一种多机制协同的数值天气预报偏差自适应订正方法及系统与流程
本发明涉及气象预报,更具体地说,它涉及一种多机制协同的数值天气预报偏差自适应订正方法及系统。
背景技术:
1、数值天气预报模式如wrf、ecmwf和gfs等是当前气象预报的主要手段,但由于模式分辨率限制、物理参数化方案不完善以及初始场误差等因素,模式输出存在系统性偏差,尤其在复杂地形和极端天气条件下更为显著。为解决这一问题,现有技术中发展了多种偏差订正方法。例如,基于环流分型的方法,通过识别天气工况来指导订正策略的选择;基于机器学习的方法,如lightgbm和lstm能够从历史数据中学习非线性偏差映射关系;滑动窗口统计修正器通过近期偏差均值进行快速跟踪;物理约束规则用于确保订正结果符合大气热力学基本关系;异常检测方法用于剔除实测数据中的传感器故障或通信异常导致的无效数据。这些方法各自针对特定问题取得了较好效果,但在实际应用中,往往需要同时应对多种复杂情况,单一手段难以全面满足需求。
2、当尝试将上述多种技术手段进行综合运用时,面临着一系列实际困难。其一,极端天气样本存在双刃剑效应,极端天气期间的实测数据既是有价值的订正样本,又容易触发异常检测阈值而被误删,这使得异常检测的灵敏度需要根据天气工况动态调整。其二,各优化环节之间存在决策不一致的可能,环流分型为融合模块指示了一种天气工况,但物理约束模块容易在未感知该工况的情况下施加了与之不匹配的约束强度。其三,不同天气工况下的偏差特征差异较大,单一模型难以在所有工况下保持最优性能,固定权重融合在偏差平稳期和偏差突变期难以同时达到理想效果。其四,数据驱动模型在新建场站需要积累足够的训练数据才能启动,而新建场站从投运初期就有订正需求。
3、因此,如何研究设计一种能够克服上述缺陷的机制协同的数值天气预报偏差自适应订正方法及系统是目前急需解决的问题。
技术实现思路
1、为解决现有技术中的不足,本发明的目的是提供一种多机制协同的数值天气预报偏差自适应订正方法及系统,通过构建环流分型驱动的多机制协同订正,将天气工况识别、偏差动态特征提取、三基学习器自适应融合、多要素物理一致性约束和级联异常检测通过四条跨机制协同链路有机整合,克服了各手段之间存在的极端天气样本双刃剑效应、独立决策不一致性、单模型与多工况性能矛盾等技术障碍。
2、本发明的上述技术目的是通过以下技术方案得以实现的:
3、第一方面,提供了一种多机制协同的数值天气预报偏差自适应订正方法,包括以下步骤:
4、获取数值天气预报模式输出的格点预报场,经降尺度与地形校正生成站点级预报序列;
5、基于大尺度环流场进行天气工况实时识别,输出当前时刻所属的天气分型;
6、对所述站点级预报序列与实测数据构成的偏差序列进行特征工程与数据质量保障,包括构建多维度偏差特征并进行级联异常检测,所述级联异常检测的灵敏度阈值根据当前天气分型自动校准;
7、基于所述天气分型以及所述偏差序列的动态特征,在三基学习器之间自适应切换与融合,生成多要素订正结果;其中,所述三基学习器包括滑动窗口统计修正器、多目标树模型和时序神经网络模型,所述天气分型同时用于驱动所述三基学习器的主导模型选择与融合权重分配,所述偏差序列的动态特征同时用于计算所述三基学习器的融合权重;
8、对所述多要素订正结果施加多要素物理一致性约束,生成最终订正结果;其中,所述多要素物理一致性约束的约束强度参数根据所述天气分型动态调节,所述多要素物理一致性约束基于所述约束强度参数和所述偏差序列的动态特征计算生成物理置信度权重,所述物理置信度权重用于反向参与所述三基学习器的融合权重计算。
9、进一步的,所述滑动窗口统计修正器基于近期滑动窗口平均偏差和历史同期气候平均偏差的加权组合进行订正,加权权重由所述偏差序列的变异系数经sigmoid函数映射确定;
10、所述多目标树模型以多维度偏差特征为输入,通过梯度提升决策树同时输出多个气象要素的订正量;
11、以及,所述时序神经网络模型采用编码器-解码器结构,以连续历史偏差序列为输入,输出未来偏差预测序列。
12、进一步的,所述自适应切换与融合,包括:
