CN110019167A - 一种中长期新能源资源资料库构建方法及系统 - Google Patents
一种中长期新能源资源资料库构建方法及系统 Download PDFInfo
- Publication number
- CN110019167A CN110019167A CN201711430404.4A CN201711430404A CN110019167A CN 110019167 A CN110019167 A CN 110019167A CN 201711430404 A CN201711430404 A CN 201711430404A CN 110019167 A CN110019167 A CN 110019167A
- Authority
- CN
- China
- Prior art keywords
- data
- source
- meteorological
- time scales
- climatic
- 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.)
- Pending
Links
- 230000007774 longterm Effects 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000009411 base construction Methods 0.000 title claims abstract description 12
- 238000004088 simulation Methods 0.000 claims abstract description 58
- 238000005516 engineering process Methods 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 230000010354 integration Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 35
- 230000002123 temporal effect Effects 0.000 claims description 34
- 238000001914 filtration Methods 0.000 claims description 30
- 238000010276 construction Methods 0.000 claims description 21
- 238000003908 quality control method Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 18
- 238000013480 data collection Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000002955 isolation Methods 0.000 claims description 7
- 230000008520 organization Effects 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 238000001556 precipitation Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 239000012141 concentrate Substances 0.000 claims description 5
- 238000013500 data storage Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 230000008676 import Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 12
- 238000009826 distribution Methods 0.000 abstract description 4
- 238000007726 management method Methods 0.000 description 16
- 238000011160 research Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007418 data mining Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241001365789 Oenanthe crocata Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012950 reanalysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种中长期新能源资源资料库构建方法及系统，基于预先构建的多源气象数据同化资料库与再分析资料库进行气候数据模拟，生成气候模拟数据集；对所述气候模拟数据集按预先设定的分类尺度整合生成中长期新能源资源资料库。本发明以发明基于多源数据再分析技术的中长期新能源资源资料库构建方法，用于预测新能源资源中长期分布情况，支撑新能源大规模开发，避免大量弃风弃光的现象发生。
Description
技术领域
本发明涉及新能源发电领域，具体涉及一种中长期新能源资源资料库构建方法及系统。
背景技术
风电、光伏等新能源以风能、太阳能资源作为原动力，形成新能源资源资料库是掌握新能源运行特性、做好新能源消纳和管理的基础，但目前新能源资源资料库还未建立、分析评价工作开展不够深入，弃风弃光现象频繁发生，从而对新能源运行管理造成一定影响。
科学评估资源状况已成为目前新能源运行管理中亟需完善的重要环节，只有科学评估新能源开发区尤其是限电区域的资源水平，形成中长期新能源资源资料库，并结合小时数，才能发现新能源调度运行存在的主要问题，为技术发展和管理政策制定提供支撑。
适用于新能源运行管理的资源资料库不同于新能源开发前期的资源资料库，前者主要关注长时间尺度(10年以上)下资源水平的相对变化，如风速年际变化、季节变化、同比变化、环比变化等，后者关注新能源开发场址代表年资源总量，存在极大差异。新能源运行管理的资源评估要求对新能源资源的长时期时序变化过程进行较为精确模拟，从而形成适用于新能源运行管理的资源资料库，目前商业化的资源评估软件均难以满足要求。
基于上述为了满足常规资源评估要求的研究，仍存在以下不足：首先，常规资源评估得到的均是多年平均值，无法获得中长期基于时序变化的时刻、月度、年际等资源评估数据，不能支撑新能源调度管理的需要；其次，如何利用新能源场站及气象部门历史观测数据，基于中尺度模式开展气候模拟分析技术研究，实现中长期资源精细化管理，还需开展深入研究；最后，国内外的研究未能形成体系化的数据或资料库，很难系统化掌握新能源的时空分布特性，不利于新能源大规模开发及并网。
发明内容
为解决不能利用新能源场站及气象部门观测数据，基于中尺度模式开展气候模拟分析技术研究，实现中长期资源精细化管理的问题，本发明的目的是提供一种中长期新能源资源资料库构建方法及系统，本发明以发明基于多源数据再分析技术的中长期新能源资源资料库构建方法，用于预测新能源资源中长期分布情况，支撑新能源大规模开发，避免大量弃风弃光的现象发生。
本发明的目的是采用下述技术方案实现的：
本发明提供一种中长期新能源资源资料库构建方法，其改进之处在于：
基于预先构建的多源气象数据同化资料库与再分析资料库进行气候数据模拟，生成气候模拟数据集；
对所述气候模拟数据集按预先设定的分类尺度整合生成中长期新能源资源资料库。
进一步地：所述预先构建的多源气象数据同化资料库，包括：
获取多源气象数据构建多源气象数据库，所述多源气象数据库包括多源气象观测数据集；
对所述多源气象数据库进行处理，生成多源气象数据同化资料库。
进一步地：所述对所述多源气象数据库进行处理，生成多源气象数据同化资料库，包括：
对所述多源气象数据库进行统一格式化处理；
对统一格式化处理后的多源气象数据库进行数据质量控制。
进一步地：所述统一格式化处理包括：对所述多源气象数据库中的不同数据按照预设格式进行识别，对于符合所述预设格式的数据直接入库；否则将数据按照预设格式进行转换后入库；
将统一格式化处理后的所述多源气象数据库中的数据按照时间分辨率导入相应的多源气象数据库。
进一步地：所述对统一格式化处理后的多源气象数据库进行数据质量控制包括：
将多源气象数据库中气象要素低于设定阈值的数据以及单位时间内数据变化率超过设定阈值或无变化的数据中的异常数据进行剔除；
对多源气象数据库中气象要素的文件命名、数据文件、数据分层、要素表达、数据格式、数据组织、数据存储介质、原始数据的完整性与正确性进行检查并完善缺失数据。
进一步地：所述基于预先构建的多源气象数据同化资料库与再分析资料库进行气候数据模拟，生成气候模拟数据集，包括：
采用气候再分析技术对预先构建的多源气象数据同化资料库及再分析资料库的气象数据进行处理，生成高时空分辨率多时间尺度气候模拟数据集；
对所述高时空分辨率多时间尺度气候数据集进行统计订正。
进一步地：所述采用气候再分析技术对预先构建的多源气象数据同化资料库及再分析资料库的气象数据进行处理，生成高时空分辨率多时间尺度气候数据集，包括：
构建不同时间尺度的天气类型库：
对所述不同时间尺度的天气类型库的气象要素变化特征进行优化；
采用气候再分析技术对优化后的不同时间尺度的天气类型库进行模拟生成气象数据集。
进一步地：所述构建不同时间尺度的天气类型库，包括：采用自组织映射方法，在多源气象观测资料集中识别天气类型气象要素变化特征，并划分不同天气类型，最终形成不同时间尺度的天气类型库。
进一步地：所述对所述不同时间尺度的天气类型库的参数进行优化，包括：采用统计方法将所述不同时间尺度的天气类型库的气象要素变化特征优化为适用于新能源资源评估的参数化方案。
进一步地：所述采用气候再分析技术对优化后的不同时间尺度的天气类型库进行气象数据模拟，包括：通过环流尺度动力降尺度分离技术，结合环流形势场与再分析场保持一致的前提，在时间尺度上进行动力降尺度，模拟生成高时空分辨率多时间尺度的气候模拟数据集。
进一步地：所述对所述高时空分辨率多时间尺度气候数据集进行统计订正，包括：
采用卡尔曼滤波法对高时空分辨率多时间尺度气候数据进行统计订正。
进一步地：所述采用卡尔曼滤波法对高时空分辨率多时间尺度气候数据进行统计订正包括：
计算卡尔曼滤波系统中的状态向量、量测值和预报因子矩阵；
根据状态向量、量测值和预报因子矩阵计算卡尔曼滤波的递推方程组。
进一步地：所述卡尔曼滤波系统中的状态向量、量测向量的表达式分别如下所示：
βt＝Φt-1βt-1+ωt-1
Yt＝Xtβt+vt
式中，βt＝[β1,β2,β3,…,βm]T t为回归系数，为卡尔曼滤波系统中的状态向量；Φ为状态转移矩阵；ω为输入噪声；Yt为t时刻的量测值；v是状态测噪声；Yt＝[y1,y2,y3,…,yn]T t；Xt为预报因子矩阵：
当Φ为单位矩阵，卡尔曼滤波的简化态方程为：
βt＝βt-1+vt-1
卡尔曼滤波的递推方程组如下：
Yt＝Xtβt-1
Rt＝Ct-1+W
βt＝βt-1+At(Yt-Yt)
式中：Yt为t时刻的预报值，Rt为βt-1外推值的误差方差阵，Ct-1为βt-1滤波值的误差方差阵，W和V分别为输入噪声和测量噪声的方差阵，σt是预报误差方差阵，为预报因子Xt的转置矩阵，At为增益矩阵，是σt的逆矩阵。
进一步地：所述对所述气候模拟数据集生成多时间尺度的中长期新能源资源资料库，包括：
提取评估资源量需要的气象要素，所述气象要素包括风速、太阳辐照度、温度、降水和风向；
根据气象要素与评估资源量之间的数学关系，利用数据库工具构建多时间尺度的中长期新能源资源资料库。
进一步地：所述多源气象观测数据集包括：新能源场站气象数据、国际交换站平台气象数据、气象部门获得的数据以及中分辨率成像光谱仪MODIS卫星数据。
进一步地：所述多源气象数据为历史10年、20年或30年的数据作为中长期数据。
本发明还提供一种中长期新能源资源资料库构建系统，其改进之处在于：
第一生成模块，用于基于预先构建的多源气象数据同化资料库与再分析资料库进行气候数据模拟，生成气候模拟数据集；
第二生成模块，用于对所述气候模拟数据集按预先设定的分类尺度整合生成中长期新能源资源资料库。
进一步地：还包括：构建模块，用于预先构建多源气象数据同化资料库。
进一步地：所述构建模块包括：
建立子模块，用于获取多源气象数据构建多源气象数据库，所述多源气象数据库包括多源气象观测数据集；
处理子模块，用于对所述多源气象数据库进行处理，生成多源气象数据同化资料库。
进一步地：所述处理子模块包括：
预处理单元，用于对所述多源气象数据库进行统一格式化处理；
质量控制单元，用于对统一格式化处理后的多源气象数据库进行数据质量控制。
进一步地：所述统一格式化处理单元包括：
识别子单元，用于对所述多源气象数据库中的不同数据按照预设格式进行识别，对于符合所述预设格式的数据直接入库；否则将数据按照预设格式进行转换后入库；
入库子单元，用于将统一格式化处理后的所述多源气象数据库中的数据按照时间分辨率导入相应的多源气象数据库。
进一步地：所述质量控制单元包括：
剔除子单元，用于将多源气象数据库中气象要素低于设定阈值的数据以及单位时间内数据变化率超过设定阈值或无变化的数据中的异常数据进行剔除；
完善子单元，用于对多源气象数据库中气象要素的文件命名、数据文件、数据分层、要素表达、数据格式、数据组织、数据存储介质、原始数据的完整性与正确性进行检查并完善缺失数据。
进一步地：所述第一生成模块，包括：
形成子模块，用于采用气候再分析技术对预先构建的多源气象数据同化资料库及再分析资料库的气象数据进行处理，生成高时空分辨率多时间尺度气候数据集；
统计订正子模块，用于对所述高时空分辨率多时间尺度气候数据集进行统计订正。
进一步地：所述形成子模块，包括：
构建单元，用于构建不同时间尺度的天气类型库：
优化单元，用于对所述不同时间尺度的天气类型库的参数进行优化；
模拟单元，用于采用气候再分析技术对优化后的不同时间尺度的天气类型库进行模拟生成气象数据集。
进一步地：所述构建单元，包括：
识别子单元，用于采用自组织映射方法，在多源气象观测资料集中识别天气类型气象要素变化特征；
形成子单元，用于划分不同天气类型，最终形成不同时间尺度的天气类型库。
进一步地：所述优化单元，还用于：采用统计方法将所述不同时间尺度的天气类型库的气象要素变化特征优化为适用于新能源资源评估的参数化方案。
进一步地：所述模拟单元，还用于：
通过环流尺度动力降尺度分离技术，结合环流形势场与再分析场保持一致的前提，在时间尺度上进行动力降尺度，模拟生成高时空分辨率多时间尺度的气候模拟数据集。
进一步地：所述统计订正子模块，还用于：
采用卡尔曼滤波法对高时空分辨率多时间尺度气候数据进行统计订正。
进一步地：第二生成模块，包括：
提取子模块，用于提取评估资源量需要的气象要素，所述气象要素包括风速、太阳辐照度、温度、降水和风向；
形成子模块，用于根据气象要素与评估资源量之间的数学关系，利用数据库工具构建多时间尺度的中长期新能源资源资料库。
与最接近的现有技术相比，本发明提供的技术方案具有的有益效果是：
本发明基于预先构建的多源气象数据同化资料库与再分析资料库进行气候数据模拟，生成气候模拟数据集；对所述气候模拟数据集按预先设定的分类尺度整合生成中长期新能源资源资料库。本发明利用新能源场站及气象部门观测数据，以气候再分析技术为基础，融合多源气象观测资料与再分析资料，基于中尺度模式开展气候模拟分析技术研究，实现中长期新能源资源资料库的构建，实现中长期资源精细化管理。
所述中长期新能源资源资料库用于预测新能源资源中长期分布情况，支撑新能源大规模开发，避免大量弃风弃光的现象发生。
随着新能源大规模开发与并网，资源评估与管理地位更加重要。对新能源储量的准确掌握是新能源合理开发的前提与保障。构建新能源资源资料库又是新能源管理的重要科学依据，影响新能源调度运行。与现有资源评估研究相比，本方法融合新能源场站测风测光、国际交换站、气象基准站等数据，将气候再分析技术引入新能源评估研究，搭建中长期新能源资源评估平台，实现新能源资源中长期评估，系统性构建了中长期新能源资源资料库。从长远看，可以使新能源开发更加合理化，支撑新能源并网与调度，进而提高新能源消纳能力。
附图说明
图1是本发明提供的中长期新能源资源资料库构建方法的简易流程图
图2是本发明提供的中长期新能源资源资料库构建方法的详细流程图；
图3是本发明提供的中长期新能源资源资料库构建系统的结构图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的组件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本文中，本发明的这些实施方案可以被单独地或总地用术语“发明”来表示，这仅仅是为了方便，并且如果事实上公开了超过一个的发明，不是要自动地限制该应用的范围为任何单个发明或发明构思。
实施例一、
本发明提出一种基于多源数据再分析技术的中长期新能源资源资料库构建方法，整体技术路线如图1和2所示，包含4个步骤：
第一步：获取传统气象数据(常规气象站、卫星数据等)与新能源气象数据(测风数据、测光数据)；获取全球时空分辨率较粗的FNL、CFSR、MERRA气候再分析数据。构建适用于气候再分析技术的多源输入数据集。
(1)多源数据库构建
