CN111353641A - 一种基于高铁沿线风速风向联合分布建模的方法 - Google Patents

一种基于高铁沿线风速风向联合分布建模的方法 Download PDF

Info

Publication number
CN111353641A
CN111353641A CN202010120918.5A CN202010120918A CN111353641A CN 111353641 A CN111353641 A CN 111353641A CN 202010120918 A CN202010120918 A CN 202010120918A CN 111353641 A CN111353641 A CN 111353641A
Authority
CN
China
Prior art keywords
wind
wind speed
data
speed
wind direction
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
Application number
CN202010120918.5A
Other languages
English (en)
Other versions
CN111353641B (zh
Inventor
勾红叶
王涵玉
肖图刚
赵虎
蒲黔辉
杨长卫
王君明
刘雨
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202010120918.5A priority Critical patent/CN111353641B/zh
Publication of CN111353641A publication Critical patent/CN111353641A/zh
Application granted granted Critical
Publication of CN111353641B publication Critical patent/CN111353641B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/04—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
    • 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
    • G06F17/15—Correlation function computation including computation of convolution operations
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Optimization (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明公开了一种基于高铁沿线风速风向联合分布建模的方法，对不同地域、不同季节条件下的兰新高铁沿线的风速采集数据进行统计分析，获得不同地域和季节条件下风速概率分布特征表示；对不同地域、不同季节条件下的兰新高铁沿线的风向采集数据进行统计分析，获得不同地域和季节条件下风向概率分布特征表示；前述风速风向采集为同一地域同一时间下同一站点采集数据；根据所述风速概率分布特征、风向概率分布特征和站点的地域特征、时间特征数据建立基于经验Bernstein Copula的风速风向联合分布模型；通过提出的风速风向联合分布模型对兰新铁路沿线其他地域特征、季节特征相似的站点数据进行分析。

