CCL

Összesen 8 találat.
#/oldal:
Részletezés:
Rendezés:

1.

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:

2.

001-es BibID:BIBFORM087360
035-os BibID:(WoS)000545899300003 (Scopus)85087622962
Első szerző:Baran Ágnes (matematikus)
Cím:Machine learning for total cloud cover prediction / Ágnes Baran, Sebastian Lerch, Mehrez El Ayari, Sándor Baran
Dátum:2021
ISSN:0941-0643 1433-3058
Megjegyzések:Accurate and reliable forecasting of total cloud cover (TCC) is vital for many areas such as astronomy, energy demand and production, or agriculture. Most meteorological centres issue ensemble forecasts of TCC; however, these forecasts are often uncalibrated and exhibit worse forecast skill than ensemble forecasts of other weather variables. Hence, some form of post-processing is strongly required to improve predictive performance. As TCC observations are usually reported on a discrete scale taking just nine different values called oktas, statistical calibration of TCC ensemble forecasts can be considered a classification problem with outputs given by the probabilities of the oktas. This is a classical area where machine learning methods are applied. We investigate the performance of post-processing using multilayer perceptron (MLP) neural networks, gradient boosting machines (GBM) and random forest (RF) methods. Based on the European Centre for Medium-Range Weather Forecasts global TCC ensemble forecasts for 2002-2014, we compare these approaches with the proportional odds logistic regression (POLR) and multiclass logistic regression (MLR) models, as well as the raw TCC ensemble forecasts. We further assess whether improvements in forecast skill can be obtained by incorporating ensemble forecasts of precipitation as additional predictor. Compared to the raw ensemble, all calibration methods result in a significant improvement in forecast skill. RF models provide the smallest increase in predictive performance, while MLP, POLR and GBM approaches perform best. The use of precipitation forecast data leads to further improvements in forecast skill, and except for very short lead times the extended MLP model shows the best overall performance.
Tárgyszavak:Műszaki tudományok Informatikai tudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
Megjelenés:Neural Computing & Applications. - 33 (2021), p. 2605-2620. -
További szerzők:Lerch, Sebastian (1986-) (matematikus) El Ayari, Mehrez (1989-) (informatikus) Baran Sándor (1973-) (matematikus, informatikus)
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

3.

001-es BibID:BIBFORM011532
Első szerző:Baran Ágnes (matematikus)
Cím:On the week convergence of a continuous state space simulated annealing / Baran Ágnes, Baran Sándor
Dátum:1999
Tárgyszavak:Műszaki tudományok Informatikai tudományok előadáskivonat
Megjelenés:Proceedings of 4th International Confrence on Applied Informatics : Education and Other Fields of Applied Informatics : Augustus 30 - September 3, 1999. Eger-Noszvaj, Hungary / ed. Kovács Emőd, Winkler Zoltán. - p. 231-240
További szerzők:Baran Sándor (1973-) (matematikus, informatikus) Kovács Emőd Winkler Zoltán
Borító:

4.

001-es BibID:BIBFORM099149
035-os BibID:(WoS)000729992100005 (Scopus)85122968020
Első szerző:Baran Sándor (matematikus, informatikus)
Cím:Calibration of wind speed ensemble forecasts for power generation / Baran Sándor, Baran Ágnes
Dátum:2021
ISSN:0324-6329
Tárgyszavak:Természettudományok Matematika- és számítástudományok idegen nyelvű folyóiratközlemény hazai lapban
folyóiratcikk
Megjelenés:Időjárás. - 125 : 4 (2021), p. 609-624. -
További szerzők:Baran Ágnes (1972-) (matematikus)
Pályázati támogatás:NKFIH NN125679
Egyéb
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

5.

001-es BibID:BIBFORM088189
035-os BibID:(WoS)000560814600001 (Scopus)85089706946
Első szerző:Baran Sándor (matematikus, informatikus)
Cím:Statistical post-processing of heat index ensemble forecasts: Is there a royal road? / Sándor Baran, Ágnes Baran, Florian Pappenberger, Zied Ben Bouallegue
Dátum:2020
ISSN:0035-9009 1477-870X
Megjegyzések: We investigate the effect of statistical post?processing on the probabilistic skill of discomfort index (DI) and indoor wet?bulb globe temperature (WBGTid) ensemble forecasts, both calculated from the corresponding forecasts of temperature and dew point temperature. Two different methodological approaches to calibration are compared. In the first case, we start with joint post?processing of the temperature and dew point forecasts and then create calibrated samples of DI and WBGTid using samples from the obtained bivariate predictive distributions. This approach is compared with direct post?processing of the heat index ensemble forecasts. For this purpose, a novel ensemble model output statistics model based on a generalized extreme value distribution is proposed. The predictive performance of both methods is tested on the operational temperature and dew point ensemble forecasts of the European Centre for Medium?Range Weather Forecasts and the corresponding forecasts of DI and WBGTid. For short lead times (up to day 6), both approaches significantly improve the forecast skill. Among the competing post?processing methods, direct calibration of heat indices exhibits the best predictive performance, very closely followed by the more general approach based on joint calibration of temperature and dew point temperature. Additionally, a machine learning approach is tested and shows comparable performance for the case when one is interested only in forecasting heat index warning level categories.
Tárgyszavak:Természettudományok Matematika- és számítástudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
Megjelenés:Quarterly Journal Of The Royal Meteorological Society. - 146 : 732 (2020), p. 3416-3434. -
További szerzők:Baran Ágnes (1972-) (matematikus) Pappenberger, Florian Ben Bouallègue, Zied
Pályázati támogatás:NKFIH NN125679
Egyéb
EFOP-3.6.2-16-2017-00015
EFOP
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

6.

001-es BibID:BIBFORM011533
Első szerző:Baran Sándor (matematikus, informatikus)
Cím:An application of simulated annealing to ML-estimation of a partially observed Markov chain / Baran Sándor, Szabó Ágnes
Dátum:1997
Tárgyszavak:Műszaki tudományok Informatikai tudományok tanulmány, értekezés
Megjelenés:Proceedings of the 3rd International Conference on Applied Informatics : Eger-Noszvaj, Hungary, August 24-28, 1997 / szerk. Kovács Emőd, Kovács Zsolt, Csertő Balázs, Pépei László. - p. 85-95.
További szerzők:Baran Ágnes (1972-) (matematikus) Kovács Emőd Kovács Zsolt Csertő Balázs Pépei László
Borító:

7.

001-es BibID:BIBFORM039637
Első szerző:Norberg, Tommy
Cím:On Modelling Discrete Geological Structures as Markov Random Fields / Norberg Tommy, Rosén Lars, Baran Ágnes, Baran Sándor
Dátum:2002
ISSN:0882-8121 1874-8961
Megjegyzések:A print ISSN a régi print, az online ISSN az új print, Scimago miatt (km)
Tárgyszavak:Természettudományok Matematika- és számítástudományok idegen nyelvű folyóiratközlemény külföldi lapban
Megjelenés:Mathematical Geology. - 34 : 1 (2002), p. 63-77. -
További szerzők:Rosén, Lars Baran Ágnes (1972-) (matematikus) Baran Sándor (1973-) (matematikus, informatikus)
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

8.

001-es BibID:BIBFORM113773
Első szerző:Szépszó Gabriella
Cím:Sugárzásra és magassági szélre vonatkozó rövidtávú előrejelzések operatív statisztikai utófeldolgozása / Szépszó Gabriella, Baran Ágnes, Baran Sándor, Jávorné Radnóczi Katalin, Kornyik Miklós, Tajti Dávid
Dátum:2023
ISSN:0133-3666 2677-1861
Megjegyzések:A nap- és szélenergia termelés becsléséhez fontos kiindulási információt szolgáltatnak az időjárás-előrejelzések. A folyamatos fejlesztés ellenére a közvetlen modell-előrejelzések hibával terheltek, ezek azonban utófeldolgozással csökkenthetők olyan meteorológiai változók esetében, amelyekre jó minőségű mérési adatsorok állnak rendelkezésre. Az OMSZ AROME modellel készülő operatív előrejelzéseire többféle paraméteres és gépi tanuláson alapuló statisztikai utófeldolgozási módszer került kifejlesztésre, melyek alkalmazása javítja a Napból közvetlenül érkező és szórt rövidhullámú sugárzásra (azaz a globálsugárzásra) és a talajközeli magassági szélre vonatkozó előrejelzések beválását. A cikk a Magyar Meteorológiai Társaság 2023. március 17-ei rendezvényén elhangzott előadások összefoglalója
Tárgyszavak:Természettudományok Matematika- és számítástudományok magyar nyelvű folyóiratközlemény hazai lapban
folyóiratcikk
Megjelenés:Légkör. - 68 : 3 (2023), p. 118-125. -
További szerzők:Baran Ágnes (1972-) (matematikus) Baran Sándor (1973-) (matematikus, informatikus) Jávorné Radnóczi Katalin Kornyik Miklós Tajti Dávid
Internet cím:Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Rekordok letöltése1