13、构建多时间窗联合表征的偏差状态向量,所述偏差状态向量包含短时间窗偏差变异系数、中时间窗偏差变异系数和长时间窗偏差变异系数;
14、根据当前天气分型获取对应的过渡阈值和突变阈值,其中每种天气分型对应一组预先统计确定的过渡阈值和突变阈值;
15、以所述中时间窗偏差变异系数作为主切换判断依据,以所述短时间窗偏差变异系数作为偶发扰动过滤依据,以所述长时间窗偏差变异系数作为趋势稳定性确认依据,按以下逻辑确定当前订正模式:
16、当所述中时间窗偏差变异系数小于所述过渡阈值,且所述短时间窗偏差变异系数未超过预设扰动上限时,判定为平稳订正模式,以所述多目标树模型为主导,所述时序神经网络模型辅助,所述滑动窗口统计修正器提供基准;
17、当所述中时间窗偏差变异系数大于或等于所述过渡阈值且小于所述突变阈值时,判定为过渡订正模式,以所述时序神经网络模型为主导,所述滑动窗口统计修正器权重升高,所述多目标树模型权重降低;
18、当所述中时间窗偏差变异系数大于或等于所述突变阈值,且所述长时间窗偏差变异系数确认趋势持续时,判定为突变订正模式,以所述滑动窗口统计修正器为主导,所述多目标树模型和所述时序神经网络模型权重降至辅助;
19、同时,结合偏差趋势预测的结果,若预测的偏差变异系数将在预设时间内跨越所述过渡阈值或所述突变阈值,则提前执行模式预切换。
20、进一步的,所述偏差趋势预测采用自回归模型对未来预设时段的偏差变异系数进行预测,当预测值将在预设时间内跨越所述过渡阈值或所述突变阈值时,提前执行模式预切换,使模式过渡在阈值触发之前完成。
21、进一步的,所述天气工况实时识别,包括:
22、对数值天气预报模式输出的500hpa位势高度场和850hpa温度场进行主成分分析降维;
23、通过聚类算法将历史天气划分为预设数量的典型天气型,并定期基于最新数据重新聚类以使分型体系随季节演变。
24、进一步的,所述级联异常检测,包括:
25、第一级为物理约束检测,剔除不符合大气物理规律的不合理数据;
26、第二级为自适应z-score检测,其阈值根据所述天气分型动态调整,在常规天气下采用第一阈值以剔除传感器故障数据,在极端天气下采用比第一阈值大的第二阈值以保护极端天气真实样本不被误删。
27、进一步的,该方法还包括:
28、对于新建场站,冷启动阶段仅激活所述滑动窗口统计修正器;
29、半激活阶段逐步引入所述多目标树模型;
30、渐进阶段引入所述时序神经网络模型的单步模式;
31、全状态阶段激活全部三基学习器及自适应切换机制,各阶段之间通过平滑过渡避免性能跳变。
32、进一步的,所述多要素物理一致性约束包括:
33、温度与风速耦合约束,配置为:基于当前风速计算物理置信度权重,所述物理置信度权重通过sigmoid函数对风速与约束强度参数的乘积进行映射得到,在突变订正模式下所述约束强度参数放大以使强风条件下物理置信度权重更快减小,使订正结果更快回调至原始数值天气预报;
34、降水与湿度联合约束,配置为:订正后的相对湿度不低于与降水量相关的下限值,且在相应天气分型下自动调高该下限值;
35、风场u/v一致性约束,配置为:订正后的风向与原始预报风向偏差超过预设角度时逐步回调,在突变订正模式下放宽该预设角度以适应极端风场变化。
36、进一步的,所述最终订正结果以多时间尺度输出,包括15分钟尺度、小时尺度和日尺度;
37、其中,所述15分钟尺度通过三次样条插值生成,所述小时尺度直接输出整点结果,所述日尺度进行聚合统计;
38、以及,所述三次样条插值出现过冲时降级为线性插值。
39、第二方面,提供了一种多机制协同的数值天气预报偏差自适应订正系统,包括:
40、数值预报模块,用于获取数值天气预报模式输出的格点预报场,经降尺度与地形校正生成站点级预报序列;
41、工况识别模块,用于基于大尺度环流场进行天气工况实时识别,输出当前时刻所属的天气分型;
42、特征工程模块,用于对所述站点级预报序列与实测数据构成的偏差序列进行特征工程与数据质量保障,包括构建多维度偏差特征并进行级联异常检测,所述级联异常检测的灵敏度阈值根据当前天气分型自动校准;
43、订正融合模块,用于基于所述天气分型以及所述偏差序列的动态特征,在三基学习器之间自适应切换与融合,生成多要素订正结果;其中,所述三基学习器包括滑动窗口统计修正器、多目标树模型和时序神经网络模型,所述天气分型同时用于驱动所述三基学习器的主导模型选择与融合权重分配,所述偏差序列的动态特征同时用于计算所述三基学习器的融合权重;
44、订正约束模块,用于对所述多要素订正结果施加多要素物理一致性约束,生成最终订正结果;其中,所述多要素物理一致性约束的约束强度参数根据所述天气分型动态调节,所述多要素物理一致性约束基于所述约束强度参数和所述偏差序列的动态特征计算生成物理置信度权重,所述物理置信度权重用于反向参与所述三基学习器的融合权重计算。
45、与现有技术相比,本发明具有以下有益效果:
46、1、本发明提供的一种多机制协同的数值天气预报偏差自适应订正方法,通过构建环流分型驱动的多机制协同订正,将天气工况识别、偏差动态特征提取、三基学习器自适应融合、多要素物理一致性约束和级联异常检测通过四条跨机制协同链路有机整合,克服了各手段之间存在的极端天气样本双刃剑效应、独立决策不一致性、单模型与多工况性能矛盾等技术障碍。具体而言,天气分型同时驱动融合策略和物理约束参数,确保两者在同一工况认知基础上协调行动,避免了独立决策导致的矛盾抵消;偏差动态特征同时用于融合权重计算和物理置信度权重调节,使权重分配和约束强度表达同一偏差认知;物理置信度权重反向参与融合计算,使大气物理规则在融合环节即产生实质影响;异常检测灵敏度随天气分型自动调整,在常规天气从严剔除噪声、在极端天气从宽保护真实样本。
47、2、本发明通过设计三种异质基学习器及其自适应切换与融合机制,克服了单模型无法在所有天气工况下达到最优的性能矛盾。滑动窗口统计修正器无需训练数据,在冷启动和极端天气下提供稳健兜底;多目标树模型利用多维度特征进行非线性偏差映射,在常规天气下精度最优;时序神经网络模型追踪偏差时序演化,在天气转换期优势明显。三者工作机制互补,覆盖偏差建模的完整维度。在此基础上,通过多时间窗联合表征的偏差状态向量、天气分型感知的自适应切换阈值以及偏差趋势预测驱动的主动预切换三层递进机制,实现了融合权重随工况的精细化动态调整。
48、3、本发明通过天气分型感知的级联异常检测机制,化解了极端天气样本的双刃剑效应。第一级物理约束检测剔除明显不合理数据,第二级自适应z-score检测的阈值根据天气分型动态调整,在常规天气下采用严格阈值以剔除传感器故障数据,在极端天气下采用宽松阈值以保护极端天气真实样本不被误删。这种分型感知的阈值校准使强对流天气型下极端风速样本的保留率提升,且常规天气下的误检率未升高。被保护的极端样本进一步为数据驱动模型提供了珍贵的训练数据,使模型在极端天气型下的泛化能力持续提升,从而在数据源头保障了订正系统的输入质量和鲁棒性。
49、4、本发明通过冷启动与渐进激活策略,填补了纯数据驱动方案在新建场站的功能空白期。滑动窗口统计修正器作为无需训练的兜底机制,使新建场站从第1天起即可获得温度rmse改善。随后按半激活、渐进、全状态三个阶段逐步引入多目标树模型和时序神经网络模型,各阶段之间通过平滑过渡避免性能跳变。本发明实现了从零数据到完整运行的无缝衔接,解决了数据驱动模型在新建场站需要积累训练数据才能启动的技术难题。
50、5、本发明通过多要素物理一致性约束和多时间尺度输出,确保了订正结果在大气物理层面的自洽性和应用层面的灵活性。温度与风速耦合约束基于风速动态调整订正温度的置信度权重,在强风条件下自动回调至原始wrf预报,避免了过度订正;降水与湿度联合约束确保订正后的相对湿度与降水量保持物理一致性;风场u/v一致性约束防止风向出现剧烈不合理变化。同时,最终订正结果以15分钟、小时、日三个尺度输出,通过三次样条插值生成精细化的15分钟序列,出现过冲时降级为线性插值,兼顾了时间分辨率和物理合理性。本发明满足了风电功率预测、电力调度等场景对不同时间尺度气象数据的需求,且保证了多要素间的物理关系自洽,避免了单要素独立订正后要素间物理关系失配的问题。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com