CN110727916B - 一种大规模海域风能长期预测方法及系统 - Google Patents

一种大规模海域风能长期预测方法及系统 Download PDF

Info

Publication number
CN110727916B
CN110727916B CN201910768687.6A CN201910768687A CN110727916B CN 110727916 B CN110727916 B CN 110727916B CN 201910768687 A CN201910768687 A CN 201910768687A CN 110727916 B CN110727916 B CN 110727916B
Authority
CN
China
Prior art keywords
wind energy
time
space
energy density
term
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
Application number
CN201910768687.6A
Other languages
English (en)
Other versions
CN110727916A (zh
Inventor
胡泓达
钟凯文
许剑辉
吴萍昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Institute of Geography of GDAS
Original Assignee
Guangzhou Institute of Geography of GDAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Institute of Geography of GDAS filed Critical Guangzhou Institute of Geography of GDAS
Priority to CN201910768687.6A priority Critical patent/CN110727916B/zh
Publication of CN110727916A publication Critical patent/CN110727916A/zh
Application granted granted Critical
Publication of CN110727916B publication Critical patent/CN110727916B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Mathematical Analysis (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Wind Motors (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种大规模海域风能长期预测方法及系统，本发明通过利用CCMP海面风场资料计算得到海洋风能密度格网数据，分析识别影响海洋风能分布的时不变参量(海水深度、离岸距离等)，以及与海洋风能滞后相关的时变参量(海表温度、海浪高度等)，综合考虑海洋风能分布的时空自相关性以及海洋风能与辅助参量的时空异质性关系，提出基于时空回归克里金的海洋风能长期预测方法，基于该方法和相应的历史格网数据实现月度、季节及年度等多时间尺度上的大规模海域风能空间分布格局变化的精确预测。

