河南输电线路舞动气象风险的可预报性分析

为了研究基于数值模式的河南输电线路舞动预测的可预报性,本文以数值预报数据和常规舞动气象风险预测模型为基础,通过对河南121个国家气象站的舞动高影响气象要素预报能力的评估,揭示了借助数值预报开展舞动预测的可能性,同时针对河南容易发生输电线路舞动区域进行检验评估,得到以下结论:（1）河南东部平原地区输电线路舞动具有较好的可预报性,而西部山地丘陵地区舞动可预报性相对较低,四个舞动高发区可预报由高到低分别是:东部平原地区、南部山区、西北部山区、西南部盆地。（2）河南地区温度、风速和湿度预报均表现为东部平原地区偏差小、西部山区偏差大的特点;（3）输电线舞动的气象高影响区间的可预报性从大到小依次是风速、温度、湿度,其命中率分别为73.4%、78.4%和67.1%,温度和风速在河南东部的可预报性明显高于河南西部,而湿度在河南南部可预报性高而北部可预报性低;（4）温度、风速和湿度的可预报性区域分布有差异,要提高输电线路舞动预测水平,需要在不同区域针对不同要素进行预报订正和调整。     

ECMWF集合预报产品在河南省暴雨预报中的应用

对2014到2015年5—8月欧洲中期天气预报中心(ECMWF)的9类与降水相关的集合预报基本产品和统计量(以下简称集合预报产品)进行暴雨TS评分检验,筛选出:%90分位数、最大值、控制预报、融合产品、概率匹配平均5个评分较高产品.对所选产品做暴雨过程的应用效果分析发现:5个集合预报产品的强降水中心位置预报与实况较接近,大部分产品对大雨以上降水落区预报与实况较接近,但存在强降水中心极值预报较实况偏小的不足;最大值产品对于暴雨落区范围和强降水中心极值的预报通常较实况偏大;5个集合预报产品均表现为0~72 h时效内预报效果最好,72 h之后各产品对暴雨的预报能力明显减弱.基于检验和分析结果,采用百分比权重集成技术建立暴雨预报方法,2016年业务应用结果表明,集成后的暴雨预报产品效果优于单个集合预报产品.     

审计行业专长与股价崩盘风险——基于客户重要性和内部控制水平的视角

针对最小二乘支持向量回归（Least Square Support Vector Regression,LSSVR)建模风电功率时变特性的局限性,提出了一种基于动态集成LSSVR的超短期风电功率预测模型.首先利用风电场监测控制与数据采集（Supervisory Control And Data Acquisition,SCADA）与数值天气预报（Numerical Weather Prediction, NWP）系统的历史数据建立离线单体LSSVR模型库,然后根据预测时段与训练时段NWP序列的相似度从单体LSSVR模型库中动态选择候选集成成员,再后综合考虑正确性与多样性确定集成成员.最后由预测时段与训练时段NWP序列间的相似度分配集成LSSVR成员的权重.通过对湖南省某风电场输出功率进行预测,验证了动态集成LSSVR预测模型的有效性,与持续法、自回归求和移动平均法、单体LSSVR模型、常权重LSSVR组合模型及BPNN动态集成模型相比,动态集成LSSVR模型具有更高的精度,在天气非平稳变化阶段更加明显.     

ECMWF集合预报产品对福建前汛期暴雨的预报性能评估

通过对2013—2015年福建前汛期暴雨过程中ECMWF集合预报降水产品在暴雨以上级别的预报性能评估,并结合其他量级降水的预报性能,融合产品性能最好。各集合预报产品的预报性能受暴雨的范围影响,对日暴雨1～4站的预报性能都较差,日暴雨4站以上的预报性能明显提高。部分产品对日暴雨8站以上比5～8站的预报性能还有明显提高,但一部分产品随站数的增加,其预报性能不再增加甚至有所下降。进而导致在不同的年份里由于日暴雨范围组成的不同,某些产品逐年预报性能起伏较大,某些产品则变化较小。各集合预报产品在不同的时效、地理区域预报性能不同,都有其独特的价值,实际业务中要考虑地理位臵并结合适当的产品综合使用。     

