CN116702068B - 面向多地形场站的风速预报极值提取方法及相关装置 - Google Patents

面向多地形场站的风速预报极值提取方法及相关装置 Download PDF

Info

Publication number
CN116702068B
CN116702068B CN202310981549.2A CN202310981549A CN116702068B CN 116702068 B CN116702068 B CN 116702068B CN 202310981549 A CN202310981549 A CN 202310981549A CN 116702068 B CN116702068 B CN 116702068B
Authority
CN
China
Prior art keywords
wind speed
data
forecast
mode
speed forecast
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310981549.2A
Other languages
English (en)
Other versions
CN116702068A (zh
Inventor
张思球
刘上嘉
叶建东
李燕平
刘泓锴
龚成
敖健永
宋子强
彭孝强
胡圣青
***
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yangjiang Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Yangjiang Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yangjiang Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Yangjiang Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202310981549.2A priority Critical patent/CN116702068B/zh
Publication of CN116702068A publication Critical patent/CN116702068A/zh
Application granted granted Critical
Publication of CN116702068B publication Critical patent/CN116702068B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Environmental & Geological Engineering (AREA)
  • Probability & Statistics with Applications (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种面向多地形场站的风速预报极值提取方法及相关装置，包括：获取小区域地形数据块并进行拼接；收集数值模式的风速预报数据并提取大风极值和大风平均值得到风速预报极值；对风速预报数据进行插值形成与小区域地形数据块相同分辨率的模式预报数据，对模式预报数据的时间节点对应站点观测事件进行标记；将含有标签的观测事件、高分辨率模式地形数据和模式预报数据输入到随机森林模型进行训练，将极值风速出现的概率值作为模型的输出结果从而确定格点上发生电场停机的概率值，与风速预报数据进行相乘得到风速极值提取数据集。解决了现有静态地形风速风险分级面向特定大型天气过程分析不准确导致天气过程预警产品的代表性不足的问题。

