CN101266302B - 一种计算机太阳活动预报系统 - Google Patents
一种计算机太阳活动预报系统 Download PDFInfo
- Publication number
- CN101266302B CN101266302B CN 200710064432 CN200710064432A CN101266302B CN 101266302 B CN101266302 B CN 101266302B CN 200710064432 CN200710064432 CN 200710064432 CN 200710064432 A CN200710064432 A CN 200710064432A CN 101266302 B CN101266302 B CN 101266302B
- Authority
- CN
- China
- Prior art keywords
- forecast
- module
- data
- forecasting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种计算机太阳活动预报系统，在包含带人机界面的服务器和海量数据库的系统中，设有一个预报模块，包括基于ARIMA模型建立的射电流预报模型、基于SVM的质子预报模型和基于多元判别模式的耀斑预报模型，预报模块中还有网站自动数据下载模块、邮件自动数据接收模块、常规发送模块和非常规发送模块，利用服务器中的定时器控制，定时启动预报模块。本发明计算机太阳活动预报系统，解决了太阳活动预报中数据处理量大、费时费力，能够快速地准确地进行中长期太阳活动预报，并能够进行以往难以进行的短期预报，对于及时防止太阳剧烈活动对人类生活、工农业生产的影响以及科学研究具有极大的应用价值。
Description
技术领域
本发明涉及一种计算机应用系统，特别涉及一种计算机太阳活动预报系统。
背景技术
太阳是和人类生活休戚相关的一个星球，太阳又处于不停顿的活动中，而太阳的任何活动：比如太阳黑子的活动、太阳表面耀斑的活动、太阳磁场的活动以及太阳X设电流的活动都会直接影响地球的气候变化，而直接影响地球上人类的生活和生产。对于太阳活动的观察监测一直是天文界的一个主要任务，而监测的目的就是为了分析太阳活动的特点，进而对太阳未来的可能产生活动作出准确的预报。
但是太阳的活动十分频繁，对太阳活动的监测几乎是不间断的，对于太阳活动的分析预报工作量十分大，单凭人工要耗费大量的时间，难以保证预报的及时。
发明内容
本发明是为了弥补上述不足，提供一种能快速收集信息、分析信息、自动预报的计算机太阳活动预报系统。
本发明计算机太阳活动预报系统，包括带人机界面的连接互联网的服务器、数据库，所述系统包含一预报模块，所述预报模块包含三个预报模型，分别是：耀斑预报模型，质子预报模型，射电流预报模型；所述三个预报模型分别连接所述数据库和所述服务器。
本发明计算机太阳活动预报系统，所述耀斑预报模型建立在多元判别模式的基础上，选择5个预报先兆因子：(1)太阳黑子群的面积，(2)太阳黑子群的磁型，(3)太阳黑子群的McIntosh分型，(4)10cm射电流量，和(5)活动区的光球纵场磁位型特征；每个预报先兆因子又分为4-5个等级的参量；所述耀斑预报模型执行以下步骤：
调入上述参量数据；
对大量资料的归类分析；
利用概率统计方法得到各个预报因子及不同参量产生≥M级耀斑的概率；
利用多元判别方式得到一个活动区产生≥M级耀斑的总概率；
生成耀斑有无及级别预报结果输出。
本发明计算机太阳活动预报系统，所述质子预报模型建立在SVM基础上，选择当前质子发生情况、黑子面积、磁分型、Mcintoch分类、黑子位置、当前质子流量数据和最大质子流 量为输入预报数据；所述质子预报模型执行以下步骤：
调用训练集；
运行SVM训练；
得到训练模型；
从测试集输入所述输入预报数据；
进行SVM预测；
生成质子有无及级别结果送入结果集。
本发明计算机太阳活动预报系统，所述射电流预报模型建立在ARIMA基础上，选择黑子数、黑子面积与F10.7cm射电流量数据为输入数据；所述射电流预报模型执行以下步骤：
对上述读取的数据进行自动处理，包括检查每年、每月、每日的数据是否有残缺，在有残缺时自动内插、计算月均值、根据长中短期预报要求自动计算平滑值；
根据预报的具体要求选择调入参与运算的数据量、调整ARIMA模型参数；
调用ARIMA模型做回归分析；
生成预报数据、计算预报误差；
对数据输出按一定格式格式化，包括小数点定位、计算时间显示格式、存入指定的文件中；
按一定格式对图像输出自动存储，包括图像的颜色、格式、时间显示格式、图形中的预报结果与观测结果对比、显示两者的误差，显示图像中的文本。
本发明计算机太阳活动预报系统，所述服务器中包含定时器，可以设定自动接收数据、自动预报的时间，所述预报模块受所述定时器控制，自动进行每日的中短期预报和每月的若干次长期预报。
本发明计算机太阳活动预报系统，所述预报模块中包含网站自动数据下载模块和邮件自动数据接收模块，在所述网站自动数据下载模块中有网站网址存储器，存储要指定网站的网址；在邮件自动数据接收模块中有电子信箱地址存储器，存储指定电子信箱的地址；所述网站自动数据下载模块和邮件自动数据接收模块受所述定时器控制自动启动与停止。
本发明计算机太阳活动预报系统，所述预报模块包含常规预报发送模块和非常规预报发送模块，所述常规预报发送模块包含一常规邮件发送模块和一常规网站预报发送模块，所述非常规预报发送模块包含一非常规邮件发送模块和一非常规网站预报发送模块；所述邮件发送模块中包含电子信箱存储器，存储指定电子信箱地址；所述常规网站预报发送模块包含网站网址存储器，存储指定网站网址；所述常规预报发送模块和非常规预报发送模块受所述定 时器控制自动启动与停止。
本发明计算机太阳活动预报系统，解决了太阳活动预报中数据处理量大、费时费力，能够快速地准确地进行中长期太阳活动预报，并能够进行以往难以进行的短期预报，对于及时防止太阳剧烈活动对人类生活、工农业生产的影响以及科学研究具有极大的应用价值。
附图说明
图1是本发明计算机太阳活动预报系统的硬件系统图；
图2是本发明计算机太阳活动预报系统的预报模块的内部模块图；
图3是本发明计算机太阳活动预报系统质子预报模型的流程图。
具体实施方式
太阳活动预报是一个海量数据分析，本发明计算机太阳活动预报系统是在一服务器系统中设置一个预报模块和一个海量数据库(见图1)，该服务器带人机界面，并连接互联网，预报模块和数据库、服务器相连接；在预报模块中建立了三个预报模型，分别是耀斑预报模型、质子预报模型和射电流量预报模型(见图2)。
质子预报模型，基于SVM：
特征参量的选择：选择当前质子发生情况、太阳黑子面积、太阳黑子的磁分型、太阳黑子群的McIntosh分型、黑子位置、质子当前最大流量6个参量。
基于SVM的预报模型：选择SVM(Support Vector Machine，支持向量机)建立质子预报模型，SVM是Vapnic于1995年在统计学习理论基础上提出的一种新的机器学习方法，该方法是建立在统计学习理论的VC维理论和结构风险最小化基础上，根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷，以期获得最好的推广能力。正是这种好的性质使SVM迅速成为国际上机器学习领域新的研究热点并已被应用于人脸识别、文本识别、手写体识别、三维物体识别、遥感图像分析等领域。
概括地说，SVM就是首先通过用内积函数定义的非线性变换将输入空间变换到一个高维空间，在这个空间中求(广义)最优分类面。SVM分类函数形式上类似于一个神经网络，输出是中间节点的线性组合，每个中间节点对应一个支持向量。
SVM用作预报的基本流程图见图3：
调入上述参量数据；
对大量资料的归类分析；
利用概率统计方法得到各个预报因子及不同参量产生≥M级耀斑的概率；
利用多元判别方式得到一个活动区产生≥M级耀斑的总概率；
生成耀斑有无及级别预报结果输出。
用SVM做质子预报是把质子有无预报作为一个两类分类问题，发生质子事件的作为一类，记为1，未发生质子事件地作为一类，记为-1；把上述的前5个参量作为输入参量。
质子流量预报是挑选已发生质子事件的样本参加流量预报的训练。用SVM对流量预报建模是作为一个多类分类问题，输入为上述六个参量，输出按峰值流量等级分为三类1，2，3，划分方法如上所述。
射电流预报模型：
选择ARIMA模型(自回归整合移动平均数模型)，ARIMA模型在做时间序列分析时，根据历史数据的变动规律，能够找出数据变动模型(移动平均数、周期成分)，从而实现对未来的预测。ARIMA模型问世于1960年代末，Box和Jenkins在1976年对该模型进行了系统阐述，所以该模型亦被称之为Box Jenkins模型。目前这一模型已经程序化。ARIMA模型比其他的统计预测技术要复杂得多，但如果运用恰当的话，它不仅预测准确，而且灵活有度。
通过ARIMA模型，能够决定：
1.过去的历史数据对下一个观测值贡献的大小(即加权长度)。
2.权重。
例如y(t)＝1/3*y(t-3)+1/3*y(t-2)+1/3*y(t-1)，又如y(t)＝1/6*y(t-3)+4/6*y(t-2)+1/6*y(t-1)。
正确运用ARIMA模型，必须要找出滞后期的准确数字及其系数。
ARIMA模型通过自回归分析来确定其下属模型。
运用ARIMA模型，还必须确定各项参数，因为任何不平稳的成分(如脉冲、水平位移、实际的时间趋势)都可能对模型的正确性产生干扰。
射电流量预报模型的输入参数有：太阳黑子数、黑子面积与太阳F10.7cm射电流量，输出参数是F10.7cm射电流量。
射电流预报模型调取这些数据后先对数据的完整性进行分析，就是检查是不是每个预定时间的数据都有，如果发现有残缺，少了某一个时间上的数据，预报模型会自动根据前后时间的数据进行插值计算，不起这一残缺数据。同时预报模型还可以根据ARIMA模型自动生成月均值、中长期预报平滑值。
在数据完整的基础上，预报模型按照ARIMA模型和相关参数以及调整参数做回归分析和参数调整，作出预报结果，同时给出预报结果的误差值。
耀斑预报模型：
软X射线耀斑短期预报方案采用多元判别模式。
选用太阳光球黑子光学观测资料，太阳活动区的光球纵向磁场常规观测资料和太阳10cm射电流量的常规观测资料，从中筛选出5个预报先兆因子：(1)太阳黑子群的面积，(2)太阳黑子群的磁型，(3)太阳黑子群的McIntosh分型，(4)10cm射电流量，和(5)活动区的光球纵场磁位型特征。每个预报先兆因子又分为5个等级的参量(10cm射电流量分为4个等级)。通过对大量资料的归类分析，利用概率统计方法得到各个预报因子及不同参量产生≥M级耀斑的概率。最后利用多元判别方式得到一个活动区产生≥M级耀斑的总概率。
下面列出5个预报先兆因子中各个等级参量：
1.太阳黑子群的面积，我们把它分为五个等级：
(A)Sp>1000，
(B)500<Sp≤1000，
(C)200<Sp≤500，
(D)Sp≤200，
(E)无黑子。
2.太阳黑子群的磁型。分为五个等级：
(A)δ，(B)，βγ或γ
(C)β，(D)α，(E)无黑子。
3.太阳黑子群的McIntosh分型，也分为五个等级：
(A)FKC或EKC，
(B)FKI或FSI或EKI或EHC或FAI或FHI或FHC或EHI或EAI或DKC，
(C)FSO或FKO或FRI或EAC或EKO或EAO或DHC或DKO或DKI或DSC或DAC或DHO或DHI或CKO或CKI，
(D)其它
(E)无黑子。
4.10cm射电流量作为预报因子分为四个等级：
在10cm射电流量的27天周期中，
(A)极小前和后四天内；(B)中间段；
(C)极大前和后五天内；(D)三日内流量净增15sfu
5.活动区纵场磁位形特征分为五个等级：
(A)对异极性磁流区的包围，极性反转线超长，同极性磁流合并，纵向磁场强度剧增；
(B)磁流浮现，异极性磁流的挤压侵入，活动区的磁轴垂直；
(C)反极性活动区，大纵场梯度；
(D)活动区无所列出的磁位特征；
(E)无黑子群。
上述三个预报模型均连接数据库。
系统中设有定时器，预报模型受定时器控制每天按预定时间自动启动(在必要时也可以通过手动启动)(见图2)，启动后预报模型自动调用存储在数据库中的海量数据中的相关参数(这些参数都是和预报模型相关的数据下载程序自动从相关网站下载或电子邮件提取的，并按照预定的格式格式化后存入数据库中的，均按时间排序)。
调取这些数据后先对数据的完整性进行分析，就是检查是不是每个预定时间的数据都有，如果发现有残缺，少了某一个时间上的数据，预报模型会自动根据前后时间的数据进行插值计算，补齐这一残缺数据。同时预报模型还可以根据要求自动生成月均值、中长期预报平滑值。
在数据完整的基础上，预报模型作出预报结果，并生成预报文件。
在这里作何种预报可以选定，本实施例中是每天自一个短期、一个中期预报，半个月做一个长期预报。
预报结果及预报时间格式化后存入数据库。
预报模型把生成的预报结果以及相应的图像自动存储到数据库中。
服务器中还有网上自动下载程序和网上预报发送程序(见图2)。
网上自动下载程序包括指定网站自动下载程序和指定邮件接收程序。
特定网站自动下载程序是预存下载网站地址、定时启动下载，数据提取、数据格式化、自动分类存储。例如：读取Forecast-Report of Solar and Geophysical Activity下的(预报日，例如060531)前一天的文件(即，May 30 Report of Solar-Geophysical Activity)，保存为2个文件，按日期取文件名分别为：xxxxxx.22.txt(如：060531.22.txt)和xxxxxx.dk.txt(如：060531.dk.txt)(①.dk文件初成)。
将(Latest Solar-Geophysical Data reports and summaries下的)Solar Region Summary， Solar and Geophysical Activity Summary，World Warning Agency GEOALERT当天文件中的内容依次copy到xxxxxx.22文件(②.22文件初成)。
质子数据：http://www.sec.noaa.gov/ftpmenu/lists/particle.html(5分钟更新一次)
地磁数据：http://www.sec.noaa.gov/ftpmenu/lists/geomag.html(每分钟更新一次) 从指定网站实时或间隔一定时间抓取图像
黑子图：用the very latest SOHO images的前一天22:24UT以后的图像(httD://sohowww.nascom.nasa.gov/data/realtime-images.html)
Ha图：有云南图用云南图。无云南图到(http://download.hao.ucar.edu/d5/dpm/rawdaily image/)下载最新；若无满意图像，可再到http://www.bbso.njit.edu/Research/Halpha/下载最新
CME图：http://sohowww.nascom.nasa.gov/data/realtime/c2/256/20060529.tar(网址中20060529是以预报日期的前一日，并随预报日的变化而更新)
怀柔磁图。
特定邮件接收程序自动在指定时间收取指定发信人的邮件，生成文件；在指定时间发送给指定收件人的邮件
用户名：rwc-china@263.net，密码：( )。
按时间先后顺序收取邮件。
发信人列表： 主题
rwc@ips.gov.au [Ips-ursigram]Sydney Morning Ursigram
culgoora@ips.gov.au(ObservatoryOperations)
[Ips-ursigram]AFTERNOON URSIGRAM FROM CULGOORA
hciag@aha.ru <无标题>
sidc@oma.be GEOALERT SIDC
FORECAST@PUBLIC3.BTA.NET.CN UFOFH FROM CRIRP
将所有邮件内容按时间先后顺序copy到一个文件中，文件名按时间取为：xxxxxx.wor.txt(如：060531.wor.txt)。
将FORECAST@PUBLIC3.BTA.NET.CN UFOFH FROM CRIRP的中国文件内容放在.wor文件的开头。(③.wor文件生成)
将.wor文件中的中国邮件内容部分，即，来自FORECAST@PUBLIC3.BTA.NET.CN UFOFHFROM CRIRP的邮件内容按时间另存为文件xxxxxx.bei.txt(如：060531.bei.txt)。删掉中文标题，空行，保留最后一个BT。(④.bei文件初成)。
结果分发：根据预报结果分常规发送与非常规发送
常规发送包括邮件发送(常规邮件、常规收件人)、网上发送(常规网站)和总站发布，发送预报同时存入数据库。
非常规发送是建立在常规分发基础上，包括邮件发送(非常规邮件、非常规收件人)、网上发送(非常规网站)、总站发布和媒体发送，发送预报同时存入数据库。
发预报邮件和普通邮件(含常规预报和非常规预报发布)按统一的四个txt文件格式：①.dk.txt，②.22.txt，③.wor.txt，④.bei.txt，自动选择收件人定时发送。
网上发布(含常规预报和非常规预报发布)网页自动读取数据库，更新网页。
预报结果同时显示在预报界面上，可由操作人员修改，确认后存入数据库。
指定网站自动下载程序和指定邮件接收程序和常规发送与非常规发送程序受定时器控制，自动定时启动与停止。
本发明计算机太阳活动预报系统有效的解决了利用计算机进行太阳活动预报的问题，节省了大量的人工，加快了预报速度，使得原本不可能的每日预报变成了可能，而且预报的准确性也得到了提高，这就为科研、生产甚至人民的日常生活提供了可靠的太阳活动预报；同时有了这一利器，对太阳活动的研究和认识也可以得到一个新的水平。
Claims (7)
1.一种计算机太阳活动预报系统，包括带人机界面的连接互联网的服务器和数据库，其特征在于，所述系统包含一预报模块，所述预报模块包含三个预报模型，分别是：耀斑预报模型，质子预报模型，射电流预报模型；所述三个预报模型分别连接所述数据库和所述服务器。
2.根据权利要求1的计算机太阳活动预报系统，其特征在于所述耀斑预报模型建立在多元判别模式的基础上，选择5个预报先兆因子：(1)太阳黑子群的面积，(2)太阳黑子群的磁型，(3)太阳黑子群的McIntosh分型，(4)10cm射电流量，和(5)活动区的光球纵场磁位型特征；每个预报先兆因子又分为4-5个等级的参量；所述耀斑预报模型执行以下步骤：
调入上述参量数据；
对大量资料的归类分析；
利用概率统计方法得到各个预报因子及不同参量产生≥M级耀斑的概率；
利用多元判别方式得到一个活动区产生≥M级耀斑的总概率；
生成耀斑有无及级别预报结果输出。
3.根据权利要求2的计算机太阳活动预报系统，其特征在于所述质子预报模型建立在SVM基础上，选择当前质子发生情况、黑子面积、磁分型、Mcintoch分类、黑子位置、当前质子流量数据和最大质子流量为输入预报数据；所述质子预报模型执行以下步骤：
调用训练集；
运行SVM训练；
得到训练模型；
从测试集输入所述输入预报数据；
进行SVM预测；
生成质子有无及级别结果送入结果集。
4.根据权利要求3的计算机太阳活动预报系统，其特征在于所述射电流预报模型建立在ARIMA基础上，选择黑子数、黑子面积与F10.7cm射电流量数据为输入数据；所述射电流预报模型执行以下步骤：
对上述读取的数据进行自动处理，包括检查每年、每月、每日的数据是否有残缺，在有残缺时自动内插、计算月均值、根据长中短期预报要求自动计算平滑值；
根据预报的具体要求选择调入参与运算的数据量、调整ARIMA模型参数；
调用ARIMA模型做回归分析；
生成预报数据、计算预报误差；
对数据输出按一定格式格式化，包括小数点定位、计算时间显示格式、存入指定的文件中；
按一定格式对图像输出自动存储，包括图像的颜色、格式、时间显示格式、图形中的预报结果与观测结果对比、显示两者的误差，显示图像中的文本。
5.根据权利要求4的计算机太阳活动预报系统，其特征在于，所述服务器中包含定时器，可以设定自动接收数据、自动预报的时间，所述预报模块受所述定时器控制，自动进行每日的中短期预报和每月的若干次长期预报。
6.根据权利要求5的计算机太阳活动预报系统，其特征在于，所述预报模块中包含网站自动数据下载模块和邮件自动数据接收模块，在所述网站自动数据下载模块中有网站网址存储器，存储要指定网站的网址；在邮件自动数据接收模块中有电子信箱地址存储器，存储指定电子信箱的地址；所述网站自动数据下载模块和邮件自动数据接收模块受所述定时器控制自动启动与停止。
7.根据权利要求6的计算机太阳活动预报系统，其特征在于，所述预报模块包含常规预报发送模块和非常规预报发送模块，所述常规预报发送模块包含一常规邮件发送模块和一常规网站预报发送模块，所述非常规预报发送模块包含一非常规邮件发送模块和一非常规网站预报发送模块；所述邮件发送模块中包含电子信箱存储器，存储指定电子信箱地址；所述常规网站预报发送模块包含网站网址存储器，存储指定网站网址；所述常规预报发送模块和非常规预报发送模块受所述定时器控制自动启动与停止。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 200710064432 CN101266302B (zh) | 2007-03-15 | 2007-03-15 | 一种计算机太阳活动预报系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 200710064432 CN101266302B (zh) | 2007-03-15 | 2007-03-15 | 一种计算机太阳活动预报系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN101266302A CN101266302A (zh) | 2008-09-17 |
| CN101266302B true CN101266302B (zh) | 2011-06-29 |
Family
ID=39988849
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN 200710064432 Expired - Fee Related CN101266302B (zh) | 2007-03-15 | 2007-03-15 | 一种计算机太阳活动预报系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN101266302B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2808940C1 (ru) * | 2023-03-15 | 2023-12-05 | Общество с ограниченной ответственностью "Константин Чайкин" | Часы с индикатором солнечной активности |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103124291B (zh) * | 2012-12-11 | 2015-09-09 | 中国科学院国家天文台 | 一种智能超新星警报和观测系统 |
| CN106549833B (zh) * | 2015-09-21 | 2020-01-21 | 阿里巴巴集团控股有限公司 | 一种智能家居设备的控制方法和装置 |
| CN105372723B (zh) * | 2015-10-30 | 2018-03-02 | 中国科学院国家天文台 | 基于卷积神经网络模型的太阳耀斑预报方法 |
| CN109375292A (zh) * | 2018-08-30 | 2019-02-22 | 昆明理工大学 | 一种基于自回归积分滑动平均与支持向量回归的降雨量预测方法 |
| CN112327389B (zh) * | 2020-10-30 | 2022-07-26 | 中国科学院国家空间科学中心 | 基于太阳10.7cm射电流量的全日面耀斑预报方法及系统 |
| CN115115079A (zh) * | 2021-03-23 | 2022-09-27 | 中国科学院国家空间科学中心 | 一种基于集成学习的太阳质子事件短期预报方法 |
| CN113887570B (zh) * | 2021-09-09 | 2024-07-16 | 江苏科技大学 | 一种基于神经网络的太阳耀斑二分类预测方法 |
| CN114254544B (zh) * | 2021-12-20 | 2022-09-13 | 数字太空(北京)智能技术研究院有限公司 | 一种太阳质子事件峰值通量预测方法 |
| CN115840740B (zh) * | 2022-09-26 | 2023-11-24 | 中国电建集团贵阳勘测设计研究院有限公司 | 一种用于光伏电站的太阳能资源缺测数据插补方法 |
| CN117669335B (zh) * | 2024-02-01 | 2024-05-07 | 北京国星创图科技有限公司 | 一种太空环境数据挖掘方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1437732A (zh) * | 2000-04-18 | 2003-08-20 | 卡梅尔系统有限责任公司 | 太空气象预测系统和方法 |
| EP1660917B1 (en) * | 2003-08-20 | 2007-11-21 | New Energy Options, Inc. | Method and system for predicting solar energy production |
-
2007
- 2007-03-15 CN CN 200710064432 patent/CN101266302B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1437732A (zh) * | 2000-04-18 | 2003-08-20 | 卡梅尔系统有限责任公司 | 太空气象预测系统和方法 |
| EP1660917B1 (en) * | 2003-08-20 | 2007-11-21 | New Energy Options, Inc. | Method and system for predicting solar energy production |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2808940C1 (ru) * | 2023-03-15 | 2023-12-05 | Общество с ограниченной ответственностью "Константин Чайкин" | Часы с индикатором солнечной активности |
Also Published As
| Publication number | Publication date |
|---|---|
| CN101266302A (zh) | 2008-09-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101266302B (zh) | 一种计算机太阳活动预报系统 | |
| Christensen et al. | Uncertainty in forecasts of long-run economic growth | |
| Nogales et al. | Electricity price forecasting through transfer function models | |
| Pedregal et al. | Mid-term hourly electricity forecasting based on a multi-rate approach | |
| US20140195159A1 (en) | Application of artificial intelligence techniques and statistical ensembling to forecast power output of a wind energy facility | |
| Park et al. | Data-driven baseline estimation of residential buildings for demand response | |
| Kenda et al. | Streaming data fusion for the internet of things | |
| Angamuthu Chinnathambi et al. | A multi-stage price forecasting model for day-ahead electricity markets | |
| Lahariya et al. | Synthetic data generator for electric vehicle charging sessions: modeling and evaluation using real-world data | |
| CN110880127B (zh) | 消费水平的预测方法、装置、电子设备及存储介质 | |
| CN106104626B (zh) | 基于分析的数字内容的更新 | |
| Cerjan et al. | HIRA model for short-term electricity price forecasting | |
| Zade et al. | Quantifying the flexibility of electric vehicles in germany and california—a case study | |
| CN103577525A (zh) | 依行事历设定信息搜集网页信息以产生个人行事历的方法 | |
| Esnaola-Gonzalez et al. | An AI-powered system for residential demand response | |
| Tantet et al. | E4CLIM 1.0: The energy for a climate integrated model: Description and application to Italy | |
| Amoasi Acquah et al. | Real-time demand side management algorithm using stochastic optimization | |
| Contreras et al. | Advances in the definition of needs and specifications for a climate service tool aimed at small hydropower plants’ operation and management | |
| Basmadjian et al. | Day-ahead forecasting of the percentage of renewables based on time-series statistical methods | |
| Valentini et al. | Demand response impact evaluation: A review of methods for estimating the customer baseline load | |
| Wentz et al. | An ensemble approach to space–time interpolation | |
| Li et al. | Impact of the pre-simulation process of occupant behaviour modelling for residential energy demand simulations | |
| Park et al. | Operational Dst index prediction model based on combination of artificial neural network and empirical model | |
| Elahe et al. | Factors Impacting Short-Term Load Forecasting of Charging Station to Electric Vehicle | |
| Kull et al. | Field-ready implementation of linear economic model predictive control for microgrid dispatch in small and medium enterprises |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| C17 | Cessation of patent right | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110629 Termination date: 20130315 |