CN107688906A - 多方法融合的输电线路气象要素降尺度分析系统及方法 - Google Patents
多方法融合的输电线路气象要素降尺度分析系统及方法 Download PDFInfo
- Publication number
- CN107688906A CN107688906A CN201710787964.9A CN201710787964A CN107688906A CN 107688906 A CN107688906 A CN 107688906A CN 201710787964 A CN201710787964 A CN 201710787964A CN 107688906 A CN107688906 A CN 107688906A
- Authority
- CN
- China
- Prior art keywords
- mrow
- value
- predicted value
- transmission line
- sent
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 166
- 230000005540 biological transmission Effects 0.000 title claims abstract description 96
- 230000009467 reduction Effects 0.000 title claims abstract description 60
- 230000005611 electricity Effects 0.000 title claims abstract description 53
- 238000004458 analytical method Methods 0.000 title claims abstract description 41
- 230000004927 fusion Effects 0.000 title claims abstract description 31
- 238000007689 inspection Methods 0.000 claims description 49
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000003786 synthesis reaction Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 16
- 230000000694 effects Effects 0.000 description 13
- 101100321992 Drosophila melanogaster ABCD gene Proteins 0.000 description 12
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 11
- 238000005096 rolling process Methods 0.000 description 11
- 238000012360 testing method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000003556 assay Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000000470 constituent Substances 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 238000012351 Integrated analysis Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 101150008103 hal gene Proteins 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000009527 percussion Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Environmental & Geological Engineering (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Atmospheric Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Ecology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Biodiversity & Conservation Biology (AREA)
- Environmental Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种多方法融合的输电线路气象要素降尺度分析系统及方法,该装置包括:综合预报装置,用于计算综合预报值,并将所述预报值发送至动态集成模块;地形复杂度最接近格点预报装置,用于通过地形复杂度最接近法计算预报值,并将所述预报值发送至动态集成模块;动态集成装置,用于接收所述综合预报装置和所述地形复杂度最接近格点预报装置发送的预报值,并计算动态集成预报值。本发明的多方法融合的输电线路气象要素降尺度分析系统及方法从网格化数值预报产品特征入手,通过降尺度技术对小区域或某一指定点位的气象要素做出精确预测,这是获取输电线路高分辨率天气预报信息。
Description
技术领域
本发明涉及电力生产和气象预测的交叉领域,尤其涉及一种多方法融合的输电线路气象要素降尺度分析系统及方法。
背景技术
输电线路投运后的风险主要受外部气象环境的影响,特别是气象灾害的冲击作用而导致的电气或物理失效。基于数值预报模式的气象要素温度、湿度、风速、风向等是分析输电线路出现气象灾害的主要参数。
数值预报模式虽能较好地预测出高层大气、边界层、近地层等不同垂直层、不同尺度的大气环流特征,并输出格点化预报产品,但产品的空间分辨率有限,难以对更小区域或某一指定点位的气象要素做出直接预测。实现从网格化预测产品到服务对象点位的产品分析即为降尺度技术,该技术是获取输电线路高分辨率天气预报信息的重要途径。目前主要有两类降尺度技术:(1)通过提高区域气象预报模式本身分辨率或嵌套更小尺度数值模式的动力降尺度技术;(2)通过数学插值或统计经验关系的统计降尺度技术。前者依赖各种物理约束关系通过动力模式实现分析,物理意义明确、原理可靠,但计算量非常大、模式性能受输入的边界条件影响很大,而且模式的分辨率也不可能被无限提高,即使分辨率再高也依然有可能无法直接预报待分析点位(陈豫英等,2005);相较而言,后者计算代价小、方法简单易行,但属于纯数理统计的范畴,对观测资料有一定的依赖。在精细化预报的解释应用领域,两种方法均得到了较好的应用,有学者对两类方案进行过比较系统的对比,如:Kidson and Thompson(1998)和Meatus et a1.(1999)均分别用统计降尺度和动力降尺度方法进行降尺度预测,研究结果显示,动力降尺度虽有更好的物理基础作为支撑,但统计降尺度消耗的计算量非常小,其效果与动力降尺度方法差异也不大,从应用的角度来看更为可取。
统计降尺度技术在气候预测和天气预报领域的应用很广,在气候预测领域常用的统计降尺度方法有转换函数法、环流分型技术和天气发生器(李江萍和王式功,2008)。应用最多是转换函数法,它包括了多元线性回归、SVD等线性转换函数法(Oshima et a1.,2002;范丽军等,2007)和人工神经网络、支持向量机等非线性转换函数法(Mpelasoka et a1.,2001;Anandhi et a1.,2009)。Huth et a1.,(2008)通过对比线性回归与神经网络两种方法进行温度降尺度,证明了线性方法也可以取得较好的降尺度效果。Lianet a1.(2010)运用PCA、CCA等统计降尺度方法,利用1960—1990年的月平均海平面气压和温度值成功预测中国沿海地区气温。贾小龙等(2010)使用变形的典型相关分析方法对中国冬季温度进行了可预报性研究,很好地揭示了大气环流和温度的内在联系,并且预测效果明显高于模式输出结果。但目前而言,上述研究方法主要运用于气候预测方面(陈威霖等,2012)。
在短期天气预报产品的应用领域用到的统计降尺度方法主要有双线性插值、Kriging插值、反距离权重插值等空间内插方法(李新等,2000;钞振华,2011;彭彬等,2011;徐振亚等,2012)和滑动训练法等(智协飞等,2013),此外还有学者使用一些简单的转换函数(郭虎等,2008),但均有一定局限性。近年来国外主要采用Kalman滤波、滑动窗等偏差估计方法(Engeland Ebert,2011;Monache et a1.,2011)对气象要素进行统计降尺度研究。Cui et a1.(2011)等提出了一种具有自适应特征的Kalman滤波类型的递减平均统计降尺度技术,对北美集合预报系统的输出值做统计后处理,获得精细化预报产品,取得明显效果。
上述方法作对数值模式产品向目标点的精细化分析预报有很大的促进作用,但因多以数学统计为基础,在分析的过程中无法考虑地形的作用,也无法保证哪种方法永远效果最佳,即还没有看到基于多降尺度方法动态融合的集成分析技术在输电线路精细化预报分析领域的应用。
因此,需要一种能够通过降尺度技术对小区域或某一指定点位的气象要素做出精确预测,以获取输电线路高分辨率天气预报信息的多方法融合的输电线路气象要素降尺度分析系统及方法。
发明内容
根据本发明的一个方面,本发明提供的多方法融合的输电线路气象要素降尺度分析系统,包括:
综合预报装置,用于计算综合预报值,并将预报值发送至动态集成模块;
地形复杂度最接近格点预报装置,用于通过地形复杂度最接近法计算预报值,并将预报值发送至动态集成模块;
动态集成装置,用于接收综合预报装置和地形复杂度最接近格点预报装置发送的预报值,并计算动态集成预报值。
综合预报装置可以包括:数据采集模块,用于采集历史检验参数;最近格点预报模块,用于根据历史检验参数通过最近格点抽取法计算预报值,将预报值发送至动态集成装置;距离反平方内插预报模块,用于根据历史检验参数通过距离反平方内插法计算预报值,并将预报值发送至动态集成装置;地形高度最接近格点预报模块,用于根据历史检验参数通过地形高度最接近法计算预报值,并将预报值发送至动态集成装置。
在最近格点预报模块中,输电线路每一个网格节点的最邻点值作为输电线路点位值。
在距离反平方内插预报模块中,输电线路点位值的计算公式如下:
其中,n为样点数目,Zi为第i点的样点值,di为第i个样点到插值点的距离,Z为待估值。
在地形高度最接近格点预报模块中,计算输电线路点位与所在的数值预报格点4个节点的海拔高度距离差,选择距离差最小的节点预报值来代表该输电线路点位的预报值。
在地形复杂度最接近格点预报模块中,通过以下公式进行计算地形复杂度:
γ=Zmax-Zmin
其中,γ为地形复杂度,Zmax、Zmin分别为方形区域中海拔高度的最高值与最低值。
在动态集成装置中,通过以下公式计算动态集成预报值:
AEk,j=|Yk,j-Oj|
其中,Yj为第j时次的动态集成预报值,Yk,j为第k种预报方法在第j时次的预报值,Wk,j为第k种预报方法第j时次的权重,AEk,j为第j时次第k种预报方法的预报值与相应时次观测值的绝对误差,即第j时次第k种预报方法的检验参数,Oj为第j时次的观测值。
综合预报装置也可以包括:数据采集模块,用于采集历史检验参数;最近格点预报模块,用于根据历史检验参数通过最近格点抽取法计算预报值,并将预报值发送至综合预报值计算模块;距离反平方内插预报模块,用于根据历史检验参数通过距离反平方内插法计算预报值,并将预报值发送至综合预报值计算模块;地形高度最接近格点预报模块,用于根据历史检验参数通过地形高度最接近法计算预报值,并将地形高度预报值发送至综合预报值计算模块;综合预报值计算模块,用于接收最近格点预报模块、距离反平方内插预报模块和地形高度最接近格点预报模块发送的预报值,以计算综合预报值,并将综合预报值发送至动态集成装置。
根据本发明的另一个方面,本发明提供的多方法融合的输电线路气象要素降尺度分析方法,其特征在于,包括以下步骤:
S110,综合预报装置计算同一时间同一地点的综合预报值,并将综合预报值发送至动态集成模块;
S120,地形复杂度最接近格点预报装置通过地形复杂度最接近法计算同一时间同一地点的预报值,并将预报值发送至动态集成模块;
S130,动态集成装置接收综合预报装置和地形复杂度最接近格点预报装置发送的预报值,并计算动态集成预报值。
在步骤S110中,综合预报装置包括:
数据采集模块,用于采集历史检验参数;
最近格点预报模块,用于根据历史检验参数通过最近格点抽取法计算预报值,将该预报值发送至动态集成装置;
距离反平方内插预报模块,用于根据历史检验参数通过距离反平方内插法计算预报值,并将该预报值发送至动态集成装置;
地形高度最接近格点预报模块,用于根据历史检验参数通过地形高度最接近法计算预报值,并将该预报值发送至动态集成装置。
本发明与现有技术相比,具有以下优点:
1.本发明的多方法融合的输电线路气象要素降尺度分析系统及方法从网格化数值预报产品特征入手,通过降尺度技术对小区域或某一指定点位的气象要素做出精确预测,这是获取输电线路高分辨率天气预报信息;
