Lokalt optimerede vejrprognoser

MetFor

Introduktion

MetFor™ er et software system til præcise meteorologiske forudsigelser for en specifik geografisk placering.

Hvorfor har du brug for MetFor™

Lokalt optimeret vejrprognose

Ofte identificerer globale eller regionale vejrmodeller ikke lokale forhold med tilstrækkelig præcision. MetFor™ leverer en lokalt optimeret vejrforudsigelse, som kan tilføje betydningsfuld værdi til virksomheder, der er afhængige af vejrforhold.

Effektiv drift

Vejrforudsigelser fra MetFor™ bruges som input til varmelastprognoser, da en præcis vejrprognose forbedrer varmeprognosens nøjagtighed. Dette gør det muligt for fjernvarmeselskaber, at benytte fjernvarme-netværket og produktionsfaciliteterne mere effektivt så brændselsomkostninger og CO2 reduceres.

Præcis vejrprognose

Det kan være afgørende med en præcis lokal vejrforudsigelse fra MetFor™, når man planlægger drift og vedligeholdelsesarbejde af off-shore (eller lignende) aktiviteter, hvor vejret har en stor indflydelse på sikkerhed og evnen til at operere.

Fordele

  • Omkostningseffektiv og højt-ydende serviceløsning
  • Forudsiger lokalt vejr mere præcist end globale og regionale vejr modeller
    • 5-8% mere præcis på tidshorisonter i intervallet 1-12 timer
    • 6-10% mere præcist på tidshorisonter i intervallet 13-36 timer
  • Baseret på adskillige vejrmodeller, hvilket forbedrer både nøjagtighed og tilgængelighed
  • Driftsstabil løsning med en redundant server sørger for pålidelig levering af data
  • Leveret som en tjeneste med ingen eller begrænset krav til vedligeholdelse eller interaktion med kunden

Hvordan virker MetFor™

MetFor™ anvender adskillige vejrmodeller som input og finder den optimale vægtning af hver model for den specifikke lokation. Dette resulterer i en bedre og mere præcis forudsigelse for den specifikke lokation. Desuden gør MetFor™ brug af lokale online målinger for at kalibrere vejrprognoserne til den specifik lokation. Dette betyder, at de systematiske afvigelser mellem de meteorologisk modeller på den specifikke lokation identificeres og rettes. Kortsigtede afvigelser fra vejrforudsigelsesmodeller identificeres endvidere ved brug af realtidsdata, således at de lokale vejrprognoser tilpasses løbende. De kortsigtede justeringer giver betydeligt forbedrede prognoser på horisonter op til 12 timer frem. 

MetFor™ er baseret på avanceret maskinlæring, som udgør et selvlærende system. Ved at kombinere meteorologisk prognoser og målinger fra lokale vejrstationer kan systemet producere nøjagtige vejrprognoser, som automatisk og løbende forbedres i takt med, at nye data modtages over tid.

MetFor™ kan integreres med HeatFor™ og HeatTO™ som en del af ENFOR™s løsning til fjernvarmeværker.

MetFor™ leveres som en integreret tjeneste fra ENFOR™s platform, som også indeholder dataindsamlings -og datavalideringsmoduler. Data overførsler bliver moniteret 24/7 og systemet er robust overfor manglende eller forkerte målinger og midlertidigt svigt af leverancer af meteorologisk prognoser.

ENFOR™ platformen leveres med moduler til overførsel af data ved hjælp af enten FTP, SFTP eller web-tjenester, således at MetFor™ nemt kan integreres med både vejrstationer, SCADA systemer og andre operationelle systemer.

Egenskaber

MetFor™ har følgende væsentlige egenskaber

  • Selvlærende og selvkalibrerende algoritmer til præcise meteorologisk prognoser
  • Prognoser i en eller flere lokationer med en tidshorisont op til 10 dage
  • Prognoserne opdateres hver time
  • Integreres nemt med:
    • Lokale vejrmålinger
    • HeatFor™ til varmeprognoser
  • Data-interfaces baseret på FTP, SFTP eller web-tjenester, som støtter standardformater og filtyper (CSV, XML, SOAP, JSON osv.)
  • Leveres som en serviceydelse med redundant setup, 24/7 overvågning og support

Se vores referencer

Du kan finde vores referencer på siden Referencer.

 

Yderligere oplysninger

METFOR™ BROCHURE

For at se flere uddybende detaljer og specifikationer om tjenesten, download MetFor™ brochure i PDF format

Ready to get started?

Take the next step toward getting more value from your data.