【作者】王宇星;杨学联;蔡琼琼;韩振宇;郑腾飞【作者单位】国家海洋局海洋减灾中心,北京100194;国家海洋环境预报中心,北京100081;国家海洋环境预报中心,北京100081;国家气候中心,北京100081;中国气象局广州热带海洋气象研究所,广东广州510080【正文语种】中文【中图分类】X43;P435;P413准确的风场强迫是台风风暴潮和漫滩模拟的重要前提。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
热
带 气
象
学
报
２ ９卷
预报值 ，
是第 ｉ 个样本的观测值。
２ 资料简介
本文使用的 ＷＲ Ｆ模式数据采用了四重嵌套
网格 ， 网格距 分别 为 ２ ７ ｋ ｍ、 ９ ｋ ｍ、 ３ ｋ ｍ和 １ ｋ ｍ。 ＷＲ Ｆ 模 式 的初始 驱 动 场采 用 美 国 国家环 境 预报 中心 （ ＮＣ Ｅ Ｐ ） 和 国家 大气 研 究 中心 （ ＮＣ Ａ Ｒ ） 的全球
速等信息对 ＭＭ５模式直接输 出的风速预报进行
订正 ， 订正后平均误差有所减小。陈德花等［ １ ６ ］ 利 用Ｂ Ｐ 神经网络对福建沿海 的ＭＭ５ 预报结果进行 订正 。但 目 前对 ＷＲ Ｆ模式预报风速进行订正的 研究不多，且直接的线性回归方法对 中尺度数值 模式模拟风速进行订正的效果并不明显。本文在 ＷＲ Ｆ模式预报结果的基础上 ， 利用线性 回归方法 并结合滚动技术 ，同时考虑了极值的修正 ，对模 式 的模拟风速进行订正。
文献标识码 ：Ａ Ｄｏ ｉ ：１ ０ ． ３ ９ ６ ９ ￣ ． ｉ ｓ ｓ ｎ ． １ ０ ０ ４ ． ４ ９ ６ ５ ． ２ ０ １ ３ ． ０ ４ ． ０ １ ８ 中图分类号 ：Ｔ Ｋ８
ቤተ መጻሕፍቲ ባይዱ
性 以及对 地 形 的依赖 和 敏感性 ，模式 的风速模 拟
１ 引
言
结 果具 有 很 大 的不确 定性 ［ １ ； 另 一方 面 ，大尺
资助 项 目 ：公益 性 行业 （ 气象） 科 研专 项 （ Ｇ ＹＨ Ｙ２ ０ １ ０ ０ ６ ０ ３ ５ ） 资助 通讯 作者 ：柳艳 香 ，女 ，甘 肃 省人 ，研 究 员 ，博 士 ，主要 从 事气 候变 化 和气 候 资源 评估 、预报研 究 。Ｅ ・ ｍａ ｉ ｌ ： ｌ ｉ ｕ ｙ ｘ ＠ｃ ｍａ ． ｇ ｏ ｖ ． ｃ ａ
摘
要 ：为了进一步提高 ＷＲ Ｆ模式对风速预报的准确性 ， 以我国某风电场 ０ １ ≠ ｝ 测风塔 ２ ０ ０ ７ 年５ 月和 ｌ １ 月
的数据为例 ，通过线性 回归方法并 结合 滚动和极值处理技术 ，对 ＷＲ Ｆ模式模 拟风速进行 了订正。结果表明 ， 直 接使 用线性 回归方法对 于模拟风 速的订正无明显效果 ；采用滚动技术 的线性 回归订正效果与步长有关 ，与线 性 回归订正相 比总体上有较大改进 ，其 中 ３ ｈ步长改进更 明显 ；相 同步 长 ，线性 滚动极值 处理订正较线性滚动 订 正相 比有进一步改进 ， 其中 １ ｈ步长线性滚动极值处理效果最优 ， 如 ５月和 １ １ 月订 正前模 拟风速的相对均方 根误差 （ ｒ Ｒ ＭＳ Ｅ ） 分别 为 ２ ９ ． ２ ７ ４ ％、３ ３ ． ５ ８ ３ ％，订正后 下降为 １ ４ ． ７ １ ４ ％、１ ４ ． ４ ９ ３ ％。订正 后精 度明显提高 ，更接近 实况 风速 ，线性滚动极值处理订 正方法 能够 较好订正模式模拟 风速 ，有效提 高风速预报准确率。 关 键 词 ：线性滚动极值处 理 ；模拟风速 ；风速订正