本方法利用观测数据在气候数值模拟中进行资料同化，利用新能源场站装有的气象装置，获得RWD格式的新能源场站风、辐照度等资源历史监测数据；利用世界气象组织(WMO)国际交换站平台，获得过去10年各类气象要素的监测数据；通过气象部门获得常规气象站、天气雷达数据和风云卫星数据；根据本研究团队建立的卫星接收装置，获得MODIS卫星数据。将观测数据与大气状态的变量建立相关数值分析，从而产生满足物理平衡的全球性、区域性或局地性的模式网格资料；再分析资料用于驱动中尺度-气候模式，通过美国大气研究中心(NCAR)与美国宇航局(NASA)，获得时空分辨率相对较粗Climate ForecastSystem Reanalysis(CFSR)、Final Operational Global Analysis(FNL)和Modem-EraRetrospective Analysis for Research and Applications(MERRA)再分析资料。基于上述两类数据构建多源的新能源中长期评估输入数据资料集。
第二步：对气象数据的格式、连续性等进行识别，进行数据预处理，将其转换为ASCII文本数据；从时间、空间、逻辑等维度不同来源的气象数据进行质量控制，剔除异常数据，完善缺失数据，建立多源气象数据同化资料库
(2)观测数据集预处理
数据预处理目的是为了将非结构化的气象数据结构化，是资源数据库建立的的前提条件。本设计目的是为了将所有格式数据变为高性能计算机可识别的ASCII文本格式数据，数据预处理分为三个部分：
①对多源气象数据库中的不同数据进行格式识别，默认可入库的数据格式为ASCII格式。如果数据格式为ASCII文本格式数据，可直接导入数据库进行质量控制，否则，需要选取处理方法(特征要素提取、数据反演等)进行预处理。
②通过预处理将数据转化为ASCII文本数据，根据来源不同分别导入新能源场站数据库、常规气象数据库、国际交换站数据库等，形成统一格式化的多源数据库。
③由于不同来源数据的时间分辨率不同，根据多源气象数据的生成频率，实现自动入库，预处理程序并行计算，提高数据的处理效率。
(3)同化资料库质量控制
数据质量控制是对数据进行不同方式的检查与排除，确保数据在格式、形式和属性方面无错入库。主要从逻辑性、时间连续性、空间一致性等方面进行数据质量控制。
①逻辑一致性检查
基于数据之间相互关联、相互校验的原则，统计分析同一和不同气象要素之间的关系。将低于阈值的数据判定为可疑数据，再通过物理分析(如露点温度<空气温度等)，最终确定数据是否为异常数据。
②时间连续性检查
不同气象监测数据在连续时间范围内会有一定规律性的变化。若单位时间内数据变化率过大或者无变化，系统会视该时间点的数据为可疑数据，再经与历史监测数据库比对，确定是否为异常数据。
③空间一致性
基于下垫面数据集、输电线路杆塔坐标信息等空间地理信息，结合GIS平台与卫星图片进行空间地理位置的修正与数据的校验。
④完整性与正确性检查
检查内容包括文件命名、数据文件、数据分层、要素表达、数据格式、数据组织、数据存储介质、原始数据等的完整性与正确性。
⑤基于数据挖掘的关联匹配检查
该方法突破传统质量控制的局限性，基于数据挖掘的思想，利用Apriori算法生成频繁项集，通过频繁项集产生关联规则，如气温-0.5℃时，相对湿度一般在35～40％左右，建立气象数据规则库；将入库的气象数据集与挖掘出的规则库中每条规则进行匹配，判断数据是否异常。
第二步：采用卡尔曼滤波、支持向量机、BP神经网络、统计非线性回归等方法进行气候数值模拟的结果，包括辐照度、风速、温度、降水等影响资源评估的关键要素。生成高精度高时空分辨率气候模拟数据集：
利用气候数值分析技术及优化方法，基于动力环流尺度分离技术，进行近10年、20年、30年等不同时间尺度的气候数值模拟。
①不同天气类型的数据库的构建
基于第一步构建的多年多源气象观测资料集，采用自组织映射方法，识别各种天气类型气象要素变化特征，划分不同天气类型，形成不同时间尺度的天气类型库。
②适用于新能源资源评估的参数化方案的优化
针对不同微物理参数采用统计方法构建模拟参数库，结合不同天气类型，利用高性能计算集群筛选出适用于新能源资源评估的参数化方案(利用统计方法随机组合，生成不同的模型参数库，不断与实测数据对比筛选最优)。
③基于气候再分析技术的模拟数据集
采用环流尺度动力降尺度分离技术，在保证环流形势场与再分析场保持一致的前提下，时空上进行动力降尺度，模拟生成高时空分辨率近10年、20年、30年等气候数据集(用现有的气候模式耦合中尺度数值天气模式，借助高性能计算机群实现)。
统计订正
为实现精准的新能源资源中长期资料库，气候模拟的统计订正至关重要。本发明采用卡尔曼滤波、支持向量机、BP神经网络、统计非线性回归等方法进行气候数值模拟的结果二次统计订正，包括辐照度、风速、温度、降水等影响资源评估的关键要素。生成高精度高时空分辨率气候模拟数据集。
采用卡尔曼滤波法进行气候数据模拟统计订正，生成高精度气候模拟数据集；
所述采用卡尔曼滤波订正法进行气候数据模拟统计订正，包括：
计算卡尔曼滤波系统中的状态向量、量测值和预报因子矩阵；
根据状态向量、量测值和预报因子矩阵计算卡尔曼滤波的递推方程组。
进一步地：所述卡尔曼滤波系统中的状态向量、量测向量的表达式分别如下所示：
βt＝Φt-1βt-1+ωt-1
Yt＝Xtβt+vt
式中，βt＝[β1,β2,β3,…,βm]T t为回归系数，为卡尔曼滤波系统中的状态向量；Φ为状态转移矩阵；ω为输入噪声；Yt为t时刻的量测值；v是状态测噪声；Yt＝[y1,y2,y3,…,yn]T t；Xt为预报因子矩阵：
当Φ为单位矩阵，卡尔曼滤波的简化态方程为：
βt＝βt-1+vt-1
卡尔曼滤波的递推方程组如下：
Yt＝Xtβt-1
Rt＝Ct-1+W
βt＝βt-1+At(Yt-Yt)
式中：Yt为t时刻的预报值，Rt为βt-1外推值的误差方差阵，Ct-1为βt-1滤波值的误差方差阵，W和V分别为输入噪声和测量噪声的方差阵，σt是预报误差方差阵，为预报因子Xt的转置矩阵，At为增益矩阵，是σt的逆矩阵。
第四步：根据数学关系，将风速、辐照度转换为风、光资源量，结合MySQL、Oracle数据库工具，构建10年、20年、30年等多时间尺度的中长期新能源资源资料库。
基于前三步生成的高精度高时空分辨率气候模拟数据集，提取评估资源量需要的气象要素，如风速、辐照度、风向等。根据气象要素与资源量之间的数学关系，利用MySQL、Oracle等数据库工具构建10年、20年、30年等多时间尺度的中长期新能源资源资料库。
