神经网络在考虑气温因素短期负荷预测中的应用

针对地区电网负荷易受气温影响的特点,本文提出了一种具有气温敏感性的基于BP算法的神经网络预测模型。模型中通过对温度数据变换后作为预测模型输入数据,合理地考虑了气温对负荷的影响。实际应用表明,该模型能有效地反映气温和负荷之间的变化关系。     

基于多源极轨气象卫星热红外数据的近地表气温反演研究

以上海作为研究区,采用多源极轨气象卫星热红外波段数据,在进行数据预处理的基础上选择264个时相,与52个气象站点的同步气温数据进行耦合,建立了分季度、分时段的两种气温遥感反演模型.结果表明,基于多源遥感数据的大量样本可用于建立稳定的气温反演模型,而且通过实测的单个站点数据进行模型修正能够提高气温水平分布的反演精度.     

基于多源极轨气象卫星热红外数据的近地表气温反演研究

以上海作为研究区,采用多源极轨气象卫星热红外波段数据,在进行数据预处理的基础上选择264个时相,与52个气象站点的同步气温数据进行耦合,建立了分季度、分时段的两种气温遥感反演模型。结果表明,基于多源遥感数据的大量样本可用于建立稳定的气温反演模型,而且通过实测的单个站点数据进行模型修正能够提高气温水平分布的反演精度。     

改进PSO的SVM回归模型及在气温预测中的应用

兰州市气温是一个非平稳序列,具有典型噪声大、不稳定的特征,气温变化越大,越不稳定.为了能够提高支持向量机在气温预测中的预测精度、强化泛化能力和降低参数选择的灵敏度.本文提出了改进的粒子群算法(improved particle swarm optimization, IPSO)优化支持向量机(support vector machine, SVM)的气温预测模型.首先在粒子群算法(particle swarm optimization, PSO)中引入了自适应惯性权重以提高PSO算法的全局寻优能力和局部开发能力,其次利用改进的IPSO算法优化SVM的惩罚因子和核函数参数,将优化后的模型(IPSO-SVM)应用于气温预测中.以兰州地面观测站点实际数据作为样本数据,运用Matlab实验工具进行训练和预测,实验结果表明,本文IPSO-SVM模型相比于BP, SVM, GRID-SVM, GWO-SVM, ABC-SVM, ACO-SVM模型具有更强的泛化能力,更好的拟合度,可以更加准确地预测气温的变化,进一步验证了该模型在气温预测方面的可行性.     

一种基于气温因素的短期电力负荷预测模型北大核心CSCD

气温波动是影响短期电力负荷预测准确率的主要因素之一,为了提高预测精度,将气温因素引入一种新型的非线性自回归模型中,构建一种基于气温因素的非线性自回归短期电力负荷预测模型,并提出该模型的实验定阶方法。以气温作为模型的外部输入量,基于Weierstrass定理推导了该模型的表达式,采用最小二乘法估计该模型的参数,根据所提出的实验定阶方法对模型进行定阶。对实际电力负荷样本进行预测,结果验证了模型实验定阶方法的可行性,表明该负荷预测模型预测精度较高,可应用于负荷短期预测之中。     

气温与陆地表面温度和光谱植被指关系的研究

Prihodko 和Goward (1997) 在假设气温与浓密植被冠层温度近似的基础上, 利用空间分辨率为1 km NOAA 影像13×13 像素窗口的植被指数和LST 的线性外推求得NDVI= 0. 86 时LST, 作为中间像素气温的估计值, 这种方法假设了两个前提, 即13×13 像元窗口的植被指数和LST 呈负线性相关; 高植被覆盖条件下的LST 与气温相等。 根据Parton 和Logan (1981) 提出的气温时间尺度转换模型将297 个气象观测站获得的最高和最低气温资料计算MODIS Terra 卫星过境时刻的气温, 利用MODIS 每天陆地表面温度(LST ) 产品、16 d 合成植被指数产品, 探讨气温、植被指数和LST 之间的关系, 对Prihodko & Gow ard 法的两个前提进行调研。结果表明: ①在晚上,LST 与植被指数之间相关性很小; 方差分析的结果表明晚上LST 与晚上气温差异不显著, 因此晚上的气温基本可以由LST 代替; ②在白天, 在地形平坦的平原地区, 植被覆盖度范围较大的情况下,LST 与植被指数呈负相关关系, 但是在地形复杂的青藏高原地区和植被覆盖度范围较小(如在沙漠地区) 的情况下, 植被指数与LST 的关系很不明确; ③在白天,LST 与气温的关系随着植被生长状况差异而不同, 在稀疏植被覆盖条件下,LST 大于气温;当植被指数> 0. 7 时, 获得的LST 与气温差异不显著, 这与前人研究成果一致。根据结果②和③, 我们认为Prihodok & Goward 模型应用于区域尺度上计算白天气温存在一定局限性, 特别是应用于我国地形复杂的青藏高原地区和植被稀少的西北荒漠地区。     

应用MODIS地表温度产品估计新疆典型区气温

根据遥感获取的地表温度估计气温在时空上的连续分布有重要意义。利用MODIS传感器反演的地表温度产品分别建立新疆克拉玛依气象站生长季节、非生长季节的地表温度和气温的线性回归模型以估计气温,并利用相同气象站不同时段、相同时段不同气象站的数据对该模型进行验证,最后得到新疆典型区内非生长季节的日最低、最高气温分布。结果表明:相对于MYD11A1产品,MOD11A1产品的地表温度数据能更好地估计气温;气温估计模型在生长季节效果欠佳,但在非生长季节结果较好,MOD11A1产品估计日最低气温的均方根误差和平均绝对误差分别为2.4℃~3.2℃、1.9℃~2.8℃,估计日最高气温的均方根误差和平均绝对误差分别为2.9℃~3.1℃、2.2℃~2.6℃,R2为0.91~0.96。     

兴隆山地区气温与降水的面域化处理

利用DEM 和气象数据, 在常规统计模型的基础上, 以地理信息系统为支撑, 首先对兴隆山地区年均气温和降水进行了关于经纬度和海拔的回归分析, 然后将9 个气象站点的实测值代入平均统计方程, 生成研究区气温和降水栅格图, 并对残差值进行了Kriging 处理。针对气温和降水不同的变化规律, 对气温进行了地形校正分析, 并计算了垂直递减值和南北坡向上的差异; 对年均降水量用抛物线模型进行了模拟。气温和降水的面域化处理结果基本符合实际。     

决策树方法在气温预测中的应用

结合陕北某县30年的气象数据,利用决策树的CART分类方法,建立预测气温的决策树模型,为提高预测的正确率还尝试了分季节的温度预测模型。通过反复试验得到各个季节的最佳气温预测模型,为气象预测研究提供了一种参考方法。     

偏最小二乘回归在气温预测中的研究与应用

气温的预测要考虑多重气象因子,然而各气象因子间的多重相关性导致普通的多元回归模型失真,预测精度降低。为了解决以上问题,本研究采用偏最小二乘回归(Partial Least Squares Regression,简称PLS)建模,根据实际建模需要对算法进行改进。为了验证该模型,本研究以成都市10月份气温场为预报场,并结合成都市13个自动站气温数据,提取预报所需主要因子,进行PLS回归建模。实验表明该模型有较好的预测能力。