Description

一种基于高铁沿线风速风向联合分布建模的方法
技术领域
本发明涉及风速风向建模技术领域，具体涉及一种基于高铁沿线风速风向联合分布建模的方法。
背景技术
随着我国高铁速度的提高，环境风荷载对高铁安全性和乘坐舒适性的作用越来越重要。风会极大地加剧大跨度桥梁的振动，并影响高速列车在桥梁上的运行安全性和舒适性。因此，及时、简捷、大范围、高效的了解高速铁路沿线风分布特性，制定具有针对性、精确性的列车运行策略，建立实时、精确的高铁风速风向特征模型，十分必要。
目前，现有风速风向联合分布模型主要考虑大范围气候特征，利用参数化方法建立风速风向分布模型行，这种方法形式固定，且未考虑局部地区环境风具有的特殊地域特征。由于兰新高铁沿线处于戈壁强风速区，受地形和气候影响，存在严重的地域性和季节性。为此，综合考虑兰新铁路沿线特殊地域、特殊气候，分析该地区风速风向特征、研究多特征下的风速风向联合分布的新建模方法十分必要。综上，现有的风速风向联合分布模型建模方法缺少考虑地域特征和季节特征，鉴于此，有必要提供一种简单、实时、高效的适用于兰新高铁沿线的风速风向分布建模的新方法。
发明内容
本发明所要解决的技术问题是克服现有技术中的不足，目的在于提供一种基于高铁沿线风速风向联合分布建模的方法，能够对不同地域、不同季节条件下的高铁沿线的风速风向分布提供一种简单、实时、高效的建模方法，为进一步研究风速风向特征下的高速列车运营策略提供科学依据和数据基础。
本发明通过下述技术方案实现：
一种基于高铁沿线风速风向联合分布建模的方法，包括以下步骤：
步骤一：对不同地域、不同季节条件下的高铁沿线的风速采集数据进行统计分析，获得不同地域和季节条件下风速概率分布特征表示；
步骤二：对不同地域、不同季节条件下的高铁沿线的风向采集数据进行统计分析，获得不同地域和季节条件下风向概率分布特征表示；
步骤三：根据所述风速概率分布特征、风向概率分布特征和站点的地域特征、时间特征数据建立基于经验Bernstein Copula函数的风速风向联合分布模型；
步骤四：通过提出的风速风向联合分布模型对铁路沿线其他地域特征、季节特征相似的站点数据进行分析。
进一步地，所述步骤二和步骤三中的风速风向采集为同一地域同一时间下同一站点采集数据。
进一步地，所述步骤一对不同地域、不同季节条件下的高铁沿线的风速采集数据进行数据统计分析，获得不同地域和季节条件下风速概率分布特征表示之前还包括：对原始采集的风速数据进行预处理，校正清洗错误数据。
进一步地，所述步骤一对不同地域、不同季节条件下的高铁沿线的风速采集数据进行数据统计分析的步骤包括：利用Weibull函数、Rayleigh函数、Lognormal函数、Gamma函数、 Inverse Gaussian函数、Burr函数、Generalized Extreme Value(GEV)函数对风速数据进行概率密度(PDF)分析。
进一步地，所述步骤二对不同地域、不同季节条件下的高铁沿线的风向采集数据进行统计分析，获得不同地域和季节条件下风向概率分布特征表示之前还包括：对原始采集的风速数据进行预处理，校正清洗错误数据。
进一步地，所述步骤二对不同地域、不同季节条件下的兰新高铁沿线的风向采集数据进行数据统计分析的步骤包括：利用Von Mises分布函数对风向数据进行概率密度分析。
进一步地，所述步骤三包括：利用近似k阶经验Bernstein Copula函数进行风速风向相关系数分析。
进一步地，所述步骤四包括：获取其他站点风速、风向采集数据，并进行预处理和数据清洗校正；
根据所述的风速、风向数据，获得采集数据的风速风向各自分布特征；
根据优化后的风速风向联合分布模型，拟合相应参数得出计算后的风速风向分布特征；
对比原始数据和计算后的分布特征进行判定。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明一种基于高铁沿线风速风向联合分布建模的方法，通过对不同地域、不同季节调节下高速沿线的风速、风向采集数据进行统计分析，获得不同地域和季节条件下风速、风向概率分布特征表示，根据风速概率分布特征、风向概率分布特征和站点的地域特征、时间特征数据建立基于经验Bernstein Copula的风速风向联合分布模型；通过提出的风速风向联合分布模型对兰新铁路沿线其他地域特征、季节特征相似的站点数据进行分析，最终实现对兰新高铁沿线风速风向联合分布特性进行大规模、精确的分析研究，经验Bernstein Copula函数的引入可以很好地辅助风速风向相关性参数的确定，为进一步研究风速风向特征下的高速列车运营策略提供科学依据和数据基础。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明方法的流程图；
图2为本发明为该实例为兰新高铁沿线某基站春季风速实测数据的概率密度图；
图3为本发明利用5阶Von Mises分布函数对兰新高铁沿线某基站春季风向实测数据概率密度图；
图4为本发明基于经验Bernstein Copula函数，对兰新高铁沿线某基站实测风向风速数据进行拟合，建立风速风向概率密度模型。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例
