A Two-Step Spatio-Temporal Framework for Turbine-Height Wind Estimation at Unmonitored Sites from Sparse Meteorological Data
University of Limerick(利默里克大学);INRAE(法国国家农业、食品与环境研究院)
本文提出了一种两步时空框架,利用稀疏气象数据实时估计风电场风速,提升风能资源评估精度。
2026-02-23 stat.AP
Spatio-temporal modeling of urban extreme rainfall events at high resolution
IMAG, Univ. Montpellier(蒙彼利埃大学);CNRS(法国国家科学研究中心);Inria LEMON team(INRIA LEMON团队);BioSP, Inrae(法国国家农业食品与环境研究院 BioSP部门)
本文提出一种新颖的时空随机模型,用于高分辨率城市极端暴雨建模,结合真实边缘行为和灵活的依赖结构,通过雷达再分析数据估计经验对流速度,准确再现蒙彼利埃OMSEV网络观测到的极端暴雨时空结构。
2026-04-22 stat.AP
Enhancing the Accuracy of Spatio-Temporal Models for Wind Speed Prediction by Incorporating Bias-Corrected Crowdsourced Data
University of Limerick(利默里克大学);INRAE(法国国家农业食品环境研究院)
本文提出通过整合偏修正的众包数据提升风速预测准确性的方法,采用两阶段框架结合贝叶斯分层空间时间模型,实现实时预测并提高不确定性量化。
2026-02-23 stat.AP
A Spatio-Temporal Model for Predicting Wind Speeds in Southern California
风力发电在全世界燃料混合物中所占的份额大幅增加。得出风力发电预测的主要因素是风速数据;离风电场越近,预测的电力供应越好。本文提出了一种预测方便地点风速的混合模型。然后将其应用于南加州电价区。我们建立随机场与时间序列的网格化的历史预测和实际风速观测。我们估计与普通克里金的时间参数的空间变异性,并得出预测。这项工作的优点是双重的:(1)在该地区的任何位置准确的每日风速预报和(2)适用于其他市场的一般方法。
2021-05-14 stat.AP stat.OT
Deep Spatio-Temporal Wind Power Forecasting
Department of Statistics, Texas A\&M University, College Station, TX
随着可再生能源消费量的增长,风力发电预测越来越受到研究人员的关注。在本文中,我们开发了一种基于编码器-解码器结构的深度学习方法。我们的模型预测风力涡轮机产生的风力发电,使用其相对于其他涡轮机的空间位置和历史风速数据。通过这种方式,我们有效地整合了空间依赖性和时间趋势,以进行涡轮特定的预测。与现有工作相比,我们的方法的优点可以总结为:1)它直接基于历史风速预测风力发电,而不需要首先预测风速,然后使用转换; 2)它可以有效地捕获长期依赖性3)与其他基于深度学习的方法相比,我们的模型更具可扩展性和效率。我们证明了我们的模型在基准真实世界数据集上的有效性。
2021-10-07 cs.LG stat.AP
Spatio-temporal modelling of extreme storms
一个灵活的时空模型被用于分析1979-2009年大西洋和欧洲上空6小时再分析中客观确定的极端热带外气旋。空间变化的极端属性的气旋捕获使用150个单元格的空间正则化,纬度作为协变量,和空间随机效应。北大西洋涛动(NAO)也被用作协变量,并被发现有一个显着的影响,加强极端风暴的行为,特别是在北欧和伊比利亚半岛。对最低海平面气压下限的估计通常比历史风暴观测到的最低值低10-50百帕,当NAO指数为正值时差异最大。
2015-01-26 stat.AP
Multi-resolution spatio-temporal prediction with application to wind power generation
本文提出一种基于多分辨率时空高斯过程的风速预测框架,融合不同精度和不确定性的多源预测信息,实现更准确、稳健的风速预测与不确定性量化,并在美国中西部真实风数据上验证其优于现有方法,以支持电网运行与可再生能源并网决策。
2023-12-02 stat.AP
Editorial: EVA 2019 data competition on spatio-temporal prediction of Red Sea surface temperature extremes
在现代统计应用中,大量的非平稳时空数据无处不在,时空极端情况的建模对于评估环境科学等领域的风险至关重要。虽然对极端事件的建模本身就具有挑战性,但预测未观测到的空间位置和时间点的罕见事件则更加困难。在这篇社论中,我们描述了为第11届极端值分析国际会议(EVA 2019)组织的数据竞赛,其中几个团队在空间和时间上模拟和预测了红海表面温度极值。在介绍了数据集和比赛目标之后,我们公布了团队的最终排名,最后我们讨论了一些有趣的结果和未来的挑战。
2019-12-02 stat.AP stat.CO
Predictive Inference for Spatio-temporal Precipitation Data and Its Extremes
降水量及其极端情况的建模对于城市和农业规划很重要。我们提出了一种方法,用于产生空间预测和时空数据的不确定性的措施,是重尾和substantial偏度,经常出现在许多环境过程的测量,我们将该方法应用于降水数据在西澳大利亚州西南部。一个广义双曲贝叶斯层次模型的强度,频率和持续时间的日降水量,包括极端。与基于极值理论的模型不同,该模型仅对有限大小的块或高于大阈值的最大值进行建模,所提出的模型有效地使用了所有可用的数据,因此不仅适合极端情况,而且还模拟了整个降雨分布。它捕捉空间和时间聚类,以及空间和时间变化的波动性和偏度。该模型假设区域降水是由一个潜在的过程,其特征是地理和气候协变量驱动。未完全描述的协变量的影响被捕获的空间和时间结构的层次结构。MCMC使用梅特罗波利斯-黑斯廷斯算法和空间插值方法提供推断,这为估计不确定性提供了一种自然的方法。同样,空间和时间的预测与不确定性可以产生的模型。
2014-11-18 stat.AP stat.ME
Conditional Modelling of Spatio-Temporal Extremes for Red Sea Surface Temperatures
最近的极值理论文献已经看到显着强调空间极端的建模,相对较少的考虑时空扩展。这忽略了极端事件的一个重要特征:它们随时间的演变。许多现有的模型的空间的情况下,它们可以处理的位置的数量是有限的,这阻碍了扩展到时空设置,需要更高的维度的模型。此外,确实存在的时空模型在它们可以捕获的极端依赖类型的范围方面是限制性的。最近,有条件的方法研究多元和空间的极端已经提出,享受的好处,在计算效率和捕获渐近依赖和渐近独立的能力。我们将这类模型扩展到时空环境,条件是在单个时空位置出现极值。我们采用复合似然方法进行推理,它结合了多个时空条件位置的全似然信息。我们将我们的模型应用于红海的表面温度,表明它适合使用一系列的诊断图,并演示了它如何用于评估由于连续几天的高水温导致的珊瑚漂白的风险。
2020-06-24 stat.AP stat.ME
Spatio-temporal estimation of wind speed and wind power using machine learning: predictions, uncertainty and technical potential
过去几十年风力发电能力的增长表明,风能可以促进世界许多地区的能源转型。由于风力发电的时空变化和相关不确定性具有高度可变性和建模复杂性,因此对风力发电的时空变化和相关不确定性的量化对于能源规划者来说是高度相关的。机器学习已经成为一种流行的工具来执行风速和功率预测。然而,现有的方法具有若干限制。这些问题包括:(一)风速数据的时空相关性考虑不足,(二)缺乏现有的方法来量化风速预测的不确定性及其传播到风力发电估计,以及(三)专注于不到每小时的频率。为了克服这些局限性,我们引入了一个框架来重建一个时空场的规则网格不规则分布的风速测量。在将数据分解为时间参考基函数及其相应的空间分布系数后,使用极限学习机对后者进行空间建模。模型和预测的不确定性,以及它们的传播后的风速转化为风力发电的估计,然后提供没有任何假设的数据分布模式。该方法应用于研究瑞士100米轮毂高度涡轮机的250 × 250平方米电网上的每小时风力发电潜力,为该国生成了第一个此类数据集。将潜在的风力发电与风力涡轮机安装的可用面积相结合,以估计瑞士风力发电的技术潜力。这里提出的风力发电量估算代表了规划者的一个重要输入,以支持未来风力发电量增加的能源系统的设计。
2022-07-16 cs.AI cs.LG eess.SP
AIRU-WRF: A Physics-Guided Spatio-Temporal Wind Forecasting Model and its Application to the U.S. Mid Atlantic Offshore Wind Energy Areas
针对短期高分辨率海上风电预测,提出物理引导的时空模型AIRU-WRF,融合数值天气预报与局部观测,在美国北大西洋真实数据上较多种基准方法在风速和功率预测上取得显著提升。
2023-08-30 cs.SY eess.SY stat.AP
Improving probabilistic forecasts of extreme wind speeds by training statistical post-processing models with weighted scoring rules
Department of Mathematics and Statistics(数学与统计学系);University of Exeter(埃克塞特大学);Met Office(英国气象局)
本研究提出使用阈值加权连续分级概率分数(twCRPS)训练集合模型输出统计(EMOS)模型,以改进极端风速的概率预测,并通过加权训练和线性混合缓解分布主体与尾部性能之间的权衡。
2025-03-28 cs.LG stat.AP
Spatial-temporal wind field prediction by Artificial Neural Networks
Columbia University(哥伦比亚大学)
随着风力发电装机容量的增加,近地面风速的预测对于电网的运行变得越来越重要。大多数预测风速建模集中在基于点的时间序列预测。然而,在分布式风力涡轮机发电的情况下有效地平衡需求和供应,需要在空间和时间上预测风场。此外,全风场的预测对于未来的电力规划特别有用,例如电力供应系统的优化。本文提出了一种复合人工神经网络(ANN)预报大面积(~3.15 × 106 km ~ 2)6 h和24 h平均风速的模型。ANN模型由卷积输入层、长短期记忆(LSTM)隐藏层和作为输出层的转置卷积层组成。我们比较了人工神经网络模型与两个非参数模型,零持久性模型和平均值模型,并发现人工神经网络模型有实质上比这些模型的误差小。此外,人工神经网络模型通常也比集成自回归移动平均模型表现更好,集成自回归移动平均模型是为了在特定位置获得最佳性能而训练的。
2017-12-13 cs.LG stat.AP
Learning the spatio-temporal relationship between wind and significant wave height using deep learning
IRMAR(雷恩数学研究所);Université de Rennes 1(雷恩第一大学);LCSM(海洋海岸环境实验室);Ifremer(法国海洋开发研究院);LMBA(布列塔尼大西洋数学实验室);Université de Bretagne Occidentale(西布列塔尼大学)
海洋波浪气候对近岸和离岸人类活动有着重要的影响,其特征可以帮助设计海洋结构物,如波浪能转换器和海堤。因此,工程师需要长时间序列的海浪参数。数值模型是海浪数据的宝贵来源,然而,它们在计算上是昂贵的。因此,近几十年来,统计和数据驱动的方法越来越受到关注。这项工作研究了北大西洋风和有效波高(Hs)在比斯开湾离岸位置之间的时空关系,使用两阶段深度学习模型。第一步使用卷积神经网络(CNN)来提取有助于Hs的空间特征。然后,使用长短期记忆(LSTM)来学习风和波浪之间的长期时间依赖关系。
2022-05-26 cs.LG stat.AP stat.ML
DeepMIDE: A Multi-Output Spatio-Temporal Method for Ultra-Scale Offshore Wind Energy Forecasting
Department of Industrial Engineering, Clemson University(克莱姆森大学工业工程系);Department of Computer Science, Rutgers University(罗杰斯大学计算机科学系);Department of Statistics, Rutgers University(罗杰斯大学统计学系);Department of Industrial & Systems Engineering, Rutgers University(罗杰斯大学工业与系统工程系);University College, Korea University(韩国大学大学学院)
针对海上风电超大规模化对多高度风速预测的需求,提出多输出时空方法DeepMIDE,通过联合建模空间、时间和高度维度的风速,结合物理平流向量,在真实数据上预测性能优于主流方法。
2025-11-15 cs.LG stat.AP stat.ML
Stability Analysis and Local Influence Diagnostics for an Extreme-Value Regression Model of Anomalous Wind Gusts
针对异常阵风等极端事件建模需求,本文提出基于共形法曲率的极值Birnbaum-Saunders回归模型局部影响分析方法,可识别高影响力观测点,经模拟和巴西阵风数据验证有效,为极端值模型提供诊断工具。
2025-07-30 physics.app-ph physics.data-an stat.AP
Patterns in Spatio-Temporal Extremes
在环境科学应用中,极端事件经常表现出复杂的时空结构,这是很难灵活地描述和估计在计算效率的方式使用最先进的参数极值模型。在本文中,我们提出了一个计算成本低的非参数方法来调查空间极端的时间集群的概率分布,并研究内集群模式的各种特征。其中包括描述总体事件规模的风险函数、受影响区域大小等空间风险度量以及代表极端事件位置的度量。在泛函正则变分的框架下,我们验证了当所考虑的事件变得越来越极端时相应极限分布的存在性。此外,我们开发的非参数估计的限制表达的兴趣,并显示其渐近正态性在适当的混合条件下。使用乘数块自举法评估不确定性。我们的估计和自助方案的有限样本行为的时空模拟的例子中证明。我们的方法,然后应用于研究的空间-时间依赖结构的高维海表温度数据的红海南部。我们的分析揭示了新的见解的时间持久性,在这一地区的极端海温事件的复杂的流体动力学模式。
2022-12-21 stat.ME
Predicting Customer Churn: Extreme Gradient Boosting with Temporal Data
Seycor Consulting(Seycor咨询公司)
利用大规模时间序列数据准确预测客户流失是许多商业领域面临的共同问题。由于时间序列数据常见的时间问题,跨各种时间窗口创建用于训练和测试的模型特征可能特别具有挑战性。在本文中,我们将探索极端梯度提升(XGBoost)在具有各种时间特征的客户数据集上的应用,以创建高度准确的客户流失模型。特别是,我们描述了一种有效的方法来处理时间敏感的特征工程。该模型在WSDM Cup 2018 Churn Challenge中提交,并在575支球队中获得第一名。
2018-02-09 cs.AI cs.LG stat.ML
Modeling high and low extremes with a novel dynamic spatio-temporal model
针对现有动态时空模型难捕捉极值、空间极值模型多假设时间独立的问题,提出采用尾指数可变的轻重尾分布混合的新型动态时空模型,可识别时空极值相关性、量化不确定性并支持缺失值预测,经美国中部小时级颗粒物再分析数据集验证有效。
2025-08-02 stat.ME
Low-dimensional Models in Spatio-Temporal Wind Speed Forecasting
University of California, Berkeley(加州大学伯克利分校);Yildiz Technical University(伊尔迪兹理工大学)
本文提出一种结合时间序列数据和周围站点数据的时空风速预测算法,利用压缩感知和结构稀疏恢复理论,通过低维结构恢复提升短期风速预测精度。
2015-03-04 cs.SY eess.SY stat.ML
Scene Learning: Deep Convolutional Networks For Wind Power Prediction by Embedding Turbines into Grid Space
Tianjin University(天津大学)
风电功率预测在风电利用中具有重要意义。目前已有很多基于风功率或风速时间序列的研究,但实际上这些时间序列并不能表达风的时空变化,这从根本上阻碍了风功率预测的推进。本文提出了一种新的能够描述时空变化过程的特征,即时空特征。我们首先将风力发电机每一时刻采集的数据映射到平面上,根据相对位置形成状态图,即场景。在一段时间内的场景时间序列是多通道图像,即时空特征。基于时空特征,应用深度卷积网络预测风电功率,实现了远优于现有方法的准确性。与starge-of-the-art方法相比,该方法的均方误差(MSE)降低了49.83%,训练模型的平均时间成本可以缩短150倍以上。
2018-07-18 cs.LG stat.ML
Spatio-temporal analysis of extreme winter temperatures in Ireland
University College Dublin(都柏林大学);Lancaster University(兰卡斯特大学);Maynooth University(梅努斯大学)
本研究分析了爱尔兰冬季极端低温的时空变化,发现其频率和强度均在下降,同时揭示了气候模型在预测寒冷冬季温度时的局限性。
2026-01-06 physics.ao-ph stat.ME
Spatial-Temporal Extreme Modeling for Point-to-Area Random Effects (PARE)
本文提出点对面随机效应(PARE)建模策略,利用区域内点位置时间序列数据实现区域层面的时空极值分析,以支持洪水风险建模和社区尺度政策制定。
2024-04-30 stat.ME
Modeling space-time trends and dependence in extreme precipitations of Burkina Faso by the approach of the Peaks-Over-Threshold
在气候变化的框架内模拟气候变量的极端情况是一项特别困难的任务,因为这意味着要考虑到时空的非平稳性。本文提出了一种利用边缘分布和相关结构信息估计无观测点极端降水的新方法。为了达到这一目标,我们结合了两个统计方法的极值理论,允许一方面通过一个尾部趋势函数的时空结构中的边缘分布和另一方面的依赖结构的潜在的空间过程,使用广义的“-帕累托过程的建模控制时间和空间的非平稳性。这种对极端事件进行趋势分析的新方法已应用于布基纳法索的降雨量数据。我们发现,极端降水的空间和时间相关的距离约200公里。在当地,极端降雨量的上升趋势大于下降趋势。
2021-05-12 stat.ME
Probabilistic Crop Yields Forecasts With Spatio-Temporal Conditional Copula Using Extreme Weather Covariates
本文提出一种结合贝叶斯结构时间序列与时变条件Copula的作物产量预测模型,利用动态广义极值模型刻画极端天气影响,并改进聚类算法实现大规模应用。
2025-03-28 stat.ME
Modeling High-Resolution Spatio-Temporal Wind with Deep Echo State Networks and Stochastic Partial Differential Equations
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学);Pusan National University(釜山国立大学);University of Notre Dame(圣母大学)
针对沙特阿拉伯风场时空非线性强、建模难的问题,提出结合能量距离降维、回声状态网络动态建模与非平稳随机偏微分方程重建的时空风场模型,预测精度更高,年成本节省可达百万美元。
2024-12-10 cs.LG stat.ML
A surrogate model for estimating extreme tower loads on wind turbines based on random forest proximities
在本文中,我们提出了一个代理模型,它可以用来估计极端塔上的风力涡轮机从一些信号和一个合适的仿真工具。根据国际电工委员会(IEC)标准61400-1的要求,评估风力涡轮机上的极端塔架载荷是设计阶段的关键组成部分。该模型通过随机森林引起的邻近度将观测信号与模拟量相匹配来估算塔架载荷。以这种方式,该算法的适应性,高维和稀疏的设置被利用,而不使用基于回归的代理负载(这可能会显示误导的概率特性)。最后,该模型被应用于估计塔上的运行风力涡轮机的运行统计数据的负载。
2020-04-30 stat.AP
Modelling the spatial extent and severity of extreme European windstorms
风暴是影响欧洲的一种主要自然灾害,通常与重大财产和基础设施破坏有关,造成的空间综合经济损失最大。这种极端风通常是由源自北大西洋并经过欧洲的热带气旋系统产生的。以前的统计研究倾向于在一组给定的站点模拟极端风,对应于欧拉框架中的推断。这种推断无法纳入整个地区温带气旋生命周期和进展的知识,并且被迫对极端依赖结构做出限制性假设。我们采取了一种完全不同的方法,通过在拉格朗日框架中工作来克服这些限制。具体来说,我们模拟风暴的发展随着时间的推移,保留连接风暴和气旋路径的物理特性,当地涡度最大值的路径,并作出一个重要的发现,即热带风暴的空间范围变得更加本地化,因为它的大小增加,而不管风暴路径的位置。我们的模型允许模拟合成风暴事件,以获得任何一组站点的联合分布特征,从而对罕见事件进行物理上一致的外推。通过这种模拟,可以从强度和受影响面积两方面对这一危险作出更好的估计。
2019-06-07 stat.AP
Mind the (spectral) gap: How the temporal resolution of wind data affects multi-decadal wind power forecasts
该研究通过分析不同时间分辨率风速数据对分布保持能力的影响,指出三小时或六小时瞬时值足以支撑数十年风电功率预测,而日值、月值及各类平均值会因非线性关系引入较大误差,需谨慎使用。
2023-09-18 stat.AP
Bayesian spline method for assessing extreme loads on wind turbines
本研究提出一种贝叶斯参数模型,用于估计风力涡轮机上的极端载荷。极端载荷是涡轮机在其使用寿命期间将经历的施加在涡轮机结构上的最高应力水平。风力涡轮机应设计成抵抗如此高的负载以避免灾难性的结构故障。为了评估极端载荷,通过进行现场测量活动或进行气动弹性模拟研究来评估涡轮机结构响应。一般来说,在任何一种情况下获得的数据都不足以代表所有可能的天气条件下的各种载荷响应。需要适当的外推法来表征涡轮机使用寿命中的结构载荷。本研究设计了一种贝叶斯样条方法,用于这种外推的目的,使用的负载数据收集的时间比涡轮机的使用寿命短得多。应用样条方法对三组涡轮机的载荷响应数据进行处理,以估计涡轮机叶片根部相应的极限载荷。与当前的行业实践相比,样条方法似乎提供了更好的极限载荷评估。
2014-01-13 stat.AP
Improving Statistical Postprocessing for Extreme Wind Speeds using Tuned Weighted Scoring Rules
针对风速预报后处理方法在极端风速范围表现不佳的问题,本研究通过调谐加权连续排序概率评分训练模型,平衡中低与高风速范围性能,在卷积神经网络模型中实现极端范围性能提升且不显著降低主体性能。
2025-04-17 stat.AP
Using extreme value theory for the estimation of risk metrics for capacity adequacy assessment
本文探讨了使用极值理论建模的需求净风的容量充足性评估的分布。极值理论方法是用于估计分布尾部的成熟且数学上合理的方法,因此非常适合容量充足性问题,通常只有相关分布的尾部是重要的。极值理论峰值超过阈值的方法直接应用于需求净风的观测,这意味着不需要假设需求和风之间的任何依赖关系。该方法进行了测试,从英国的数据和两种替代方法相比:使用的经验分布的需求净风和使用的模型,假设需求和风之间的独立性。极值理论产生大致相似的估计风险度量使用上述经验分布,但具有较小的抽样不确定性。当使用假设独立性的方法时,风险度量的估计值会有所不同,特别是当汇总不同历史年份的数据时,这表明假设独立性可能会导致风险度量的高估或低估。
2019-07-30 stat.AP
Forecast verification for extreme value distributions with an application to probabilistic peak wind prediction
对与极端事件相关的不确定性的预测是任何此类事件预测系统的重要组成部分。因此,预测系统本质上应该是概率性的,预测采用概率分布的形式。本文研究的是概率预测系统,其中数据被假定为遵循广义极值分布(GEV)或广义帕累托分布(GPD)。在这种设置中,适当的评分规则,便于评估的预测不确定性的属性进行了研究,并提供了封闭的连续排名概率得分(CRPS)的表达式。在峰值风预测的应用中,GEV模型的预测性能下的极大似然估计,最佳得分估计与CRPS,贝叶斯框架进行了比较。的贝叶斯推断产生最高的整体预测技能,并被证明是一个有价值的工具,协变量的选择,而最佳CRPS估计下获得的预测是最尖锐的,并给出最佳的性能高阈值和分位数。
2012-09-28 stat.AP
From Winter Storm Thermodynamics to Wind Gust Extremes: Discovering Interpretable Equations from Data
本文提出了一种数据驱动方法,通过分析历史风暴数据,发现可解释的方程,揭示低空干燥与风 gust 强度的关系,以提高极端风 gust 预警能力。
2025-04-11 physics.ao-ph stat.AP
Spatio-Temporal Gaussian Process for Building Terrain-Incorporating Wind Power Curves
提出一种非参数时空高斯过程模型,通过构建共享代表性时间协变量集实现时空对齐,有效整合地形特征与时间变量,提升风电场功率预测精度。
2026-07-02 cs.LG stat.AP
Uncovering the Spatial and Temporal Variability of Wind Resources in Europe: A Web-Based Data-Mining Tool
本研究推出基于网络的数据挖掘可视化工具REmap-eu.app,依托欧洲28国40年风电容量因子数据集,提供时空可视化与低风电事件分析功能,助力风能潜力识别与跨境合作以缓解风电波动性。
2023-05-02 cs.HC stat.AP
Hierarchical Kriging for multi-fidelity aero-servo-elastic simulators - Application to extreme loads on wind turbines
在目前的工作中,我们认为多保真度代理建模融合不同复杂性的多个气动伺服弹性计算机模拟器的输出。在许多情况下,来自多个模拟器的对风力涡轮机上的相同感兴趣量的预测是可用的。在这种情况下,有强有力的证据表明,融合多个气动伺服弹性模拟器的输出比使用任何单一的模拟器产生更好的预测能力和更低的模型不确定性。层次克里格法是一种多逼真度的替代建模方法,其中廉价(低逼真度)模拟器的克里格替代模型被用作高保真度模拟器的克里格替代模型的趋势。我们提出了一种参数化的方法,分层克里格最好的代理模型的基础上选择评估所有可能的组合,可用的克里格参数候选人。参数层次克立格方法说明通过融合极端挥舞弯矩在一个大型多兆瓦风力涡轮机的叶片根部的风速,湍流和风剪切指数的函数,在存在模型的不确定性和不均匀的噪声输出。通过两种广泛接受的风力涡轮机专用气动伺服弹性计算机模拟器FAST和Bladed获得极端响应。在有限的高保真度模拟情况下,与传统克里金法相比,层次克里金法可生成更准确的验证数据预测。此外,与传统的克里格,层次克里格被证明是一个强大的代理建模技术,因为它是不太敏感的克里格参数的选择和选择的估计误差。
2017-09-22 stat.AP stat.CO
Multivariate spatial conditional extremes for extreme ocean environments
使用Metop卫星散射计和2007-2018年期间的后报观测以及最终受Hongnan和Tawn(2004)工作启发的多变量空间条件极值(MSE)模型,对东北大西洋风速和有效波高的联合极值空间依赖性进行了量化。分析工作包括:(a)将各个卫星条带和相应的后报数据登记到样带模板上(b)在样带上的一组登记地点进行非固定方向-季节边际极值分析,(c)使用拟合边际模型从物理尺度转换为标准拉普拉斯尺度,(d)对登记位置组的MSCE模型进行估计,并评估模型拟合的质量。联合模型估计三个空间量:气象风速,后报风速和后报有效波高。结果表明,当条件极端Metop风速,极端空间依赖性的所有三个量衰减超过约600-800公里。
2022-01-25 physics.ao-ph stat.AP stat.ME
Truncated generalized extreme value distribution based EMOS model for calibration of wind speed ensemble forecasts
近年来,集合天气预报已成为所有主要天气预报中心的例行工作。这些预报是从不同初始条件或模式参数化的数值天气预报模式的多次运行中获得的。然而,集合预报往往分散性不足,也有偏差,因此需要某种后处理来解决这些缺陷。最流行的统计后处理技术之一是集合模型输出统计(EMOS),它提供了一个完整的预测分布的研究天气量。本文提出了一种新的EMOS风速集合预报模型,其预报分布为广义极值分布(GEV)。截断修正了基于GEV分布的EMOS模型偶尔预测负风速值的缺点,而不影响其良好的性能。新模式进行了测试,由三个不同的集合预报系统提供的风速集合预报的四个数据集,覆盖不同的地理区域和时间段。将TGEV EMOS模式的预报技巧与截断正态、对数正态和GEV方法的预报性能以及原始预报和气候预报进行了比较。结果验证了新的TGEV EMOS方法的优点。
2021-03-12 stat.AP stat.ME
FuXi-Extreme: Improving extreme rainfall and wind forecasts with diffusion model
Artificial Intelligence Innovation and Incubation Institute, Fudan University(复旦大学人工智能创新与孵化研究院)
FuXi-Extreme通过扩散概率模型恢复FuXi预报中的精细尺度细节,显著改善极端降水、风速和温度预报,并在热带气旋路径预报上优于HRES,但强度预报仍不及HRES。
2023-10-25 cs.LG physics.ao-ph stat.AP
Temporal evolution of the extreme excursions of multivariate $k$th order Markov processes with application to oceanographic data
本文建立了两个多变量$k$阶马尔可夫过程极端事件时间演化的模型。我们方法的基础在于Hongnan & Tawn(2004)的条件极值模型,它自然地扩展了Winter & Tawn(2016,2017)和Tendijck等人的工作。(2019)包括多元随机变量。我们使用交叉验证类型的技术来开发一个模型的顺序选择程序,我们测试我们的模型在北海北部的一个位置的二维气象海洋学数据与方向协变量。我们的结论是,新开发的模型比广泛使用的历史匹配方法,这些数据表现更好。
2023-02-28 physics.ao-ph stat.AP stat.ME
The temporal overfitting problem with applications in wind power curve modeling
Texas A&M University(得克萨斯农工大学)
针对时间自相关场景下非参数回归易出现时间过拟合的问题,提出一种双分量高斯过程结合抽样推断的方法,在风电功率曲线预测任务中显著提升了跨时段预测性能。
2022-04-04 cs.LG stat.AP stat.ML
Correlation of powers of Hüsler-Reiss vectors and Brown-Resnick fields, and application to insured wind losses
Hüsler-Reiss向量和Brown-Resnick场分别是多元极值理论和空间极值理论中的流行模型,并在应用中得到广泛的应用。我们提供的二元Hüsler-Reiss向量的分量的功率之间的相关性的解析公式,这些扩展到布朗-雷斯尼克场的情况下,并彻底研究所产生的依赖措施的性质。空间风险理论证明了相关性的使用,而幂变换在将相关性作为依赖性度量时是有见地的,并且非常适合于极端天气事件(如风或洪水)的损害函数。这使得我们的理论结果值得,例如,精算应用。最后,我们进行了一个案例研究,涉及保险损失的极端风速在德国,并获得有价值的结论,为保险业。
2022-03-01 math.PR math.ST stat.AP