基于Stacking模型融合的光伏发电功率预测

为了提高光伏发电输出功率的预测精度和可靠性,本文提出一种基于Stacking模型融合的光伏发电功率预测方法.选取某光伏电站温度、湿度、辐照度等历史实测数据为研究对象,在将光伏发电功率数据进行特征交叉以及基于模型的递归特征消除法进行预处理和特征选择的基础上,以XGBoost、LightGBM、RandomForest 3种机器学习算法作为Stacking集成学习的第一层基学习器,以LinearRegression作为第二层元学习器,构建了多个机器学习算法嵌入的Stacking模型融合的光伏发电功率预测模型.预测结果表明,该方法的R²、MSE分别达到了0.9874和0.1056,相较于单一的机器学习模型,预测精度显著提升.     

基于卷积神经网络的天气雷达回波外推模型

常用天气雷达回波外推方法建立的天气雷达回波外推模型,设置编码器和预测器长度和步长偏小,导致模型外推预测天气精度低,于是提出基于卷积神经网络的天气雷达回波外推模型.转换雷达图像数据集坐标,计算天气变化粒子的经纬度值,修正天气变化粒子距离地面高度,预处理天气雷达图像数据;将卷积神经网络分为正向传播和反向传播两种,分别训练卷积神经网络数据传播过程;采用卷积层和采样层交替布置的方式,设置编码器和预测器长度和步长,建立天气雷达回波外推模型预测天气.实验结果表明:对比三组天气雷达回波外推模型,所设计模型具有较高的外推预测精度.     

基于单步预测LSTM的短期负荷预测模型北大核心

针对目前智能电网下负荷数据存在特征相关性低与序列非平稳性的特点,为达到提高短期负荷预测精度的目的,提出一种单步负荷预测的双层LSTM模型的方法,除了考虑的地理区域的天气数据外,还使用负荷的时间序列。首先采用最大信息系数(MIC)对多源异构特征进行提取,随后使用随机森林和递归特征消除(RFE)用于特征选择,将对异常值敏感、鲁棒性好的Robust标准化方法应用于所选特征的预处理中,最后由单步预测的双层LSTM模型预测结果。文章所搭建的负荷预测模型具有数据强相关性特征、预测精度高的优点。依据数据实验结果,取得了1.38%的MAPE值。并且与其它预测模型相比,基于单步预测LSTM的短期负荷预测方法的预测精度提高效果明显。     

基于LightGBM-TextCNN-XGBoost的超短期光伏功率预测研究

针对超短期光伏功率预测的传统方法存在的限制,本文提出了一种基于LightGBM-TextCNN-XGBoost算法的预测模型。首先,本文对原始数据进行了预处理,并使用CEEMDAN对数据进行模态分解。然后,该文将模态分解后的数据归一化,并基于GWO-FCM聚类算法将数据聚类为三种天气类型。接着,该文将数据划分为训练集和测试集,分别对LightGBM和TextCNN算法进行训练。最后,文章基于Stacking思想建立了基于LightGBM-TextCNN-XGBoost算法的模型进行预测,并使用R²等评价指标对预测模型进行了综合评价。实验结果显示,文中模型的预测效果非常优秀。这种模型能够精确地预测光伏发电的功率,有助于光伏电站降低损失,从而确保微电网的安全稳健运行。     

基于决策树的雷暴天气短临预报

雷暴天气是指伴有雷电、冰雹、大风和强降水的局地强对流性天气,它对航空运输、电力设施、通讯设备与建筑物等均可造成不同程度的破坏,严重时甚至造成人员伤亡。开展雷暴天气过程的短临预报具有重要的科学意义与实用价值。本文对我国 2010~2015 年雷暴天气事件的时空分布特征进行了统计分析,结果表明：雷暴天气事件集中分布于国内少数区域夏季 7~8 月份的 14:00~18:00 点。在此基础上,基于 2010~2015 年的地面气象观测资料建立决策树模型,预测未来 3~4 小时雷暴天气的发生概率。模型对雷暴事件的漏报率和误报率均低于 10%,这一结果表明：本文所建立的模型能够较为准确地进行雷暴天气短临预报,能够为保障飞行安全提供较为可靠的决策支持。而对特征的相对重要性排序结果表明：测站的地理环境特征和气象条件对雷暴天气过程的发生具有显著的影响。     