实施例二、
基于同样的发明构思，本发明还提供一种中长期新能源资源资料库构建系统，如图3所示，所述系统包括：
第一生成模块，用于基于预先构建的多源气象数据同化资料库与再分析资料库进行气候数据模拟，生成气候模拟数据集；
第二生成模块，用于对所述气候模拟数据集按预先设定的分类尺度整合生成中长期新能源资源资料库。
还包括：构建模块，用于预先构建多源气象数据同化资料库。
所述构建模块包括：
建立子模块，用于获取多源气象数据构建多源气象数据库，所述多源气象数据库包括多源气象观测数据集；
处理子模块，用于对所述多源气象数据库进行处理，生成多源气象数据同化资料库。
所述处理子模块包括：
预处理单元，用于对所述多源气象数据库进行统一格式化处理；
质量控制单元，用于对统一格式化处理后的多源气象数据库进行数据质量控制。
所述统一格式化处理单元包括：
识别子单元，用于对所述多源气象数据库中的不同数据按照预设格式进行识别，对于符合所述预设格式的数据直接入库；否则将数据按照预设格式进行转换后入库；
入库子单元，用于将统一格式化处理后的所述多源气象数据库中的数据按照时间分辨率导入相应的多源气象数据库。
所述质量控制单元包括：
剔除子单元，用于将多源气象数据库中气象要素低于设定阈值的数据以及单位时间内数据变化率超过设定阈值或无变化的数据中的异常数据进行剔除；
完善子单元，用于对多源气象数据库中气象要素的文件命名、数据文件、数据分层、要素表达、数据格式、数据组织、数据存储介质、原始数据的完整性与正确性进行检查并完善缺失数据。
所述第一生成模块，包括：
形成子模块，用于采用气候再分析技术对预先构建的多源气象数据同化资料库及再分析资料库的气象数据进行处理，生成高时空分辨率多时间尺度气候数据集；
统计订正子模块，用于对所述高时空分辨率多时间尺度气候数据集进行统计订正。
所述形成子模块，包括：
构建单元，用于构建不同时间尺度的天气类型库：
优化单元，用于对所述不同时间尺度的天气类型库的参数进行优化；
模拟单元，用于采用气候再分析技术对优化后的不同时间尺度的天气类型库进行模拟生成气象数据集。
所述构建单元，包括：
识别子单元，用于采用自组织映射方法，在多源气象观测资料集中识别天气类型气象要素变化特征；
形成子单元，用于划分不同天气类型，最终形成不同时间尺度的天气类型库。
所述优化单元，还用于：采用统计方法将所述不同时间尺度的天气类型库的气象要素变化特征优化为适用于新能源资源评估的参数化方案。
所述模拟单元，还用于：
通过环流尺度动力降尺度分离技术，结合环流形势场与再分析场保持一致的前提，在时间尺度上进行动力降尺度，模拟生成高时空分辨率多时间尺度的气候模拟数据集。
所述统计订正子模块，还用于：
采用卡尔曼滤波法对高时空分辨率多时间尺度气候数据进行统计订正。
第二生成模块，包括：
提取子模块，用于提取评估资源量需要的气象要素，所述气象要素包括风速、太阳辐照度、温度、降水和风向；
形成子模块，用于根据气象要素与评估资源量之间的数学关系，利用数据库工具构建多时间尺度的中长期新能源资源资料库。
本发明主要针对于电力行业新能源资源中长期评估，融合了多源气象观测数据，构建同化资料库；同时气候再分析的输入数据多元化，保证动力降尺度的准确性，实现了跨领域多源数据的融合，充分整合资源，提高数据可利用性；将卡尔曼滤波、数据挖掘思想应用于气候模拟结果统计订正方面，实现大气科学、计算机、数学等多学科交叉融合；利用气候再分析资料动力降尺度技术实现了新能源资源中长期的评估，打破了资源评估在时间尺度上的局限性，为新能源管理提供了有力支撑。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。
Claims (29)
1.一种中长期新能源资源资料库构建方法，其特征在于：
基于预先构建的多源气象数据同化资料库与再分析资料库进行气候数据模拟，生成气候模拟数据集；
对所述气候模拟数据集按预先设定的分类尺度整合生成中长期新能源资源资料库。
2.如权利要求1所述的构建方法，其特征在于：所述预先构建的多源气象数据同化资料库，包括：
获取多源气象数据构建多源气象数据库，所述多源气象数据库包括多源气象观测数据集；
对所述多源气象数据库进行处理，生成多源气象数据同化资料库。
3.如权利要求1所述的构建方法，其特征在于：所述对所述多源气象数据库进行处理，生成多源气象数据同化资料库，包括：
对所述多源气象数据库进行统一格式化处理；
对统一格式化处理后的多源气象数据库进行数据质量控制。
4.如权利要求2所述的构建方法，其特征在于：所述统一格式化处理包括：对所述多源气象数据库中的不同数据按照预设格式进行识别，对于符合所述预设格式的数据直接入库；否则将数据按照预设格式进行转换后入库；
将统一格式化处理后的所述多源气象数据库中的数据按照时间分辨率导入相应的多源气象数据库。
5.如权利要求3所述的构建方法，其特征在于：所述对统一格式化处理后的多源气象数据库进行数据质量控制包括：
将多源气象数据库中气象要素低于设定阈值的数据以及单位时间内数据变化率超过设定阈值或无变化的数据中的异常数据进行剔除；
对多源气象数据库中气象要素的文件命名、数据文件、数据分层、要素表达、数据格式、数据组织、数据存储介质、原始数据的完整性与正确性进行检查并完善缺失数据。
6.如权利要求1所述的构建方法，其特征在于：所述基于预先构建的多源气象数据同化资料库与再分析资料库进行气候数据模拟，生成气候模拟数据集，包括：
采用气候再分析技术对预先构建的多源气象数据同化资料库及再分析资料库的气象数据进行处理，生成高时空分辨率多时间尺度气候模拟数据集；
对所述高时空分辨率多时间尺度气候数据集进行统计订正。
7.如权利要求6所述的构建方法，其特征在于：所述采用气候再分析技术对预先构建的多源气象数据同化资料库及再分析资料库的气象数据进行处理，生成高时空分辨率多时间尺度气候数据集，包括：
构建不同时间尺度的天气类型库：
对所述不同时间尺度的天气类型库的气象要素变化特征进行优化；
采用气候再分析技术对优化后的不同时间尺度的天气类型库进行模拟生成气象数据集。
8.如权利要求7所述的构建方法，其特征在于：所述构建不同时间尺度的天气类型库，包括：采用自组织映射方法，在多源气象观测资料集中识别天气类型气象要素变化特征，并划分不同天气类型，最终形成不同时间尺度的天气类型库。
9.如权利要求7所述的构建方法，其特征在于：所述对所述不同时间尺度的天气类型库的参数进行优化，包括：采用统计方法将所述不同时间尺度的天气类型库的气象要素变化特征优化为适用于新能源资源评估的参数化方案。
10.如权利要求7所述的构建方法，其特征在于：所述采用气候再分析技术对优化后的不同时间尺度的天气类型库进行气象数据模拟，包括：通过环流尺度动力降尺度分离技术，结合环流形势场与再分析场保持一致的前提，在时间尺度上进行动力降尺度，模拟生成高时空分辨率多时间尺度的气候模拟数据集。
11.如权利要求10所述的构建方法，其特征在于：所述对所述高时空分辨率多时间尺度气候数据集进行统计订正，包括：
采用卡尔曼滤波法对高时空分辨率多时间尺度气候数据进行统计订正。
12.如权利要求11所述的构建方法，其特征在于：所述采用卡尔曼滤波法对高时空分辨率多时间尺度气候数据进行统计订正包括：
计算卡尔曼滤波系统中的状态向量、量测值和预报因子矩阵；
根据状态向量、量测值和预报因子矩阵计算卡尔曼滤波的递推方程组。
13.如权利要求12所述的构建方法，其特征在于：所述卡尔曼滤波系统中的状态向量、量测向量的表达式分别如下所示：
βt＝Φt-1βt-1+ωt-1
Yt＝Xtβt+vt
式中，βt＝[β1,β2,β3,…,βm]T t为回归系数，为卡尔曼滤波系统中的状态向量；Φ为状态转移矩阵；ω为输入噪声；Yt为t时刻的量测值；v是状态测噪声；Yt＝[y1,y2,y3,…,yn]T t；Xt为预报因子矩阵：
当Φ为单位矩阵，卡尔曼滤波的简化态方程为：
βt＝βt-1+vt-1
卡尔曼滤波的递推方程组如下：
Yt＝Xtβt-1
Rt＝Ct-1+W
βt＝βt-1+At(Yt-Yt)
式中：Yt为t时刻的预报值，Rt为βt-1外推值的误差方差阵，Ct-1为βt-1滤波值的误差方差阵，W和V分别为输入噪声和测量噪声的方差阵，σt是预报误差方差阵，为预报因子Xt的转置矩阵，At为增益矩阵，是σt的逆矩阵。
14.如权利要求1所述的构建方法，其特征在于：所述对所述气候模拟数据集生成多时间尺度的中长期新能源资源资料库，包括：
提取评估资源量需要的气象要素，所述气象要素包括风速、太阳辐照度、温度、降水和风向；
根据气象要素与评估资源量之间的数学关系，利用数据库工具构建多时间尺度的中长期新能源资源资料库。
15.如权利要求2所述的构建方法，其特征在于：所述多源气象观测数据集包括：新能源场站气象数据、国际交换站平台气象数据、气象部门获得的数据以及中分辨率成像光谱仪MODIS卫星数据。
16.如权利要求1所述的构建方法，其特征在于：所述多源气象数据为历史10年、20年或30年的数据作为中长期数据。
17.一种中长期新能源资源资料库构建系统，其特征在于：
第一生成模块，用于基于预先构建的多源气象数据同化资料库与再分析资料库进行气候数据模拟，生成气候模拟数据集；
第二生成模块，用于对所述气候模拟数据集按预先设定的分类尺度整合生成中长期新能源资源资料库。
18.如权利要求17所述的构建系统，其特征在于：还包括：构建模块，用于预先构建多源气象数据同化资料库。
19.如权利要求17所述的构建系统，其特征在于：所述构建模块包括：
建立子模块，用于获取多源气象数据构建多源气象数据库，所述多源气象数据库包括多源气象观测数据集；
处理子模块，用于对所述多源气象数据库进行处理，生成多源气象数据同化资料库。
20.如权利要求19所述的构建系统，其特征在于：所述处理子模块包括：
预处理单元，用于对所述多源气象数据库进行统一格式化处理；
质量控制单元，用于对统一格式化处理后的多源气象数据库进行数据质量控制。
21.如权利要求20所述的构建系统，其特征在于：所述统一格式化处理单元包括：
识别子单元，用于对所述多源气象数据库中的不同数据按照预设格式进行识别，对于符合所述预设格式的数据直接入库；否则将数据按照预设格式进行转换后入库；
入库子单元，用于将统一格式化处理后的所述多源气象数据库中的数据按照时间分辨率导入相应的多源气象数据库。
22.如权利要求20所述的构建系统，其特征在于：所述质量控制单元包括：
剔除子单元，用于将多源气象数据库中气象要素低于设定阈值的数据以及单位时间内数据变化率超过设定阈值或无变化的数据中的异常数据进行剔除；
完善子单元，用于对多源气象数据库中气象要素的文件命名、数据文件、数据分层、要素表达、数据格式、数据组织、数据存储介质、原始数据的完整性与正确性进行检查并完善缺失数据。
23.如权利要求17所述的构建系统，其特征在于：所述第一生成模块，包括：
形成子模块，用于采用气候再分析技术对预先构建的多源气象数据同化资料库及再分析资料库的气象数据进行处理，生成高时空分辨率多时间尺度气候数据集；
统计订正子模块，用于对所述高时空分辨率多时间尺度气候数据集进行统计订正。
24.如权利要求23所述的构建系统，其特征在于：所述形成子模块，包括：
构建单元，用于构建不同时间尺度的天气类型库：
优化单元，用于对所述不同时间尺度的天气类型库的参数进行优化；
模拟单元，用于采用气候再分析技术对优化后的不同时间尺度的天气类型库进行模拟生成气象数据集。
25.如权利要求24所述的构建系统，其特征在于：所述构建单元，包括：
识别子单元，用于采用自组织映射方法，在多源气象观测资料集中识别天气类型气象要素变化特征；
形成子单元，用于划分不同天气类型，最终形成不同时间尺度的天气类型库。
26.如权利要求24所述的构建系统，其特征在于：所述优化单元，还用于：采用统计方法将所述不同时间尺度的天气类型库的气象要素变化特征优化为适用于新能源资源评估的参数化方案。
27.如权利要求24所述的构建系统，其特征在于：所述模拟单元，还用于：
通过环流尺度动力降尺度分离技术，结合环流形势场与再分析场保持一致的前提，在时间尺度上进行动力降尺度，模拟生成高时空分辨率多时间尺度的气候模拟数据集。
28.如权利要求23所述的构建系统，其特征在于：所述统计订正子模块，还用于：
采用卡尔曼滤波法对高时空分辨率多时间尺度气候数据进行统计订正。
29.如权利要求17所述的构建系统，其特征在于：第二生成模块，包括：
提取子模块，用于提取评估资源量需要的气象要素，所述气象要素包括风速、太阳辐照度、温度、降水和风向；
形成子模块，用于根据气象要素与评估资源量之间的数学关系，利用数据库工具构建多时间尺度的中长期新能源资源资料库。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711430404.4A CN110019167A (zh) | 2017-12-26 | 2017-12-26 | 一种中长期新能源资源资料库构建方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711430404.4A CN110019167A (zh) | 2017-12-26 | 2017-12-26 | 一种中长期新能源资源资料库构建方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110019167A true CN110019167A (zh) | 2019-07-16 |
Family
ID=67186975
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711430404.4A Pending CN110019167A (zh) | 2017-12-26 | 2017-12-26 | 一种中长期新能源资源资料库构建方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110019167A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110544379A (zh) * | 2019-09-10 | 2019-12-06 | 中交城乡建设规划设计研究院有限公司 | 一种基于云存储的车辆限高架非接触式预警系统及方法 |
| CN113177088A (zh) * | 2021-04-02 | 2021-07-27 | 北京科技大学 | 一种材料辐照损伤多尺度模拟大数据管理系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102142027A (zh) * | 2011-02-23 | 2011-08-03 | 南京智尚丰软件有限公司 | 数据整合的适配方法 |
| CN102221714A (zh) * | 2011-03-11 | 2011-10-19 | 钱维宏 | 基于大气变量物理分解的低温雨雪冰冻天气的中期预报系统和方法 |
| CN104951992A (zh) * | 2014-09-04 | 2015-09-30 | 国网山东省电力公司应急管理中心 | 基于gis的电力-气象纵向关联方法及系统 |
| US20160335291A1 (en) * | 2015-05-13 | 2016-11-17 | U.S.A. Represented By The Administrator Of The National Aeronautics And Space Administration | System and method for providing a modern-era retrospective analysis for research and applications (merra) data analytic service |
| CN106383965A (zh) * | 2016-10-13 | 2017-02-08 | 国家卫星气象中心 | 一种三维数值大气可视化支撑系统 |
| KR101736915B1 (ko) * | 2016-03-29 | 2017-05-29 | 한국해양과학기술원 | 기상 수치모델 생산자료의 기상패턴 특징화를 위한 장치 및 방법 |
-
2017
- 2017-12-26 CN CN201711430404.4A patent/CN110019167A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102142027A (zh) * | 2011-02-23 | 2011-08-03 | 南京智尚丰软件有限公司 | 数据整合的适配方法 |
| CN102221714A (zh) * | 2011-03-11 | 2011-10-19 | 钱维宏 | 基于大气变量物理分解的低温雨雪冰冻天气的中期预报系统和方法 |
| CN104951992A (zh) * | 2014-09-04 | 2015-09-30 | 国网山东省电力公司应急管理中心 | 基于gis的电力-气象纵向关联方法及系统 |
| US20160335291A1 (en) * | 2015-05-13 | 2016-11-17 | U.S.A. Represented By The Administrator Of The National Aeronautics And Space Administration | System and method for providing a modern-era retrospective analysis for research and applications (merra) data analytic service |
| KR101736915B1 (ko) * | 2016-03-29 | 2017-05-29 | 한국해양과학기술원 | 기상 수치모델 생산자료의 기상패턴 특징화를 위한 장치 및 방법 |
| CN106383965A (zh) * | 2016-10-13 | 2017-02-08 | 国家卫星气象中心 | 一种三维数值大气可视化支撑系统 |
Non-Patent Citations (1)
| Title |
|---|
| 孙稚权等: "基于ERA-interim资料中国近海风能资源时空分布", 《海洋预报》, vol. 33, no. 3, 30 June 2016 (2016-06-30), pages 51 - 54 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110544379A (zh) * | 2019-09-10 | 2019-12-06 | 中交城乡建设规划设计研究院有限公司 | 一种基于云存储的车辆限高架非接触式预警系统及方法 |
| CN110544379B (zh) * | 2019-09-10 | 2021-01-15 | 中交城乡建设规划设计研究院有限公司 | 一种基于云存储的车辆限高架非接触式预警系统及方法 |
| CN113177088A (zh) * | 2021-04-02 | 2021-07-27 | 北京科技大学 | 一种材料辐照损伤多尺度模拟大数据管理系统 |
| CN113177088B (zh) * | 2021-04-02 | 2023-07-04 | 北京科技大学 | 一种材料辐照损伤多尺度模拟大数据管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Machine learning for solar irradiance forecasting of photovoltaic system | |
| CN110457829B (zh) | 一种基于集成大气扩散模型的源项释放反演和扩散预测方法 | |
| CN112308292B (zh) | 一种火灾风险等级分布图的绘制方法 | |
| Carneiro et al. | Review on photovoltaic power and solar resource forecasting: current status and trends | |
| Goliatt et al. | Development of a hybrid computational intelligent model for daily global solar radiation prediction | |
| CN105243435A (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 | |
| CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
| CN103336995A (zh) | 一种百万千瓦级光伏发电基地实时测光网络的构建方法 | |
| 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 | |
| CN113011455A (zh) | 一种空气质量预测svm模型构建方法 | |
| Espinosa-Gavira et al. | Cloud motion estimation from small-scale irradiance sensor networks: General analysis and proposal of a new method | |
| CN114895380A (zh) | 一种太阳辐射预测方法、装置、设备和介质 | |
| CN110019167A (zh) | 一种中长期新能源资源资料库构建方法及系统 | |
| Tehrani et al. | Predicting solar radiation in the urban area: A data-driven analysis for sustainable city planning using artificial neural networking | |
| Wolff et al. | Selection of numerical weather forecast features for PV power predictions with random forests | |
| CN115965102A (zh) | 一种碳排放时空大数据的定位和计算方法及系统 | |
| Rojas-Campos et al. | Postprocessing of NWP precipitation forecasts using deep learning | |
| CN117114176A (zh) | 基于数据分析和机器学习的土地利用变化预测方法及系统 | |
| CN116822185A (zh) | 基于hasm的日降水数据空间模拟方法和系统 | |
| CN115983478A (zh) | 分布式光伏发电功率预测分析方法、系统、终端及介质 | |
| CN110059972A (zh) | 基于泛函深度信念网络的日太阳辐射资源评估方法 | |
| Cho et al. | Application of Parallel ANN-PSO to Hourly Solar PV Estimation | |
| CN112784477A (zh) | 一种基于WRF-LES和BP-PSO-Bagging相结合的风功率预测方法 | |
| CN113919533A (zh) | 一种基于人工智能的空气质量溯源预报方法 | |
| Yuzer et al. | Instant solar irradiation forecasting for solar power plants using different ANN algorithms and network models |
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 |