基于机器学习相似性度量的天气相似集方法用于可再生资源预报

相似集合（AnEn）技术已在若干天气问题上被证明有效。与以往在大空间域和扩展时间窗内寻找天气相似集不同，AnEn 严格限制空间和时间，并在短时间窗内于每个网格点独立生成结果。AnEn 能够找到导致准确且经过校准的集合预报的相似预报。AnEn 技术的核心是一个相似性度量，它根据新的目标预测对历史预报进行排序。常用的度量是欧氏距离。然而，使用该度量的一个显著困难在于定义所有参数的权重。通常需要进行特征选择和广泛的权重搜索。本文通过基于机器学习（ML）的相似性度量提出了一种天气相似集的新定义。该相似性度量使用经过训练并实例化的神经网络来搜索天气相似集。这一新度量无需先验特征选择和权重优化即可纳入所有变量。本文给出了将该新度量应用于风速和太阳辐照度预报的实验。结果表明，ML 度量通常优于原始度量。ML 度量具有更好的纠正较大误差和利用更大搜索库的能力。使用学习到的度量进行空间预测还显示出定义可迁移到其他位置的有效潜在特征的能力。