Description

面向多地形场站的风速预报极值提取方法及相关装置
技术领域
本申请涉及电力场气象预测技术领域，尤其涉及一种面向多地形场站的风速预报极值提取方法及相关装置。
背景技术
面向在不同地形下建立起来的电力能源站场，抵御风灾的风险能力是不同的。在有利地形下站场受到地形背风面阻挡效应影响，抵御风灾的能力大幅加强，而在地形下垫面不利区域受到“狭管效应”等风力加速地形影响，站场抵御风灾的能力就会显著减弱。因此，人们通常通过历史经验统计将该地区的历史风速极值列入该地区建站风险考量的范围。
基于统计历史信息，每个场站都有独立的风灾风险等级评估指标，但是面对不同的大风速天气过程，站场往往不能精确预判出本次大风速过程是否会造成超过风灾风险等级警示的灾难。因此现有的通用方案是参考站场附近。
目前气象预测更多是针对公众的公益性预报，但不同领域所需的气象服务其实有很大差别。具体来说，面对动态评估站场风灾等级的风速风预报数据，全国多地气象局每日主要提供的是各地主要城市的日平均风速预报，预报结果更新时间频率在6小时以上，且多以单独一个点作为附近一片区域的代表平均风速。这样做无法精确的反应风速的时间突变，同时面对某一片区域内多个场站分布，其单点风速预报的代表性不强。无法满足以风电、光伏为代表的新能源领域站场需求的针对性优化专业气象服务。
发明内容
本申请提供了一种面向多地形场站的风速预报极值提取方法及相关装置，用于解决静态地形风速风险分级面向特定大型天气过程分析不准确导致天气过程预警产品的代表性不足的问题。
有鉴于此，本申请第一方面提供了一种面向多地形场站的风速预报极值提取方法，所述方法包括：
获取极值待提取区域内的小区域地形数据块，对各所述小区域地形数据块进行拼接，得到静态的高分辨率模式地形数据；
收集数值模式的风速预报数据，并提取所述风速预报数据中的大风极值和大风平均值，得到风速预报极值；
对所述风速预报数据进行插值处理，形成与所述小区域地形数据块相同分辨率的模式预报数据，并对所述模式预报数据的时间节点对应站点观测数据中观测事件进行分析并标记，得到标记有成功和失败观测标签的观测事件；
将含有标签的所述观测事件、所述高分辨率模式地形数据和所述模式预报数据输入到随机森林模型进行回归训练，将极值风速出现的概率值作为随机森林模型最终的输出结果；
根据所述输出结果确定格点上发生电场停机的概率值，并与所述风速预报数据进行相乘，得到经过随机森林模型修正的风速极值提取数据集，并将所述风速极值提取数据集生成图像产品。
可选地，所述获取极值待提取区域内的小区域地形数据块，对各所述小区域地形数据块进行拼接，得到静态的高分辨率模式地形数据，具体包括：
通过CMA-GD模式***数值模式的初始化模块SI，生成极值待提取区域内的小区域地形数据块，其中，各所述小区域地形数据块的水平分辨率为100m*100m；
通过自适应的CloughTocher插值方案在多组数据边缘进行消空值处理，对各所述小区域地形数据块进行拼接，得到静态的高分辨率模式地形数据。
可选地，所述收集数值模式的风速预报数据，并提取所述风速预报数据中的大风极值和大风平均值，得到风速预报极值，得到风速预报极值，具体包括：
收集数值模式的风速预报数据，其中，所述风速预报数据为0-72小时内的逐小时数据；
将所述风速预报数据的区域内数据点，按照不同时间点堆叠排列，对每一个数据网格点上不同的风速预报值进行分布分析，确定大风极值和大风平均值，得到风速预报极值。
可选地，所述对所述风速预报数据进行插值处理，形成与所述小区域地形数据块相同分辨率的模式预报数据，具体包括：
通过splines插值方法规则将格点分辨率为3km*3km的所述风速预报数据，插值到水平分辨率为100m*100m的水平尺度，形成与所述小区域地形数据块相同分辨率的模式预报数据。
本申请第二方面提供一种面向多地形场站的风速预报极值提取***，所述***包括：
获取单元，用于获取极值待提取区域内的小区域地形数据块，对各所述小区域地形数据块进行拼接，得到静态的高分辨率模式地形数据；
收集单元，用于收集数值模式的风速预报数据，并提取所述风速预报数据中的大风极值和大风平均值，得到风速预报极值；
插值单元，用于对所述风速预报数据进行插值处理，形成与所述小区域地形数据块相同分辨率的模式预报数据，并对所述模式预报数据的时间节点对应站点观测数据中观测事件进行分析并标记，得到标记有成功和失败观测标签的观测事件；
训练单元，用于将含有标签的所述观测事件、所述高分辨率模式地形数据和所述模式预报数据输入到随机森林模型进行回归训练，将极值风速出现的概率值作为随机森林模型最终的输出结果；
生成单元，用于根据所述输出结果确定格点上发生电场停机的概率值，并与所述风速预报数据进行相乘，得到经过随机森林模型修正的风速极值提取数据集，并将所述风速极值提取数据集生成图像产品。
可选地，所述获取单元，具体用于：
通过CMA-GD模式***数值模式的初始化模块SI，生成极值待提取区域内的小区域地形数据块，其中，各所述小区域地形数据块的水平分辨率为100m*100m；
通过自适应的CloughTocher插值方案在多组数据边缘进行消空值处理，对各所述小区域地形数据块进行拼接，得到静态的高分辨率模式地形数据。
可选地，所述收集单元，具体用于：
收集数值模式的风速预报数据，其中，所述风速预报数据为0-72小时内的逐小时数据；