基于自适应混合粒子群优化的软件缺陷预测特征选择方法

特征选择是软件缺陷预测中数据预处理的关键步骤。针对现有特征选择方法存在的降维效果不显著、选取的最优特征子集分类精度低等问题,提出了一种基于自适应混合粒子群优化（SHPSO）的软件缺陷预测特征选择方法。首先,结合种群划分设计了基于Q学习的自适应权重更新策略,其中引入Q学习根据粒子的状态自适应地调整惯性权重;其次,为了平衡算法前期的全局搜索能力和后期的收敛速度,提出了基于曲线自适应的时变学习因子;最后,采用混合位置更新策略帮助粒子尽快跳出局部最优解,并增加粒子的多样性。在12个公开软件缺陷数据集上进行实验验证的结果表明,与使用全部特征的方法、常用的传统特征选择方法及主流的基于智能优化算法的特征选择方法相比,所提方法在提高软件缺陷预测模型分类性能和降低特征空间维度上均取得了有效的结果。与改进樽海鞘群算法（ISSA）相比,所提方法的分类精度平均提高了约1.60%,特征子集规模平均降低了约63.79%。实验结果表明,所提方法可以选出分类精度较高且数量较少的特征子集。     

一种基于小波变换和ARIMA的短期电价混合预测模型

为在实时电价情况下预测未来24小时电价, 提出一种基于小波变换和差分自回归移动平均(ARIMA)的短期电价混合预测模型。该模型分别根据是否受到需求量影响使用ARIMA模型对多尺度小波变换分解后的时间序列进行预测。同时提出一种电价突变点发现和处理算法。使用澳大利亚新南威尔士州2012年真实数据验证表明, 相对ARIMA预测, 改进后的混合模型在不考虑需求量影响时预测精度更高; 电价突变点发现和处理算法能够准确处理电价异常点, 提高预测精度。     

基于自适应混合优化的电力数据预测方法

电力数据易受气候、季节、节假日等因素影响,出现不同波动特征.针对不同特征电力数据预测精度不高、预测方法泛化能力弱等问题,提出基于自适应混合优化的电力数据预测方法 .通过使用小波变换和平稳性分析,将电力数据自适应地分解为包含趋势、季节和周期信息的非平稳序列和多个平稳序列;使用状态转移算法分别优化长短时记忆深度学习网络和自回归移动平均模型,对非平稳序列和平稳序列分别拟合、预测;对预测的各序列进行重构,得到最终预测结果.在电力系统数据上进行多步预测,对比实验表明:与其他方法相比,所提方法不仅具有更高的预测精度,还具有较强的泛化能力.     

基于特征提取与改进SVM的电价预测

针对传统电价预测方法由于冗余数据量庞大，特征选择和特征提取准确率低，导致电价预测精度低，预测时间过长的问题，提出构建基于DGCA-PCA的特征提取的改进DE-SVM的电价预测模型GGPDS。首先，采用考虑周期性特征的GCA算法和时段关联性特征的改进GCA算法进行电价特征数据选择；然后采用主成分分析PCA方法进行特征提取；之后将提取数据特征输入改进DE-SVM模型中进行电价预测。实验结果表明，提出的特征提取方法可对海量数据进行有效处理，为后续电价预测模型提供了准确的数据，并进一步提升了电价预测模型的预测精度，降低了模型训练时间成本。日预测实验结果中，本模型的MAPE指标和MAE指标分别取值为7.44%和3.71,对比于传统的电价预测方法电价预测误差更小，预测精度更高。由此说明，本模型可提升电价数据特征提取准确率，从而提高电价预测精度，可在短时间内实现电价准确预测。     

基于隐特征空间的极限学习机模型选择

针对极限学习机（ELM）中冗余的隐神经元会削弱模型泛化能力的缺点,提出了一种基于隐特征空间的ELM模型选择算法。首先,为了寻找合适的ELM隐层,在ELM中添加正则项,该项为现有隐层空间到低维隐特征空间的映射函数矩阵的Frobenius范数;其次,为解决该非凸问题,采用交替优化的策略,并通过凸二次型优化学习该隐空间;最终自适应得到最优映射函数和ELM模型。分别采用UCI标准数据集和载荷识别工程数据对所提算法进行测试,结果表明,与经典ELM相比,该算法可有效提高预测精度和数值稳定性,与现有模型选择算法相比,该算法预测精度相当,但运行时间则大幅降低。     

Nowcasting lightning flash rate and peak wind gusts associated with severe thunderstorms using remotely sensed TRMM-LIS data

The momentous weather hazards during the pre-monsoon season (April–May) over Kolkata (22° 32′ N, 88° 20′ E), India, is mostly due to lightning flashes and surface wind gusts associated with severe thunderstorms. A multi-layer perceptron (MLP) model is developed to forecast the lightning flash rate and peak wind gusts which accompany severe thunderstorms. Meteorological parameters derived from radiosonde weather observations from 1998 to 2009 are taken as input whereas lightning data from the Lightning Imaging Sensor (LIS) and wind gusts from a ground-based observatory are taken as the target output parameters. The skill of the MLP model is compared with the multiple linear regression (MLR) analysis method, and it is observed that the MLP model provides better and more accurate forecasts than the MLR analysis method. The results also reveal that the forecast accuracy is more for surface wind gusts than for the lightning flash rate, both during training and validation of the model. The MLP model forecast is validated with the India Meteorological Department (IMD) weather observations as well as Doppler weather radar and satellite imagery of 2008 and 2009 thunderstorms.     

哈尔滨机场雷暴分析预报系统的研制及应用

作者充分利用现有气象设备,采用多种高级编程语言,研制哈尔滨机场雷暴分析预报系统,其中利用现有气象信息网资源,实现初始数据自动读取和综合分析处理;采用相似分析技术,实现雷暴天气形势的自动相似判别;利用天气学方法和数理统计法,建立集成分析预报模式,实现0-24h雷暴概率短期预报;基于天气雷达回波,采用交叉相关算法,实现0-1h强对流临近预报预警。经应用表明,该系统运行及预报预警情况均达到了预期效果。     

基于Hadoop的GA-BP算法在降水预测中的应用

针对如何从海量的气象数据中挖掘出有用的知识,并提高气象预报的准确度,提出了在Hadoop平台上构建基于遗传神经网络算法的天气预报方法.该方法采用遗传算法与神经网络算法相结合,避免了传统算法容易陷入局部最优的问题,并以天津市13个台站1951–2006年的地面气候资料日值数据为基础,建立了遗传神经网络预测模型,最后以降雨量等级为决策属性进行了实验.结果表明,该方法对所有降水等级的预测准确率都要优于传统的神经网络算法,对于降水等级R₀的预测精度最高,达到了87%,不仅可以有效的处理海量气象数据,同时具有较高的预测精准度和良好的扩展性,为天气预报提拱了一种全新的思路和方法.     

基于Markov理论的改进灰色GM(1,1)预测模型研究

在灰色预测的基础上,引入马尔可夫链预测理论,建立了灰色马尔可夫预测模型.它是将灰色预测模型与马尔可夫预测方法优化组合,用灰色预测模型预测随机时间序列数据的总体发展趋势,而用马尔可夫链模型预测各数据在总体趋势下的随机波动性变化,得到随机时间序列趋势预测模型的解.通过公路运输实际数据进行了验证,结果表明:灰色马尔可夫预测模...     

Application of fuzzy time series models for forecasting pollution concentrations

In the paper a model to predict the concentrations of particulate matter PM10, PM2.5, SO₂, NO, CO and O₃ for a chosen number of hours forward is proposed. The method requires historical data for a large number of points in time, particularly weather forecast data, actual weather data and pollution data. The idea is that by matching forecast data with similar forecast data in the historical data set it is possible then to obtain actual weather data and through this pollution data. To aggregate time points with similar forecast data determined by a distance function, fuzzy numbers are generated from the forecast data, covering forecast data and actual data. Again using a distance function, actual data is compared with the fuzzy number to determine how the grade of membership is. The model was prepared in such a way that all the data which is usually imprecise, chaotic, uncertain can be used. The model is used in Poland by the Institute of Meteorology and by Water Management, and by the Voivodship Inspector for Environmental Protection. It forecast selected pollution concentrations for all areas of Poland.     

改进FP-growth算法在气象预报中的应用

针对现在全球极端天气频发的现状,天气预报用来及时发现灾害天气的出现显得尤为重要.随着数据挖掘技术的迅速发展和广泛应用,采用了改进FP-growth算法挖掘出各种气象因子之间可能存在的关联,从而发现气象特点,对近期天气气象做出预报.经过仿真实验验证,改进后的算法在天气预报准确率有了明显的提高.     

An example of the use of synthetic 3.9 μm GOES-12 imagery for two-moment microphysical evaluation

In preparation for the launch of the next generation of geostationary satellites, considerable effort has been placed on developing new products and algorithms for operational purposes. In addition to satellite-based products and algorithms, satellite imagery can be used to evaluate numerical weather prediction models. Important first steps have already been undertaken to produce synthetic satellite imagery from numerical model output. By comparing synthetic imagery with observed imagery, model performance can be evaluated with a relatively new metric.

In this paper, synthetic Geostationary Operational Environmental Satellite (GOES)-12 imagery was used to improve the two-moment prediction of pristine ice in the RAMS (Regional Atmospheric Modeling System) mesoscale model. A thunderstorm event that occurred on 27 June 2005 over the central plains of the USA was chosen for study. Synthetic GOES-12 3.9 μm imagery of RAMS output was compared with observed GOES-12 3.9 μm imagery. A discrepancy between brightness temperatures of two anvils of thunderstorms led to an improvement in the prediction of pristine ice number concentrations. After the model was re-run, subsequent synthetic GOES-12 3.9 μm imagery of one anvil exhibited an improvement compared with observed imagery. Brightness temperatures of the second anvil became too warm, an issue that may be related to model-specified cloud condensation nuclei (CCN) concentrations. This example highlights the potential importance of using synthetic imagery to evaluate numerical weather prediction models.     

A method for merging flow-dependent forecast error statistics from an ensemble with static statistics for use in high resolution variational data assimilation

The background error covariance matrix, B, is often used in variational data assimilation for numerical weather prediction as a static and hence poor approximation to the fully dynamic forecast error covariance matrix, P^f. In this paper the concept of an Ensemble Reduced Rank Kalman Filter (EnRRKF) is outlined. In the EnRRKF the forecast error statistics in a subspace defined by an ensemble of states forecast by the dynamic model are found. These statistics are merged in a formal way with the static statistics, which apply in the remainder of the space. The combined statistics may then be used in a variational data assimilation setting. It is hoped that the nonlinear error growth of small-scale weather systems will be accurately captured by the EnRRKF, to produce accurate analyses and ultimately improved forecasts of extreme events.     

一种简单的短时辐照度预测研究

准确的辐照度预测是光伏发电系统预测输出功率的关键,而辐照度受纬度、天气类型、海拔等因素的影响巨大,不同地区差异较大;目前对辐照度的短时预测研究中复杂的气象数据获取难度大,因此提出了一种利用便于获取气象数据进行辐照度短时预测的简单方法;根据武汉市特有的地理位置特点,将天气类型分为四类,将环境监测仪实时测量的温度、辐照度数据及不同时刻的太阳高度角作为网络的输入,用多变量BP神经网络模型对05:00到20:00时的每小时辐照度进行短期预测;将得到的预测结果与仅用历史辐照度数据作为输入得到的预测结果进行对比,该模型准确性有很大的提高;最终以持续性方法为基准得出预测技能;结果显示该模型在A、B类天气时预测技能均在0.75以上,大部分分布在0.80~0.85,表明该模型在仅利用便于获取的气象信息的基础上能够较准确地对短时辐照度进行预测。