Találati lista | Tudóstér

001-es BibID:	BIBFORM117273
035-os BibID:	(WoS)001132707300001 (Scopus)85180898277
Első szerző:	Baran Ágnes (matematikus)
Cím:	A two-step machine learning approach to statistical post-processing of weather forecasts for power generation / Ágnes Baran, Sándor Baran
Dátum:	2024
ISSN:	0035-9009 1477-870X
Megjegyzések:	By the end of 2021, the renewable energy share of the global electricity capacity reached 38.3% and the new installations are dominated by wind and solar energy, showing global increases of 12.7% and 18.5%, respectively. However, both wind and photovoltaic energy sources are highly volatile making planning difficult for grid operators, so accurate forecasts of the corresponding weather variables are essential for reliable electricity predictions. The most advanced approach in weather prediction is the ensemble method, which opens the door for probabilistic forecasting; though ensemble forecast are often underdispersive and subject to systematic bias. Hence, they require some form of statistical post-processing, where parametric models provide full predictive distributions of the weather variables at hand. We propose a general two-step machine learning-based approach to calibrating ensemble weather forecasts, where in the first step improved point forecasts are generated, which are then together with various ensemble statistics serve as input features of the neural network estimating the parameters of the predictive distribution. In two case studies based of 100m wind speed and global horizontal irradiance forecasts of the operational ensemble prediction system of the Hungarian Meteorological Service, the predictive performance of this novel method is compared with the forecast skill of the raw ensemble and the state-of-the-art parametric approaches. Both case studies confirm that at least up to 48h statistical post-processing substantially improves the predictive performance of the raw ensemble for all considered forecast horizons. The investigated variants of the proposed two-step method outperform in skill their competitors and the suggested new approach is well applicable for different weather quantities and for a fair range of predictive distributions.
Tárgyszavak:	Természettudományok Matematika- és számítástudományok idegen nyelvű folyóiratközlemény külföldi lapban folyóiratcikk 1D convolutional neural network ensemble calibration ensemble model output statistics multilayer perceptron solar irradiance wind speed
Megjelenés:	Quarterly Journal Of The Royal Meteorological Society. - 150 : 759 (2024), p. 1029-1047. -
További szerzők:	Baran Sándor (1973-) (matematikus, informatikus)
Pályázati támogatás:	K142849 OTKA
Internet cím:	Szerző által megadott URL DOI Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon:

001-es BibID:	BIBFORM078818
035-os BibID:	(WoS)000474149700026 (Scopus)85063800348
Első szerző:	Baran Sándor (matematikus, informatikus)
Cím:	Statistical post-processing of dual-resolution ensemble forecasts / Sándor Baran, Martin Leutbecher, Marianna Szabó, Zied Ben Bouallègue
Dátum:	2019
ISSN:	0035-9009 1477-870X
Megjegyzések:	The computational cost as well as the probabilistic skill of ensemble forecasts depends on the spatial resolution of the numerical weather prediction model and the ensemble size. Periodically, e.g. when more computational resources become available, it is appropriate to reassess the balance between resolution and ensemble size. Recently, it has been proposed to investigate this balance in the context of dual-resolution ensembles, which use members with two different resolutions to make probabilistic forecasts. This study investigates whether statistical post-processing of such dual-resolution ensemble forecasts changes the conclusions regarding the optimal dual-resolution configuration. Medium-range dual-resolution ensemble forecasts of 2 m temperature have been calibrated using ensemble model output statistics. The forecasts are produced with ECMWF's Integrated Forecast System and have horizontal resolutions between 18 and 45 km. The ensemble sizes range from 8 to 254 members. The forecasts are verified with SYNOP station data. Results show that score differences between various single- and dual-resolution configurations are strongly reduced by statistical post-processing. Therefore, the benefit of some dual-resolution configurations over single-resolution configurations appears to be less pronounced than for raw forecasts. Moreover, the ranking of the ensemble configurations can be affected by the statistical post-processing.
Tárgyszavak:	Műszaki tudományok Informatikai tudományok idegen nyelvű folyóiratközlemény külföldi lapban folyóiratcikk statisztikai utófeldolgozás valószínűségi időjárás előrejelzés
Megjelenés:	Quarterly Journal of the Royal Meteorological Society. - 145 : 721 (2019), p. 1705-1720. -
További szerzők:	Leutbecher, Martin Szabó Marianna (1995-) (programtervező informatikus) Ben Bouallègue, Zied
Pályázati támogatás:	EFOP-3.6.3-VEKOP-16-2017-00002 EFOP NKFIH NN125679 egyéb
Internet cím:	DOI Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon:

001-es BibID:	BIBFORM058144
035-os BibID:	(WoS)000360986200024 (Scopus)84941047589
Első szerző:	Baran Sándor (matematikus, informatikus)
Cím:	Log-normal distribution based Ensemble Model Output Statistics models for probabilistic wind-speed forecasting / Sándor Baran, Sebastian Lerch
Dátum:	2015
ISSN:	0035-9009
Tárgyszavak:	Természettudományok Matematika- és számítástudományok idegen nyelvű folyóiratközlemény külföldi lapban folyóiratcikk Tárgyak Internete (IoT)
Megjelenés:	Quarterly Journal Of The Royal Meteorological Society. - 141 : 691 (2015), p. 2289-2299. -
További szerzők:	Lerch, Sebastian (1986-) (matematikus)
Pályázati támogatás:	TÁMOP-4.2.2.C-11/1/KONV-2012-0001 TÁMOP Időjárás mérő és előrejelző hálózat fejlesztése Campus Hungary Egyéb
Internet cím:	Szerző által megadott URL DOI Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon:

001-es BibID:	BIBFORM108203
035-os BibID:	(WoS)000937986200001 (Scopus)85148577458
Első szerző:	Nagy-Lakatos Mária (programtervező informatikus)
Cím:	Comparison of multivariate post-processing methods using global ECMWF ensemble forecasts / Mária Lakatos, Sebastian Lerch, Stephan Hemri, Sándor Baran
Dátum:	2023
ISSN:	0035-9009 1477-870X
Tárgyszavak:	Természettudományok Matematika- és számítástudományok idegen nyelvű folyóiratközlemény külföldi lapban folyóiratcikk
Megjelenés:	Quarterly Journal Of The Royal Meteorological Society. - 149 : 752 (2023), p. 856-877. -
További szerzők:	Lerch, Sebastian (1986-) (matematikus) Hemri, Stephan Baran Sándor (1973-) (matematikus, informatikus)
Pályázati támogatás:	NN125679 Egyéb MO-3394/1-1 Egyéb
Internet cím:	Szerző által megadott URL DOI Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon: