一种风速预报方法和系统与流程

1.本发明属于电力气象技术领域，具体涉及一种风速预报方法和系统。


背景技术：

2.气象预报的核心是数值天气预报模式（nwp），数值天气预报模式根据实际应用需求和场景，对大气运动基本方程组进行一定的简化和近似，同时引入边界层、积云对流、微物理及辐射等过程，从而实现对需求尺度气象要素的数值模拟和预报。基于数值天气预报模式的气象预报流程包含了资料同化（da）、模式参数化方案、预报误差校准等环节，当前这些环节完全遵循气象物理机理和相关规律的约束。这同时造成气象预报准确率主要受制于各环节中缺乏或没有物理机理的准确认识，但目前大气科学理论和相关技术的发展无法有效解决该问题。
3.资料同化(da)是提高数值天气预报准确率的有效技术手段之一，其目的是通过将最新的气象观测资料与模式背景场或短期天气预报进行融合，从而提供数值预报模式当前状态的最佳估计（初猜场）。其技术方案是根据当前已知的观测场和数值模式的初始状态，通过对比数值模式初始估计的观测和真实的观测，进而得到模式初始状态的更优估计。
4.资料同化的前提是假设已有准确可靠的基于物理机理的气象模式，而模式的初始状态是未知项，通过加入各种物理机理约束，比如大气物理状态、风压平衡等，从而得到比从观测中更准确的模式初始状态。但实际大气变化过程为高度非线性的混沌系统，目前尚有诸多缺乏或没有物理机理约束的环节，这些尚未被科学准确认知的过程，严重制约了气象预报的准确率。


技术实现要素：

5.为克服上述现有技术的不足，本发明提出一种风速预报方法，包括：基于模式背景场与最新的气象要素数据，采用预先构建的全局最优同化方案进行资料同化，得到模式初始状态；基于所述模式初始状态，采用预先训练的模式参数化方案进行预测，得到风速预报场；其中，所述全局最优同化方案是基于气象要素的数值模拟数据与对应数值预报模式的预报场数据，采用人工智能和物理机理相结合的方法构建的；所述模式参数化方案是基于历史气象要素数据对应的模式初始状态和风速预报场，采用人工智能方法训练得到的。
6.优选的，所述全局最优同化方案的构建，包括：获取气象要素数据在时间和空间范围上的质量和预报精度要求；以符合质量和预报精度要求的气象要素的数值模拟数据为输入，以对应的数值预报模式的预报场数据为输出，对同化时间窗内同化信息衰减及优化的人工智能模型进行优化，得到同化的时间窗配置方案；
针对数据同化过程的空间范围，以所述数值模拟数据对应的融合的观测场数据为输入，对应的数值预报模式的预报场数据为输出，对同化区域和同化质量的自适应人工智能模型进行优化，得到同化的空间范围配置方案；基于所述时间窗配置方案和空间范围配置方案，根据人工智能算法的泛化能力，构建气象要素数据与模式背景场的全局最优同化方案。
7.优选的，所述模式参数化方案的训练，包括：获取影响重点待预报地区风速的模式关键物理过程参数化方案及其敏感参数；针对所述模式关键物理过程参数化方案，基于历史气象要素数据对应的模式初始状态和风速预报场，采用启发式智能优化算法，以风速预报精度作为优化目标，进行所述模式关键物理过程参数化方案的优化；基于已优化的模式关键物理过程参数化方案，针对所述已优化的模式关键物理过程参数化方案中的敏感参数，设计样本集误差反馈的优化目标函数，构建融合模式积分计算和误差指标计算的可嵌套优化目标函数，通过反复多次迭代计算，开展所述已优化的模式关键物理过程参数化方案中的敏感参数优化；以完成敏感参数优化的已优化的模式关键物理过程参数化方案作为模式参数化方案。
8.优选的，所述得到风速预报场之后，还包括：采用预先训练的风速校准模型对风速预报场进行校准；其中，所述风速校准模型是基于历史时段的数值天气预报风速场及实测风速场，采用物理机理与人工智能相的方法训练得到的。
9.优选的，所述风速校准模型的训练，包括：基于历史时段的数值天气预报风速场及实测风速场，采用卷积神经网络或图卷积神经网络学习气象预报多网格点要素的空间信息；基于历史时段的数值天气预报风速场及实测风速场，通过循环神经网络或长短时记忆网络学习隐藏在各气象要素在时序上的关联信息；以所述空间信息和时序上的关联信息作为物理机理，并结合历史时段的数值天气预报风速场及实测风速场，对深度学习网络模型的超参数进行优化，得到风速校准模型；其中，所述深度学习网络模型的超参数包括：网络结构和学习率；所述深度学习网络模型是根据风速预报的应用场景设计的。
10.优选的，所述采用预先训练的风速校准模型对风速预报场进行校准之后，还包括：以校准后的风速预报场为新的数值天气预报风速场，并结合所述校准后的风速预报场对应的实测风速场对所述风速校准模型进行在线优化更新。
11.基于同一发明构思，本发明还提供了一种风速预报系统，包括：资料同化模块和风速预报模块，其中：所述资料同化模块，用于基于模式背景场与最新的气象要素数据，采用预先构建的全局最优同化方案进行资料同化，得到模式初始状态；所述风速预报模块，用于基于所述模式初始状态，采用预先训练的模式参数化方案进行预测，得到风速预报场；其中，所述全局最优同化方案是基于气象要素的数值模拟数据与对应数值预报模
式的预报场数据，采用人工智能和物理机理相结合的方法构建的；所述模式参数化方案是基于历史气象要素数据对应的模式初始状态和风速预报场，采用人工智能方法训练得到的。
12.优选的，所述全局最优同化方案的构建，包括：获取气象要素数据在时间和空间范围上的质量和预报精度要求；以符合质量和预报精度要求的气象要素的数值模拟数据为输入，以对应的数值预报模式的预报场数据为输出，对同化时间窗内同化信息衰减及优化的人工智能模型进行优化，得到同化的时间窗配置方案；针对数据同化过程的空间范围，以所述数值模拟数据对应的融合的观测场数据为输入，对应的数值预报模式的预报场数据为输出，对同化区域和同化质量的自适应人工智能模型进行优化，得到同化的空间范围配置方案；基于所述时间窗配置方案和空间范围配置方案，根据人工智能算法的泛化能力，构建气象要素数据与模式背景场的全局最优同化方案。
13.优选的，所述模式参数化方案的训练，包括：获取影响重点待预报地区风速的模式关键物理过程参数化方案及其敏感参数；针对所述模式关键物理过程参数化方案，基于历史气象要素数据对应的模式初始状态和风速预报场，采用启发式智能优化算法，以风速预报精度作为优化目标，进行所述模式关键物理过程参数化方案的优化；基于已优化的模式关键物理过程参数化方案，针对所述已优化的模式关键物理过程参数化方案中的敏感参数，设计样本集误差反馈的优化目标函数，构建融合模式积分计算和误差指标计算的可嵌套优化目标函数，通过反复多次迭代计算，开展所述已优化的模式关键物理过程参数化方案中的敏感参数优化；以完成敏感参数优化的已优化的模式关键物理过程参数化方案作为模式参数化方案。
14.优选的，该系统还包括：风速校准模块；所述风速校准模块，用于采用预先训练的风速校准模型对风速预报场进行校准；其中，所述风速校准模型是基于历史时段的数值天气预报风速场及实测风速场，采用物理机理与人工智能相的方法训练得到的。
15.优选的，所述风速校准模型的训练，包括：基于历史时段的数值天气预报风速场及实测风速场，采用卷积神经网络或图卷积神经网络学习气象预报多网格点要素的空间信息；基于历史时段的数值天气预报风速场及实测风速场，通过循环神经网络或长短时记忆网络学习隐藏在各气象要素在时序上的关联信息；以所述空间信息和时序上的关联信息作为物理机理，并结合历史时段的数值天气预报风速场及实测风速场，对深度学习网络模型的超参数进行优化，得到风速校准模型；其中，所述深度学习网络模型的超参数包括：网络结构和学习率；所述深度学习网络模型是根据风速预报的应用场景设计的。
16.优选的，所述采用预先训练的风速校准模型对风速预报场进行校准之后，还包括：以校准后的风速预报场为新的数值天气预报风速场，并结合所述校准后的风速预
报场对应的实测风速场对所述风速校准模型进行在线优化更新。
17.本发明还提供了一种计算机设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行时，实现如前所述的风速预报方法。
18.本发明还提供一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现如前所述的风速预报方法。
19.与最接近的现有技术相比，本发明具有的有益效果如下：本发明提供了一种风速预报方法和系统，包括：基于模式背景场与最新的气象要素数据，采用预先构建的全局最优同化方案进行资料同化，得到模式初始状态；基于模式初始状态，采用预先训练的模式参数化方案进行预测，得到风速预报场；其中，全局最优同化方案是基于气象要素的数值模拟数据与对应数值预报模式的预报场数据，采用人工智能和物理机理相结合的方法构建的；模式参数化方案是基于历史气象要素数据对应的模式初始状态和风速预报场，采用人工智能方法训练得到的；针对资料同化和模式参数化方案环节，在传统的基于物理机理和已知规律约束的数值天气预报模式基础上，面向缺乏或没有物理机理约束的情况，本发明通过采用人工智能算法训练出全局最优同化方案和模式参数化方案，充分发挥人工智能算法的优势，从而显著提升风速预报的准确率。
附图说明
20.图1为本发明提供的一种风速预报方法流程示意图；图2为本发明提供的一个面向风电功率预测的风速预报方法示例的整体路线示意图；图3为本发明提供的一个面向风电功率预测的风速预报方法示例中资料同化方法的技术路线示意图；图4为本发明提供的一个面向风电功率预测的风速预报方法示例中模式参数化方案优化方法技术路线示意图；图5为本发明提供的一个面向风电功率预测的风速预报方法示例中预报误差校准的技术路线示意图；图6为本发明提供的一种风速预报系统结构示意图。
具体实施方式
21.下面结合附图对本发明的具体实施方式做进一步的详细说明。
22.实施例1：本发明提供的一种风速预报方法流程示意图如图1所示，包括：步骤1：基于模式背景场与最新的气象要素数据，采用预先构建的全局最优同化方案进行资料同化，得到模式初始状态；步骤2：基于模式初始状态，采用预先训练的模式参数化方案进行预测，得到风速预报场；其中，全局最优同化方案是基于气象要素的数值模拟数据与对应数值预报模式的
预报场数据，采用人工智能和物理机理相结合的方法构建的；模式参数化方案是基于历史气象要素数据对应的模式初始状态和风速预报场，采用人工智能方法训练得到的。
23.其中，步骤1中，全局最优同化方案的构建，包括：获取气象要素数据在时间和空间范围上的质量和预报精度要求；以符合质量和预报精度要求的气象要素的数值模拟数据为输入，以对应的数值预报模式的预报场数据为输出，对同化时间窗内同化信息衰减及优化的人工智能模型进行优化，得到同化的时间窗配置方案；针对数据同化过程的空间范围，以数值模拟数据对应的融合的观测场数据为输入，对应的数值预报模式的预报场数据为输出，对同化区域和同化质量的自适应人工智能模型进行优化，得到同化的空间范围配置方案；基于时间窗配置方案和空间范围配置方案，根据人工智能算法的泛化能力，构建气象要素数据与模式背景场的全局最优同化方案。
24.步骤2中，模式参数化方案的训练，包括：获取影响重点待预报地区风速的模式关键物理过程参数化方案及其敏感参数；针对模式关键物理过程参数化方案，基于历史气象要素数据对应的模式初始状态和风速预报场，采用启发式智能优化算法，以风速预报精度作为优化目标，进行模式关键物理过程参数化方案的优化；基于已优化的模式关键物理过程参数化方案，针对已优化的模式关键物理过程参数化方案中的敏感参数，设计样本集误差反馈的优化目标函数，构建融合模式积分计算和误差指标计算的可嵌套优化目标函数，通过反复多次迭代计算，开展已优化的模式关键物理过程参数化方案中的敏感参数优化；以完成敏感参数优化的已优化的模式关键物理过程参数化方案作为模式参数化方案。
25.步骤2之后，还可以进一步对风速预报场进行校准，包括：采用预先训练的风速校准模型对风速预报场进行校准。
26.风速校准模型的训练过程包括：基于历史时段的数值天气预报风速场及实测风速场，采用卷积神经网络或图卷积神经网络学习气象预报多网格点要素的空间信息；基于历史时段的数值天气预报风速场及实测风速场，通过循环神经网络或长短时记忆网络学习隐藏在各气象要素在时序上的关联信息；以空间信息和时序上的关联信息作为物理机理，并结合历史时段的数值天气预报风速场及实测风速场，对深度学习网络模型的超参数进行优化，得到风速校准模型；其中，深度学习网络模型的超参数包括：网络结构和学习率；深度学习网络模型是根据风速预报的应用场景设计的。
27.对风速预报场进行校准之后，还可以进一步以校准后的风速预报场为新的数值天气预报风速场，并结合校准后的风速预报场对应的实测风速场对风速校准模型进行在线优化更新。
28.本发明进一步在预报误差校准环节，在传统的基于物理机理和已知规律约束的数值天气预报模式基础上，面向缺乏或没有物理机理约束的情况，充分发挥人工智能算法的优势，从而显著提升风速预报的准确率。
29.实施例2：下面以向风电功率预测的风速预报作为一个具体示例，对本发明提供的方法进行说明。
30.一个面向风电功率预测的风速预报方法，整体技术路线如图2所示，包含以下3个步骤：步骤s1：人工智能和物理机理相结合的资料同化方法。
31.在传统数值模式资料同化的基础上，基于电力气象融合场数据的时空特征以及具体预报需求，针对数值模式资料同化过程的有效时间窗和空间范围等统一设置的弊端，采用人工智能算法实现自适应优化，提升数值模式计算效率的同时，提升预报效果。
32.具体包含以下4个步骤，如图3所示：步骤s1-1：分析电力气象观测融合数据的时空分布特征，针对风电功率预测所需精准风速预报需求，明确对应气象要素数据在时间和空间范围上的质量和预报精度。
33.步骤s1-2：以高质量的数值模拟数据为输入，对应的数值预报模式的预报场数据为输出，训练同化时间窗内同化信息衰减及优化的人工智能模型，业务预测时基于该模型实现同化时间窗内有效信息衰减的自适应优化。
34.步骤s1-3：针对数据同化过程的空间范围，以融合的观测场数据为输入，对应的数值预报模式的预报场数据为输出，训练同化区域和同化质量的自适应人工智能模型，业务预测时基于该模型实现模式同化区域的自适应优化。
35.步骤s1-4：基于上述同化的时间窗和空间范围配置方案，根据人工智能算法的泛化能力，构建观测场（即最新的气象要素数据）与背景场（即模式背景场）的全局最优同化方案。
36.步骤s2：基于人工智能的模式参数化方案优化方法。
37.基于数值天气预报模式中各物理过程参数化方案之间动量、热量和水汽交互及相互影响的物理机理，基于启发式人工智能优化算法框架，采用遗传算法、粒子群算法等优化算法，构建适用于模式参数优化的启发式智能优化算法，通过构建融合模式积分计算和预报误差指标计算的可嵌套优化目标，实现数值模式物理过程参数化方案（即模式关键物理过程参数化方案）的评估及优化。
38.具体包含以下3个步骤，如图4所示：步骤s2-1：面向风电功率预测所需的风速预报，分析影响重点风电场风速的模式关键物理过程参数化方案及其敏感参数。
39.步骤s2-2：针对模式关键物理过程参数化方案，采用遗传算法、粒子群算法等启发式智能优化算法，以预报精度作为优化目标，开展数值模式物理过程参数化方案的优化。
40.步骤s2-3：基于已优化的模式关键物理过程参数化方案，针对参数化方案中的敏感参数，以及某些次网格过程等难以显性解析表达的半经验参数，设计样本集误差反馈的优化目标函数，构建融合模式积分计算和误差指标计算的可嵌套优化目标函数，通过反复多次迭代计算，开展关键物理过程参数化方案中的敏感参数优化。
41.步骤s3：物理机理与人工智能相结合的预报误差校准方法。
42.预报误差校准环节，在基于物理机理的天气形势法和相似天气校准技术的基础上，采用卷积类和循环类神经网络，分别针对时序类气象要素和事件类气象预报，构建深度
学习网络模型，并采用交叉验证对模型结构、学习率等超参数进行优化，实现基于物理机理和人工智能相结合的气象预报误差校准。
43.具体包含以下4个步骤，如图5所示：步骤s3-1：基于海量数值天气预报结果（即历史时段的数值天气预报风速场）及气象实况数据（即历史时段的实测风速场），采用卷积神经网络、图卷积神经网络等学习气象预报多网格点要素的空间信息。
44.步骤s3-2：基于海量数值天气预报结果及气象实况数据，通过循环神经网络、长短时记忆网络等学习隐藏在各气象要素在时序上的关联信息。
45.步骤s3-3：针对风电功率预测所需的风速预报场景，可独立采用卷积网络或循环网络，也可融合卷积网络和循环网络进行气象特征学习。针对风速序列的校准，设计适用于该应用场景的深度学习网络模型，基于交叉验证对模型结构、学习率等超参数进行优化。
46.步骤s3-4：建立深度学习模型（即风速校准模型）的在线优化更新机制，通过收集近阶段的预报误差评估情况，对预报结果进行在线校准。
47.实施例3：基于同一发明构思，本发明还提供了一种风速预报系统，该系统结构如图6所示，包括：资料同化模块和风速预报模块，其中：资料同化模块，用于基于模式背景场与最新的气象要素数据，采用预先构建的全局最优同化方案进行资料同化，得到模式初始状态；风速预报模块，用于基于模式初始状态，采用预先训练的模式参数化方案进行预测，得到风速预报场；其中，全局最优同化方案是基于气象要素的数值模拟数据与对应数值预报模式的预报场数据，采用人工智能和物理机理相结合的方法构建的；模式参数化方案是基于历史气象要素数据对应的模式初始状态和风速预报场，采用人工智能方法训练得到的。
48.其中，全局最优同化方案的构建，包括：获取气象要素数据在时间和空间范围上的质量和预报精度要求；以符合质量和预报精度要求的气象要素的数值模拟数据为输入，以对应的数值预报模式的预报场数据为输出，对同化时间窗内同化信息衰减及优化的人工智能模型进行优化，得到同化的时间窗配置方案；针对数据同化过程的空间范围，以数值模拟数据对应的融合的观测场数据为输入，对应的数值预报模式的预报场数据为输出，对同化区域和同化质量的自适应人工智能模型进行优化，得到同化的空间范围配置方案；基于时间窗配置方案和空间范围配置方案，根据人工智能算法的泛化能力，构建气象要素数据与模式背景场的全局最优同化方案。
49.其中，模式参数化方案的训练，包括：获取影响重点待预报地区风速的模式关键物理过程参数化方案及其敏感参数；针对模式关键物理过程参数化方案，基于历史气象要素数据对应的模式初始状态和风速预报场，采用启发式智能优化算法，以风速预报精度作为优化目标，进行模式关键物理过程参数化方案的优化；
基于已优化的模式关键物理过程参数化方案，针对已优化的模式关键物理过程参数化方案中的敏感参数，设计样本集误差反馈的优化目标函数，构建融合模式积分计算和误差指标计算的可嵌套优化目标函数，通过反复多次迭代计算，开展已优化的模式关键物理过程参数化方案中的敏感参数优化；以完成敏感参数优化的已优化的模式关键物理过程参数化方案作为模式参数化方案。
50.其中，该系统还包括：风速校准模块；风速校准模块，用于采用预先训练的风速校准模型对风速预报场进行校准；其中，风速校准模型是基于历史时段的数值天气预报风速场及实测风速场，采用物理机理与人工智能相的方法训练得到的。
51.其中，风速校准模型的训练，包括：基于历史时段的数值天气预报风速场及实测风速场，采用卷积神经网络或图卷积神经网络学习气象预报多网格点要素的空间信息；基于历史时段的数值天气预报风速场及实测风速场，通过循环神经网络或长短时记忆网络学习隐藏在各气象要素在时序上的关联信息；以空间信息和时序上的关联信息作为物理机理，并结合历史时段的数值天气预报风速场及实测风速场，对深度学习网络模型的超参数进行优化，得到风速校准模型；其中，深度学习网络模型的超参数包括：网络结构和学习率；深度学习网络模型是根据风速预报的应用场景设计的。
52.其中，采用预先训练的风速校准模型对风速预报场进行校准之后，还包括：以校准后的风速预报场为新的数值天气预报风速场，并结合校准后的风速预报场对应的实测风速场对风速校准模型进行在线优化更新。
53.实施例4：本发明还提供一种计算机设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行时，实现如前所述的风速预报方法。
54.实施例5：本发明还提供一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现如前所述的风速预报方法。
55.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、cd-rom、光学存储器等）上实施的计算机程序产品的形式。
56.本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产
生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
57.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
58.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
59.最后应当说明的是:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。