集合预报中初始扰动生成方法的探讨

阐述了4种生成集合预报初始扰动的方法,用其中的3种方法在微机版本的T63L9全球谱模式上进行了中期数值预报的集合预报试验,通过集合预报效果来检验初始扰动的优劣。结果表明：初始扰动的好坏对集合预报效果有至关重要的影响,总体而言,增长模繁殖法优于控制预报、蒙特卡洛法和时间滞后法,且集合预报的确能起到提高数值预报效果的作用。     

中国西北地区东部雷暴概率预报方法对比

利用2008-2013年中国西北地区尔部60个观测站天气实况资料以及NCEP/NCAR的1°×1°阿分析资料讲算出的对流参数,在天气分型消空非雷暴日样本的基础上,通过线性逐步回归、Logistic回归、BP神经网络3种方法,建立了60个站4-10月24 h雷暴概率预报模型,并对2013年4-10月各站雷暴进行试预报.结果表明,线性逐步回归模型、Logistic回归模型、BP神经网络模型60个站平均回代颅报临界成功指数(CSI)分别为24.2%、27.5%、20.9%,平均试预报CSI分别为23.3%、24.7%、12.9%;Logistic回归模型对该区域雷暴总体预报效果最好,共计32个站该方法顶报效果最优,超过站点总数的50%.雷暴气候概率最高的高海拔站点平均预报CSI最高,气候概率最低的关中平原站点平均预报CSI最低,各模型平均预报CSI均明显大于气候概率,集合每个站最优预报模型的试预报结果,得出最优平均试预报CSI为26.6%.该预报结果可为中国西北地区东部雷暴预报研究提供参号.     

基于概率语言术语集中考虑专家权重的决策方法研究

研究概率语言术语情境下的多属性群决策问题.首先,将决策者给予方案中各属性语言评价术语转换为概率语言术语,通过数学模型将属性的概率语言术语再转化为区间数,利用区间数的熵值法确定属性权重;其次,不仅考虑概率语言术语集中的概率值,而且还兼顾构成概率中各决策者的重要性程度,其重要性程度也即权重参与决策计算;再次,为了建立决策算法,把属性的概率语言术语集转换为概率区间值犹豫模糊集并将其映射为区间数集合,利用区间数的积型贴近度模型对各方案对应属性值进行两两测度,通过统计测度数值结果达到对方案优选目的;最后,通过一个实例对文中知识脉络进行了详细梳理,结果表明该方法能够取得符合实际的决策效果.     

基于遗传与BP混合算法神经网络预测模型及应用

提出用遗传学习算法和权重调整BP算法相结合的混合算法来训练模糊模式识别神经网络预测模型；即先通过遗传学习算法进行全局训练，再用权重调整BP算法进行精确训练，使网络收敛速度加快和避免局部极小。作为实例，以新疆雅马渡站的实测径流资料和相应的前期4个预报因子实测数据作为样本进行训练并用以预测雅马渡站的年径流量。结果表明，该方法具有收敛速度快和预测精度高的特点。     

基于人工神经网络集合预报的济南市臭氧预报方法

由于观测的不准确以及资料分析、同化中的误差,单一预报仅是一个可能的解。为弥补其不足,提出了一种基于人工神经网络集合预报的臭氧(O₃)预报模型,选取8类气象因子及2类污染物因子,搭建人工神经网络预报模型,并采用随机扰动方法,产生15组相互独立的随机扰动气象场,搭建人工神经网络集合预报模型,并以2013年—2019年5月—9月数据作为训练集,以2020年5月—9月数据作为测试集。结果表明:与单一人工神经网络预报相比,人工神经网络集合预报准确率明显提高,O₃污染命中率明显提高,O₃污染漏报率明显减少,O₃污染空报率略有增加;人工神经网络集合预报对O₃污染预报有过多倾向,而单一人工神经网络预报则有过少倾向;以2020年7月3日—9日的一次O₃重污染过程为例,与单一人工神经网络的确定性预报相比,人工神经网络集合预报能够更好地反映出污染的迅速累积上升及持续过程。通过提供定量的概率预报,人工神经网络集合预报可以给出多种可能性及其发生的概率,能为预报员提供包括不确定性在内的更多预报信息,该模型具有一定的实际应用价值。     

中国大陆地区温度集合预报的最优权重模型设计及其区域应用

本文采用耦合模式比较计划第五阶段(CMIP5)中的多模式,针对中国大陆地区的温度集合预报,提出了一种区域最优权重模型(Op-SE),并将Op-SE与等权集合方法(EE)和传统的超级集合方法(SE)作对比.研究结果发现:(1)就模式预报与实测的距平相关系数(ACC)来说,在大部分区域Op-SE表现最优,EE最差,尤其在中国东部Op-SE优势明显,均通过了α=0.1的显著性检验,其中华东地区最高;(2)对于均方根误差(RMSE)而言,EE效果也相对最差,Op-SE在中国东部要优于SE,而在四川盆地等少数地区则比SE差;(3)综合ACC和RMSE评估,Op-SE在东北地区、华北地区、华东地区、西南地区和西北地区表现最优,而在四川盆地和甘肃南部等地区较SE没有明显改进.Op-SE给集合预报提供了新的成员择优方法,得到模式在集合预报中的区域最优权重,在一定程度上可以进一步改善区域气候预报的效果.     

1997年强厄尔尼诺事件预报及其检验

使用赤道东太平洋(0°～10°S,90°～180°W)海水表面温度(SST)距平值表征厄尔尼诺(拉尼娜)事件指数(ENI)。根据ENI定义出1870-2000年期间25次厄尔尼诺事件和26次拉尼娜事件,采用ENI三周期叠加预报模式提前6个月预测出1997年强厄尔尼诺事件的开始和结束时间,为较准确预测出1998年嫩江特大洪水提供了预报依据。     

基于互补集合经验模态分解-模糊熵-深度信念网络的短期风速预测

针对原始风速序列具有非线性、非平稳性和不可控性的问题,提出基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)-模糊熵(fuzzy entropy,FE)-深度信念网络(deep belief network,DBN)的短期风速预测模型。首先,利用CEEMD方法将原始风速序列分解为一系列不同尺度的本征模态分量(IMF)以降低其非平稳性;其次,利用模糊熵方法将多个IMF分量进行重组以避免分量数目过多给预测精度造成的影响;最后,利用深度信念网络其强大的深度特征提取能力和非线性映射学习能力的优点,分别对新的分量进行预测和叠加获得最终预测值。实验表明,较BP神经网络模型和DBN模型,组合模型提高了预测精度,具有可行性和有效性。     

基于支持向量机岩溶塌陷的智能预测模型

在综合分析了各种岩溶塌陷预测方法和介绍支持向量机的基础上,提出基于支持向量机的岩溶塌陷预测方法,运用Matlab语言编程,建立了相应的岩溶塌陷预测模型.以已有的岩溶地面塌陷实例为学习样本,进行学习测试,得到训练效果较佳的预测模型,并用此模型对某市岩溶塌陷进行预测.结果表明,支持向量机预测模型具有较高精度,在岩溶塌陷预测研究中具有广阔的应用前景.     

基于Adaboost算法的输电线路舞动预警方法

输电线路舞动是目前尚未被全面准确认识的世界性难题,已严重威胁输电系统的安全稳定运行。文章分析影响舞动的外界气象环境因素,并在此基础上提出一种基于Adaboost集成学习算法的输电线舞动预警方法。采用基于Gini指标的决策桩作为弱分类器,通过对多个弱分类器的训练及加权求和,输出舞动预测结果及其置信度,可为电网运维人员提供决策支撑。最后,使用历史数据进行验证性实验,结果证明了所提方法的有效性。     

一种新的遗传策略在含“开关”过程的集合预报中的有效应用

针对初值及模式的不确定性,进行了初值扰动集合预报和模式扰动集合预报。在初值扰动集合预报中,将一种新的遗传策略用于四维变分资料同化生成集合预报的分析场,求解条件非线-}生最优扰动,并结合第二、第三主奇异向量（SVs）生成集合预报的初始扰动。为了检验该方法的有效性,采用一个含“开关”过程的偏微分方程的预报模式,设计了3种比较数值试验方案。结果表明：采用第3方案的集合预报在预报技巧上明显高于其他两种方案。第2方案和第1方案相比,由于“开关”的影响,集合预报技巧提高并不明显。在模式扰动集合预报数值实验中,为了模拟模式的不确定性,在控制方程右端添加6个随机的误差项模拟由于物理参数化方案的不同而带来的模式扰动,采用新的遗传策略在扰动模式中同化出6个对应于扰动模式的分析场后进行集合预报,并与基于伴随技术的方法进行比较。结果表明,基于遗传算法的扰动模式集合预报的预报技巧明显优于伴随方法,且这种优势随着预报时间的增加愈发明显。     

基于EnKF的油藏自动历史拟合方法对三相相对渗透率的反演

为解决标准集合Kalman滤波在非线性油藏反演中更新模型与更新动态场的统计不一致性问题,提出了一种改进的集合Kalman滤波方法,历史拟合过程中只对模型参数进行更新,然后利用更新的模型参数从初始状态重新运行油藏数值模拟软件进行下一拟合时刻的生产预测,协方差矩阵由从时间零运行油藏数值模拟软件得到的预测数据进行计算.理论证明了该方法与集合随机最大似然法的一致性.对某油藏的相对渗透率曲线进行了估计,比较了标准集合Kalman滤波方法与改进方法的参数估计及生产预测结果.由于保证了更新模型与更新动态场的一致性,改进的集合Kalman滤波方法得到了更好的参数估计和生产预测结果.     

基于人工免疫和FARIMA模型的流量预测方法研究

针对Internet迅速发展而造成的网络拥塞现象,基于人工免疫算法与FARIMA模型提出了一种新的流量预测方法PAIF(Prediction method based on Artificial Immune and FA-RIMA).该方法首先利用人工免疫算法建立了预测策略,并结合FARIMA模型预测结果进行融合,以此提高预测精度.其次,以实际数据进行仿真实验,深入研究了影响PAIF预测误差的因素,同时对比分析了单独使用FARIMA模型的情况.实验结果表明,PPAIF具有较好的适应性.     

考虑竞争的电影首映日票房集成预测模型研究

电影首映日票房预测对该日排片、后续放映日票房及总票房有显著影响。在构建考虑竞争的电影首映日票房预测变量集的基础上,建立首映日票房集成预测模型。首先使用多元线性回归(multiple linear regression, MLR)、支持向量回归(support vector regression, SVR)、套索回归（Least absolute shrinkage and selection operator, Lasso）和极端梯度提升（Extreme Gradient Boosting, XGBoost）等算法建立基学习器,随后使用XGBoost算法作为原学习器构建堆栈集成预测模型,最后利用收集到的数据进行对比实验。实验证明,加入竞争变量的电影首映日票房预测变量集适用于首映日票房预测;相比单一模型,提出的集成预测模型的准确性、泛化性能和稳定性均有提升,相比较传统预测方法对首映日票房预测更准确。提出的集成预测模型有助于提升首映日票房排片的有效性。     

一种基于灰色理论组合预测方法的研究与应用

基于灰色理论中GM（1,1）模型提出了一种新的预测方法（趋势预测）,并将其应用到组合预测中,并运用遗传算法调整组合预测权系数得到最优解。通过实例证明,该方法是正确的,算法是有效的。