文章编号 ：１ ０ ０ ４ － ４ ９ ６ ５ （ ２ ０ １ ３ ） ０ ４ — ０ ６ ８ １ ． ０ ６
线 性 滚 动 极 值 处 理 方 法对 数 值 模 拟 风 速 的订 正 研 究
祝赢 ，柳艳 香 ２ ，程 兴宏 ２ ，宋丽莉 ２ ，黄凤新 ２
（ １ ．武汉 中心气 象 台 ，湖北 武汉 ４ ３ ０ ０ ７ ４ ；２ ．中 国气象 局 公共 气 象服 务 中心 ，北 京 １ ０ ０ ０ ８ １ ）
经 济 意义 Ｌ ２ Ｊ 。 对 于风 电 场 ，风速 预 测一 般采 用 中尺度 模式
ＷＲ Ｆ （ Ｗｅ ａ ｔ ｈ ｅ ｒ Ｒｅ ｓ ｅ ａ ｒ ｃ ｈ Ｆ ｏ ｒ ｅ ｃ ａ ｓ ｔ ） 。ＷＲ Ｆ作 为 新一
正， 从而提高风速预报 的准确率【
， 如高荣珍
等［ ¨ ］ 采用青岛近海每天发布预报前 ２ ｈ的实况风
３ ． ２ 订正 因子选 取
ＷＲ Ｆ模 式 的预 报量有 模拟 风 速 、垂 直 风速 、 温度 、湿 度 和气 压 。为 了选 取与 风速 相关较 好 的
要素， 分别将 ０ １ ＃ ￣ Ｕ 风塔 ５ 月和 １ １ 月 的观测风速 与对应月份的 ＷＲ Ｆ模式各预报量作相关分析 ，
代非静力平衡中尺度模式 ，是 当前较常用 的一种 中尺度模式【 ＿ ７ 】 。目前风 电场风速模拟预测的误 差在 ２ ５ ％￣ ４ ０ ％ｔ 。一方面风速 的瞬时陛、脉动
投稿 日期 ：２ ０ １ １ － １ １ － ０ ８ ； 修 订 日期 ：２ ０ １ ３ — ０ ３ － １ ８
第２ ９ 卷 第４ 期 ２ ０ １ ３年 ０ ８月
热 带 气 象 Ｍ学 报 Ｊ ＯＵＲＮＡＬ ＯＦ ＴＲＯＰＩ ＣＡＬ ＥＴＥＯＲＯＬＯＧＹ
Ｖ ｏ １ ． ２ ９ ，Ｎ ｏ ． ４
Ａｕ ｇ ． ，２ ０１ ３
祝赢 ，柳艳 香 ，程 兴宏 ，等．线性 滚 动极 值处 理 方法 对 数值 模拟 风 速 的订 正研 究 ［ Ｊ ］ ＿ 热 带气 象学 报 ，２ ０ １ ３ ，２ ９ （ ４ ） ： ６ ８ １ — ６ ８ ６ ．
度模式预报的准确性在很大程度上制约着 中尺度
风力 发 电是 当今 世 界上 可再 生 能 源开 发 技术
模式的预报结果。因此 ，为了准确地描述风速的 变化 ，需要在数值模式模拟结果 的基础上 ，进一 步 采用统计方 法对数值模式模 拟的风速进行订
最成熟 、最具规模开发和商业化发展前景 的发电 技术 ，由于其在减轻环境污染 、调整能源结构 、 解决偏远地区居民用电等方面的突出作用 ，展现 了良好 的发展前景［ ¨ 。风电能 占整个 电网比例的 大小取决于很 多因素 ，最重要 的是风速的预测。 风速预测精度的提高可 以降低所需 的储备 电能 ， 并增加电网运行 的安全性和可靠性 ，具有很大的