如图1至图4所示，一种基于高铁沿线风速风向联合分布建模的方法，包括以下步骤：
步骤S101：对不同地域、不同季节条件下的兰新高铁沿线的风速采集数据进行数据统计分析，获得不同地域和季节条件下风速概率分布特征表示。
可选的，在对不同地域、不同季节条件下的兰新高铁沿线的风速采集数据进行数据统计分析，获得不同地域和季节条件下风速概率分布特征表示之前还包括：对原始采集的风速数据进行预处理，校正清洗错误数据。
在对不同地域、不同季节条件下的兰新高铁沿线的风速采集数据进行数据统计分析的步骤包括：
利用Weibull函数、Rayleigh函数、Lognormal函数、Gamma函数、Inverse Gaussian函数、 Burr函数、Generalized Extreme Value(GEV)函数对风速数据进行概率密度(PDF)分析。
其中，Weibull函数的概率密度函数为：
Figure RE-GDA0002457404930000031
Rayleigh函数的概率密度函数为：
Figure RE-GDA0002457404930000032
Lognormal函数的概率密度函数为：
Figure RE-GDA0002457404930000041
Gamma函数的概率密度函数为：
Figure RE-GDA0002457404930000042
Inverse Gaussian函数的概率密度函数为：
Figure RE-GDA0002457404930000043
Burr函数的概率密度函数为：
Figure RE-GDA0002457404930000044
Generalized Extreme Value函数的概率密度函数为：
Figure RE-GDA0002457404930000045
相较于传统的概率密度函数求解方法，上述七种函数进行概率密度函数分析后，利用最大似然估计对概率密度函数的参数进行估计，选取其中概率密度函数拟合效果最佳的函数作为分析结果。
如图2所示，为该实例为兰新高铁沿线某基站春季风速实测数据的概率密度图，该例中选取拟合度最高的Weibull分布函数作为该步骤分析结果。
步骤S102：对不同地域、不同季节条件下的兰新高铁沿线的风速采集数据进行数据统计分析，获得不同地域和季节条件下风向概率分布特征表示。
S101中采集到的风速数据与S102中采集到的风向数据必须为同一地域同一时间下同一站采集。
可选的，在对不同地域、不同季节条件下的兰新高铁沿线的风向采集数据进行统计分析，获得不同地域和季节条件下风向概率分布特征表示之前还包括：对原始采集的风速数据进行预处理，校正清洗错误数据。
对不同地域、不同季节条件下的兰新高铁沿线的风向采集数据进行数据统计分析的步骤包括：
利用Von Mises分布函数对风向数据进行概率密度分析：
Figure RE-GDA0002457404930000051
其中θ表示风向的随机周期性变量，值在0～2π之间；μk表示平均风向，值在0～2π之间；κk表示一个浓度参数，值大于零；I0表示第一阶Bessel函数；ωk表示和为一的非负变量。
Figure RE-GDA0002457404930000052
0≤wk≤1
Figure RE-GDA0002457404930000053
步骤S103：风速概率分布特征、风向概率分布特征和站点的地域特征、时间特征数据建立基于经验Bernstein Copula函数的风速风向联合分布模型。
可选的，风速概率分布特征、风向概率分布特征和站点的地域特征、时间特征数据建立基于经验Bernstein Copula函数的风速风向联合分布模型的包括：
利用近似k阶经验Bernstein Copula函数对上述步骤S101和步骤S102得出的风速、风向概率密度特征进行风速风向相关系数分析，其中近似k阶经验Bernstein Copula函数如下：
Figure RE-GDA0002457404930000054
式中，第一项为经验联合函数，其表达形式如下所示：
Figure RE-GDA0002457404930000055
I(ui≤u,vi≤v)＝1
ui≤u vi≤v
不满足以上条件则取值为零；对应的Copula密度函数如下所示：
Figure RE-GDA0002457404930000056
式中，β是一个带参数a和b的密度函数，如下所示：
Figure RE-GDA0002457404930000057
式中B和混合权重P，如下所示：
B(a,b)＝(a-1)！(b-1)！/(a+b-1)！
Figure RE-GDA0002457404930000061
为了满足兰新沿线铁路风速风向相关性特征，将混合权重进行如下修正：
Figure RE-GDA0002457404930000062
Figure RE-GDA0002457404930000063
步骤S104：通过步骤S103提出的风速风向联合分布模型对兰新铁路沿线其他地域特征、季节特征相似的站点数据进行分析。
