Predictor-based error correction method in short-term climate prediction

In terms of the basic idea of combining dynamical and statistical methods in short-term climate prediction, a new prediction method of predictor-based error correction （PREC） is put forward in order to effectively use statistical experiences in dynamical prediction. Analyses show that the PREC can reasonably utilize the significant correlations between predictors and model prediction errors and correct prediction errors by establishing statistical prediction model. Besides, the PREC is further applied to the cross-validation experiments of dynamical seasonal prediction on the operational atmosphere-ocean coupled general circulation model of China Meteorological Administration/National Climate Center by selecting the sea surface temperature index in Nifio3 region as the physical predictor that represents the prevailing ENSO-cycle mode of interannual variability in climate system. It is shown from the prediction results of summer mean circulation and total precipitation that the PREC can improve predictive skills to some extent. Thus the PREC provides a new approach for improving short-term climate prediction.     

我国动力气候模式预测系统的研制及应用

动力气候模式是目前国际上开展气候预测的主要工具。经过8年多的研制和发展,国家气候中心已建立起第一代动力气候模式预测业务系统,并以此为平台,形成了一套包括月、季节到年际时间尺度的模式预测业务。20年历史回报试验和1年多的试验性业务运行结果表明,该系统对东亚区域的季节预测具有较好的预测能力,其预测结果巳经成为我国短期气候预测业务的重要参考信息。     

短期区域气候预测系统及回报试验

为了提高短期区域气候预测准确率,针对我国大陆区域及周边海域,通过国家气候中心全球海气耦合模式嵌套一个区域大气-海洋耦合模式,建立了一套短期区域气候预测系统。利用该预测系统对2006-2011年逐年7月的气候特征进行了回报试验,对比分析了区域模式相对于全球模式预测高空形势场的差异,评估了预测系统对地面温度和降水的预测能力。试验表明:同化后,初估场质量显著提高;区域模式在预测高空形势场方面优于全球模式;相对于单独的大气模式,海气耦合模式在预测中低空的温度和湿度方面有一定的改善;系统对地面气温和降水均具有一定的预报能力,其中降水预测稍好。     

An approach to improving the dynamical extended—range（monthly） prediction

Focusing on common and significant forecast errors-the zonal mean errors in the numerical prediction model,this report proposes an approach to improving the dynamical extended-range(monthly) prediction.Firstly,the monthly pentad-mean nonlinear dynamical regional predic-tion model of the zonal-mean haight based on a large number of historical data is constituted by employing the reconstruc-tion phase space theory and the spatio-temporal series pre-dictive method.The zonal height thus produced is trans-formed to its counterpart in the numerical model and fur-ther used to revise the numerical model prediction during the integration process.In this way,the two different kinds of prediction are combined.The forecasting experimenal results show that the above hybrid approach not only re-duces the systematical reeor of the numerical model,but also improves the forecast of the non-axisymmetric components due to the wave-flow interaction.     

短期风电功率CEEMDAN-SMA-LSSVM预测模型研究

为了提高风力发电功率预测的准确性,建立了基于CEEMDAN分解的SMA算法优化LSSVM的短期风电功率组合预测模型。首先,采用完全集合经验模态分解(CEEMDAN)对原始风电功率数据进行分解与重构。随后,为了进一步优化最小二乘向量支持机模型(LSSVM)的参数,引入了黏菌算法(SMA)优化,通过调整惩罚参数和核参数来提高模型性能,最后,构建多种对比模型对比分析表明CEEMDAN-SMA-LSSVM模型预测精度最高,预测结果更接近真实值。研究可用于风电场短期风电功率预测使用。     

Advancement and prospect of short-term numerical climate prediction

The defects of present methods of short-term numerical climate prediction are discussed in this paper, and four challenging problems are put forward. Considering our under developed computer conditions, we should innovate in the approcuch of numerical climate prediction on the basis of our own achievements and experiences in the field of short-term numerical climate prediction. It is possibly an effective way to settle the present defects of short-term numerical climate prediction.     