将所述风速预报数据的区域内数据点，按照不同时间点堆叠排列，对每一个数据网格点上不同的风速预报值进行分布分析，确定大风极值和大风平均值，得到风速预报极值。
可选地，所述插值单元，具体用于：
通过splines插值方法规则将格点分辨率为3km*3km的所述风速预报数据，插值到水平分辨率为100m*100m的水平尺度，形成与所述小区域地形数据块相同分辨率的模式预报数据；
对所述模式预报数据的时间节点对应站点观测数据中观测事件进行分析并标记，得到标记有成功和失败观测标签的观测事件。
本申请第三方面提供一种风速预报极值提取设备，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令，执行如上述第一方面所述的风速预报极值提取方法的步骤。
本申请第四方面提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述第一方面所述的风速预报极值提取方法。
从以上技术方案可以看出，本申请具有以下优点：
与传统的技术方案相比，本申请提供的一种面向多地形场站的风速预报极值提取方法的最大的优势在于可以生成超高分辨率，即100m*100m水平格点尺度的风速预报极值分析产品，这相比于单站单点的极值预估是一个明显的突破。同时得益于上游风速数值预报数据的时间分辨率的优势，具体输入了0-72小时内的逐小时预报数据，使得本申请的数据产品能够更有效的更新对于特定天气过程的极值分析，解决了静态地形风速风险分级面向特定大型天气过程分析不准确导致天气过程预警产品的代表性不足的问题。
附图说明
图1为本申请实施例中提供的一种面向多地形场站的风速预报极值提取方法的流程示意图；
图2为本申请实施例中提供的一种完全合成后的地形数据展示的示意图；
图3为本申请实施例中提供的一种面向多地形场站的风速预报极值提取***的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参阅图1，本申请实施例中提供的一种面向多地形场站的风速预报极值提取方法，包括：
步骤101、获取极值待提取区域内的小区域地形数据块，对各小区域地形数据块进行拼接，得到静态的高分辨率模式地形数据；
需要说明的是，静态地形精细化数据生成（整个过程仅需要执行一次）：通过CMA-GD模式***数值模式的初始化模块SI，生成对应区域内的小区域地形数据块，其中每块数据的水平分辨率为100m*100m，其区别仅为分析区域不同；接着对地形块进行排序拼接。
其中，CMA-GD模式***是由中国气象局广州热带海洋气象研究所负责具体模式研发与应用开发的，该***采用国内先进的半欧拉半拉格朗日动力框架开发，拥有强大的三维大气建模与预报数据输出能力。
进一步需要说明的是，本申请希望通过超高分辨率包含山谷、峡谷、高低差的精细化地形数据来得到更贴近实际的地形情况描述，这种描述应该符合真实地形的起伏变化同时又能够与模式直接输出的风速预报数据进行匹配，因此本申请选用了与产生风速预报数据的模式同一套动力框架搭建的模式***初始化方案用于生成所需的地形数据。但是区域模式有其自身的最大承载能力，面对格点数在12101*22601的大型数组无法正确收敛，因此本申请的流程采用了分割小区域重构的方式进行。期间选择的插值方案为比较经典的python-scipy扩展包内提供的优化算法，该算法在规则网格内数据补缺的应用环境十分广泛。最终呈现出如图2所示的高精度地形数据信息。
如图2所示，横纵坐标值分别表示了该方向这副地形高度图的格点分布一共为12101*22601个格点，总的内存数据大小约为2.18GB每个变量，如此数据量是无法直接投入大型网络训练的。因此本申请在这部分添加了额外的数据访问格式使用HDF5格式存储这些庞大的需要直接读取的数据文件。“HDF5”是“Hierarchical Data Format ver.5”的缩写。HDF5是一种用于存储大规模数值数据的较为理想的存储格式，文件后缀名为h5，存储读取速度非常快，且可在文件内部按照明确的层次存储数据，同一个HDF5可以看做一个高度整合的文件夹，其内部可存放不同类型的数据。
步骤102、收集数值模式的风速预报数据，并提取风速预报数据中的大风极值和大风平均值，得到风速预报极值；
需要说明的是，获得静态的高分辨率模式地形数据之后，通过CMA-GD模式***收集本实施例的“模式风速预报数据”，时间段为0-72小时内的逐小时数据；接着，进行风速预报极值提取：将预报数据区域内数据点按照不同时间点堆叠排列，对每一个数据网格点上不同的风速预报值进行分布分析，将最大值定义为大风极值、将50%分位以上平均值定义为大风平均值，从而得到风速预报极值。
步骤103、对风速预报数据进行插值处理，形成与小区域地形数据块相同分辨率的模式预报数据，并对模式预报数据的时间节点对应站点观测数据中观测事件进行分析并标记，得到标记有成功和失败观测标签的观测事件；
需要说明的是，将模式在较粗格点分辨率（3km*3km）尺度上，由步骤102得到的原始风速预报数据由splines插值方法规则的插值到100m*100m的同区域更高分辨率水平尺度上，形成与地形数据同样分辨率的模式风速极值预报数据；接着，将模式预报数据的时间节点对应站点观测数据中，地面风速大于20m/s且风速预报数据极值大于25m/s，大风平均值大于15m/s的观测事件样本定义为一次对实际出现的极值风速天气情况的成功判断，其余为不成功判断，并标记所有参与训练的数据样本。
步骤104、将含有标签的观测事件、高分辨率模式地形数据和模式预报数据输入到随机森林模型进行回归训练，将极值风速出现的概率值作为随机森林模型最终的输出结果；
需要说明的是，将标记好成功、失败的观测标签，高分辨率模式地形数据，模式预报风速极值数据共同输入随机森林模型进行回归训练，将极值风速出现的概率值作为模型最终的输出结果。
进一步需要说明的是，随机森林是多个“决策树”组合而成的，每个决策树含有整个训练样本的随机分布的一部分特征量，且随机分配特征量的方式遵照一定的分布。首先它是一种自顶向下的树状分支算法结构，在每一个节点上选取一个最优的分支进行下一层继续的分类，具体到模式风速预报极值决定分支方向的函数F就是训练样本的预报（极值大约25m/s预报事件）与观测（附近站点对应时刻有20m/s以上风速观测结果）均方根误差（RMSE），依据函数F不断***，直至F值达到最小到达最下层叶节点，得到输入对应的最终预报结果，不断迭代训练这个树型结构使得它在整个样本集内方差最小就完成了一次决策树的训练。通过训练收敛后的模型可以用于生成面向不同预报时段的风速极值预报产品。
步骤105、根据输出结果确定格点上发生电场停机的概率值，并与风速预报数据进行相乘，得到经过随机森林模型修正的风速极值提取数据集，并将风速极值提取数据集生成图像产品。
需要说明的是，用随机森林模型输出的0~1.0概率值代表该格点上发生电场停机的概率值，将这部分概率值与原始数值模式预报风速的结果相乘，得到了经过随机森林模型修正的风速极值提取数据集，保存该数据集并做出图像产品，即完成了本申请面向多地形场站的风速预报极值提取方法生成产品的全部流程。
本申请提供的一种面向多地形场站的风速预报极值提取方法，该方法最大的优势在于可以生成超高分辨率，即100m*100m水平格点尺度的风速预报极值分析产品，这相比于单站单点的极值预估是一个明显的突破。同时得益于上游风速数值预报数据的时间分辨率的优势，具体输入了0-72小时内的逐小时预报数据，使得本申请的数据产品能够更有效的更新对于特定天气过程的极值分析，解决了静态地形风速风险分级面向特定大型天气过程分析不准确导致天气过程预警产品的代表性不足的问题。
以上为本申请实施例中提供的一种面向多地形场站的风速预报极值提取方法，以下为本申请实施例中提供的一种面向多地形场站的风速预报极值提取***。
请参阅图3，本申请实施例中提供的一种面向多地形场站的风速预报极值提取***，包括：
获取单元201，用于获取极值待提取区域内的小区域地形数据块，对各小区域地形数据块进行拼接，得到静态的高分辨率模式地形数据；
收集单元202，用于收集数值模式的风速预报数据，并提取风速预报数据中的大风极值和大风平均值，得到风速预报极值；
插值单元203，用于对风速预报数据进行插值处理，形成与小区域地形数据块相同分辨率的模式预报数据，并对模式预报数据的时间节点对应站点观测数据中观测事件进行分析并标记，得到标记有成功和失败观测标签的观测事件；
训练单元204，用于将含有标签的观测事件、高分辨率模式地形数据和模式预报数据输入到随机森林模型进行回归训练，将极值风速出现的概率值作为随机森林模型最终的输出结果；
生成单元205，用于根据输出结果确定格点上发生电场停机的概率值，并与风速预报数据进行相乘，得到经过随机森林模型修正的风速极值提取数据集，并将风速极值提取数据集生成图像产品。
进一步地，本申请实施例中还提供了一种风速预报极值提取设备，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令，执行如上述方法实施例所述的风速预报极值提取方法的步骤。
进一步地，本申请实施例中还提供了计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述方法实施例所述的方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个（项）”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项（个）或复数项（个）的任意组合。例如，a，b或c中的至少一项（个），可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（英文全称：Read-OnlyMemory，英文缩写：ROM）、随机存取存储器（英文全称：Random Access Memory，英文缩写：RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种面向多地形场站的风速预报极值提取方法，其特征在于，包括：
获取极值待提取区域内的小区域地形数据块，对各所述小区域地形数据块进行拼接，得到静态的高分辨率模式地形数据；
收集数值模式的风速预报数据，并提取所述风速预报数据中的大风极值和大风平均值，得到风速预报极值；
对所述风速预报数据进行插值处理，形成与所述小区域地形数据块相同分辨率的模式预报数据，并对所述模式预报数据的时间节点对应站点观测数据中观测事件进行分析并标记，得到标记有成功和失败观测标签的观测事件；
将含有标签的所述观测事件、所述高分辨率模式地形数据和所述模式预报数据输入到随机森林模型进行回归训练，将极值风速出现的概率值作为随机森林模型最终的输出结果；
根据所述输出结果确定格点上发生电场停机的概率值，并与所述风速预报数据进行相乘，得到经过随机森林模型修正的风速极值提取数据集，并将所述风速极值提取数据集生成图像产品。
2.根据权利要求1所述的面向多地形场站的风速预报极值提取方法，其特征在于，所述获取极值待提取区域内的小区域地形数据块，对各所述小区域地形数据块进行拼接，得到静态的高分辨率模式地形数据，具体包括：
通过CMA-GD模式***数值模式的初始化模块SI，生成极值待提取区域内的小区域地形数据块，其中，各所述小区域地形数据块的水平分辨率为100m*100m；
通过自适应的CloughTocher插值方案在多组数据边缘进行消空值处理，对各所述小区域地形数据块进行拼接，得到静态的高分辨率模式地形数据。
3.根据权利要求2所述的面向多地形场站的风速预报极值提取方法，其特征在于，所述收集数值模式的风速预报数据，并提取所述风速预报数据中的大风极值和大风平均值，得到风速预报极值，具体包括：
收集数值模式的风速预报数据，其中，所述风速预报数据为0-72小时内的逐小时数据；
将所述风速预报数据的区域内数据点，按照不同时间点堆叠排列，对每一个数据网格点上不同的风速预报值进行分布分析，确定大风极值和大风平均值，得到风速预报极值。
4.根据权利要求3所述的面向多地形场站的风速预报极值提取方法，其特征在于，所述对所述风速预报数据进行插值处理，形成与所述小区域地形数据块相同分辨率的模式预报数据，具体包括：
通过splines插值方法规则将格点分辨率为3km*3km的所述风速预报数据，插值到水平分辨率为100m*100m的水平尺度，形成与所述小区域地形数据块相同分辨率的模式预报数据。
5.一种面向多地形场站的风速预报极值提取***，其特征在于，包括：
获取单元，用于获取极值待提取区域内的小区域地形数据块，对各所述小区域地形数据块进行拼接，得到静态的高分辨率模式地形数据；
收集单元，用于收集数值模式的风速预报数据，并提取所述风速预报数据中的大风极值和大风平均值，得到风速预报极值；
插值单元，用于对所述风速预报数据进行插值处理，形成与所述小区域地形数据块相同分辨率的模式预报数据，并对所述模式预报数据的时间节点对应站点观测数据中观测事件进行分析并标记，得到标记有成功和失败观测标签的观测事件；
训练单元，用于将含有标签的所述观测事件、所述高分辨率模式地形数据和所述模式预报数据输入到随机森林模型进行回归训练，将极值风速出现的概率值作为随机森林模型最终的输出结果；
生成单元，用于根据所述输出结果确定格点上发生电场停机的概率值，并与所述风速预报数据进行相乘，得到经过随机森林模型修正的风速极值提取数据集，并将所述风速极值提取数据集生成图像产品。
6.根据权利要求5所述的面向多地形场站的风速预报极值提取***，其特征在于，所述获取单元，具体用于：
通过CMA-GD模式***数值模式的初始化模块SI，生成极值待提取区域内的小区域地形数据块，其中，各所述小区域地形数据块的水平分辨率为100m*100m；
通过自适应的CloughTocher插值方案在多组数据边缘进行消空值处理，对各所述小区域地形数据块进行拼接，得到静态的高分辨率模式地形数据。
7.根据权利要求6所述的面向多地形场站的风速预报极值提取***，其特征在于，所述收集单元，具体用于：
收集数值模式的风速预报数据，其中，所述风速预报数据为0-72小时内的逐小时数据；
将所述风速预报数据的区域内数据点，按照不同时间点堆叠排列，对每一个数据网格点上不同的风速预报值进行分布分析，确定大风极值和大风平均值，得到风速预报极值。
8.根据权利要求7所述的面向多地形场站的风速预报极值提取***，其特征在于，所述插值单元，具体用于：
通过splines插值方法规则将格点分辨率为3km*3km的所述风速预报数据，插值到水平分辨率为100m*100m的水平尺度，形成与所述小区域地形数据块相同分辨率的模式预报数据；
对所述模式预报数据的时间节点对应站点观测数据中观测事件进行分析并标记，得到标记有成功和失败观测标签的观测事件。
9.一种风速预报极值提取设备，其特征在于，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-4任一项所述的风速预报极值提取方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-4任一项所述的风速预报极值提取方法。
CN202310981549.2A 2023-08-07 2023-08-07 面向多地形场站的风速预报极值提取方法及相关装置 Active CN116702068B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310981549.2A CN116702068B (zh) 2023-08-07 2023-08-07 面向多地形场站的风速预报极值提取方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310981549.2A CN116702068B (zh) 2023-08-07 2023-08-07 面向多地形场站的风速预报极值提取方法及相关装置