Description

一种大规模海域风能长期预测方法及系统
技术领域
本发明涉及风能预测领域，具体涉及一种大规模海域风能长期预测方法及系统。
背景技术
海洋风能储量丰富、分布广泛、可利用时间长等特质使其成为有望大规模发展的清洁可再生能源之一。海洋风能内在的不确定性和间断性给海上风电系统运作与发展带来挑战。而海洋风能预测可辅助实现风力发电机制的平衡优化及容量规划，是应对上述挑战的重要途径之一。已有的自回归滑动平均、人工神经网络以及支持向量机等模型主要关注于风能的短时(日、小时、分钟)预测。但海洋风能的长期(月度、季节、年度)预测对于海上风电场规划具有显著意义。因此，研究海洋风能长期预测方法很有必要。大部分已有研究关注于浮标或海岛等离散站点上的海面风速或风能预测，普遍忽略了海面风场内在的时空自相关性。而且通过离散观测数据很难去全面地理解海面风场时空特征
已有的自回归滑动平均、人工神经网络以及支持向量机等模型主要关注于风能的短时(日、小时、分钟)预测。但是海洋风能的长期(月度、季节、年度)预测对于海上风电场的中远期规划与发展具有显著意义。获取精确的海洋风能长期预测结果十分困难，考虑到预测精度，为短时预测设计的方法也不一定适用于长期预测。因此，研究实现专门用于海洋风能长期预测的方法很有必要。
大部分传统研究关注于浮标或海岛等离散观测站点上的海面风速或海洋风能预测。但这些研究普遍忽略了海洋风能分布内在的时空自相关性信息，并且通过离散观测数据很难去全面地理解海面风场时空特征。目前仍然没有方法能够同时利用海洋风能密度的时空自相关性以及辅助参量对海洋风能分布的影响信息来进行大规模海域的风能长期预测。
发明内容
针对现阶段缺乏可用于大规模海域风能长期预测模型的现状，本发明提供一种大规模海域风能长期预测方法及系统，以实现的大规模海域风能长期预测。
为实现上述目的，本发明的技术方案是：
第一方面，本发明实施例提供一种大规模海域风能长期预测方法，包括：
获取CCMP海面风场资料，以计算得到海洋风能密度格网数据；
结合多源辅助参量格网数据以及所述海洋风能密度格网数据来进行相关性分析，以识别影响海洋风能分布的时不变辅助参量以及与海洋风能滞后相关的时变参量，构建预测模型；
对所述预测模型采用时空地理加权回归法来表达海洋风能密度与辅助参量所存在的时空异质性关系，实现海洋风能密度趋势项预测；
通过对去除时空趋势的海洋风能密度残差部分的计算分析，构建时空协方差函数表达海洋风能密度随机项的时空自相关结构；
利用时空简单克里金进行海洋风能密度随机项的预测，与海洋风能密度趋势项相加得到最终的大规模海域风能长期预测结果。
第二方面，本发明实施例提供一种大规模海域风能长期预测系统，包括：
数据读取分析器，用于读取CCMP海面风场资料，并计算分析得到海洋风能密度格网数据；
第一数据处理分析器，用于结合多源辅助参量格网数据以及所述海洋风能密度格网数据来进行相关性分析，以识别影响海洋风能分布的时不变辅助参量以及与海洋风能滞后相关的时变参量，构建预测模型；
海洋风能密度趋势项预测分析器，用于对所述预测模型采用时空地理加权回归法来表达海洋风能密度与辅助参量所存在的时空异质性关系，实现海洋风能密度趋势项预测；
第二数据处理分析器，通过对去除时空趋势的海洋风能密度残差部分的计算分析，构建时空协方差函数表达海洋风能密度随机项的时空自相关结构；
大规模海域风能长期预测结果分析器，用于利用时空简单克里金进行海洋风能密度随机项的预测，与海洋风能密度趋势项相加得到最终的大规模海域风能长期预测结果。
本发明与现有技术相比，其有益效果在于：
本发明通过利用CCMP海面风场资料计算得到海洋风能密度格网数据，分析识别影响海洋风能分布的时不变参量(海水深度、离岸距离等)，以及与海洋风能滞后相关的时变参量(海表温度、海浪高度等)，综合考虑海洋风能分布的时空自相关性以及海洋风能与辅助参量的时空异质性关系，提出基于时空回归克里金的海洋风能长期预测方法，基于该方法和相应的历史格网数据实现月度、季节及年度等多时间尺度上的大规模海域风能空间分布格局变化的精确预测。
附图说明
图1为本发明实施例一提供的大规模海域风能长期预测方法的流程图；
图2为本发明实施例二提供的大规模海域风能长期预测方法的组成示意图；
图中：201、数据读取分析器；202、第一数据处理分析器；203、海洋风能密度趋势项预测分析器；204、第二数据处理分析器；205、大规模海域风能长期预测结果分析器。
具体实施方式
下面结合附图和具体实施方式对本发明的内容做进一步详细说明。
实施例：
参阅图1所示，本实施例提供的大规模海域风能长期预测方法包括：
获取CCMP海面风场资料，以计算得到海洋风能密度格网数据；相较单点测风方式具备造价昂贵、观测范围小等劣势，微波遥感反演、数值模拟及再分析融合技术均可提供时空大范围的海面风场格网数据用于计算海洋风能密度。基于大规模的海洋风能密度格网数据可更全面地理解和表达海洋风能资源宏观分布的时空自相关结构。通过融合卫星遥感、浮标观测及数值模拟等多源海面风场数据，覆盖全球且精度较高的CCMP海面风场再分析资料逐渐成为应用最广泛的海面风场格网数据产品之一。
结合多源辅助参量格网数据以及所述海洋风能密度格网数据来进行相关性分析，以识别影响海洋风能分布的时不变辅助参量以及与海洋风能滞后相关的时变参量，构建预测模型；具体地，通过计算海洋风能密度与时不变参量(如海水深度、离岸距离等)的相关系数，选取与其相关性强的时不变参量参与预测模型构建；在不同滞后周期上计算海洋风能密度与时变参量(如海表温度、海浪高度等)的相关系数，确定与其相关性强的时变参量的滞后周期，参与预测模型构建。
对所述预测模型采用时空地理加权回归法来表达海洋风能密度与辅助参量所存在的时空异质性关系，实现海洋风能密度趋势项预测；
通过对去除时空趋势的海洋风能密度残差部分的计算分析，构建时空协方差函数表达海洋风能密度随机项的时空自相关结构；
利用时空简单克里金进行海洋风能密度随机项的预测，与海洋风能密度趋势项相加得到最终的大规模海域风能长期预测结果。
由此可知，本方法通过利用CCMP海面风场资料计算得到海洋风能密度格网数据，通过相关性分析识别影响海洋风能分布的时不变参量(海水深度、离岸距离等)，以及与海洋风能滞后相关的时变参量(海表温度、海浪高度等)，采用时空地理加权回归表达海洋风能密度与辅助参量可能存在的时空异质性关系，实现海洋风能密度趋势项预测。然后通过对去除时空趋势的海洋风能密度残差部分的计算分析，构建时空协方差函数表达海洋风能密度随机项的时空自相关结构，进而利用时空简单克里金进行海洋风能密度随机项的预测，与趋势项相加得到最终的大规模海域风能长期预测结果。
具体地，上述的时空地理加权回归(GTWR)模型是纯空间地理加权回归通过时空扩展而来，能够基于同时考虑空间和时间维度的权重矩阵来表达目标参量与辅助参量之间的时空异质性关系，通过在模型中嵌入数据的时空位置信息来进行局部线性回归分析，其公式为：
Figure BDA0002172843070000041
上式中：
Figure BDA0002172843070000042
表示时空格网点(s0，t0)处的海洋风能密度趋势项拟合值；β0(s0，t0)是点(s0，t0)处的截距项，βk(s0，t0)对应点(s0，t0)处的第k个回归系数，系数值均随格网点位置变化而改变；p为辅助参量数目；fk(s0，t0)为第k个变量在点(s0，t0)处的值；ε(s0，t0)是点(s0，t0)处的随机误差项，为白噪声。
具体地，上述通过对去除时空趋势的海洋风能密度残差部分的计算分析，构建时空协方差函数表达海洋风能密度随机项的时空自相关结构以及利用时空简单克里金进行海洋风能密度随机项的预测，与海洋风能密度趋势项相加得到最终的大规模海域风能长期预测结果包括：
对海洋风能密度数据去除时空趋势后，残差部分r(s,t)被视为二阶平稳其期望为零，即r(s,t)在所研究的时空区域内具有有限的方差且任意时空点对(s,t)和(s+hs,t+ht)上残差部分的协方差只与时间距离ht和空间距离hs相关，而与时空点对的绝对位置无关，如下所示：
Cov[r(s,t),r(s+hs,t+ht)]＝Cst(hs,ht)
Cst为时空协方差函数。
基于和度量、积和等时空协方差函数模型拟合海洋风能密度残差的时空协方差先验样本点，并选择最优模型表达其时空自相关结构，进而完成残差部分的时空简单克里金预测，待预测点(s0,t0)处的残差估计值
Figure BDA0002172843070000043
为：
Figure BDA0002172843070000044
上式中：C为采样点残差项的时空协方差矩阵，c0为采样点与待预测点残差项的时空协方差向量，
Figure BDA0002172843070000045
为采样点去除时空趋势后的残差项；点(s0,t0)处趋势项回归结果
Figure BDA0002172843070000046
和残差项预测结果
Figure BDA0002172843070000047
相加即得到最终的海洋风能密度预测值
Figure BDA0002172843070000048
Figure BDA0002172843070000049
实施例二：
参阅图2所示，本实施例所提供的大规模海域风能长期预测系统，包括：
数据读取分析器201，用于读取CCMP海面风场资料，并计算分析得到海洋风能密度格网数据；相较单点测风方式具备造价昂贵、观测范围小等劣势，微波遥感反演、数值模拟及再分析融合技术均可提供时空大范围的海面风场格网数据用于计算海洋风能密度。基于大规模的海洋风能密度格网数据可更全面地理解和表达海洋风能资源宏观分布的时空变异结构。通过融合卫星遥感、浮标观测及数值模拟等多源海面风场数据，覆盖全球且精度较高的CCMP海面风场再分析资料逐渐成为应用最广泛的海面风场格网数据产品之一。
第一数据处理分析器202，用于结合多源辅助参量格网数据以及所述海洋风能密度格网数据来进行相关性分析，以识别影响海洋风能分布的时不变辅助参量以及与海洋风能滞后相关的时变参量，构建预测模型；具体地，第一数据处理分析器通过计算海洋风能密度与时不变参量(如海水深度、离岸距离等)的相关系数，选取与其相关性强的时不变参量参与预测模型构建；在不同滞后周期上计算海洋风能密度与时变参量(如海表温度、海浪高度等)的相关系数，确定与其相关性强的时变参量的滞后周期，参与预测模型构建。
海洋风能密度趋势项预测分析器203，用于对所述预测模型采用时空地理加权回归法来表达海洋风能密度与辅助参量所存在的时空异质性关系，实现海洋风能密度趋势项预测；
第二数据处理分析器204，通过对去除时空趋势的海洋风能密度残差部分的计算分析，构建时空协方差函数表达海洋风能密度随机项的时空自相关结构；
大规模海域风能长期预测结果分析器205，用于利用时空简单克里金进行海洋风能密度随机项的预测，与海洋风能密度趋势项相加得到最终的大规模海域风能长期预测结果。
由此可知，本系统通过利用CCMP海面风场资料计算得到海洋风能密度格网数据，通过相关性分析识别影响海洋风能分布的时不变参量(海水深度、离岸距离等)，以及与海洋风能滞后相关的时变参量(海表温度、海浪高度等)，采用时空地理加权回归表达海洋风能密度与辅助参量可能存在的时空异质性关系，实现海洋风能密度趋势项预测。然后通过对去除时空趋势的海洋风能密度残差部分的计算分析，构建时空协方差函数表达海洋风能密度随机项的时空自相关结构，进而利用时空简单克里金进行海洋风能密度随机项的预测，与趋势项相加得到最终的大规模海域风能长期预测结果。
具体地，上述的时空地理加权回归(GTWR)模型是纯空间地理加权回归通过时空扩展而来，能够基于同时考虑空间和时间维度的权重矩阵来表达目标参量与辅助参量之间的时空异质性关系，通过在模型中嵌入数据的时空位置信息来进行局部线性回归分析，其公式为：
Figure BDA0002172843070000051
上式中：
Figure BDA0002172843070000061
表示时空格网点(s0，t0)处的海洋风能密度趋势项拟合值；β0(s0，t0)是点(s0，t0)处的截距项，βk(s0，t0)对应点(s0，t0)处的第k个回归系数，系数值均随格网点位置变化而改变；p为辅助参量数目；fk(s0，t0)为第k个变量在点(s0，t0)处的值；ε(s0，t0)是点(s0，t0)处的随机误差项，为白噪声。
具体地，上述通过对去除时空趋势的海洋风能密度残差部分的计算分析，构建时空协方差函数表达海洋风能密度随机项的时空自相关结构以及利用时空简单克里金进行海洋风能密度随机项的预测，与海洋风能密度趋势项相加得到最终的大规模海域风能长期预测结果包括：
对海洋风能密度数据去除时空趋势后，残差部分r(s,t)被视为二阶平稳其期望为零，即r(s,t)在所研究的时空区域内具有有限的方差且任意时空点对(s,t)和(s+hs,t+ht)上残差部分的协方差只与时间距离ht和空间距离hs相关，而与时空点对的绝对位置无关，如下所示：
Cov[r(s,t),r(s+hs,t+ht)]＝Cst(hs,ht)
Cst为时空协方差函数。
基于和度量、积和等时空协方差函数模型拟合海洋风能密度残差的时空协方差先验样本点，并选择最优模型表达其时空自相关结构，进而完成残差部分的时空简单克里金预测，待预测点(s0,t0)处的残差估计值
Figure BDA0002172843070000062
为：
Figure BDA0002172843070000063
上式中：C为采样点残差项的时空协方差矩阵，c0为采样点与待预测点残差项的时空协方差向量，
Figure BDA0002172843070000064
为采样点去除时空趋势后的残差项；点(s0,t0)处趋势项回归结果
Figure BDA0002172843070000065
和残差项预测结果
Figure BDA0002172843070000066
相加即得到最终的海洋风能密度预测值
Figure BDA0002172843070000067
Figure BDA0002172843070000068
上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰，都应涵盖在本发明的保护范围内。

Claims (6)

1.一种大规模海域风能长期预测方法，其特征在于，包括：
获取CCMP海面风场资料，以计算得到海洋风能密度格网数据；
结合多源辅助参量格网数据以及所述海洋风能密度格网数据来进行相关性分析，以识别影响海洋风能分布的时不变辅助参量以及与海洋风能滞后相关的时变参量，构建预测模型；
对所述预测模型采用时空地理加权回归法来表达海洋风能密度与辅助参量所存在的时空异质性关系，实现海洋风能密度趋势项预测；
通过对去除时空趋势的海洋风能密度残差部分的计算分析，构建时空协方差函数表达海洋风能密度随机项的时空自相关结构；
利用时空简单克里金进行海洋风能密度随机项的预测，与海洋风能密度趋势项相加得到最终的大规模海域风能长期预测结果；
所述时空地理加权回归法的模型为：
Figure FDA0002921737600000011
上式中：
Figure FDA0002921737600000012
表示时空格网点(s0，t0)处的海洋风能密度趋势项拟合值；β0(s0，t0)是点(s0，t0)处的截距项，βk(s0，t0)对应点(s0，t0)处的第k个回归系数，系数值均随格网点位置变化而改变；p为辅助参量数目；fk(s0，t0)为第k个变量在点(s0，t0)处的值；ε(s0，t0)是点(s0，t0)处的随机误差项，为白噪声；
所述通过对去除时空趋势的海洋风能密度残差部分的计算分析，构建时空协方差函数表达海洋风能密度随机项的时空自相关结构包括：
对海洋风能密度数据去除时空趋势后，残差部分r(s，t)被视为二阶平稳其期望为零，即r(s，t)在所研究的时空区域内具有有限的方差且任意时空点对(s，t)和(s+hs，t+ht)上残差部分的协方差只与时间距离ht和空间距离hs相关，而与时空点对的绝对位置无关，如下所示：
Cov[r(s，t)，r(s+hs，t+ht)]＝Cst(hs，ht)
Cst为时空协方差函数。
2.如权利要求1所述的大规模海域风能长期预测方法，其特征在于，所述利用时空简单克里金进行海洋风能密度随机项的预测，与海洋风能密度趋势项相加得到最终的大规模模海域风能长期预测结果包括：
基于和度量、积和时空协方差函数模型拟合海洋风能密度残差的时空协方差先验样本点，并选择最优模型表达其时空自相关结构，进而完成残差部分的时空简单克里金预测，待预测点(s0，t0)处的残差估计值
Figure FDA0002921737600000021
为：
Figure FDA0002921737600000022
上式中：C为采样点残差项的时空协方差矩阵，c0为采样点与待预测点残差项的时空协方差向量，
Figure FDA00029217376000000210
为采样点去除时空趋势后的残差项；点(s0，t0)处趋势项回归结果
Figure FDA0002921737600000024
和残差项预测结果
Figure FDA0002921737600000025
相加即得到最终的海洋风能密度预测值
Figure FDA0002921737600000026
Figure FDA0002921737600000027
3.如权利要求1所述的大规模海域风能长期预测方法，其特征在于，所述海洋风能分布的时不变辅助参量包括海水深度、离岸距离；所述与海洋风能滞后相关的时变参量包括海表温度、海浪高度。
4.一种大规模海域风能长期预测系统，其特征在于，包括：
数据读取分析器，用于读取CCMP海面风场资料，并计算分析得到海洋风能密度格网数据；
第一数据处理分析器，用于结合多源辅助参量格网数据以及所述海洋风能密度格网数据来进行相关性分析，以识别影响海洋风能分布的时不变辅助参量以及与海洋风能滞后相关的时变参量，构建预测模型；
海洋风能密度趋势项预测分析器，用于对所述预测模型采用时空地理加权回归法来表达海洋风能密度与辅助参量所存在的时空异质性关系，实现海洋风能密度趋势项预测；
第二数据处理分析器，通过对去除时空趋势的海洋风能密度残差部分的计算分析，构建时空协方差函数表达海洋风能密度随机项的时空自相关结构；
大规模海域风能长期预测结果分析器，用于利用时空简单克里金进行海洋风能密度随机项的预测，与海洋风能密度趋势项相加得到最终的大规模海域风能长期预测结果；
所述时空地理加权回归法的模型为：
Figure FDA0002921737600000028
上式中：
Figure FDA0002921737600000029
表示时空格网点(s0，t0)处的海洋风能密度趋势项拟合值；β0(s0，t0)是点(s0，t0)处的截距项，βk(s0，t0)对应点(s0，t0)处的第k个回归系数，系数值均随格网点位置变化而改变；p为辅助参量数目；fk(s0，t0)为第k个变量在点(s0，t0)处的值；ε(s0，t0)是点(s0，t0)处的随机误差项，为白噪声；
所述通过对去除时空趋势的海洋风能密度残差部分的计算分析，构建时空协方差函数表达海洋风能密度随机项的时空自相关结构包括：
对海洋风能密度数据去除时空趋势后，残差部分r(s,t)被视为二阶平稳其期望为零，即r(s,t)在所研究的时空区域内具有有限的方差且任意时空点对(s,t)和(s+hs,t+ht)上残差部分的协方差只与时间距离ht和空间距离hs相关，而与时空点对的绝对位置无关，如下所示：
Cov[r(s,t),r(s+hs,t+ht)]＝Cst(hs,ht)
Cst为时空协方差函数。
5.如权利要求4所述的大规模海域风能长期预测系统，其特征在于，所述利用时空简单克里金进行海洋风能密度随机项的预测，与海洋风能密度趋势项相加得到最终的大规模海域风能长期预测结果包括：
基于和度量、积和时空协方差函数模型拟合海洋风能密度残差的时空协方差先验样本点，并选择最优模型表达其时空自相关结构，进而完成残差部分的时空简单克里金预测，待预测点(s0,t0)处的残差估计值
Figure FDA0002921737600000031
为：
Figure FDA0002921737600000032
上式中：C为采样点残差项的时空协方差矩阵，c0为采样点与待预测点残差项的时空协方差向量，
Figure FDA0002921737600000033
为采样点去除时空趋势后的残差项；点(s0,t0)处趋势项回归结果
Figure FDA0002921737600000034
和残差项预测结果
Figure FDA0002921737600000035
相加即得到最终的海洋风能密度预测值
Figure FDA0002921737600000036
Figure FDA0002921737600000037
6.如权利要求4所述的大规模海域风能长期预测系统，其特征在于，所述海洋风能分布的时不变辅助参量包括海水深度、离岸距离；所述与海洋风能滞后相关的时变参量包括海表温度、海浪高度。
CN201910768687.6A 2019-08-20 2019-08-20 一种大规模海域风能长期预测方法及系统 Active CN110727916B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910768687.6A CN110727916B (zh) 2019-08-20 2019-08-20 一种大规模海域风能长期预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910768687.6A CN110727916B (zh) 2019-08-20 2019-08-20 一种大规模海域风能长期预测方法及系统

Publications (2)

Publication Number Publication Date
CN110727916A CN110727916A (zh) 2020-01-24
CN110727916B true CN110727916B (zh) 2021-04-23

Family

ID=69217179

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910768687.6A Active CN110727916B (zh) 2019-08-20 2019-08-20 一种大规模海域风能长期预测方法及系统

Country Status (1)

Country Link
CN (1) CN110727916B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111896680B (zh) * 2020-07-08 2022-07-05 天津师范大学 基于卫星遥感数据的温室气体排放分析方法及系统
CN112417638A (zh) * 2020-09-04 2021-02-26 浙江省气象科学研究所 近海区域架空输电线路强风精细化分析方法
CN117111068B (zh) * 2023-10-19 2024-03-22 南京信大卫星应用研究院有限公司 一种基于卫星散射计数据的海面风场监测系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102914969A (zh) * 2012-09-28 2013-02-06 南方电网科学研究院有限责任公司 一种短期风电功率预测系统的综合误差修正方法
CN103617462A (zh) * 2013-12-10 2014-03-05 武汉大学 一种基于地理统计学的风电场风速时空数据建模方法
CN104701889A (zh) * 2015-03-16 2015-06-10 东北电力大学 风电场群风能时空分布差异性定量评价方法
CN105930941A (zh) * 2016-05-19 2016-09-07 华南理工大学 一种适用于风电场多变量输入的风能间接预测方法
US10031500B1 (en) * 2017-03-01 2018-07-24 PLETHORA IIoT, S.L. Device and system including multiple devices for supervision and control of machines in industrial installation
CN108764541A (zh) * 2018-05-16 2018-11-06 天津大学 一种结合时空特征和误差处理的风能预测方法
CN109100717A (zh) * 2018-06-11 2018-12-28 广州地理研究所 一种多源微波遥感海面风场数据融合方法及其装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013025568A2 (en) * 2011-08-12 2013-02-21 California Institute Of Technology Methods and systems for comparing vertical axis turbine arrays and providing configurations thereof
CN106407633B (zh) * 2015-07-30 2019-08-13 中国科学院遥感与数字地球研究所 基于时空回归克里金模型估算地面pm2.5的方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102914969A (zh) * 2012-09-28 2013-02-06 南方电网科学研究院有限责任公司 一种短期风电功率预测系统的综合误差修正方法
CN103617462A (zh) * 2013-12-10 2014-03-05 武汉大学 一种基于地理统计学的风电场风速时空数据建模方法
CN104701889A (zh) * 2015-03-16 2015-06-10 东北电力大学 风电场群风能时空分布差异性定量评价方法
CN105930941A (zh) * 2016-05-19 2016-09-07 华南理工大学 一种适用于风电场多变量输入的风能间接预测方法
US10031500B1 (en) * 2017-03-01 2018-07-24 PLETHORA IIoT, S.L. Device and system including multiple devices for supervision and control of machines in industrial installation
CN108764541A (zh) * 2018-05-16 2018-11-06 天津大学 一种结合时空特征和误差处理的风能预测方法
CN109100717A (zh) * 2018-06-11 2018-12-28 广州地理研究所 一种多源微波遥感海面风场数据融合方法及其装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于CCMP风场的中国近海风能资源的长期变化分析;高成志 等;《海洋预报》;20171031;第34卷(第5期);第27--35页 *
基于Sentinel-1A 数据在广东省近海海面风场反演应用;吴萍昊 等;《热带地理》;20190531;第39卷(第3期);第357-364页 *

Also Published As

Publication number Publication date
CN110727916A (zh) 2020-01-24

Similar Documents

Publication Publication Date Title
CN110727916B (zh) 一种大规模海域风能长期预测方法及系统
Robertson et al. Characterizing the near shore wave energy resource on the west coast of Vancouver Island, Canada
Neill et al. Wave power variability over the northwest European shelf seas
CN112099110B (zh) 基于机器学习和遥感数据的海洋内波预报方法
CN112348292B (zh) 一种基于深度学习网络的短期风电功率预测方法和系统
Moeini et al. Wave data assimilation using a hybrid approach in the Persian Gulf
Grayek et al. Assessment of the Black Sea observing system. A focus on 2005-2012 Argo campaigns
Yang et al. Long-term prediction of significant wave height based on SARIMA model in the South China Sea and adjacent waters
Haas et al. Can dynamically downscaled windstorm footprints be improved by observations through a probabilistic approach?
Deleersnijder et al. Multi-scale modelling of coastal, shelf and global ocean dynamics
Inghilesi et al. Implementation and validation of a coastal forecasting system for wind waves in the Mediterranean Sea
Zhang et al. Incorporation of artificial neural networks and data assimilation techniques into a third-generation wind–wave model for wave forecasting
Hu et al. Adaptive environmental sampling for underwater vehicles based on ant colony optimization algorithm
Zhang et al. Deep multi-fidelity bayesian data fusion for probabilistic distribution system voltage estimation with high penetration of pvs
Jang An Application of ANN Ensemble for Estimating of Precipitation Using Regional Climate Models
Sotillo et al. The 44-year Mediterranean HIPOCAS wind database: A useful tool to analyse offshore extreme wind events from a long-term regional perspective
Lo Re et al. Present-day use of an empirical wave prediction method
Bright et al. The future of synthetic solar irradiance
Browne et al. Empirical estimation of nearshore waves from a global deep-water wave model
Wang et al. Continuous Super-Resolution of Climate Data Using Time-aware Implicit Neural Representation
Revill et al. Terrestrial-Ocean Linkages: the role of rivers and estuaries in sustaining marine productivity in the Kimberley
Warn-Varnas et al. Wilkinson Basin area water masses: a revisit with EOFs
Liu et al. Inversion of Sound Speed Profile in the Luzon Strait by Combining Single Empirical Orthogonal Function and Generalized Regression Neural Network
Hou et al. Sound speed profiles in high spatiotemporal resolution using multigrid three-dimensional variational method: a coastal experiment off northern Shandong Peninsula
CN118261044A (zh) 一种适用于非结构海浪时空数据的有义波高预报方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 510070 No. 100 martyrs Middle Road, Guangzhou, Guangdong, Yuexiu District

Applicant after: Guangzhou Institute of geography, Guangdong Academy of Sciences

Address before: 510070 No. 100 martyrs Middle Road, Guangzhou, Guangdong, Yuexiu District

Applicant before: GUANGZHOU INSTITUTE OF GEOGRAPHY

GR01 Patent grant
GR01 Patent grant