基于CEEMD-BiLSTM-RFR的短期光伏功率预测

由于短期光伏预测中气象因素的时间尺度不同,直接分析其对光伏功率的相关性,易忽略时间尺度的影响,进而导致预测模型误差。为提高光伏功率预测精度,构建了预测模型。首先,利用互补集合经验模态分解(complementary empirical mode decomposition, CEEMD)将光伏序列进行分解,得到在不同时间尺度上的光伏分量;然后,通过Pearson相关系数分析各光伏分量与空气温度、太阳辐射度、风速、风向和空气湿度的关系,对于强相关分量建立关于气象因素的随机森林回归(random forest regression, RFR)预测模型,弱相关分量直接通过双向长短期记忆网络(bidirectional long short-term memory neural network, BiLSTM)进行预测;并将预测求和输出。通过安徽省蚌埠市光伏电站7月实测数据进行验证,实验结果表明,所提预测模型CEEMD-BiLSTM-RFR相比传统预测模型有较好的预测精度。     

支持向量机在城市用水量短期预测中的应用

为解决现有的城市用水量短期预测人工神经网络法的过学习与局部极小点等问题,通过对城市时用水量数据特征的分析,在统计学习理论和结构风险最小化准则的基础上,建立了基于支持向量机(SVM)理论的城市用水量短期预测数学模型.在算例分析中与误差逆传播(BP)神经网络预测法进行对比,发现该方法的平均预测精度提高了2%,且具有收敛速度快、泛化能力强等优点,在用水量短期预测中非常有效.     

数控机床热误差的混合预测模型及应用

基于机床热变形误差的产生机理及其表现形式的复杂性,综合时序分析方法建模和灰色系统理论建模的优点,研究了一种智能混合预测模型.将该模型应用于一台数控车削加工中心进行热误差趋势预测,以进行机床热误差补偿研究.结果表明,混合预测模型预测精度高于时序分析模型和灰色系统模型,其优异的预测性能可使数控机床进行实时补偿更加有效,从而大大提高机床热误差的补偿精度.     

Predictability of western North Pacific typhoon activity and its factors using DEMETER coupled models

Climate prediction using a coupled model with a one-tier scheme is an important research direction. In this study, based on 1974- 2001 hindcasts obtained from the "Development of a European Multimodel Ensemble system for seasonal to inTERannual prediction" (DEMETER) project, the capability of coupled general circulation models (CGCMs) to predict six climatic factors that have a close relationship with the western North Pacific typhoon activity is investigated over summer (June-October). Results indicate that all six DEMETER CGCMs well predict the six factors. Using the statistical relationship between these six factors and the typhoon frequency, the ability of the CGCMs to predict typhoon frequency is further explored. It is found that the six CGCMs also well predict the variability in typhoon frequency. Comparison analysis shows that the prediction skill of the statistical downscaling method is much better than that of the raw CGCMs. In addition, the six-model ensemble has the best prediction performance. This study suggests that combining a multi-model ensemble and statistical downscaling greatly improves the CGCM prediction skill, and will be an important research direction for typhoon prediction.     

基于改进的分形插值与SVM的股指预测模型

为了更好地分析和预测股指时间序列的短期变化趋势,提出了一种确定分形插值自由参数的新方法,由此建立了一个改进的分形插值模型,并将该模型与支持向量机模型相结合构造混合预测模型.经R/S分析可知上海证券综合指数的日收盘数据具有长程相关性,于是将混合预测模型用于分析和预测上海证券综合指数时间序列,发现混合预测模型较其他方法具有更好的拟合效果,且在短期预测方面有更高的预测精度.     

卡尔曼滤波修正的风电场短期功率预测模型

针对数值天气预报模型输出的气象参数存在系统误差而导致风电场功率预测精度受到制约的问题,提出了一种基于卡尔曼滤波修正的风电场短期功率预测模型.使用卡尔曼滤波算法对数值天气预报输出的风速数据进行动态修正,并结合其他气象数据形成新的用于风电功率预测的修正气象数据集合;根据原始气象数据和修正气象数据这2个训练集分别建立了风电场功率输出的原始神经网络、修正神经网络的预测模型.经同一时间区间内的实测数据与模型分析数据的对比分析表明:通过卡尔曼滤波修正的风速数据能够很好地跟踪实际风速数据的变化趋势,平均误差与绝对平均误差比较小;所提模型能够显著降低预测结果的均方根误差,使其从未修正前的17.73%降低至11.32%,证明预测精度得到了明显提高.     

基于VMDLSTNet的水质预测模型

针对水质时序预测中存在长期信息和短期信息混合导致预测精度低的问题,采用变分模态分解（Variational Mode Decomposition,VMD）和长短期时间序列网络（Long- and Short-term Time-series network,LSTNet）组合使用以期望解决该问题得出更准确的水质预测。LSTNet网络中使用卷积神经网络（Convolutional Neural Networks,CNN）提取短期局部水质信息,使用循环神经网络（Recurrent Neural Network,RNN）提取长期水质信息,并且通过Skip-RNN利用序列周期特性,提取更长期信息,同时模拟自回归（Autoregressive model,AR）,为水质预测增添线性成分来达到输出能够响应输入尺度变化的目的。采用珠江流域老口站隔日采样的溶解氧数据验证模型效果,结果表明,VMDLSTNet网络处理水质预测问题的能力,不仅优于传统的BP神经网络（Back Propagation Neural Network,BPNN）、支持回归机（Support Vector Regression,SVR）模型,而且优于深度学习中时域卷积网络（Temporal Convolutional Network,TCN）模型、门循环网络（Gate Recurrent Unit,GRU）、增加注意力机制的长短时记忆网络（Long Short-Term Memory Add Attention,LSTM-AT）模型,溶解氧的预测平均绝对误差（Mean Absolute Error,MAE）为0.0931,预测均方误差（Mean Square Error,MSE）为0.0146,预测均方根误差（Root Mean Square Error,RMSE）为0.1208,水质类别的预测准确率为95%。     

时钟校准过程中的组合钟差预报模型

时间同步技术在分布式系统中应用广泛,时钟校准是时间同步的前提。针对时间校准过程中所需的时间信号可能出现传递失效等问题,在时间校准过程中引入钟差预报技术。同时为提高钟差预报模型的预报精度,提出一种GM-BP神经网络的钟差预报组合模型,首先利用已测钟差数据建立多个不同维数的GM(1,1)钟差预报模型,并对某时段的钟差进行预报,发挥多个不同GM(1,1)模型的优点;然后利用训练好的BP神经网络对预报结果进行非线性组合,最终的预报结果为BP神经网络非线性组合后的钟差。利用衰减器模拟对流层散射信道,设计对流层散射单向时钟校准试验,利用试验过程中实测的钟差数据进行组合模型精度验证。仿真结果表明,组合模型较单一预报模型,预报误差更加平稳,精度上提高53%~95%。     

基于Stacking 多GＲU 模型的风电场短期功率预测

为提高风电场短期功率预测的准确度,在深度学习的基础上提出利用Stacking 算法集成融合多个GＲU ( Gated Ｒecurrent Unit) 模型的风电场短期功率预测的方法。该方法首先搭建3 个多层GＲU 神经网络模型建立 第1 级模型,深度提取高维的时序特征关系,通过第1 级模型的预测结果构建训练集,然后利用新生成的训练 集训练第2 级GＲU 模型,第2 级的GＲU 模型采用单层结构,能发现并且纠正第1 级模型中的预测误差,提升 整体的预测结果。最终得到两级模型嵌入的Stacking 融合模型。以宁夏太阳山风电场历史数据为例对该模型 的准确性进行验证。实验结果表明,通过Stacking 算法融合的GＲU 模型相比其他算法预测平均绝对百分比误 差提高了0． 63,总体预测效果较为理想,预测准确度提升明显。     

热带气旋与台风气候变化研究进展

 近年来,引起严重灾害的热带气旋和台风气候变化研究均有新的进展：近60年观测资料比对表明,由于海上观测手段不足,造成前期资料可靠性较低,近30~40年资料较为可靠,观测资料的可靠性随热带气旋强度的增强而增加;全球6个洋区观测资料计算分析显示,热带气旋存在多年代际变率,约自1970年以来,强和超强热带气旋活动有增强趋势;统计和动力降尺度方法模拟热带气旋频数和强度与观测检验证实,这些方法具有一定的模拟热带气旋的能力,但尚存比较大的不确定性;利用统计和动力降尺度模型及模式考虑21世纪人类排放增加全球变暖,较为一致地预估西北太平洋和北大西洋强台风（飓风）强度和频数都有可能增强。热带气旋和台风均属于给人类带来巨大灾难的极端气候事件,利用目前的统计和动力降尺度方法很难进行较为准确的未来年以上时间尺度的气候预测和预估,尚需对影响因子和预测与预估方法进行更加深入的研究,进一步减小预测和预估的不确定性。     

云计算环境下智能电网短期负荷预测方法研究

智能电网短期负荷波动性大,传统预测方法无法解决波动性问题,预测结果不准确。为此,提出一种新的云计算环境下智能电网短期负荷预测方法。介绍了支持向量机理论,将一个含有所有某类样本在内的、由支持向量支撑的球面看作超球面,分析了分位数回归过程,将支持向量机和分位数结合在一起,构建支持向量-分位数回归预测模型。得到短期负荷概率密度函数,从而实现智能电网短期负荷预测。在进行实验时,完成对功率采样值和智能电网负荷属性的归一化处理,将其转换成[0,1]区间内的数据。实验结果表明,所提方法预测精度和效率高、成本低。     

基于流形距离的高速公路短时交通流预测模型

准确的高速公路短时交通流预测是实现交通诱导和控制的重要前提和基础。为了提高预测精度,提出一种基于流形距离(MD)的K近邻-长短期记忆(K-nearest neighbor-long short-term memory,KNN-LSTM)高速公路短时交通流预测模型。该模型利用流形相似性分析高速公路交通流的时空特性,计算多站点与目标站点之间的流形距离。然后,采用改进的KNN算法筛选出空间相关站点构造交通流数据集,通过LSTM模型提取时序特征得出预测结果。实验表明,与单一预测模型相比,该方法能更好地提取交通流时空特性且预测精度更高,可为高速公路的交通管理提供必要的依据。     

基于多变量相重构的混沌时间序列预测

提出了一种基于多变量相重构的混沌时间序列预测方法.该预测方法从非线性动力学系统中获取与待预测时间序列相关的信息组成多变量时间序列,首先进行多变量相空间重构,然后利用局域多元线性回归模型在相空间中进行预测,最后从预测出的高维相点中分离出时间序列的预测值.由于考虑了动力学系统中多个变量之间相互耦合的关系,从而增加了重构相空间的系统信息量,使得相空间的相点轨迹更加逼近原系统的动力学行为.与采用单变量进行预测的方法相比,基于多变量相重构的预测方法无论是单步预测还是多步预测,都能有效地提高预测精度,且具有嵌入维数的选择对预测精度影响较小的优点.通过对Lorenz混沌信号进行预测,实验结果验证了方法的有效性.     

基于多步预测的PID型神经网络控制

提出了一种基于多步预测的ＰＩＤ型神经网络控制方案,其控制机理类似于位置递式ＰＩＤ控制,但所产生的控制量是误差信号的比例、积分和微分量的一种非线性组合,可以有效地克服常规ＰＩＤ控制存在的快速性和超调的矛盾。通过利用多步预测误差对ＰＩＤ型神经网络控制器进行训练,可以弥补单步预测存在的控制信号波动较大的缺陷。仿真实验表明,基于多步预测的ＰＩＤ型神经网络控制系统有效随机干扰,具有较强的适应性和鲁棒性。