日最高、最低气温的预报是天气预报业务的重要组成部分,其精度提升对保障社会经济活动具有重要意义。针对数值模式在复杂地形区域系统性偏差显著的问题,本研究以湖南省为试验区(具有“凹”字形三级阶梯地貌,涵盖山地、丘陵、平原等多种...日最高、最低气温的预报是天气预报业务的重要组成部分,其精度提升对保障社会经济活动具有重要意义。针对数值模式在复杂地形区域系统性偏差显著的问题,本研究以湖南省为试验区(具有“凹”字形三级阶梯地貌,涵盖山地、丘陵、平原等多种下垫面类型),提出一种融合地理特征聚类的深度学习改进方案。基于欧洲中期天气预报中心(European Centre for Medium Range Weather Forecasts,ECMWF)模式预报场、中国气象局陆面数据同化系统(CMA Land Data Assimilation System,CLDAS)再分析数据和地理变量,首先构建基准卷积神经网络CNN模型并针对地形特征处理策略设置三类对照实验:方案1(K-means聚类地理变量)、方案2(标准化非聚类地理变量)及方案3(无地理变量)。对比实验表明,方案1对24 h最高/低温度平均绝对误差MAE较方案3分别降低4.7%/9.4%,较方案2预报技巧提升2.5%/1.4%,证实地理特征聚类处理对模型性能具有显著增益。因此,优选方案1发展了未来72 h气温预报CNN-TC(Terrain Correction)模型。该模型表现出显著预报优势:相较ECMWF产品,最高/低温MAE降幅达23.5%~37.3%/20.8%~26.9%;较中央气象台指导预报产品SCMOC,最高/低温度误差降低18.7%~27.6%/26.8%~32.3%,其中24 h预报时效下,最高/低温度空间分布MAE区间由1.2~5.8℃/0.8~5.9℃(ECMWF)降低至0.9~1.7℃/0.8~1.7℃,区域稳定性大幅提升。分月检验表明,CNN-TC模型在所有月份均保持最优性能,MAE相对降幅覆盖5.6%~59.1%(最高温度)和6.3%~47.8%(最低温度)。典型强天气过程检验中,模型成功捕捉2022年11月寒潮过程的降温特征,较ECWMF和SCMOC表现均为最优,显示出优异的极端天气应对能力。本研究证实通过深度学习耦合地形特征聚类,可有效解决数值模式在复杂下垫面区域的系统性偏差问题,为山地气候区精细化气象服务提供了可靠的技术方案。展开更多
针对低压配电网拓扑复杂而导致故障区段定位精度不高的问题,提出了一种基于电压差网络映射和后验概率校核的故障区段定位方法。首先构造可达矩阵描述配电网拓扑结构,以准确反映网络各节点的连通性;根据故障前后节点电压的变化,计算节点...针对低压配电网拓扑复杂而导致故障区段定位精度不高的问题,提出了一种基于电压差网络映射和后验概率校核的故障区段定位方法。首先构造可达矩阵描述配电网拓扑结构,以准确反映网络各节点的连通性;根据故障前后节点电压的变化,计算节点故障电压差并利用K均值聚类算法对故障电压差进行聚类,得到故障电压差矩阵;通过推导可达矩阵和故障电压差矩阵的关系计算线路区段状态矩阵,最后采用马尔可夫链蒙特卡罗(Markov chain Monte Carlo,MCMC)算法计算各区段故障的后验概率,对所得故障区段判定结果进行校核。多个配电网中算例结果表明,所提方法在不同配电网拓扑结构下的单一故障识别率达100%,在相同条件下相较于传统方法收敛速度提高了40%,显著提高了故障区段定位的准确性和可靠性。展开更多
文摘日最高、最低气温的预报是天气预报业务的重要组成部分,其精度提升对保障社会经济活动具有重要意义。针对数值模式在复杂地形区域系统性偏差显著的问题,本研究以湖南省为试验区(具有“凹”字形三级阶梯地貌,涵盖山地、丘陵、平原等多种下垫面类型),提出一种融合地理特征聚类的深度学习改进方案。基于欧洲中期天气预报中心(European Centre for Medium Range Weather Forecasts,ECMWF)模式预报场、中国气象局陆面数据同化系统(CMA Land Data Assimilation System,CLDAS)再分析数据和地理变量,首先构建基准卷积神经网络CNN模型并针对地形特征处理策略设置三类对照实验:方案1(K-means聚类地理变量)、方案2(标准化非聚类地理变量)及方案3(无地理变量)。对比实验表明,方案1对24 h最高/低温度平均绝对误差MAE较方案3分别降低4.7%/9.4%,较方案2预报技巧提升2.5%/1.4%,证实地理特征聚类处理对模型性能具有显著增益。因此,优选方案1发展了未来72 h气温预报CNN-TC(Terrain Correction)模型。该模型表现出显著预报优势:相较ECMWF产品,最高/低温MAE降幅达23.5%~37.3%/20.8%~26.9%;较中央气象台指导预报产品SCMOC,最高/低温度误差降低18.7%~27.6%/26.8%~32.3%,其中24 h预报时效下,最高/低温度空间分布MAE区间由1.2~5.8℃/0.8~5.9℃(ECMWF)降低至0.9~1.7℃/0.8~1.7℃,区域稳定性大幅提升。分月检验表明,CNN-TC模型在所有月份均保持最优性能,MAE相对降幅覆盖5.6%~59.1%(最高温度)和6.3%~47.8%(最低温度)。典型强天气过程检验中,模型成功捕捉2022年11月寒潮过程的降温特征,较ECWMF和SCMOC表现均为最优,显示出优异的极端天气应对能力。本研究证实通过深度学习耦合地形特征聚类,可有效解决数值模式在复杂下垫面区域的系统性偏差问题,为山地气候区精细化气象服务提供了可靠的技术方案。
文摘针对低压配电网拓扑复杂而导致故障区段定位精度不高的问题,提出了一种基于电压差网络映射和后验概率校核的故障区段定位方法。首先构造可达矩阵描述配电网拓扑结构,以准确反映网络各节点的连通性;根据故障前后节点电压的变化,计算节点故障电压差并利用K均值聚类算法对故障电压差进行聚类,得到故障电压差矩阵;通过推导可达矩阵和故障电压差矩阵的关系计算线路区段状态矩阵,最后采用马尔可夫链蒙特卡罗(Markov chain Monte Carlo,MCMC)算法计算各区段故障的后验概率,对所得故障区段判定结果进行校核。多个配电网中算例结果表明,所提方法在不同配电网拓扑结构下的单一故障识别率达100%,在相同条件下相较于传统方法收敛速度提高了40%,显著提高了故障区段定位的准确性和可靠性。
