Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Wind speed NWP local revisions using a polynomial decomposition of the general partial differential equation

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F17%3A10237628" target="_blank" >RIV/61989100:27240/17:10237628 - isvavai.cz</a>

  • Nalezeny alternativní kódy

    RIV/61989100:27730/17:10237628 RIV/61989100:27740/17:10237628

  • Výsledek na webu

    <a href="http://dx.doi.org/10.1007/978-3-319-68321-8_5" target="_blank" >http://dx.doi.org/10.1007/978-3-319-68321-8_5</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1007/978-3-319-68321-8_5" target="_blank" >10.1007/978-3-319-68321-8_5</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Wind speed NWP local revisions using a polynomial decomposition of the general partial differential equation

  • Popis výsledku v původním jazyce

    Precise daily weather forecasts are necessary for the utilization of renewable energy sources and their penetration into grid systems. Standard meteorological statistical post-processing methods relate local observations with numerical predictions to eliminate systematic forecast errors. Neural networks, trained with the last historical series, can model the current weather frame to refine a target forecast for specific local conditions and reduce random prediction errors. Their daily correction models can process numerical prediction model outcomes of the same data types (instead of the unknown data) to recalculate 24-hour wind speed forecast series. Global numerical weather models succeed generally in forecasting upper air patterns but are too crude to account for local variations in surface weather. Long-term complex forecast systems, which simulate the dynamics of the complete atmosphere in several layers, cannot exactly detail local conditions near the ground, determined by the terrain relief, structure, landscape character, pattern and other factors. Extended polynomial networks can decompose and solve general linear partial differential equations, being able to model properly unknown dynamic systems. In all the network nodes are produced series of relative polynomial derivative terms, which convergent sum combinations can directly define and substitute for the general differential equation to model an uncertain system target function. The proposed local forecast correction procedure using adaptive derivative regression model can improve numerical daily wind speed forecasts in the majority of days. © Springer International Publishing AG 2018.

  • Název v anglickém jazyce

    Wind speed NWP local revisions using a polynomial decomposition of the general partial differential equation

  • Popis výsledku anglicky

    Precise daily weather forecasts are necessary for the utilization of renewable energy sources and their penetration into grid systems. Standard meteorological statistical post-processing methods relate local observations with numerical predictions to eliminate systematic forecast errors. Neural networks, trained with the last historical series, can model the current weather frame to refine a target forecast for specific local conditions and reduce random prediction errors. Their daily correction models can process numerical prediction model outcomes of the same data types (instead of the unknown data) to recalculate 24-hour wind speed forecast series. Global numerical weather models succeed generally in forecasting upper air patterns but are too crude to account for local variations in surface weather. Long-term complex forecast systems, which simulate the dynamics of the complete atmosphere in several layers, cannot exactly detail local conditions near the ground, determined by the terrain relief, structure, landscape character, pattern and other factors. Extended polynomial networks can decompose and solve general linear partial differential equations, being able to model properly unknown dynamic systems. In all the network nodes are produced series of relative polynomial derivative terms, which convergent sum combinations can directly define and substitute for the general differential equation to model an uncertain system target function. The proposed local forecast correction procedure using adaptive derivative regression model can improve numerical daily wind speed forecasts in the majority of days. © Springer International Publishing AG 2018.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Návaznosti výsledku

  • Projekt

    Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2017

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Advances in Intelligent Systems and Computing. Volume 679

  • ISBN

    978-3-319-68320-1

  • ISSN

    2194-5357

  • e-ISSN

    2194-5365

  • Počet stran výsledku

    11

  • Strana od-do

    45-55

  • Název nakladatele

    Springer

  • Místo vydání

    Cham

  • Místo konání akce

    Varna

  • Datum konání akce

    14. 9. 2017

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku