CN107784165B - 基于光伏电站的地表温度场多尺度资料同化方法 - Google Patents
基于光伏电站的地表温度场多尺度资料同化方法 Download PDFInfo
- Publication number
- CN107784165B CN107784165B CN201710907134.5A CN201710907134A CN107784165B CN 107784165 B CN107784165 B CN 107784165B CN 201710907134 A CN201710907134 A CN 201710907134A CN 107784165 B CN107784165 B CN 107784165B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic power
- power station
- data
- latitude
- formula
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种基于光伏电站测量数据的地表温度场多尺度资料同化方法,首先基于DBSCAN聚类算法对光伏电站测量点进行聚类,根据聚类结果建立温度场多尺度网格,最后对多尺度网格进行资料同化,获得温度场多尺度资料同化结果。本发明所提方法可以避免一般资料同化方法中固定网格分辨率导致计算精度与计算效率无法兼顾的问题,提高电力行业自主进行数值天气预报计算的精度;利用电力行业易获得的光伏气象站数据,根据光伏电站分布情况建立多尺度网格,在光伏电站附近区域内获得高分辨率资料同化结果,提高电力行业自主进行数值天气预报计算的精确度。
Description
技术领域
本发明涉及数值天气预报资料同化技术领域,尤其涉及一种基于光伏电站的地表温度场多尺度资料同化方法。
背景技术
资料同化是通过模式预报和观测的统计结合得到大气初始场的过程,是数值天气预报的关键技术。在光伏功率预测建模中,温度的预报准确度是影响光伏发电功率预测精确度的重要因素,因此需要研究高分辨率与高精度的区域光伏电站温度预报方法。另外,电力行业可以充分利用光伏电站中气象站采集的气象数据,建立专用于光伏电站的温度资料同化方法,提高自行搭建数值天气预报平台的温度预报精度。
通过对现有技术的文献检索发现,风云三号A星大气探测资料数据在欧洲中期天气预报中心的初步评价和同化研究(陆其峰.风云三号A星大气探测资料数据在欧洲中期天气预报中心的初步评价和同化研究[J].中国科学:地球科学,41(7):890-894)使用了风云三号A星的测试数据进行了预报试验,并通过预报技巧考核表明了将FY-3A资料应用于我国数值天气预报系统具有良好的可行性。WRF模式在南京数值天气预报中的应用(周鹏,常兰,李鹏,等. WRF模式在南京数值天气预报中的应用[J].气象科学,31(5):598-603)通过GFS的全球预报场获得数值天气预报所需的初始及边界气象资料,进行了连续8天的天气预报,统计结果也表明0到24h平均温度预测结果和实况基本一致。天气预报有限差分格点模式并行计算研究(朱小谦,张卫民,宋君强. 天气预报有限差分格点模式并行计算研究[J].计算机工程与科学,26(4):48-50)介绍了MM5中尺度数值天气预报模式,通过对母域和嵌套域的计算网格进行剖分,划分出逻辑计算单元分布到各处理机,可以实现中尺度的高分辨率数值天气预报。然而以上文献提出的数值天气预报方法主要利用卫星气象数据,电力行业难以获得相关数据,且上述方法普适性较强,范围较大,未针对光伏电站区域提供更高精度与分辨率的预报结果,难以直接应用于电力行业自主搭建数值天气预报预报平台中。
针对以上的不足,本发明提出一种基于光伏电站测量数据的地表温度场多尺度资料同化方法,利用电力行业易获得的光伏气象站数据,根据光伏电站分布情况建立多尺度网格,在光伏电站附近区域内获得高分辨率资料同化结果,提高电力行业自主进行数值天气预报计算的精确度。
因此,现有技术还有待于改进和发展。
发明内容
本发明的目的在于提供一种基于光伏电站的地表温度场多尺度资料同化方法,旨在解决现有数值天气预报方法主要利用卫星气象数据,卫星气象数据无法应用于电力行业,以及难以直接应用于电力行业自主搭建数值天气预报预报平台中的技术问题。
本发明的技术方案如下:一种基于光伏电站的地表温度场多尺度资料同化方法,其包括以下步骤:
(1)通过电网调度部门的光伏电站监控系统采集光伏电站经纬度信息,并通过各光伏电站向电网上报的监控数据获得各光伏电站温度测量点的采样值,得到数据样本;
(2)通过高性能计算机将采集到的各光伏电站测量点经纬度信息进行DBSCAN聚类,实现测量点的自动分类;
(3)根据步骤(2)中的聚类结果,对得到的每一个DBSCAN聚类集设定嵌套网格边界;
(4)根据网格内样本数,通过高性能计算机计算嵌套网格分辨率;
(5)求取用于最优插值计算的统计权值矩阵;
(6)使用最优插值法计算得出分析场值。
所述的基于光伏电站的地表温度场多尺度资料同化方法,其中,所述步骤(2)中DBSCAN聚类的具体方法为:
(1)根据采集的光伏组件位置信息对聚类参数进行初始化;
(2)选取数据集合中任意未分析的位置坐标样本p,根据p邻域中样本的数目筛选出核心对象形成新聚类Ci,并将样本邻域中所有数据计入新的待检查类N;
(3)选取N中任意坐标对象q,若q满足核心对象条件,则将q计入类Ci,将q邻域中所有点计入类N,若q为非核心对象,则将q计入类Ci,重复选取直到N为空集,完成一个类的划分;
(4)选取数据集合中其他任意未分析的位置信息样本,重复上述方法开始另一个新类的划分,直到所有坐标点均完成分析。
所述的基于光伏电站的地表温度场多尺度资料同化方法,其中,所述的聚类参数初始化的公式为:
其中,Minpts表示核心对象邻域内最小样本数,可通过上述公式得到;Eps表示核心对象邻域最大半径,可通过上述公式得到;Dmax为同一个光伏电站内组件间的最大距离,可通过电网光伏电站监控系统获得。
所述的基于光伏电站的地表温度场多尺度资料同化方法,其中,所述的核心对象筛选标准为:位置坐标样本p邻域中的样本满足以下公式:
所述的计及容量可信度的光伏电站优化规划方法,其中,所述步骤(3)确定嵌套网格边界的具体公式为:
其中λ max、λ min、φ max与φ min分别表示网格边界的最大经度、最小经度、最大纬度与最小纬度,通过上述计算公式获得;l max 、l min 、m max 与m min 分别为光伏电站内所有测量点与光伏组件中的最大经度值、最小经度值、最大纬度值与最小纬度值,可通过测量点经纬度信息直接获得;k l 与k m 分别为经向放大系数与纬向放大系数,通常均取1.1。
所述的基于光伏电站的地表温度场多尺度资料同化方法,其中,所述步骤(4)确定嵌套网格分辨率的具体公式为:
所述的基于光伏电站的地表温度场多尺度资料同化方法,其中,所述步骤(5)计算统计权值矩阵W的具体公式为:
其中,H为观测算子H的微分算子;B为背景场误差协方差矩阵,为已知量;R为观测误差协方差矩阵,为已知量;上标T与-1分别为矩阵转置算子与矩阵求逆算子。
本发明的有益效果:本发明一种基于光伏电站测量数据的地表温度场多尺度资料同化方法,利用电力行业易获得的光伏气象站数据,根据光伏电站分布情况建立多尺度网格,在光伏电站附近区域内获得高分辨率资料同化结果,提高电力行业自主进行数值天气预报计算的精确度。本发明充分利用光伏电站的温度测量信息,建立分辨率与测量点的分布相匹配的嵌套网格并进行资料同化,有效提高温度分析场的精度,同时保证了计算效率;同时还避免一般资料同化方法中固定网格分辨率导致计算精度与计算效率无法兼顾的问题,提高电力行业自主进行数值天气预报计算的精度。
附图说明
图1为本发明的步骤框图。
图2为资料同化流程图。
图3为DBSCAN算法流程图。
图4为光伏电站位置信息。
图5为区域温度场网格划分的结果。
图6为温度预报值结果。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。
如图1所示,本发明公开了一种基于光伏电站的地表温度场多尺度资料同化方法,其包括以下步骤:
(1)通过电网调度部门的光伏电站监控系统采集光伏电站经纬度信息,并通过各光伏电站向电网上报的监控数据获得各光伏电站温度测量点的采样值,得到数据样本;
(2)通过高性能计算机将采集到的各光伏电站测量点经纬度信息进行DBSCAN聚类,实现测量点的自动分类;
(3)根据步骤(2)中的聚类结果,对得到的每一个DBSCAN聚类集设定嵌套网格边界;
(4)根据网格内样本数,通过高性能计算机计算嵌套网格分辨率;
(5)求取用于最优插值计算的统计权值矩阵;
(6)使用最优插值法计算得出分析场值。
上述的DBSCAN聚类;其中DBSCAN的英文为:Density-Based Spatial Clusteringof Applications with Noise;DBSCAN聚类是一个比较有代表性的基于密度的聚类算法。与划分和层次聚类方法不同,它将簇定义为密度相连的点的最大集合,能够把具有足够高密度的区域划分为簇,并可在噪声的空间数据库中发现任意形状的聚类。
进一步说,所述步骤(2)中DBSCAN聚类的具体方法为:
(1)根据采集的光伏组件位置信息对聚类参数进行初始化;
(2)选取数据集合中任意未分析的位置坐标样本p,根据p邻域中样本的数目筛选出核心对象形成新聚类Ci,并将样本邻域中所有数据计入新的待检查类N;
(3)选取N中任意坐标对象q,若q满足核心对象条件,则将q计入类Ci,将q邻域中所有点计入类N,若q为非核心对象,则将q计入类Ci,重复选取直到N为空集,完成一个类的划分;
(4)选取数据集合中其他任意未分析的位置信息样本,重复上述方法开始另一个新类的划分,直到所有坐标点均完成分析。
进一步说,所述的聚类参数初始化的公式为:
其中,Minpts表示核心对象邻域内最小样本数,可通过上述公式得到;Eps表示核心对象邻域最大半径,可通过上述公式得到;Dmax为同一个光伏电站内组件间的最大距离,可通过电网光伏电站监控系统获得。
进一步说,所述的核心对象筛选标准为:位置坐标样本p邻域中的样本满足以下公式:
进一步说,所述步骤(3)确定嵌套网格边界的具体公式为:
其中λ max、λ min、φ max与φ min分别表示网格边界的最大经度、最小经度、最大纬度与最小纬度,通过上述计算公式获得;l max 、l min 、m max 与m min 分别为光伏电站内所有测量点与光伏组件中的最大经度值、最小经度值、最大纬度值与最小纬度值,可通过测量点经纬度信息直接获得;k l 与k m 分别为经向放大系数与纬向放大系数,通常均取1.1。
进一步说,所述步骤(4)确定嵌套网格分辨率的具体公式为:
进一步说,所述步骤(5)计算统计权值矩阵W的具体公式为:
其中,H为观测算子H的微分算子;B为背景场误差协方差矩阵,为已知量;R为观测误差协方差矩阵,为已知量;上标T与-1分别为矩阵转置算子与矩阵求逆算子。
本发明一种基于光伏电站测量数据的地表温度场多尺度资料同化方法,利用电力行业易获得的光伏气象站数据,根据光伏电站分布情况建立多尺度网格,在光伏电站附近区域内获得高分辨率资料同化结果,提高电力行业自主进行数值天气预报计算的精确度。本发明充分利用光伏电站的温度测量信息,建立分辨率与测量点的分布相匹配的嵌套网格并进行资料同化,有效提高温度分析场的精度,同时保证了计算效率;同时还避免一般资料同化方法中固定网格分辨率导致计算精度与计算效率无法兼顾的问题,提高电力行业自主进行数值天气预报计算的精度。
本发明的资料同化流程图如图2所示。首先,对聚类参数初始化,然后进行DBSCAN聚类,再确定嵌套网格边界;其次,选取嵌套网格分辨率;再进行最优插值权值计算;最后,得到最优插值。
本发明具体的方法为:
第一步,采集光伏电站的经纬度信息,对光伏电站温度测量点数据进行采样,得到数据样本。
第二步,将采集到的各光伏电站测量点经纬度信息进行DBSCAN(Density-BasedSpatial Clustering of Applications with Noise)聚类,DBSCAN聚类的算法流程图如图3所示,通过选取未分析的样本点p,通过其邻域的样本数目确定其是否为核心对象,若其为核心对象,则将p计入新类C i ,将其邻域点计入待检测类N;判断N中的点是否为核心对象,将满足核心对象条件的点q计入C i ,并将q邻域中的点更新至N中,将非核心对象计入C i ,直到N为空集,完成一个类的划分;然后选取其余未分析的样本点,重复上述步骤直到所有点均完成分析。
第三步:对得到的每一个聚类C i 划分网格边界,计算得到每一个类网格的最大经度、最小经度λ max、λ min,最大纬度与最小纬度φ max与φ min。
第五步:求取用于分析场值最优插值计算的统计权值矩阵W。
第六步:使用最优插值计算得出气象要素分析场x a 。
具体则以中国某地区4座光伏电站(A、B、C、D)的测量数据作为算例,电站坐标信息如图4所示;A的经纬度为:109.9E,20.2N;B的经纬度为:110.5E,20.2N;C的经纬度为:110.0E,21.8N;D的经纬度为:117.1E,23.6N。选取某时刻的A、C、D电站的数据与温度背景场数据,分别计算未经资料同化得到的温度背景场与经温度场多尺度资料同化方法得到的温度分析场,并通过美国国家气象中心免费WRF模式(Weather Research and ForecastingModel,一种天气预报模式)对数值天气预报进行降解计算,对未来6小时的地表温度场进行预报,并以B电站同一时刻的实测数据作为验证样本,验证温度预报精度。4个光伏的聚类结果与各聚类集的网格划分结果如图5所示。未使用资料同化与使用本发明资料同化方法的预测结果比对如图6所示。
由图5可知:DBSCAN聚类算法将所有数据分成4类,分别与A、B、C、D四个电站相对应,聚类样本数与电站样本数相同,可见聚类效果良好,且无须事先确定聚类数目。同时,建立的温度场多尺度格划分网格可有效将每个光伏电站区域网格自动按聚类样本数进行划分,保证划分网格数与分辨率与数据样本适配。
由图6可知:经光伏电站温度测量数据资料同化后的数值天气预报的温度预报场均方根误差低于未使用光伏电站温度测量数据资料同化的温度预报场,预测效果更好。
从附图6中可以得知,未经资料同化的温度预报值得精确与资料同化后温度预报值相比,资料同化后温度预报值与实测温度相差的误差更小;由此可以确认本发明充分利用光伏电站的温度测量信息,建立分辨率与测量点的分布相匹配的嵌套网格并进行资料同化,有效提高温度分析场的精度,同时保证了计算效率。
算例结果验证了本发明能够提高电力行业自主进行数值天气预报计算的精度。
以上对本发明所提供的一种基于光伏电站测量数据的地表温度场多尺度资料同化方法进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种基于光伏电站的地表温度场多尺度资料同化方法,其特征在于,包括以下步骤:
(1)通过电网调度部门的光伏电站监控系统采集光伏电站经纬度信息,并通过各光伏电站向电网上报的监控数据获得各光伏电站温度测量点的采样值,得到数据样本;
(2)通过高性能计算机将采集到的各光伏电站测量点经纬度信息进行DBSCAN聚类,实现测量点的自动分类;
(3)根据步骤(2)中的聚类结果,对得到的每一个DBSCAN聚类集设定嵌套网格边界;
(4)根据网格内样本数,通过高性能计算机计算嵌套网格分辨率;
(5)求取用于最优插值计算的统计权值矩阵;
(6)使用最优插值法计算得出分析场值;
所述步骤(3)确定嵌套网格边界的具体公式为:
其中、、与分别表示网格边界的最大经度、最小经度、最大纬度与最小纬度,通过上述计算公式获得;l max 、l min 、m max 与m min 分别为光伏电站内所有测量点与光伏组件中的最大经度值、最小经度值、最大纬度值与最小纬度值,可通过测量点经纬度信息直接获得;k l 与k m 分别为经向放大系数与纬向放大系数,均取1.1;
所述步骤(4)确定嵌套网格分辨率的具体公式为:
所述步骤(5)计算统计权值矩阵W的具体公式为:
其中,H为观测算子H的微分算子;B为背景场误差协方差矩阵,为已知量;R为观测误差协方差矩阵,为已知量;上标T与-1分别为矩阵转置算子与矩阵求逆算子;
所述步骤(6)最优插值法的具体步骤为:对某一点格点p与测量点q,计算气象要素分析场在格点p上的值为:
2.根据权利要求1所述的基于光伏电站的地表温度场多尺度资料同化方法,其特征在于,所述步骤(2)中DBSCAN聚类的具体方法为:
(1)根据采集的光伏组件位置信息对聚类参数进行初始化;
(2)选取数据集合中任意未分析的位置坐标样本p,根据p邻域中样本的数目筛选出核心对象形成新聚类Ci,并将样本邻域中所有数据计入新的待检查类N;
(3)选取N中任意坐标对象q,若q满足核心对象条件,则将q计入类Ci,将q邻域中所有点计入类N,若q为非核心对象,则将q计入类Ci,重复选取直到N为空集,完成一个类的划分;
(4)选取数据集合中其他任意未分析的位置信息样本,重复上述方法开始另一个新类的划分,直到所有坐标点均完成分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710907134.5A CN107784165B (zh) | 2017-09-29 | 2017-09-29 | 基于光伏电站的地表温度场多尺度资料同化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710907134.5A CN107784165B (zh) | 2017-09-29 | 2017-09-29 | 基于光伏电站的地表温度场多尺度资料同化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107784165A CN107784165A (zh) | 2018-03-09 |
CN107784165B true CN107784165B (zh) | 2021-07-09 |
Family
ID=61434314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710907134.5A Active CN107784165B (zh) | 2017-09-29 | 2017-09-29 | 基于光伏电站的地表温度场多尺度资料同化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107784165B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446243B (zh) * | 2018-11-30 | 2022-03-01 | 国网冀北电力有限公司承德供电公司 | 一种基于大数据分析检测光伏电站发电异常的方法 |
CN109933877B (zh) * | 2019-03-04 | 2022-08-12 | 哈尔滨工程大学 | 代数多重网格三维变分数据同化方法 |
CN110245692B (zh) * | 2019-05-27 | 2022-03-18 | 南京信息工程大学 | 一种用于集合数值天气预报成员的层次聚类方法 |
CN110555616B (zh) * | 2019-09-05 | 2021-12-14 | 中国气象局广州热带海洋气象研究所 | 一种数值天气模式同化系统的稠密观测资料优化调度方法 |
CN110765644B (zh) * | 2019-11-06 | 2022-02-22 | 兰州大学 | 一种风云四号卫星闪电成像仪资料同化方法 |
CN113110177B (zh) * | 2021-04-15 | 2024-03-19 | 远景智能国际私人投资有限公司 | 光伏电站的监控方法、监控设备及监控系统 |
CN116912459B (zh) * | 2023-09-13 | 2023-12-19 | 中国海洋大学 | 一种变网格多尺度混合式资料同化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512760A (zh) * | 2015-12-04 | 2016-04-20 | 北京国电通网络技术有限公司 | 基于神经网络的光伏电站发电量的计算方法及系统 |
CN105576650A (zh) * | 2015-12-29 | 2016-05-11 | 北京国能日新系统控制技术有限公司 | 基于同化技术与同风带理论的风电功率预测方法及系统 |
CN105698809A (zh) * | 2016-03-06 | 2016-06-22 | 王涛 | 太阳能光伏电站远程管理测控系统 |
CN106650784A (zh) * | 2016-11-04 | 2017-05-10 | 许继集团有限公司 | 一种基于特征聚类比较的光伏电站功率预测方法及装置 |
CN107192759A (zh) * | 2017-06-09 | 2017-09-22 | 湖南大学 | 一种基于感应光热辐射的光伏电池无损检测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110041894A1 (en) * | 2009-08-24 | 2011-02-24 | Liao Henry H | Method and Apparatus to Lower Cost Per Watt with Concentrated Linear Solar Panel |
-
2017
- 2017-09-29 CN CN201710907134.5A patent/CN107784165B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512760A (zh) * | 2015-12-04 | 2016-04-20 | 北京国电通网络技术有限公司 | 基于神经网络的光伏电站发电量的计算方法及系统 |
CN105576650A (zh) * | 2015-12-29 | 2016-05-11 | 北京国能日新系统控制技术有限公司 | 基于同化技术与同风带理论的风电功率预测方法及系统 |
CN105698809A (zh) * | 2016-03-06 | 2016-06-22 | 王涛 | 太阳能光伏电站远程管理测控系统 |
CN106650784A (zh) * | 2016-11-04 | 2017-05-10 | 许继集团有限公司 | 一种基于特征聚类比较的光伏电站功率预测方法及装置 |
CN107192759A (zh) * | 2017-06-09 | 2017-09-22 | 湖南大学 | 一种基于感应光热辐射的光伏电池无损检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
一种光伏电站逆变器综合评估方法;李春来;《太阳能》;20160831(第8期);第37-41页 * |
基于纳米流体的光伏热联用装置及其理论分析;罗朋等;《可再生能源》;20160531;第34卷(第5期);第633-638页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107784165A (zh) | 2018-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107784165B (zh) | 基于光伏电站的地表温度场多尺度资料同化方法 | |
CN110264709B (zh) | 基于图卷积网络的道路的交通流量的预测方法 | |
CN106257948B (zh) | 一种流域降水监测无线传感器网络节点优化布局方法 | |
Dai et al. | A scheme for rain gauge network design based on remotely sensed rainfall measurements | |
CN104298841A (zh) | 一种基于历史数据的洪水预报方法和系统 | |
CN104040378B (zh) | 气象预测装置以及气象预测方法 | |
CN109858687B (zh) | 一种基于物流需求的大尺度条件下物流通道规划方法 | |
CN112990976A (zh) | 基于开源数据挖掘的商业网点选址方法、系统、设备及介质 | |
CN108764527B (zh) | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 | |
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 | |
CN105868443A (zh) | 一种微地形微气象要素场的构建方法 | |
CN110889196B (zh) | 基于水质模型的水环境承载力评估方法、装置及存储介质 | |
Sahu et al. | Density-based spatial clustering of application with noise approach for regionalisation and its effect on hierarchical clustering | |
CN117332291B (zh) | 一种面向分布式光伏的区域资源监测布局方法及系统 | |
CN104794335A (zh) | 一种通用多级空间抽样方法 | |
CN110689055A (zh) | 一种顾及格网单元属性分级的跨尺度统计指标空间化方法 | |
Tyralis et al. | Merging satellite and gauge-measured precipitation using LightGBM with an emphasis on extreme quantiles | |
CN110442836A (zh) | 风电场短期风速预测方法及系统 | |
Bakış et al. | Analysis and comparison of spatial rainfall distribution applying different interpolation methods in Porsuk river basin, Turkey | |
CN110019167A (zh) | 一种中长期新能源资源资料库构建方法及系统 | |
CN101271495A (zh) | 高效能空间抽样调查三明治模型方法 | |
CN112580899A (zh) | 一种融合机器学习模型的中长期风力发电预测方法及系统 | |
Yang et al. | Effect of observation network design on meteorological forecasts of Asian dust events | |
Lytle et al. | Analyzing future extreme floods for the Mississippi River Basin | |
Shashikanth et al. | Fine resolution Indian summer monsoon rainfall projection with statistical downscaling |
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 |