CN110781577A

CN110781577A - 一种气象要素缺失时典型气象年的生成方法及装置

Info

Publication number: CN110781577A
Application number: CN201910872192.8A
Authority: CN
Inventors: 张晓静; 盖世博; 谢静超; 刘加平
Original assignee: Beijing University of Technology
Current assignee: Beijing University of Technology
Priority date: 2019-09-16
Filing date: 2019-09-16
Publication date: 2020-02-11

Abstract

本申请提供了一种气象要素缺失时典型气象年的生成方法。包括以下步骤：对气象要素进行相关性分析，得到与所述缺失气象要素相关性不小于阈值的其它气象要素；使用所述其它气象要素替代所述缺失气象要素，通过桑迪亚国家实验室统计方法获取表示长期累积频率分布函数接近程度的FS值；通过所述每个月的累积频率分布函数和FS值，计算得到逐年各月份的平均加权总值WS；根据所述WS值生成典型气象年。以此方式，可以解决部分气象要素缺失，难以生成典型气象年的问题。

Description

一种气象要素缺失时典型气象年的生成方法及装置

技术领域

本发明涉及建筑能耗领域，特别地涉及一种气象要素缺失时典型气象年的生成方法及装置。

背景技术

能源对于中国的经济和社会发展至关重要。能源保护已经成为人们关注的热门话题。建筑物的空调能耗是主要的能源消耗者之一，其目的是移除室内负荷。而建筑物的负荷除了建筑物本身的设计以外，还与外界气候条件密不可分。在暖通空调行业，进行科学研究或工程设计，都需依靠气象数据对建筑物的冷热能耗及建筑热环境进行计算分析。气象参数对指导地区的建筑设计标准及能耗模拟评估起着基础、直接的作用，所以在研究建筑物能耗模拟前尚需掌握大量的各种气象要素，才能真实地反映建筑物的热负荷状况。

所有能耗模拟程序都需要输入气象数据来驱动模拟程序中的热模型。由于每年的气象条件可能会发生显著变化，因此需要得出一个可以很好地代表长期平均气象状况的定制气象数据集。典型气象年TMY(Typical Meteorological Year)，就是一个地区具有典型气候特征的一年，它是由12个均具有气候代表性的典型月(TMM)组成一个“假想”气象年，是一年的代表性数据库。

典型气象年的生成方法有Sandia国家实验室法、Danish法、Festa-Ratto法、CSWD法、CTYW法、主成分法等。上述方法通过对比所选月份各气象要素与长期气象数据的接近程度来挑选典型气象月，从而构成典型气象年。不同的方法利用的气象要素类型略有差异，一般利用温度、湿度、风速、太阳辐射等多种气象要素。

然而，由于各地区气象观测站点建站时间不一，且部分地区气候要素资料数据记录存在缺失问题，尤其是气象辐射资料数据还需进一步完善，导致缺少部分气象要素，难以进行气象年的生成，从而无法真实地模拟和反映建筑物的热负荷。

发明内容

本发明的目的在于提供一种气象要素缺失时典型气象年的生成方法及装置，用以解决部分气象要素缺失，难以生成典型气象年的问题。

为此，根据本发明的第一方面提供了一种气象要素缺失时典型气象年的生成方法，包括以下步骤：

对气象要素进行相关性分析，得到与所述缺失气象要素相关性不小于阈值的其它气象要素；

使用所述其它气象要素替代所述缺失气象要素，通过桑迪亚国家实验室统计方法获取表示长期累积频率分布函数接近程度的FS值；

通过所述表示长期累积频率分布函数接近程度的FS值，计算得到逐年各月份的平均加权总值WS；

根据所述WS值生成典型气象年。

进一步地，所述对气象要素进行相关性分析，得到与所述缺失气象要素相关性不小于阈值的其它气象要素包括：

通过相关性分析公式计算所述缺失气象要素与其它气象要素之间的确定系数R²；

得到R²不小于阈值的其它气象要素。

进一步地，所述相关性分析公式为：

其中，R²为确定系数；

Y_i为某气象要素第i个观测值；

X_i为另一气象要素第i个观测值；

为某气象要素观测平均值。

进一步地，根据下式计算所述FS值：

n为参数值选取个数；

FSx(y,m)为第x个气象要素在x_i范围的FS(y,m)统计值，y为研究对象年，m为研究对象月；

CDFy,m(x_i)为第x个气象要素在x_i范围内的累积频率分布函数；

CDFm(x_i)为对于月份m，第x个气象要素长期统计值域在x_i范围的累积频率分布函数。

进一步地，根据下式计算所述WS：

其中，WSx(y,m)为y年m月的平均加权和；

WFx为第x个气象要素的加权因子，替代的气象要素的加权因子按照被替代的缺失的气象要素的加权因子选取；

m为气象要素选取个数。

进一步地，所述根据所述WS值生成典型气象年包括：

选取最小WS值的月份作为典型月；

将12个典型月连接得到第一典型气象年。

进一步地，还包括：

按照气象要素所对应的气象参数将所述气象要素进行分组；

使用同组的一个或多个其它气象要素替代所述缺失的气象要素，生成第二典型气象年；

根据第一典型气象年和第二典型气象年生成各要素的典型月CDF曲线；

分别将所述典型月CDF曲线与长期实测数据CDF曲线进行对比，选取吻合度更好的典型气象年作为最终的典型气象年。

根据本发明的第二方面，提供了一种气象要素缺失时典型气象年的生成装置，包括：

分析模块，用于对气象要素进行相关性分析，得到与所述缺失气象要素相关性不小于阈值的其它气象要素；

替换模块，用于使用所述其它气象要素替代所述缺失气象要素，通过桑迪亚国家实验室统计方法获取表示长期累积频率分布函数接近程度的FS值；

计算模块，用于通过所述表示长期累积频率分布函数接近程度的FS值，计算得到逐年各月份的平均加权总值WS；

第一生成模块，用于根据所述WS值生成典型气象年。

进一步地，还包括：

第二生成模块，用于按照气象要素所对应的气象参数将所述气象要素进行分组；

使用同组的一个或多个其它气象要素替代所述缺失的气象要素，生成第二典型气象年。

对比模块，用于将根据第一典型气象年和第二典型气象年生成各要素的典型月CDF曲线，分别与长期实测数据CDF曲线进行对比；

选取模块，用于选取与长期实测数据CDF曲线吻合度更好的典型气象年作为最终的典型气象年。

本发明通过对缺失气象要素进行分析，得到补充所述缺失气象要素的其它气象要素，然后通过桑迪亚国家实验室统计方法，计算得到典型气象年，从而在缺失部分气象要素时，也能够生成典型气象年。同时还能较为准确、真实地模拟和反映建筑物的热负荷。

本发明的附加方面和优点将在下面的描述部分中给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是根据本发明的气象要素缺失时典型气象年的生成方法的流程示意图。

图2是根据本发明的气象要素缺失时典型气象年的生成装置的框架示意图。

图3是根据本发明一实施例的西沙地区在2003-2014年间实测日照时数与日总辐射数据的散点图。

图4是根据本发明一实施例的CDF曲线对比结果分类示意图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

图1示出了根据本发明的一种气象要素缺失时典型气象年的生成方法，包括以下步骤：

S11、对气象要素进行相关性分析，得到与所述缺失气象要素相关性不小于阈值的其它气象要素；

其中，通过观测站得到的气象要素信息，由于观测站建站时间、数量、分布等问题，会出现缺失典型气象年计算所需要的部分气象要素信息的情况，此时则需要用其它气象要素对所述缺失气象要素进行补充。

根据相关性分析公式得到与所述缺失气象要素相关性较高的其它气象要素。具体地，将确定系数R²与预设阈值相比较，若所述确定系数R²大于等于预设阈值(例如为0.8)，即可判定所述其它气象要素与所述缺失气象要素相关性较高,由此从观测得到的气象要素信息中选出可替代缺失气象要素的其它气象要素。对于一个缺失气象要素，可能存在多个可替代的其它气象要素，此时可以从中任意选择一个，也可以选择相关系数最高的一个。具体地，相关性分析公式如下所示：

R²为确定系数；

Yi为某气象要素第i个观测值；

Xi为另一气象要素第i个观测值；

为某气象要素观测平均值。

S12、使用所述其它气象要素替代所述缺失气象要素，通过桑迪亚国家实验室统计方法获取表示长期累积频率分布函数接近程度的FS值；

其中，利用桑迪亚(Sandia)国家实验室统计方法(又称Filkenstein-Schafer(FS)统计方法)，计算表征干球温度、露点温度、风速和太阳辐射等各气象参数的各月份累积频率分布函数(Cumulative Distribution Function，简称CDF)与长期累积频率分布函数的接近程度的FS值，计算中缺失的气象要素用步骤S11中得到相关性较高的其它气象要素替代，具体计算公式如下：

n为参数值选取个数；

FSx(y,m)为第x个气象要素在xi范围的FS(y,m)统计值，y为研究对象年，m为研究对象月；

CDFy,m(x_i)为第x个气象要素在x_i范围内的累积频率分布函数；

S13、通过所述表示长期累积频率分布函数接近程度的FS值，计算得到逐年各月份的平均加权总值WS；

其中，根据下述公式计算得到逐年各月份的平均加权总值WS：

其中，WSx(y,m)为y年m月的平均加权和；

m为气象要素选取个数。

S14、根据所述WS值生成典型气象年；

其中，在某些情况下会导致没有候选月份或筛选掉一些有用的月份，因而选择具有最小WS值的月份作为典型月，将12个典型月连接得到第一典型气象年。

进一步地，所述方法还包括：

按照气象要素所对应的气象参数将所述气象要素进行分组；

其中，当缺失的气象要素为某气象参数的子集时，可将该缺失气象要素的权重累加到同组气象要素中，进而生成第二典型气象年。例如，温度为气象参数，干球温度日最高值与最低值和干球温度日平均值为所述温度气象参数的子集，当干球温度日最高值与最低值缺失时，可将其权重累加到干球温度日平均值的权重中。

进一步地，将第一典型气象年和第二典型气象年中各要素的各典型月CDF曲线分别与长期实测数据CDF曲线比对，选取吻合度更好地典型气象年作为最终的典型气象年。

本发明实施例还提供了一种气象要素缺失时典型气象年的生成装置，如图2所示，包括：

分析模块21，用于对气象要素进行相关性分析，得到与所述缺失气象要素相关性不小于阈值的其它气象要素；

R²为确定系数；

Yi为某气象要素第i个观测值；

Xi为另一气象要素第i个观测值；

为某气象要素观测平均值。

替换模块22，用于使用所述其它气象要素替代所述缺失气象要素，通过桑迪亚国家实验室统计方法获取表示长期累积频率分布函数接近程度的FS值；

其中，利用桑迪亚(Sandia)国家实验室统计方法(又称Filkenstein-Schafer(FS)统计方法)，计算表征干球温度、露点温度、风速和太阳辐射等各气象参数的各月份累积频率分布函数(Cumulative Distribution Function，简称CDF)与长期累积频率分布函数的接近程度的FS值，计算中缺失的气象要素用分析模块21中得到相关性较高的其它气象要素替代，具体计算公式如下：

n为参数值选取个数；

CDFy,m(x_i)为第x个气象要素在x_i范围内的累积频率分布函数；

计算模块23，用于通过所述表示长期累积频率分布函数接近程度的FS值，计算得到逐年各月份的平均加权总值WS；

其中，WSx(y,m)为y年m月的平均加权和；

m为气象要素选取个数。

第一生成模块24，用于根据所述WS值生成典型气象年。

进一步地，所述装置还包括：

将第一典型气象年和第二典型气象年中各要素的各典型月CDF曲线分别与长期实测数据CDF曲线比对。

通过对比模块的对比结果，选取与所述长期实测数据CDF曲线吻合度更好的典型气象年作为最终的典型气象年。

下面给出根据本发明一个具体实施例的生成典型气象年流程：

气象数据来源于中国气象局提供的西沙台站(112.33°E，16.83°N)实测气象数据集。

需要用到公式如下所示：

(相关性分析公式)

原始气象数据的类型、要素、精度及记录长度列于表1。其中，四次定时观测时间为北京时间02、08、14和20时，各气象要素的日平均值统一用四次定时的平均值代表。

本实施例实测数据取自西沙太阳辐射数据记录质量较好的年段2000-2014年。

表1西沙历史观测气象数据质量概况

Sandia国家实验室法可保证挑选的典型气象年气象数据与长期气象数据具有结构上的一致性，使之具有长期气象数据的代表性。基于Sandia国家实验室法挑选的典型气象年与长期气象资料在结构上具有较好的接近度并且去除了极端的气候状况，使得典型气象年具有较好的长期气候代表性。

本实施例提出的用于挑选典型年的两种气象要素组合及各权重因子具体介绍见表2。

表2挑选典型年所需要的气象要素及其权重因子

通过相关性分析公式对实测日照时数与水平面日总辐射数据进行相关性分析，结果如图3所示。可见西沙2000-2014年实测日照时数与日总辐射之间呈高度正相关(r＝0.912，p<0.001；即R²＝0.832，所述实测日照时数与水平面日总辐射相关性高)，即当日照时数越长时，水平面日总辐射量也越高。

进一步地，研究表明，当气象要素部分参数缺失时，也可将同属一类的气象要素权重进行合并，所生成的典型气象年依然具有代表性。

由表1和表2可知，实测数据中缺少Sandia法所需的直射辐射数据，本实施例尝试用日照时数或水平面日总辐射替代Sandia法中的水平面总辐射和直接辐射要素，并将两种缺失的气象要素的权重因子进行合并后赋值给日照时数或水平面日总辐射，即日照时数与水平面日总辐射的权重因子均设置为10/20。

通过公式1和公式2计算得到表征各气象要素的观测数据在各月份的累积频率分布函数(Cumulative Distribution Function，简称CDF)与长期累积频率分布函数的接近程度的FS值，再结合表2所列的各气象要素的权重因子，通过公式3计算FS值的加权总值WS；

进一步地，根据WS值为每个月份挑选出5个候选月，通过评估候选月气温和太阳辐射的连续性，然后按照得分最高的月份挑选与长期观测数据最为“接近”的典型气象月TMM(Typical Meteorological Month)，将12个典型气象月连接得到典型气象年。进一步地，根据所述表2组合①中数据计算得到的典型气象年为第一典型气象年，根据所述表2组合②中数据计算得到的典型气象年为第二典型气象年。

基于西沙2000-2014年实测数据，利用上述两组气象要素分别挑选西沙的典型气象年。典型气象年的挑选结果于表3，可见有7个典型月的挑选结果是一致的，分别为3、6、7、8、10、11和12月。

表3两组气象要素挑选典型气象年结果对比

为了比较典型气象年的准确性与代表性，计算了两组典型年的RMSE与MBE值及相应的百分比，见表4。可以看出两组TMY的干球温度、露点温度、水平面日总辐射、日照时数、相对湿度都具有较小的RMSE值，这表明与长期观测值有较好的接近度；而两组TMY的风速RMSE值都偏大，这可能是由于风速的随机性造成的。两组TMY的日照时数的MBE值为负，说明典型年的日照时数平均值略小于长期观测平均值，其他气象要素MBE值为正，说明其略大于长期观测平均值。

综上来看，两组TMY除了风速以外均具有较小的RMSE值和MBE值，说明两组典型年数据均与长期观测值有着较好的接近程度，具有长期观测数据的代表性。

表4两组气象要素挑选典型气象年与对应WS值

如图4所示，为直观对比两种典型气象年的挑选结果，统计了各气象要素典型月数据的CFD曲线以及相应FS值。同时，以西沙台站长期观测气象数据(2000-2014)的CDF作为参照曲线评价典型气象年挑选的准确性。以风速的某4个典型月挑选结果为例，对比结果大致分为四类：以日照时数挑选的典型月CDF曲线与长期实测数据的CDF曲线吻合度好，且明显优于以水平面日总辐射挑选的典型月结果(FS①<FS②，图示++)；两种典型年的CDF曲线完全重合即典型月的年份挑选结果一致(FS①＝FS②，图示+)；两种典型年的CDF曲线偏离长期实测数据的CDF曲线的程度接近(FS①≈FS②，图示○)；以日照时数挑选的典型月CDF曲线与长期实测数据的CDF曲线吻合度次于以水平面日总辐射挑选的典型月结果(FS①>FS②，图示—)。

按照上述分类标准，各气象要素12个典型月的CDF曲线对比结果，见表5。可见，以日照时数等要素挑选典型气象年时，得到的各要素的各典型月CDF曲线与长期实测数据CDF曲线吻合度均很好，干球温度的优选月份数量为12个，风速、相对湿度的优选月份数量均为9个，水平面日总辐射的优选月份有8个。可见，以日照时数替代水平面日总辐射挑选的典型气象年，准确度较高，该方法可行。

表5各气象要素的两组典型年CDF曲线与实测数据CDF曲线的对比结果分类统计

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。