可选的，通过提出的风速风向联合分布模型对兰新铁路沿线其他地域特征、季节特征相似的站点数据进行分析的步骤包括：
获取其他站点风速、风向采集数据，并进行预处理和数据清洗校正；
根据所述的风速、风向数据，获得采集数据的风速风向各自分布特征；
根据优化后的风速风向联合分布模型，拟合相应参数得出计算后的风速风向分布特征；
对比原始数据和计算后的分布特征进行判定。
本申请实施例提供了一种适用于兰新高铁沿线的风速风向联合分布建模的新方法，对不同地域、不同季节条件下的兰新高铁沿线的风速采集数据进行统计分析，获得不同地域和季节条件下风速概率分布特征表示；对不同地域、不同季节条件下的兰新高铁沿线的风向采集数据进行统计分析，获得不同地域和季节条件下风向概率分布特征表示；前述风速风向采集为同一地域同一时间下同一站点采集数据；根据所述风速概率分布特征、风向概率分布特征和站点的地域特征、时间特征数据建立基于经验Bernstein Copula的风速风向联合分布模型；通过提出的风速风向联合分布模型对兰新铁路沿线其他地域特征、季节特征相似的站点数据进行分析。最终实现对兰新高铁沿线风速风向联合分布特性进行大规模、实时和精确的分析研究，经验Bernstein Copula函数的引入可以很好地辅助风速风向相关性参数的确定，为进一步研究风速风向特征下的高速列车运营策略提供科学依据和数据基础。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于高铁沿线风速风向联合分布建模的方法，其特征在于，包括以下步骤：
步骤一：对不同地域、不同季节条件下的高铁沿线的风速采集数据进行统计分析，获得不同地域和季节条件下风速概率分布特征表示；
步骤二：对不同地域、不同季节条件下的高铁沿线的风向采集数据进行统计分析，获得不同地域和季节条件下风向概率分布特征表示；
步骤三：根据所述风速概率分布特征、风向概率分布特征和站点的地域特征、时间特征数据建立基于经验Bernstein Copula函数的风速风向联合分布模型；
步骤四：通过提出的风速风向联合分布模型对铁路沿线其他地域特征、季节特征相似的站点数据进行分析。
2.根据权利要求1所述的一种基于高铁沿线风速风向联合分布建模的方法，其特征在于，所述步骤一和步骤二中风速风向采集为同一地域同一时间下同一站点采集数据。
3.根据权利要求1所述的一种基于高铁沿线风速风向联合分布建模的方法，其特征在于，所述步骤一对不同地域、不同季节条件下的高铁沿线的风速采集数据进行数据统计分析，获得不同地域和季节条件下风速概率分布特征表示之前还包括：对原始采集的风速数据进行预处理，校正清洗错误数据。
4.根据权利要求1所述的一种基于高铁沿线风速风向联合分布建模的方法，其特征在于，所述步骤一对不同地域、不同季节条件下的高铁沿线的风速采集数据进行数据统计分析的步骤包括：利用Weibull函数、Rayleigh函数、Lognormal函数、Gamma函数、InverseGaussian函数、Burr函数、Generalized Extreme Value函数对风速数据进行概率密度分析。
5.根据权利要求1所述的一种基于高铁沿线风速风向联合分布建模的方法，其特征在于，所述步骤二对不同地域、不同季节条件下的高铁沿线的风向采集数据进行统计分析，获得不同地域和季节条件下风向概率分布特征表示之前还包括：对原始采集的风速数据进行预处理，校正清洗错误数据。
6.根据权利要求1所述的一种基于高铁沿线风速风向联合分布建模的方法，其特征在于，所述步骤二对不同地域、不同季节条件下的兰新高铁沿线的风向采集数据进行数据统计分析的步骤包括：利用Von Mises分布函数对风向数据进行概率密度分析。
7.根据权利要求1所述的一种基于高铁沿线风速风向联合分布建模的方法，其特征在于，所述步骤三包括：利用近似k阶经验Bernstein Copula函数进行风速风向相关系数分析。
8.根据权利要求1所述的一种基于高铁沿线风速风向联合分布建模的方法，其特征在于，所述步骤四包括：
获取其他站点风速、风向采集数据，并进行预处理和数据清洗校正；
根据所述的风速、风向数据，获得采集数据的风速风向各自分布特征；
根据优化后的风速风向联合分布模型，拟合相应参数得出计算后的风速风向分布特征；
对比原始数据和计算后的分布特征进行判定。
CN202010120918.5A 2020-02-26 2020-02-26 一种基于高铁沿线风速风向联合分布建模的方法 Active CN111353641B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010120918.5A CN111353641B (zh) 2020-02-26 2020-02-26 一种基于高铁沿线风速风向联合分布建模的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010120918.5A CN111353641B (zh) 2020-02-26 2020-02-26 一种基于高铁沿线风速风向联合分布建模的方法

Publications (2)

Publication Number Publication Date
CN111353641A true CN111353641A (zh) 2020-06-30
CN111353641B CN111353641B (zh) 2022-12-13

Family

ID=71194112

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010120918.5A Active CN111353641B (zh) 2020-02-26 2020-02-26 一种基于高铁沿线风速风向联合分布建模的方法

Country Status (1)

Country Link
CN (1) CN111353641B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113312836A (zh) * 2021-05-10 2021-08-27 国核电力规划设计研究院有限公司 一种短期风速预测方法
CN113536685A (zh) * 2021-07-23 2021-10-22 河北工业大学 一种基于神经网络外推的风速概率模型的建模方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104166777A (zh) * 2014-08-29 2014-11-26 重庆大学 计及多重相关性的风速矢量数据模拟生成方法
US20150160373A1 (en) * 2013-12-07 2015-06-11 Cardinal Wind, Inc. Computer-implemented data analysis methods and systems for wind energy assessments
CN105824987A (zh) * 2016-03-09 2016-08-03 浙江大学 一种基于遗传算法的风场特征统计分布模型建立方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150160373A1 (en) * 2013-12-07 2015-06-11 Cardinal Wind, Inc. Computer-implemented data analysis methods and systems for wind energy assessments
CN104166777A (zh) * 2014-08-29 2014-11-26 重庆大学 计及多重相关性的风速矢量数据模拟生成方法
CN105824987A (zh) * 2016-03-09 2016-08-03 浙江大学 一种基于遗传算法的风场特征统计分布模型建立方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
楼文娟等: "极值风速风向的联合概率密度函数", 《浙江大学学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113312836A (zh) * 2021-05-10 2021-08-27 国核电力规划设计研究院有限公司 一种短期风速预测方法
CN113536685A (zh) * 2021-07-23 2021-10-22 河北工业大学 一种基于神经网络外推的风速概率模型的建模方法
CN113536685B (zh) * 2021-07-23 2023-02-07 河北工业大学 一种基于神经网络外推的风速概率模型的建模方法

Also Published As

Publication number Publication date
CN111353641B (zh) 2022-12-13

Similar Documents

Publication Publication Date Title
CN111353641B (zh) 一种基于高铁沿线风速风向联合分布建模的方法
CN110134919B (zh) 风电机组异常数据清洗方法
CN111257970B (zh) 一种基于集合预报的降水预报订正方法及系统
CN106548258B (zh) 一种基于气象条件的交通空气污染物浓度预测方法与系统
CN105134484A (zh) 风电功率异常数据点的识别方法
CN106980762B (zh) 光伏电站并网有功功率参考值快速计算方法
CN105469316A (zh) 配电网任意两点间理论线损计算方法及系统
CN104036356A (zh) 一种利用分形算法对电网未来运行状态进行预测的方法
Ullah et al. Environmental Kuznets Curve and Income Inequality: Pooled Mean Group Estimation for Asian Developing Countries.
Ying et al. The Mechanism Behind Urban Population Growth and Shrinkage from the Perspective of Urban Network Externalities
CN113935244A (zh) 一种城中村配变短期电力负荷预测方法和系统
CN107944466A (zh) 一种基于分段思想的降雨偏差纠正方法
Palmqvist et al. A method to separate primary and secondary train delays in past and future timetables using macroscopic simulation
CN111523770A (zh) 一种调水引流改善水环境质量综合评价方法
CN105046026B (zh) 一种计及节点功率注入和电网拓扑的输电能力评估方法
CN116304949A (zh) 一种能耗历史数据的校准方法
TWI623844B (zh) 適用於混合模組之平面規劃方法
CN106599318B (zh) 一种配电网模型数据校验方法
CN109146332B (zh) 跨区域电网雾霾程度的评估方法及系统
CN110390481B (zh) 一种水平面太阳散射辐照量评估方法及装置
Wang et al. A novel transmission planning method for integrating large-scale wind power
Meng et al. Research on a multi-index comprehensive evaluation method for surface water quality assessment
CN109272204A (zh) 一种城市地铁网络储备容量的评估方法
CN111459925A (zh) 一种园区综合能源异常数据组合式插补方法
CN111968007A (zh) 一种基于多目标优化的平原河网引调水方案获取方法

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
GR01 Patent grant
GR01 Patent grant