一种人工智能数值天气预报方法和系统技术方案

本发明专利技术提供了一种人工智能数值天气预报方法和系统，通过获取未来某一时刻的初始预测二维矩阵，并根据所述初始预测二维矩阵生成预报初始图像数据，所述初始预测二维矩阵由该时刻在各个位置的气象参数的初始预报值组成；其次将所述预报初始图像数据输入到预先训练好的人工智能预报模型中，输出得到预报结果图像数据；最后从所述预报结果图像数据中提取并计算需要位置的气象参量预报结果。本发明专利技术通过将未来某一时刻各个监测点的预测值，通过二维矩阵和图像数据处理的方式得到各个位置的气象参量预报结果，从而解决了当前数值天气预报计算量大、计算时间长和精度存在提升空间的问题，进而支撑新能源发电功率预测，具有工程适用性。用性。用性。

【技术实现步骤摘要】
一种人工智能数值天气预报方法和系统


[0001]本专利技术属于气象预报
，具体涉及一种人工智能数值天气预报方法和系统。

技术介绍

[0002]随着可再生能源发电占比的不断增加，电力系统的气象依赖性逐渐凸显，因此，准确预报未来气象情况是保障系统可靠供电的重要基础之一。目前，经过多年来对气象预报基础理论的研究和应用，已经构建了完整的预报技术体系和生产应用系统，能够广泛支持人们的生产生活。但当前的数值天气预报主要基于物理模式，存在计算时间长、计算量大、结果偏差发散性强等问题，不能较好的满足新能源发电功率预测等的应用需求。

技术实现思路

[0003]为克服上述现有技术的不足，本专利技术提出一种人工智能数值天气预报方法和系统。
[0004]本专利技术提供的技术方案如下：
[0005]本专利技术提出了一种人工智能数值天气预报方法，包括：
[0006]获取未来某一时刻的初始预测二维矩阵，并根据所述初始预测二维矩阵生成预报初始图像数据，所述初始预测二维矩阵由该时刻在各个位置的气象参数的初始预报值组成；
[0007]将所述预报初始图像数据输入到预先训练好的人工智能预报模型中，输出得到预报结果图像数据；
[0008]从所述预报结果图像数据中提取并计算需要位置的气象参量预报结果；
[0009]其中，所述人工智能预报模型以预报初始图像数据作为输入，以预报结果图像数据作为输出，通过调节模型参数完成训练。
[0010]作为优选的，所述人工智能预报模型的训练，包括：r/>[0011]获取历史各个时刻的初始预测二维矩阵；
[0012]将每一个时刻的所述初始预测二维矩阵通过数据修正方法得到对应的结果预测二维矩阵；
[0013]将所述初始预测二维矩阵进行归一化处理后并转化为预报初始图像数据，将所述结果预测二维矩阵进行归一化处理后并转化为预报结果图像数据；
[0014]将每一个时刻的所述预报初始图像数据作为输入，对应的所述预报结果图像数据作为输出，调节所述人工智能预报模型的参数，直至训练完成。
[0015]作为优选的，所述将每一个时刻的所述初始预测二维矩阵通过数据修正方法得到对应的结果预测二维矩阵，包括：
[0016]获取各个监测点的实测值，并根据各个监测点位置构建控制点矩阵；
[0017]根据各个监测点的实测值和各个监测点在所述初始预测二维矩阵中对应的初始
预报值的差值，构建高度矩阵；
[0018]采用径向基函数构建相互影响矩阵；
[0019]根据所述相互影响矩阵、所述控制点矩阵与所述高度矩阵之间的关系计算中转参量和各个监测点的中转系数，并根据所述中转参量和各个监测点的中转系数计算各个位置的结果预报值，输出所述结果预测二维矩阵。
[0020]作为优选的，所述控制点矩阵P表示为如下计算式：
[0021][0022]其中，n为监测点的个数，x
n
为第n个监测点的位置的经度，y
n
为分别第n个监测点的位置的纬度；
[0023]所述高度矩阵Y
t
表示为如下计算式：
[0024][0025]其中，其中，为第n个监测点在t时刻的实测值，z
n,t
为第n个监测点在t时刻的初始预报值；
[0026]所述相互影响矩阵K表示为如下计算式：
[0027][0028]其中，
[0029]K
i,j
＝U(‖[x
i
,y
j
]‑
[x
i
′
,y
j
′
]‖)+I
i,j
·
α2·
λ
[0030]其中，λ为气象参数的形变控制系数，α为各个监测点的平均距离，‖[x
i
,y
j
]‑
[x
i
′
,y
j
′
]‖为经度为x
i
纬度为y
j
的位置与经度为x
i
′
纬度为y
j
′
的位置之间距离，U(||[x
i
，y
j
]‑
[x
i
′
，y
j
′
]||)为径向基函数，I
i，j
为单位矩阵的元素；
[0031]其中，
[0032]U(||[x
i
，y
j
]‑
[x
i
′
，y
j
′
]||)＝U(d
i，j
)
[0033][0034][0035]其中，
[0036][0037]其中，
[0038][0039]所述根据所述相互影响矩阵、所述控制点矩阵与所述高度矩阵之间的关系计算中转参量和各个监测点的中转系数，通过如下计算式计算：
[0040][0041]其中，ω
n，t
为第n个监测点t时刻的中转系数，α
1，t
、α
2，t
以及α
3，t
分别为t时刻的中转参量，O为零矩阵；
[0042]所述根据所述中转参量和各个监测点的中转系数计算各个位置的结果预报值，通过如下计算式计算：
[0043][0044]其中，z
′
i
′
，j
′
，t
(x
i
′
，y
j
′
)为经度为x
i
′
纬度为y
j
′
的位置在t时刻所述结果预报值，z
i
′
，j
′
，t
为经度为x
i
′
纬度为y
j
′
的位置在t时刻所述初始预报值。
[0045]作为优选的，所述根据所述初始预测二维矩阵生成预报初始图像数据，包括：
[0046]获取过去设定时间段内气象参数的最大值；
[0047]根据所述气象参数的最大值以及设定的裕度对所述初始预测二维矩阵进行归一化处理；
[0048]将归一化处理后的所述初始预测二维矩阵转化为预报初始图像数据。
[0049]作为优选的，所述初始预测二维矩阵表示为如下计算式：
[0050][0051]其中，t+k为t时刻后的未来k时刻；z
i
′
，j
′
，t+k
为经度为x
i
′
纬度为y
j
′
的位置在t时刻后的未来k时刻的气象参数的初始预报值，n为监测点的个数；
[0052]所述根据所述气象参数的最大值以及设定的裕度对所述初始预测二维矩阵进行归一化处理，通过如本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人工智能数值天气预报方法，其特征在于，包括：获取未来某一时刻的初始预测二维矩阵，并根据所述初始预测二维矩阵生成预报初始图像数据，所述初始预测二维矩阵由该时刻在各个位置的气象参数的初始预报值组成；将所述预报初始图像数据输入到预先训练好的人工智能预报模型中，输出得到预报结果图像数据；从所述预报结果图像数据中提取并计算需要位置的气象参量预报结果；其中，所述人工智能预报模型以预报初始图像数据作为输入，以预报结果图像数据作为输出，通过调节模型参数完成训练。2.如权利要求1所述的方法，其特征在于，所述人工智能预报模型的训练，包括：获取历史各个时刻的初始预测二维矩阵；将每一个时刻的所述初始预测二维矩阵通过数据修正方法得到对应的结果预测二维矩阵；将所述初始预测二维矩阵进行归一化处理后并转化为预报初始图像数据，将所述结果预测二维矩阵进行归一化处理后并转化为预报结果图像数据；将每一个时刻的所述预报初始图像数据作为输入，对应的所述预报结果图像数据作为输出，调节所述人工智能预报模型的参数，直至训练完成。3.如权利要求2所述的方法，其特征在于，所述将每一个时刻的所述初始预测二维矩阵通过数据修正方法得到对应的结果预测二维矩阵，包括：获取各个监测点的实测值，并根据各个监测点位置构建控制点矩阵；根据各个监测点的实测值和各个监测点在所述初始预测二维矩阵中对应的初始预报值的差值，构建高度矩阵；采用径向基函数构建相互影响矩阵；根据所述相互影响矩阵、所述控制点矩阵与所述高度矩阵之间的关系计算中转参量和各个监测点的中转系数，并根据所述中转参量和各个监测点的中转系数计算各个位置的结果预报值，输出所述结果预测二维矩阵。4.如权利要求3所述的方法，其特征在于，所述控制点矩阵P表示为如下计算式：其中，n为监测点的个数，x
n
为第n个监测点的位置的经度，y
n
为分别第n个监测点的位置的纬度；所述高度矩阵Y
t
表示为如下计算式：其中，其中，为第n个监测点在t时刻的实测值，z
n,t
为第n个监测点在
t时刻的初始预报值；所述相互影响矩阵K表示为如下计算式：其中，K
i,j
＝U(‖[x
i
,y
j
]
‑
[x
i
′
,y
j
′
]‖)+I
i,j
·
α2·
λ其中，λ为气象参数的形变控制系数，α为各个监测点的平均距离，‖[x
i
,y
j
]
‑
[x
i
′
,y
j
′
]‖为经度为x
i
纬度为y
j
的位置与经度为x
i
′
纬度为y
j
′
的位置之间距离，U(‖[x
i
,y
j
]
‑
[x
i
′
,y
j
′
]‖)为径向基函数，I
i,j
为单位矩阵的元素；其中，U(‖[x
i
,y
j
]
‑
[x
i
′
,y
j
′
]‖)＝U(d
i,j
))其中，其中，所述根据所述相互影响矩阵、所述控制点矩阵与所述高度矩阵之间的关系计算中转参量和各个监测点的中转系数，通过如下计算式计算：其中，ω
n,t
为第n个监测点t时刻的中转系数，α
1,t
、α
2,t
以及α
3,t
分别为t时刻的中转参量，O为零矩阵；所述根据所述中转参量和各个监测点的中转系数计算各个位置的结果预报值，通过如下计算式计算：其中，z
′
i
′
,j
′
,t
(x
i
′
,y
j
′
)为经度为x
i
′
纬度为y
j
′
的位置在t时刻所述结...

【专利技术属性】
技术研发人员：王铮，王伟胜，冯双磊，王勃，赵艳青，姜文玲，车建峰，王钊，靳双龙，宋宗朋，刘晓琳，滑申冰，王姝，陈帅，丁禹，柴荣繁，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：