Publications (2)

Publication Number Publication Date
CN116702068A CN116702068A (zh) 2023-09-05
CN116702068B true CN116702068B (zh) 2023-12-29

Family

ID=87831535

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310981549.2A Active CN116702068B (zh) 2023-08-07 2023-08-07 面向多地形场站的风速预报极值提取方法及相关装置

Country Status (1)

Country Link
CN (1) CN116702068B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111105076A (zh) * 2019-11-25 2020-05-05 上海眼控科技股份有限公司 天气预报数据的生成方法、装置、计算机设备和存储介质
CN112632799A (zh) * 2021-01-06 2021-04-09 国核电力规划设计研究院有限公司 输电线路设计风速取值方法及装置
CN114942481A (zh) * 2022-06-08 2022-08-26 中国气象局上海台风研究所(上海市气象科学研究所) 热带气旋过程极值风速概率预报方法、装置和计算机设备
CN115657166A (zh) * 2022-12-09 2023-01-31 中科星图维天信(北京)科技有限公司 跨多气候区域的天气预报数值确定方法和装置
CN115758876A (zh) * 2022-11-14 2023-03-07 中能融合智慧科技有限公司 一种风速和风向预报准确率方法、***及计算机设备
CN115808727A (zh) * 2022-11-22 2023-03-17 北京城市气象研究院 百米级阵风客观预报方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SG11202103577QA (en) * 2020-02-27 2021-10-28 Intercontinental Exchange Holdings Inc Systems and methods for converting live weather data to weather index for offsetting weather risk

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111105076A (zh) * 2019-11-25 2020-05-05 上海眼控科技股份有限公司 天气预报数据的生成方法、装置、计算机设备和存储介质
CN112632799A (zh) * 2021-01-06 2021-04-09 国核电力规划设计研究院有限公司 输电线路设计风速取值方法及装置
CN114942481A (zh) * 2022-06-08 2022-08-26 中国气象局上海台风研究所(上海市气象科学研究所) 热带气旋过程极值风速概率预报方法、装置和计算机设备
CN115758876A (zh) * 2022-11-14 2023-03-07 中能融合智慧科技有限公司 一种风速和风向预报准确率方法、***及计算机设备
CN115808727A (zh) * 2022-11-22 2023-03-17 北京城市气象研究院 百米级阵风客观预报方法及装置
CN115657166A (zh) * 2022-12-09 2023-01-31 中科星图维天信(北京)科技有限公司 跨多气候区域的天气预报数值确定方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Lavaysse，C 等.Statistical downscaling of the French Mediterranean climate: assessment for present and projection in an anthropogenic scenario.《NATURAL HAZARDS AND EARTH SYSTEM SCIENCES》.2012,第12卷第651-670页. *
华南地区登陆台风风场特征及风灾评估;毛华健;《中国优秀硕士学位论文全文数据库 (基础科学辑)》(第4期);第A009-107页 *

Also Published As

Publication number Publication date
CN116702068A (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
Almeida et al. PV power forecast using a nonparametric PV model
CN108446293A (zh) 一种基于城市多源异构数据构建城市画像的方法
CN110929963A (zh) 风速预测方法、装置以及存储介质
Chakir Spatial downscaling of agricultural land-use data: an econometric approach using cross entropy
CN112308281A (zh) 一种温度信息预测方法及装置
Cai et al. Statistical feature selection from massive data in distribution fault diagnosis
CN113420458A (zh) 一种风场数据精细化处理方法、装置、终端及介质
CN115795329B (zh) 一种基于大数据网格下的用电异常行为分析方法和装置
Mauro et al. Mapping land use impact of photovoltaic farms via crowdsourcing in the Province of Lecce (Southeastern Italy)
Liu et al. Estimation of precipitation induced by tropical cyclones based on machine‐learning‐enhanced analogue identification of numerical prediction
CN116340437A (zh) 一种面向大规模多源异构数据的多聚类方法
Koolagudi Long-range prediction of Indian summer monsoon rainfall using data mining and statistical approaches
Tiancheng et al. Application of Improved Naive Bayesian‐CNN Classification Algorithm in Sandstorm Prediction in Inner Mongolia
CN116702068B (zh) 面向多地形场站的风速预报极值提取方法及相关装置
CN107220742B (zh) 一种基于***脆弱性分析的信息***开发通用支撑方法及平台
Zahraie et al. SST clustering for winter precipitation prediction in southeast of Iran: Comparison between modified K-means and genetic algorithm-based clustering methods
CN115600047B (zh) 一种基于栅格分析的小流域面平均降雨量测算方法和***
Kargashin et al. Data processing as a critical part of GIS based mapping of renewable energy perspectives
Saghafian et al. Backcasting long-term climate data: evaluation of hypothesis
CN116316617A (zh) 多场站智能融合的新能源发电功率区域预测方法和***
CN116662860A (zh) 一种基于能源大数据的用户画像与分类方法
CN115879619A (zh) 一种变电站日前碳排放因子预测方法及***
CA3176293A1 (en) System and method for automated forest inventory mapping
Yusof et al. Mapping frequent spatio-temporal wind profile patterns using multi-dimensional sequential pattern mining
CN115034839A (zh) 办公区域状态的检测方法、装置和存储介质及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant