Wind Speed Forecasting for a Large-Scale Measurement Network and Numerical Weather Modeling

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F17%3A00477859" target="_blank" >RIV/67985807:_____/17:00477859 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-319-55789-2_25" target="_blank" >http://dx.doi.org/10.1007/978-3-319-55789-2_25</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-319-55789-2_25" target="_blank" >10.1007/978-3-319-55789-2_25</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Wind Speed Forecasting for a Large-Scale Measurement Network and Numerical Weather Modeling

Popis výsledku v původním jazyce

We investigate various problems encountered when forecasting wind speeds for a network of measurements stations using outputs of numerical weather prediction (NWP) model as one of the predictors in a statistical forecasting model. First, it is interesting to analyze prediction error properties for different station types (professional and amateur). Secondly, the statistical model can be viewed as a calibration of the original NWP model. Hence, careful semi-parametric smoothing of NWP input can discover various weak points of the NWP, and at the same time, it improves forecasting performance. It turns out that useful information is contained not only in the latest prediction available. It is beneficial to combine different horizon NWP predictions to one target time. GARCH sub-model for the residuals then shows complicated structure usable for short-term forecasts.

Název v anglickém jazyce

Wind Speed Forecasting for a Large-Scale Measurement Network and Numerical Weather Modeling

Popis výsledku anglicky

We investigate various problems encountered when forecasting wind speeds for a network of measurements stations using outputs of numerical weather prediction (NWP) model as one of the predictors in a statistical forecasting model. First, it is interesting to analyze prediction error properties for different station types (professional and amateur). Secondly, the statistical model can be viewed as a calibration of the original NWP model. Hence, careful semi-parametric smoothing of NWP input can discover various weak points of the NWP, and at the same time, it improves forecasting performance. It turns out that useful information is contained not only in the latest prediction available. It is beneficial to combine different horizon NWP predictions to one target time. GARCH sub-model for the residuals then shows complicated structure usable for short-term forecasts.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10103 - Statistics and probability

Projekt

<a href="/cs/project/GA13-34856S" target="_blank" >GA13-34856S: Pokročilé metody náhodných polí v asimilaci dat pro krátkodobou předpověď počasí</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2017

Kód důvěrnosti údajů

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

Název statě ve sborníku

Advances in Time Series Analysis and Forecasting

ISBN

978-3-319-55788-5

ISSN

1431-1968

e-ISSN

—

Počet stran výsledku

13

Strana od-do

361-373

Název nakladatele

Springer

Místo vydání

Cham

Místo konání akce

Granada

Datum konání akce

27. 6. 2016

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—