2.本发明的多方法融合的输电线路气象要素降尺度分析系统及方法基于网格化数值预报产品同时将最近格点抽取法、最近4点距离反平方内插法、地形高度最接近法和地形复杂度最接近法这4种降尺度方法结合使用,以对气象站气象要素的预报处理,弥补了单一降尺度方法的不稳定性和不确定性;
3.本发明的多方法融合的输电线路气象要素降尺度分析系统及方法通过滚动样本的动态集成方式有效提高了风速、温度、湿度这三个气象要素预报结果的准确率,能够有效的应用于输电线路气象要素的预报分析中;
4、本发明的地形复杂度最接近法,是基于模式预报数据的分辨率定义提出的,能够有效预报分析输电线路气象状况。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的设置。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出本发明的多方法融合的输电线路气象要素降尺度分析系统的实施方式的结构示意图;
图2示出本发明的多方法融合的输电线路气象要素降尺度分析系统的另一实施方式的结构示意图;
图3示出距离反平方内插方法中输电线路点位在格点数据节点上的示意图;
图4示出距离反平方内插方法中输电线路点位在格点数据边界上的示意图;
图5示出距离反平方内插方法中输电线路点位在格点数据的格内的示意图;
图6示出地形复杂度最接近方法中输电线路点位在方形区域中心的示意图;
图7示出本发明的多方法融合的输电线路气象要素降尺度分析方法的流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所设置。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非被特定定义,否则不会用理想化或过于正式的含义来解释。
图1示出本发明的多方法融合的输电线路气象要素降尺度分析系统的实施方式的结构示意图,如图1所示,本发明提供的多方法融合的输电线路气象要素降尺度分析系统,包括:综合预报装置,用于计算综合预报值,并将预报值发送至动态集成模块;地形复杂度最接近格点预报装置,用于通过地形复杂度最接近法计算预报值,并将预报值发送至动态集成模块;动态集成装置,用于接收综合预报装置和地形复杂度最接近格点预报装置发送的预报值,并计算动态集成预报值。另外,综合预报装置包括:数据采集模块,用于采集历史检验参数;最近格点预报模块,用于根据历史检验参数通过最近格点抽取法计算预报值,将预报值发送至动态集成装置;距离反平方内插预报模块,用于根据历史检验参数通过距离反平方内插法计算预报值,并将预报值发送至动态集成装置;地形高度最接近格点预报模块,用于根据历史检验参数通过地形高度最接近法计算预报值,并将预报值发送至动态集成装置。
图2示出本发明的多方法融合的输电线路气象要素降尺度分析系统的另一实施方式的结构示意图,如图2所示,与图1的不同在于,综合预报装置包括:数据采集模块,用于采集历史检验参数;最近格点预报模块,用于根据历史检验参数通过最近格点抽取法计算预报值,并将预报值发送至综合预报值计算模块;距离反平方内插预报模块,用于根据历史检验参数通过距离反平方内插法计算预报值,并将预报值发送至综合预报值计算模块;地形高度最接近格点预报模块,用于根据历史检验参数通过地形高度最接近法计算预报值,并将地形高度预报值发送至综合预报值计算模块;综合预报值计算模块,用于接收最近格点预报模块、距离反平方内插预报模块和地形高度最接近格点预报模块发送的预报值,以计算综合预报值,并将综合预报值发送至动态集成装置。
在最近格点预报模块中,输电线路每一个网格节点的最邻点值作为输电线路点位值。具体地,最近格点抽取法的一个隐含的假设条件是任一网格点p(x,y)的属性值都使用距它最近的位置点的属性值,用每一个网格节点的最邻点值作为它的节点值,将一个规则间隔的XYZ数据转换为一个网格文件时,可设置网格间隔和XYZ数据的数据点之间的间距相等。最近邻点插值网格化法没有选项,它是均质且无变化的,对均匀间隔的数据进行插值很有用,同时,它对填充无值数据的区域很有效。
在距离反平方内插预报模块中,输电线路点位值的计算公式如下:
其中,n为样点数目,Zi为第i点的样点值,di为第i个样点到插值点的距离,Z为待估值。当样点与插值点重合时样点权重为1,其他点权重为0,插值点值等于样点值。
输电线路任意点位是带经纬度的空间坐标点,数值预报格点数据是一些带有空间坐标关系的格子,在格子的每个节点上都有经纬度和预报数值信息。因此就有三种位置关系:输电线路点位在格点数据的节点上、输电线路点位在格点数据的边界上、输电线路点位在格点数据的格子内。各种情况的算法如下:
第一种:图3示出距离反平方内插方法中输电线路点位在格点数据节点上的示意图,如图3所示,输电线路点位S在节点D上,那么节点D的数据就是输电线路点位S的数据,其他节点对该输电线路点位无影响。
第二种:图4示出距离反平方内插方法中输电线路点位在格点数据边界上的示意图,如图4所示,输电线路S点位在在格点数据的边界线CD上,即节点D和节点C的连接线上,其他节点A和B对输电线路S无影响。在边界的两个端点D和C间做线性插值。输电线路点位的节点值Zs的计算公式如下:
其中,Zs为待估值,Zd为边界线CD的端点D处的节点值,Zc为边界线CD的端点C处的节点值,Rd为输电线路点位S与边界线CD的端点D之间的距离,Rc为输电线路点位S与边界线CD的端点C之间的距离。
第三种:图5示出距离反平方内插方法中输电线路点位在格点数据的格内的示意图,如图5所示,这种情况比较常见也是研究的重点,输电线路点位S在格点数据的格子ABCD内,即输电线路点位S在节点ABCD围成的矩形内,因此ABCD四个节点都对输电线路S有影响。对ABCD四个点进行距离平方反比插值得到输电线路S的数值。输电线路点位的节点值Zs的计算公式如下:
其中,Zs为待估值,Zd为格子ABCD的端点D处的节点值,Zc为格子ABCD的端点C处的节点值,Zb为格子ABCD的端点B处的节点值,Za为格子ABCD的端点A处的节点值,Rd为输电线路点位S与格子ABCD的端点D之间的距离,Rc为输电线路点位S与格子ABCD的端点C之间的距离,Rb为输电线路点位S与格子ABCD的端点B之间的距离,Ra为输电线路点位S与格子ABCD的端点A之间的距离。
另外,在第三种情况下,假设每个节点的权重为:
可以将第三种情况的公式变形得到:
Zs=EdZd+EcZc+EbZb+EaZa
在格点经纬度和输电线路经纬度不变的情况下,权重不发生变化。因此可以将它提前算出来,减少运算量。
在地形高度最接近格点预报模块中,计算输电线路点位与所在的数值预报格点4个节点的海拔高度距离差,选择距离差最小的节点预报值来代表该输电线路点位的预报值。具体地,输电线路任意点位是带海拔高度的空间坐标点,数值预报格点数据是一些带有空间坐标关系的格子,每个输电线路点位上在格子的每个节点上也有海拔高度和预报数值信息,分别计算输电线路点位与所在的数值预报格点4个节点的海拔高度距离差,选择距离差最小的节点预报值来代表该输电线路点位的预报值。
地形复杂度是评价地表崎岖程度的指标,表征地表形态的复杂程度,每一条输电线及气象自动站的地形地貌不尽相同,因此对不同输电线路点位的下垫面属性进行分类。图6示出地形复杂度最接近方法中输电线路点位在方形区域中心的示意图,如图6所示,鉴于本文研究区域处于内陆,不考虑沿海站的地貌特征,定义地形复杂度的概念为,以输电线路点位S为中心,划定边长为模式资料分辨率(2.5km)的正方形区域,在这个方形区域中搜索真实海拔高度的最高点A与最低点B,即区域中海拔高度相差最大的两个点,然后A、B点的海拔高度相减得到的差值,即为此输电线路点位的地形复杂度γ。地形复杂度计算过程中采用美国SRTM3的90m分辨率的地形数据,将地形复杂度100m以下的自动站定义为平原站,100m~500m的自动站定义为起伏站,500m~1000m的自动站定义为丘陵站,1000m以上的自动站定义为山地站。因此,在地形复杂度最接近格点预报模块中,通过以下公式进行计算地形复杂度:
γ=Zmax-Zmin
其中,γ为地形复杂度,Zmax、Zmin分别为方形区域中海拔高度的最高值与最低值。
然后,分别计算输电线路点位与所在的数值预报格点4个节点的地形复杂度,选择与输电线路点位的复杂度最接近的节点,采用此节点的预报值来代表该输电线路点位的预报值。本发明的地形复杂度最接近法,是基于模式预报数据的分辨率定义提出的,能够有效预报分析输电线路气象状况。
由于观测资料误差、模式数据误差、四种模块中基本参数的表述误差、地形复杂度刻画精度等的客观存在,使得基于以上四种模块的降尺度方法单独得到的输电线路点位的气象数值预报要素存在不确定性和不稳定性。
因此,通过分析各降尺度模型的历史预报结果平均准确率,采用加权方法,开展基于动态集成技术的降尺度分析技术研究,以期提高输电线路点位预报的稳定性和准确率。
在动态集成装置中,通过以下公式计算动态集成预报值:
AEk,j=|Yk,j-Oj|
其中,Yj为第j时次的动态集成预报值,Yk,j为第k种预报方法在第j时次的预报值,Wk,j为第k种预报方法第j时次的权重,为该种方法的历史预报平均准确率占所有方法历史(预报第j个时次分别往前推1天、3天、7天,下同)预报平均准确率之和的比值,AEk,j为第j时次第k种预报方法的预报值与相应时次观测值的绝对误差,即第j时次第k种预报方法的检验参数,Oj为第j时次的观测值,在这里,最近格点预报方法、距离反平方内插预报方法、地形高度最接近格点预报方法和地形复杂度最接近格点预报方法分别为第1、2、3和4种方法。
图7示出本发明的多方法融合的输电线路气象要素降尺度分析方法的流程图,如图7所示,本发明提供的多方法融合的输电线路气象要素降尺度分析方法,其特征在于,包括以下步骤:
S110,综合预报装置计算同一时间同一地点的综合预报值,并将综合预报值发送至动态集成模块;
S120,地形复杂度最接近格点预报装置通过地形复杂度最接近法计算同一时间同一地点的预报值,并将预报值发送至动态集成模块;
S130,动态集成装置接收综合预报装置和地形复杂度最接近格点预报装置发送的预报值,并计算动态集成预报值。
在步骤S110中,综合预报装置包括:
数据采集模块,用于采集历史检验参数;
最近格点预报模块,用于根据历史检验参数通过最近格点抽取法计算预报值,将该预报值发送至动态集成装置;
距离反平方内插预报模块,用于根据历史检验参数通过距离反平方内插法计算预报值,并将该预报值发送至动态集成装置;
地形高度最接近格点预报模块,用于根据历史检验参数通过地形高度最接近法计算预报值,并将该预报值发送至动态集成装置。
实施例
本实施例于2017年4月河南省输电线路附近典型地面自动站逐小时加密观测资料,包括温度、风速、湿度等气象要素;通过9km分辨率逐小时预报数据,包括最近格点预报、最近4点距离反平方内插预报、地形高度最接近格点预报及地形复杂度最接近格点预报,每个站选取对应的24小时预报。本文分析时均为世界时。
表1为筛选的河南省4个典型气象站。
表1
方法效果验证方法如下。
主要分析四种常用的统计降尺度方案以及基于这四种方案的动态集成方案,四种常用的统计降尺度方案主要包括:最近格点抽取法、距离反平方内插法、地形高度最接近法以及地形复杂度最接近法。本次动态集成方案检验参数的计算过程中,集成方案预报值的大小为不同预报方法的预报值与此预报方法在集成预报中所占权重的乘积之和;对于权重的计算,主要依据预报值与观测值的绝对误差,即检验参数,采取动态滚动预报的方法,即此时次权重的求解采用之前历史时次的检验参数,本文中不同预报时次的检验参数分别采用1天、3天、7天前对应时次的检验参数,预报时次发生改变,对应的历史检验参数随之滚动改变,而不是基于某固定时次建立不变的模型,即本次动态集成方案的滚动样本分别为1天、3天及7天,其中1天滚动实验中权重的计算过程中的分母即为前一天的检验参数,3天、7天的滚动实验中权重计算过程中的分母分别采取3天、7天的检验参数的平均值。结合9km分辨率逐小时预报数据以及气象站观测数据,提取完整的2017年4月8日—30日的观测及预报数据,考虑到动态集成方案种滚动样本最长达7天,因此预报效果检验时段为4月15日—30日。
结果分析如下。
以2017年4月河南省A、B、C、D四个气象站为例,验证以上四种预报方案及三种动态集成方案的预报效果,下面分别是四个气象站的风速、温度、湿度三种气象要素于4月15日—30日(共16天)的日平均检验参数的分布情况。
风速预报结果分析如表2到表5所示,表2到表5分别为A站风速预报检验结果、B站风速预报检验结果、C站风速预报检验结果和D站风速预报检验结果。
表2
表3
表4
表5
结合风速在四个站点的不同预报方法的结果检验发现,对于地势平坦的A(表2)站,动态集成模型检验误差整体较低,有效的提高了预报结果的准确率,其中滚动样本最短的(滚动样本=1天,下同)模型的预报效果最好,其次为内插法与地形复杂度最接近的预报方案;对于地势起伏的B站(表3),同样是滚动样本最短的动态集成方案预报效果最佳,但地形复杂度最接近法与插值法效果明显变差;随着地形复杂度的提升至丘陵C站(表4),滚动样本为1天的集成方案的预报效果仍保持最佳,内插法效果明显提升,但地形高度最近预报方法效果很差;至地形最复杂的山地D站(表5),整体预报误差明显提高,预报效果变差,除了预报较好的动态集成方案,内插法与地形复杂度最接近方法的预报效果整体偏好。
因此,动态集成预报方法有效提高了风速的预报准确率,其中滚动样本最短的集成方案效果最佳;对于普通的降尺度预报方法,地形复杂度最接近与插值法对风速的预报效果偏好,尤其是插值法随地形复杂度的提升效果越来越好,但预报误差也随地形复杂度的抬升明显增大。
温度预报结果分析如表6至9,表6到表9分别为A站温度预报结果、B站温度预报结果、C站温度预报结果和D站温度预报结果。
表6
表7
表8
表9
结合温度在四个站点的不同预报方法的结果检验发现,对于地势平坦的A站(表6),温度检验误差偏小,几种初始预报方法的预报效果大体一致,但动态集成模型有效的提高了预报结果的准确率,其中滚动样本为1天的集成方案的预报效果整体较好;对于地势起伏的B站(表7),同样是滚动样本为1天的动态集成方案效果最好,最近格点法与高度最近格点法的预报效果明显变好,但整体预报误差相比A明显升高;随着地形复杂度的提升,至丘陵C站(表8)及山地D站(表9),滚动样本为1天的动态集成预报仍保持较好的预报结果,最近格点与高度最近格点的预报结果检验整体较好,相比之下,插值法预报效果较差,可见插值法对温度预报结果准确率的提升作用较差,地形复杂度最接近预报方法的预报效果不稳定,不建议参考。
因此,滚动样本最短的动态集成模型可有效提高温度预报结果的准备率,除了集成方案,最近格点与高度最近格点预报方案对温度的预报效果整体偏好。
湿度预报结果分析如表10至13,表10到表13分别为A站湿度预报结果、B站湿度预报结果、C站湿度预报结果和D站湿度预报结果。
表10
表11
表12
表13
结合湿度在A、B、C、D四个站点的不同预报方法的结果检验(表10—表13)发现,对于不同地形的气象站,滚动样本为1天的动态集成方案的预报误差整体较小,明显提高了预报的准确率,相比滚动样本为3天及7天的集成模型的效果一般;而对于四种不同的降尺度预报方法,这四种预报方法时好时坏,效果不稳定,可见这四种预报方法对湿度的预报效果一般;并且随着地形复杂度的增加,湿度的预报误差明显增加,即预报效果越来越差。
表14为2017年4月7种预报方法平均检验参数结果。
表14
结合7种预报方法的总平均检验误差分布(表14),可以明显看出,动态集成预报方法的准确度与其它4种方法相比,均得到有效提高,尤其是滚动样本长度最短的动态集成模型预报效果最好。同理分析这7种预报方法处理得到月平均检验误差,得到的结果与前面的结论相吻合,可见动态集成方案也同样适用于降低逐小时预报误差。
分别利用最近格点抽取法、最近4点距离反平方内插法、地形高度最接近法以及地形复杂度最接近法、以及基于这四种降尺度方法进行滚动样本分别1天、3天、7天的动态集成方案共7种方法对9km分辨率逐小时预报数据及自动站观测数据进行检验误差处理,探讨了这7种预报方案对河南省输电线路四个不同地形特征气象站的风速、温度及湿度的预报结果的影响,得到的主要结论如下:
多方法融合的输电线路气象要素降尺度分析方法有效提高了风速、温度、湿度这三种预报要素的准确率,尤其是滚动样本长度最短的动态集成方案,明显提升了预报结果的准确率及稳定性;
除了对不同气象要素预报效果较好的动态集成方案外,对于风速,内插法及地形复杂度最接近法的预报效果也不错,随着地形复杂度的提升,内插法的预报准确率得以提高,而地形复杂度最接近法则表现为短暂降低后又立即提升的预报效果;对于温度,最近格点抽取法与地形高度最近法的预报效果较好,可见地理位置及地形高度对温度的影响较大;对于湿度,这几种预报方法预报效果大体一致,可见地理位置及地形特征对湿度的影响较小;
随着地形复杂度的提升,预报误差均表现为一定程度的升高,预报效果逐渐变差,且地形高度最接近法及地形复杂度最接近法对地形复杂的气象站点的预报效果偏好。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种多方法融合的输电线路气象要素降尺度分析系统,其特征在于,包括:
综合预报装置,用于计算综合预报值,并将所述预报值发送至动态集成模块;
地形复杂度最接近格点预报装置,用于通过地形复杂度最接近法计算预报值,并将所述预报值发送至动态集成模块;
动态集成装置,用于接收所述综合预报装置和所述地形复杂度最接近格点预报装置发送的预报值,并计算动态集成预报值。
2.根据权利要求1所述的多方法融合的输电线路气象要素降尺度分析系统,其特征在于,所述综合预报装置包括:
数据采集模块,用于采集历史检验参数;
最近格点预报模块,用于根据所述历史检验参数通过最近格点抽取法计算预报值,将所述预报值发送至动态集成装置;
距离反平方内插预报模块,用于根据所述历史检验参数通过距离反平方内插法计算预报值,并将所述预报值发送至动态集成装置;
地形高度最接近格点预报模块,用于根据所述历史检验参数通过地形高度最接近法计算预报值,并将所述预报值发送至动态集成装置。
3.根据权利要求1所述的多方法融合的输电线路气象要素降尺度分析系统,其特征在于,所述综合预报装置包括:
数据采集模块,用于采集历史检验参数;
最近格点预报模块,用于根据所述历史检验参数通过最近格点抽取法计算预报值,并将所述预报值发送至综合预报值计算模块;
距离反平方内插预报模块,用于根据所述历史检验参数通过距离反平方内插法计算预报值,并将所述预报值发送至综合预报值计算模块;
地形高度最接近格点预报模块,用于根据所述历史检验参数通过地形高度最接近法计算预报值,并将所述地形高度预报值发送至综合预报值计算模块;
综合预报值计算模块,用于接收所述最近格点预报模块、所述距离反平方内插预报模块和所述地形高度最接近格点预报模块发送的预报值,以计算综合预报值,并将所述综合预报值发送至动态集成装置。
4.根据权利要求2所述的多方法融合的输电线路气象要素降尺度分析系统,其特征在于,在所述最近格点预报模块中,输电线路每一个网格节点的最邻点值作为输电线路点位值。
5.根据权利要求4所述的多方法融合的输电线路气象要素降尺度分析系统,其特征在于,在所述距离反平方内插预报模块中,输电线路点位值的计算公式如下:
<mrow>
<mi>Z</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mfrac>
<mfrac>
<msub>
<mi>Z</mi>
<mi>i</mi>
</msub>
<msubsup>
<mi>d</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
</mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<mfrac>
<mn>1</mn>
<msubsup>
<mi>d</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
</mfrac>
</mrow>
</mfrac>
</mrow>
其中,n为样点数目,Zi为第i点的样点值,di为第i个样点到插值点的距离,Z为待估值。
6.根据权利要求5所述的多方法融合的输电线路气象要素降尺度分析系统,其特征在于,在所述地形高度最接近格点预报模块中,计算输电线路点位与所在的数值预报格点4个节点的海拔高度距离差,选择距离差最小的节点预报值来代表该输电线路点位的预报值。
7.根据权利要求6所述的多方法融合的输电线路气象要素降尺度分析系统,其特征在于,在所述地形复杂度最接近格点预报模块中,以输电线路为中心划定特定区域,通过以下公式进行计算地形复杂度:
γ=Zmax-Zmin
其中,γ为地形复杂度,Zmax、Zmin分别为方形区域中海拔高度的最高值与最低值。
8.根据权利要求7所述的多方法融合的输电线路气象要素降尺度分析系统,其特征在于,在所述动态集成装置中,通过以下公式计算所述动态集成预报值:
<mrow>
<msub>
<mi>Y</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
</mrow>
</msub>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>4</mn>
</munderover>
<msub>
<mi>Y</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>&times;</mo>
<msub>
<mi>W</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>W</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mi>AE</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mrow>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mi>AE</mi>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mi>AE</mi>
<mrow>
<mn>2</mn>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>+</mo>
<mo>...</mo>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mi>AE</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
</mfrac>
</mrow>
AEk,j=|Yk,j-Oj|
其中,Yj为第j时次的动态集成预报值,Yk,j为第k种预报方法在第j时次的预报值,Wk,j为第k种预报方法第j时次的权重,AEk,j为第j时次第k种预报方法的预报值与相应时次观测值的绝对误差,即第j时次第k种预报方法的检验参数,Oj为第j时次的观测值。
9.一种多方法融合的输电线路气象要素降尺度分析方法,其特征在于,包括:
S110,综合预报装置计算同一时间同一地点的综合预报值,并将所述综合预报值发送至动态集成模块;
S120,地形复杂度最接近格点预报装置通过地形复杂度最接近法计算同一时间同一地点的预报值,并将所述预报值发送至动态集成模块;
S130,动态集成装置接收所述综合预报装置和所述地形复杂度最接近格点预报装置发送的预报值,并计算动态集成预报值。
10.根据权利要求9所述的多方法融合的输电线路气象要素降尺度分析系统,其特征在于,在步骤S110中,综合预报装置包括:
数据采集模块,用于采集历史检验参数;
最近格点预报模块,用于根据所述历史检验参数通过最近格点抽取法计算预报值,将所述预报值发送至动态集成装置;
距离反平方内插预报模块,用于根据所述历史检验参数通过距离反平方内插法计算预报值,并将所述预报值发送至动态集成装置;
地形高度最接近格点预报模块,用于根据所述历史检验参数通过地形高度最接近法计算预报值,并将所述预报值发送至动态集成装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710787964.9A CN107688906B (zh) | 2017-09-04 | 2017-09-04 | 多方法融合的输电线路气象要素降尺度分析系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710787964.9A CN107688906B (zh) | 2017-09-04 | 2017-09-04 | 多方法融合的输电线路气象要素降尺度分析系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107688906A true CN107688906A (zh) | 2018-02-13 |
CN107688906B CN107688906B (zh) | 2021-11-09 |
Family
ID=61155034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710787964.9A Active CN107688906B (zh) | 2017-09-04 | 2017-09-04 | 多方法融合的输电线路气象要素降尺度分析系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107688906B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109060133A (zh) * | 2018-05-31 | 2018-12-21 | 北京师范大学 | 遥感地表温度降尺度算法 |
CN110058329A (zh) * | 2019-04-22 | 2019-07-26 | 山东省气象科学研究所 | 一种气象要素智能网格预报产品空间降尺度方法 |
CN110619605A (zh) * | 2019-09-17 | 2019-12-27 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 并行气象要素降尺度方法、装置、电子设备及存储介质 |
CN112149365A (zh) * | 2020-09-29 | 2020-12-29 | 华能新能源股份有限公司 | 一种微尺度风模型系统及方法 |
EP3761213A1 (en) | 2019-07-02 | 2021-01-06 | Shanghai Typhoon Institute, CMA | A wind field dynamic downscaling method based on aerodynamic parameters of simplified terrain |
CN113176622A (zh) * | 2021-03-16 | 2021-07-27 | 北京玖天气象科技有限公司 | 针对累积曝辐量的逐小时太阳辐射时间降尺度方法 |
CN113176420A (zh) * | 2021-02-08 | 2021-07-27 | 国网北京市电力公司 | 一种针对电网杆塔点的风速预报订正系统 |
CN113313290A (zh) * | 2021-05-06 | 2021-08-27 | 国网河南省电力公司电力科学研究院 | 一种基于动力降尺度的电网区域气象预报方法 |
CN115826095A (zh) * | 2022-11-01 | 2023-03-21 | 江西省气象台(江西省环境预报中心) | 地面气温预报方法、系统、终端及存储介质 |
CN116244964A (zh) * | 2023-03-27 | 2023-06-09 | 国网河南省电力公司电力科学研究院 | 基于数值模拟和svd模型的配电网大风灾害停电预报方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254239A (zh) * | 2011-06-01 | 2011-11-23 | 福建省电力有限公司 | 基于微地形风场分布及台风叠加效应的电网风灾预警系统 |
CN102628876A (zh) * | 2012-02-13 | 2012-08-08 | 甘肃省电力公司风电技术中心 | 一种包含上下游效应实时监测的超短期预测方法 |
CN103914737A (zh) * | 2014-02-10 | 2014-07-09 | 南京南瑞集团公司 | 一种输变电线路全线路现地气象信息计算方法 |
CN104537450A (zh) * | 2015-01-28 | 2015-04-22 | 国家电网公司 | 一种分布式光伏发电系统的功率预测系统 |
CN104615811A (zh) * | 2015-01-23 | 2015-05-13 | 云南电网有限责任公司 | 一种输电线路冰冻气象风险等级分布图测绘方法 |
CN104701841A (zh) * | 2015-03-20 | 2015-06-10 | 国家电网公司 | 一种智能电网用户侧能源信息感知方法 |
CN106295896A (zh) * | 2016-08-15 | 2017-01-04 | 国网新疆电力公司电力科学研究院 | 结合遥感地形信息的中微尺度电网风害预警方法 |
-
2017
- 2017-09-04 CN CN201710787964.9A patent/CN107688906B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254239A (zh) * | 2011-06-01 | 2011-11-23 | 福建省电力有限公司 | 基于微地形风场分布及台风叠加效应的电网风灾预警系统 |
CN102628876A (zh) * | 2012-02-13 | 2012-08-08 | 甘肃省电力公司风电技术中心 | 一种包含上下游效应实时监测的超短期预测方法 |
CN103914737A (zh) * | 2014-02-10 | 2014-07-09 | 南京南瑞集团公司 | 一种输变电线路全线路现地气象信息计算方法 |
CN104615811A (zh) * | 2015-01-23 | 2015-05-13 | 云南电网有限责任公司 | 一种输电线路冰冻气象风险等级分布图测绘方法 |
CN104537450A (zh) * | 2015-01-28 | 2015-04-22 | 国家电网公司 | 一种分布式光伏发电系统的功率预测系统 |
CN104701841A (zh) * | 2015-03-20 | 2015-06-10 | 国家电网公司 | 一种智能电网用户侧能源信息感知方法 |
CN106295896A (zh) * | 2016-08-15 | 2017-01-04 | 国网新疆电力公司电力科学研究院 | 结合遥感地形信息的中微尺度电网风害预警方法 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109060133B (zh) * | 2018-05-31 | 2020-06-05 | 北京师范大学 | 遥感地表温度降尺度算法 |
CN109060133A (zh) * | 2018-05-31 | 2018-12-21 | 北京师范大学 | 遥感地表温度降尺度算法 |
CN110058329A (zh) * | 2019-04-22 | 2019-07-26 | 山东省气象科学研究所 | 一种气象要素智能网格预报产品空间降尺度方法 |
CN110058329B (zh) * | 2019-04-22 | 2020-12-22 | 山东省气象科学研究所 | 一种气象要素智能网格预报产品空间降尺度方法 |
EP3761213A1 (en) | 2019-07-02 | 2021-01-06 | Shanghai Typhoon Institute, CMA | A wind field dynamic downscaling method based on aerodynamic parameters of simplified terrain |
CN110619605B (zh) * | 2019-09-17 | 2022-12-20 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 并行气象要素降尺度方法、装置、电子设备及存储介质 |
CN110619605A (zh) * | 2019-09-17 | 2019-12-27 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 并行气象要素降尺度方法、装置、电子设备及存储介质 |
CN112149365A (zh) * | 2020-09-29 | 2020-12-29 | 华能新能源股份有限公司 | 一种微尺度风模型系统及方法 |
CN112149365B (zh) * | 2020-09-29 | 2023-06-30 | 华能新能源股份有限公司 | 一种微尺度风模型系统及方法 |
CN113176420A (zh) * | 2021-02-08 | 2021-07-27 | 国网北京市电力公司 | 一种针对电网杆塔点的风速预报订正系统 |
CN113176420B (zh) * | 2021-02-08 | 2024-03-12 | 国网北京市电力公司 | 一种针对电网杆塔点的风速预报订正系统 |
CN113176622A (zh) * | 2021-03-16 | 2021-07-27 | 北京玖天气象科技有限公司 | 针对累积曝辐量的逐小时太阳辐射时间降尺度方法 |
CN113313290A (zh) * | 2021-05-06 | 2021-08-27 | 国网河南省电力公司电力科学研究院 | 一种基于动力降尺度的电网区域气象预报方法 |
CN115826095A (zh) * | 2022-11-01 | 2023-03-21 | 江西省气象台(江西省环境预报中心) | 地面气温预报方法、系统、终端及存储介质 |
CN115826095B (zh) * | 2022-11-01 | 2023-11-28 | 江西省气象台(江西省环境预报中心) | 地面气温预报方法、系统、终端及存储介质 |
CN116244964A (zh) * | 2023-03-27 | 2023-06-09 | 国网河南省电力公司电力科学研究院 | 基于数值模拟和svd模型的配电网大风灾害停电预报方法 |
CN116244964B (zh) * | 2023-03-27 | 2023-10-24 | 国网河南省电力公司电力科学研究院 | 基于数值模拟和svd模型的配电网大风灾害停电预报方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107688906B (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107688906A (zh) | 多方法融合的输电线路气象要素降尺度分析系统及方法 | |
US11333796B2 (en) | Spatial autocorrelation machine learning-based downscaling method and system of satellite precipitation data | |
CN112905560B (zh) | 一种多源时空大数据深度融合的空气污染预测方法 | |
CN106529081A (zh) | 一种基于神经网络的pm2.5实时等级预测方法和系统 | |
Pawlowska et al. | An observational study of drizzle formation in stratocumulus clouds for general circulation model (GCM) parameterizations | |
Bates et al. | Bayesian updating of flood inundation likelihoods conditioned on flood extent data | |
Mccreight et al. | Modeling bulk density and snow water equivalent using daily snow depth observations. | |
CN105243435B (zh) | 一种基于深度学习元胞自动机模型的土壤含水量预测方法 | |
CN110533631A (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
CN106404620A (zh) | 地统计插值与卫星遥感联合反演地面pm2.5的方法及系统 | |
CN110471131B (zh) | 高空间分辨率的精细化大气水平能见度自动预报方法及系统 | |
Lai et al. | Variational assimilation of remotely sensed flood extents using a 2-D flood model | |
Lanfredi et al. | A geostatistics-assisted approach to the deterministic approximation of climate data | |
CN103020733B (zh) | 一种基于权重的机场单航班噪声预测方法及其系统 | |
Mahoney et al. | Continental-scale canopy height modeling by integrating national, spaceborne, and airborne LiDAR data | |
CN103745489A (zh) | 一种基于压缩感知建立基站信号场强地图的方法 | |
CN110059972B (zh) | 基于泛函深度信念网络的日太阳辐射资源评估方法 | |
CN115630577A (zh) | 一种降尺度降雨量预测方法及系统 | |
Şahin et al. | A new spatial prediction model and its application to wind records | |
Karamouz et al. | Soil moisture data: From using citizen science to satellite technology | |
Perne et al. | Handling big datasets in Gaussian processes for statistical wind vector prediction | |
İçağa et al. | Comparative analysis of different interpolation methods in modeling spatial distribution of monthly precipitation | |
Walstad et al. | Data assimilation for coastal observing systems | |
Shahbazi et al. | Grid source event-based seismic hazard assessment of Iran | |
Young et al. | Initialization and Setup of the Coastal Model Test Bed: CSHORE |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |