94
Vorhersagefehler in kartesischen Koordinaten berechnet werden, könnten daraus nicht mehr
eindeutig die Vorhersagefehler in Polarkoordinaten bestimmt werden.
Somit existieren genügend Gründe, den ersten Weg der Transformation des Windes in
kartesische Koordinaten nicht zu begehen. Folglich wurde der zweite Weg beschritten. Der
Wind wurde in Polarkoordinaten gelassen. Aus der Zeitreihe der vektoriellen Windrichtung
wurden zuerst die statistischen Größen (Median und empirische Standardabweichung) für die
z-Transformation bestimmt. Dann wurde die Zeitreihe als Zeitmustervektormenge organisiert.
Auf diese Vektoren wurde die Sprungbehandlung angewandt. Anschließend wurden die
Vektoren (nicht die Zeitreihe) mit Hilfe der bereits berechneten statistischen Größen z-trans-
formiert. Aus diesen Vektoren wurde eine Untermenge an Lernvektoren selektiert (Kap.4.3).
Diese Lernvektoren wurden anschließend von den verwendeten neuronalen Modellen gelernt.
Mittels des klassifizierenden und doppelklassifizierenden neuronalen Modells wurden Wind
vorhersagen erstellt und mittels des Multi-Window neuronalen Modells Stauvorhersagen.
Nun kann die begonnene Begründung, die die Drehung der Windrose betrifft, vollendet
werden. Würde in dem Falle der Windvorhersage mittels neuronaler Netze die Windrichtung
durch die Drehung der Windrose transformiert werden, müßte diese Drehung als Nach
bearbeitung der Netzvorhersagen wieder rückgängig gemacht werden (Kap.4.2.4). Durch diese
Rückdrehung der Windrose würden in den Windrichtungsvorhersagen der Netze wieder
Sprünge erzeugt werden, die mit den Messungen nicht synchron laufen würden und somit den
Vorhersagefehler künstlich erhöhen würden. Die Sprungbehandlung der Vektoren ist sehr
effektiv, d.h. sie hat eine sehr reduzierende Wirkung auf den Vorhersagefehler (Kap.5.4).
Darum wurde bei den neuronalen Modellen der Windvorhersage auf die Drehung der Wind
rose als ein Verfahren, das die Wirkung der nichtlinearen Transformation bei der Windrich
tung simuliert, aufgrund des Konflikts mit der Sprungbehandlung verzichtet. Diese Einschrän
kung gilt nicht für die Stauvorhersage mittels eines Multi-Window neuronalen Modells. Hier
hätte die Drehung der Windrose eingeführt werden können. Doch damit die Datenvorberei-
tung bei allen beteiligten neuronalen Modellen konsistent ist, wurde auch bei dem Multi-
Window neuronalen Modell auf die Drehung der Windrose verzichtet.
Während dieser etwas länglichen Begründung für die Verwerfung der Drehung der
Windrose wurde das Verfahren der Sprungbehandlung motiviert. Es wird im folgenden
beschrieben. Als Basis für dieses Verfahren dient ein Zeitfenster der Länge L, das nur aus
einem Indikationszeitraum (beim Multi-Window neuronalen Modell für die Stauvorhersage)
oder aus einem Indikations- und einem Prognosezeitraum bestehen kann (beim klassifizie
renden und doppelklassifizierenden neuronalen Modell für die Windvorhersage). Die Sprung
behandlung besteht aus einem Schritt, der mehrmals hintereinander auf solch ein Zeitfenster
angewandt werden kann. Mit einem Schritt können Winde behandelt werden, die sich
während des Zeitfensters um maximal 360° drehen. Bei jedem Schritt wird der Wertebereich
der Windrichtung künstlich um 360° vergrößert. Je länger das Zeitfenster ist, desto größer ist
die Wahrscheinlichkeit, daß sich der Wind um mehr als 360° dreht. Dabei kann er die
Windrose mehrmals in der gleichen "Richtung" (im oder entgegen dem Uhrzeigersinn)
umrunden.
Während eines Schrittes werden in jedem Zeitmustervektor zuerst eventuelle Sprünge
gesucht und anschließend auf die in Betracht kommenden Windrichtungen 360° aufaddiert
und somit der Wertebereich künstlich erweitert. Es sind zwei Arten von Sprüngen möglich:
ein Aufwärts sprang (Drehung des Windes von nordöstlichen zu nordwestlichen Richtungen)
und ein Abwärtssprang (Drehung des Windes von nordwestlichen zu nordöstlichen Richtun
gen). Gegeben seien zwei direkt aufeinander folgende (stündliche) Windrichtungen d¡ und
d i+1 , i=l,... L-l. Dann wird ein Sprung als "Aufwärtssprung" definiert, wenn
